先日、Xでちょっと気になる投稿を見かけました。ITエンジニアのちょまどさん（@chomado）が、情報工学を学ぶ大学生から聞いた話を紹介したものです。
その学生は、大学の課題にも生成AIを積極的に使っていて、成績も良く、企業のインターンシップにも参加できたそうです。ところが、インターン先で経験豊富なエンジニアたちと接して、自分自身の能力に不安を感じるようになったとのこと。
私はただのチャッピーの wrapper なんです。
経験豊富なエンジニアは、自分が持っている知識やスキルをAIによってさらに強化している。一方、自分はAIが生成した成果物を使っているだけで、自分自身は何もできないし、成長している実感もない。そんな悩みだったそうです。
ちょまどさんは、この話を受けて、AIを使いこなすためにも人間側の基礎能力や経験が重要だと述べています。これはもっともな話で、AIの出力が正しいのか、目的に合っているのかを判断するには、相応の知識や経験が必要でしょう。
ただ、私はこの投稿を読んで、少し違うことを考えました。AIに仕事を任せている人は、本当に成長していないのでしょうか。AIの力を借りて成果を出すことと、自分自身が成長することは、必ずしも矛盾しない気がするんです。
そこで思い浮かんだのが、AI時代における「閉ループ（Closed Loop）」という考え方でした。
ミートプロクシーにも能力の差がある
最近は、AIを使う人間を「ミートプロクシー（Meat Proxy）」と呼ぶ表現も話題になっています。2026年8月にNiklas Gruhn氏が公開した「Don’t be a meat proxy」という記事では、AIから得た回答を理解も検証もせず、他人にそのまま転送する行為が批判されています。
例えば、Slackで質問したら、誰かがAIに聞いて、その長い回答をそのまま貼り付けて返してくる。それなら自分でAIに聞いた方が早いでしょう、という話です。確かに、人間が間に入っているのに何の付加価値も生まれていないのであれば、その仲介にはあまり意味がありません。
ただ、ネットワークの世界で考えると、プロクシーにもさまざまな機能があります。単純に通信を中継するだけのものもあれば、認証やフィルタリングなどを行うものもあります。AIを使う人間も同じで、指示を渡して回答を受け取るだけの人もいれば、曖昧な要求を整理し、適切なコンテキストを与え、出力を評価しながら改善を繰り返す人もいるわけです。
元の記事が批判しているのは無批判な中継行為なので、後者までミートプロクシーと呼ぶのは少し違うかもしれません。それでも、AIと仕事の間を仲介する人間にも能力の差があり、それがアウトプットの品質に影響するという点は重要だと思います。
さらに考えてみると、外からは同じようにAIを使っている二人でも、その経験から何を学んでいるかは分かりません。AIを使いこなす能力には差があるとして、その能力自体はどうやって育っていくのでしょうか。
この疑問が、二つの閉ループという考え方につながりました。
AI時代には二つの閉ループが存在する
AIを業務プロセスに組み込む際、継続的な改善の仕組みを作ることは重要なテーマです。AIにタスクを実行させ、その結果を評価し、期待した結果が得られなければプロンプトやワークフローを修正する。こうしたフィードバックの循環によって、業務品質や生産性を改善していくわけです。
これは従来のシステム運用や品質管理でも使われてきた考え方で、特に目新しいものではありません。ここでは、この循環を「業務改善ループ（Business Improvement Loop）」と呼ぶことにします。
例えば、AIに市場調査を依頼して、調査結果に不足があれば情報源や調査条件を見直し、次回はもっと効率的に、品質の高い調査ができるようにする。改善の対象は、仕事の進め方やAIを利用する仕組みそのものです。
私は、同じ仕事の中に、もう一つ別の閉ループが存在するのではないかと考えました。それが、AIを使っている人間自身の「Learning Loop」です。
先ほどの市場調査を例にすると、AIが自分では思いつかなかった競合企業や市場構造を提示してきたとします。その結果をレポートに取り込めば仕事は完了しますが、なぜ自分はその企業を見落としていたのか、なぜその市場構造に気づかなかったのか、というところまで考えてみたらどうでしょう。
自分が置いていた前提が間違っていたのかもしれませんし、調査範囲が狭かったのかもしれません。AIの指摘をきっかけに自分の考え方を見直し、その気づきを次の調査に生かすことで、今度は自分自身が、以前より良い仮説を立てられるようになる可能性があります。
業務改善ループでは仕事の進め方が改善されますが、Learning Loopでは、仕事をしている人間自身の知識や判断能力が更新されます。同じAIとのやり取りの中に、改善対象の異なる二つの閉ループが存在している、と考えられるわけです。
