AIにおける真の競争優位性は、情報を生成することではなく、いつその情報を疑うべきかを知る能力にある。AIは「懐疑的インテリジェンス」を、価値ある——そして稀少な——スキルへと変えたのだ。
AIモデルが進化するにつれ、その活用法に関する理論も増えている。しかし、AIを使った業務に十分な時間を費やしたことのある人なら、奇妙なことに気づいているはずだ。同じモデルに同じ情報へのアクセス権を与え、10人の異なるプロフェッショナルに同じ課題を解決するよう求めた場合、得られる結果は驚くほど似通ったものになることが多い。言葉遣いは変わるかもしれない。形式も変わるかもしれない。推奨事項もわずかに異なるかもしれない。しかし、思考は収束していく傾向がある。
それでも、他の誰にも思いつかなかったアイデアやアウトプットを携えて戻ってくる人が必ずいる。その人は秘密のプロンプトを発見したのだろうか。おそらく違う。違いは、提示された回答に対して、自ら進んで異議を唱えようとする姿勢にある。彼らは何度も問い直す。もう一つ前提条件を確認し、もっともらしく見える最初の回答の先へと突き進むのだ。
共同研究者であるエミ・カリクベテ、アンドリュー・クルーガー、プリヤンカ・シュリバスタバらとともに、私たちはこうした失敗がもたらす代償を頻繁に耳にしている。エラーやハルシネーション（幻覚）だらけのまま提出・公開されるAI生成の文書、レポート、スプレッドシート。存在しない情報源、でっち上げられた引用、辻褄の合わない貸借対照表の数値などだ。若手社員が上司に提出する前にファクトチェックを怠るという一見ささいなミスから、名門コンサルティングファームが20件以上の捏造された情報源を掲載したレポートを提出し、最終的に報酬の返金を余儀なくされるといった重大な事態に至るまで、これらの失敗は人々の知性が不足しているために起こるのではない。AIが生成した情報を検証するための体系的な方法が欠けていることを反映しているのだ。
AIが進化し続ける中、批判的思考（クリティカルシンキング）のスキルは極めて重要になっている。2024年のダボス会議において、IBMの最高経営責任者（CEO）アービンド・クリシュナは、生成AIが「認知的作業の下半分」を代替するようになるにつれ、あらゆる職種において批判的思考がはるかに重要になると主張した。OpenAIのCEOサム・アルトマンも同様に、ChatGPTにはハルシネーションを起こす傾向があるにもかかわらず、人々が過度に信頼を置いていると警告している。デミス・ハサビスはこの点をさらに端的に指摘し、AIを怠惰に使用すると、実際には人々の批判的思考力が低下するおそれがあると警告した。
このメッセージは、テクノロジー企業だけに留まらない。世界経済フォーラムは、分析的思考と創造的思考を労働市場で最も求められるスキルの中に位置づけており、大学はAIの利用制限から、AIが生成した情報を批判的に評価する方法を学生に教える方向へと舵を切っている。
ビジネス、テクノロジー、教育の分野において、このメッセージは驚くほど一貫している。しかし、その結論を受け入れる前に、もっとシンプルな問いに答える必要がある。
批判的思考とは、具体的に何を指すのか？
批判的思考の標準的な定義は、ファシオーネによる1990年のデルファイ・レポート（Delphi Report）に由来する。そこでは批判的思考を「解釈、分析、評価、および推論をもたらす、目的を持った自己調整的な判断」と定義している。かみ砕いて言えば、主張を疑い、証拠を比較検討し、論理的な判断を下すことで、独立して考える能力のことだ。伝統的な批判的思考の概念は、論理的な判断と証拠に基づいて仮説を形成、検証し、場合によっては反証するための手法として、ソクラテスやデカルトの伝統から生まれた。何十年もの間、この定義は教育、研究、そして専門的な意思決定において極めて有効に機能してきた。
しかし、時の経過とともに批判的思考の構成概念は拡大し、自己開発や感情の省察、さらには探究心、自信、精神的成熟といった気質的特性までをも内包するようになった。この拡大によって、認知と情動の概念的境界線が曖昧になり、スキルの測定や介入設計が複雑化した。その結果、AIを用いて的確な推論を行うために必要な特定の認知スキルを切り出すことが難しくなっている。定義が何でもありの「何でも屋」になってしまうと、その効力は失われる。定義できないものを訓練することはできないし、業務プロセス（ワークフロー）に組み込むことなど到底不可能だ。この問題は、人間と情報の相互作用が根本的に変化した生成AIの文脈において、特に深刻化している。
