認知的オフローディングとは何か——生成AIに任せる作業と残す判断

01 認知的オフローディングは、思考力の低下と同じではない

予定を覚えておく代わりにカレンダーへ登録する。長い計算を電卓へ任せる。こうして頭の中の処理を外部の道具へ移すことを、認知的オフローディングと呼ぶ。認知科学のレビューは、これを認知的な要求を減らすために外部の行動や資源を使うこととして整理している。

道具に記憶や計算を任せること自体は、能力が落ちた証拠ではない。生成AIで変わるのは、文章の下書きだけでなく、論点の整理、根拠の評価、結論の選択まで委ねられることだ。考える負担を移したとき、浮いた時間や注意を何に使うかが問いになる。

02 使った回数より、どの判断を渡したかを見る

生成AIの利用を「多い・少ない」だけで分けると、作業の違いが隠れる。書式を整えるために何度も使う人と、重要な結論を一度の回答で決める人では、AIへ渡した判断の範囲が異なる。

2026年の三波調査は、大学生と若手知識労働者589人を対象に、生成AIへの委ね方を二つに分けて調べた。一つは、中心的な思考を任せ、出力を十分に評価せず完成品として扱う使い方。もう一つは、自分の考えと比べる材料や足場としてAIを使い、最終判断を保つ使い方である。研究では両者が異なる自己評価と関連したが、測定したのは本人が感じる能力や判断であり、認知能力の実測値ではない。時間を分けた調査でも、AIが変化を引き起こしたとは結論できない。

この表は研究で効果が確かめられた分類ではなく、作業の委任範囲を話し合うための編集部の目安である。公開、契約、採用、医療など、人や組織への影響が大きい判断では、最終判断者と確認根拠を先に決めておく。

03 研究は「AIで思考力が落ちる」と証明していない

2025年の実験研究では、150人がドイツ、スイス、英国で一つの論題について回答し、AIを自由に使う条件と、最初の考察・調査・論証・批判的確認・振り返りを含む手順で使う条件などを比べた。著者は構造化した手順の条件で、評価された論証と自己申告の省察が改善したと報告している。ただし、これは一回のセッションで一つの論題を扱った結果であり、日常のすべての使い方や長期的な変化を示すものではない。

2026年の三波調査も、AIの使い方と本人が感じる認知的な結果との関連を示した研究である。参加者の多くは中国の大学生で、中心となる指標の一部は新たに作られた自己申告尺度だった。別の2026年系統的レビューも、調査や実験の対象、場面、測定方法がばらばらで、現状の研究から長期的な能力低下や、特定の使い方が継続的な能力向上を生むとは言えないと整理している。教育現場の研究を中心にしたレビューなので、職場や日常全体へそのまま一般化もできない。

一方、2026年7月のIZAディスカッションペーパーは、米国Middlebury Collegeの学部生211人を、生成AIを使える条件と使えない条件に無作為に割り当てた。学生は知識の少ない技術テーマを学び、分析エッセイを書いた。利用可能群は直後の知識テストで0.27標準偏差高く、1週間後にAIなしで行ったテストでも5.1ポイント高かった。1週間後の測定まで参加したのは204人である。これは特定の学習課題における短期の知識テストとエッセイの結果で、一般的な思考力や長期的な能力を測ったものではない。論文は予備的なディスカッションペーパーで、今後改訂される可能性がある。

同研究では、会話ログから説明を求める「拡張」と文章生成を任せる「自動化」の利用も分類し、拡張型で1週間後の成果がより大きい傾向を報告した。ただし、利用モード自体は無作為に割り当てられていない。利用者の特徴も含む比較なので、「説明を求めれば誰でも学習効果が上がる」と因果的に結論づける結果ではない。

2026年9月の別の無作為化研究では、大学生744人を、AIが下書きして学生が評価・修正する群、学生が下書きしてAIが評価する群、AIが修正し学生が変更を採否する群、AIなし群に分けた。4回のレポート課題の後、全員がAIを使わない第6週のテストを受け、639人が完了した。AIが文章を作成または修正した後に学生が判断する二つの群では、AIが学生の文章を評価する群とAIなし群より、無支援の文章転移成績がやや高かった（d=0.35〜0.36）。一方、12件の植え込み誤りを見つける割合は、全体草稿を評価した群の61.2%に対し、AIの修正案の採否を判断した群では50.8%で、AIなし群の51.1%と同程度だった。課題成績の改善を、誤り検出や一般的な思考力の向上と同じものとして扱えない。全体草稿を評価した群では、依存型のオフローディング傾向が高い学生ほど、ログ上で評価を再びAIに求める割合も高かった。評価を割り当てても、その判断が本人に残るとは限らない。研究は大学生の文章課題を中心とする。二つ目の実施先では126人を割り当てた縮小版を行ったが、依存傾向との交互作用は主実施先の分析に限られる。職場や長期的な認知変化へは一般化できない。

