生成AIによって、レポートやコード、資料といった成果物の品質は大きく底上げされるようになりました。一方で、その成果物がどこまで本人の理解や判断を反映しているのかは、以前より見えにくくなっています。
これは、単に「AIを使うべきか、使うべきではないか」という話ではありません。電卓やPC、インターネットが登場したときと同じように、使える道具を使わないこと自体は本末転倒です。問題は、道具によって成果物とプロセスの距離が開いたとき、人間が何を学び、何を評価されるべきなのかという点にあります。
これから必要になるのは、AIとの協働・伴走の距離感を正しく制御し、AIが生成したものに対して自分事として関与し、血の通った成果物に仕上げるスキルなのではないかと思います。
AIで成績が上がる、という話
ギズモードに「成績は爆上がりすれど学力は低下。大学生のAI活用で」という記事が出ていました。冒頭に「学びとは？」という問いが置かれている通り、この記事は単に学生がAIで楽をしている、という話にとどまりません。むしろ、AI時代において「成績」や「成果物」が、本人の学びや能力をどこまで表すのか、という問いを投げかけています。(ギズモード・ジャパン)
元になっているのは、UC BerkeleyのCenter for Studies in Higher Educationが公開したIgor Chirikov氏のワーキングペーパーです。この研究では、2018年から2025年にかけて、ある大規模研究大学における50万件以上の成績データを分析し、ChatGPT登場後にAIの影響を受けやすい科目でA評価の割合が大きく上昇したとされています。特に、ライティングやコーディングのようにAIが支援しやすい課題を多く含む科目では、A評価の比率が13ポイント、2022年時点と比べて約30%上昇したと説明されています。(cshe.berkeley.edu)
ただし、ここで注意したいのは、この研究が「AIを使うと必ず学力が下がる」と単純に断定しているわけではないという点です。むしろ重要なのは、AIが成績評価の対象となる課題を代替できるようになることで、成績という指標の情報価値が下がる可能性がある、という話です。UC Berkeleyの要約でも、生成AIは課題を遂行することで成績の情報価値を損なう可能性があり、宿題の比重が大きい科目ほど上昇幅が大きかったことから、広い意味での学習効果というより、AIが学生の作業を一部代替した可能性と整合的だと説明されています。(cshe.berkeley.edu)
要するに、成績は上がっている。しかし、それがそのまま学びの増加を意味するとは限らない。ここに、AI時代の学びの難しさがあります。
成果物とプロセスの距離が開いた
これまでにも、技術によって学びや仕事の評価軸が変わることは何度もありました。
電卓が出てきたとき、複雑な計算をすべて手で行う必要はなくなりました。PCが普及したことで、清書や集計、資料作成の速度は大きく上がりました。インターネットによって、情報を探すコストも大きく下がりました。
そのたびに、「そんなものを使ったら能力が落ちる」という反応はあったはずです。しかし今となっては、電卓やPCやインターネットを使わないこと自体が、むしろ非効率だと見なされます。使える道具を使わないことは、努力ではなく、単に手段の選択を誤っているだけ、という場面も多いわけです。
AIも基本的にはこの流れの延長にあります。AIで解決できる作業を、あえて人間がすべて手作業で行う必要はありません。AIを使わないことを美徳にするのは、電卓の横で筆算の美学を語り続けるようなもので、少しつらいものがあります。
ただし、今回のAIには過去の道具と少し違うところがあります。
電卓は計算を代替しました。PCは清書や編集や集計を支援しました。インターネットは情報探索を支援しました。しかし生成AIは、文章を書く、要約する、論点を整理する、企画案を出す、コードを書く、反論を作るといった「考えているように見える工程」まで広く支援します。
その結果、成果物とプロセスの距離が一気に開きました。
レポートは立派に見える。コードはそれなりに動く。資料は整っている。文章も読みやすい。しかし、それを作った本人がどこまで理解しているのか、どこで判断したのか、どの結論に責任を持てるのかが見えにくくなっています。
ここが、今回の記事の本質だと思います。問題は、AIを使ったことそのものではありません。成果物の完成度が、本人の学びや判断力を表す指標として、以前より信頼しにくくなったことです。
HITLだけでは足りない
この話になると、よく出てくるのがHITL、Human in the Loopという考え方です。つまり、AIが出したものを最後は人間が確認し、人間が責任を持つ、という考え方です。
これはもちろん重要です。AIが出したものを何も確認せずに使うのは危険ですし、最終的な責任をAIに押し付けることもできません。最後に人間が見る、という考え方自体は間違っていません。
