午前2時。バグは3時間も堂々巡りを続けている。眠るべきだとわかっていても、手はすでにキーボードに戻り、ターミナルに表示されたAIコーディングアシスタントへ、もう1つの指示を入力している。デスクに座っているだけとは思えないほど、心拍数が少し上がっている。1時間前に自分に言ったのと同じことを、また繰り返している。『あと1プロンプトで直すから』と。

この光景は、コードを書いたりコンテンツを作ったり、生成AIツールと日常的に協働する多くの人にとって、すっかりおなじみのものになった。従来型の燃え尽き症候群とは異なる。仕事への恐怖心も、点滅するカーソルを20分もじっと見つめるような感覚もない。むしろ、作業が強迫的に没入感を呼び起こし、止めるのが難しく感じられる。そして、それがまさに注意深く検討する価値のある点だ。

過去1年間、開発者やライター、研究者の間で、AIを活用した長時間の作業後に現れる特有の疲労が語られるようになってきた。発症が早く、中断しにくく、従来の長時間労働による緩やかな疲労とは明らかに異なる。開発者の一部が「AI脳疲労」と呼び始めた現象だ。コーディング界で著名なSteve Yeggeは、エージェント型コーディングツールの誘引力を率直に表現した。成功するたびに小さなドーパミン放出が得られ、失敗するたびにアドレナリンの刺激が訪れ、その交互のパターンが「自分を引き離すことをほぼ不可能にする」と。

2026年の業界調査も、こうした逸話を裏付けている。大規模なエンジニアリングリーダーシップ報告書によると、AIツールが時間を節約してくれるはずだったにもかかわらず、前年より長時間労働する開発者の割合が増えていることがわかった。余分な時間を最も多く費やしているのは、ツールの使い方をまだ学んでいる初心者ではなく、技術を最もよく理解し、最も流暢に活用しているシニアエンジニアだった。

本稿では、こうしたセッション中に脳と身体で実際に起こっていることを、生成AI登場以前から数十年にわたり研究されてきた報酬学習、強化スケジュール、ストレス生理学の知見を用いて考察する。ツールは新しいが、その基盤となる生物学は新しいものではない。そして、それを理解することが、こうしたシステムに「使われる」のではなく「使いこなす」ための第一歩となる。

AIツールが通常の作業と異なる理由

AIを活用した作業がこれほどまでに没入感を呼び起こす理由を理解するには、こうしたツールが存在しなかった頃の通常の1日がどのようなものだったかを振り返ると役立つ。従来のコーディング、ライティング、またはリサーチでは、長時間の努力と遅れて訪れる報酬がセットになっていた。関数を書いても、それが実際に動作する報酬を得るまでには、テスト、デバッグ、反復を経て数分から数時間かかることが普通だった。フィードバックは遅く、しばしば曖昧で、即時性に欠けていた。

生成AIは、そのギャップを埋める。問題を記述すると、数秒以内に修正案、コード片、テキストのパラグラフ、または回答が返ってくる。正確に正しい場合もあれば、ほぼ正しいが不完全な場合もある。あるいは、意外で、時には派手な失敗をする場合もある。重要なのは、どの結果が返ってくるかを事前に知ることができず、ほぼ即座にわかるということだ。この組み合わせ——迅速なフィードバックと結果に対する本物の不確実性——は、ささいなUXの詳細ではない。行動心理学で最もよく研究されてきたパターンの1つと、ほぼ完全に一致する。

脳の予測メカニズム

結果が期待と異なったときに起こる現象に、神経科学では「報酬予測誤差」という名前がある。この概念は、ドーパミンニューロンの研究から生まれたもので、特に神経科学者Wolfram Schultzの研究が有名だ。彼は長年にわたり、動物が報酬を予測するよう学習する過程で、これらのニューロンの活動を記録した。Schultzやその後の研究者たちが発見したのは、ドーパミンニューロンが良い出来事が起こったときに単に発火するわけではないということだ。発火の度合いは、良い結果がどれだけ驚きをもたらしたかに比例する。完全に予想していた報酬は、これらのニューロンをほとんど動かさない。予想を超える報酬は、活動のバーストを引き起こす。一方、報酬が来るはずだったのに来なかった場合は、ニューロンの活動が通常のベースラインレートを下回る沈黙状態になる。

