AIと読む：理解力を損なわずにChatGPTとClaudeを使う方法

AIリーディングのパラドックス

ChatGPTに1万語の調査報道を要約させれば、およそ10秒で終わります。あなたはそこに何が書いてあったかを「知って」いる状態になります。主張を説明でき、主要な登場人物の名前を挙げ、要点を3つくらいリストアップできるかもしれません。情報を得た気になります。

1週間後、誰かにその記事について尋ねられたら、あなたはほとんど何も覚えていないでしょう。

これを、昨年じっくり読んだ記事と対比してみてください。あなたは3つの文章にハイライトを引きました。余白で著者と言い争ったかもしれません。2年経っても、あなたはその中の一節を引用し続けています。記憶からリンクを見つけ出せます。そのアイデアは、あなたの考え方の中にしのび込んでいます。

同じ情報なのに、結果はまるで違います。このパラドックスの核は、速さがもはや必要なものではなくなった、まさにそのタイミングで、AIが読むことを高速化しているということです。私たちはコンテンツに困っているのではありません。理解に困っているのです。そして理解には、どんなモデルも圧縮できない、頑固な最低限の時間コストがあります。

これはAIに反対する議論ではありません。ひとつの特定の失敗モードに反対する議論です。つまり、AIを読書を増幅する装置ではなく、読書の代替として使ってしまうことに対する反論です。外から見ると小さな違いですが、頭の中では、学びと「学びのふり」という大きな違いになります。

認知的オフロード：研究が示すこと

このテーマの科学は、現在のAIブームよりも古くから存在します。2011年、Betsy Sparrow、Jenny Liu、Daniel Wegnerは Science に "Google Effects on Memory" を発表しました。彼らは4つの実験を行い、一貫したパターンを見つけました。情報がコンピュータに保存されると信じている場合、人々は情報そのものを正確に思い出せなくなる一方で、どこに情報があるかは覚えているのです。記憶は「内容」から「ポインタ」へと移行します。

Barr、Pennycook、Stolz、Fugelsangは2015年に "The Brain in Your Pocket" でこれを拡張し、スマートフォンの使用頻度が高いほど、分析的思考のタスクでのパフォーマンスが低下することを示しました。とくに、直感的だが誤った答えを抑えなければならない問題でその傾向は強く出ました。Storm、Stone、Benjamin (2017) は、外部ストレージと記憶符号化について同様のパターンを見出しました。外部に保存するという行為そのものが、内部での処理の深さを減らしてしまうのです。

そこに生成AIが登場し、この効果をさらに増幅しました。

Lee、Sarkarらによる2025年のMicrosoft ResearchとCarnegie Mellonの研究 "The Impact of Generative AI on Critical Thinking" では、319人のナレッジワーカーを対象に調査が行われました。見出しになった発見は、AIへの信頼が高い人ほど批判的思考の努力が低いという相関関係です。ユーザーがモデルを信頼すると、その出力を問い直さなくなります。逆に不信を抱いていると、より深く関与します。研究者たちはこれを「タスク実行からタスク監督へのシフト」と呼びましたが、監督が機能するのは、あなたがまだ誤りを見抜くだけの領域知識を持っている場合に限られます。

Michael Gerlichの2025年の論文 (Societies 掲載) はさらに踏み込みました。666人を対象に調査したGerlichは、AIツールの頻繁な利用と批判的思考スコアの間に、認知的オフロードを媒介とした強い負の相関関係を発見しました。AIに最も頼った若年層の参加者は、独立した推論能力の指標で最も低いスコアを示しました。

仕組みはシンプルで、生物学的にはごく当たり前のものです。脳はAIを、ほかの外部ドライブと同じように扱います。素材に関与しなければ符号化されません。符号化されなければ記憶されません。記憶されなければ、それを使って考えることもできません。AIを使った読書がうまくいかないのは、AIのせいではありません。AIがあなたに代わってできない部分を、あなたがやらなかったことによる失敗です。

