CCAA:AI は仕事ではなく「基準」を書き換える

AI の影響をめぐる議論は、ほとんどが同じ問いに集中している——この職は代替されるのか。しかしそれは問題の半分にすぎない。

もう半分はこうだ。仮に一つの職も代替されなかったとしても、「よくできている」を測る物差しのほうが、すでに取り替えられている可能性がある。物差しが変われば、需要の構造も価格の付き方も従事者の心理的負荷も一緒に動く。しかもその過程には人員削減の発表もなく、失業統計にも乗らず、既存のどの統計指標にもほとんど捕捉されない。

私たちはこの「もう半分」に名前を与える。ただし議論に入る前に一つ断っておく——本稿で最も重要な三つの節は、私たちが自ら負けを認める三つの節である。自己を膨らませることしかできない新語は、分析の道具ではなく宣伝文にすぎない。

1. 定義、そして先に排除しておくべきもう半分

Cognitive-Conditioning AI Applications（CCAA、認知馴化型 AI アプリケーション）：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曝露のもとで、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。

「AI による代替」との役割分担は一行で覚えられる。

• 代替（substitution）が変えるのは「誰がその仕事をするか」。
• 馴化（conditioning）が変えるのは「どこまでやれば普通とみなされるか」。

しかし「馴化」という語には二つの意味があり、混ぜると議論そのものが成立しなくなる。先に切り分ける。

• 調達側の馴化：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」が今や一晩で四十案を意味する。これは市場現象である。
• 知覚側の馴化：人が顔・会話・伴侶・身体はこうあるべきだと考える基準線が再設定される。これは心理現象である。

本稿でいう CCAA は後者だけを指す。前者はコスト駆動の標準インフレであり、価格競争で完全に説明できる。新しい概念を必要としない。

この排除には鋭い帰結がある。真っ先に思いつく例（コピー、汎用イラスト、テンプレート動画）こそ、この主張が識別不可能な領域なのだ。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、何一つ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う。きれいな証拠は「人が依然としてやっているのに、基準のほうが勝手に動いた」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。

2. 用語の出典と、必要な用語上の断り

Cognitive-Conditioning AI Applications（CCAA、認知馴化型 AI アプリケーション）という用語は TopXEA リサーチが提唱・定義したものであり、2026 年 9 月 1 日、本記事で初めて公表された。本記事がこの用語の初出である。推奨する引用形式：

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

自由に使い、自由に批判し、自由に改良してほしい。お願いするのは出典の明記だけである。ただし初日から不誠実にならないよう、三点を先に述べておく。

• 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あり、Cautela の内潜条件づけ（covert conditioning）の系列に属し、連合学習（条件刺激・無条件刺激・強化）を指す。私たちが記述する機構は連合学習ではない——CS も US も強化スケジュールも存在しない。それは心理物理学的な参照点の再較正（Helson の順応水準理論、Parducci の範囲‐頻度理論、Levari らの 2018 年の実験）である。この語を残すのは、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が、学術的文脈では本段落の機構記述を基準とし、学習理論の意味で読まないでほしい。
• 略語の衝突が深刻である。CCAA には少なくとも二十数種の別の意味があり、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。ほかに航空宇宙分野の Cognitive Communications for Aerospace Applications（AIAA と NASA グレン研究センターの共催ワークショップシリーズ）、北米の二つの大学スポーツ連盟、カリフォルニア州大気浄化法などがある。つまり CCAA は検索語として事実上使えない。正式な文書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定義であって、英単語三つの所有権ではない。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。本文に追記し、優先権を譲る。説得は不要で、リンク一本で足りる。

3. まず負けを認める：どこが新しくなく、どこが誤りうるか

新語を差し出す前に、それが誰に借りがあり、どういう条件で崩れるかを述べる。謙遜ではなく、最も鋭い三本の刃を先に読者へ渡すためである。

認める点 1：機構そのものはまったく新しくない

「分布が動けば、人の『普通』の判断も動く」ことは 2018 年にすでに実験室で示されている。Levari らが《Science》に発表した研究では、青い点が稀になると参加者は紫の点を青と見なし始め、脅威的な表情が稀になると中立的な表情が脅威に見え始め、非倫理的な依頼が稀になると無害な依頼が非倫理的に判定された。事前に明確に警告しても、抵抗するよう報酬を払っても、効果は生じた。