これがプロンプトベースのAI作業に関係するのは、デバッグセッションで起こることとほぼ完全に一致するからだ。プロンプトを送信しても、それが問題を解決するかどうかはわからない。うまくいった場合は、確実ではなかったからこそ、肯定的な信号のバーストが得られる。うまくいかなかった場合は、沈黙が訪れ、すぐにプロンプトを微調整して再試行する選択肢が現れ、サイクル全体がリセットされる。ドーパミンを研究する研究者たちは、これを学習だけでなく、ビデオゲームからギャンブルに至るあらゆるものの誘引力の基盤となる中核メカニズムとして説明している。生成AIツールは、このメカニズムを発明したわけではない。ただ、それを1時間に数十回、時には数百回も引き起こすインターフェースを構築したにすぎない。

この図式に有用な補足を提供しているのが、神経科学者Kent Berridgeの研究だ。彼は「wanting（欲求）」と「liking（好み）」を区別する。Wantingは主にドーパミンシグナリングによって駆動される、何かを追求しようとする動機的な引き。Likingは実際にそれを得たときに生じる快楽で、部分的に異なる脳回路を通って現れる。Berridgeの研究は、これら2つのシステムが乖離し得ることを示している。激しく何かを欲していても、実際に手に入れたときの楽しさが増すとは限らないのだ。この区別は、長時間のAI活用セッションに異常に当てはまる。もう1つのプロンプトを送信しようとする引きは、セッションが続く限り強く保たれ得るが、実際に正しい回答を得たときの満足感は薄れていく。欲求は持続するが、好みは必ずしもそれに追いつかない。

行動心理学から借りた設計図

このパズルの2つ目の、密接に関連する要素は、はるかに古い心理学の分野から来ている。オペラント条件づけ、つまり結果が行動をどのように形成するかを研究する分野だ。AIコーディングアシスタントが想像される何十年も前に、心理学者B.F. Skinnerは、異なる報酬のパターン、つまり「スケジュール」を比較する実験を行った。彼の主要な発見の1つは、タイミングや報酬の可能性が予測不能な変動スケジュールで報酬が与えられた場合、予測可能なスケジュールで与えられた場合よりも、はるかに持続的で止めにくい行動が生まれるというものだった。

これがスロットマシンが人々の注意を長時間引きつける理由のメカニズムだ。機械は固定スケジュールで払い戻しを行うわけではなく、不規則に払い戻しを行う。そして、その不規則性こそが、人々がレバーを引き続ける理由なのだ。ギャンブル行動を研究する研究者たちは、この種の変動報酬が脳内のドーパミン放出と密接に関連しており、この方法で強化された行動は「消去」に対して特に抵抗力を持つことを発見している。つまり、人々は報酬が得られない長い期間でも、その行動を続けようとする。

AIによるコーディングやライティングのセッションに当てはめると、類似は直接的だ。次のプロンプトがきれいな修正を生むのか、部分的な修正なのか、完全に誤った回答なのか、それとも予想外に優れたものなのかは、自信を持って予測できない。その不確実性は、行動心理学で長年研究されてきた変動強化スケジュールに極めて近い。ここで、科学が何を確立し、何を確立していないかに注意を払う必要がある。研究者たちは、変動比率強化が制御された実験環境で持続的な反応を確実に生み出すことを記録しており、この報酬構造がソーシャルメディアからギャンブルアプリに至るデジタル製品への強迫的な関与と結びつくという合理的な証拠がある。プロンプトベースのAIツールが、物質と同様に臨床的に有意な依存パターンを生み出すかどうかは、はるかに新しい、未解決の問題だ。現在の理解に基づいて公正に言えるのは、AIツールの報酬構造が、持続的で中断しにくい行動を生み出すことが知られているパターンに極めて近いということだ。これは、AIコーディングが医学的に依存性があると言うこととは、意味のある違いがあり、その区別は重要だ。

「脳の興奮」から身体的負担へ

プロンプト-修正ループの精神的引きは、物語の半分にすぎない。残りの半分は身体に現れ、通常は興奮が冷めた後に気づかれる部分だ。

ベースラインを下回るクラッシュ

報酬研究で一貫して見られる所見の1つは、ドーパミンシグナリングの激しいまたは反復的な活性化の後には、代償的な低下が訪れる傾向があるということだ。頻繁で高強度のドーパミンシグナリングが続いた後、報酬関連の神経活動は単に安静状態に戻るのではなく、その後しばらくはそれを下回る傾向がある。これが、実際にその瞬間は頭が冴えてエネルギッシュに感じられた夜遅くのセッションが、十分な睡眠を取った翌朝でも、重く、平坦で、意欲が湧かない感覚に襲われる理由の一部だ。人々はこれを、通常の意思決定（最初に何に取り組むかなど）が異常に困難に感じられる一種の精神的霧や無気力として表現することがある。これは意思決定疲労の研究と一致する。考えることができないのではなく、持続的な認知的負荷の後に意思決定の質と速度が測定可能な形で低下する現象だ。

