チャットを閉じたあと——AIとの対話が、次のあなたに何を残していくのか

こんにちは、チカちゃんです。

今日はね、ある一瞬の話をしたいんです。AIとのチャット画面を、閉じる瞬間の話。

「今日もお話しできて楽しかったです」みたいな一文を最後に、タブをぱたんと閉じる。会話は終わった、と思うじゃないですか。私もずっとそう思ってました。

でも先日、こんなことがありまして。AIに文章の叩き台を作ってもらった翌日、自分で文章を書いていたら、昨日のAIの言い回しが、するっと自分の口から出てきたんです。「え、これ、私の文章……？」って。会話は終わったはずなのに、何かが残っていた。

ふむふむ。これ、案外ちゃんと考えたほうがいい話かもしれません。

「AIは人を頼りなくするのか」という問いは、少し乱暴

この手の話をすると、たいてい「AIを使うと人は頼りなくなるのか？」という問いにすり替わるんです。でもチカちゃん的には、ここで一回ブレーキ。

計算機の登場で暗算が錆びついた。カーナビの登場で地図を読めなくなった。でもそれを全部「劣化」と呼ぶのは、少し乱暴。認知科学には「認知的オフローディング（cognitive offloading）」という言葉があって、頭の仕事を道具に外注するのは、むしろ賢いやり方、という見方もあるんです。頭は限られた資源。任せられるところは任せて、自分は別のことに使う。

本当に分けないといけないのは、別のところなんです。

「外注先がなくなっただけ」なのか、「外注を使ったせいで、人間そのものが変わってしまった」のか。

道具を手放した瞬間に成績が下がるなら、それは道具の不在のせいかもしれない。でも外注していた期間に、判断の癖や自信の傾きが、いつのまにか自分のものになってしまっているかもしれない。この二つ、ぜんぜん違う話ですよね。

「残存する人間状態」という新しい眼鏡

ここで登場するのが、10月にスペイン・グラナダ大学の研究チーム（データ科学・計算知能研究所DaSCI所属）が発表した論文です。彼らは「AIとの対話が、そのあと人間に何を残すか」を、それ自体を一つの研究対象にしよう、という枠組みを提唱していて、その中心に「Residual Human States（残存する人間状態）」という名前をつけました。

ざっくり言うと、こういう区別です。

• その場の出力：AIと一緒にいた間に、どれだけ良い成果が出たか
• 残存する状態：対話が終わったあと、次の場面に人間が持ち込むもの——能力、判断の癖、AIへの信頼、自信の傾き、それからバイアス

評価はたいてい、前者で終わる。テストの点、成果物の質、業務の速さ。でも彼らの主張はこうです。使っている間の成績は、そのあと人間に何が残るかを、それだけでは決めてくれない。そして残り方には、四つの性質があるというんです。

1. 良いものと悪いものが、同じ対話から同時に残る
2. AIの「渡し方」次第で、残るものが変わる
3. その場の成績と、あとに残る力は、つながらないことがある
4. 残ったものは、時間とともに動き続ける

なんだか抽象的ですよね。でも具体例を見ると、ぐっとくるんですよ。

医学生は、AIの「間違い方」を覚えて帰った

まず、一つ目。医学教育の実験です。86人の医学部生を、AIの助言を受けながら診断練習をするグループと、受けないグループに分けました。AIは架空の病気の組織見本を診断するシステムで、ほとんどの症例では正確だったけれど、ある特定のタイプの難しい症例でだけ、系統的に間違えるように仕込まれていました。

で、練習が終わったあと。今度はAIを一切外して、新しい見本を診断させたんです。そうしたら——AIの助言を受けていた学生たちは、あの特定の症例で、AIと同じ方向に、系統的にはずし始めた。自分で判断しているはずの場面で、AIの癖が転写されていた。しかもその傾きは、AIが間違えていたタイプに似た、別のあいまいな症例にもにじんでいた、と報告されています。