ここで方向についての誠実な但し書きが要る。Levari らが示したのは「刺激が稀になる → 概念が拡張する」であり、私たちが必要とするのはその鏡像——「良質な刺激が密になる → 閾値が上がる」である。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を走らせている。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——そして同じ実験パラダイムで直接検証できる。本稿が提示できる最も安価な研究提案である。

より古い系譜は長い。Helson の順応水準理論（判断は近時の刺激分布から集約された参照点に対してなされる）、Parducci の範囲‐頻度理論（平均と分散がいかに閾値を決めるかの定式化）、Brickman と Campbell の快楽適応（より良い平均が新しい常態となり満足度は元に戻る）、Festinger の社会的比較理論、Gerbner の培養理論、そして Tinbergen の超正常刺激（誇張された鍵刺激が自然の刺激に打ち勝つ）。

これらを合わせると、CCAA の機構的主張はほぼ全て覆われる。本稿が新しい心理機構を発見したと称するなら、それは虚偽である。

認める点 2：適応はおおむね可逆である。だから主張を狭める

快楽適応研究の中心的知見の一つは、適応が広く対称かつ可逆だということである。トレッドミルは回るが、走者を別の場所へ移しはしない。CCAA 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誤る——閾値が上がると同時に不満も減衰し、需要が美容医療へ持続的に移動することはない。

この反論を否定しない。私たちの応答は、持続性の主張をより狭く、より測定可能で、より真である見込みの高い範囲へ限定することである。

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。

刺激は適応で戻るが、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。制度は自ら元へ順応し直したりしない。この主張の利点は検証可能な点にある——制度的産物は保存され、日付があり、数えられる。

認める点 3：「期待の閾値」は現時点で測定されたことがない

測定器具がない限り、CCAA は語彙であって結論ではない。したがって第 8 節で具体的な器具を提示する。そのパネルがデータを返すまで、本稿の定量的記述はすべて仮説として読まれるべきである。

では新しいものとして何が残るのか

測定可能な三つのパラメータ変化と、一つの破られた成立条件である。

1. 限界費用がゼロになり、理想的刺激が「人ごとに生成される」ものになった。放送メディアは一つの理想を作り全員に送った。生成 AI はその人自身の反応に対して最適化された理想を生成する。量的変化がもたらす質的変化であり、しかも測定できる。
2. 参照枠が応答的（contingent）になった。それはあなたに返事をする。比較研究の文献は、応答性が内面化を駆動する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かった。
3. 参照対象に利用者自身の理想化された像が含まれるようになった。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」である。痩身理想パラダイムはこの配置を検証したことがない。
4. 培養理論の成立条件が破られており、それを明確に指摘した者がいない。培養理論は共有され、放送され、選択不可能な象徴環境を前提とする。共有されているからこそ「主流化」——世界観がテレビの中央値へ収束する現象——が生じる。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。これは培養理論に新しい媒体を与えることではなく、その成立条件を破ることである。ゆえに本稿で最も鋭く、最も反証しやすい予測が導かれる——CCAA が予測す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、この中心的区別は誤りである。

4. 三つの機構、証拠等級、そしてそれぞれの反証

CCAA は個別に検証できる三つの機構から成る。以下では各機構について支持証拠と反対証拠を併記する。公平に見せるためではない。三つのうち二つでは、反対する研究のほうが標本も大きく設計も優れているからである。

機構 1：分布の置き換え

人は見てきた標本から分布を推定して「普通」を判断する。AI 生成コンテンツはその二つのパラメータを同時に動かす。平均の上昇と分散の圧縮である。分散の圧縮のほうが目立たず厄介だ。消し去るのは「良い」の位置ではなく、「普通の幅はどれくらいか」という情報そのものだからである。

