元々できない人は、AIに何を奪われるのか――専門領域の境界を越え始める「結合系能力」

元々できない人は、AIに何を奪われるのか

――専門領域の境界を越え始める「結合系能力」

先日、こんな記事を読んだ。

「AIに奪われるのは『仕事』ではなく『能力』だった」

AIを使う。

仕事は速くなる。

資料も立派になる。

ところが本人に聞くと、中身を説明できない。

AIなしで同じ仕事をさせると、以前よりできなくなっている。

これは困った。

AIは仕事を奪うだけではない。

人間が仕事をする能力そのものを削っているのではないか。

PRESIDENT Onlineの記事が扱っているのは、まさにこの問題である。仕事そのものが消えるのではなく、仕事をAIに委ねることによって、人間が能力を形成する機会まで失うのではないか、という話だ。

実際、AI導入後、内視鏡医がAIを使わずに大腸内視鏡検査をしたとき、腺腫発見率が28.4％から22.4％へ低下した多施設観察研究がある。

ただし、これは「AIが医師の能力を低下させた」と因果的に証明した研究ではない。

前後比較を中心とした観察研究であり、著者らが示したのもdeskilling risk――技能低下の可能性である。

それでも、AI利用と人間側の技能形成・維持の関係を考える材料にはなる。

なるほど。

怖い話だ。

と思って読んでいたのだが、途中で妙なことに気づいた。

これは半分くらいしか私には当てはまらない。

なぜなら私は、

AIを使う前から、その専門能力を持っていなかったからである。

困った。

失うものがない。

10あった人が8になる話

デスキリングという言葉には、分かりやすい構造がある。

もともと人間がある技能を持っている。

仮に、

10

とする。

そこへAIが来る。

仕事の一部をAIに任せる。

便利なので使い続ける。

すると、AIを外したとき、

8

しかできなくなる。

つまり、

10 → AI利用 → 8

である。

これなら「能力を失った」と言ってよい。

では、最初から1だったらどうなるのだろう。

私は医学研究者ではない。

物理学者でもない。

言語学者でもない。

歴史学者でもない。

統計学者でもない。

それぞれの分野で大学院教育を受け、専門家として何年も訓練されたわけでもない。

専門領域固有の能力だけを見れば、

1か2。

領域によっては限りなく0に近い。

そこへAIが来た。

論文を探させる。

原典を探させる。

別の説明を出させる。

反論を探させる。

別のAIにも読ませる。

「その研究は本当にそう言っているのか」

「観察研究から因果へ飛んでいないか」

「反対研究はないか」

「その言葉は原典でも同じ意味なのか」

「分からないなら、分からないままにしろ」

と問い返す。

すると、私一人では到達できなかった場所まで行ける。

ここで最初の私は、こう考えた。

しかし、これは少し危ない。

8の成果物を作ったことと、私自身が8の能力を獲得したことは同じではない。

ここから「能力」という言葉を分解しなければならなくなる。

能力は一つではなかった

とりあえず三つに分けてみる。

I：内部化能力

AIを外しても本人に残っている能力。

知識。

技能。

判断。

概念理解。

身体技法。

経験。

自分一人で再現できるもの。

Internalized capability の I としておく。

O：編制能力

AI、検索、資料、データ、他の評価者を、

どう選び、どう組み、どう疑い、どう入れ替え、どこで止めるか

という能力。

Orchestration の O としておく。

S：結合系遂行能力

その人とAIと資料と検索と評価手続きまで含んだ、

系全体として、どの程度の課題を遂行できるか。

System performance の S とする。

すると話が少しきれいになる。

私は、

I＝1

でも、

条件次第では、

S＝7

の成果を作れるかもしれない。

しかし、それは、

I＝7になった

ことを意味しない。

ここを取り違えると、

「AIを使えば誰でも専門家になれる」

という妙な話になる。

そうではない。

では私は本当に「0」だったのか

ここで、最初の冗談を少し撤回しなければならない。

と言ったが、正確ではない。

専門領域固有の知識や技能がなかったのであって、何も能力がなかったわけではない。

たとえば、

一次資料を探す。

一次資料と二次資料を区別する。

反論を探す。

違う説明を並べる。

分からないところを無理に埋めない。

自分の仮説に都合の悪い資料を捨てない。

そういう習慣までゼロだったわけではない。

どの程度あったのか。

知らない。

測ったことがない。

だから、

などと言い出すと、今度は別の能力錯覚になる。

ただ少なくとも、

領域固有能力Iが低いことと、編制能力Oが低いことは同じではない。

ここは分けなければならない。

AIが私に与えたものがあるとすれば、

「物理学者になる能力」

ではない。

むしろ、

もともと持っていた探索・比較・懐疑のやり方を、それまで接続できなかった領域へ接続する回路

