MENU
DX推進、IoT、AI、リスキリングで御社人材のキャリアアップを実現
  1. ホーム
  2. 08.AI時代のスキル・キャリア
  3. AIを使うと考えなくなるのか。知行合一で「任せる」を学びに変える方法

AIを使うと考えなくなるのか。知行合一で「任せる」を学びに変える方法

08.AI時代のスキル・キャリア
AIを使うと考えなくなるのか。知行合一で「任せる」を学びに変える方法
CONCEPT
AIを使うと考えなくなるのか。知行合一で「任せる」を学びに変える方法
AIに任せることと、思考や責任を丸ごと渡すことは違います。知行合一の考え方、五つの習慣、30日の学習サイクルから、生成AIの成果物を自分と組織の知恵に変える方法を整理します。
5つ
学びへ変える習慣
仮説・理由・試行・記録・説明
30日
学習サイクル
実務で経験を蓄積
4週
段階的な実践
課題設定から標準化
原文公開：2026年10月13日 ／ 転載・編集：2026年10月19日
note原文を読む
この記事でわかること
  • AIへの丸投げと学習型の使い方の違い
  • 思考と行動をつなぐ五つの習慣
  • 30日で始める実務学習と組織への共有
目次

〖記事概要〗

「生成AIを使うと、自分で考えなくなってバカになる」。
「生成AIを使うと、自分で考えなくなってバカになる」。そんな心配を耳にする機会が増えました。確かに、AIの回答をそのまま提出し、理由も検証方法も説明できない使い方では、本人にも組織にも知識が残りません。しかし、それはAIが人をバカにするのではなく、学ばない使い方を選んでいるからです。生成AIは、以前なら多額の費用や長い修業が必要だった試作、調査、文章、画像、プログラミングを短時間で経験できる学習環境でもあります。本稿では、「知る」と「行う」を一つにする知行合一の考え方から、AIへの丸投げを学びへ変える方法を整理します。成果物だけを受け取るのではなく、問い、試し、失敗し、振り返り、自分の判断として説明する。その習慣が、AI時代の知恵とキャリアを育てます。

〖本文〗

生成AIへ質問すると、数秒で整った答えが返ってきます。

「AIを使うとバカになる」は半分正しく、半分間違っている

生成AIへ質問すると、数秒で整った答えが返ってきます。
生成AIへ質問すると、数秒で整った答えが返ってきます。文章、企画、画像、コード、比較表、プレゼンテーションまで作れます。便利になった一方で、「こんなに任せたら、自分で考えられなくなるのではないか」という不安が生まれています。
この不安には、正しい部分があります。AIの出力を読まずに提出する。根拠を確かめない。なぜその結論になったか説明できない。間違いがあっても気づかない。この使い方を続ければ、本人に知識や判断力は残りません。
しかし、原因をAIそのものに置くと本質を見誤ります。検索エンジンが登場したときも、インターネットを見ると記憶力が落ちる、簡単に答えを調べると勉強しなくなると言われました。電卓、パソコン、カーナビにも同じ議論がありました。道具が能力を奪うのではなく、道具を使って何を省き、空いた力を何へ向けるかが問われています。
私は、AIを使うとバカになるのではなく、AIへ思考と責任を丸ごと渡すと学べなくなる、と考えています。逆に、AIを相手に問いを深め、試作し、検証し、改善する人は、これまでより速く多くの経験を積めます。

成果物だけを受け取ると、何も残らない

企業が外部の専門家へ仕事を依頼するとき、完成品だけを受け取って終わることがあります。
企業が外部の専門家へ仕事を依頼するとき、完成品だけを受け取って終わることがあります。Webサイトを作ってもらったが、更新方法が分からない。システムを導入したが、なぜその設計なのか説明できない。コンサルタントから立派な資料を受け取ったが、自社で次の一歩を決められない。
AIでも同じことが起きます。プロンプトを一度入力し、出てきた文書をそのまま使う。すると、短時間で成果物は得られても、問いの立て方、調べ方、設計の理由、失敗への対処は身につきません。
問題は外注やAI利用ではありません。プロセスへ参加しないことです。何を解決したいかを定義し、途中の案を比較し、判断理由を言葉にし、結果を利用者へ見せる。こうした過程へ自分が関われば、外部の知恵もAIの能力も、自分たちの学びに変わります。
成果物を買うのか、能力を育てるのか。同じ費用と時間を使っても、この意識の違いで組織に残るものは変わります。