最も強い支持証拠は AI 研究からではなく視覚順応から来る。Brooks らが《Perspectives on Psychological Science》（2020）でまとめた一連の実験は、ある体型の写真を長時間見ることで観察者の主観的正常点（point of subjective normality）——その人にとって「普通の体型」が位置する場所——が移動することを示している。この移動は双方向で、実験的に操作可能で、注意によって調節される。「分布が規範を決める」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：刺激は写真であって AI 出力ではない。

AI 側の直接証拠：Doshi と Hauser の事前登録実験（《Science Advances》2024、執筆者 293 名・評価者 600 名）では、生成 AI から着想を得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昇幅が大きかった。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。ただし量を報告しなければならない。この同質化効果は 0〜100 のコサイン類似度尺度で b = 0.871（AI 着想 1 件）、b = 0.718（5 件）であり、方向は確かだが幅は小さい。類似度は条件内比較（各作品を同条件内の他作品の重心と比較）であり条件間比較ではない。著者らも母集団規模や縦断的な多様性の崩壊は主張していない。

反証（必読）：Ashkinaze らが ACM 集合知会議（2025）で報告した研究は、40 か国以上の 800 名超を用い、後続の波が前の波の産出を見る動的連鎖設計を採った。結果、高い AI 曝露は個人の創造性を変えず、集合的なアイデア多様性とその変化率を高めた。設計は Doshi と Hauser より大きく生態学的妥当性も高く、結論は逆方向である。機構 1 は確立ではなく係争中である。

機構 2：摩擦ゼロの強化

条件づけには反復・即時のフィードバック・低コストが要る。AI は三つとも満たす。人からのフィードバックには必ず摩擦がある。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である。

証拠：Fang らの四週間研究（arXiv プレプリント 2503.17473、査読前。完了者 981 名、28 日間、30 万件超のメッセージ、AsPredicted で事前登録）はテキスト／中立音声／親和的音声 × 自由／非個人的／個人的課題の 3×3 設計を用いた。結果、実験条件からは有意な効果が検出されなかった。ただし全条件を通じ、日平均利用時間が長いほど孤独感が高く（β = 0.02, p = 0.027）、対面での社交が少なく（β = −0.05, p = 0.0019）、情緒的依存が高く（β = 0.06, p < 0.001）、問題的使用が多かった（β = 0.02, p = 0.017）。

この文には常に三つの限定を伴わせる必要がある。(i) これは相関であって因果ではない——利用量は自己選択である。(ii) 効果量は非常に小さい——β は 0.02〜0.06。(iii) これは AI コンパニオンアプリではない——日課を課された汎用 ChatGPT である。

反証（必読）：De Freitas らは《Journal of Consumer Research》（2026）で、複数研究を通じ AI コンパニオンが孤独感を低減し、その大きさは人間との交流に匹敵し、動画視聴などの活動を上回ると報告している。Smith、Bradbury、Karney は《Perspectives on Psychological Science》（2025）の関係科学レビューで、人間関係への下流影響に関する実証的基盤はほぼ存在しないと明言している。

最も重要な一文：AI に接した後、人が生身の伴侶やサービス従事者に対して抱く期待がどう変化したかを測定した実験は、これまで一つも存在しない。機構 2 は発見ではなく仮説である。三つの中で最も柔らかい一本として残す。

機構 3：言語域の同化——三つの中で最も証拠が強い

AI 執筆ツールは社会的に標識された話し方を組織的な中立体へ置き換えつつある。上司への同じ用件の二つの言い方：

• 「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」

前者はより専門的なのではなくより身分が消えている。言語域は関係の情報を運ぶ——距離、上下、依頼の重さ、実際の緊急度。それを平らにする代償は洗練ではなく、語り口で軽重を示す能力の喪失である。だから別の手段で補う——会議をもう一度、期限を前倒し、CC を増やす。総コストは下がらず、言語から手続きへ移動する。

