CCAA:AI は仕事ではなく「基準」を書き換える

画面に点が出る。青いものを選べ、と言われる。選んでいるあいだに、青い点はこっそり減らされていく。すると人は、紫を青と呼びはじめる。

顔でも同じだった。脅威を含む表情を減らすと、中立の表情が脅威に見えてくる。道徳判断でも同じで、行き過ぎた依頼を減らすと、無害な依頼まで非倫理的だと判定された。あらかじめ種明かしをしても結果は動かない。基準を守れば報酬を出すと約束しても動かない。2018年、Levari らが『Science』に出した実験である。理屈そのものは六十年前に Helson が言っていた。人は絶対の基準ではなく、いま見たばかりのものを目盛りにする。

次は鳥の話をする。Tinbergen はミヤコドリの巣に偽の卵を置いた。本物より大きく、斑点は本物より整っている。ミヤコドリは自分の卵を巣の外へ押し出し、偽物のほうを抱いた。本能が壊れたのではない。本能は仕事をしている。より卵らしいほうを選ぶ、それだけだ。ただ、この世に卵より卵らしいものは存在しなかった。誰かがわざわざ作るまでは。誇張された鍵刺激は自然の刺激に勝つ。前世紀の発見である。これから話す機械は、その卵を産むために作られている。

一日に何十個も、一人ひとりの好みに合わせて、ただで産む。

青い点を顔に、偽の卵を会話に置き換えてみる。カメラロールにある加工済みの自撮りは、鏡のなかの顔より整っている。午前三時にも返事をよこすアシスタントは、身近な誰よりも忍耐強い。どれも完成品として引き渡されるわけではない。使い道は比べられることであり、しかも長く、頻繁に、ほとんど元手なしに比べられる。美容クリニックのカウンセラーがこんな場面を語っている。来院者が携帯を差し出す。画面に映っているのは AI が加工した本人の顔だ。そこで問いは「何をしたいのか」から「この顔は物理的に作れるのか」へ変わる。

比べているうちに、より整った、より出来のよい、より手間のかからないものが「普通」に据わる。そして普通というその一語が、人が他人を採点するときの出発点になる。この種のものに私たちは名前をつけた。認知馴化型 AI アプリケーション、英語では Cognitive-Conditioning AI Applications、略して CCAA である。これは「AI による代替（substitution）」とは別のことだ。代替が変えるのは、誰がその仕事をするか。馴化が変えるのは、どこまでやれば普通とみなされるか。物差しが替われば、客が何を求めるか、いくら払う気になるか、働く側がどれだけ消耗するかも、まとめて動く。

これはどの解雇通知にも現れないし、失業統計にも乗らない。ポストは一つも減らず、仕事の中身も一つも変わらない。それでも、患者や顧客や学生や家族がその人を測る物差しは、昨夜すでに携帯のなかで取り替えられている。だから、ある仕事が安全かどうかを判断するとき、「AI にできるか」が問うているのは前半だけだ。いま AI の衝撃を測っている物差しも、どれも前半しか測っていない。後半は誰も測っていない。測る道具は一通り揃っている。肝心の半分を測る目盛りだけがない。

誰も測っていない半分

労働市場にはすでに反応が出ている。フリーランス市場では、ChatGPT 公開後、影響を受けやすい職種（high-exposure occupations）の月収が約5.2%落ちた。過去の高実績が保護になったという証拠はない。[1] 22〜25歳では、影響を受けやすい職種の雇用が、同年代の影響を受けにくい職種と比べて約19%少ない。経路は解雇ではなく採用の減少で、著者ら自身がこれを「因果推定ではなく早期の記述的指標」と呼んでいる。カスタマーサポートでは、AI 支援がつくと1時間あたりの解決件数が平均14%（よく引用される 15% ではない）増え、新人は34%増え、もともと成績のよい熟練者はほとんど変わらなかった。機械が持ち上げたのは下限である。[2] ただし ChatGPT をきれいな自然実験と見なしてはいけない。Frank らは2026年、失業保険の行政記録と数百万件の LinkedIn 履歴から、影響を受けやすい職種の失業リスクが2022年初頭、ChatGPT 公開の数か月前から上がりはじめていたことを示した。2022年以降の弱さには、金融政策とパンデミック後の部門調整が混じっている。どちらもモデルの能力とは関係がない。

代替の側は本当にあるし、小さいし、すでに誰かが測っている。最もよく引かれるのは Eloundou らが『Science』に載せた推計である。大規模モデル単体なら、作業の半分超が影響を受ける職業は約1.8%。周辺ソフトウェアまで数に入れると、この数字は46%強になる。定義を一つ変えるだけで答えは二十五倍違う。そして、どこで違うかが、そのまま何を測っているかを示している。測っているのは、その作業が技術的にできるかどうかだ。ほかに Felten・Raj・Seamans の AIOE 能力連関指標、そして未刊のままの Webb のワーキングペーパーがあり、測っているものは同じである。[3] どれ一つとして「その出来を誰が裁定するか」に答える変数を持たない。AIOE にもなく、Webb にもなく、Eloundou にもない。はじめから別の問いに答えているのだ。仕事が終わったあとに誰が頷くのか、その頷く人の物差しがどこから来たのかを書く欄は、尺度のどこにもない。

主流の経済学もこの軸を一度かすめている。Acemoglu は AI の10年間の全要素生産性効果を0.71%以下、学習困難な作業を勘定に入れれば0.55%未満と見積もった。その理由が、学習困難な作業には「意思決定に影響する文脈依存の要因が多数あり、成功した遂行を学習するための客観的な結果指標が存在しない」というものである。これはほとんど私たちの欲しい第二の軸そのものだ。ただ彼はそれを AI がいっそう役に立たない理由として使い、私たちは誰が守られるのかを問うために使う。Autor はもっと率直で、専門職を囲っているのは免許と責任であって、作業の難しさではないと言っている。[4]

二つの馴化

この名前が使い物になるには、まず名前の届かないものを切り離しておかなければならない。そうしないと何でも呑み込んでしまう。定義は一文だけで、読むと少し硬い。修飾語の一つひとつが、数えてはいけない現象を一種類ずつ塞いでいる。最初の一種類は、本当に完成品として引き渡される AI 出力である。

認知馴化型 AI アプリケーション（CCAA）：その出力が完成品として消費されるのではなく、利用者に参照枠として取り込まれる種類の AI アプリケーションを指す。長期・高頻度・限界費用ほぼゼロの反復的な接触のもとで、その出力の統計的性質（平均がより良く、分散がより小さく、摩擦がより少ない）が「普通」として内面化され、利用者が現実に対して抱く期待の閾値そのものを書き換える。