思考の罠という観点でより詳しく論じた記事については、the AI thinking trap をご覧ください。

AIが助けになるとき：3つの青信号

これまでの話はAIに反対する議論ではありません。ひとつの特定のワークフローに対する反論です。AIは、少なくとも3つの状況で読書を本当に増幅してくれます。そしてそれらはすべて、ある共通点を持っています。あなた自身がすでにテキストに関与した 後 に起きるということです。

明確化 (Clarification)。アテンション機構に関する論文を読んでいて、softmax正規化に関する一文で詰まったとしましょう。Claudeにその一つの概念を、すでに読んだ内容の文脈で説明してもらうのは、本当に役立ちます。詰まりが解けます。論文の残りの部分への関与を置き換えるのではなく、増やしてくれます。読んでいるのは依然としてあなた自身です。

自分で実際に読んだ複数のソースを横断する統合 (Synthesis)。過去1か月で、リモートワークに関する記事を5本読んだとします。それぞれにハイライトを引きました。それらのハイライトを横断して、緊張関係や矛盾、予想外の重なりを見つけてもらうのは、AIが得意で、しかも手作業ではたぶんやらない仕事です。重要なのは、読んだのはあなたであるということです。AIはあなたがすでに消化した素材の上で働いており、消化そのものの代わりをしているのではありません。

自分のノートに対するソクラテス式の深掘り。本から引いたハイライトをAIに渡し、それについてクイズを出してもらいましょう。著者に反論させてみましょう。合理的な批判者なら何と言うか尋ねてみましょう。あなたはモデルを、安価で忍耐強いスパーリングパートナーとして使っているのです。これはモデルが本当に得意とすることのひとつです。これは personal RAG over your notes が大規模に可能にするものに近いものです。

パターンに注目してください。3つのケースすべてで、読書を持ち込むのはあなた、会話の幅を持ち込むのはAIです。あなたの理解が育ちます。AIはあなたのふりをしていません。

AIが害になるとき：3つの赤信号

逆のパターンはどこにでもあります。なぜなら、そのほうが簡単で、短期的には簡単なほうがほぼ常に勝つからです。

事前要約 (Pre-reading summary)。長い記事を見つけます。読む代わりに、ChatGPTに貼り付けて要約を求めます。要約を読みます。あとで本文を読もうと自分に言い聞かせます。実際には読みません。いま手元には、他人の仕事を圧縮し、文脈を抜き、場合によっては幻覚を混ぜた版と、その人の思考に触れたような錯覚があります。さらに悪いことに、具体的な例、トーンのシグナル、後々記憶に残ったはずの一節といった、文章のきめ細かさをすべて飛ばしてしまっています。

長い文書に対する一発プロンプトのダイジェスト。「この50ページのレポートを要約して」。出てくるアウトプットは悪くありません。ただしそれは「理解のふり」でもあります。あなたは会議でそのレポートを引用するでしょう。誰かが具体的な質問をします。あなたは答えられないことに気づきます。なぜなら、要約はまさに重要だった詳細を圧縮で消し去ってしまったからです。

自分の思考への丸ごとの言い換えの取り込み。AIに意見を求めます。そのフレーミングを吸収します。その言い回しを、自分のもののように繰り返し始めます。これは法的な意味での剽窃ではありませんが、ある種の「脳の剽窃」です。結果として、自分でたどり着いたわけではない見解を、自分で構築したわけではない論拠で擁護することになります。突っ込まれても、足場を自分で組み立てていないので深く擁護することができません。