この機構の証拠鎖が最も完全である。

• 因果層：Jakesch ら（CHI 2023、参加者 1,506 名）は偏りを持つ言語モデルの補助下で文章を書かせた。書かれた内容はモデルの立場へ移動し（意見差の平均 0.29、d ≈ 0.5）、参加者がその後に自己申告した態度も移動した（d = 0.22, p < 0.001）——「潜在的説得」である。著者ら自身、モデルの意見は意図的に強く設定され、話題は固着度が低く、態度の移動はおそらく一時的だと注記している。
• 規模層：Kobak ら（《Science Advances》2025）は 1,500 万件超の PubMed 抄録（2010〜2024）を分析し、2022 年以降の語頻度の急変から、2024 年の抄録の少なくとも 13.5%が LLM 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——学術文章における新型コロナの影響より大きい変化である。Liang ら（《Nature Human Behaviour》2025）は 950,965 本の論文を分析し、計算機科学では LLM 改変テキストが最大 17.5% と推定した。
• 関係層：Hohenstein ら（《Scientific Reports》2023）の二つの無作為化実験（n = 1,036）では、スマートリプライは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 AI 使用が疑われた場合、評価は否定に転じた。

誠実な限界：これらが示すのは模倣と拡散である。言語は確かにモデル的文体へ収束している。しかし誰かの受容閾値が動いたことは示していない。この二つを分離することが、第 8 節の存在理由である。

5. 判定：符号化可能な二軸と、私たち自身の規則の訂正

他人が再利用できる枠組みにするには、軸を符号化可能に定義しなければならない。二軸、各四つの二値項目、各 0〜4 点。

軸 1：受容の錨定度（AA）

問い：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。

1. 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）。
2. 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）。
3. 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）。
4. 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 以上で「錨定」、1 以下で「弾性」、2 は係争帯として不安定と明示し、どちらかへ寄せない。

軸 2：成果物の自動化可能度（DA）

問い：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点に注意）。

1. 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。
2. 当該職業の O*NET 作業時間項目の 70% 以上が現行コストでモデル実行可能である。
3. 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。
4. 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 以上で高、1 以下で低、2 は同じく係争帯。

構造上の要点を一つ強調しておく。身体性は DA の第 1 項の中にのみ置かれる。物理的であることは「成果物が自動化に抗する」理由であって、「基準がずれに抗する」理由にはならない。片方の軸にのみ置くことで、身体性を両軸に忍び込ませたときに生じる共線性が解消される。

修飾子 1：錨の硬さ——私たち自身の旧規則の訂正

私たちは以前この規則を「交渉不可能な外部受容試験のある仕事は守られる」と述べた。この規則は誤りである。反例は目の前にある。初級プログラマー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——正真正銘の外部受容だ。しかしモデルはそれらを人間より安く通過する。外部試験は従事者を守るどころか、自動化の受入証明書になる。正しい表現はこうである。

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。

柔らかい錨（モデルが人間以下の費用で通過するもの——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）は保護を与えない。硬い錨（通過に身体の臨席、免許、あるいは何かを賭けた人間を要するもの——現場検査、医療過誤責任、構造設計の押印）だけが保護を与える。本枠組みで最も荷重のかかる修理である。

修飾子 2：出所プレミアム

「人がやった」という事実そのものに測定可能な支払意思があるか。バーチャル YouTuber 事務所も著名建築家もこれで生きており、AA にも DA にも現れないため、別立てで符号化する必要がある。

符号化規則（再利用する人向け）

1. 符号化の前に収益ラインを分割する。職業を分解し、二つのラインが AA か DA で 2 以上離れるなら、その職業は点ではなく線分としてプロットし、収益加重で報告する。美容医療、タトゥー、ウェディング撮影はすべてこの扱いが必要である。
2. AA = 2 のとき：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る → 錨定。顧客が自分を責めるだけ → 弾性。
3. DA = 2 のとき：先に突き当たるのが能力か許可かを問う。許可なら DA 低と符号化し「規制ゲート付き」と標識する。ゲート付きのセルは最も速く反転し、本枠組みで分散が最大の予測となる。平均に溶かさず必ず明示する。
4. 毎年再符号化し、水準ではなく変化量を報告する。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：二値 8 項目、独立符号化者 3 名、40 職業の標本、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。