もちろん、AIが生成したものを読んで「勉強になった」と感じることと、実際に能力が身につくことは違います。AIにプログラムを生成させ、その説明を読んで理解したつもりになっても、次に似た問題が発生したとき、自分で適切な判断ができるとは限りません。
2025年にPNASで発表されたBastaniらの研究では、高校数学の練習で生成AIを自由に使えた生徒は、練習中の成績が向上した一方、AIを使えない試験では、AIを利用しなかったグループより成績が低くなる結果が確認されています。AIが答えを直接教えず、ヒントを与えるように設計された条件では、この悪影響はおおむね抑えられました。
これは高校数学という特定の環境での実験ですが、AIを使って良い成果を出すことと、本人の能力が向上することは別問題だという点は参考になります。
Learning Loopを回すには、AIとの対話から得られた気づきを次の仕事に反映し、実際に何が変わったのかを確認する必要があります。システムの閉ループ制御でも、結果を観測するだけでなく、その結果を次の動作に反映して初めて制御が成立します。人間の学習についても、似た構造があるのではないでしょうか。
そして、成長した人間がAIにより適切な要求を与えられるようになれば、業務改善ループにも良い影響が生まれます。仕事の改善が新しい学習機会を生み、その学習がさらに仕事の質を高めていく。
私は、この二つのループが相互に作用する状態を、AIと人間の「共進化」と捉えています。
ここでいう共進化は、AIの基盤モデル自体が対話によって学習するという意味ではありません。人間の成長によってAIへの要求や評価基準、利用方法が改善され、人間とAIを組み合わせた仕事の仕組みが高度化していくという意味です。
AIは自分自身の思考を映す鏡になる
二つの閉ループを考えていて気になったのは、そもそもAIを使っている人が、自分自身のLearning Loopに気づけるのかということです。
私たちがAIを使うとき、普通は目の前の仕事に意識が向いています。良い回答が出たか、資料は完成したか、プログラムは正常に動いたか。期待した結果が得られれば仕事は完了しますし、それ自体は何も悪いことではありません。
ただ、その過程で自分自身が何を理解し、何を学び、どのように考え方が変わったのかという点には、案外意識が向かないものです。
これは、いわゆる「メタ認知」の話だと思います。メタ認知とは、自分自身の認知活動を客観的に捉え、必要に応じて調整する働きのことで、簡単に言えば、自分が何を考えていて、何を理解し、何を理解していないのかを、自分自身で観察することです。
例えば、AIが自分の予想と違う回答を出してきたとします。そこで「違う、こういう回答を出してほしい」と指示すれば、期待する成果物に近づけることはできます。しかし、なぜ自分はその回答を予想していたのか、AIとの考え方の違いはどこから生まれたのか、と考えてみると、別の発見があるかもしれません。
自分が持っている前提が間違っているのかもしれませんし、AIの回答が間違っているのかもしれません。いずれにしても、その違いを考える過程で、自分自身の思考を客観視する機会が生まれます。
私は、二つの閉ループの存在に気づき、自分自身も改善の対象として認識できるかどうかが、AIとの付き合い方を大きく変えると考えています。人間は無意識にも経験から学ぶので、メタ認知がなければ成長できないわけではありませんが、自分の成長を意識的に管理し、次の行動を変えていくためには重要な能力でしょう。
面白いのは、AI自身にも、人間のメタ認知を支援する働きがあるということです。
AIに何かを相談するとき、私たちは自分の問題意識や前提条件、価値観などを、質問という形で入力しています。AIはその内容をもとに回答するので、返ってくる文章には、自分の考え方が少なからず反映されています。AIは、ユーザーの思考を映す鏡のような働きをすることがあるわけです。
例えば、新規事業のアイデアをAIに相談したとします。自分がその事業を成功させたいと思っていると、AIが提示する成長可能性や成功要因ばかりに目が向いてしまうことがあります。そこで、あえて失敗する可能性や反対意見を求めてみると、自分が無意識に置いていた前提や、見落としていたリスクが見えてくることがあります。
もちろん、AIは必ずしも正確な鏡ではありません。ユーザーの意見に過度に同調することもありますし、間違った情報をもっともらしく提示することもあります。実際、2025年にはOpenAIがGPT-4oの更新によって過度に迎合的な応答が発生した問題を公表し、その更新を取り消しています。
だからこそ、私はAIに自分の考えを評価させるとき、あえて反論や別の解釈を求めることに意味があると思っています。自分の仮説を提示し、問題点を指摘してもらい、その反論についてもう一度考える。AIに反論も再反論もすべて任せてしまえば、AIの中だけで議論が完結してしまいますから、最後は自分で考え、判断しなければなりません。
