メタ認知とは？生成AIを使いこなす人が先にやっている言語化

2026年10月14日2026年10月27日

URLをコピーしました！

同じ生成AIを、同じ研修を受けた2人が使っています。一人は「使える下書きがすぐ出る」と言い、もう一人は「的外れな答えばかりで仕事にならない」と言います。差を生んでいるのは、プロンプトの技術よりも手前にあるものです。

使いこなしている人は、AIに頼む前に、自分が何を求めていて、何が分かっていて、何が分かっていないのかを言葉にしています。プロンプトの型を覚えるより先に、頼む前の3行メモを書くほうが近道だと考えています。心理学では、こうした「自分の考えを一段上から見て調整する働き」をメタ認知と呼びます。3行メモは、それを外から見える形にする作業です。

この記事で答える問い

メタ認知とは何か、フレイヴェルはどう整理したのか
AIを使うと、なぜ自分の出来を高く見積もってしまうのか
頼む前に、何を3行で書けばよいのか

頼む前に書くのは、「目的」「分かっていること・分かっていないこと」「どうなれば合格か」の3行です。この3行があると、AIの答えを読んだときに「どこが違うか」を自分で言えるようになります。チームで取り組むなら、依頼の手順に3行を入れてしまうと、得意な人のやり方が全員のものになります。

メタ認知とは？フレイヴェルの4つの要素

メタ認知とは、自分の認知を監視し調整する働きのことです。この言葉を広めたのは、子どもの思考の発達を長く研究してきたアメリカの心理学者、ジョン・H・フレイヴェル氏です。1979年の論文「Metacognition and Cognitive Monitoring」で、同氏は、子どもが「覚えたつもり」「分かったつもり」になりやすいことを手がかりに、自分の認知を監視し調整する働きを研究の対象として整理しました。

フレイヴェル氏のモデルでは、メタ認知は「メタ認知的知識」「メタ認知的経験」「目標（課題）」「行動（方略）」の4つの要素が互いに影響し合うものとされています。生成AIを使う場面に当てはめると、こうなります。

要素	中身	生成AIを使う場面での例
メタ認知的知識	自分や他者の考え方の特徴、課題の性質、方略（やり方）の効き方についての知識	「自分は数字の確認が甘い」「この種の文書は前提の説明が要る」と分かっている
メタ認知的経験	考えている最中に起きる「分からない」「何か変だ」といった感覚	AIの出力を読んで「どこか違う」と引っかかる
目標（課題）	考える営みが目指すもの	誰に、何のために、何を作るのか
行動（方略）	目標に向けて使う考え方や行動	指示を分けて出す、根拠を確かめる、別の聞き方を試す

見落としやすいのは、メタ認知が「知っていること」だけでなく、「途中で気づいて、やり方を変える」動きを含むことです。この記事では、自分の考えを見張る働きをモニタリング、やり方を変える働きをコントロールと呼びます。

生成AIはなぜ、使う人にメタ認知を求めるのか

生成AIでは、何をどう頼むかを決め、出てきた答えが使えるかを判断する役目が、使う人の側に残るからです。マイクロソフト・リサーチで人とAIの関わりを研究するレヴ・タンケレヴィッチ氏らは、2024年のCHI（人とコンピュータの関わりに関する国際会議）の論文「The Metacognitive Demands and Opportunities of Generative AI」で、生成AIの使いにくさをメタ認知の観点から論じました。この論文は同会議の最優秀論文賞を受けています。

論文の主張は、生成AIは使う人に、自分の考えをモニタリングしコントロールする負荷を大きくかける、というものです。そのうえで、ツールの側でメタ認知を支える工夫をすることと、説明のしやすさや設定の調整で負荷を下げる設計を提案しています。

AIを使うと、自分の出来を高く見積もりやすくなる

メタ認知が弱いと何が起きるかを示した古典が、当時コーネル大学にいた社会心理学者、ジャスティン・クルーガー氏とデイヴィッド・ダニング氏の1999年の論文「Unskilled and Unaware of It」です。ユーモア、文法、論理のテストで、成績が下位4分の1の人たちは、自分の成績を大きく高く見積もっていました。12パーセンタイル相当の成績の人たちが、自分を62パーセンタイル相当と見積もっていたのです。2人は、うまくできる力と、自分の誤りに気づく力は同じ力だから、と説明しました。この現象は、ダニング＝クルーガー効果と呼ばれています。

では、生成AIを使うとどうなるのか。フィンランドのアールト大学の研究者ダニエラ・フェルナンデス氏らは、Computers in Human Behavior誌の2026年の論文「AI makes you smarter but none the wiser」で、この問いを調べました。参加者は、法科大学院の入学試験（LSAT）の論理問題を、AIを使って解きました（2つの実験で計約700人）。実験で分かった主な結果は、次のとおりです。