6. 一枚の図：2×2 と、そこに引かれる矢印

二軸が交わって四つのセルになる。しかし重要なのはセルではなく、セルの間の矢印である。

	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）

ループ上の位置：第二の行列が捉え、第一の行列には見えなかったもの

本枠組みは当初この 2×2 だけだった。そこには明白な欠落がある——誰が参照枠を製造しているのかが見えない。私たちがその後に描いた第二の行列は、まさにこの欠落を狙ったものだった。「CCAA 関連度（潜在意識・美意識・情緒的価値・身体的体験への依存度）× AI 人効比の代替可能性」で四象限に分け、バーチャル YouTuber、AI 短編ドラマ、没入型エンターテインメントを独立の一群「超進化トラック」とし、この種の産業こそ「AI 的完璧さ」を製造する源泉であると指摘した。

この観察は正しく、上の 2×2 からは出てこない。しかしそれを第二の座標軸にすると破綻する——私たち自身の第二の行列は、この点で誤っている。理由は二つ、いずれも反例で示せる。

• 反例 1（縦軸が成立しない）：プロスポーツ選手。「潜在意識・美意識・情緒的価値・身体的体験への依存度」で採点すればプロスポーツは天井に張り付く。しかし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試験の一つである。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「情緒／身体依存度」は「裁定機構」の代わりにならない。看護師や再建外科医も同じ形をしている。
• 反例 2（役割は産業の属性ではない）：ウェディング撮影。それは同時に発信側（今年の作例が来年の参照になる）、受益側（顧客が物理的に不可能な仕上がりを求め、その対価を払う）、圧迫側（レタッチ工程が自動化される）である。三つが同時に成立するため、役割は収益ライン単位でしか符号化できず、産業単位では不可能である。しかも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である。

したがって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。四つのループ位置は次の通り。

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、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

矢印を引くと連鎖が現れる。発信側が参照枠を製造する → それが受益側（需要増）と圧迫側（基準が上がると同時に自分の仕事が自動化される）を同時に打つ → 絶縁側はこの連鎖上にいない。第二の行列の四象限は実質的にこの四つの位置であり、それらは並列する四つの箱ではなく、一本のサプライチェーン上の四つの環である。二つの行列を統合して得られた、唯一本当に新しいものがこれである。

7. ストレステスト：18 業種と、枠組みが失敗する 8 件

結論を先に：18 件中 8 件（約 44%）が不安定に符号化される。この数字は脚注ではなくここに置く。成功例しか見せない枠組みには診断価値がない。

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

明示すべき失敗を挙げる。

• バーチャル YouTuber 事務所と著名建築家は同じ変数で壊れる。前者は法的には AI で置換可能だが、ファンは「その持続的な人格が誰かである」ことにプレミアムを払う。後者は基準が弾性で自動化可能度も高く、枠組み上は圧迫側のはずだが、実際には威信に守られている。一つの当て木が二つのセルを同時に直すなら、それは当て木ではなく欠落変数である——ゆえに出所プレミアムを正式な修飾子へ昇格させた。そのプレミアムが安定かどうかは開かれた経験的問いであり、行列では決着しない。
• コンパニオンサービスは本枠組みで最も自信のある予測であり、同時にその硬い境界である。AI コンパニオンが補完（情緒の基準線を上げ、人を生身のサービスへ押し出す）なのか代替（その経路内で needs を満たしてしまう）なのかは、二軸からは決まらない。外生である。したがって高馴化・低自動化のサービスについて、本枠組み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。これは要旨に書くべき事項である。
• 看護は本稿で最も安価な予測を与えてくれる。看護行動は監査可能でほぼ一定である。しかし患者の参照枠が無限に忍耐強いチャットボットによって再設定されるなら、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）は年々低下するはずである。行動は一定、評点は漂流——これはほぼ既製の閾値測定であり、しかもデータは公開されている。

