生成AIが評価プロセスを揺るがす以前から、科学・技術の進歩に伴って、新しい発見・発明に到達するまでのコストが上昇し続けているという現象が、経済学・科学社会学の分野で実証的に指摘されてきました。Benjamin Jonesの研究(2009)は、発明者が初めて特許を取得する年齢が世代を追うごとに上昇していることを示し、これを「知の重荷(burden of knowledge)」と呼んでいます。

Bloom, Jones, Van Reenen, Webb(2020, American Economic Review)は、研究投入あたりの新規アイデア産出効率が、半導体・医薬品・農業など複数の分野で長期的に低下し続けていることを定量的に示しています。この状況下で生成AIが登場したことは、応募・提案を作る側のコストを引き下げる一方、それを評価する側の負荷を跳ね上げるという、非対称な影響をもたらしています。

この逆説は、表彰事業の公募データに具体的に現れています。日経「星新一賞」の一般部門応募数は、第12回の1,250作品から第13回には1,923作品へと、約1.54倍に増加しました。同賞の最終審査会では、審査員から「人間の手による作品か、AIによって書かれた作品か、全く区別がつかない」という声が上がったことが報じられています(日本経済新聞、2026年4月16日)。

これは表彰事業に限りません。学術の査読プロセス、助成金の審査、採用選考の書類選考など、生成AIによって「提出側のコストが下がる」評価プロセスすべてに共通して現れる構造です。

学術出版の分野では、この構図がさらに明確なデータで観測されています。

500万本以上の論文を分析した調査(Enago, 2026年5月)によるこの数値は、開示を義務化するという規定を作ることと、それが実際に機能することの間に大きな距離があることを示しています。規定の整備だけでは、評価プロセスの実効性は担保されません。

「経験豊富な評価者が見抜けばよい」という発想には、理論的な弱点があります。心理学者Daniel KahnemanとGary Kleinは、専門家の直観が信頼できる条件を、(1)評価対象の環境が十分に規則的で予測可能であること、(2)その規則性を迅速で曖昧さのないフィードバックを伴う長期の訓練を通じて学習する機会があったこと、の2条件に整理しました(2009, American Psychologist)。

多くの評価プロセスは、この難しい条件に近い構造を持っています。不採用にした候補・落選させた提案がその後どうなったかを評価者が追跡することはほとんどなく、フィードバックのループが構造的に欠落しているのです。これは、評価という営みそのものに内在する脆弱性であり、eval000がメタ評価というアプローチで取り組んでいる中心的な課題でもあります。

さらに厄介なのは、この目利きの脆弱性が、評価者自身のAI利用によってさらに複雑化している点です。英国バース大学経営大学院のLindebaumらの研究(2026, Human Resource Management Journal)は、人が思考・意思決定・解釈をAIに外部委託し始めると、経験・文化・批判的思考を通じて培われる「身体化された知」が時間とともに衰えると警告しています。

評価者が日常的にAIを使って考えている場合、その評価能力自体が、検証されないまま静かに摩耗している可能性を排除できません。提出する側のAI利用だけでなく、評価する側の認知能力そのものが、同じ技術によって変質しているという二重構造が、あらゆる評価プロセスに共通する問題の核心にあります。