論文の概要: The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading
- arxiv url: http://arxiv.org/abs/2604.03501v1
- Date: Fri, 03 Apr 2026 22:50:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.612634
- Title: The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading
- Title（参考訳）: Augmentation Trap: AI生産性と認知的負荷のコスト
- Abstract要約: 実験的な証拠は、AIツールが労働者の生産性を高めることを裏付けるが、持続的な使用は、それらの利益が依存する専門知識を損なう可能性がある。
我々は、意思決定者が労働者のAI利用強度を時間とともに選択する動的モデルを開発する。
ツールの生産性効果を2つのチャネルに分解します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Experimental evidence confirms that AI tools raise worker productivity, but also that sustained use can erode the expertise on which those gains depend. We develop a dynamic model in which a decision-maker chooses AI usage intensity for a worker over time, trading immediate productivity against the erosion of worker skill. We decompose the tool's productivity effect into two channels, one independent of worker expertise and one that scales with it. The model produces three main results. First, even a decision-maker who fully anticipates skill erosion rationally adopts AI when front-loaded productivity gains outweigh long-run skill costs, producing steady-state loss: the worker ends up less productive than before adoption. Second, when managers are short-termist or worker skill has external value, the decision-maker's optimal policy turns steady-state loss into the augmentation trap, leaving the worker worse off than if AI had never been adopted. Third, when AI productivity depends less on worker expertise, workers can permanently diverge in skill: experienced workers realize their full potential while less experienced workers deskill to zero. Small differences in managerial incentives can determine which path a worker takes. The productivity decomposition classifies deployments into five regimes that separate beneficial adoption from harmful adoption and identifies which deployments are vulnerable to the trap.
- Abstract（参考訳）: 実験的な証拠は、AIツールが労働者の生産性を高めるだけでなく、持続的な使用によって、それらの利益が依存する専門知識を損なう可能性があることを証明している。
我々は、意思決定者が労働者のAI使用強度を時間とともに選択し、労働者スキルの侵食に対して即時生産性を取引するダイナミックモデルを開発する。
ツールの生産性効果を2つのチャネルに分解します。
モデルは3つの主要な結果を生み出します。
第一に、スキルの侵食を完全に予測する意思決定者でさえ、前もって生産性が向上するとAIを合理的に採用する。
第二に、マネージャが短期的あるいは労働者のスキルが外部的価値を持つ場合、意思決定者の最適なポリシーは、定常的な損失を増大トラップに変え、AIが採用されていない場合よりも労働者を悪くする。
第3に、AIの生産性が労働者の専門知識に頼らない場合、労働者は永久にスキルを分散することができる。
管理インセンティブの小さな違いは、労働者がどの道を進むかを決定することができる。
生産性の分解は、デプロイを有害な採用から有益な採用を分離する5つのレギュレーションに分類し、どのデプロイメントが罠に弱いかを特定する。
関連論文リスト
- The Boundaries of Automation: A Theory of Persistent Human Participation [107.84677954791773]
高い能力を持つAIシステムであっても、人間の参加は継続する可能性がある、と私たちは主張する。
一部のアクティビティでは、ターゲットは事前に完全に指定されるのではなく、代わりにインタラクション自体を通じて現れる。
この観点は、自動化の限界に重要な意味を持つ。
論文 参考訳（メタデータ） (2026-07-23T17:33:43Z) - Managing the Human Fallback: Skill Investment Under Improving AI and Worker Mobility [0.0]
企業が自律的なAIをデプロイするときは、システムに残すべき作業量と、労働者のエンゲージメントを維持するための作業量を決定する必要がある。
我々は、AIが機能する時に作業者より優れるが、正の確率で失敗する2周期モデルを開発した。
企業は、労働者のエンゲージメントを選択し、エンゲージメントは、ベンチマーク以下の労働者の現在のアウトプットを低くするが、学習と浸食によって将来のスキルを変える。
論文 参考訳（メタデータ） (2026-06-27T23:34:23Z) - Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。
理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。
人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
論文 参考訳（メタデータ） (2026-06-04T10:25:31Z) - Queue & AI: When Faster Tasks Slow Down the Workflow [2.89908994976586]
カスタマーサービス、書き込み、ソフトウェア開発、コンサルティングオペレーションにAIツールが配置されることで、タスク当たりの生産性が大幅に向上することが報告されている。
このような平均ベースのメトリクスは、タスクが蓄積され、人間の注意を弱めるために競合するAIの影響を誤って表すことができる、と私たちは主張する。
論文 参考訳（メタデータ） (2026-05-26T15:57:41Z) - Short-Term Gain, Long-Term Fragility: AI Labor Substitution and the Erosion of Sustainable Capability [0.0]
本稿では,AI労働代行下での能力マスキングと能力侵食のメカニズムを考察する。
AIが生成したアウトプットは、熟練した人間の労働への依存が残っている場合でも、組織能力が置き換えられたように見える。
AI支援コーディングの証拠によると、生成した出力は依然として相当な人間による検証が必要であり、正確性、保守性、セキュリティが不均一である。
論文 参考訳（メタデータ） (2026-04-23T03:11:27Z) - When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。
エージェントはいつ、いつ、いつ行動すべきか?
