AIで「考えなくてよくなる」はずが、なぜ疲れるのか——AIの答えを「どう決めるか」という新しい負荷

この記事では、生成AIが「考える手間」をどう減らすのか、それでもなぜ疲れが生まれるのか、そして「足すAI」と「引く設計」という分け方を、認知負荷理論の視点から整理します。

AIは、たしかに「考える手間」を減らす

人間の作業記憶（ワーキングメモリ）には限りがあります。あるタスクに使える精神的なリソースが上限を超えると、処理は遅くなり、ミスも増える。この「タスク遂行に不要な情報処理」による負荷を、認知負荷理論では外在的負荷と呼びます^[1]。

生成AI（大規模言語モデル）は、まさにこの外在的負荷を減らす方向に働きます。複数の情報源を自分で探して統合する代わりに、要約や回答を直接返してくれる。学習や意思決定の場面で、生成AIが外在的負荷を軽減しうることは、複数の研究でも報告されています（ただし効果は文脈に依存します）^[2]。ここまでは、AIは確かに「引いて」くれます。

それでも疲れるのは——「検証と決断」という新しい層

問題は、その先です。AIが答えを返した瞬間から、あなたには新しい仕事が生まれます。この答えは正しいか。どの回答を信じるか。結局、自分はどうするか。

この検証と決断そのものが、認知的なコストです。AIの出力が過剰に複雑だったり、冗長だったりすると、かえって負荷が増えることも指摘されています^[4]。さらに、答えが手軽に得られる環境では、人は検証を省いてAIの出力を鵜呑みにしやすくなる（自動化バイアス）——そのため「本当に確かめる」には、あらためて意志と労力が要ります^[4]。

つまり、AIは「調べる負荷」を減らす一方で、「決める負荷」を増やしうる。減った分と増えた分の差し引きが、その日の疲れを左右します。一般に「AI疲れ」「AIによる決断疲れ」と言われ始めているものの一部は、この差し引きの話だと整理できます。

「足すAI」と「引く設計」

ここで大切なのは、AIそのものの良し悪しではなく、どう使い、どう設計されているかです。人間とAIの協働を扱った研究でも、AIを人間の力を保ったまま増幅する（amplification）使い方と、判断をまるごと預けてしまう（delegation）使い方は、結果が大きく違うと整理されています^[3]。

言い換えると、道具は二通りに分かれます。答えや選択肢を次々に足して、あなたに検証と選択を迫るもの。あるいは、余計な手間を引いて、あなたが決めるべきことだけを残すもの。前者は便利に見えて、静かに決断疲れを積み上げます。