生成AIは創造性を高めながら、アイデアを均質化するのか

創造性は一般に、新しいだけでなく目的に役立つことを含みます。個人の一案を評価するときは新規性と有用性が重要ですが、商品開発や戦略立案では、複数案が互いにどれだけ異なる仮説を探索したかも重要です。平均点の高い案が十個あっても、すべて同じ顧客像と解決策に依存していれば、環境変化への選択肢は一つしかありません。

したがって、生成AIの創造性効果は二つの問いに分けます。第一は、AIが各人の案を良くするか。第二は、AIを使った人々の案を集めたとき、意味、構造、表現の幅が維持されるかです。研究では、この二つが逆方向に動く結果が報告されています。[1][2]

• 個別品質：新規性、有用性、実現可能性、伝わりやすさ
• 集合的多様性：案同士の意味的距離、重複クラスター、独立した前提の数
• 探索の上限：平均案ではなく、既存範囲を超えた最良案が生まれたか

Holznerらは28研究、8,214人を統合し、生成AI単独と人間の創造的成績に有意差はない一方、人間＋AIは人間のみを小幅に上回ると報告しました。統合効果はHedgesのgで0.273でした。[1] 生成AIが人間の創造性全般を超えたという結果ではなく、人が補助として使うと平均的な案の評価が少し上がるという結果です。

同じメタ分析で、人間＋AIが生む案の多様性はg=−0.863でした。[1] ただしこの論文は未査読プレプリントで、多様性の統合は少数の効果量に基づき、研究間の異質性もI²=93.70%と高い値です。方向性は重く受け止めるべきですが、すべてのモデル、課題、対話設計で同じ大きさの均質化が起きるとは言えません。

DoshiとHauserは293人の書き手を、AI案なし、AIから一案、最大五案を受け取れる条件へ無作為に割り付け、別の600人に短編を評価させました。もともとの創造性が低い書き手では、五つのAI案へのアクセスにより新規性が10.7%、有用性が11.5%高まりました。[2] 一方、AI支援条件の作品同士は、人間だけの作品より類似していました。個人には合理的な選択が、集合では探索範囲を狭めるという構造です。

Moonらは、三つの事前登録研究で人間とGPT-4による大学入学エッセイ2,200件を比較しました。作品を一つ追加したときに増える新しい発想は人間執筆の方が多く、作品数が増えるほど多様性の差が広がりました。プロンプトや生成パラメータを変えても差は解消しませんでした。[3] ただしこれはAI単独生成と人間執筆の比較であり、対話的な共同制作を直接測ったものではありません。

2026年のWengerとKenettは、102人と22のLLMを三つの標準的な創造性課題で比較し、LLM同士の応答は、人間同士の応答より意味的に似ていると報告しました。[5] モデル系列を一つずつに絞った分析でも方向は変わりませんでした。ただし、公開APIで提供されるモデルのAI単独出力を測った研究であり、人が独自の経験を加える共同制作や実務成果物の多様性を直接示すものではありません。

デジタルアートの大規模観察研究でも、400万超の作品と53,000超の作家を分析した結果、AI採用後に生産性と評価は上がる一方、平均的な内容と視覚表現の新規性は低下しました。最大の内容新規性は上昇しており、AIが探索の上限を広げる人もいる一方、多くの作品が既知の領域へ集まる非対称性が示されています。[4]

最終案が似ていても、生成段階で同じ案しか出なかったのか、評価者が似た案だけを選んだのか、実現可能性の審査で少数案が落ちたのかは別の問題です。推奨する診断では、独立した初期案、AI展開後の全案、一次選択、最終選択を保存し、各段階で前提の数と重複クラスターを比較します。これは新しい実証結果ではありません。

切り分けには、一部の評価者へAI利用条件を知らせない選択、同じ初期案をAI展開あり・なしで分ける比較、少数案を一本だけ強制的に次段階へ残す比較を使えます。結果が生成直後に狭まるなら入力と生成条件、選択時に狭まるなら評価基準、検証時に狭まるなら資源制約が候補です。一回の比較で原因を確定せず再現を求めます。

仮想例です。初期案は五つの顧客仮説を含むのに、AI展開後も五つを保ち、評価段階で一つへ集中したなら、モデルだけを均質化の原因とは扱えません。評価者が分かりやすさを有用性と同一視した可能性も残します。工程別の案集合を保存することで、プロンプト変更だけでなく選択基準や検証予算を修正候補にできます。

品質と多様性へ重みを付けて一つの点数にすると、重みの選び方で少数案が見えなくなります。推奨する選択では、他案以上の品質を持ちながら距離でも劣らない案と、品質は少し低くても独自の前提を覆う案を分け、支配されない候補集合として残します。これは統計的な最適解ではなく、探索と選択を混同しない意思決定道具です。

仮想例です。案Aは有用性が高いが既存案と近く、案Bは評価がやや低い一方で異なる顧客と技術を対象にするとします。平均点でBを落とす前に、Bの弱点を小さな検証で改善できるかを確認します。違うだけで有用性のない案を保護するのではなく、独自前提が検証可能で、失敗しても他案の予算を壊さないことを残存条件にします。

推奨する会議では、最終採用案を決める前に、候補ごとの品質軸、既存案からの距離、独自前提、次に必要な証拠を一覧にします。案の数ではなく、互いに代替できない仮説がいくつ残ったかを確認します。検証後に品質が上がらない少数案は退けてもよい一方、選択理由と覆わなかった領域を次回探索へ引き継ぎます。

• 候補ID：初期案からAI展開・選択・検証まで同じ系譜で結ぶ
• 品質軸：新規性、有用性、実現可能性を別々の評価として残す
• 距離根拠：異なる顧客・因果仮説・解決原理を具体的に記述する
• 次の証拠：少数案を残す期限、検証費、棄却条件を定める

実務上の含意は、AIを創造業務から外すことではありません。最初から全員に同じAIへ相談させると共通のアンカーが生まれるため、まず人が独立に問題定義と初期案を作り、その後にAIで反証、展開、組み替えを行います。生成と選択を分離し、評価者には案の品質だけでなく、既存案と異なる理由も記録させます。

多様性はプロンプト数では測れません。案を意味ベクトルや人手分類でクラスター化し、最大クラスターへの集中率、重複率、独立した前提の数、少数案が覆う顧客・技術・時間軸を確認します。研究が示すのはAI利用が必ず創造性を損なうことではなく、品質向上だけを最適化すると集合的な探索を失う可能性です。[1][3]

探索票にはモデル・プロンプト・AI利用前の独立案を識別情報として残し、案の品質下限、最大クラスター集中率と重複率の上限、独立前提数の下限を別欄で定めます。品質または独立前提が下限を割った場合はAI支援選考を止めて独立した人手発想へ戻し、集中率または重複率が上限を超えた場合は共通モデルによる追加生成を止めます。異なる前提を追加した次回審査で品質と探索範囲の両方が回復したことをポートフォリオ審査者が確認してから再開します。

• AIの前に分ける：各人が独立して問題定義と初期仮説を作る
• 入力を分ける：異なる資料、役割、反対仮説からAIへ探索させる
• 生成と選択を分ける：最初のもっともらしい案を即採用しない
• 品質と距離を測る：平均評価と、案同士の重複を同時に見る
• 少数案を保護する：平均点は低くても前提が異なる案を検証枠へ残す