生成AIに「○○業界の課題を教えて」と指示を出し、返ってきた回答をそのままプレゼン資料に使う。あるいは「この資料を要約して」と頼み、出力を鵜呑みにする。こうしたAIの使い方に心当たりはないだろうか。
実は、こうした使い方が決定的な格差を生んでいる。スタンフォード大学ジェレミー・アトリー教授の調査によれば、AIと日常的に議論や反論を重ねる人はわずか8%。半数以上がやりとりを1～2回で止めている。多くの人がAIを検索エンジンの進化版として使い、思考を外部へ丸投げする「認知的オフローディング」に陥っているのだ。結果、思考力は低下し、AIの出力を無批判に受け入れる悪循環に陥る。
一方、トップランナーはAIを思考のパートナーとして使いこなし、さらなる成果を上げている。この差を生むのが「知識ベース」だ。
本連載は全4回で、AIを導入したが期待した効果が出ていないとお悩みの方、新規事業や戦略立案がなかなかうまく進まない方、その他AI活用に悩むすべてのビジネスパーソンに向けて、AIの効果的な活用方法とその学術的な裏付け、具体的な手法まで丁寧に解説する。
AI活用によって拡大する格差
生成AIがビジネスシーンに登場して数年が経過した。初期の熱狂は落ち着き、今や企業は実務への実装フェーズへと移行している。しかし、生産性の劇的な向上や人手不足の解消といった期待とは裏腹に、現場では期待通りのパフォーマンスを引き出せていないという声も聞こえてくる。
ここで、残酷な現実を直視しなければならない。基礎知識や思考体力を有する層がAI活用によってさらに自身の能力を拡大させている一方、基礎力のない層はAIを活用しきれず、能力の拡大は限定的である。この積み重ねが、埋めがたい格差を生んでいる。
筆者のコンサルティング実務においても、この格差を痛感する。一定の業務経験と知見を持つプロフェッショナルほど、AIを活用し、さらなる高度な知見を手にしている。一方で知見や経験が少ない層は、AIをどの場面でどう使うべきかに悩み、その活用が進んでいない。AIは組織全体の能力を底上げするどころか、格差の増幅器として機能しているのだ。
具体的な検証例を見てみよう。世界銀行が発表したナイジェリアでの学習における生成AI活用の研究では、もともと学業成績が優秀な学生群ほど、自身の知識を動員してAIを使いこなし、学習効果をさらに高めているという結果が出ている。[1]プログラミング学習においても同様だ。ジェームス・プラサー氏らによる研究論文でも、事前に基礎を習熟している学生は、AIの不適切な出力に惑わされることなく、AIで学習を加速させていると述べられている。[2]この2つのケースが示す通り、AIは知識を拡張するための道具である。基礎知識や思考体力を持つ者は、AIを使ってさらに能力を拡大させるのである。では、もともと基礎知識を持つ人々は、どのようにAI活用を行い、さらなる成長につなげているのか。
格差の正体はAI活用法にある
ビジネスパーソンはAIをどう使いこなしているのか。スタンフォード大学のジェレミー・アトリー教授の調査によると、AIと日常的に議論したり反論し合ったりする相手として活用する人の割合はわずか8%であり、51%はそうした使い方を一度もしたことがないという。[3]同じ調査では、半数以上がAIとのやりとりを1～2回で止め、5回以上やりとりをする人はわずか10%だった。大多数のビジネスパーソンがAIを検索エンジンの進化版として使い止めており、コラボレーション相手として使いこなせている者はごく一部に過ぎない。これが、格差の原因となっている。
実際、AI領域のトップランナーである孫正義、ジェンスン・フアンといった経営者たちも、AIを思考のパートナーとして活用している旨をメディアで公言している。[4][5]彼らにとってAIは、自らの思考を拡張し、限界を突破するためのディスカッションパートナーなのだ。では、多くのビジネスパーソンがAIを検索エンジンの進化版として扱い続けることで、何が起きているのか。
「消費型」のAI活用と認知的オフローディング
なぜ、多くのビジネスパーソンがAIを検索エンジンの進化版として扱うことが問題なのか。それは、自らの思考を外部へ丸投げしてしまっているからだ。このような行為を専門的には「認知的オフローディング」という。自らの頭で考えるという負荷をAIに委ねることで、使わない筋肉が衰えるのと同様に、人間の思考力もまた低下していく。[6][7]
この思考力の劣化は致命的な欠陥を引き起こす。AIの出力の真偽や妥当性を検討できず、無批判に受け入れるようになるのだ。筆者は、このようにAIの出力をそのまま受け取り、思考を介さずに意思決定や資料作成などに使う行動様式を「消費型」と定義した。
「そんなことはしていない。ハルシネーションのリスクは承知している」と反論したくなる方もいるだろう。確かに現場では、「AIによる出力です」と添えることが一種のお作法として定着した。だが、実態はどうだろうか。その枕ことばさえ使えば免罪符を得たかのように、結局はAIの回答をそのまま追認してはいないだろうか。
認知的オフローディングの結果、思考力が低下するとAIの出力を批判的に吟味することが難しくなる。その結果として生み出されるのは、解像度の低い、ぼんやりとした仮説のみだ。必然的に問いの質も低下していく。
そして、質の低い問いに対し、AIはもっともらしい平均的な出力を返す。しかし、思考力を失った人は、その出力の真偽すら判断できず、またしても無批判にそれを受け入れる。これが①認知的オフローディング、②思考力の低下、③質の低い問いの3つが相互に作用し合う「負のトライアングル」（図1）の正体だ。このループが回転するたびに、持てる者と持たざる者の格差は増幅されていく。
負のループを断ち切る方法：知識ベースの拡大
では、この負のトライアングルを断ち切るにはどうすれば良いのか。答えは、知識ベースの拡大にある。自らの中に広く深い知識を築いていれば、AIの出力を無批判に受け入れず、批判的思考を駆使することが可能になる。つまり、負のループの入り口である「認知的オフローディング」を回避できるのだ。