だったのではないか。

そしてAIを使い続けるうちに、

Oそのものも変化する可能性がある。

最初はAIに、

「これについて教えてください」

と聞いていた。

そのうち、

「原典を出せ」

になる。

さらに、

「反対研究を出せ」

になる。

そして、

「その反対研究への批判も出せ」

になる。

最後には、

「まだ決着していないなら決着させるな」

になる。

これは少なくとも、

AIに仕事を代行させただけ

とは少し違う。

実は35年前から似た問題はあった

ここで私は最初、

「まだ名前のない能力なのではないか」

と考えた。

ところが調べると、そう簡単ではなかった。

1991年、Gavriel Salomon、David Perkins、Tamar Globersonは、コンピュータなどの知的技術について、

effects with technology

と、

effects of technology

を区別していた。

effects with は、

機械と一緒に作業している最中に成立する遂行。

effects of は、

機械との共同作業が終わった後、人間側に残る認知的変化。

しかも彼らは、知能や能力とは個人の属性なのか、それとも人間と機械からなるjoint systemの属性なのか、という問いまで立てている。

なんのことはない。

三十年以上前に、かなり近いところまで来ていた。

さらに現在では、人間とAIを編成して仕事を遂行する能力を Distributed Mastery と呼び、個人内部に形成された Internalized Mastery と区別する研究も出ている。

Nolan Lovettは2026年、この両者を区別したうえで、さらに厄介な Validation Tether という問題を出した。

AIを監督するには専門知が必要である。

しかしAIがその仕事を代行すると、その専門知を獲得する機会自体が失われるかもしれない。

つまり、

というねじれである。

では今回の話には、何も新しいところがないのか。

そうでもないように思う。

新しいのは「共同遂行」そのものではない

人間は昔から外部のものと組んできた。

紙。

本。

図書館。

計算尺。

電卓。

統計ソフト。

研究助手。

技師。

共同研究者。

データベース。

専門家という人間も、最初から一人の頭だけで仕事をしていたわけではない。

だから、

という話ではない。

違う。

生成AIで変わったのは、

専門共同体の内部に分散していた認知資源へ、共同体の外にいる人間まで低コストで接続できるようになったこと

ではないだろうか。

以前なら、ある分野へ入るには、

専門書を探す。

用語を覚える。

論文データベースを使えるようになる。

どの雑誌が重要なのか知る。

どの論争が終わっていて、どれが継続中なのか知る。

別の専門家に聞く。

隣接分野へ移るなら、また別の語彙を覚える。

これだけで大変だった。

生成AIは、その入口のかなりの部分を自然言語で仲介する。

しかも、

という循環を、極端に低コスト化した。

計算機でも、計算結果によって仮説が変わることはあった。

統計ソフトでもシミュレーションでも同じである。

生成AIだけが初めて問いを変えたわけではない。

違いは、

自然言語を使って、広い概念領域を横断しながら、問題の表象そのものを何度も安価に組み替えられること

にある。

ここが大きい。

「結合系能力」ではなく、「結合系を作る能力」

したがって、ここで私が仮に「結合系能力」と呼んでいるものも、もう少し分けた方がよい。

結合系遂行能力S

は、人間の所有物ではない。

AIの所有物でもない。

人間、AI、検索、資料、評価手続きがある構成で結ばれたときに成立する、

系の性質

である。

一方、

問いを分解する。

検索先を変える。

AIの答えを捨てる。

一次資料へ戻る。

異なる説明をぶつける。

途中で止める。

こうしたものは、かなりの部分、

人間側の編制能力O

である。

つまり私が獲得しつつあるものがあるとすれば、

「8の専門能力」ではない。

高いSを持つ系を、以前より組めるようになるO

なのである。

これは結構大きな違いだ。

私は相変わらず物理学者ではない。

しかし、

物理学のある問いについて、

AIに聞き、

論文へ行き、

別の説明へ行き、

科学史へ行き、

哲学へ行き、

また物理学へ戻る。

この経路を以前より作れるようになる。

専門知を所有するのではなく、専門知への接続を編制する。

どうも、こちらの方が実態に近い。

しかし、それは本物なのか

ここで一番嫌な問題が出てくる。

AIと一緒なら立派な成果物を作れる。

しかしAIを止めると、本人はほとんど説明できない。

これはまさに最初の記事が問題にした現象である。

検索についても、似た問題はAI以前から知られている。

Fisher、Goddu、Keilは2015年、インターネットで情報を検索した人が、外部からアクセスした知識を自分自身の内部知識と混同し、自分の知識量まで高く評価する傾向を9つの実験で示した。

