科学における人工知能（AI）についての安堵をもたらす物語は、自動化が単調な作業を取り除き、研究者は浮いた時間をより深く考えることと、仕事をより完全に仕上げることに使うだろうというものだ。新しいモデリング研究は、この物語が経済の理屈を完全に逆向きに捉えていると論じる。科学者を速くすることによって、大規模言語モデル（LLM）は研究者の時間の価格を引き上げる。そして、より高価になった時間は、現在のプロジェクトを磨くのではなく、次のプロジェクトに費やされる。著者のEamon Duede氏、Kevin Gross氏、Molly Crockett氏、Carl Bergstrom氏は、アブストラクトで率直に、研究者は同じ量をより良く行うのではなく、より多くをより浅く行うだろうと予測した。
2026年7月19日にarXivに投稿され、まだ査読を経ていないこの論文は、技術に対して意図的に寛大な前提を置いている。モデルは、LLMが最も熱心な支持者たちが想像する通りの性能、すなわち安価で、高速で、正確で、誤りのないものとして機能すると仮定する。著者らが示すところでは、そのような仮定のもとでも、ツールが存在するというだけで、研究を方向づける摩擦とインセンティブが変化するため、科学者が労力を配分する方法が作り変えられる。この発見は構造的なものであり、幻覚やスキルの低下に対する不満ではない。また著者らは、AIツール自体が根本的な問題ではないと明確に述べている。LLMは、すでに質よりも量を報いるインセンティブ制度を映し出す鏡なのである。
数学的な仕組みは行動生態学に由来する。このモデルは、動物がいつ食物のあるパッチを離れるかを記述するためにEric Charnovが1976年に発展させた最適採餌理論を借用し、研究者がいつプロジェクトを離れるかを決める場面に応用する。科学者は、仮説、予備実験、予備データといった、プロジェクトの価値を学ぶための一定の長さの発見段階を過ごす。価値が判明すると、研究者はプロジェクトを放棄して新たな発見を始めるか、二つの部分からなる発展段階に投資するかのいずれかを選ぶ。第一は必須の作業であり、結果を発表可能な論文に変えるための削減できないコスト、すなわち図の作成、組版、校正、投稿である。第二は任意の発展作業であり、追試実験、感度分析、より深い統計処理、文章の推敲が含まれる。このモデルの主要な量は時間に対する長期的な収益率であり、研究者が費やすすべての時間の機会費用を決定づける。
この枠組みから、論文は三つの予測を導き出しており、最初の二つは居心地の悪い内容である。LLMが発見段階を短縮する場合、これは有望な問題を迅速に特定するのに役立つ技術系の分野で起こることだが、研究者はより選択的になり、着手するプロジェクトのうち発表に至る割合は小さくなる。しかし、発表に至るプロジェクトでさえ、時間の機会費用が上昇しているため、開発の徹底度は下がる。一方、LLMが原稿を仕上げるための必須作業を減らす場合、これは執筆と分析が中心となるフィールドワーク系の分野に当てはまるが、発表の閾値が下がるため、より多くのプロジェクトが発表され、それぞれの開発の徹底度は下がる。明確に良いのは第三のケースだけである。LLMが任意の発展作業そのものを加速し、追試実験やより深い分析を安価にする場合、プロジェクトはより徹底的に開発される。特定の分野でどの結果が支配的になるかは、LLMが研究のどの段階を速くするかに依存する。
このモデルが最も鋭く指摘するのは、時間節約の誤謬に対する診断である。単調な作業の自動化が科学者に深く考える時間を買ってくれるという期待は失敗する、と著者らは書いている。LLMが研究者の時間をより価値あるものにするからであり、価値が下がるからではない。論文がほぼ発表可能な状態になると、それを磨くのに費やす限界的な一時間は、次のプロジェクトを発見することに費やされない一時間である。そして、すべてが速く動くようになれば、その一時間の機会費用は大きくなる。結果として生まれるのは、先へ進むインセンティブである。著者らは、科学の諸制度を静的として扱ったことを述べており、これは短い時間スケールでは合理的だが、実践が政策よりも速く変化するため、不整合の期間が生じることを確実にするものでもある。LLMが原稿を仕上げる時間を短縮する分野では、ジャーナルへの投稿はすでに急増しており、査読に負荷をかけている。また、発表するか消え去るかというインセンティブ構造は、これらのツールより数十年早くから存在している。
この論文で最も印象的な細部は、自身のAI利用に関する声明である。著者らは、本文は内蔵のスペルチェックを除いてAIの支援なしで書かれたが、証明戦略の提案にはChatGPT 5.4、ChatGPT 5.5、Gemini 3.1を、証明の整合性の確認にはClaude Fable 5を、図のフォントとLaTeXの書式調整にはChatGPT 5.5を使用したと報告している。LLMが科学者を性急さへと追いやるだろうと論じる論文が、まさにモデルが記述する段階、すなわち証明のチェックと書式調整という任意の作業を加速され、部分的に委任された形で、LLMの支援を受けて制作されたのである。これは現象の小さく誠実な実例であり、批判ではない。
留保事項は現実のものである。これはプレプリントであり、モデルは大幅に単純化して、時間を唯一の資源として扱い、インセンティブを固定したままにしている。実際のLLMは誤りを犯し、その誤りはモデルが無視しているコストを課すかもしれない。しかし、この試みの価値は、構造的な効果を切り離して示すことにある。成果を報いる制度のもとでは、完璧なツールでさえ、努力を深さから遠ざけるのである。科学政策への実践的な結論は、結果を改善するにはインセンティブを変えることが必要だということだ。技術は制約条件ではないからである。著者らは、時間の節約がより深い思考につながるという期待は、自分たちの結果によって和らげられると論じている。LLMが掲げる鏡は、制度自身の姿を映し出しているのである。
参考文献
Eamon Duede、Kevin Gross、M.J. Crockett、Carl T. Bergstrom「The unintended consequences of large language models as a labor-augmenting technology in science」、arXiv:2607.17397（2026年）。DOI: 10.48550/arXiv.2607.17397。
Kaia Glickman「Scientists using LLMs will ‘do more, less well’, modelling study predicts」、Nature News、2026年7月31日。DOI: 10.1038/d41586-026-02397-5。
E.L. Charnov「Optimal foraging, the marginal value theorem」、Theoretical Population Biology 9(2)、129-136（1976年）。
雅子 訳