ただ、それだけでは足りないのではないかと思います。
なぜなら、AIが生成する量や速度が上がるほど、人間の確認作業がボトルネックになるからです。AIに長い時間自由に走らせて、最後に大量の成果物を人間が確認する。これは一見すると安全そうですが、実際にはかなりつらい設計です。
製造ラインで言えば、生産工程だけを高速化して、最後の検査工程だけを人間の目視検査に頼っているようなものです。作る量は増える。しかし検品が追いつかない。結果として、「やはり人間がボトルネックだ」という話になってしまう。
しかし本当に問題なのは、人間そのものがボトルネックであることではなく、人間を最後の検査工程に押し込めているプロセス設計のほうではないかと思います。
AI時代に必要なのは、最後に確認することだけではありません。入口で目的を定義し、途中で方向性を確認し、必要に応じて軌道修正し、最後に判断する。つまり、AIが走るプロセス全体に対して、人間が適切な距離感で伴走することです。
AIとの距離感を設計する
ここで大事になるのが、AIとの距離感です。
AIに任せるか、任せないか。これは少し粗い議論です。実際には、作業分担は0か100かではありません。30:70もあれば、50:50もある。場合によっては10:90でもよいし、逆に人間側の関与を厚くしたほうがよい場面もあります。
重要なのは、タスクの性質に応じて、AIとの距離感を調整することです。
たとえば、自分がよく知っている領域で、失敗時の影響が小さく、後から修正しやすい作業であれば、AIにかなり広く任せてもよいと思います。逆に、専門性が高く、誤りの影響が大きく、後から修正しにくい作業であれば、途中のチェックポイントを厚くする必要があります。
これは、AIを信じるか疑うかという単純な話ではありません。どの部分は任せてよいのか。どの部分は疑うべきなのか。どの判断は人間側に残すべきなのか。どのタイミングで確認すれば、最後のレビュー負荷を減らせるのか。こうした距離感の設計が、今後の重要な能力になると思います。
AIとの協働は、部下への仕事の任せ方にも似ています。優秀な部下であっても、「とりあえず全部よろしく」と丸投げして、数日後に出てきたものを全部直すようなマネジメントはうまくいきません。最初に目的を合わせ、途中で骨子を確認し、ズレていれば早めに修正し、最後に要点を確認する。AIとの協働も、基本的にはこれに近いのだと思います。
違いがあるとすれば、AIは人間の部下よりも速く、大量に、しかも自信満々にズレることがある、という点です。なかなか厄介です。
成果物に血を通わせる
では、学びの話に戻ると、これから私たちは何を学ぶべきなのでしょうか。
私は、「AIを使って良い成果物を出すこと」だけでは足りないと思います。これから本当に必要になるのは、AIとの協働を通じて、血の通った成果物を出すことです。
ここでいう血の通った成果物とは、単にきれいな成果物という意味ではありません。構成が整っている。文章が読みやすい。論点が網羅されている。見栄えがよい。それらはもちろん大事です。しかし、それだけならAIによってかなりの部分が平準化されていきます。
血の通った成果物とは、そこに自分の問題意識があるものです。自分の判断が入っているものです。採用した論点だけでなく、捨てた論点にも理由があるものです。自分の経験や現場感と接続されているものです。批判されたときに、自分の言葉で説明できるものです。
AIが生成した文章は、放っておくと整っているけれど体温がないものになりがちです。論理はある。構成もある。表現もきれいです。でも、なぜその人がそれを言うのか、どこに違和感を持っているのか、どの判断を引き受けているのかが見えない。
だからこそ、人間が関与する必要があります。
AIが出したものを読んで終わりにするのではなく、選ぶ。捨てる。疑う。言い換える。補強する。自分の経験と接続する。現場に持ち込んだときに耐えるかを考える。そうやって初めて、AIの出力は「自分の成果物」になります。
これは単なるリライトではありません。AIが生成したものを、自分の判断の回路に通すということです。
「良い成果物」と「協働生産物」は違う
ここで、「良い成果物」と「AIとの協働生産物」は分けて考えたほうがよいと思います。
良い成果物とは、読みやすく、整っていて、論点がそろっていて、目的に合っているものです。これはこれで大事です。仕事である以上、雑な成果物よりも良い成果物のほうがよいに決まっています。
しかしAI時代には、良い成果物を出すだけなら以前より簡単になります。一定以上の文章、一定以上の資料、一定以上のコードは、多くの人がAIを使って作れるようになるはずです。
そうなると、評価されるべきものは、成果物の見栄えだけではなくなります。その成果物に、どれだけ本人が関与しているか。どのような判断をしたか。AIとの距離感をどう設計したか。どの部分をAIに任せ、どの部分を自分で引き受けたか。そこが重要になります。