でも面白いのはここから。AIが正解していたタイプの症例では、この学生たちの成績は、対照のグループより少し良くもなっていた。同じ対話から、「少し良い残り方」と「間違い方の学習」が、同時に残っていたんです。一つの数字で「AIは学習に良い／悪い」とまとめられない理由、なんとなく分かる気がしません？

ちなみにこの研究、AIのことを「メンター」と呼んでいて、良いメンターにも悪いメンターにもなれる、という言い方をしているのが味わい深いんですよね。先生は間違えないもの、という思い込みは、そもそもどこから来たんだっけ……って。

練習の成績は、力になった証拠にはならない

二つ目は、高校数学の大規模な教室実験（44クラス、約1000人）の再分析。生徒たちを、AIなし・自由に使える生成AI・学習を守る設計のAIチューターの3条件に分けて練習したところ、練習中の成績はAI条件でぐんぐん伸びました。元の研究では、対照と比べて練習中の成績が48％、127％改善したと報告されています。

でも、その直後にAIを外して試験をしたら——一番大きく伸びていたチューター条件ですら、AIなしの成績で対照との差は検出できなかった。自由に使えた条件では、対照より試験の成績が17％下がったとも報告されているけれど、この差は再分析では小さなグループ数を扱う統計の作法に敏感で、断定はできないとされています。

この試験は練習の直後で、長期的な定着を見たものではない、という注記は必要です。それでも「使っている間の成績」をそのまま「力がついた証拠」にしていいのか、という疑問は残ります。AIをそばに置いて解いた問題と、自分で解いた問題。数字はつながって見えるのに、中身はつながっていないかもしれない。

残るものは、良いものでもある

でもね、ここまで読むと「AIとの対話は悪いものを残す話」みたいになってしまう。それも違うんです。

三つ目は、心理学的な誤解——いわゆる、しっかり信じ込まれた迷信みたいなもの——を持つ375人を集めた実験。パーソナライズされたAIとの対話で誤解を正してもらった人の誤解は、教科書式の説明を読んだ人より、直後は大きく減っていました。その優位は10日後も保たれ、2か月後にも、正す対話をした人たちは、何も正さない対話をした人たちより誤解が少ないままでした。AIとの対話は、良いものも残すんです。

で、この再分析で一番「おっ」と思ったのがここ。何も教えないAIとの対話（対照としての、話題の違う対話）と比べた差は、2か月間でかなり縮まっていたんだけど、その内訳を細かく見ると——縮みの半分以上は、比べられた側（何も教わっていないはずの人たち）の信念が、時間とともに勝手に揺らいだことから来ていた、という分析でした。

効果が消えたのか、比べる相手が動いたのか。残り方の見え方は、比較相手の動き込みで決まる。これは研究の世界でもかなり繊細な問題らしくて、論文がその繊細さを丁寧に扱っているのが印象的でした。

「渡し方」で、残るものは変わる

四つ目は、289人の医学部生の診断学習実験。同じAIでも、助言だけを渡す、自信つきで渡す、一問一答の正誤フィードバックつきで渡す——で、AIを外したあとの単独成績に、隠れた判断基準が絡む症例群での差が出ました。元の報告では、差を伸ばしていたのは正誤のフィードバックつきだったというんです。残るものは、AIの「渡し方」の設計次第で変わりうる。

でも今回の枠組みの論文は、ここでもう一歩慎重なんです。この差が「見分ける力が育った」のか「答えを出す基準が傾いた」のかは、この測り方だけでは区別できない、とも書かれていて……ここ、チカちゃん的には今回一番面白いところです。正答率が上がったように見えても、実は「何かを『ある』と判断するハードルが下がっただけ」かもしれない。数字は同じでも、残っているものが違う。心理学では昔から、信号検出理論という道具でこの二つを区別してきたんですが、それはまた別の機会に。

