Post
JA EN

CS知識を『経験知』に変える——AI時代にエンジニアの専門性を鍛える3つのメカニズム

Posted
By
47 min read
CS知識を『経験知』に変える——AI時代にエンジニアの専門性を鍛える3つのメカニズム
  • 想定読者： 「AI時代に学び方を変えるべきか」を考えているITエンジニア。CS（コンピューターサイエンス）の基礎知識をどう学び直すべきか迷っている人
  • 前提知識： データ構造・アルゴリズムなど大学レベルのCS基礎に触れたことがある程度でよい
  • 所要時間： 15分

概要

AIが実装・検索・要約を代替しつつあるからといって、エンジニアという職業そのものが消えるわけではない。COBOL登場以来60年、「不要論」は約10年周期で繰り返されてきたが、その都度、抽象化レイヤーが一段上がり、需要はむしろ拡大してきた1。AIが変えているのは仕事の有無ではなく、仕事の中身であり、ITエンジニアという職業が今後も存続する前提に立つなら、その土台となる基礎知識はCS(コンピューターサイエンス。データ構造、アルゴリズムと計算量、OSとネットワークの基本原理、並行処理の考え方)で間違いない。

CSのように、業界を問わずどのエンジニアにも共通する知識は、認知科学ではDomain-general knowledge(領域普遍知識)と呼ばれる。これに対して、特定の業界・企業でしか通用しない知識はDomain-specific knowledge(領域固有知識)と呼ばれる。両者は学び方も、身につくメカニズムも異なる。本記事は前者、Domain-general knowledgeとしてのCSに焦点を当てる。

問題は、その先にある。CSを「知っている」ことと、CSを「使いこなす」ことの間には、依然として実践という距離が横たわっている。認知科学は半世紀以上前から、専門性(expertise)が暗記だけでは手に入らないことを示してきた23。チェスの熟達者が盤面を丸暗記しているのではなく意味のあるまとまりとして知覚しているように、CSの知識も、教科書を読んで覚えるだけでは実務で使える判断力にならない。AIが実装の多くを代替できるようになった今、この「知っている」と「使いこなす」の距離をどう埋めるかが、エンジニアの専門性を左右する分水嶺になる。

本記事は、この距離を埋める3つの認知的メカニズム(新しい学習を加速するスキーマとしてのCS知識、意図的練習と生産的失敗による訓練のループ、経験を暗黙知として蓄積するディープスマート)を、認知科学の知見に基づいて具体的に描く。CSの知識を、AIには複製できない実務判断力へ変換する方法の見取り図だ。

AIが変えているのは「仕事の中身」であって「仕事の有無」ではない

まず前提を揃えておきたい。「プログラマーが不要になる」という予測は、少なくとも1960年のCOBOL登場以来、約10年周期で繰り返されてきた。1980年代の4GL、2000年代のRAD/ノーコード、2010年代のLow-Code、そして今回の生成AI。毎回、「専門知識がなくても書ける」「プログラマーは要らなくなる」と言われ、毎回、抽象化レイヤーが一段上がり、需要はむしろ拡大してきた1。COBOL登場時に「事務員がプログラムを書ける」とされたが、実際にはCOBOLで書かれた巨大な業務システムを保守する専門家の需要が60年以上続いている。

今回のAIも、実証データを見る限り同じ構図の途上にある。METRの2025年の研究では、経験豊富な開発者がAIツール使用時にむしろ19%遅くなったことが報告されている4。AI生成コードの45%にセキュリティ脆弱性が含まれるという調査もある5。「AIがコーディングを完全に代替する」という前提は、少なくとも現時点では成立していない。

つまり起きているのは、時間配分の中心が「書く」から「検証・判断・統合」へ移ることだ。この移行の中で、多くの言説は「学ぶ内容が文法暗記からエッジケース判断・コード読解へシフトした」と説明する6。だが、この説明には見落としがある。「文法暗記でかつては専門性が手に入っていた」という含意だ。