AIを使うと、成績は上がりました
一方で、参加者は自分の成績を実際より約4点高く見積もりました
この課題でふだん見られるダニング＝クルーガー効果は消えました。成績の高い人も低い人も、同じように高く見積もる傾向になったのです
AIに詳しいと答えた人ほど自信が強く、自分の成績の見積もりは不正確でした

論文のタイトルどおり、AIは私たちを「賢く」はしても、自分の出来を見極める力までは高めてくれない、という結果です。

職場でも似た傾向が報告されています。カーネギーメロン大学とマイクロソフト・リサーチの共同チーム（筆頭はハオピン・リー氏）は、CHI 2025の論文で、知識労働者319人に、仕事で生成AIを使った936の場面を尋ねました。AIへの信頼が高い人ほど批判的に考えることが少なく、自分の力への自信が高い人ほど批判的に考えることが多い、という関係が見られました。本人の回答にもとづく調査なので、因果関係までは分かりませんが、「AIを信じるほど確かめなくなる」傾向がうかがえます。

ここから先は、研究の結果ではなく当ブログの考えです。ツールの改善を待つ間も、使う側でできることがあります。それが言語化です。頭の中にある目標や判断の基準を言葉にすると、自分でもそれを見張れるようになり、AIにも渡せるようになります。見張り役を、頭の中から紙の上に移すわけです。

頼む前に言葉にしたい3つのこと

AIに頼む前に言葉にしておきたいのは、「目的」「分かっていること・分かっていないこと」「合格の基準」の3つです。どれも、メタ認知のどれかの要素を紙の上に出したものです。

言葉にすること	対応するメタ認知の要素	書き方の例
目的：誰に、何のために	目標	来週の部会で、課長が判断できる材料にする
分かっていること・分かっていないこと	メタ認知的知識	数字はそろっている。比較の観点が決まっていない
合格の基準	モニタリングの物差し	A4で1枚、結論が冒頭にあり、数字に出典がある

3つ目の合格の基準を先に書いておくと、出力を読んだときの「どこか違う」という感覚を、具体的なずれとして言葉にできます。ずれが言葉になれば、次の指示に変えられます。出力を見る前に基準を決めておくことは、フェルナンデス氏らの研究が示した「出来を高く見積もる」ずれへの備えにもなります。

同じ依頼を、3行メモありとなしで比べる

会議メモの要約を頼む場面を例に、3行メモを書かずに頼んだ場合と、書いてから頼んだ場合を比べます。

	3行メモなし	3行メモあり
指示	この会議メモをいい感じにまとめて	目的：来週の部会で、課長が続けるか止めるかを判断する材料にする。分かっていること：試行の数字はそろっている。分かっていないこと：何と比べればよいか。合格の基準：A4で1枚、結論が冒頭、数字には出典
出てくるもの	会議の流れを順に追った、誰向けか分からない要約	判断に必要な数字と、比べる観点の候補が並んだ1枚
読んだ後にできること	「何か違う」と感じても、どこを直せばよいか言えない	合格の基準と比べて「比べる観点が足りない」と言え、次の指示にできる

違いはAIの性能ではなく、頼む側が目的と基準を言葉にしたかどうかです。3行メモは書くのに数分かかりますが、やり直しの回数が減り、出力を確かめる物差しも手に入ります。

個人の力で終わらせないために

言語化は個人の力に見えますが、組織で取り組むなら、業務の手順に組み込んでしまうのがいちばん効きます。たとえば「AIに頼む前に3行のメモを書く」を手順の一部にすれば、言語化が得意な人のやり方を、チーム全体の標準にできます。現場の当事者が自分の言葉で目的を言い表すことの意味は、AIで働き方を変える組織変革の進め方でも触れています。

言語化の手前でつまずいた例

次の3つのつまずきは、どれもAIに頼む前の段階で起きていました。

例1：「いい感じにまとめて」で、AIは使えないと判断した

生成AIを試し始めた担当者が、会議のメモを貼り付けて「いい感じにまとめて」とだけ頼みました。返ってきた要約は、読み手も目的も考えていない一般的なものでした。担当者は「仕事では使えない」と言って、元のやり方に戻りました。最初は、AIの性能の差だと思っていました。足りなかったのは、誰が何を判断するための資料なのかという言葉でした。

例2：合格の基準がなく、誤りに気づけなかった

AIの利用が始まって間もないころ、若手の担当者が、AIで作った報告書をほぼそのまま上司に出しました。読みやすい文章でしたが、前年と今年の数字が入れ替わっていました。本人は、どこを確かめるかを決めていなかったので、違和感を持てませんでした。依頼メモに「確かめる点を先に書く」欄を足してみると、提出前に気づける場面が少しずつ出てきました。