つまり、

Sが高いことをIが高いことだと思ってしまう。

これをここでは、PRESIDENTの記事にならってpseudo-skilling的な錯覚として考えておく。

さらに別の危険もある。

AIが間違った答えを出す。

人間がそれを覚える。

すると今度は、

間違ったIが形成される。

2026年のNature MedicineのPerspectiveでは、これを mis-skilling と呼び、形成期にそもそも必要技能を獲得しない never-skilling と区別している。

なお同論文自身、医学教育でのnever-skillingについて直接的な実証証拠はまだないと明記している。問題提起の段階である。

すると、

Iが低く、Sが高い

だけでは、

良い結合系なのか、

単なる能力錯覚なのか、

区別できない。

ではどう見るのか。

成果物ではなく、編制過程を見る

候補はOである。

たとえば、

その出典がどこから来たか説明できるか。

自分に都合の悪い証拠を残せるか。

AIの答えを棄却できるか。

複数の仮説を同時に保持できるか。

どこが未決なのか指摘できるか。

自分には判定不能だと認められるか。

専門家へ渡すべき地点を判断できるか。

違う課題でも同じ探索手続きを再現できるか。

ここを見る。

これは、

「AIを止めて全部一人でやれ」

という試験とは違う。

人間単独能力Iも測る。

同時に、

AIありでどこまで行けるかSも測る。

さらに、

その系をどの程度制御できるかOも測る。

AI時代には、

能力を一個の点数で測ること自体が怪しくなる。

AIを何個並べても、多様性にはならない

私自身、

ChatGPTに聞く。

Geminiにも聞く。

Grokにも聞く。

ということをよくやる。

しかし、ここにも錯覚がある。

三つのAIが同じ答えを出した。

だから三票対ゼロで正しい。

とはならない。

三つのAIが、

似た訓練データ、

似たウェブ資料、

似た学術文献、

似た人間の評価基準

を共有していれば、

同じように間違える可能性がある。

重要なのは、

評価器の数ではなく、失敗様式の異質性

である。

生成AI。

一次資料。

査読研究。

公的統計。

反対学説。

現場の専門家。

実験結果。

歴史資料。

これらは同じ種類の評価器ではない。

だから意味がある。

AI同士だけで回すと、きれいな大嘘ができる

人間とAIの循環を、

人間 → AI → 人間′ → AI′ → 人間″

と書くことができる。

しかし、これだけでは危険である。

AIの答えを読んで人間の問いが変わる。

その問いにAIがまた答える。

人間がまた納得する。

これを何十回繰り返しても、

現実に近づいている保証はない。

むしろ、

内部では完全に整合しているが、外の世界とは何の関係もない巨大な説明体系

ができるかもしれない。

だから、結合系には錨がいる。

原典。

一次資料。

観測。

実験。

データ。

現場。

そして必要なら専門家。

つまり、

人間↔AI

という閉じた輪ではなく、

人間↔AI↔外部世界

でなければならない。

AIとの対話能力より先に、

どこで外へ接地するか

が重要になる。

AIの使い方で、結果は変わる

ここで、AIを使うこと自体を善悪で分けることもできなくなる。

ShenとTamkinは2026年、新しい非同期プログラミングライブラリを学ぶ実験で、AI利用者に概念理解、コード読解、デバッグ能力の低下を確認した。

しかも平均では、AI利用による明確な効率改善も確認されなかった。

ところが重要なのはその先である。

利用方法を分析すると6種類の相互作用パターンがあり、そのうち認知的関与を維持していた3パターンでは、AIを使いながら学習成果が保たれていた。

つまり変数は、

AIを使ったか。

ではない。

どう結合したか。

なのである。

これは1991年のSalomonらの議論とも妙に重なる。

機械と共同作業すれば自動的に賢くなるわけではない。

共同作業の仕方によって、

withの効果も、

ofの効果も変わる。

三十五年前から、問題の骨格はあったらしい。

「ネバー・スキリング」とも少し違う