この反動効果に関する基礎研究のほとんどは、一般的な報酬とドーパミンの研究から来ており、AIツールの使用を具体的に設計した研究から来ているわけではないことに注意すべきだ。AIツールの使用に関する研究はまだ非常に若い分野である。プロンプトベースのワークフローに適用するのは、確立された原則の合理的な拡張であり、この正確な文脈で直接確認された所見ではない。

苛立ちが身体的信号になるとき

もう1つの身体的次元は、より馴染みのあるものだ。ストレスだ。AIツールが名目上は退屈な作業を行っているとしても、それを監督する人は、常に出力は正しいか、信頼すべきか、介入が必要か、この作業にどれだけの時間を費やしたかといった、ミクロレベルの判断を下し続けている。産業ストレス研究者は、心拍変動やコルチゾール（身体のストレス反応時に放出されるホルモン）などの指標を長年用いて、持続的な精神的負荷が身体に与える影響を追跡してきた。心拍変動の低下、つまり心拍間の健康的な変動が少なくなることは、知識労働者における生理的ストレスのよく記録されたマーカーであり、自己申告によるプレッシャーや負担感と密接に連動する傾向がある。

2026年にUC Berkeleyが行った研究では、中規模テック企業のAIツールを利用する従業員を調査し、より高性能なAIエージェントへのアクセスが、人々をより速いペースで、より多くのタスクを、より長い時間働くように導くことを発見した。研究者たちは、この「強化された」作業パターンが、時間の経過とともに認知的疲労と意思決定の弱体化につながる可能性のある経路であると指摘したが、この特定のダイナミクスに関する研究はまだ蓄積中であるため、 settledな結論ではなく初期のシグナルとして位置づけている。別に、2026年初頭を通じての業界報道では、AIコーディングツールが労働時間を短縮するのではなく延長しているように見えることが繰り返し指摘されており、最も経験豊富なエンジニア、つまりツールをフルスピードで活用できる立場にある人々の間で最も急激な増加が見られている。速いペース、長時間労働、そしてすでに活発に作動している報酬システムの上に積み重なる絶え間ないミクロ判断は、個々のタスクが単独では難しく感じられない場合でも、生理学的には要求の厳しい組み合わせである。

従来の燃え尽き症候群との違い

心理学者Christina Maslachが当初記述した燃え尽き症候群は、慢性職場ストレスの緩やかな蓄積として理解されていた。通常、数ヶ月かけて徐々に疲労、冷笑主義、自己効力感の低下を生み出す。AIを活用したバリエーションも同じ終着点を持つが、より速く、異なる経路で到達するように見える。報われない努力が多すぎることから来る研ぎ澄まされた疲労ではなく、このパターンは、速すぎる、頻繁すぎる、自然な停止点が少なさすぎる報酬から生まれるように見える。

これは微妙だが重要な違いだ。従来の燃え尽き症候群は、しばしば仕事そのものに対する恐怖心を伴う。一方、AIを活用したバージョンは、それを経験している人々によって、むしろその瞬間はエネルギッシュで、時には楽しかったと表現されることが多く、それが気づきにくく、中断しにくくしている要因の1つだ。次のプロンプトがまだ有望に感じられるため、休憩が必要だと感じない。まさに変動報酬ループの特徴だ。注意と神経系の調整という基盤となる資源が静かに消耗されつつあるにもかかわらず、継続への動機は高いまま保たれる。

この特定の枠組みがどれだけ新しいかについても、注意を払う必要がある。「AI脳疲労」などの用語や、AIが引き起こす燃え尽き症候群というより広いアイデアは、開発者による直接の体験談やコンサルティングファームの分析、業界報道を通じて主に広まったものであり、査読付きの臨床研究を通じて確立されたものではない。基盤となるメカニズム——報酬予測誤差、変動比率強化、ストレス生理学——は確立されている。これらをプロンプトベースのAIワークフローに具体的に適用することは、その研究の妥当で、ますます支持を集めている拡張であるが、完全に settledな科学的所見ではなく、活発に進化し続けている研究領域である。

ツールを壊さずにループを断ち切る

これはAIツールの使用に反対する主張ではない。なぜそれらを置くのがこれほど難しいのかをより明確に理解した上で使用すべきだという主張だ。上述のメカニズムに基づくいくつかの調整は、自分の中にこのパターンを認識したエンジニアの間で、現在流通している研究と実践的なアドバイスの両方で繰り返し登場する。