本当にそうだったのか。

前提：専門性は暗記だけでは手に入らない

この前提は目新しい発見ではない。1973年、認知科学者のChaseとSimonは、チェスの熟達者と初心者に対局中の盤面を数秒見せて記憶させる実験を行った。熟達者が優れていたのは丸暗記の能力ではなく、意味のあるパターンとして盤面をチャンク(まとまり)化する能力だった。実戦ではありえないランダム配置では、その優位性はほぼ消えた2。同じ現象は熟練プログラマーでも再現されており、コードを意味のあるチャンクとして記憶する7。心理学者のK. Anders Ericssonらが1993年に確立した意図的練習(deliberate practice)の概念も同じ方向を指す。単なる反復ではなく、即時フィードバックを伴う、明確な課題への意図的な反復が熟達の鍵になる3。

この獲得プロセスを最も直接的に描くのが、Dreyfus兄弟が1980年に提唱した技能習得モデルだ8。初心者から熟達者までを5段階(初心者→中級者→一人前→上級者→熟達者)で描き、熟達へ進むほど、明示的なルールへの依存が減っていくと示す。物事が順調なときの熟達者は、ルールを思い出しているのではなく、無数の経験を通じて直感に溶け込んだ判断で動いている8。暗記した知識(ルール)は専門性の出発点にすぎず、終着点ではない。

flowchart TB
    A["初心者<br>明示的なルールに依存"] --> B["中級者<br>状況の要素に気づき始める"]
    B --> C["一人前<br>意識的な計画と分析"]
    C --> D["上級者<br>直感的把握＋分析的検証"]
    D --> E["熟達者<br>ルールを離れた<br>流暢な直感的判断"]

では、なぜ多くのエンジニアが写経やAPIの丸暗記に時間を投資してきたのか。答えは、専門性を測定・評価する仕組みの側にある。教育心理学者のMartonとSäljöは1976年、学習への向き合い方を、テキストをそのまま覚えようとする受動的な表層アプローチと、意味を理解し批判的に検討する能動的な深層アプローチに区別した9。多くの資格試験・技術面接・初期のプログラミング教育は、表層アプローチでも高いスコアを取れる形式で設計されてきた。専門性の本質が変わったわけではなく、専門性の代理指標(暗記できたか)で専門性そのものを判定する仕組みが、たまたま長く通用していただけだ。文法暗記からコード読解への学習内容の比重の変化6は、これまで暗記で誤魔化せていた表層アプローチの部分が、AIによって可視化され無効化された結果と読み直せる。AIが安くしたのは表層アプローチでも到達できた領域であり、Dreyfusモデルの右端、経験を通じて直感に溶け込んだ判断力は、依然としてAIが苦手とする領域と重なる45。

ITエンジニアの土台としてのCS、そしてその使い方

ここまでの議論を踏まえて、本題に入る。ITエンジニアという職業が今後も存続する前提に立つなら、その土台となる基礎知識はCS(コンピューターサイエンス)、つまりデータ構造、アルゴリズムと計算量、OSとネットワークの基本原理、並行処理の考え方、型システムの基礎で間違いない。特定のフレームワークのAPIは数年で書き換わるが、計算量の考え方や並行処理の基本原理は10年単位で通用する。

だが、ここに落とし穴がある。CSの教科書を読み、アルゴリズムを暗記し、計算量の公式を覚えることは、Dreyfusモデルで言えば初心者段階のルール獲得にすぎない。CSを「知っている」ことと、CSを「使いこなす」ことの間には、依然として実践という距離が横たわっている。この距離を埋める鍵は、認知科学が示す3つのメカニズムにある。

1. スキーマとしてのCS知識

長期記憶に蓄積された知識のまとまり(スキーマ)は、新しい情報を効率的に取り込むための土台として機能する。教育心理学者のRichard Andersonが強調したように、「すでに持っているスキーマが、新しいテキストから何を学ぶかの主要な決定要因」になる10。CSの基礎知識は、まさにこのスキーマの役割を果たす。ハッシュテーブルの仕組みを理解していれば、新しいデータベースのインデックス設計を学ぶときに、既存のスキーマに接続して素早く理解できる。逆にスキーマがなければ、新しい情報は孤立した断片のまま定着しない。CSを学ぶ価値は、それ単体で専門性になることではなく、その後の学習を加速する土台になることにある。