厄介なのは「馴化」に二つの意味があることで、混ぜると議論そのものが成立しなくなる。一つは調達の側で起きる。買い手の価格・数量・納期・修正回数に対する期待が再設定される。コピーライティングが典型で、「一件のキャンペーン」が今では一晩で四十案を意味し、限界費用はゼロだ。これは市場現象であり、ありふれたコスト駆動の標準インフレで、価格競争だけで残らず説明がつく。新しい概念は要らない。もう一つは知覚の側で起きる。顔、会話、伴侶、身体はこうあるべきだという、その人の基準線が再設定される。こちらは心理現象である。CCAA が指すのは後者だけだ。この排除には少し居心地の悪い帰結がある。コピー、汎用イラスト、テンプレート動画。多くの人が「AI の衝撃」と聞いて真っ先に思い浮かべる業界こそ、この主張が最も識別できない場所なのだ。それらの業界では基準が動くと同時に供給側も入れ替わっており、どの部分も馴化に帰属させられない。価格競争がすでに全部を説明してしまっている。きれいな証拠は、人が依然としてやっているのに、基準だけが勝手に動いた場所にしかない。美容医療、カウンセリング、看護、教育である。したがって以下、コピー系の例は例示としてのみ登場し、証拠としては用いない。

名前は私たちがつけたもので、2026年9月1日に公表した。ここでの「馴化」は日常語の意味であり、心理学でいう連合学習の意味ではない。CCAA という四文字はカナダでは倒産法の名前でもあって、検索語としてはほぼ使えない。正式な場では正式名称を書いてほしい。

これは新しくない

ここには新しいところが一つもない。冒頭の青い点の実験には長い先祖がいる。Helson の順応水準理論は、判断が近時の刺激分布から形づくられた参照点に対してなされると言う。Parducci の範囲・頻度理論は、平均と分散がどう閾値を決めるかを定式化した。Brickman と Campbell の快楽適応は、より良い平均が新しい常態になり、満足度は元の位置へ戻ると言う。さらに外側には Festinger の1954年の社会的比較、Gerbner の培養理論、そして冒頭のミヤコドリの背後にある超正常刺激がある。これらを合わせれば、CCAA が主張するメカニズムは残らず覆われる。新しい心理メカニズムを発見したとは主張しない。[5]

もう一つはっきりさせておくことがある。冒頭の実験は半分しかやっていない。Levari らが走らせたのは、ものが稀になる側だ。青い点が減ると、「青」という概念が外へ広がる。私たちが必要とするのは、良いものが密になる側である。良い顔、良い返信、良い文章が密になると、「良い」の閾値が上がる。参照点理論は原理的に対称だが、公刊された実験は反対側しか走っていない。この対称性は検証すべき仮説であって、既証の事実ではない。検証は難しくない。同じパラダイムを裏返して一度回せばいい。

同じ先祖の列のなかに、そのまま私たちへの反論に使えるものが一つある。快楽適応研究の中心的知見の一つは、適応がおおむね対称で可逆だということだ。昇給の喜びは元の位置まで戻る。トレッドミルは回るが、走者を別の場所へ永久に移しはしない。この言い分に従えば、AI が加工した顔を見慣れても、しばらくすればまた見慣れる前に戻る。馴化が快楽適応の言い換えにすぎないなら、その経済学的推論は具体的な形で外れる。閾値が上がるのと同時に不満も減衰し、需要が美容医療へ持続的に移ることはない。この反論を否定はしない。

応答は、持続性の主張を狭めることだ。人は適応して戻るが、制度は戻らない。ずれた基準がいったん採用評価表、クリニックの術前術後ギャラリー、プラットフォームの既定写真規範、人事評価テンプレート、保険引受基準に書き込まれれば、それは固定される。術前術後のギャラリーは、いちばん目に見えやすい例だ。去年掛けたその「術後」の一組が、それ自体すでに AI 補助で加工されていれば、来年その写真は、客が入口をくぐるときに頭のなかに置いている顔になる。この線がどの年のどの写真から始まったのかは誰も覚えていないが、その写真は日付をつけたまま壁に掛かったままだ。この種の痕跡の良いところは、まさに測れることにある。制度の産物は保存され、日付があり、数えられる。馴化が持続的な経済的帰結を生むのは、ずれた基準が制度に書き込まれた場所だけである。

鏡が返事をする

本当に新しいものとして残るのは一つだけだ。より良い標本を一つ作る限界費用がゼロになったこと。それ以来、鏡は返事をするようになり、しかも一人ひとりに向かって返事をする。まず起きるのは、理想的な刺激が人ごとに生成されるようになったことである。放送メディアの理想像は一つしかなく、それを全員に送った。誰が見ても、それが自分以外の誰かのために用意されたものだとわかる。生成 AI のそれは、いまこの人の反応に合わせて最適化されたうえで生成され、しかも返事をする。比較研究の文献は、応答性が内面化を左右する重要な変数の一つだと指摘してきた。雑誌の表紙は誰にも返事をしない。壁に掛かっていて、誰が見ても同じだ。二つめはもっと身近である。参照対象のなかに、利用者自身の理想化された像が入るようになった。フィルターと AI 自撮りは比較距離をゼロへ潰す。比べる相手は有名人ではなく、より良い版の自分だ。その顔は自分と同じ骨格を持ち、同じ位置にほくろがあり、着ているのは昨日と同じ服で、ただ肌がはるかにきれいである。同じ一人が一日に何十通りもの、自分向けに最適化された標本を受け取れる。この数字自体は数えられる。

ここで壊れているのは、培養理論の成立条件そのものだ。培養理論は、共有され、放送され、選択できない象徴環境を前提とする。共有されているからこそ主流化（mainstreaming）が生じ、みなの世界観がテレビの中央値へ収束する。生成 AI が供給するのは、個別化され、オンデマンドで、上限がなく、利用者が操作できる分布である。これは媒体を一つ入れ替えたのではない。培養理論が成り立つ前提を外している。ここから反証可能な予測が一つ出てくる。予測されるのは規範の分岐であって、規範の主流化ではない。今後十年に観察されるのが美意識・言語・関係期待の収束であるなら、本稿のこの中心的な区別は誤りである。

三つのメカニズム

二通のメモ

一つめは語域同化（register assimilation）と呼ぶ。同じ用件が、二通りに書ける。

• 「以下の2件についてご判断をお願いします。」
• 「この2件、ちょっと見てもらえますか」／「お手数ですが、こちらを決めていただけると助かります」／「この2件、ご署名をお願いします」

二つの言い方は、伝えている用件も必要な専門性も同じだ。違うのは、書き手と相手の距離が文面に出ているかどうかだけである。日本語ではこの差がとくにはっきり出る。敬語も、語尾も、クッション言葉も、用件そのものではなく関係を運ぶためにある。誰と誰か、どういう間柄か、どれだけ急ぐか、依頼がどれだけ重いか。上司は前者を読めば、片づける用件が二つあることだけを知る。後者を読めば、書き手が自分とどれくらい親しいか、この件がどれくらい急かされているかまでついでに知る。AI の執筆支援は、後者を前者へ、組織の中立体へと均していく。