実際に使える意思決定マトリクスを用意しました。

この表を手元に置いておきましょう。悪いAIリーディングの習慣のほとんどは、このチェックを飛ばして「要約して」をデフォルトにしてしまうところから生まれます。

誰も話したがらないハルシネーションの問題

認知コストだけでなく、事実面のコストもあります。LLMは自信満々に捏造します。引用、日付、引用文、統計、ときには存在しない論文まるごとを。

Stanford HAIの2024年のリーガルAIツールに関する研究 (Magesh et al., "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools") では、Westlaw AIとLexis+ AIを検証し、検索拡張をうたう製品であっても、分野固有の法律クエリで17〜33パーセントのハルシネーション率を示しました。汎用モデルでは、引用された主張に対するハルシネーション率が分野、プロンプトのスタイル、「ハルシネーション」の定義の厳しさに応じて15〜40パーセントの範囲で報告されています。Pal、Umapathi、Sankarasubbuによる2023年の医療質問応答の研究 ("Med-HALT") でも同程度の規模が報告されています。

これが読書にとって重要なのは、読書が事実確認の活動でもあるからです。もしあなたがアイデアに出会うときのその出会いが、支持する引用を自信満々に捏造したAIを通してフィルタリングされているなら、あなたは読んでいるのではありません。軽く汚染された要旨を消費しているのです。

実践的な含意はこうです。AIの要約から取り出して、文章、教育、議論で使おうとするあらゆる主張は、ソースでの検証が必要です。だからこそ以下の「AIラスト」プロトコルでは、ステップ1でモデルを信頼するのではなく、ステップ4に検証を置いています。

AIラストのリーディング・プロトコル

本物の理解を (その感覚ではなく) 生み出す傾向のあるワークフローを紹介します。4つのステップで、個々のステップの内容よりも順序のほうが重要です。

ステップ1：まず読む。10分でもよいのです。心に引っかかるもの (驚いた主張、わかりにくい文章、後で使えそうな一節) を3つか4つハイライトしましょう。Glaspのwebハイライター はまさにこのために作られています。ハイライトが永続化され、ステップ3に送り込めるからです。

ステップ2：自分で要約する。2文で十分です。これが符号化のステップです。2文書くという摩擦こそが、実際に記憶が形作られる場所です。ここを飛ばすと、全体の意味を飛ばすことになります。

ステップ3：AIに具体的な質問をする。「要約して」ではありません。たとえば「著者が第3節でXと言っているのはどういう意味か」「これは先月ハイライトしたSparrow 2011の主張とどう比較できるか」「2番目のハイライトの主張に対する最も強い反論は何か」といった質問です。ここで GlaspのAI chat が有用になります。なぜならAIは、あなたがハイライトした素材の上で動作しており、汎用の貼り付けコンテンツ上で動作しているわけではないからです。

ステップ4：検証する。統計を引用するなら、研究を引くなら、日付に依拠するなら、ソースを開いて確認しましょう。毎回です。本当に毎回です。なぜこの摩擦に価値があるのかの背景については、AI reading assistant の記事をご覧ください。

このプロトコルは、一般的なパターンを逆転させます。ほとんどの人はAIファーストの読み方をします。プロンプト、スキミング、(あれば) 戻る、という流れです。AIラストの読み方は、AIを最初ではなく最後のステップにします。少し時間はかかりますが、覚えている量が桁違いに増えます。

GlaspのAIスタックを正しく使う

Glasp はAIラストを前提に作られていますが、ツール同士がどう組み合わさるのかを明示しておく価値があります。

Glaspのwebハイライター はステップ1に対応します。読んで、ハイライトし、ハイライトは保存され、インデックス化され、検索可能になります。これが「関与ファースト」のレイヤーであり、これがなければ後のステップは働きかける対象を持ちません。

GlaspのAI chat はステップ3に対応します。これは貼り付けた任意のテキストではなく、あなたのハイライトの上で動作します。この設計選択は意図的です。このチャットが最も強みを発揮するのは、あなたがすでに消化した素材を統合し、問い直し、相互参照するときです。最も弱いのは、読書そのものを置き換えさせようとするときで、プロダクトはそのふりをしません。

YouTube Summary は、この使い方を正しく実装している良いケーススタディです。動画の要約を生成できますが、最善の使い方は「動画の代わりに要約を見る」ではありません。「動画を見て、重要な瞬間をハイライトし、要約とトランスクリプトを使って特定のセクションを再び見つける」ことです。要約は視聴の代替ではなく、検索ツールになります。

