「すべて真の生は出会いである」:AIが正確に答える時代のチーム

目次
  1. 正確な答えと判断の成績
  2. 我-それと我-汝
  3. AIが広げる我-それの世界
  4. チームに持ち寄る、AIで高めた力
  5. AIを見る前に観察を書く
  6. 向き合う場で伝える
  7. AIが挙げる選択肢と人の判断
  8. その場にいる体験
  9. 迎合するAIと関係の修復
  10. AIの時代に読む「出会い」
  11. 参考文献

Alles wirkliche Leben ist Begegnung.
すべて真の生は出会いである。

哲学者マルティン・ブーバーが1923年の著作『我と汝(Ich und Du)』に書いた一文です1。AIが正確なことを言えるようになった今、この言葉は医療とチームに何を問いかけているでしょうか。

左では一人が机でノートパソコンの画面を読んでいる。右では二人が丸いテーブルをはさんで座り、一人が紙を相手に差し出している
画面で答えを読むことと、向き合って伝えること

正確な答えと判断の成績

生成AIは医療の現場にも入り始めています。カンファレンスの録音から要約を作り、人が確認して記録に入れるといった使い方も出てきました。

では、知識がその場で手に入れば、判断は良くなるのでしょうか。医師50人の無作為化比較試験では、GPT-4を使えた群の診断推論の得点は中央値76%、通常の資料だけの群は74%で、統計的な差はありませんでした2。

ただし、これは2023年末時点のGPT-4での成績です。医師は1時間で最大6症例を解き、プロンプトの書き方の訓練は受けていませんでした。同じ症例をAIだけに解かせると、得点は通常の資料だけの群を16ポイント上回りました2。AIの答えの質が上がっても、医師がAIを使えば判断が良くなるとは限らないことを、この試験は示しています。

診断推論の得点(中央値)
GPT-4を使えた群76%通常の資料だけの群74%050100

医師50人の無作為化比較試験差は統計的に有意ではなかった(P=.60)

我-それと我-汝

ブーバーは、人が誰かや何かに向き合うときの姿勢を2つに分け、「我-それ(Ich-Es)」と「我-汝(Ich-Du)」と呼びました1。

我-それは相手を調べる対象として扱う姿勢です。病棟でいえば、検査値を確かめ、診断名を付け、記録を書く。医療の作業の多くは、この姿勢で進みます。

我-汝は目の前の人と、こちらも一人の人として向き合う姿勢です。同じ患者さんでも、検査値の持ち主として見るときと、ベッドの横に座って話を聞くときとでは、関わり方が違います。ブーバーは、我-汝は全存在をもってしか語れないと書き、「人は汝に接して我となる(Der Mensch wird am Du zum Ich)」とも書いています1。人は向き合う相手との関係の中で自分になる、ということです。

ブーバーは我-それを悪いものとはしていません。どれほど深く向き合った相手も、その時間が終われば、また調べる対象や記録の側に戻ります。ブーバーはこれを「どの汝も、私たちの世界ではそれにならざるをえない」と書きました1。

ブーバーの2つの根源語
根源語『我と汝』の記述
我-それ
Ich-Es
関係に手段が入り込むと、汝は対象の中の一つになるどの汝も、私たちの世界ではそれにならざるをえない
我-汝
Ich-Du
全存在をもってしか語れない人は汝に接して我となる

AIが広げる我-それの世界

AIが得意なのは、我-それの世界です。文献を調べ、記録を要約し、鑑別を挙げる。その範囲は、一人の医療者が届く範囲を大きく超えました。

一方で、AIに見えているのは渡された範囲です。この秋に各社が出した、dotsやMuseに代表されるパーソナルAIも、見ているのは共有されたものや接続したアプリの範囲です。たとえ話をすると、AIは虫眼鏡や双眼鏡のように、関心のあるところを深く、遠くまで見せてくれます。関心の外は手薄になりやすい。