AIにおいて批判的思考が機能しない理由は、技術的なものではない。概念的なものだ。批判的思考はあまりにも長い間、あまりにも多くの意味を求められすぎた。その結果、プロフェッショナルたちが、流暢で自信に満ちたように聞こえる「統計的平均値（AIの回答）」に対抗するための鋭利なツールを必要としている今、彼らが手を伸ばすものは形を失い、曖昧な存在になってしまっている。
批判的思考は、意図的で、時間をかけた、自己調整的な立ち止まり（ポーズ）が必要であることを前提としている。ファシオーネの言う「自己調整的判断」や、デューイの省察的思考（リフレクティブ・シンキング）の概念は、人々が一度立ち止まり、証拠を検証し、自身の結論を再考するための時間と気質を備えていることを前提としている。
AIはそれらの条件を逆転させる。アウトプットは瞬時に、洗練された言語で、並外れた自信を漂わせて提示される。それを疑うための認知的コストは、ますます高くなる。
2025年に実施された、4万8000人以上を対象とする世界規模の調査では、66%が正確性を検証することなくAIのアウトプットに依存しており、56%が職場でAIに関連するミスをしたと報告している。AIへの無批判な依存は、ユーザーが推論を放棄し、流暢ではあるが検証されていないアウトプットを受け入れることを助長し、より深い探究や判断のあり方を損なう。したがって、イノベーションの触媒としてのAIへの期待は、「怠惰なイノベーション」のリスクと表裏一体である。そこでは、真の斬新さや判断が犠牲にされ、スピードと流暢さだけが追求されることになる。
批判的思考は多くの場合、人間による主張を厳しく問い詰めるよう私たちを訓練する。私たちは前提を疑い、論理的誤謬を暴き、議論を評価し、証拠を検証する。しかし、AIは対峙すべき対戦相手ではない。それは流暢な「言い切り（断言）」を提示してくる。もはや課題は議論に勝つことではなく、その回答が信頼に値するかどうかを見極めることなのだ。
代わりに必要とされているのは、この目まぐるしい世界において、AIのアウトプットを検証し、疑問を投げかけるための一連の手順である。私たちは研究において、この能力を「懐疑的インテリジェンス（skeptical intelligence）」と名付けた。これは、批判的思考が蓄積してきた感情的・省察的な付帯物を取り除き、入ってくる情報の正確性と有用性に適用される、意図的かつ合理的な推論のことである。
実践においては、8つのステップで構成される。記憶を助けるための頭字語（アクロニム）として「SKEPTICS」と覚えるとよい。
- Solve（解決）：適切な問題を解決する。実際に何を、なぜ決定しようとしているのかを明確にする。最初の問いの段階を超えて、その根底にある真の課題を突き止める。
- Know（把握）：自分の知っていることを把握する。AIモデルの回答を見る前に、自分自身の仮の回答を書き留めておく。これにより、自身の判断がモデルの言葉遣いに影響されるのを防ぐ。
- Evidence（証拠）：証拠を追跡する。AIの回答の背後にある情報源を突き止める。その新しさ、欠けている視点、回答が破綻している箇所、そして誰を対象とするかによって回答がどう変わり得るかを検証する。
- Phrasings（表現）：新たな表現を試す。立証責任を逆転させたり、敵対的な懐疑派の立場からフレーミングし直したり、あるいは文字通り真逆の問いにしたりして、質問を再実行してみる。それでもなお、その回答が耐えうるかを確認する。
- Tear（解体）：徹底的に解体する。事前評価（プレモータム）を行う。1年以内にこれが無残に失敗するとしたら、それはなぜか。問われるべきなのに問われていない質問は何か。
- Independent（独立）：独立した意見を求める。別のモデルや人間の専門家に確認する。AIにAIを批判させることは「独立性」を意味しない。訓練データが共通していれば、死角も共通しているからだ。
- Conclusion（結論）：結論は自分自身で下す。ステップ1で決定しようとした課題と、集めた証拠を照らし合わせる。決定を下すのはあなたであり、モデルではない。
- Suspicion（疑念）：常に疑いを持ち続ける。このプロセス全体において、AIの誤りを検出するために依然としてAIに依存している部分があることに留意する。その依存性は、特に重大な決定においては、安心感ではなく不安をもたらすべきものである。
例えば、AIが生成した予測に基づいて行動を起こす前に、プロフェッショナルはその予測がどのような意思決定に資するものかを明確にし、まず自分自身の予測を書き留め、モデルが提示した数値の背後にある情報源を突き止め、懐疑派の立場から質問を再試行し、予測が失敗するパターンを事前に分析し、別のモデルや同僚に検証させ、その上で初めて何を採用すべきかを自立的に判断するのだ。