効き目は二拍で来る。一拍めはいま見たとおり、文体から関係が抜けること。二拍めはそのあとに来る。三つの依頼が同じ文面に整えられると、上司はどれが本当に急ぎなのか見分けられず、三人とも呼んで会議を開くしかない。言葉は省けたが、手間は省けていない。コミュニケーションの総コストは下がらず、言語から手続きへ移っただけだ。会議が一つ増え、期限が前倒しになり、CC の範囲が広がる。

まず実験室のなかの因果を見る。Jakesch らは約1,500人に、偏りを持つ言語モデルの補助のもとで文章を書かせた。書かれた内容はモデルの立場へ寄り、参加者がその後に自己申告した態度も一緒に動いた。著者らはこれを「潜在的説得」と呼ぶ。同時に断りも置いている。モデルの意見は意図的に強く設定されており、話題は固着度が低く、この態度の移動はおそらく一時的である。[6] 同じことを学術コーパス全体へ拡大しても残る。Kobak らは1,500万件超の PubMed 抄録を走査し、超過語頻度から2022年以降の急変を捉え、2024年の抄録の少なくとも13.5%が LLM の処理を経ており、一部の下位コーパスでは40%に達すると推定した。幅としては、学術文章に対する新型コロナの影響より大きい。Liang らは百万本近い論文を走査し、計算機科学では改変された比率が最大17.5%になると推定した。[7]

次に二人のあいだへ置く。Hohenstein らの二つの無作為化実験では、スマートリプライがコミュニケーションの効率と肯定的な感情表現を高め、対話相手への評価も改善した。ただし相手が AI 使用を疑うと、評価はただちに否定へ転じる。[8] 実験室、コーパス、対話の三か所が同じ方向を指している。このメカニズムの証拠鎖が最も完全である。

完全であることと、要点を突いていることは別だ。これらの研究が示すのは模倣と拡散であり、言語が確かにモデル的文体へ収束しているということである。誰かの受容閾値が動いたことは示していない。模倣と閾値の移動は別のことで、後に出てくる凍結テキストの実験は、その二つを分けるためにある。

普通の幅はどれくらいか

二つめは分布の置き換え（distribution replacement）と呼ぶ。人は何が普通かを判断するとき、見てきた標本から分布を推定する。AI 生成のコンテンツは、その分布の二つのパラメータを同時に動かす。平均が上がり、分散が圧縮される。目立たないのは分散の圧縮のほうで、そのぶん帰結も重い。消し去るのは「普通の幅はどれくらいか」という情報であり、その情報こそが、人がどれだけのものを普通の側に数えるかを決めているからだ。

最も硬い支持証拠は AI 研究のなかにない。視覚順応の研究にある。Brooks らが2020年にまとめた一連の実験は、ある体型の写真を長く見ることで、観察者の主観的正常点（point of subjective normality）、つまりその人にとって「普通の体型」がどこにあるかという位置が移動することを示した。この移動は双方向で、実験的に操作でき、注意によって調節される。「分布が普通を決める」という主張の、現時点で最も確かな実証版である。境界に注意したい。刺激は写真であって AI 出力ではない。[9]

AI の側の直接証拠は、事前登録実験が一つあるだけだ。Doshi と Hauser は293名の書き手と600名の評価者を集めた。生成 AI の着想を受け取った書き手の作品は、新規性で約6.7%、有用性で約6.4%高く評価され、もともと創造性の低い書き手ほど上がり幅が大きかった。同時に、それらの作品どうしの類似度は、人間のみの対照群より有意に高かった。類似度については量をはっきりさせておく必要がある。方向は確かだが幅は小さい。[10]

一年後、もっと大きな実験が行われ、結論は逆を向いた。Ashkinaze らは2025年、ACM 集合知会議で動的連鎖設計を報告している。40か国以上の800名超が参加し、後の波の参加者は前の波の産出を見ることができた。AI との接触量を増やしても個人の創造性は変わらず、集合的なアイデアの多様性とその変化率はむしろ上がった。設計はより大きく、生態学的妥当性も高い。このメカニズムは現時点で確立ではなく係争中である。それでも残すのは、この二つの創造性実験が測っているのが産出の多様性であり、私たちが言っているのは分散の圧縮だからだ。視覚順応の側では分散の圧縮は硬く、創造性の側はそもそも私たちの言っていることに触れていない可能性が高い。残すのは私たちの賭けであって、文献はいま私たちの側に立っていない。[11]

午前三時の忍耐

三つめは摩擦ゼロの強化（frictionless reinforcement）と呼ぶ。AI アシスタントは誰に対してもこうふるまう。午前三時にも返事をよこし、七度目の修正でもため息をつかず、罵られても根に持たない。上限がなく、時間にも縛られない。疲れない。この形の関係を持てた人間は、歴史上ごく少数だった。社会はそれ専用の呼び名を用意していた。侍医、家庭教師、従者である。それが今では万人の日常になり、一日に何十回も起きている。参照点理論が間違っていないなら、この日常は痕跡を残すはずだ。サービス業従事者への期待が上がり、同僚や家族との摩擦への耐性が下がり、「人間が対応すること」が既定から有料オプションへ移り、苦情のエスカレーション閾値が下がる。この一連は推論であり、検証済みの結論ではない。

馴化が成り立つには、反復と即時のフィードバックと低コストが要る。人が返すフィードバックには必ず摩擦がある。待たされ、顔色をうかがい、貸し借りを返さなければならない。AI が返すほうは三つとも満たしている。摩擦のない側が主要な訓練データになれば、摩擦への耐性閾値は下がるはずだ。理屈はそうなる。証拠は理屈よりずっと柔らかい。

Fang らは981人に四週間、ChatGPT と会話させた。メッセージは30万件を超える。彼らが割りつけた条件からは、何も出てこなかった。テキストか音声か、私的な話題か仕事の話か、どれも効いていない。出てきたのは、割りつけていない側だ。一日あたりの利用が長い人ほど、孤独感が高く、対面での社交が少なく、依存が強く、やめられなくなっていた。よく使うことはその人たち自身が選んだのだから、これは相関であって因果ではない。利用量は自己選択だからである。効果量は非常に小さく、β は 0.02〜0.06 にとどまる。対象が使ったのは毎日の課題を割りつけられた汎用 ChatGPT であり、コンパニオンアプリは測っていない。この論文はまだプレプリントであり、査読を経ていない。[12]

そして証拠は向きを変える。De Freitas らが2026年に『Journal of Consumer Research』で報告した複数の研究では、AI コンパニオンは孤独感を下げ、その大きさは人間との交流に匹敵し、動画視聴のような活動を上回った。Smith・Bradbury・Karney が2025年に『Perspectives on Psychological Science』へ寄せた関係科学のレビューは、もっと率直だ。人間関係への下流の影響に関する実証的基盤はほぼ存在しない、と言っている。[13] どちらの側も、肝心なことを測っていない。AI に接したあと、人が生身の伴侶やサービス提供者に対して抱く期待がどう変わったかを測定した実験は、これまで一つも存在しない。このメカニズムは現時点で発見ではなく仮説であり、三つの中で最も柔らかい一本でもある。それでも残すのは、ほかの二つが問うているのが内容の変化であるのに対し、この一本だけが人から人への期待の変化を問うているからだ。基準のずれが金に変わるのは、そちらの側である。