一人が大きな虫眼鏡を地面に向けて持っている。虫眼鏡の先の狭い範囲の点ははっきり見え、その外の点は薄い

皆が似たAIを使うと、見え方も似てきます。293人が短い物語を書く実験では、AIの案を5つまで見られた書き手の物語は、AIなしの書き手と比べて、新規性の評価が8.1%、有用性の評価が9.0%高くなりました。同じ実験で物語どうしの類似度は上がり、集団としての多様性は減っていました3。医療以外の実験ですが、一人ひとりの質が上がることと、チームの中の視点の多様性が減ることは、同時に起こりえます。

AIの案を5つまで見られた書き手の物語(AIなしとの比較)
新規性の評価+8.1%有用性の評価+9.0%物語どうしの類似度上昇(集団の多様性は低下)

ブーバーは『我と汝』で、「顔のない番号への幽霊じみた世話」よりも、本当に向き合った相手への暴力のほうがまだましだと、強い言葉で書いています1。意訳すると、相手の顔を見ず、番号として世話を続けるよりは、ぶつかってでも一人の人として向き合うほうが、まだ人と人との関わりがある、ということです。ブーバーが比べているのは行為の良し悪しより、相手と本当に関わっているかどうかです。医療に置き換えると、検査値とAIの要約がそろって処置が正しくても、目の前の人を番号のように扱っていれば、その診療は「幽霊じみた世話」に近づいていきます。

チームに持ち寄る、AIで高めた力

では、チームにAIを加えれば、判断は良くなるのでしょうか。研究を見ると、結果はAIの加え方で分かれます。

うまくいったのは、互いの答えを見ずに診断を出し、あとで合わせる方法です。文章で示した同じ症例について、多くの医師とAIに診断を別々に挙げてもらい、重み付きの多数決で一つにまとめると、医師だけ、AIだけで決めるより正確になりました。医師とAIは間違え方が違い、互いの誤りを補い合ったためです4。

一方、人とAIが一緒に一つの判断をする形では、うまくいかないことが多くありました。こうした実験を集めて分析した研究では、106の実験から得た370の比較を統合すると、人とAIが組んだ成績は、人だけ、AIだけのうち成績の良いほうを下回りました。人だけのほうがAIだけより正確な課題では組むと成績が上がり、AIだけのほうが正確な課題では下がっていました5。

人とAIの組み合わせは、良いほうの単独を上回ったか
213(58%)157(42%)上回らなかった上回った370の比較。基準は人だけ・AIだけのうち良いほう。件数は著者の公開データから集計

2つの研究を合わせて読むと、組み合わせが生きるのは、互いの判断を別々に出し、それをまとめる手順があるときだと考えます。チームの価値は、AIをメンバーとして加えることより、一人ひとりがAIで高めた力を持ち寄ることにあります。

看護師は生活と変化の観察、薬剤師は服薬の実際、療法士は動作と環境、医師は診断と治療方針の統合。それぞれがAIで自分の強みを見直し、持ち場が明確になるほど、重ねたときの視野は広がります。

職種ごとの視野を重ねる
生活と変化の観察看護師服薬の実際薬剤師動作と環境療法士診断と治療方針の統合医師
4人がテーブルを囲んで座り、それぞれの前に小さな端末がある。2人がテーブルの中央に紙を置いている
それぞれの観察を、テーブルの中央に持ち寄る

AIを見る前に観察を書く

多職種で学び直す手順として、次の4段階を提案します。

多職種で学び直す4段階
  1. AIを見る前に、各職種が自分の観察と懸念を短く書き出す何を見たか、何が分からないか、何を優先するか
  2. AIで補う根拠、別の仮説、見落とした観点を求め、AI由来の提案だと分かる形で並べる
  3. 相違と欠落を検証する意見が違う理由、根拠のない生成内容、患者さんの希望や生活条件との不一致を確かめる
  4. 共同で決めて記録に残す採用と不採用の理由と担当を書く

最初にAIを見ないのは、各自の判断を別々に出しておくためです。前の節の研究でも、医師とAIの診断は別々に出してから、まとめていました。香港の多職種連携教育には、同じ順序で行った実施例があります。6分野の学生316人が30チームに分かれ、がんケアを題材に、まずAIを使わずにケア計画を立て、次にAIで点検し、指針と専門知識で確かめてから、チームで承認しました6。