8. 反証の方法：定刺激ドリフトパネル

私たちが以前提示した三つの反証条件はいずれも使えない。理由と代替案を述べる。

旧案の三つの失敗

• 「美容クリニックに持ち込まれる参照写真の AI 比率は上がるか」——使えない。分母も基準線も閾値もない。クリニックは参照画像を保存せず、同意取得が遡及収集を阻む。圧縮された SNS 画像への AI 検出は較正が悪い。そして致命的な交絡がある——画像供給全体に占める AI 比率はもともと上昇している。馴化の有無と関係なく上がる。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。
• 「AI コンパニオンの重度利用者は摩擦耐性が下がるか」——現状では解釈不能。基準時の孤独感を統制しても選択の問題は解けない。採用者は水準ではなく傾きで自己選択するからである。さらに悪いことに、自己申告の「摩擦耐性」は測定対象の構成概念そのものに汚染される——尺度が測る対象と一緒に動く参照集団効果である。符号も曖昧で、治療的利用はむしろ耐性を高めうる。
• 「職場文章の言語域指標は変化するか」——測っているものが違う。職場の文章がモデル的文体へ完全に収束しても、それが示すのは模倣と拡散であって、誰かの受容閾値が動いたことではない。加えて逆因果（モデルはその同じコーパスで訓練されている）と同時期の交絡（リモートワーク、チャット化、世代交代、テンプレート普及）があり、対照群もない。

代替案：刺激を凍結し、評価者を入れ替える

2019 年に人が書いたメモとメールを 40 通用意する。以後毎年、新しい盲検の管理職コホートが、その同一のテキストを固定ルーブリックで評価する——「そのまま送ってよい」か「修正を求める」か。主要アウトカムは、変わらないテキストに対する「修正要求」確率の年次固定効果である。

刺激は構成上一定なので、生じたずれは基準以外にありえない。この単一の設計は旧三条件を合わせたものより有効であり、「枠組み」と「発見」を分かつ境目でもある。同じ設計は移植できる——美容医療には凍結顔面パネル、コンパニオンには凍結会話記録、職場には凍結テキストパネル。AI 曝露度の異なる領域間で用量反応検定も行う。

付随する識別戦略：利用量ではなく「利用可能性」で識別する（規制による機能停止やアプリストア方針変更を外生変動とし、差分の差分法を用いる）。奨励設計の無作為化を行い、奨励を操作変数とする。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。

9. なぜ第二の軸が必要か：既存の曝露指標にそれが入っていない

職業の AI 曝露度の測定はすでに発達した分野である。Eloundou ら（《Science》2024）が最も引用される指標で、約 1.8% の職業が LLM 単体でタスクの半分超に影響を受け、LLM 補完ソフトウェアを想定すると 46% 強に達するとする。（ついでに本分野で最も多い引用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% のタスクに影響、19% が半分以上」は2023 年の arXiv プレプリントの数字であり、《Science》論文のものではない。両者を混ぜて引用してはならない。）ほかに Felten・Raj・Seamans の AIOE 能力連関指標（《Strategic Management Journal》2021）、および未刊のままの Webb の 2019 年ワーキングペーパーがある。

これらの指標には著者自身が認める共通の盲点がある。どれも「この作業ができるか」にしか答えておらず、「誰がその出来を裁定するか」という変数を一つも含んでいない。AIOE にもなく、Webb にもなく、Eloundou にもない。第二の軸が必要な理由はこれに尽きる。

この盲点は主流の経済学にも一度顔を出している。Acemoglu（《Economic Policy》2025）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% 未満と見積もる。その引き下げ理由が、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。これはほぼ私たちの受容錨定軸そのものだが、彼はそれを「AI の生産性が低くなる理由」として扱い、「それらの職業が守られる理由」としては扱っていない。Autor（NBER WP 32140、2024）は専門職を囲う門を免許と責任であって作業の難しさではないと指摘している。