ホームページ制作の歴史が教えてくれること

インターネットが普及し始めた頃、企業のホームページ制作には大きな費用が必要でした。
インターネットが普及し始めた頃、企業のホームページ制作には大きな費用が必要でした。デザイン、HTML、サーバー、画像処理、更新システムなど、複数の専門知識を持つ人が必要だったからです。
当時の企業が得たものは、ホームページという成果物だけではありません。インターネットで情報を公開するとはどういうことか、顧客が何を探すのか、更新を誰が担うのか、営業や採用とどうつなぐのかを学びました。制作会社とのやり取りから、社内の情報整理や新しいビジネスの可能性も見えてきました。
今は、Webサイトの試作を生成AIへ頼めます。文章、画像、デザイン案、プログラムまで短時間で作れます。昔なら高額だった試作を、少ない費用で何度も経験できます。これは単なるコスト削減ではありません。学習機会の価格が下がったということです。
ところが、「またAIへ頼めばよい」と考えてプロセスを見なければ、この大きな機会を捨てることになります。安く作れるから学ばなくてよいのではありません。安く何度も試せるからこそ、以前より多く学べるのです。

知行合一でAIを使う

知行合一とは、知ることと行うことは分けられず、実践によって知識が完成するという考え方です。
知行合一とは、知ることと行うことは分けられず、実践によって知識が完成するという考え方です。知識を持っているだけでは足りません。行動し、結果を受け取り、自分の考えを更新するところまでが学びです。
AI時代には、この考え方がますます重要になります。AIは「知る」部分を急速に支援します。関連情報を集め、構造化し、例を示し、理解できない箇所を別の言葉で説明します。しかし、現場の条件へ当てはめ、試し、相手の反応を受け、責任を持って決めるのは人間です。
AIから得た答えを知識で終わらせず、行動へ変える。行動の結果を再びAIと振り返り、次の仮説を作る。この往復が知行合一です。AIは答えを出す機械ではなく、知識と実践をつなぐ伴走者になります。

AIへの丸投げを学びへ変える五つの習慣

AIへ聞く前に、自分は何が問題だと思うか、どんな答えを予想するかを短く書きます。

第一に、先に自分の仮説を書く

AIへ聞く前に、自分は何が問題だと思うか、どんな答えを予想するかを短く書きます。
AIへ聞く前に、自分は何が問題だと思うか、どんな答えを予想するかを短く書きます。正解でなくて構いません。自分の出発点があることで、AIの回答との差分を見つけられます。
最初から答えを受け取ると、分かった気になります。仮説を持って比較すると、どこを理解していなかったかが見えます。

第二に、答えではなく理由を聞く

「企画書を作って」だけで終わらず、なぜこの構成なのか、別案は何か、前提が変わるとどうなるかを聞きます。
「企画書を作って」だけで終わらず、なぜこの構成なのか、別案は何か、前提が変わるとどうなるかを聞きます。反対意見や失敗条件も出してもらいます。
AIの結論を採用することより、判断の材料を増やすことが目的です。理由を説明できない案は、そのまま使いません。

第三に、小さく自分で試す

AIが作ったコードなら動かし、企画なら利用者へ見せ、文章なら声に出して読みます。
AIが作ったコードなら動かし、企画なら利用者へ見せ、文章なら声に出して読みます。現実へ置いた瞬間に、机上では見えなかった問題が現れます。
試す範囲を小さくすれば、失敗の損失を限定できます。AI時代の学習では、完璧な準備より短い実験が重要です。

第四に、修正理由を記録する

AIの案をどこで直したか、なぜ直したかを残します。
AIの案をどこで直したか、なぜ直したかを残します。顧客の言葉に合わなかった、前提データが古かった、安全上の確認が必要だったなど、修正理由が組織のノウハウになります。
完成品だけを保存しても、次の人は同じ失敗をします。判断の履歴を残せば、AI活用が個人技から組織能力へ変わります。

第五に、自分の言葉で説明する

最後に、AIを見ずに、何を作り、なぜその形にし、どんなリスクがあり、次に何を改善するかを説明します。
最後に、AIを見ずに、何を作り、なぜその形にし、どんなリスクがあり、次に何を改善するかを説明します。説明できなければ、まだ自分の知識になっていません。
会議で話す、短いメモを書く、同僚へ教える。アウトプットすることで、理解の穴が見つかります。