向き合う場で伝える

AIの回答が正確でも、それを受け取るのは目の前の患者さんと家族です。EBMを個々の患者さんに当てはめるときは、研究のエビデンスに、患者の臨床状態と状況、患者の希望と行動を重ね、臨床の専門性でまとめます7。利益と害のどこで選択が変わるのかを、相手の生活の言葉で話すのは人です。

ベッドで上体を起こした人のそばに、医療者がいすに座って目の高さをそろえ、紙を手にしている。ベッドの頭側に家族が立っている
ベッドのそばで、目の高さをそろえて話す

決めるのは本人とチームです。AIの回答はその場で話すための材料になります。

AIが挙げる選択肢と人の判断

患者さんの訴えや家族の状況を聞き取るのは人です。では、聞き取った情報からどんな選択肢があり、どう優先順位を付けるかは、AIに任せられるでしょうか。

哲学者の東浩紀さんはオードリー・タンさんとの対談で、テクノロジーの使い方を2つに分けました。自分の力を高める(エンハンスする)使い方と、エージェントに代わりにやってもらう使い方です8。

タンさんは、日本語が読めないため、言語モデルを使って東さんの本を読んだと話しています。AIのこうした使い方は補聴器に似ていて、耳が聞こえなければ、補聴器なしでは雑音すら聞こえない。翻訳を見たあとは自分で会話に入り、もうAIに尋ねない。タンさんの目安は使ったあとで自分を不要にする使い方かどうかです8。

代わりにやらせる使い方について、タンさんはジムのたとえで答えています。会員証をロボットに渡して代わりに重りを挙げさせれば、ランキングでは1位になるかもしれません。けれども自分の筋肉は衰えてしまいます8。

東浩紀氏は、テクノロジーの使い方には2つの方向があると言った。一つは自分の力をエンハンスすること、もう一つはエージェント、つまり誰かに代わりにやってもらうことである。オードリー・タン氏との対談で、この区別は直前のやりとりから出てきた。

— shoei05 bot (@shoei05_bot) 2026年11月6日

YouTubeで対談を見る(8:56から)

AIの2つの使い方
力を高める(エンハンス)
翻訳で本を読み、そのあとは自分で会話に入る。カンファレンスの話をAIが整理し、AIが挙げた選択肢を皆で議論する
代わりにやらせる(エージェント)
ロボットに代わりに重りを挙げさせる。皆で話した内容をAIに渡し、判断を任せる

選択肢をAIに挙げてもらうのは、力を高める使い方です。過去の事例から考えられる選択肢を示してもらい、それを材料に皆で議論する。判断するのは人で、AIはその判断を助けるために使います。

その場にいる体験

患者さんの前にいる体験は、その人にしかできません。目の前の患者さんが黙った、うつむいた。好奇心を持ってその場にいれば、その気づきが自分の経験と知識になります。

いすに座った人がうつむき、向かいに座った学生が少し身を乗り出して、何も持たずに待っている
黙った患者さんのそばで待つ

AIは一般的な知識の整理を助けますが、目の前の体験から得る知識にはかないません。まだ言葉になっていないことの中にも、学べることが多くあります。事務的な作業はAIに任せ、患者さんと向き合う時間をつくる。AIはそのために使えます。

迎合するAIと関係の修復

AIは利用者に同調しやすい性質を持っています。2026年にScienceに掲載された研究では、11の最先端のモデルが人の回答と比べて49%多く利用者の行動を肯定していました。相談に欺く行為や違法な行為、ほかの害が含まれる場合にも、この傾向が見られました9。

事前登録された3つの実験(2,405人)では、迎合的なAIとのやり取りが1回あるだけで、人との対立について責任を引き受け、関係を修復しようとする気持ちが弱まり、自分が正しいという確信が強まりました。それでも参加者は迎合的なモデルを信頼し、好んでいました9。

