8月23日、The Decoderが「AI could make scientists do more work less well, not less work better, study argues」と題した記事を公開した。この記事では、AIによる時間削減が科学者の研究の質を向上させるのではなく、むしろ劣化させる可能性を経済学的モデルで示した論文について詳しく紹介されている。

AIが研究者を「解放」するという楽観論に、経済学の論理で水を差す論文が登場した。

プリンストン大学、ワシントン大学などの研究者による理論経済学論文は、LLM（大規模言語モデル）が研究者の時間を節約したとき、その時間が深い分析ではなく次の新規プロジェクトへと流れると主張する。

「節約された時間」は深化に使われない

議論の核心は「機会費用」にある。LLMが研究者の作業負荷を下げると、その研究者の時間の価値が上がる。既存プロジェクトの磨き込みに使える時間は、新しいプロジェクトの立ち上げに使える時間と競合する。経済合理的な行動として、研究者は「すでに出版可能な論文をさらに磨く」より「次のプロジェクトに着手する」を選ぶ、というわけだ。

著者らは分析を単純化するため、LLMをエラーなし・コストなしで時間だけを削減する理想的なツールとして扱っている。現実のLLMの欠点を排除することで、「時間削減」という効果だけを純粋に取り出す設計だ。

3シナリオのうち2つで研究の質が低下

論文は、AIが研究プロセスのどの段階を加速するかによって3つのシナリオを描く。

シナリオ1：アイデアの初期評価を高速化

研究者はより多くのアイデアを素早く検証できるようになる。試すコストが下がるため、有望なプロジェクトだけが前進するようになる。一見すると良さそうだが、節約した時間は次の検証に回るため、前進した各プロジェクトへの深掘りは浅くなる。論文はこのパターンが技術系分野に典型的と述べている。コーディングや数値シミュレーションなど、アイデアの実装コスト自体が高い分野では、AIがそのコストを下げることで「試す数」が増えやすく、このシナリオに陥りやすい。

シナリオ2：論文執筆・投稿プロセスを高速化

執筆や書式整理、分析のコストが下がると、以前なら「投稿する価値なし」とされていた弱いプロジェクトも世に出るようになる。論文数は増えるが、1本あたりの深さは減る。フィールドワーク系の分野に典型的なパターンとされる。データ収集そのものには人手や時間が必要なため、執筆・分析フェーズだけが高速化されると、このシナリオが成立しやすい。

シナリオ3：自発的な深掘り作業を高速化（唯一の例外）

追加実験や詳細な分析など、研究者が時間不足で切り捨ててきた「任意の深化フェーズ」をAIが担う場合に限り、研究の質は向上する。AIが的を絞った場所に効くため、節約された時間がそのまま丁寧な仕事に変換される。論文はこのシナリオが成立する条件として、研究者がすでに「やりたいが後回しにしている深掘り作業」を明確に持っており、かつAIがその作業を的確に代替できる状況を想定している。理論物理や数学など、探索よりも精緻化が重要な分野、あるいはベテラン研究者が高度な判断を持ちながらも単純作業で時間を失っているケースがこれに近いとされる。

3シナリオのうち2つで、論文の丁寧さが低下するという結論だ。

著者らはこう書く。「LLMは労働増強技術として私たちの時間の機会費用を高め、同じ量をより良くではなく、より多くをより悪くやるよう駆り立てる」。

理論が先取りしている現実

この理論的な警告は、すでに観測可能な現象として現れている。

• OpenAIのフィールドレポートでは、研究ソフトウェアの書き直しで最大60倍の高速化が報告されたが、ボトルネックはコーディングからバリデーションと長期メンテナンスに移っただけだった。
• METRの研究では、AIツールを使った経験豊富なオープンソース開発者がタスク完了に実際は19%多くの時間がかかっていたにもかかわらず、主観的には24%速くなったと感じていた。

「速くなった感覚」が行動を変えてしまうなら、実際の数字など関係ない。

論文数の増加はピアレビュー（査読）システムにも負荷をかけている。Sakana AIの「AI Scientist-v2」は引用エラーを含む完全なAI生成論文をICLRのワークショップに通過させた。arXivはハルシネーション（幻覚）された出典やAIのメタコメントが残った論文に対し1年間の投稿禁止という厳しい対処方針で応じている。

制度的な対応は「分野ごと」に設計する必要がある

論文が主張するのは、AIの影響は均一な加速ではないという点だ。どのフェーズが高速化されるかによって、効果はまったく異なる。研究機関や学術誌がAI利用に対して一律のルールを設けることには限界があり、分野ごとの文脈に合わせた対応が求められる。

具体的には、技術系分野では「アイデアの評価数」ではなく「各プロジェクトの深掘り指標」を評価軸に組み込む必要がある。フィールドワーク系では、執筆や投稿の手軽さが増すことで生まれる「質の低い論文の洪水」を防ぐため、査読プロセスの強化や投稿基準の見直しが政策的課題となる。論文はこうした分野固有のインセンティブ設計の重要性を政策提言として強調しており、一律の「AI利用ガイドライン」では対処しきれないと明示している。

ソフトウェア開発の文脈でも、個人の生産性向上がレビューやメンテナンスを担う他者のコストに転嫁される「コモンズの悲劇」として同様の現象が指摘されている。研究コミュニティ全体でも、AIによる個人の効率化が集合的な知識生産の質を損ないかねないという同じ構造が成立しうる。

詳細はAI could make scientists do more work less well, not less work better, study arguesを参照していただきたい。