例3：プロンプト集を配っても、使いこなす人は増えなかった

推進チームは業務別のプロンプト集を作って配りましたが、使い続けたのは一部の人でした。型さえあれば誰でも使える、と考えていたのです。聞いてみると、使いこなしている人は、型を自分の目的に合わせて書き換えていました。型は配れても、書き換えるための「目的の言葉」は配れなかったわけです。次の研修では、型を配る前に「この業務で何を得たいのか」を各自が書く時間を設けました。

言語化とメタ認知を鍛える近道は？

言語化とメタ認知を鍛える近道は、AIに頼むたびに「書く、比べる、直す、残す」を繰り返すことです。一人で3行メモを書くところから、チームで見せ合うところまで、段階を追って6つに分けました。

頼む前に3行メモを書く：目的、分かっていること・分かっていないこと、合格の基準を1行ずつ書きます。
メモをそのまま指示に入れる：3行メモを、プロンプトの冒頭にそのまま貼ります。
ずれを言葉にする：出力を読んで違和感があれば、合格の基準と比べて「どこが、どう違うか」を書きます。
ずれを次の指示に変える：書いたずれを、そのまま次の指示にします。やり直しの回数より、ずれの言葉の具体さを意識します。
うまくいった指示を残す：最終的に使った指示を、3行メモと一緒に保存します。
チームで見せ合う：残した指示を持ち寄り、目的や基準の書き方を比べます。言語化の上手な人のやり方が、ほかの人に移ります。

AI活用のポイント：AIに質問させて、自分の考えを言葉にする

3行がどうしても書けない日は、AIに聞き手になってもらいます。いきなり作らせず、先に質問させてみてください。答えているうちに、曖昧だった目的や基準が見えてきます。会社や人が特定できる話は、ぼかして書きます。

			
これから[作りたいもの：例 部会向けの報告資料]をお願いしたいのですが、
私自身、目的や条件をまだうまく言葉にできていません。
すぐに作り始めず、次の手順で進めてください。
1. 作る前に、目的・読み手・合格の基準をはっきりさせるための質問を、1つずつ投げかけてください（最大5問）
2. 私の答えをもとに、「目的」「分かっていること・分かっていないこと」「合格の基準」を3行にまとめてください
3. 私がその3行を確認してから、作成に進んでください

		

2で出てきた3行は、自分の言い方に書き換えてから使います。AIがまとめた言葉をそのまま採用すると、自分の考えを確かめる機会を逃してしまうからです。

そのまま使える3行メモのひな形

自分の状態を点検する項目を並べるより、毎回書く3行を手元に置くほうが身につきます。コピーして、AIに頼む前に埋めてみてください。3行がすらすら書けないときは、AIに頼む前に考えを整理する合図です。

			
目的：[誰に／何のために使うか。例：来週の部会で、課長が判断する材料にする]
分かっていること・分かっていないこと：[例：数字はそろっている／比べる観点が決まっていない]
合格の基準：[出力を見る前に決める。例：A4で1枚、結論が冒頭、数字に出典]

チームで使う場合は、依頼メモの欄やテンプレートにこの3行を入れておくと、言語化が個人の得意・不得意に左右されにくくなります。

まとめ

プロンプトの型を集める前に、頼む前の3行を書く。使いこなす人とそうでない人の差は、たいていそこでついています。

メタ認知は、自分の考えを見張り、やり方を変える働きで、フレイヴェル氏は4つの要素で整理しました
生成AIは使う人にメタ認知の負荷をかけ、自分の出来を高く見積もらせやすいため、頼む前の言語化が使いこなしの差になります
目的・分かっていること・合格の基準を言葉にし、チームの手順と習慣に組み込みます

言葉にした前提を、組織として問い直す考え方はシングルループ学習とダブルループ学習で、個人の知恵を組織に残す考え方はSECIモデルとは？身近な例で考える生成AI時代のナレッジ共有で解説しています。個人の学びが組織のやり方に変わるまでの全体像は、組織学習とは？個人の学びを組織のやり方に変えるしくみで整理しました。

関連記事

参照情報

John H. Flavell, “Metacognition and Cognitive Monitoring: A New Area of Cognitive-Developmental Inquiry,” American Psychologist, 34(10), 906–911, 1979
Justin Kruger and David Dunning, “Unskilled and Unaware of It: How Difficulties in Recognizing One’s Own Incompetence Lead to Inflated Self-Assessments,” Journal of Personality and Social Psychology, 77(6), 1121–1134, 1999
Lev Tankelevitch, Viktor Kewenig, Auste Simkute, Ava Elizabeth Scott, Advait Sarkar, Abigail Sellen and Sean Rintel, “The Metacognitive Demands and Opportunities of Generative AI,” Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI ’24), ACM, 2024
Hao-Ping (Hank) Lee, Advait Sarkar ほか, “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers,” Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI ’25), ACM, 2025
Daniela da Silva Fernandes ほか, “AI makes you smarter but none the wiser: The disconnect between performance and metacognition,” Computers in Human Behavior, 175, 108779, 2026