コンパイラはお守りにならない

配管工の仕事は検査を通らなければならないし、検査は職人の愛想を見ない。計量士の仕事は校正を通らなければならないし、校正は客の機嫌を見ない。外部の人間が強制執行できる関門が一つあれば、基準が誰かの参照枠にこっそり動かされることはない。硬い検査があれば安全だ。この規則を私たちも最初は信じていたし、ほとんど自明にさえ思えた。初級プログラマーがそれをひっくり返した。彼にはコンパイラがあり、単体テストがあり、本番障害がある。三つの関門は後になるほど硬く、どれも正真正銘の外部受容だ。間違えれば機械がその場で何行目かを告げる。誰かの好き嫌いが入り込む余地はない。さきの規則に従えば、彼は安全なはずである。安全ではない。この三つの関門を、機械は彼より安く通る。この規則は誤りである。検査は彼を守らなかった。検査は、彼を置き換えるその機械の通行証になった。自動で採点できる関門は、そのまま自動で訓練できる走路でもある。

裏返して言うのが正しい。受容試験が従事者を守る力は、その試験を自動化システムが通過するのに要する費用に比例する。コンパイラ、単体テスト、保険数理の準備金テスト、標準化試験。機械が人以下の費用で通るこの種の錨は柔らかく、保護を与えない。現場検査、医療過誤責任、構造設計の押印。通過に身体の臨席と免許と、何かを賭けた人間を要するこの種の錨は硬く、そこではじめて保護になる。

したがって職業を測るのに残る問いは二つだけだ。一つめ。買い手が「不十分だ」と言ったとき、その争いは買い手の比較集合を参照せずに裁定できるか。配管工の答えは、できる。管が漏れるかどうかは外の人間にも見える。美容医療の答えは二つに割れる。安全は裁定できるが、きれいかどうかは客の頭のなかの顔しか審判がいない。二つめ。現在のモデルは、受容される成果物を端から端まで生成できるか。作業ではなく、成果物である。写真の加工はできるが、メスを入れることはできない。

二つの問いを、それぞれ検証できる二値項目四つに割り、各0〜4点で採点する。採点の細目は巻末の符号化マニュアルにある。以下、受容の錨定度を AA、成果物の自動化可能度を DA と略す。二つの軸が交われば四つのセルが出る。この2×2が枠組み全体の骨格で、以下の判断はすべてこの上から読む。

	錨定（AA 高）	弾性（AA 低）
自動化可能（DA 高）	錨定だが圧迫 （柔らかい錨の失効：初級開発、保険数理、一般翻訳）	弾性かつ自動化可能 （コンテンツファーム、テンプレート設計）
自動化困難（DA 低）	絶縁 （配管電気、計量検査、葬祭、看護）	弾性だが自動化困難 （美容医療、カウンセリング、コンパニオン、高級体験）

この図を見れば、もう一本軸を足したくなるのが自然だ。この職はどれだけ美意識・情緒・身体に依存しているか、という軸である。私たちも最初の版ではそう描き、第二の行列を作った。プロスポーツ選手が一人でそれを撃ち抜いた。情緒と身体への依存で採点すれば、プロスポーツは天井に張りつく。ところがその裁定はスコアボードであり、現存する最も硬い外部受容の一つだ。観客がどれだけ馴化されても得点は変わらない。同じ対象が二つの縦軸定義で正反対の極に落ちる。つまり依存度は、裁定のしかたの代わりにならない。看護師と再建外科医も同じ形をしている。私たち自身の第二の行列は、この点で誤っている。ただしあの図は、この2×2には見えないものを一つ捉えていた。誰が参照枠を製造しているのか、である。これは描かなければならないが、軸にはできない。それは方向を持つ流れであり、軸が担えるのは大きさだけだからだ。ウェディング撮影がその理由を示している。今年の作例が来年の花嫁の参照になる。花嫁は物理的に不可能な仕上がりを求め、その対価を払う。同時に、彼のレタッチ工程はすでに自動化されている。一人が発信側、受益側、圧迫側の三つの位置に同時に立っている。役割は収益ラインについて回るので、符号化も収益ライン単位でしかできない。

ループ位置	意味	典型的な収益ライン
発信側	その出力が他の市場の参照材料として流通する	画像生成モデル、美顔フィルター、バーチャル YouTuber、AI 短編ドラマ、コンパニオンアプリ
受益側	ずれた基準が安価な経路の物理的供給能力を超え、需要が移ってくる	美容医療、高級スパ、カウンセリング、コンパニオンサービス
圧迫側	基準がずれ、なおかつ自分の成果物も自動化可能である	イラストレーター、初級開発者、一般翻訳者
絶縁側	錨定された受容を持ち、参照枠のゲームに参加していない	配管電気、計量、葬祭、昇降機保守

だから正しい扱いはこうなる。2×2は一枚に保ち、第二の行列が捉えたものはセル間の矢印として描く。発信側が参照枠を製造し、その参照枠が受益側と圧迫側を同時に打つ。前者は需要が上がり、後者は基準が上がると同時に自分が置き換えられる。上から基準を動かされ、下から機械に追われる。両側から挟まれるから圧迫側と呼ぶ。絶縁側はこの連鎖から絶縁されている。どの矢印もそこには届かない。四つの位置は一本のサプライチェーン上の四つの環であり、前の環の産出が次の環の入力になる。二つの行列を統合して増えたのは、この矢印の一組だけである。

うまく測れない八つ

この枠組みは18業種でストレステストにかけてある。18行のうち10行に警告の印がついた。うち8件は符号化そのものが不安定で、割合にして約44%。美容医療、タトゥー、バーチャル YouTuber 事務所、放射線科医、ウェディング撮影、アクチュアリー、パーソナルトレーナー、著名建築家である。残る二行は符号化自体は安定していて、厄介さが別の場所にある。初級プログラマーは先の規則をひっくり返し、コンパニオンサービスは方向が定まらない。うまく測れない場所が、そのまま証拠の切れる場所だ。

まず美容医療。看板に使ってきた事例が、よりによっていちばん符号化しにくい。安全は4点だ。事故が起きれば免許があり、カルテがあり、責任がある。まずければ賠償し、金額には先例がある。満足度は0点。きれいかどうかを外から裁定する者はいない。唯一の審判は客の頭のなかの顔で、その顔は昨夜、携帯のなかで書き換えられたばかりだ。