本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
論文 参考訳（メタデータ） (2026-03-17T15:38:50Z) - Barriers to AI Adoption: Image Concerns at Work [0.0]
私は、労働者がAIへの依存が評価者に見える場合、低いレートでAIレコメンデーションを採用することに気付きました。
労働者がAIに大きく依存することを恐れていることが、労働者自身の判断に対する自信の欠如を示唆していることを示す、インセンティブに適合する新しい方法を紹介します。
論文 参考訳（メタデータ） (2025-11-23T18:50:34Z) - AI Failure Loops in Devalued Work: The Confluence of Overconfidence in AI and Underconfidence in Worker Expertise [22.485163311963493]
「フェミニズド労働の事例を考察し、歴史的に女性労働と誤認された非評価職業の類」
労働者のスキルの自動化に関する誤った判断が、労働者に価値をもたらすのに失敗するAIデプロイメントにつながっていることを示す。
論文 参考訳（メタデータ） (2025-11-07T01:51:57Z) - How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations [112.57167042285437]
エージェントが人間とエージェントの労働者の直接比較を初めて提示することで、エージェントがどのように人間の仕事をするかを考察する。
結果が88.3%速く、コストが90.4-96.2%低いことが判明した。
論文 参考訳（メタデータ） (2025-10-26T18:10:22Z) - Training for Obsolescence? The AI-Driven Education Trap [0.0]
我々は、AIを採用するという決定は、AIの将来の賃金抑制効果をこれらのスキルに内在させることができない、その教育生産性によってもたらされる教育プランナーをモデル化する。
我々の発見は、前向きな労働市場信号と組み合わせなければ、教育におけるAIを促進する政策が、学生の長期的資本をパラドックス的に損なう可能性があることを警告した。
論文 参考訳（メタデータ） (2025-08-27T07:04:19Z) - Experimental Evidence That AI-Managed Workers Tolerate Lower Pay Without Demotivation [7.306174397662034]
AI管理に対する労働者の反応に関する実験的証拠は、部分的には実験的忠実性の限界のために、相変わらず混在している。
これらの制限をMinecraftプラットフォームでカスタマイズされた職場で解決し、自律的なタスク実行の高解像度な行動追跡を可能にする。
労働者は人間、AI、ハイブリッド管理の下で繰り返し生産タスクを完了した。
AIマネージャは、労働者のモチベーションや公正感に悪影響を与えることなく、人間の定義した評価原則に基づいて体系的に低いパフォーマンスレーティングと賃金を40%削減した。
論文 参考訳（メタデータ） (2025-05-27T20:40:18Z) - How Performance Pressure Influences AI-Assisted Decision Making [52.997197698288936]
我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。
我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
論文 参考訳（メタデータ） (2024-10-21T22:39:52Z) - AI and Jobs: Has the Inflection Point Arrived? Evidence from an Online Labor Platform [0.13124513975412255]
我々は、AIが異なるオンライン労働市場(OLM)のフリーランサーにどのように影響するかを調査する。
そこで我々はCournot型競合モデルを開発した。
合衆国のWebデベロッパは、他のリージョンに比べてChatGPTのリリースの恩恵を受ける傾向にある。
論文 参考訳（メタデータ） (2023-12-07T10:06:34Z) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳（メタデータ） (2020-04-27T19:06:28Z) - Effect of Confidence and Explanation on Accuracy and Trust Calibration
in AI-Assisted Decision Making [53.62514158534574]
ケース固有のモデル情報を明らかにする特徴が、信頼度を調整し、人間とAIのジョイントパフォーマンスを向上させることができるかどうかを検討する。
信頼スコアは、AIモデルに対する人々の信頼を校正するのに役立ちますが、信頼の校正だけでは、AI支援による意思決定を改善するには不十分です。
論文 参考訳（メタデータ） (2020-01-07T15:33:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。