GlaspのPDFハイライター と Kindleハイライト は、同じパターンを長文の読書に拡張します。ハイライトはあなたのライブラリに引き継がれます。あとから、あなたが読んだすべての本にまたがって chat with your notes ことができます。これは5年前には本当に不可能だった種類の統合です。

そしてGlaspはソーシャルリーダーでもあるので、同じ文章の中で他の人が何をハイライトしたかも見ることができます。これはAIに隣接する別種のレイヤー、human curator のシグナルであり、思慮深い読者が気づいたことで自分が見逃していたものを拾い上げるのに、驚くほど役立ちます。

ケーススタディ：2人の学生、2人の読者

具体例があると、抽象が具体になります。

2人の学生。MayaとJunは同じ大学院のセミナーに所属しています。Mayaは授業前に、課題論文をすべてClaudeに要約させます。彼女は明瞭な論点を用意して現れます。Junは論文を読み、面白いと思ったところをハイライトし、自分の言葉で2文の要約を書いてから、見落としたことや方法論セクションの解釈が正しいかどうかをClaudeに尋ねます。彼も論点を持って現れますが、そこに至るまでにおよそ2倍の時間をかけています。

学期末、2人は同じ総合試験を受けます。Mayaは論文そのものではなく、AIのフレーミングを覚えています。試験で、読んだはずの方法論を批判するよう求められたとき、彼女は詳細と実際に向き合ったことがないので苦戦します。Junはもっとうまくやります。賢いからではなく、足場を組み立てたからです。2年後、Junはまだその論文を引用しています。Mayaはタイトルすら思い出せません。

2人の読者。PriyaとSamはどちらも仕事のために広く読みます。Priyaは忙しいので、本を読む代わりにChatGPTに本の要約を生成させます。こうして年間40冊「読み」ます。Samは12冊の本を読み、Glasp で大量にハイライトし、数か月おきに GlaspのAI chat を使ってハイライト全体のパターンを探します。

Priyaは本について浅く、入れ替え可能な語り方をします。なぜなら、彼女が取り込んだ要約が浅く、入れ替え可能だったからです。Samは、どの著者が何を言ったか、2人の著者がどこで意見が食い違うか、そして自分の考え方がどこで変わったかを語れます。彼はより少ない本を読んで、より多くを理解しています。これが実践における remembering what you read の姿です。

教訓はAIが悪いということではありません。AIはあなたが投入したものを増幅するということです。関与を入れれば、増幅された理解が得られます。何も入れなければ、増幅された「何もなさ」が得られます。

AIネイティブな読書が5年続くと私たちに何が起こるか

推測ですが、根拠のある推測です。

電卓は数学を破壊しませんでしたが、人々が得意とするものを変えました。今日の大人のほとんどは、祖父母のように頭の中でスムーズに長い割り算ができません。GPSはナビゲーションを破壊しませんでしたが、空間記憶の研究 (Dahmani and Bohbot, 2020) によれば、ターンバイターンの指示に大きく頼る人々は、自分の街について弱い認知地図しか構築しません。

読むことは、算数やナビゲーションよりも、認知的な負荷をはるかに担っています。他人のアイデアを使って時間を超えて思考する方法そのものだからです。ある世代が、あらゆるテキストとの最初の出会いをLLMに外注して育つと、起こりそうな結果は非識字ではありません。もっと奇妙なことです。「本が何を言っていたか」を表面的には「知っている」のに、そのアイデアを使って考えることができない人々の集まり、です。なぜなら内面化していないからです。要約は引用できます。著者と議論することはできません。この傾向が学習に与えうる広い影響については、AI's impact on learning をご覧ください。

これは必然ではありません。電卓は数学教育と共存しています。GPSは、いまも自分の近所を知っている人々と共存しています。問題は、AIリーディングが深く読むことと共存するのか、それとも安価な選択肢がデフォルトでよりゆっくりな選択肢を押しのけるのか、ということです。