したがって、今の根拠から「生成AIを使うと人は考えなくなる」と断定することも、「使い方を工夫すれば思考力全般が上がる」と約束することもできない。特定の学習課題で短期の成績や知識保持にプラスの結果を示す実験はあるが、一般的な思考力や長期的な能力の変化はまだ判断できない。調査で示された本人の感じ方と、実験で測った課題成績も分けて読む必要がある。

04 問い、照合、結論の三つを手元に残す

生成AIを使うときは、すべてを自力で行うか、すべて任せるかの二択にしなくてよい。試しやすい手順は、考える工程を分けることだ。

1. 問いを先に書く。 何を知りたいか、自分の仮説や迷いを一文で残す。
2. 狭い作業を頼む。 要約、候補出し、比較など、委ねる部分を指定する。
3. 根拠と反例へ戻る。 重要な主張は原典を開き、反対の説明や未確認点も探す。
4. 結論を自分の言葉で決める。 採用・修正・保留と、その理由を記録する。

この順序があらゆる人や課題に効果を生むとは限らない。回答を受け取るだけで終えず、自分が担う判断を見えるようにする考え方として使いたい。

2026年9月の無作為化実験では、安徽省の1大学の学部生342人が、短い推論・データ解釈・情報の信頼性評価に取り組んだ。各課題で最初の回答と確信度を記録し、ChatGPTに相談した後で、自分が最初に考えた理由、説明のうち根拠に支えられた部分、どの条件なら提案を退けるかを振り返る群と、同じ相談の後に振り返りを挟まない群を比較した。誤ったAI推奨を採用した割合は、ChatGPT利用のみの群の62.4%に対し、振り返り群では39.7%だった。正しいAI推奨への一致は両群とも高く、研究者はこの結果をAIの一律な拒否ではなく、誤りを見分ける利用の改善として解釈している。

ただし、これは18〜24歳の学生を対象にした1大学での実験で、長期の学習・記憶や職場への転移は測っていない。確信度や振り返りが長期的に認知能力を高めることを示す研究でもない。

学習や誤り検出が目的なら、AIの評価に触れる前に自分の気づきと理由を記録し、後で差分を照合する方法も考えられる。上の実験が比較したのはAI相談後の振り返りであり、AIを見る前に記録して後から差を照合する順序ではない。この事前記録の方法自体は、実践案として分けて考えたい。具体的な入力・出力・確認の組み立て方は、生成AIの使い方を四つの設計から考える記事で扱っている。出典を確かめるときは、AIの回答と根拠を分けて確認する記事も参照できる。

2026年9月の未査読プレプリントでは、英国の成人704人を5条件に無作為に割り当て、GPT-OSS-120BのLLMを使った分数計算の練習10問と、直後のAIなしテスト6問を比べた。主要な介入効果の分析は、AIを利用できる4条件の参加者558人を対象としている。練習中に本人のAI利用と練習機会への影響を伝えるメタ認知フィードバックは、完全解答を求めるオッズが低く、後の正答オッズが高い方向の結果だった（オッズ比0.47、1.51。事前登録された方向付き片側検定のp値は.026、.030）。ポイント報酬による介入では同様の有意差がなく、AI利用のみとAIなしの比較でも直後テストの差は確認されなかった。正答の効果の両側95%信頼区間はオッズ比0.98〜2.33で無効果を含む。短時間のオンライン数学課題と直後のテストに限るため、長期の習得や別の課題への転移は分からない。これはAIを禁止せず、利用状況を示す設計の可能性を示した一例として読む。

05 仕事の速さだけで、委ね方を決めない

AIを使った作業時間が短くなっても、あとで内容を検証する時間や、説明責任を果たす手間が増えることがある。AIが下書きを作ることと、判断そのものを引き受けることは分けて見たい。仕事を作業へ分け、時間の変化と人の判断が残る場所を観察する考え方は、AIと仕事の変化をタスク単位で考える記事にもつながる。

認知的オフローディングは、道具を使わないことを目指す概念ではない。何を軽くし、何を自分で考え続けるかを選ぶための言葉である。AIに任せた部分と、自分が確かめて決めた部分を見分けられると、便利さを保ちながら作業の主導権も確かめやすくなる。