セッションを時間枠で区切ることは、最も一貫して推奨される戦略の1つだ。変動比率報酬ループは、意図的かどうかにかかわらず、自然な停止点に抵抗するように特別に設計されているため、タイマーや厳格な締め切りといった外部の停止点を課すことで、報酬システムが自ら行わない仕事を代行させる。探索的でオープンエンドなプロンプトと、焦点を絞った実行作業を分離することも、もう1つの実践的な区別だ。オープンエンドの「何が起こるか見てみよう」セッションは、ドーパミンループが最も熱を帯びる場所であり、それらを通常の作業に溶け込ませるのではなく、別個で境界のある活動として扱うことで、その引きを抑えられる。

身体的信号を認識することも重要だ。心拍数の上昇、頭が冴えているのに霧がかかったような感覚、タスクの実際の重要度に見合わない緊急性の感覚——これらはすべて、無視するのではなく情報として扱う価値がある。そして、本物の回復時間を設けること、つまり睡眠だけでなく、1日のうちにプロンプトを一切行わない時間帯を設けることで、ドーパミンシグナリングが慢性に活性化された状態からベースラインに戻る余地を与える。これらはいずれも、AIツールを放棄することを必要としない。報酬ループを、他のよく理解された行動パターンと同じ真剣さで扱うことを必要とする。

これが今後意味すること

プロンプト-修正ループは、技術が変化するたびに繰り返されるより広いパターンの有用なケーススタディだ。速度と応答性のために作られたツールは、設計者が明示的に意図しなかった方法で、人間の報酬心理学の非常に古く、非常によく理解された特徴と相互作用する傾向がある。スロットマシンやソーシャルメディアのフィードが注意を引きつけるのにこれほど効果的だったのと同じ報酬予測誤差メカニズムが、今、人々がソフトウェアを構築し、文章を書くために使用するツールの中に現れている。これはユーザーの道徳的失敗ではなく、ツールの欠陥でも必ずしもない。 instantで不確実なフィードバックが、ちょうどその組み合わせに細心の注意を払うように進化した脳と出会ったときに起こる、単純な結果だ。

生成AIが日常の知識労働にますます組み込まれるようになるにつれ、このメカニズムを理解することは、ツール自体を理解することと同じくらい重要になるだろう。報酬予測誤差、変動強化、燃え尽き症候群を結びつける研究は、その基盤は確立されているが、AIを活用した作業への具体的な適用についてはまだかなり新しいものであり、この正確な現象に関するより直接的で目的を持った研究が今後数年で登場することは合理的な期待だ。その間、最も有用な結論はシンプルなものかもしれない。「あと1プロンプト」という引きを感じることは、個人の弱さではない。それは、本当に巧妙に設計されたフィードバックループに対する予測可能な反応であり、予測可能な反応は計画を立てることができる。

次に「あと1プロンプト」と自分に言いかけたとき、あなたが交渉しているのはコードだけでなく、脳のもっとも古い報酬学習システムの1つであることを思い出す価値があるかもしれない。

科学的参考文献

Schultz, W. (2016). Dopamine reward prediction error coding. Dialogues in Clinical Neuroscience, 18(1).
Schultz, W., Dayan, P., & Montague, P.R. (1997). A neural substrate of prediction and reward. Science, 275(5306), 1593–1599.
Skinner, B.F. (1953). Science and Human Behavior. Macmillan.
Zald, D.H., et al. (2004). Dopamine transmission in the human striatum during monetary reward tasks. Journal of Neuroscience.
Berridge, K.C., & Robinson, T.E. (2016). Liking, wanting, and the incentive-sensitization theory of addiction. American Psychologist, 71(8), 670–679.
Murch, W.S., & Clark, L. (2016). Games of chance: Uncertain outcomes and the brain's reward system. Current Opinion in Behavioral Sciences.
Maslach, C., & Leiter, M.P. (2016). Burnout. In G. Fink (Ed.), Stress: Concepts, Cognition, Emotion, and Behavior (pp. 351–357). Academic Press.
Yegge, S. (2025–2026). Public commentary on agentic coding and reward-driven engagement, as reported by Built In and LeadDev.
LeadDev. (2026). Engineering Leadership Report 2026.
University of California, Berkeley. (2026). Research on AI tool use, work intensification, and cognitive fatigue at a technology company, as reported by Built In.
Boston Consulting Group. (2026). Reporting on psychological mechanisms in AI-related cognitive fatigue among technology workers.