進む道はほとんど個人の選択です。AIを有用なままに保ちつつ、「あなた自身」である読書の部分をAIに奪わせないプロトコルを採用することです。この記事が論じたいのは、ただそれだけです。

よくある質問

ChatGPTに記事を要約させるのは学習に悪いですか？

記事の代わりに要約を読むのであれば、はい、悪いです。記事を読み、自分で要約を書き、それからChatGPTを使って理解を確認したりギャップを埋めたりするのであれば、悪くありません。ツールよりも順序のほうが重要です。

研究論文を読むためにAIを使う最良の方法は何ですか？

アブストラクトとイントロダクションは自分で読みましょう。方法はスキミングします。ディスカッションは読みます。追いきれなかったところをハイライトします。そのうえでAIを使って、ハイライトした部分を説明してもらい、読んだ他の論文と比較し、自分の解釈をストレステストします。AIの要約から統計をそのまま引用することは、ソースを確認せずには絶対にしないでください。引用のハルシネーション率は高いからです。

AIの要約は重要な詳細を幻覚しますか？

よくあります。Stanford HAIの2024年の研究では、検索拡張された法務AIツールでさえ17〜33パーセントのハルシネーション率が見つかりました。汎用のチャットボットは、引用された主張に対して分野に応じて15〜40パーセントの範囲になります。AIが生成したあらゆる具体情報 (日付、引用、統計、参考文献) は、ソースを確認するまでは未検証として扱ってください。

理解できない概念を説明してもらうのにAIを使うべきですか？

はい。これは最も強力な使い方のひとつです。明確化はソースへの関与を置き換えるのではなく増やします。プロンプトは具体的にしましょう。「いましがたハイライトしたアテンション機構の文脈でsoftmaxを説明して」というほうが、「アテンションを説明して」よりもはるかにうまくいきます。

「AI支援の読書」と「AIと読むこと」は違いますか？

重なる部分もありますが、違いうるものです。この記事でいう「AIと読むこと (Reading with AI)」は、上で述べたAIラストのパターンで、AIを自分自身の読書の伴走者として使うことを意味します。一部のマーケティング資料にある「AI支援の読書 (AI-assisted reading)」は、実際にはAIファーストの読書を指しており、モデルがダイジェストを生成し、あなたがそのダイジェストを消費する、というものです。違いは、読んでいるのが依然としてあなた自身かどうかです。

自分のハイライト全体にわたるAI chatは、記憶の定着に役立ちますか、それとも害になりますか？

役立ちます。ただし、ハイライトがソースとの本物の関与から来ている場合に限ります。機械的にハイライトしたり、AIにハイライトさせたりしている場合は、浅い素材の上で統合していることになり、浅い統合しか得られません。読みながら心に引っかかったものをハイライトしていたなら、そのハイライトを横断するチャットは、現時点で学習のためにAIを使うレバレッジ最高の使い方のひとつです。GlaspのAI chat のようなツールは、まさにこのループを中心に設計されています。

おわりに

AIはあなたをより良い読者にすることも、より速く忘れる人にすることもできます。ツールがどちらに転ぶかを決めるわけではありません。あなたが決めます。使う順序によって、です。

まず読む。心に引っかかったものをハイライトする。短くてもよいので、自分で要約する。そのあとで、明確化、統合、問い直しのためにAIを呼び込む。使うつもりのものは必ず検証する。1本の記事あたり2、3分の追加時間で、「何かを知っている」と「知っているふり」の違いを生み出せます。

このAIラストのワークフローを実践で試してみたいなら、Glaspのwebハイライター と GlaspのAI chat がまさにこの順序のために作られています。今日、1本の記事をハイライトしてみてください。自分で2文の要約を書いてみてください。そのうえで、見落としたことは何かをAIに尋ねてみてください。1週間後、その記事が何についてだったかをまだ覚えているか、チェックしてみてください。意味を持つテストはそれだけです。