01｜前編で見えたこと
前編では、灘中学校と筑波大学附属駒場中学校の算数を読んだ。難問を解く過程では、二つの工程が接続していた。まず問題を小さくする。次に、捨ててはいけない条件を保持したまま、残った候補を最後まで追う。縮約と探索である。前編の検証では、縮約するかどうか自体が、問題の側ではなく解く側の選択であることも見えた。
前編の後半で、もう一つのことに触れた。AIによって急速に安くなっているのは、答えを作ることである。計算し、検索し、要約し、文章やコードを書く。これまで「頭がよい」と評されてきた能力の多くが、機械によって安価になり始めている。
希少性は消えない。移動する。ある層で希少性が失われるとき、隣の層に新しい希少性が生まれる。本誌の希少性工学編で扱った構造である。答えを作ることが希少でなくなったとき、希少になるのは、何を問い、何を残し、何を捨てるかを決める判断である。
本稿が扱うのは、その先である。判断が希少になったとして、その判断を持つ人は、どこで育つのか。
02｜判断とは、何をすることか
判断の中身を、架空の設例で確かめておく。ある製造会社が、海外に500億円の新工場を建設するかを検討している。市場は年8％で成長すると予測され、現地生産で製造原価は15％下がり、現地政府は投資額の10％を補助する。ここまでなら、魅力的な投資に見える。
一方で、最大顧客A社が売上の35％を占め、その契約は3年後に更新される。工場の完成も3年後で、損益分岐点は稼働率72％である。補助金には現地調達率60％以上という条件があり、現状は42％にとどまる。引き上げに必要な主要部品のうち1点は、品質認証に18〜30か月を要する。
これらをAIに渡せば、DCF、需要予測、感度分析を備えた分析はすぐに返ってくる。しかし判断の中身は、分析の精密さとは別の場所にある。
一つ目は、結論を反転させる条件を少数に絞ることである。この設例では、顧客契約、需要、現地調達、認証の四つがそれにあたる。二つ目は、足りない情報に気づくことである。A社向けの需要が新工場の生産量の何％を占めるかは、与えられた情報からは分からない。これが分からない限り、「A社を失えば稼働率72％を割る」とは言えない。三つ目は、問いそのものを組み替えることである。契約と認証という二つの不確実性が数年のうちに解消するなら、「今、投資するか否か」という二択は、用地確保や設計を先行させる段階的な投資を含んだ問いに置き換わる。
三つとも、前編の縮約と探索の延長にある。そしていずれも、分析を頼む側が決めることであり、分析の中から自動的に出てくるものではない。
03｜その判断は、どこで育ってきたか
この三つを研修で教えるのは難しい。型として覚えることはできても、目の前にある100の情報のうちどれを残すかは、状況ごとに違うからである。
では、これまで判断はどこで育ってきたのか。多くの職場では、仕事の中間工程で育ってきた。若手は資料を読み、情報を整理し、仮説を立て、間違え、上司に指摘され、作り直す。その反復の中で、何を残し、何を捨て、どこまで追うべきかを身につけてきた。
注目したいのは、判断が教えられたものではなく、工程の副産物として形成されてきたという点である。組織は判断を育てるために中間工程を若手に任せてきたわけではない。人手の要る作業だったから任せ、その結果として判断が育った。
副産物として育つものは、主産物の作り方が変わると、育たなくなる。
図1｜判断の供給経路
出典：本文の観察をもとにLONGNOW作成。概念図であり、実測値ではない。
04｜AIは、その工程のどこを省くか
この点については、すでに実験による観察がある。
一つは、高校の数学の授業で約1,000人の生徒を対象に行われた実験である。通常のChatGPTに近いAIを練習問題で使った生徒は、使わなかった生徒より成績が48％高かった。ところが、AIを外して行った試験では、使わなかった生徒より17％低い成績になった。答えを直接示さず、教員が用意したヒントを返すように設計したAIを使った生徒では、試験での成績低下はほぼ解消していた。
もう一つは、若手を中心とするソフトウェア技術者52人を対象にした実験である。初めて触れるプログラミング用のライブラリを使って課題を解き、その直後に理解度を測った。平均点は、AIを使った群が50％、使わなかった群が67％だった。作業時間の差は統計的に有意ではなかった。差が最も大きかったのは、コードの誤りを見つけ、その原因を突き止める設問である。
研究者は、AIを使わなかった群のほうが作業中に多くの誤りに遭遇しており、それを自力で解消する過程で誤りを見抜く力が伸びた可能性を指摘している。AIを使った群の中でも、生成されたコードの説明を求めたり、概念について質問したりした人は高い得点を示した。
二つの観察は同じ方向を指している。差がついたのは、AIを使って課題をこなす力ではなく、AIなしで解く力だった。その差は、間違え、つまずき、自力で抜け出す工程を通過したかどうかと重なっている。そして、その工程を通過しなかった人に最も欠けていたのは、出力の誤りを見抜く力、つまりAIを使う側に最も求められる力だった。