では、

という反論はどうか。

形成期の医学生が診断推論を学ばず、最初からAIへ委ねる。

新人プログラマーが自分でデバッグせず、AIに直させる。

これはnever-skillingの問題として考えた方がよい。

しかし、私の場合は少し違う。

還暦を過ぎてから、

と言われても困る。

人生が足りない。

これは、

本来形成すべき専門技能の形成過程をAIで飛ばした

という話と同じではない。

そもそも一人の有限な人間には、全部を内部化する経路が現実的に存在しなかった。

だから、

形成期に獲得すべき技能を獲得しない問題

と、

有限な人生では内部化できなかった複数領域へ部分的に接続する問題

は分けた方がよい。

前者にはnever-skillingの危険がある。

後者には、別の可能性と別の危険がある。

専門家という「束」がほどける

ここからが社会的には面白い。

専門家というものは、一個の能力ではない。

いくつもの要素が束になっている。

たとえば、

K：Knowledge

知識、文献、研究史。

J：Judgment

何が重要で、何が怪しく、何がまだ未決かという判断。

D：Discourse

専門家同士で使う概念、語彙、論争への参加能力。

E：Embodied / Practical Skill

身体技能、実践、現場経験。

A：Access

患者、設備、標本、機密資料、現場へのアクセス。

I：Institutional Authorization

免許、資格、制度的権限。

R：Responsibility

判断結果について責任を負うこと。

これらが一緒になって、

「専門家」

と呼ばれてきた。

もちろん昔の専門家も、図書館や助手や技師や共同研究者に依存していた。

専門能力が完全に一人の脳内に閉じていた時代などない。

しかし生成AIは、この束の一部だけを急速に安くする。

特に、

K。

D。

そしてJの一部。

文献を探す。

用語を説明する。

研究史を並べる。

論争相手を探す。

反論を作る。

外国語論文を読む。

これは急激に安くなった。

しかし、

E。

A。

制度的なI。

R。

は、同じ速度では下がらない。

手術について文章を読めることと、

手術できることは違う。

判例を検索できることと、

依頼人を代理できることは違う。

橋梁工学の論文をまとめられることと、

橋の安全性へ署名できることは違う。

だから、

専門領域の境界が消える

のではない。

より正確には、

専門性を構成していた複数の境界線が、それぞれ違う速度で移動し始めた。

専門家がいなくなるのではない

この話を、

「もう専門家はいらない」

にすると間違える。

むしろ逆である。

私のような非専門家がAIを使って論文へ近づけるのは、

その論文を書いた専門家がいるから

である。

一次資料へ戻れるのは、

誰かが一次資料を保存しているからである。

反対研究を探せるのは、

誰かが反対研究を行ったからである。

統計を確認できるのは、

誰かが測定し、定義し、収集し、公開しているからである。

つまり結合系は、

空中から知識を生んでいるのではない。

専門家共同体が長い時間と費用をかけて作った認知資源を利用している。

ここでLovettの問題が戻ってくる。

もし社会全体が、

となったらどうなるのか。

若手が下積みをしない。

専門知が内部化されない。

専門家の再生産が止まる。

しかしAI出力を検証するためには、その専門知が必要である。

これは個人のデスキリングより大きい。

認知コモンズそのものの再生産問題

になる。

AIによって専門家が不要になるのではない。

むしろ、

専門家の成果を、専門家でない大量の人間が利用できるようになる一方、その専門家を誰が育て続けるのか

という問題が出てくる。

専門知への「接続権」が動いている

ここまで来ると、AIが動かしているものは「能力」だけではないように見える。

専門知への接続権

である。

社会学者Andrew Abbottは、専門職を単なる「知識を持った人々」としてではなく、特定の仕事について誰が扱う権利を持つのかという jurisdiction――管轄 の体系として分析した。