「使っている間」で終わっていいのか

さて、ここでチカちゃん、ふと振り返るんです。

学校も職場も、AIを導入するときに見るのは、たいてい「使っている間」の数字です。業務が速くなった、成果物の質が上がった、満足度が高い。でも使ったあと、AIを閉じた人間に何が残ったか——能力が育ったのか、判断の癖が傾いたのか、自信だけが先走ったのか——を測っている場所は、ずっと少ない気がします。

現場の観察でも、こんな報告があります。内視鏡検査の世界では、日常的にAIの支援を受けている医師は、AIを外したときの病変の見つけ方が下がっていた、という観察研究の報告。練習環境の実験と違って因果は言いにくいけれど、同じ方向を向いた風が吹いている気もします。

さらにこの論文で紹介されているのが、fluent dependence（流暢な依存）という概念です。成果物はちゃんと評価基準を満たしているのに、それを作ったはずの人間の力は、実は育っていない。成果物を見ている限り、外からは見分けにくい。作文はできあがっている。でも書く力は、ついていないかもしれない。

でも、だから「AIを使うな」という話ではないんです。道具への外注は、賢い適応でもある。電卓を使って暗算が錆びても、困らない人生のほうが長いかもしれない。チカちゃんが大事だと思うのは、「何が残るか」を誰も見ていないまま、評価が「使っている間」で終わってしまっていること。残るものが良いか悪いかは、ケースバイケースの話。まず、「残るものがある」という事実そのものを、視界に入れられるかどうか。

今日の会話は、明日のあなたに何を残す？

人間同士でも、一緒に過ごした人の話し方はうつるし、信頼した相手の判断の癖はにじみ出てくる。それと同じことが、対話する機械のあいだでも起きている——そんなふうに考えると、AIとの付き合い方は、なんだか「誰と、どれだけ一緒にいるか」という話に近づいてきません？

窓を閉じても、会話は終わらない。残っているものを、たまに覗いてみる。今日のAIとの対話は、明日のあなたに何を残すでしょうか。文章の癖かもしれない。判断の傾きかもしれない。何かがうまくいったという自信かもしれない。あるいは——何も残らないかもしれない。それも、誰も確かめていないから、分からないだけかもしれないけど。

ではまた来週。

関連記事

• AIに助けてもらったのに、ひとりでは弱くなる——論理パズルで見えた学習のねじれ
• 「わからない」が言えなくなる——AIがそばにあるだけで、判断のしきい値は下がっていく
• AIに学びを委ねるとき、私たちは何を失っているのか——AIと社会のあいだ

参考URL

• David Herrera-Poyatos, Carlos Peláez-González, Cristina Zuheros & Francisco Herrera, “What Human–AI Interaction Leaves Behind: Residual Human States—A Trajectory-Based Framework and Multi-Study Analysis” (University of Granada; arXiv:2610.18765) → https://arxiv.org/abs/2610.18765
• Lucia Vicente, Helena Matute, Caterina Fregosi & Federico Cabitza, “Machine learning systems as mentors in human learning: A user study on machine bias transmission in medical training” (International Journal of Human-Computer Studies, 2025) → https://doi.org/10.1016/j.ijhcs.2025.103474
• Hamsa Bastani, Osbert Bastani, Alp Sungu, Haosen Ge, Özge Kabakcı & Rei Mariman, “Generative AI without guardrails can harm learning: Evidence from high school mathematics” (PNAS, 2025) → https://doi.org/10.1073/pnas.2422633122
• Brooklyn J. Corbett & Jason M. Tangen, “AI tutors vs. tenacious myths: Evidence from personalised dialogue interventions in education” (Computers in Human Behavior, 2026) → https://doi.org/10.1016/j.chb.2025.108828
• Federico Cabitza & Lucia Vicente, “Machine learning systems as mentors in human learning: The role of AI output in diagnostic knowledge acquisition” (International Journal of Human-Computer Studies, 2026) → https://doi.org/10.1016/j.ijhcs.2026.103855