同じクリニックの同じ手術で、二つの半分にかかる力が反対を向いている。安全はますます規律され、満足はますます際限がなくなる。医師が証明できる半分と、客が気にしている半分が、同じ同意書の上に並んでいながら、互いに口を出せない。ここにセルを一つ与えるには、どちらの半分を採るかを先に決めるしかない。

次の四つはまとめて話せる。バーチャル YouTuber 事務所は法的には完全に AI で置き換えられるのに、ファンは「この人格の背後にいるのが一人の人間である」ことにプレミアムを払う。著名建築家は基準が弾性で自動化可能度も高く、枠組みの上では圧迫側のはずだが、実際には威信に守られている。一枚の継ぎ当てで二つのセルが同時に直るなら、足りないのは継ぎ当てではない。変数が一つ欠けている。その変数が出所プレミアム（provenance premium）である。「これは人がやった」という事実そのものに金を払う人がいる、ということだ。それが安定かどうかは開かれた経験的問いであり、行列には答えられない。

放射線科医とアクチュアリーは同じ場所で転ぶ。先に彼らを止めているのは能力ではない。許可である。モデルの読影も準備金テストもすでに門の前まで来ていて、法規が氏名のある人間の署名をまだ求めている。この種の「規制ゲート付き」と標識されたセルは最も速く反転し、分散も最大になる。単独で明示するしかなく、平均に溶かしてはいけない。

残るのはコンパニオンサービスで、これは枠組みの硬い境界である。AI コンパニオンが補完なのか、つまり情緒の基準線を上げて人を生身のサービスへ押し出すのか、それとも代替なのか、つまりその経路のなかで需要を満たしきってしまうのか。その方向は二つの軸からは決まらない。外生である。だから高馴化・低自動化のサービスについて、私たちは補完性が別途測定されるまで、大きさは与えても方向は与えない。

業種	AA	DA	ループ	安定性
美容医療	安全 4 ／ 満足度 0	1	受益側	⚠ 旗艦事例だが符号化は最悪
タトゥー	1	デザイン 3 ／ 施術 0	発信+受益／圧迫	⚠ 二重役割、分割必須
配管工	4（硬）	0	絶縁側	安定
歯科医	修復 4 ／ 審美 1	0	絶縁（受益の尾を持つ）	安定
バーチャル YouTuber 事務所	0	3、ただし出所プレミアム	発信側	⚠ 下記参照
初級プログラマー	2〜3、柔らかい錨	4	圧迫側	⚠ 旧規則を反証
放射線科医	4（硬）	能力 4 ／ 規制ゲート	保留	⚠ 分散最大
翻訳者	認証 3 ／ 一般 0	4	ゲート付き／圧迫	安定
ウェディング撮影	0	撮影 1 ／ 編集 4	三役同時	⚠ 分割必須
看護師	4（硬）	0	絶縁側	安定。下記の予測を参照
高級ホテルのコンシェルジュ	0	臨席 0 ／ 情報 4	受益／圧迫	安定
アクチュアリー	3〜4、柔らかい錨	ゲート付き	保留	⚠ 柔らかい錨のリスク
パーソナルトレーナー	1（2 とも議論可）	プログラム 3 ／ 臨席 0	受益／圧迫	⚠ 係争帯の事例
葬祭ディレクター	3	0	絶縁側	安定
著名建築家	構造 4 ／ 意匠 0	構想 4 ／ 押印はゲート	発信+受益	⚠ 威信による反転
コンパニオンサービス	0	0	受益側	⚠ 符号が定まらない
プロスポーツ選手	4（最硬）	0	発信側	安定
コンテンツファームの書き手	0	4	圧迫側	安定だが過剰決定

旗艦事例はどれほど硬いか

受益側が本当に成り立つには、その端で誰かが金を出していなければならない。この線でいちばんデータが揃っているのが美容医療である。この事例の証拠は人が思うより柔らかく、中身の構造も通説より入り組んでいる。

この題目で引ける最も強い一本は、2026年に『Mass Communication and Society』へ出た三層メタ分析である。ソーシャルメディア利用と美容整形の検討とのあいだの相関係数は r = 0.21 で、外見志向の利用がこの関連を上方に調整する。相関であり、大きさは中〜小である。[14]

業界データは逆向きの細部を出してくる。国際美容形成外科学会（ISAPS）の2024年グローバル調査では、四年の累計成長が約+42.5%である一方、2024年は2023年比で減っている。手術が−6.7%、非手術が−3.1%だ。馴化が押し上げる需要が単調増加なら、この減少には説明が要る。[15] 私たちの読み方はこうだ。この年の反落は主に価格と信用の問題であり、参照枠のずれは遅い変数なので、単年の曲線には現れない。この読み方は証明できない。「馴化はそもそも需要を押していない」という説明と、2024年のデータの上ではまったく同じ形をしているからだ。確かなことは一つだけある。「AI が美意識を書き換える、ゆえに美容医療の需要は爆発する」という筋書きは単純すぎる。マクロ循環、価格、規制の影響が、参照枠のずれを上回っている可能性が高い。

帰属を一つ訂正しておく。「スナップチャット醜形恐怖」は『JAMA Facial Plastic Surgery』が作った語ではない。査読文献での初出は、Ramphul と Mejias が2018年3月に『Cureus』へ寄せた論説であり、造語そのものは報道では英国の美容医 Tijion Esho に帰されている。Rajanala・Maymone・Vashi のものは視点論文で、この語を医学化して広めた役割を果たした。原文自身の語法も「dubbed（そう呼ばれている）」である。これは本記事の旧版にあった誤りの訂正である。[16]

55%という数字は割り引く必要がある。「回答した外科医の55%が自撮り映えを目的とする患者を診た、前年は42%」は、アメリカ顔面形成再建外科学会（AAFPRS）の年次会員調査のプレスリリースが出所である。標本枠は協会会員の外科医で、しかも自己選択的な回答だ。標本数・回収率・抽出方法は一度も公表されていないし、対応する査読文献もない。「現象が起きている」証拠としては使えるが、人口比率としてはまったく使えない。

「情緒労働は高くつくようになる」には、いまのところ証拠がない。Hochschild が1983年の『管理される心』（The Managed Heart）で情緒労働という概念を確立し、顧客の非礼が増えていることには査読研究がある。新型コロナ前後の比較では、顧客の非礼が情緒的消耗を介して業績に及ぼす間接効果がより顕著になった。しかし、技術や AI への接触が生身のサービス提供者への期待を引き上げると証明した研究は、一つも見つからなかった。この推論は研究設計を添えた仮説として提示すべきものであり、確立した知見として扱ってはならない。