図2｜二つの実験が示したもの
出典：Bastani et al.（2025）、Shen & Tamkin（2026）の報告値をもとにLONGNOW作成。
05｜移動を起こした技術が、移動先の供給を削る
ここで、01で述べた希少性の移動に戻る。
AIが答えを作ることを安くしたとき、希少性は判断へ移った。これは需要の側の変化である。判断を持つ人が、以前より求められるようになる。
04の観察は、同じ変化が供給の側にも作用することを示している。判断は中間工程の副産物として育ってきた。AIはその中間工程を省く。そうであれば、判断を持つ人は以前より育ちにくくなる。
移動を起こした技術そのものが、移動先の希少性を供給の側からも強めている。判断は、求められるようになると同時に、育つ場所を失いつつある。
本誌の特別連載「勝敗の構造」の最終回は、これと同じ形の選択を扱った。開戦時の日本の搭乗員は世界最高水準の練度にあったが、熟練者は前線に置かれ続け、失われた練度は戦争を通じて回復しなかった。米国は、実戦経験を積んだ搭乗員を一定期間で前線から引き上げ、訓練部隊の教官に回した。短期的には前者が強い。長期的には、熟練を再生産の原資に回した側が上回った。
いま多くの職場で進んでいるのは、中間工程をAIに回すという選択である。短期的には、これが強い。同じ人数で、より多くの成果物が出る。そのとき、成果物を検証する判断が次にどこで生まれるのかは、まだ誰も数えていない。
06｜指標には現れない
この変化には、見えにくいという性質がある。
AIを導入した職場では、生産性の指標が改善する。成果物は早く、多く、整って出てくる。判断が育っていないことは、その指標には現れない。
本人の実感にも現れにくい。高校数学の実験を報告した論文の著者公開版は、AIの解答を写して練習を済ませた生徒たちが、自らの学習が損なわれたとは受け止めていなかったことも伝えている。
希少性工学の階層降格命題も、同じ性質を持つ変化を扱っている。能力の指標が正常なまま、優位が失われていく。原因の構造は異なるが、どちらも、いま測っている数字の外側で起きる変化である。数えやすいものが改善し、数えにくいものが細っていく。
07｜この観察が誤りである条件
本稿の観察には、それが誤りとなる条件がある。
第一に、AIを常用する職場で、AIを使わない条件で測った若手の判断力が、世代を追っても下がらない場合である。第二に、AIの出力を検証する作業そのものが新しい中間工程となり、そこで判断が育つ場合である。このときは、省かれた工程の代わりが生まれていることになり、本稿の観察は修正を要する。
証拠には限界もある。04の二つの実験は、いずれも学習の場面で、課題の直後に理解を測ったものである。職場で数年にわたって判断力の推移を追ったデータは、本稿が調べた範囲では見つかっていない。技術者の実験を行った研究者自身も、標本が小さいこと、直後の成績が長期の技能形成を予測するかは未解決であることを明記している。
したがって、本稿が述べているのは確定した因果ではない。二つの実験が同じ方向を示しているという観察と、その観察を希少性の移動と重ねたときに現れる構造である。
08｜12歳が通過してきたもの
灘と筑駒の算数に戻る。
12歳の受験生は、入試の日までに膨大な数の問題を解いてきた。多くは間違え、解説を読み、もう一度解いた。何を小さくできるか、何を最後まで追うべきかという感覚は、その反復の中で形成されたものである。前編で見た縮約と探索は、教えられた手順というより、通過してきた工程の痕跡だった。
AIが最初に省く工程は、これと同じ形をしている。
判断が希少になった時代に、判断を育ててきた工程はどこにあるのか。御社でそれを担ってきた仕事は、いまも誰かが通過しているだろうか。
出典・発行情報
前編で扱った問題：筑波大学附属駒場中学校2013年算数・第1問、灘中学校2019年算数2日目・第1問。
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., Mariman, R.（2025）. Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. 生徒の学習実感に関する記述は、同論文の著者公開版（2024年）による。
Shen, J. H., Tamkin, A.（2026）. How AI Impacts Skill Formation. arXiv:2601.20245. およびAnthropic「How AI assistance impacts the formation of coding skills」（2026年1月29日）。
LONGNOW Business Review 特別連載「勝敗の構造」最終回「熟練は、使うほど減る」。
経営設例はLONGNOWが作成した架空の例示である。図中の数値は各研究の報告値であり、LONGNOWは再集計していない。