2. 意図的練習と生産的失敗によるループ

CSの原理を学んだ後、それを具体的な問題に繰り返し適用し、うまくいかなかった箇所を検証し、修正するというループを回すことで初めて、知識は直感的な判断力へと変換される。心理学者のKolbが提唱した経験学習理論は、具体的経験・内省的観察・抽象的概念化・能動的実験という4段階のサイクルを学習の本質としている11。教育学者Manu Kapurの「生産的失敗」研究はこれをさらに一歩進め、正解を教わる前に自力で失敗した学習者の方が、概念理解と応用力で有意に優れることを53研究・166比較のメタ分析で示した(効果量g=0.36〜0.58)12。

ハッシュテーブルの計算量を知っているだけの人と、実際に自分でN+1問題を踏み抜いて修正した経験がある人とでは、次に似た設計判断に直面したときの反応速度がまったく違う。前者はルールを思い出さなければならないが、後者は違和感として即座に気づく。

ただし、経験を積みさえすれば自動的に判断力が育つわけではない。直観研究で対立してきたDaniel KahnemanとGary Kleinが、論争の末に数少ない合意として示したのは、直観が信頼できるのは「規則性のある環境」かつ「速く明確なフィードバックがある」場合に限られるということだ13。ソフトウェア開発の中でも、この条件が揃う領域と揃わない領域がある。テストやバグは実行すれば結果がすぐ返るので、実装まわりの経験は着実に判断力へ育つ。一方、アーキテクチャの設計判断は、良し悪しが数年後にしか判明しないことが多い。フィードバックループが壊れている領域では、経験は自信だけを育て、判断の精度は上げない。だからこそ、次の第3のメカニズム(判断の背景を書き残す)は、壊れたフィードバックループを自分で作り直す手段としても機能する。

3. 経験を暗黙知として蓄積する

経営学者Dorothy Leonard-BartonとWalter Swapは、著書『Deep Smarts』の中で、長年の実務経験を通じて培われる文脈依存の洞察力と迅速な判断力を「ディープスマート」と呼んだ14。単なる知識の蓄積ではなく、実際に観察し、実践し、他者と協働して問題を解き、その結果に責任を持つという一連の経験からしか育たない、暗黙知に近い実践知だ。同書はこの獲得プロセスを、観察(Observation)・実践(Practice)・協働的問題解決(Partnering)・責任を負う(Taking responsibility)の頭文字を取ってOPPTYプロセスと整理している。

CSの原理をディープスマートへ変換する現場は、具体的にはこういう形で現れる。障害対応の最中に「これは以前見たパターンだ」と数秒で当たりをつける感覚。設計レビューで「この抽象化は将来こう破綻する」と根拠は説明しにくいが確信を持って言える感覚。これらは意識的な訓練の対象になる。障害対応後に「あのとき自分は何を考え、なぜその判断をしたか」を振り返って言語化する。設計判断をした日にその背景と代替案を書き残す。こうした振り返りの積み重ねが、AIには複製しにくい経験知の在庫を形成していく。

flowchart TB
    A["CS原理の学習<br>スキーマの獲得"] --> B["具体的な問題への適用<br>意図的練習"]
    B --> C["失敗・違和感の発生<br>生産的失敗"]
    C --> D["振り返りと言語化<br>観察・責任を負う"]
    D --> E["経験知<br>ディープスマート"]
    E -.更新.-> A

この構図をAI時代にどう活かすか

以上を踏まえると、CSの学び方について具体的な方針が見えてくる。

CSの原理はショートカットせずに学ぶことが出発点になる。これは表層アプローチでは済ませられない。データ構造やアルゴリズムの教科書を読むだけでなく、なぜその設計になっているのかを説明できるところまで理解する。AIに「この実装の計算量はどうなるか」と聞いて答えをもらうだけでは、Dreyfusモデルの初心者段階から動けない。

学んだ原理は、意図的に壊れる場面に持ち込む。実務や個人プロジェクトで、CSの原理が問われる判断(このデータ構造を選ぶとどう性能が変わるか、この並行処理の設計はどこでレースコンディションを起こしうるか)に、意識的に自分で判断してから検証する。AIに先に答えを聞いてしまうと、意図的練習の核心である「まず自分で予測し、フィードバックで修正する」というループが成立しない。