事例：AIで営業提案書を作る

営業担当者が、顧客情報をAIへ入れて提案書を作るケースを考えます。
営業担当者が、顧客情報をAIへ入れて提案書を作るケースを考えます。丸投げ型では、「この会社向けの提案書を作って」と頼み、出てきた資料を整えて提出します。見た目は立派でも、顧客固有の課題や意思決定の背景が抜け、質問されると答えられません。
学習型では、まず顧客の課題について自分の仮説を書きます。AIへ、仮説の弱点、確認すべき質問、競合案、失敗条件を出してもらいます。顧客との対話で確かめ、外れた仮説を記録し、提案を修正します。
完成した提案書は同じ一冊でも、担当者に残るものは違います。後者には、顧客理解、問いの設計、反論への備え、説明力が残ります。次の案件では、より良い仮説を短時間で作れます。

事例：AIでプログラミングを学ぶ

プログラミングでも、「動くコードを全部書いて」と頼めば、短時間で成果物ができます。
プログラミングでも、「動くコードを全部書いて」と頼めば、短時間で成果物ができます。しかし、エラーが起きたときに直せず、安全性や保守性も判断できなければ、仕事では使えません。
学習へ変えるには、AIへ小さな単位で作らせます。各部分の役割を説明させ、テストを書き、わざと条件を変え、どこで壊れるかを確かめます。エラーメッセージをそのまま渡す前に、自分なりの原因を予想します。
AIがコードを書く時代だからこそ、人間は要件、構造、テスト、セキュリティ、利用者体験を学ぶ必要があります。文字を入力する速度ではなく、何を作るべきか、正しく動いているかを判断する力が価値になります。

子どもと若者には何を教えるべきか

「自分で考えるまでAIを使わせない」という方針は、短期的には安心に見えます。
「自分で考えるまでAIを使わせない」という方針は、短期的には安心に見えます。しかし、AIが当たり前の社会で、使わずに成長することは現実的ではありません。禁止だけでは、隠れて使うか、社会へ出て初めて触ることになります。
必要なのは、年齢と目的に応じた使い方です。低年齢では、答えを写すのではなく、AIが間違う例を一緒に探します。中高生なら、複数の回答を比較し、出典を確認し、自分の意見を書く。大学や職業教育では、実際の課題をAIと解き、成果と失敗を説明します。
評価方法も変える必要があります。完成したレポートだけでなく、最初の仮説、AIへの問い、検証した資料、修正履歴、本人の説明を評価します。AIを使ったかどうかではなく、AIを使って何を学んだかを見るのです。

企業研修を「操作説明」から「経験設計」へ変える

生成AI研修で、プロンプトの型を教えるだけでは、現場の成果につながりません。
生成AI研修で、プロンプトの型を教えるだけでは、現場の成果につながりません。便利な例を見て終わり、翌日から元の仕事へ戻ります。学習を定着させるには、実務課題を持ち込む必要があります。
自社の問い合わせ対応、採用、営業、品質管理、研修教材など、一つの課題を選びます。受講者は目的を定義し、AIで試作し、利用者へ見せ、指摘を受け、修正します。最後に、何をAIへ任せ、何を人が判断したかを発表します。
研修の成果指標も、受講者数やプロンプト数ではなく、作業時間、品質、再作業、利用者満足、再利用されたノウハウで測ります。人材育成と業務改善を分けないことが大切です。
FDE検定のように、AIを現場へ実装し成果へ変える力を評価する取り組みも、この方向にあります。知識だけでなく、課題定義、実装、検証、説明、改善を一つの能力として捉えます。

AIを使っても学べない組織の特徴

個人が工夫しても、組織の仕組みが悪ければ学びは残りません。
個人が工夫しても、組織の仕組みが悪ければ学びは残りません。AIの成果物だけを評価し、途中の失敗を隠す文化では、誰も実験結果を共有しません。速さだけを競えば、検証や振り返りは後回しになります。
また、AI利用を一部の担当者へ集中させると、その人が異動した瞬間にノウハウが消えます。プロンプト集だけを共有しても、なぜその指示が必要か、どんな条件では使えないかが分からなければ再現できません。
学べる組織は、仮説、失敗、修正理由を共有します。完成品だけでなく、途中の判断を資産として扱います。AIとの対話ログをすべて保存するのではなく、他の人が次に判断するために必要な知恵を整理します。