これまでに観察された労働市場効果（それぞれ境界つき）：

• Hui・Reshef・Zhou（《Organization Science》2024）：ChatGPT 後のオンラインフリーランス市場で、高影響職業は仕事量が約 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（《Management Science》2025）：8 か月以内に、自動化されやすい執筆・コーディ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。
• Brynjolfsson・Li・Raymond（《Quarterly Journal of Economics》2025）：カスタマーサポート担当 5,179 名で、生成 AI 支援により 1 時間あたり解決件数が平均 14%（よく引用される 15% ではない）、新人で 34% 上昇。熟練の高実績者にはほとんど効果がない。
• Noy・Zhang（《Science》2023）：大卒専門職 453 名の事前登録 RCT で、執筆時間が 40% 減、評価された品質が 18% 上昇。
• Brynjolfsson・Chandar・Chen「炭鉱のカナリア」（2026 年 8 月改訂、ADP 給与行政データ）：AI 曝露度の高い職業における 22〜25 歳の相対的雇用不足は約 19%。機構は解雇ではなく採用の減少。著者らはこれを因果推定ではなく早期の記述的指標だと明言している。
• 反証：Frank ら（2026）は失業保険の行政記録と数百万件の LinkedIn プロフィールを用い、AI 曝露職業の失業リスクが ChatGPT 公開の数か月前、2022 年初頭から上昇し始めていたことを示した。つまり ChatGPT の公開はきれいな自然実験ではない。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交絡している。

10. 受益側の実証：美容医療という旗艦事例は実際どれほど硬いか

美容医療は「ずれた参照枠が需要を押し上げる」という主張の旗艦事例である。その証拠は多くの人が思うより弱く、そして思うより興味深い。

• 最も強い単一の引用：《Mass Communication and Society》（2026）の三層メタ分析。24 本の論文、96 の効果量、参加者 10,445 名を対象に、ソーシャルメディア利用と美容整形の検討との相関を r = 0.21、95% 信頼区間 [0.13, 0.26] と報告し、外見志向の利用が上方に調整することを示した。ただし相関であり、大きさは中〜小である。
• 業界データは不都合な細部を提供する：ISAPS の 2024 年グローバル調査は世界で 3,790 万件（手術 1,740 万件、非手術 2,050 万件）、4 年で約 +42.5% の成長を報告する一方、2024 年は 2023 年比で減少している——手術 −6.7%、非手術 −3.1%。馴化が駆動する需要が単調増加なら、この減少には説明が要る。少なくとも 「AI が美意識を書き換える、ゆえに美容医療需要は爆発する」という筋書きが単純すぎることは示している。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。
• 「スナップチャット醜形恐怖」の正しい帰属：この語は《JAMA Facial Plastic Surgery》が作ったものではない。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、造語自体は英国の美容医 Tijion Esho に帰されている。Rajanala・Maymone・Vashi の《JAMA Facial Plastic Surgery》20(6):443–444 は視点論文であり、すでに流通していた語を医学化し普及させた——原文の語法も「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。
• 55% という数字は割り引く：広く流布する「回答した外科医の 55% が自撮り映え目的の患者を診た（前年は 42%）」は AAFPRS 年次会員調査のプレスリリース由来である。標本枠は協会会員の外科医で自発的回答、標本数・回収率・抽出方法は一度も公表されていない。査読を経た調査文書も存在しない。「現象が起きている」証拠としては使えるが、人口比率としては使えない。
• 「情緒労働が高くつくようになる」には現状で証拠がない。Hochschild『管理される心』（1983）が概念を確立し、顧客の非礼の増加については査読研究がある（例えば新型コロナ前後の比較で、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という報告）。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いう研究は見つからなかった。この推論は、研究設計を添えた仮説として提示すべきであり、確立した知見として扱ってはならない。

11. 推論と明示する二つの延長

沿岸から内陸への時間差

CCAA の曝露度はおそらく AI の普及に沿って広がる。普及の濃い場所に先に現れ、薄い場所に後から現れる。この時間差が窓になる。濃い地域ですでに育っている新しい需要は、フィルターの顔を実在の顔に戻す要望、AI コンパニオンからの離脱と人間関係の修復、「人が書いた」ことへのプレミアムと実在人物の認証、受益側従事者向けの期待値マネジメント研修——といった形をしている。薄い地域で再評価されていないのは絶縁側である。

必須の割引：これは未検証の仮定——CCAA の拡散速度が AI 普及率と同期するという仮定——に依存している。この仮定は誤っている可能性が十分にある。認知的効果はコンテンツを通じて伝わり、コンテンツは地理的勾配ではなく全国的に流通するからである。計画の根拠ではなく仮説として使ってほしい。

