エディタで書きかけのコードを横目に、ブラウザではGitHubや公式ドキュメントを開きっぱなし、ターミナルでビルドを回しながらSlackの通知を拾い、別タブのAIに「このエラーの意味は？」と投げ返す。非エンジニアの机でも事情は似ていて、Excelを広げつつTeamsで返信し、裏ではAIに議事録の要約を頼んでいる。この同時並行が前提の働き方が、脳にはかなりの重荷になっていることが、研究で次々と明らかになってきた。 カリフォルニア大学の調査では、中断されたタスクに再びフロー状態で戻るまで、平均23分15秒を要する。1日に5、6回集中を切らしただけで、作業時間の相当部分が「取り戻す時間」に溶けていく計算になる。 さらに踏み込んだ発見がある。132名のソフトウェア開発者を追跡した縦断研究によれば、同僚から話しかけられる外部中断よりも、自分で別タブを開いたりSNSを覗いたりする「自己中断」のほうが、パフォーマンスを深く損なっていた。邪魔しているのは他人ではなく、自分自身である場合のほうが多い。 「注意の残留」という見えない重り なぜ数分の脇見が、これほど尾を引くのか。心理学者ソフィー・ルロワはこの現象を「Attention Residue（注意の残留）」と呼ぶ。書きかけのコードやドキュメントから一度離れると、脳はその未完了タスクを手放せず、水面下で動かし続ける。次に切り替えた先の作業には、残った認知リソースしか振り向けられない。 ルロワはこれを、古いパソコンで複数のアプリを起動しっぱなしにすると動作が重くなる現象にたとえる。コーディング中にSlackを1分だけ覗く、原稿を書きながら裏取りでブラウザに移る、AIの回答を待つあいだに別案件のメールを開く。こうした小さな切り替えでも、同じことが起きる。 対策は拍子抜けするほど地味である。タブを切り替える前に1分だけ時間を取り、どこまで進んでいるか、次はどこから再開すべきか、何が宿題として残っているかを短く書き留める。「Ready-to-Resume（再開準備）」プランと呼ばれるこの手法を挟んだグループは、何もせず切り替えたグループより、次の作業での集中と成績が目に見えて改善した。脳に「このタスクの記憶維持はメモに預けた」と告げることで、ワーキングメモリが強制的に解放されるためだとされる。 AIが残す「認知的負債」 タブ切替以上に厄介なのが、AI支援そのものが生む代償である。脳波（EEG）を使った研究では、ChatGPTなどのLLMに頼って文章やコードを書いた被験者は、自力で書いた被験者と比べ、作業中の脳内神経接続が55％低下していた。しかも被験者の83％が、数分前に自分とAIが共同で生成したはずの内容を正確に思い出せなかった。 開発現場では、この働き方を「Vibe Coding」と呼ぶ表現が広がっている。意図だけをAIに投げ、実装はまるごと任せるスタイルだ。78名のプログラマーを対象にした対照実験では、その裏面がはっきり出た。AIを自由に使えたグループは短期の生産性では勝ったものの、AIを切り離した直後の保守タスクでは、77％という壊滅的な失敗率を記録している。 研究者はこの状態を「Fragile Experts（脆弱な専門家）」と呼ぶ。AIが出したコードを眺めて「自分にも書けた」と錯覚する。一方で、なぜその実装を選んだのか、どの代替案を捨てたのかは説明できない。能力が目減りしていることに本人は気づかず、気づかないまま、さらに目減りしていく。これが認知的負債の正体である。 「説明させる摩擦」が負債を相殺する 解決策は皮肉なほどシンプルだった。先ほどの実験で、AIが生成したコードを取り込む前に、「なぜこの構造を選んだのか」「このコードはどう動くのか」を開発者自身にAIへ向けて説明させる関門（Explanation Gate）を挟んだところ、保守タスクの失敗率は77％から39％へ半減した。 勘どころは、AIに教わるのではなく、AIに向かって教え返すこと（Teach-Back）にある。説明を強いられた瞬間、受動的な観察者だった開発者は、能動的な参加者に引き戻される。AIを請負業者ではなくコンサルタントとして扱う、と言い換えてもいい。提案を鵜呑みにせず、批判し、修正し、時には拒否する側に立ち続けることだけが、負債の蓄積を止める。 明日から削るもの、足すもの 実践の優先順位は多くない。最初に削るのは、作業中の自己中断である。通知はオフにし、別タブへ切り替える前に1分だけ使って再開メモを残す。次に足すのは、AIが出力を返してきた瞬間の「なぜ？」という自問だ。コピー＆ペーストの前に一度、自分の言葉で構造を説明してみる。 集中と休息の配分については、52分集中して17分休むサイクルが一つの目安になる。ただし深い集中に入っているなら、タイマーに引きずられて中断する必要はない。キリのいいところで自ら手を止めるほうが、損は少ない。 AIの価値は、数秒で浅い成果を量産するところにあるのではない。浅い作業を肩代わりさせた分、人間側が深い理解と統合にどれだけ時間を回せるか。そこにこれからの差が出る。