同じことには地理的な時間差もある。普及の濃い地域ですでに育っている新しい需要は、おおむね次の形をしている。AI フィルターの顔を生身の顔へ戻したいという要望、AI コンパニオンからの離脱と実在の関係の修復、「人が書いた」ことへのプレミアムと実在人物の認証、そして受益側の従事者に向けた期待値マネジメント研修。普及の薄い地域でまだ再評価されていないのは、絶縁側の値付けである。この段落は未検証の仮定に寄りかかっている。CCAA の拡散速度が AI アプリの普及率と同期する、という仮定だ。この仮定は誤っている可能性が高い。認知の層は主にコンテンツを通じて伝わり、コンテンツは全国を流通するので、地理的な勾配に従うとは限らないからである。計画の根拠ではなく仮説として使ってほしい。

どうすれば誤りだとわかるか

私たち自身、以前に反証条件を三つ書いた。一つずつ詰めていくと、三つとも成立しない。一つめは、美容医療の来院者が持ち込む参照画像のうち AI 画像が何割かを数えるというものだった。そもそも分母がなく、基準線がなく、閾値もない。クリニックは参照画像を保存しないし、同意の取り方が遡っての収集を阻む。画像が手に入ったとしても、圧縮された SNS 画像への AI 検出は較正が悪すぎて使えない。おまけに画像供給全体に占める AI 画像の割合はもともと上がっているので、患者が AI 加工写真を持参したという観察は、AI 加工写真が存在することしか証明しない。

二つめは、コンパニオンアプリの重度利用者に摩擦耐性が下がったかを尋ねるというもので、三方が壁である。採用者は水準ではなく傾きで自己選択するので、基準時の孤独感を統制しても解けない。自己申告させれば、その物差し自体が測りたい対象と一緒に動いてしまっている。方向すら定まらない。治療的な利用なら、むしろ耐性を上げることさえありうる。

三つめは職場の語域の変化を測るというもので、これは測れる。ただし測っているものが違う。逆因果があり、同じ時期の交絡があり、対照群がない。どれ一つ欠けていない。結局は模倣と拡散しか証明できない。三つのメカニズムのうち語域の一本は材料がいちばん厚いが、詰まっているのも同じこの場所である。

使える設計はこうだ。2019年に人が書いたメールとメモを40通用意し、一字も変えない。以後毎年、それを見たことのない管理職を新しく一群集め、同じ評価表で「そのまま送ってよい」か「修正を求める」かを判定してもらう。刺激は構成上一定なので、生じたずれは基準そのもの以外から来ようがない。定刺激ドリフトパネルである。[17]

この設計は、さきの三つが詰まった場所をすべて迂回する。刺激は動かず、動くのは物差しだけだ。ここが「一つの枠組み」と「一つの発見」を分ける境目でもある。同じ設計は移植できる。美容医療には凍結した顔画像パネル、コンパニオンには凍結した会話記録、職場には凍結したテキスト群を使い、AI との接触量が異なる領域のあいだで用量反応検定をかける。費用も大きくない。一年に一回、四十通の材料、そして腰を据えてそれを読みきる評価者が一群いればいい。彼らが答案を出すまで、本稿に出てくるどの量も仮定にすぎない。

もっと安いものが18行のなかに置いてある。看護師である。看護行動は監査でき、しかもおおむね一定だ。何回体位を変えたか、ナースコールに何秒で来たか、投薬前に何度照合したか。記録が残り、年によって変わらない。患者の参照枠が無限に忍耐強いチャットボットに再設定されているなら、看護行動が変わらないまま、患者満足度スコア（HCAHPS 型の尺度）は年々下がるはずである。行動は一定で、評点だけが漂流する。既製の閾値測定が一つ転がっているということだ。この点数表は公開されていて誰でも引ける。四十通の手紙を揃える必要すらない。足りないのは外生の出来事だけである。患者自身がチャットボットを使いはじめること。それは現に起きていて、起きる速さが地域や年齢層で違う。天然の用量差がそこにある。看護行動が変わらず、看護師の評点も年々動かないなら、本稿は誤りである。

二つの問い

この枠組みは雇用水準を予測しない。ある業種の雇用結果は需要、人口構成、価格、規制に支配され、馴化の効果は小さな残差にすぎない。この2×2で「数年後にその業種に何人分の職が残るか」を推計するのは誤用である。予測するのは基準がずれる方向だけであり、持続的な帰結を予測するのは制度への書き込みが起きた場所に限られる。高馴化・低自動化のサービス、コンパニオンが典型だが、そこで言えるのは大きさの半分だけだ。

持ち帰れるのは二つの問いで、どの業種の人でも自分に当てて使える。私の出来を裁定するのは誰か。法的な効力を持つ一枚の表か、それとも誰かの感覚か。この受容試験を通るのに、機械は私より高くつくのか、安くすむのか。二つとも答えて、はじめて自分がどのセルに立っているかがわかる。後半が見えないと、「AI には私の仕事はできない、だから安全だ」という結論に行き着く。受益側の従事者にこの考えが多いが、彼らが向き合っているのは書き換えられつつある参照枠である。裏返せば、ある仕事が本当に守られているかどうかは、同じことのもう一方の端を問うことになる。この受容試験を通るのは、機械にとって高くつくのか。受容試験があっても機械が安く通るなら、それは置き換え用の走路である。

あとは測るだけだ。しかも安い。評価者を一年に一群、一字も変えない古い手紙を四十通、それに、もう公開されている点数表が一枚。この三つが最初の数字を返すまで、本稿は一組の言葉と、検証待ちの仮説の束にすぎない。

ミヤコドリの問題は、はじめから鳥の側になかった。わざわざ作られた、あの卵の側にあった。機械がいま本当にその卵を産んでいるのなら、先に気づくのは私たちではない。看護師につけられた点数と、あの四十通の手紙だ。

付録一：この語について

この用語は TopXEA リサーチが提唱・定義し、本記事で初めて公表された。日付は2026年9月1日である。推奨する引用形式は次のとおり。TopXEA リサーチ（2026年9月1日）「CCAA：AI は仕事ではなく「基準」を書き換える」TopXEA。https://topxea.com/ja/blog/ccaa-cognitive-conditioning-ai-applications

ここでの「conditioning」は日常語の意味であり、学術用語としての意味ではない。心理学において「cognitive conditioning」はすでに占有された表現で、Cautela の内潜条件づけ（covert conditioning）の系列に属し、連合学習、すなわち条件刺激・無条件刺激・強化を指す。私たちが記述するメカニズムは連合学習ではない。CS もなく、US もなく、強化スケジュールもない。それは心理物理学の意味での参照点の再較正であり、Helson の順応水準理論、Parducci の範囲・頻度理論、Levari らの2018年の実験がそれにあたる。「馴化 / conditioning」という語を残すのは、日常語として「長期にわたり、ゆっくり、気づかぬうちに」という含意を正確に伝えるからだ。学術的な文脈ではこの段落のメカニズム記述を基準とし、連合学習の意味で読まないでほしい。