では、我々が獲得すべき知識の正体とは何か。その構造を理解するために、知識の状態を表すドナルド・ラムズフェルドの4象限（図2）を用いて考えてみたい。
- Known Knowns（既知の既知）：知っていること
- Known Unknowns（既知の未知）：知らないと自覚していること
- Unknown Knowns（未知の既知）：言語化できていない知、暗黙知
- Unknown Unknowns（未知の未知）：知らないということさえ、分かっていないこと
AIに対する指示（プロンプト）は、本質的に言語化された問いである。したがって、「自分が知らないと分かっていること（Known Unknowns）」については質問できる。しかし、その概念の存在すら知らないこと（Unknown Unknowns）について、AIに問うことはできない。
例えば、マーケティング戦略を立案する場面を想定してみよう。広く深い知識ベースを持つ人は、AIに対し「このターゲットについて、機能的価値ではなく情緒的価値にフォーカスし、インサイトを深掘りせよ」といった的確な指示が出せる。一方、小さな知識ベースしか持たない人はどうか。彼らは概念そのものを知らない「未知の未知（Unknown Unknowns）」の中にいる。そのため、どれだけ努力しても「売り上げが上がる良い案を出して」という解像度の低い指示しか出せない。当然、AIから返ってくるのも、もっともらしい平均的な出力となる。知識ベースの差は、AI活用の差となる。問いの質の違いが、結果として明確な格差を生み出す。
知識ベースを拡大するには：対話のすすめ
知識ベースの拡大が「認知的オフローディング」を回避する重要な第一歩であることは理解いただけたと思う。では、知識とは何か。これには、広さ、深さ、構造化という3つの観点がある。
広さ：1つの事柄についてどれだけ多くの切り口や観点を有しているか
深さ：1つの事柄のある要素について、どれだけ詳細に理解しているか
構造化：1つの事柄に対する広さと深さの知識を整理できているか
知識は、縦軸に深さ、横軸に広さを取った座標上で、面積として可視化できる（図4）。
知識がこのように整理できていれば、どの部分が自身の「知らないことを知っている（Known Unknowns）」状態かが分かる。知識が構造化されることで、足りない部分を認識し、その足りない部分を深めるための問いを立てることができる。これが世にいう「良い問い」の正体である。
この「良い問い」こそ、AI活用という文脈でAIをレバレッジする条件となる。ある事柄に関してAIに対して的確な指示を出すことで、さらにKnown Unknownsが整理され、さらなる良い問いにつながる。このメカニズムこそが、ディスカッションパートナーとしてAIを活用しているトップランナーとそれ以外を分ける差なのだ。
では、どうすればAIをレバレッジする側になれるのか。答えは「対話」である。AI活用のトップランナーには特殊な技術があるわけではない。既存知識の広さや深さに関係なく、どのビジネスパーソンもAIの使い方を少し変えることができれば、AIをレバレッジする側になれる。AIの出力を盲信する「消費型」から脱却すれば、真にAIが生産性の向上に寄与するだろう。筆者はそれを「対話型」のAI活用と定義し、その手法を本連載で明らかにしたい。
第2回では、「対話」による学習効果についてエビデンスに基づく裏付けを行う。第3回・第4回の実践編では、「対話型」AI活用の方法論について解説していく。
参考文献
[1]WORLD BANK GROUP（2025）, “From chalkboards to chatbots: Evaluating the impact of generative AI on learning outcomes in Nigeria”, https://documents1.worldbank.org/curated/en/099548105192529324/pdf/IDU-c09f40d8-9ff8-42dc-b315-591157499be7.pdf（参照2026年2月9日）
[2]ACM DIGITAL LIBRARY（2024）, ”The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers”, https://dl.acm.org/doi/10.1145/3632620.3671116（参照2026年2月9日）
[3]Medium（2026）, “The Imagination Ceiling: Why 70% of Your People Are Stuck on AI by Jeremy Utley”, https://medium.com/@jeremyutley/the-imagination-ceiling-why-70-of-your-people-are-stuck-on-ai-86ba0ac38d3b（参照2026年2月9日）
[4]YouTube 時事通信映像センター （2023）, “【ロングバージョン】AIを世界一活用する企業に ソフトバンクＧの孫氏が講演”, https://www.youtube.com/watch?v=Gh0xzbgCIgg（参照2026年2月9日）
[5]YouTube Tom McMahon（2025）, “Jensen Huang Nvidia CEO, Critical Thinking and How He Uses AI“, https://www.youtube.com/watch?v=p6RwwqvtnbU（参照2026年2月9日）
[6]MDPI（2025）, “AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking”, https://doi.org/10.3390/soc15010006（参照2026年2月9日）
[7]Cornell University（2025）, “Protecting Human Cognition in the Age of AI”, https://arxiv.org/abs/2502.12447（参照2026年2月9日）