AI出力の検証には、CSの知識を積極的に使う。AIが生成したコードのアルゴリズム選択が妥当か、データ構造の選定に無駄がないかを、CSの原理に照らして評価する。これは、暗記した知識を実践の中で使う場を意図的に作ることでもあり、Dreyfusモデルの右方向への移行を促す訓練になる。

そして、判断の背景を書き残す習慣を持つ。設計判断をした理由、障害対応で何を考えたか、AIの提案のどこに違和感を持ったか。これを言語化する行為が、Leonard-Bartonの言うOPPTYプロセスの「観察」と「責任を負う」にあたり、経験を暗黙知として定着させる。

最後に、測定できることと専門性を混同しないという原則を持っておく。資格試験の点数やチュートリアルの完走数は、表層アプローチでも上げられる指標だということを自覚する。それらが悪いわけではないが、専門性の証明にはならない。専門性の証拠は、未知の状況で適切な判断ができたかどうかでしか測れない。

この主張の限界

いくつか留保しておきたい点がある。

第一に、Dreyfusモデルは1980年の提唱以来、教育・医療・専門職開発の分野で広く応用されてきたが、経験的な検証よりも理論的な説明力で評価されてきた面がある。5段階への区分自体は、厳密な測定尺度というより、発達のパターンを描く記述的な枠組みとして受け止めるのが妥当だ。

第二に、Marton&Säljöの表層/深層アプローチの区別は、もともと学生の読解実験から生まれた概念であり、実務でのスキル習得にそのまま適用できるかは、厳密な意味では別途の検証が必要だ。ただし、後続の教育研究の蓄積を通じて、この区別は学習研究の中心的な枠組みの一つになっている。

第三に、Leonard-Bartonの『Deep Smarts』はビジネス全般を対象にした一般書であり、IT/ソフトウェア工学への直接的な実証研究ではない。ソフトウェア開発の学生プロジェクトを対象にした研究では、暗黙知と形式知の変換(SECIモデル)が実際に機能することが確認されているが15、対象は学生プロジェクトに限られる。

第四に、「CSこそがITエンジニアに必要な唯一の基盤」と主張しているわけではない。CSはDomain-general knowledge(領域普遍知識)の代表格だが、特定の業界・企業でしか通用しないDomain-specific knowledge(領域固有知識、例えば金融のドメイン知識や社内の業務フロー理解)も同様に重要な軸だ。本記事はCSという特定の領域に絞って、専門性の獲得メカニズムを具体的に描くことを目的にしている。

第五に、CSを鍛えれば汎用的な「思考力」そのものが底上げされ、他の領域にも自動的に転移する、と期待するのは危険だ。チェス・音楽・ワーキングメモリ訓練の認知スキルへの転移を検証したメタ分析は、実験デザインの質が高い研究ほど遠転移の効果が消えることを示している16。CS基礎知識が効くのは、あくまでCSに近い領域(新しい言語、新しいアーキテクチャ、新しいデータベース)への近転移であって、「CSを鍛えたから経営判断もうまくなる」といった遠い領域への転移を期待すべきではない。

まとめ

  • AIが変えているのは実装・検索・要約という「仕事の中身」であって、エンジニアという職業の有無ではない。存続する前提に立つなら、土台となる基礎知識はCS(コンピューターサイエンス)、業界を問わず通用するDomain-general knowledge(領域普遍知識)だ1
  • 専門性(expertise)は暗記ではなく実践・経験・フィードバックの反復を通じて獲得される。Dreyfusモデルが示すように、暗記した知識(ルール)は専門性の出発点にすぎず、AIが安くできるのはこの初心者段階の再生産コストにすぎない238
  • CSを「知っている」ことと「使いこなす」ことの間には、実践という距離が横たわる。この距離を埋める3つのメカニズムが、AI時代の学び方の核心になる。CSの基礎はそれ単体で専門性になるのではなく、その後の学習を加速するスキーマとして機能する10。学んだ原理を具体的な問題に適用し、失敗を通じて修正する意図的練習のループを回すことで、知識は直感的な判断力へ変換される。ただしこれが効くのは「規則性のある環境」かつ「速く明確なフィードバックがある」場合に限られる111213。そして判断の背景を観察・言語化し続けることで、AIには複製しにくい経験知(ディープスマート)の在庫が育つ14
  • 資格試験の点数やチュートリアルの完走数は、専門性の証明にはならない。専門性の証拠は、未知の状況で適切な判断ができたかどうかでしか測れない
  • CS基礎知識を鍛えても、それが自動的に他の遠い領域の思考力に転移するわけではない。効くのはCSに近い領域への近転移であり、過度な期待は禁物だ16