日本語ではもう一つ、より近い衝突がある。心理学の術語としての「馴化（habituation）」は、反復刺激に対する反応の減弱を指す。本稿が言っているのはそれではない。反応が弱まるのではなく、判断の基準点そのものが移動する。方向はむしろ逆である。それでもこの二文字を使うのは、日常語としての含意を運べる語がほかにないからで、学術的な文脈では habituation ではなく、Helson と Parducci と Levari の線でいう参照点の再較正を指すものとして読んでほしい。

略語の衝突が深刻である。CCAA には他分野で少なくとも二十数種の意味があり、最も主流なのはカナダの会社債権者調整法（Companies' Creditors Arrangement Act）である。つまり CCAA は検索語として事実上使えない。正式な場では正式名称を書くか、「CCAA（認知馴化）」と表記してほしい。私たちが主張するのはこの定義だけで、英単語のほうは誰のものでもない。同じか近い意味でこの表現を先に使っていた例があれば、出典を送ってほしい。本文に出典を補記し、優先権を譲る。リンク一本で足り、説得は要らない。

付録二：符号化マニュアル

二つの軸を、それぞれ検証できる二値項目四つに割る。合計8項目、各0〜4点で採点する。二値項目はすべて検証できる事実判断として書き、程度判断としては書かない。三人が別々に符号化しても突き合わせられるようにするためである。受容の錨定度（AA）の四項目は次のとおり。

• 第三者が強制執行できる成文の仕様が存在する（法令、建築基準、臨床ガイドライン、数値 SLA）。
• 第三者が限られた時間内に観察できる合否事象が存在する（検査、分析、管が漏れるか否か）。
• 失敗が満足度と無関係に責任を生じさせる（免許、医療過誤、刑事責任）。
• 支払いや更新が、満足度評価ではなくその試験に条件づけられている。

3点以上を「錨定」、1点以下を「弾性」、2点を「係争帯」とし、不安定であることを公開報告する。どちらかへ無理に寄せてはならない。

成果物の自動化可能度（DA）の四項目は次のとおり。

• 成果物はビットとして伝送でき、引き渡し時に顧客の身体や財産への物理的操作を要しない。
• 当該職業の O*NET 作業時間のうち、70%以上が現行コストでモデルに実行できる。
• 人間の署名や臨席を求める法的要件が存在せず、かつ人間の作であることを条件とする測定可能な支払意思の上乗せも存在しない。
• 責任が存在しないか、氏名のある人間なしに保険で担保できる。

3点以上を高、1点以下を低とし、2点は同じく係争帯へ入れる。身体性はこの軸の第1項のなかにだけ置き、そこ以外には置かない。それは成果物が自動化に抗する理由にはなるが、基準がずれに抗する理由にはならない。身体性を一度しか数えないことで、二つの軸が互いの答えを写し合うことがなくなる。出所プレミアムは修飾子として別立てにし、「人が完成させた」という属性そのものに測定可能な支払意思があるかを測る。バーチャル YouTuber 事務所も著名建築家も収入がこれに依存しているのに、この属性は二つの軸のどちらにも席がない。軸の外に掛け、単独で符号化し、単独で報告するしかない。値は時とともに変わる可能性が高いので、年と一緒に記録する。

符号化の規則は四つある。

1. 収益ラインを分割してから採点する。二本のラインが受容の錨定度か自動化可能度で2以上離れるなら、その職業は点ではなく線分として描き、収益で加重して報告する。美容医療、タトゥー、ウェディング撮影はいずれもこの扱いが要る。
2. 受容の錨定度が2のときは、「失敗の代金を誰が払うか」を問う。顧客の気分と無関係な既定の罰則があれば錨定、顧客が自分を責めるだけなら弾性と記す。
3. 自動化可能度が2のときは、「先に突き当たるのは能力か許可か」を問う。許可なら低と符号化し、「規制ゲート付き」と標識する。この種のセルは最も速く反転し、分散も最大なので、単独で明示し、平均に溶かしてはいけない。
4. この2×2は毎年つけ直し、報告するのは変化量とする。水準は副産物にすぎない。自動化可能度は定数ではなく、日付のない行列は腐る。

信頼性プロトコルはこうなる。二値8項目、独立した符号化者3名、40職業の標本で、Krippendorff の α ≥ 0.7 を目標とし、単一の α ではなく不一致リストを公開する。どの職業のどの項目で食い違ったかのほうが、総合点よりずっと役に立つ。

註

1. Hui・Reshef・Zhou 2024年『Organization Science』35(6):1977–1989。オンラインフリーランス市場で、影響を受けやすい職種の仕事量が約2%、月収が約5.2%減少。過去の高実績が保護になった証拠はない。Demirci・Hannane・Zhu 2025年『Management Science』。8か月以内に、自動化されやすい執筆・プログラミング系の求人投稿が約21%減少、画像生成 AI の登場後は画像系が約17%減少。残った案件はより複雑で高報酬。
2. Brynjolfsson・Chandar・Chen「炭鉱のカナリア」2026年8月改訂版、ADP の給与行政データを使用。影響を受けやすい職種の22〜25歳労働者では、相対的な雇用不足が約19%。Brynjolfsson・Li・Raymond 2025年『Quarterly Journal of Economics』140(2):889–942。カスタマーサポート担当5,179名で、1時間あたりの解決件数が平均14%上昇（よく引用される 15% ではない点に注意）、新人は34%、熟練の高実績者にはほとんど上昇がない。Noy・Zhang 2023年『Science』381(6654):187–192 の事前登録無作為化試験。大卒の専門職453名で、執筆課題の所要時間が40%減、品質が18%上昇。
3. Eloundou ら2024年『Science』384(6702):1306–1308。ついでに本分野で最も多い引用の誤りを訂正しておく。広く流布する「労働者の80%が少なくとも10%の作業に影響を受け、19%が半分以上の作業に影響を受ける」は2023年の arXiv プレプリントの数字であり、『Science』の論文のものではない。両者を混ぜて引用してはならない。Felten・Raj・Seamans 2021年『Strategic Management Journal』42(12):2195–2217 の AIOE 能力連関指標。Webb の2019年ワーキングペーパーは今も正式に公刊されていない。
4. Acemoglu 2025年『Economic Policy』40(121)。Autor 2024年 NBER ワーキングペーパー 32140。
5. Levari ら2018年『Science』360(6396):1465–1467。理論的系譜の出典は次のとおり。Helson 1964年『Adaptation-Level Theory』。Parducci 1965年『Psychological Review』72(6):407–418。Festinger 1954年『Human Relations』7(2):117–140。Gerbner と Gross 1976年『Journal of Communication』26(2):172–199。
6. Jakesch ら CHI 2023。参加者1,506名。書かれた内容の意見差の平均は0.29、d ≈ 0.5。態度の移動は d = 0.22, p < 0.001（doi:10.1145/3544548.3581196）。
7. Kobak ら2025年『Science Advances』11(27) eadt3813。1,500万件超の PubMed 抄録、2010年から2024年まで、超過語頻度法による推定。Liang ら2025年『Nature Human Behaviour』9:2599–2609。950,965本の論文。
8. Hohenstein ら2023年『Scientific Reports』13:5487。二つの無作為化実験、n = 1,036。
9. Brooks ら2020年『Perspectives on Psychological Science』15(1):133–149。
10. Doshi と Hauser 2024年『Science Advances』10(28) eadn5290。書き手293名、評価者600名。同質化効果は0〜100のコサイン類似度尺度で b = 0.871（AI 着想 1 件）と b = 0.718（5 件）にとどまる。類似度は条件内比較、すなわち各作品を同条件内の他作品の重心と比べたものであり、条件間の比較ではない。研究自身も、母集団レベルや縦断的な多様性の崩壊は主張していない。
11. Ashkinaze ら2025年 Proc. ACM Collective Intelligence Conference 198–213。
12. Fang ら2025年、arXiv:2503.17473。完了者981名、28日間、30万件超のメッセージ、AsPredicted で事前登録。テキスト／中立音声／親和的音声 × 自由／非個人的／個人的課題の3×3設計。孤独感 β = 0.02、p = 0.027。対面での社交 β = −0.05、p = 0.0019。情緒的依存 β = 0.06、p < 0.001。問題的使用 β = 0.02、p = 0.017。
13. De Freitas ら2026年『Journal of Consumer Research』52(6):1126–1148。Smith・Bradbury・Karney 2025年『Perspectives on Psychological Science』20(6):1081–1099。
14. 2026年『Mass Communication and Society』の三層メタ分析。24本の研究、96の効果量、総標本10,445名。r = 0.21、95% 信頼区間 [0.13, 0.26]。
15. 国際美容形成外科学会（ISAPS）2024年グローバル調査。3,790万件、うち手術1,740万件、非手術2,050万件。
16. Ramphul と Mejias 2018年3月『Cureus』10(3):e2263 の論説（doi:10.7759/cureus.2263）。Rajanala・Maymone・Vashi のものは『JAMA Facial Plastic Surgery』20(6):443–444 に掲載（doi:10.1001/jamafacial.2018.0486）。
17. 定刺激ドリフトパネルの統計上の定め。主要アウトカムは、変わらない同一のテキスト群に対する「修正を求める」確率の年次固定効果とする。評価者は盲検で、毎年まったく新しい一群を引く。識別戦略は「利用量」ではなく「利用可能性」を使う。規制による強制的な提供停止やアプリストアの方針変更といった外生ショックに差分の差分法を組み合わせる。奨励設計の無作為化試験を行い、奨励を操作変数とすることもできる。自己申告尺度はすべてアンカリング・ヴィネット調整を施す。さもなければ参照集団効果が文献全体を汚染する。