専門職の境界は、技術変化や他職種との競争によって移動する。

生成AIも、その境界を動かしている可能性がある。

ただしAI自身が医師や弁護士になるという単純な話ではない。

以前なら共同体内部へ入らなければ得にくかった、

専門用語。

文献地図。

論争構造。

概念の翻訳。

比較可能性。

そうしたものへの入口が、共同体外へ開き始めている。

これは、

専門知の民主化

と呼ぶには少し美しすぎる。

専門家制度の崩壊

と呼ぶには早すぎる。

私は、

専門知への接続権の再配置

くらいに考えておきたい。

すると「誰の能力か」という問いも分裂する

前のエッセイで、私は、

「私は、自分では評価できないエッセイを書いている」

と書いた。

AIと一緒に資料を探す。

別のAIに批判させる。

反証を探す。

また書き直す。

しかし、私一人ではすべての命題を独立検証できない。

そこで、

という問題が出た。

今回、それを掘っていったら、

という問題まで出てきた。

しかし、これも一問ではなかった。

誰が成果に因果的に寄与したのか。

私か。

AIか。

検索エンジンか。

論文を書いた研究者か。

誰がその能力を再現できるのか。

私一人か。

AI込みの私か。

同じシステムを渡された別の人か。

誰の成果として表示するのか。

著者は誰か。

失敗したとき誰が責任を負うのか。

AIなのか。

私なのか。

サービス提供企業なのか。

所属組織なのか。

これらは同じ問いではない。

これまではかなり重なっていたから、一つに見えていただけなのかもしれない。

AIが入ると、

因果的寄与

能力帰属

著者帰属

責任帰属

がばらばらになる。

能力が系にあっても、責任まで系に渡せるとは限らない

ここには制度上の重要な非対称がある。

ある仕事の遂行能力が、

人間＋AI＋資料

という系に成立していたとしても、

法的責任まで、

とはできない。

少なくとも現在の制度では、責任を帰属できる主体が必要になる。

だから、

能力が分散すること

と、

責任を分散させること

は同じではない。

学校の個人評価。

資格制度。

職能認証。

専門職責任。

これらの多くは、

「誰ができるのか」

だけでなく、

誰に任せてよいのか

を決める制度である。

AI時代に能力の所在が変わっても、この問題は残る。

むしろ重要になる。

「AIなしでできますか」だけでは足りない

だからAI時代の試験も、一種類では足りない。

一つは、

AIなしで何ができるか。

Iを見る。

これは必要である。

医師がAIなしでは基本的な判断を全くできないのでは困る。

もう一つは、

AIを使って何ができるか。

Sを見る。

これも必要である。

現実の仕事でAIを使うなら、AI込みの遂行能力を無視する理由はない。

そしてもう一つ。

AIをどう使ったか。

Oを見る。

どう検索したか。

何を疑ったか。

どこへ接地したか。

何を棄却したか。

どこを未決にしたか。

どこで専門家へ渡したか。

この三つは別々に測った方がいい。

デスキリング論の外側に、もう一つ象限がある

ここまでをまとめると、

デスキリングは、

Iが下がる話。

never-skillingは、

必要なIが形成されない話。

mis-skillingは、

誤ったIが形成される話。

pseudo-skillingは、

高いSを、自分の高いIだと勘違いする話。

そして今回私が気になっているのは、

Iが低いままでも、Oを使って高いSへ到達できる場合がある

という話である。

これはデスキリングではない。

技能習得そのものでもない。

AIへの単純な外注でもない。

そして、

AIを使えば自動的に発生するわけでもない。

結合の仕方によって成立したり、成立しなかったりする。

だから仮に、

結合系遂行

と呼んでおく。

そして人間側に形成されうるものを、

編制能力

と呼んでおく。

元々できない人が、境界を越え始める

この現象は、デスキリング論より社会的にはずっと厄介かもしれない。

専門家が、

10 → 8

になる。

これは深刻だが、問題の位置は分かりやすい。

技能維持。

訓練。

AIなしでの演習。

教育設計。

対策を考えられる。

しかし、

これまで1だった大量の人間が、

I＝1のまま、AIと結合するとS＝6や7の仕事を始める。

こちらは何が起きるのか分からない。

専門家ではない。

しかし専門家の領域について書く。

分析する。

反論する。

翻訳する。

比較する。

それまで出会わなかった学問をつなぐ。

一部では専門家より速いかもしれない。

一部では、とんでもなく間違っているかもしれない。

しかも外から成果物だけを見ても、その違いが分からない。

これは単なる能力問題ではない。

専門性の境界問題

になる。

そして、私はその小さな実験例である

もちろん、ここには選択バイアスがある。

AIを使ってうまく越境できなかった人は、

「私はAIによって専門領域を越境している」

というエッセイを書かない。

だから私自身の経験は証明にはならない。

N＝1の自己観察である。

ただし、問いを出すことはできる。

AI以前なら私は、

いくつもの分野について、

「専門外なので分かりません」

で終わっていた。

いまも専門外である。

そこは変わらない。

しかし、

「分かりません」

の次に、

では何を調べればいいのか。

が来るようになった。

論文が出る。

反論が出る。

別分野との接点が出る。

質問そのものが変わる。

そしてまた調べる。

私はその分野の専門家にはならない。

それでも、