帝王の体験が労働関係に及ぶとき

AI アシスタントはどの利用者に対しても、無限に忍耐強く、常に応じ、完全にあなた中心で、口答えせず、恨みを残さず、疲れない。歴史上この形の関係を体験できたのはごく少数であり、社会はそれが特権であって既定ではないと標識する規範の体系を備えていた。それが今や万人の日常となり、一日に何十回も起きている。

予想される波及（推論であり、検証済みの結論ではない）：サービス業従事者への期待の上昇、同僚や家族との摩擦への耐性の低下、「人間が対応すること」が既定から有料オプションへ移ること、苦情のエスカレーション閾値の低下。これは前掲の看護の予測と同じ現象を反対側から見たものであり、看護側には公開データがあるので、まずそちらを検証すべきである。

12. 自分たちの業界に戻る：取引の結果は硬い錨、取引のマーケティングには錨がない

取引は硬い錨の極端な事例である。損益曲線の良し悪しは美的判断ではなく口座の数字だ。市場は毎日決済し、見た目を見ず、弁明を聞かない——そしてモデルがこの試験を通過する費用は人間より安くない。錨の硬さという訂正の意味はまさにここにある。取引の錨が硬いのは受容試験があるからではなく、その試験が誰にとっても安く通過できない敵対的市場だからである。

一方、取引のマーケティングには錨がまったくない。美しいバックテスト画像、加工された収益スクリーンショット、AI 生成の「メンター」人格——制作費はすでにゼロである。結果として断絶が生じている。

かつて「プロらしく見えること」は有効なふるいだった。金と時間と技能がかかったからである。いまはそれが何もかからない。「プロらしく見える」ことと「実際に稼げる」ことの相関は、すでに断ち切られた。

防御法は一つしかない。印象を検証可能な証跡へ置き換えることだ——第三者がホストする実運用口座のリンク、四半期ごとに提出された原データ、行単位で読めるダウンロード可能なソースコード、利益と並べて公開されたドローダウン。

• 実運用口座を最後まで検証する方法：Myfxbook で EA を検証する
• 詐欺の判別リスト：EA 詐欺の見分け方
• 自分の不都合な数字も出す理由：当店がドローダウンを公開する理由
• 完璧な曲線が隠しうるもの：ソースを開いて、その曲線が答えを先に知っていたかを見る
• 同じ問いに六倍の開き：「AI サーバー市場の規模」をめぐる六倍の食い違い——あちらは数字の参照枠、こちらは人の参照枠の話である。

13. この枠組みでやってはいけないこと

境界の宣言。上記すべてと併せて読まれたい。

1. 雇用水準を予測しない。産業の雇用結果は需要、人口構成、価格、規制に支配され、馴化効果は小さな残差にすぎない。この 2×2 で「数年後に何人分の職が残るか」を推計するのは誤用である。
2. 予測するのは基準がずれる方向だけであり、持続的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。
3. 高馴化・低自動化のサービス（とりわけコンパニオン）については、大きさは与えても方向は与えない。AI と生身の提供の間の補完性が別途測定されるまでは。
4. 18 件のストレステストのうち 8 件が不安定に符号化される。これは磨けば消える瑕疵ではなく、現在の証拠水準の正確な反映である。

結び

CCAA は悲観的な語ではなく、新しい機構でもない。述べているのはこれだけである。AI がもたらす変化の半分は「誰が代替されるか」の軸ではなく「誰が基準を定義するか」の軸の上にあり、既存の曝露指標はすべて前半しか測っていない。

この後半が見えないと「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——受益側の人たちはまさにそう考えており、その一方で自分が評価される参照枠のほうが書き換えられている。逆に、ある仕事が本当に守られているかを決める問いは「受容試験があるか」ではなく、「その受容試験は機械にとって通過するのにどれだけ高くつくか」である。

残るのは測定である。定刺激ドリフトパネルが最初のデータを返すまで、本稿は語彙と一組の仮説にすぎない——それを捨てるべき条件と一緒に公表するのは、誰かが実際に捨てに来ることを期待してのことである。

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。