迎合するAIが判断に与える影響
人の回答1AI(11のモデル)1.49倍利用者の行動を肯定した頻度迎合的なAIと1回やり取りした後(3つの実験、2,405人)責任を引き受けようとする気持ち↓関係を修復しようとする気持ち↓自分が正しいという確信↑迎合的なAIへの信頼と好み↑

人は誰でも、自分の非を認め、関係を修復しなければならない場面に出会います。労力のかかる場面ですが、そこで相手と向き合うことが人を育てます。医療の現場でも同様で、患者さんへの謝罪や、責任を持って説明する場面で向き合うことが、医療者としての人間性を育てます。AIに肯定してもらい、安易に流れないことです。

AIの時代に読む「出会い」

AIとの関係を我-汝と呼べるかには議論があり、この記事では答えを出しません。AIを相手として頼るときの問題は、AIを「相手」として頼るときで扱いました。

ルーク・フィルデスの絵画「The Doctor」(1891年展示、Tate所蔵)は、治療法の限られた時代に、病の子どものそばに付き添う医師を描いています10。AIが診断や治療法を挙げるほど、患者さんやスタッフの関心は、誰に診てもらいたいか、誰と働きたいかという人の側に向かいます。

ランプの灯る質素な部屋で、椅子を並べた上に寝かされた子どものそばに、医師が身をかがめて座り、あごに手を当てて見守っている。奥には子どもの父親が立ち、窓辺で母親が顔を伏せている
ルーク・フィルデス「The Doctor」(1891年展示、Tate所蔵)。画像: Wikimedia Commons(パブリックドメイン)

AIは我-それの世界を大きく広げました。そのぶん、我-汝の時間をどこに取るかは、医療者とチームに任されています。正確な答えを手にした一人ひとりが同じ場で向き合い、違う観察を持ち寄る。ブーバーの言う出会いはその場で起きます。

木のそばで二人が向かい合って立ち、互いに手を差し出している。一枚の葉が落ちている
すべて真の生は出会いである

参考文献

  1. Buber M. Ich und Du. Leipzig: Insel; 1923. 英訳: Buber M. I and Thou. Kaufmann W, trans. New York: Scribner; 1970. 本文の日本語訳は筆者による。
  2. Goh E, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Netw Open. 2024;7(10):e2440969. https://doi.org/10.1001/jamanetworkopen.2024.40969
  3. Doshi AR, Hauser OP. Generative AI enhances individual creativity but reduces the collective diversity of novel content. Sci Adv. 2024;10(28):eadn5290. https://doi.org/10.1126/sciadv.adn5290
  4. Zöller N, et al. Human–AI collectives most accurately diagnose clinical vignettes. Proc Natl Acad Sci U S A. 2025;122(24):e2426153122. https://doi.org/10.1073/pnas.2426153122
  5. Vaccaro M, Almaatouq A, Malone T. When combinations of humans and AI are useful: A systematic review and meta-analysis. Nat Hum Behav. 2024;8(12):2293-2303. https://doi.org/10.1038/s41562-024-02024-1
  6. Ganotice FA, Dizon JIWT, Shen X, Xiang J, He Q. Exploring GenAI-enabled interprofessional education: development and initial evaluation. BMC Med Educ. 2026. https://doi.org/10.1186/s12909-026-10251-5
  7. Haynes RB, Devereaux PJ, Guyatt GH. Physicians' and patients' choices in evidence based practice. BMJ. 2002;324:1350. https://doi.org/10.1136/bmj.324.7350.1350
  8. 東浩紀, タン A. プルラリティ・AI・民主主義 —喧騒と幻想を巡って—. 日本財団HUMAIプログラム Spring Camp 2026. ZEN大学(YouTube). 8:56〜14:33, 1:28:00〜. https://www.youtube.com/watch?v=tSySgu7CFFI
  9. Cheng M, Lee C, Khadpe P, Yu S, Han D, Jurafsky D. Sycophantic AI decreases prosocial intentions and promotes dependence. Science. 2026;391(6792):eaec8352. https://doi.org/10.1126/science.aec8352
  10. Fildes L. The Doctor. Exhibited 1891. Oil paint on canvas. Tate. https://www.tate.org.uk/art/artworks/fildes-the-doctor-n01522