30日で始めるAI学習サイクル

解決したい業務を一つ選び、現在の手順、時間、困りごと、自分の仮説を書きます。

1週目：課題と自分の現在地を書く

解決したい業務を一つ選び、現在の手順、時間、困りごと、自分の仮説を書きます。
解決したい業務を一つ選び、現在の手順、時間、困りごと、自分の仮説を書きます。AIを使う前の状態を残します。

2週目：AIと複数案を試す

一つの答えで決めず、異なる方法を試します。
一つの答えで決めず、異なる方法を試します。なぜ結果が変わったか、どの前提が効いたかを記録します。

3週目：現場で使いフィードバックを得る

小さな範囲で本番利用し、利用者の反応を集めます。
小さな範囲で本番利用し、利用者の反応を集めます。便利だった点だけでなく、迷った点、怖かった点、使わなかった理由も確認します。

4週目：自分の言葉で標準化する

成功条件、失敗条件、確認項目、次の改善を一枚にまとめます。
成功条件、失敗条件、確認項目、次の改善を一枚にまとめます。同僚へ説明し、別の人でも再現できるかを確かめます。
30日後に残すべきものは、AIが作った一つの成果物だけではありません。自分たちが次により良い判断をするための知恵です。

AI時代のキャリアは「できることを増やす速度」で決まる

これまで新しい専門性を身につけるには、学校へ通い、会社で経験を積み、何年もかけることが一般的でした。
これまで新しい専門性を身につけるには、学校へ通い、会社で経験を積み、何年もかけることが一般的でした。今も基礎学習と長期的な実践は重要です。しかし、生成AIによって、初めて触れる分野でも試作し、失敗し、質問できる環境が手に入りました。
これは、専門家が不要になるという意味ではありません。むしろ専門家は、より高度な判断、品質、安全、顧客価値へ集中できます。初学者は、専門家へ到達するまでの入口を速く通れます。両者の協働が重要になります。
キャリア形成で差がつくのは、AIを使った回数ではありません。AIを使って、昨日できなかったことを今日できるようにし、その理由を説明できる回数です。経験を意識して蓄積する人は、学習速度そのものを能力にできます。

マインド・トランスフォーメーションとしての学び直し

AIを使うと楽をしている、苦労しなければ身につかない、という考え方は根強くあります。
AIを使うと楽をしている、苦労しなければ身につかない、という考え方は根強くあります。もちろん、考えずに答えを受け取るだけでは身につきません。しかし、時間をかけること自体が学びの価値ではありません。
大切なのは、問いを持ち、行動し、結果を受け取り、自分を更新することです。AIで作業時間が短くなったなら、余った時間を観察、対話、検証、創造へ使えます。苦労の量ではなく、学習の密度を高めるのです。
この発想の転換が、マインド・トランスフォーメーションです。私の著書『マインド・トランスフォーメーション AI時代の思考革命』でも、AI時代に人間の学び方と判断の仕方を更新する必要性を述べています。

AIを使うほど、自分の判断を増やそう

生成AIを使うとバカになるかどうかは、AIが決めることではありません。
生成AIを使うとバカになるかどうかは、AIが決めることではありません。使う人が、答えだけを受け取るのか、経験として取り込むのかで決まります。
自分の仮説を持つ。理由を聞く。小さく試す。修正理由を記録する。自分の言葉で説明する。この五つを続ければ、AIは思考を奪う道具ではなく、思考と行動の範囲を広げる道具になります。
今日、AIで作った成果物を一つ選び、「私はここから何を学んだか」「次は一人で何を判断できるか」を書いてみてください。答えが出なければ、まだ成果物を受け取っただけです。そこから問い直し、試し直すところに、本当の学習が始まります。

〖重要なキーワード解説〗

知ることと行うことは分けられず、実践を通じて知識が完成するという考え方です。

知行合一

知ることと行うことは分けられず、実践を通じて知識が完成するという考え方です。
知ることと行うことは分けられず、実践を通じて知識が完成するという考え方です。AIの回答を読むだけでなく、試し、結果を受け、判断を更新することが重要です。