以前は入れなかった場所へ、部分的には入れる。

私に能力があるのではない

たぶん、ここを間違えてはいけない。

私が8になったのではない。

私が、

ある課題について高い遂行能力Sを持つ系を、以前より編制できるようになりつつある。

それだけである。

しかも、その系の信頼性を最後に支えているのは、

私でもAIでもない。

私たちが参照している論文。

一次資料。

データ。

実験。

記録。

そして、それらを作り、批判し、修正し続けている専門共同体である。

だからAIによる越境は、

専門家の代替ではない。

むしろ専門家が作った認知コモンズへの、新しい接続方法なのかもしれない。

能力という言葉そのものが、少し壊れ始めている

AIによるデスキリングは問題である。

never-skillingも問題である。

mis-skillingも危ない。

pseudo-skillingは、たぶんもっと頻繁に起こる。

しかし、それだけでは生成AIで起きていることを全部説明できない。

同時に、

人間単独には存在しない遂行能力が、人間とAIと外部資料からなる系には成立する。

そして一部の人間には、

その系を編制する能力そのものが形成される。

ここまで来ると、

「能力が上がったか、下がったか」

という一本の軸では足りない。

何が本人内部に残っているのか。

何を外へ委ねているのか。

何を編制できるのか。

系全体では何ができるのか。

誰が検証するのか。

誰が責任を負うのか。

全部分けて考えなければならない。

私は相変わらず、

できない。

なのに、

できなかったことが、できている。

AIができたのか。

私ができたのか。

私とAIができたのか。

その後ろにいる無数の研究者まで含めてできたのか。

たぶん、

「誰ができたのか」

だけを聞いていること自体が、もう少し古いのだろう。

これから必要なのは、

何がどこまで内部化され、何がどこへ外部化され、どのような結合によって、どの水準の遂行が成立したのか。

そう問うことなのかもしれない。

すると最初の記事への答えも、少し変わる。

AIによって、

人間の能力が失われることはある。

人間の能力が育たなくなることもある。

間違った能力が育つこともある。

能力があると錯覚することもある。

しかし、それだけではない。

元々その能力を持っていなかった人間が、AIによって専門領域の境界を越え始める。

そこで獲得されるのは、

専門家の能力そのものではない。

専門家でないまま、複数の専門知へ接続し、それらを組み替える能力なのかもしれない。

そしてこちらの方が、

仕事を一つ失う話より、

能力を一つ失う話より、

社会的にはずっと面倒で、

ずっと面白い。

参考文献

• 小林祐児「AIに奪われるのは『仕事』ではなく『能力』だった…いま職場で静かに進行する『人間のスキル劣化』の危機」PRESIDENT Online、2026年9月1日。

• Budzyń, K. et al. “Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study.” The Lancet Gastroenterology & Hepatology, 10(10), 896–903, 2025. doi:10.1016/S2468-1253(25)00133-5.

• Shen, J. H. & Tamkin, A. “How AI Impacts Skill Formation.” 2026, arXiv:2601.20245.

• Ke, Y. et al. “AI-induced never-skilling in medical education.” Nature Medicine, 32, 1997–2006, 2026. doi:10.1038/s41591-026-04438-y.

• Salomon, G., Perkins, D. N. & Globerson, T. “Partners in Cognition: Extending Human Intelligence with Intelligent Technologies.” Educational Researcher, 20(3), 2–9, 1991. doi:10.3102/0013189X020003002.

• Fisher, M., Goddu, M. K. & Keil, F. C. “Searching for explanations: How the Internet inflates estimates of internal knowledge.” Journal of Experimental Psychology: General, 144(3), 674–687, 2015. doi:10.1037/xge0000070.

• Lovett, N. “The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise.” Human Resource Development Review, 2026. doi:10.1177/15344843261470602.

• Abbott, A. The System of Professions: An Essay on the Division of Expert Labor. University of Chicago Press, 1988.

GPTチャット４つを要した労作事例

石部統久・ChatGPT5.６Sol
査読：ChatGPT5.６Sol・Claude Opus5・Grok・Gemini3.7（Parcae Protocol）