主要参考文献

1. Levari, D. E., Gilbert, D. T., Wilson, T. D., Sievers, B., Amodio, D. M., & Wheatley, T. (2018). Prevalence-induced concept change in human judgment. Science, 360(6396), 1465–1467. doi:10.1126/science.aap8731
2. Helson, H. (1964). Adaptation-Level Theory. Harper & Row. ／ Parducci, A. (1965). Category judgment: A range-frequency model. Psychological Review, 72(6), 407–418.
3. Brooks, K. R., et al. (2020). Looking at the Figures: Visual Adaptation as a Mechanism for Body-Size and -Shape Misperception. Perspectives on Psychological Science, 15(1), 133–149. doi:10.1177/1745691619869331
4. Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. doi:10.1126/sciadv.adn5290
5. Ashkinaze, J., Mendelsohn, J., Qiwei, L., Budak, C., & Gilbert, E. (2025). How AI Ideas Affect the Creativity, Diversity, and Evolution of Human Ideas. Proc. ACM Collective Intelligence Conference, 198–213. doi:10.1145/3715928.3737481
6. Jakesch, M., et al. (2023). Co-Writing with Opinionated Language Models Affects Users' Views. CHI '23, Article 111. doi:10.1145/3544548.3581196
7. Kobak, D., et al. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27), eadt3813. doi:10.1126/sciadv.adt3813
8. Liang, W., et al. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 9, 2599–2609. doi:10.1038/s41562-025-02273-8
9. Hohenstein, J., et al. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. doi:10.1038/s41598-023-30938-9
10. Fang, C. M., et al. (2025). How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use. arXiv:2503.17473（プレプリント）
11. De Freitas, J., et al. (2026). AI Companions Reduce Loneliness. Journal of Consumer Research, 52(6), 1126–1148. doi:10.1093/jcr/ucaf040
12. Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). Can Generative AI Chatbots Emulate Human Connection? Perspectives on Psychological Science, 20(6), 1081–1099. doi:10.1177/17456916251351306
13. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs. Science, 384(6702), 1306–1308. doi:10.1126/science.adj0998
14. Felten, E. W., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence. Strategic Management Journal, 42(12), 2195–2217. doi:10.1002/smj.3286
15. Hui, X., Reshef, O., & Zhou, L. (2024). The Short-Term Effects of Generative Artificial Intelligence on Employment. Organization Science, 35(6), 1977–1989. doi:10.1287/orsc.2023.18441
16. Demirci, O., Hannane, J., & Zhu, X. (2025). Who Is AI Replacing? Management Science. doi:10.1287/mnsc.2024.05420
17. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942.
18. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi:10.1126/science.adh2586
19. Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121). ／ Autor, D. H. (2024). Applying AI to Rebuild Middle Class Jobs. NBER WP 32140.
20. Gerbner, G., & Gross, L. (1976). Living with Television: The Violence Profile. Journal of Communication, 26(2), 172–199. ／ Festinger, L. (1954). A theory of social comparison processes. Human Relations, 7(2), 117–140.
21. Ramphul, K., & Mejias, S. G. (2018). Is "Snapchat Dysmorphia" a Real Issue? Cureus, 10(3), e2263. doi:10.7759/cureus.2263 ／ Rajanala, S., Maymone, M. B. C., & Vashi, N. A. (2018). Selfies—Living in the Era of Filtered Photographs. JAMA Facial Plastic Surgery, 20(6), 443–444. doi:10.1001/jamafacial.2018.0486
22. Hochschild, A. R. (1983). The Managed Heart: Commercialization of Human Feeling. University of California Press.

Term provenance: the term Cognitive-Conditioning AI Applications (CCAA) was coined and defined by TopXEA Research, first published in this article on 1 September 2026. In this article "conditioning" is used in its everyday sense of habituation and baseline recalibration, not in the technical sense of associative or covert conditioning.

リスクと免責：本記事は概念と方法の議論であり、投資助言・キャリア助言・医療助言のいずれでもなく、特定の組織や個人を対象としたものでもありません。引用した外部研究には出典と証拠等級を付しています。「推論」「仮説」と明記した部分は私たちの判断であり、検証されていません。取引にはリスクがあり、すべての EA と定量戦略は損失を出しうるものです。外国為替および貴金属の取引は高リスクであり、失っても差し支えない資金でのみ行ってください。