AIリテラシー

AIの操作方法だけでなく、能力と限界、データ、根拠、リスク、責任を理解し、目的に応じて使い分ける力です。
AIの操作方法だけでなく、能力と限界、データ、根拠、リスク、責任を理解し、目的に応じて使い分ける力です。

学習の外部化

答えや判断を道具へ任せ、自分の中に理解が残らない状態です。
答えや判断を道具へ任せ、自分の中に理解が残らない状態です。メモや検索も外部化ですが、振り返りと説明を組み合わせれば学習を支援できます。

経験学習

実際に行動し、結果を振り返り、そこから教訓を作り、次の行動へ適用する学び方です。
実際に行動し、結果を振り返り、そこから教訓を作り、次の行動へ適用する学び方です。AIは試行回数を増やし、振り返りを支援できます。

マインド・トランスフォーメーション

新しい技術を導入するだけでなく、人間の前提、問い、判断、学び方、働き方を更新することです。
新しい技術を導入するだけでなく、人間の前提、問い、判断、学び方、働き方を更新することです。

〖著者紹介〗

■株式会社サートプロ 代表取締役CEO。
近森満
IT・DX・IoT・AI分野の人材育成、資格・検定制度の企画、現場実装支援に取り組んでいます。
■所属・役職

〖音声配信〗

日々の気づきやDX・AX・MX、AI時代の人材育成、仕事と経営の変化について音声でお届けしています。
日々の気づきやDX・AX・MX、AI時代の人材育成、仕事と経営の変化について音声でお届けしています。

よくあるご質問

AIを使いながら理解と判断力を育てるための実践を確認します。
AIを使うと、自分で考えなくなるのでしょうか？
本文は、AIそのものではなく、思考と責任を丸ごと渡す使い方が学びを妨げると整理しています。出力を読まず、根拠も確かめずに提出すれば、知識や判断力は残りません。一方、自分の仮説を持ち、理由を問い、試作して検証し、改善する過程に参加すれば、AIは経験を増やす学習環境になります。作業を省いた時間を観察、対話、検証へ向け、自分の判断として説明できることを目指します。
知行合一をAI活用に取り入れるには？
知行合一は、知ることと行うことを分けず、実践で知識を完成させる考え方です。AIの回答を読んで終わらせず、現場の条件へ当てはめ、小さく試し、相手の反応を受けて自分の考えを更新します。その結果を再びAIと振り返り、次の仮説を作る往復が重要です。情報収集や説明をAIに支援してもらいながら、人間が試行と判断に関わることで、成果物を受け取るだけの状態から抜け出します。
丸投げを防ぐ五つの習慣は何ですか？
先に自分の仮説を書く、答えだけでなく理由を聞く、小さく自分で試す、修正理由を記録する、自分の言葉で説明する、という五つです。正解を先に知ることより、自分とAIの考えの差や、実際に試して分かったことを残します。反対意見や失敗条件も確認し、なぜ案を直したかを共有します。最後にAIを見ずに目的、判断理由、リスク、次の改善を説明し、理解の穴を確かめることが学習になります。
企業研修では、どのように成果を測りますか？
プロンプトの操作説明や受講者数だけで終わらず、実務課題を選び、目的の定義、試作、利用者への提示、修正、判断の説明まで経験します。成果は作業時間、品質、再作業、利用者満足、再利用されたノウハウなどで測ります。完成品だけでなく、最初の仮説や検証、修正理由を残すことも大切です。人材育成と業務改善を分けず、別の担当者も次に判断できる知恵が組織に残っているかを見ます。
30日の学習サイクルは、どう進めますか？
1週目に解決したい業務を一つ選び、現在の手順、時間、困りごと、自分の仮説を残します。2週目はAIと複数案を試し、結果が変わった理由を記録します。3週目は小さな範囲で現場利用し、利用者の迷いや不安も含めて反応を集めます。4週目に成功条件、失敗条件、確認項目を一枚にまとめ、同僚へ説明します。残すべきものは完成品だけでなく、次により良い判断をするための知恵です。
AIを学びと現場の成果につなげる

自社の課題や育成の進め方について、サートプロへご相談ください。

お問い合わせ
08.AI時代のスキル・キャリア
生成AI
気に入ったらシェアしてください！
  • URLをコピーしました！

関連記事