つまり、これからの学びは「AIで良い成果物を出す力」ではなく、「AIと協働しながら、自分の判断と責任が通った成果物を作る力」になっていくのだと思います。
これは、成果主義にも関係します。
これまで多くの場面で、成果物は本人の能力や努力の代理指標として扱われてきました。レポートが良い。資料が良い。コードが良い。だからその人は優秀である。もちろん完全ではないにせよ、ある程度はそう見なすことができました。
しかしAIによって、成果物の見栄えは急速に底上げされます。その結果、成果物だけを見ても、本人の理解や判断が見えにくくなる。これは学校の成績だけでなく、企業の成果評価や採用にも影響するはずです。
だから今後は、成果物だけではなく、プロセスも評価対象になると思います。ただし、ここでいうプロセスとは、「頑張ったかどうか」ではありません。残業したとか、手作業でやったとか、苦労したとか、そういう話ではありません。
どのようにAIを使ったのか。どこで確認したのか。何を採用し、何を捨てたのか。どの判断に責任を持つのか。最終成果物を、自分の言葉で説明できるのか。
この意味でのプロセスが、成果の一部になるのだと思います。
AI時代の学びとは何か
冒頭の記事の問いに戻ります。
学びとは何か。
AI時代の学びは、単に知識を覚えることではありません。もちろん基礎知識は必要です。AIの出力を判断するためには、最低限の知識や経験がなければなりません。電卓があっても、答えが明らかにおかしいと気づく数感覚は必要です。同じように、AIがあっても、出力のおかしさに気づくための知識は必要です。
ただし、学びの中心は少し変わっていくと思います。
これまでは、外にある知識を自分の中に取り込むことが学びの中心でした。本を読む。授業を受ける。暗記する。演習する。手を動かす。そうやって、知識や技能を自分の内側に蓄積していく。
しかしAI時代には、自分の外側で知識や文章や構成案が高速に生成されます。すると学びは、外で生成されたものを、自分の判断体系に接続することへ広がります。
AIが出した答えを、そのまま受け取るのではない。自分の問題意識に合っているかを考える。どこが浅いかを見る。自分の経験と接続する。不要なものを捨てる。言葉を自分のものにする。最終的に、その成果物を自分の判断として引き受ける。
これが、AI時代の学びなのではないかと思います。
言い換えると、AI時代の学びとは、AIが生成した成果物との距離を制御し、それを自分の判断として引き受ける力を育てることです。
AIを使うことで、自分が成果物から遠ざかる人もいると思います。一方で、AIを使うことで、むしろ自分の判断がより明確になる人もいるはずです。
前者は、AIに成果物を作らせています。後者は、AIと成果物を作っています。
この差は大きいです。
これから評価される力
これから評価されるのは、単にAIを使える人ではないと思います。AIを使うだけなら、多くの人ができるようになります。プロンプトの書き方も、ツールの使い方も、時間が経てば一般化していきます。
その先で問われるのは、AIとの協働プロセスを設計できるかどうかです。
何をAIに任せるのか。どこまで任せるのか。どこで人間が介入するのか。どの段階で確認するのか。成果物のどこに自分の判断を入れるのか。最終的に、どの結論を自分の責任として引き受けるのか。
こうしたことを設計できる人が、AI時代には強くなると思います。
これは、AIに対して近すぎても遠すぎてもいけません。近すぎると、AIの作業に人間が巻き込まれてしまい、生産性が出ません。遠すぎると、最後に巨大な成果物が出てきて、確認不能になります。
必要なのは、適切な距離感です。
スキーで言えば、板に乗りすぎても遅れるし、離れすぎてもコントロールできません。ちょうどよい位置に乗り、必要なタイミングで圧をかけ、不要な力は抜く。AIとの協働も、少し似ている気がします。力任せに踏むのではなく、正しい位置に体重を落とす。AIに対する関与も、そういうものなのかもしれません。
おわりに
AIによって、成果物とプロセスの距離は確実に開きました。
その結果、成績や成果物の完成度だけでは、本人の学びや判断力を評価しにくくなっています。これは教育だけの問題ではありません。企業における成果主義、採用、人材育成、評価制度にも関わる話です。
ただし、だからAIを使うべきではない、という話ではありません。むしろ逆です。AIで解決できることをAIで解決しないのは、本末転倒です。これから必要なのは、AIを使わないことではなく、AIとの距離感を正しく設計することです。
AIに任せる。けれど、放置しない。
AIに作らせる。けれど、自分の判断を通す。
AIを使って良い成果物を出す。けれど、それを血の通った協働生産物にする。
これが、AI時代の学びの中心になっていくのではないかと思います。
成果物の中に、自分がいるか。
おそらくこれが、これからの学びや仕事において、とても大事な問いになるはずです。
コメント