批判的思考（クリティカルシンキング）は広範な知的能力を指す。一方で懐疑的インテリジェンスは、AIのアウトプットを評価するために必要な行動を、観察可能な8つのステップへと落とし込む。目まぐるしく変化する環境で真に機能するのは、チェックリストなのだ。
懐疑的インテリジェンスはAIの否定ではなく、かつて批判的思考が求めたような、時間をかけた自己省察の習慣への回帰でもない。これは、疑念が生まれるよりも先に回答が届いてしまう世界に向けて構築された、より限定的で鋭利な規律（ディシプリン）である。他人が見落とすものを発見し続けるプロフェッショナルたちは、とりわけ知的であったり、プロンプトの作成に長けていたりするわけではない。彼らは単に、流暢さをもって正確性の代わりとすることを拒んでいるだけなのだ。
かつて「良い仕事」と「素晴らしい仕事」を隔てていた認知的負荷をAIが肩代わりしていく中で、SKEPTICSの8つのステップは、「AIを使う者」と「AIに使われる者」を隔てる境界線となる。その格差こそが、現在の競争優位性が存在する場所なのだ。
情報源および検証ノート
デロイト／オーストラリア雇用・労使関係省（DEWR） — 「Targeted Compliance Framework」に関するレポート。44万豪ドルの契約。2025年9月26日に、Azure OpenAI GPT-4oを使用した旨を開示した修正版を公開し、最終支払分を返金。シドニー大学ロースクール准教授兼シドニー・ヘルス・ロー副ディレクターのクリストファー・ラッジ（Christopher Rudge）によって、約20件の捏造された参考文献などのエラーが指摘された。「Deanna Amato v Commonwealth (2019)」事件において、連邦裁判所のジェニファー・デイビーズ（Jennifer Davies）判事のものとされる捏造された引用が、判決文に存在しない段落を参照する形で引用されていた。
EYカナダ — レポート「Points of Attack: Uncovering Cyber Threats and Fraud in Loyalty Systems」。2026年5月14日に公開されたGPTZeroの調査により、Forbes、マッキンゼー、ガートナー、TechCrunch、WIREDなどへの言及を含む、27件の引用のうち16件が捏造、誤認、またはリンク切れであることが判明。レポートは同日中に取り下げられた。
アービンド・クリシュナ — 世界経済フォーラム、ダボス、2024年1月。weforum.orgにて「This is the one skill everybody needs in the age of AI」として公開。
サム・アルトマン — OpenAI公式ポッドキャスト、エピソード1、2025年6月18日。
デミス・ハサビス — India AI Impact Summit、2026年2月19日。引用全文：「AIに関して言えば、もし怠惰な使い方をすれば、批判的思考力などが低下することになるだろう」
ギレスピー、N.、ロッキー、S. 他（2025） — 「Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025」メルボルン大学＆KPMG。47カ国の4万8000人以上が回答。66%が正確性を評価せずにAIのアウトプットに依存、56%が職場でAIに関連するミスを経験したと報告。
リー、H-P. 他（2025） — 「The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers」マイクロソフトリサーチ＆カーネギーメロン大学、CHI 2025。サンプル数（N）＝319。
ファシオーネ、P. A.（1990） — Critical Thinking: A Statement of Expert Consensus for Purposes of Educational Assessment and Instruction（デルファイ・レポート）、3ページ。
懐疑的インテリジェンス — 概念、懐疑商数（Skeptical Quotient）尺度、およびSKEPTICSプロトコル（Solve、Know、Evidence、Phrasings、Tear down、Independent、Conclusion、Suspicion）。ラッド＆シュリバスタバ（2026）、および「Skeptical Intelligence at Work: How Self-Esteem and Gender Shape AI-Powered Innovation」。