ただ、このような使い方をするには、そもそも自分自身の考え方を振り返ろうという意識が必要です。
AIにはメタ認知を支援する働きがあるのに、その働きを意図的に利用するためにも、人間側のメタ認知が必要になる。
私は、ここにAIとの付き合い方を左右する大きなハードルがあるように感じています。
自分の考え方を振り返る習慣がある人は、AIに反論を求めたり、自分の判断を検証させたりすることで、さらに思考を深められるかもしれません。一方、AIを回答を得るための道具としてしか見ていなければ、そのような使い方を思いつかない可能性があります。同じAIを使っていても、そこから得られるものに差が生まれる理由の一つは、このあたりにありそうです。
とはいえ、メタ認知が得意な人しかAIと共進化できないというのも、少し違う気がします。例えば、AI自身が「今回の判断は、どのような前提に基づいていますか」「予想と違った部分はありませんか」といった問いを返すことで、普段は自分の思考を振り返らない人にも、気づきの機会を提供できるかもしれません。
AIに答えを出させるだけでなく、AIから問いを返してもらう。そこから自分の考え方を見直し、次の行動を変えていく。AIによるメタ認知の支援が、Learning Loopを回し始めるきっかけになることもあるでしょう。
AIと向き合っているつもりが、実は自分自身の思考と向き合っている。そうした関係が成り立つところに、AIという道具の面白さがあると思っています。
二つの閉ループをどう回していくか
私は、AIに任せられる仕事は積極的に任せれば良いと思っています。何でも自力でやることが正解とは限りませんし、効率化できる仕事をわざわざ手作業に戻す必要もありません。
ただ、業務改善ループとLearning Loopは、必ずしも同じ方向に進むとは限りません。AIにプログラムを書かせれば開発時間は短縮できますが、経験の浅いエンジニアが設計やデバッグの能力を身につけるためには、自分で試行錯誤する経験が必要な場合もあります。
これはAI以前からあった問題でもあります。優秀な先輩が部下の仕事を全部やってしまえば、仕事は早く終わりますが、部下が育つかどうかは別の話です。逆に、AIがあるからこそ、これまで手が出せなかった仕事に挑戦できるという面もあります。
企業のAI導入でも同じことが言えるでしょう。AIによって処理時間が短縮され、業務品質が向上したとしても、それだけでは社員自身の能力がどう変化したのかは分かりません。AIによってレポート作成の時間が半分になったとき、その社員が以前より良い分析をできるようになったのか、それともAIに任せる作業が増えただけなのか。どちらも業務効率の改善には貢献しますが、組織として蓄積される能力は違ってくるはずです。
だからといって、振り返りの回数や学習時間をKPIにするようなことは避けたいものです。振り返りの報告書をたくさん書いたからといって、人が成長しているとは限りません。次の仕事で何ができるようになったのか、以前よりどのような判断ができるようになったのかを見た方が、意味があるでしょう。
業務プロセスの改善を考えるとき、その中で仕事をしている人間のLearning Loopにも目を向ける。AIの導入を短期的な効率化だけで終わらせないためにも、こうした視点を持っておきたいと思います。
最後に、冒頭の学生の話に戻ります。
「私はただのチャッピーのwrapperなんです」と悩んでいた学生は、本当に何も成長していないのでしょうか。実際のところ、投稿だけでは分かりません。AIに頼りすぎて基礎能力を身につける機会を失っている可能性もあれば、自分では気づいていない能力を、すでに獲得している可能性もあります。
ただ、一つ興味深いのは、この学生が自分自身の成長について悩んでいるということです。AIによって得られた成果と、自分自身の能力を区別して考えようとしている。そう考えると、この学生は、すでにメタ認知の入り口に立っているようにも感じます。
あとは、その気づきを次の行動にどうつなげるか。
AIと向き合うことは、自分自身と向き合うことでもある。今回の話を考えているうちに、そんなことを思いました。
参考資料
ちょまど氏のX投稿「生成AIネイティブ世代の悩み」（2026年10月29日）
Niklas Gruhn「Don’t be a meat proxy」（2026年8月3日）
Bastani et al.「Generative AI without guardrails can harm learning」（PNAS、2025年）
OpenAI「Sycophancy in GPT-4o: what happened and what we’re doing about it」（2025年）
※本記事で述べた「二つの閉ループ」や「共進化」は、既存の経験学習や継続的改善の考え方をもとにした個人的な考察です。関連する研究は一部の論点を支持するものですが、この枠組み全体が実証されているわけではありません。
コメント