「AI時代に何を学ぶべきか」という問いの前に、もう一つ問うべき問いがある。その学び方は、そもそも専門性を作る学び方だったのか。CSの知識を、スキーマとして蓄え、意図的な失敗を通じて鍛え、経験知として定着させる。この変換のプロセスを回せているかどうかが、AI時代のエンジニアの専門性を分ける。

関連記事

このテーマに関連する他の記事もご覧ください：

参考資料

本文中の引用番号に対応する参考資料を番号順に記載しています。

  1. 最古の「プログラマ不要論」とAI時代の「プログラマ不要論」の共通点 - きしだなおき, Hatena Blog (2025-12-30). COBOL以来10年周期で繰り返されてきたプログラマー不要論の歴史的パターンを整理。【信頼性: 中〜高】 ↩︎ ↩︎2 ↩︎3

  2. Perception in Chess - Chase, W. G., & Simon, H. A. (1973). Cognitive Psychology, 4(1), 55–81. チェス熟達者が盤面を意味のあるチャンクとして知覚し、ランダム配置ではその優位性が消えることを実証した専門知識研究の古典。なお後続の追試では、ランダム盤面でも熟達者にわずかな残差優位が残るとの報告があるが、パターン認識が優位の主因であるという論旨自体は揺るがない。【信頼性: 高（査読済み・追試多数）】 ↩︎ ↩︎2 ↩︎3

  3. The Role of Deliberate Practice in the Acquisition of Expert Performance - Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). Psychological Review, 100(3), 363–406. 意図的練習(即時フィードバックを伴う明確な課題への反復)が熟達の鍵であることを示した基礎文献。【信頼性: 高】 ↩︎ ↩︎2 ↩︎3

  4. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity - METR (2025). 経験豊富なOSS開発者16名・246タスクのRCT。AI使用時に19%のタスク完了遅延を実証。【信頼性: 高（ただしN小）】 ↩︎ ↩︎2

  5. 2025 GenAI Code Security Report - Veracode (2025年10月). AI生成コードの45%にセキュリティ脆弱性が含まれると報告。【信頼性: 高】 ↩︎ ↩︎2

  6. AI時代にプログラミングを学ぶ意味と効果的な学習ステップ - miruky, Qiita (2026年3月). 文法暗記からコード読解・エッジケース判断への学習内容の遷移を指摘。【信頼性: 中】 ↩︎ ↩︎2

  7. Knowledge Organization and Skill Differences in Computer Programmers - McKeithen, K. B., Reitman, J. S., Rueter, H. H., & Hirtle, S. C. (1981). Cognitive Psychology, 13(3), 307–325. 熟練プログラマーがコードを意味のあるチャンクで記憶することを実証した古典研究。【信頼性: 高】 ↩︎

  8. Dreyfus model of skill acquisition - Dreyfus, H. L., & Dreyfus, S. E. (1980). University of California, Berkeley. 初心者から熟達者までの5段階モデル。ルールへの依存から直感的判断への移行を描く。【信頼性: 中〜高（提唱から40年以上、教育・医療・専門職開発分野で広く応用されているが、経験的検証より理論的説明力で評価されてきた面がある）】 ↩︎ ↩︎2 ↩︎3

  9. Approaches to Learning or Levels of Processing: What Did Marton and Säljö (1976a) Really Say? - Marton, F., & Säljö, R. (1976). Interchangeで再検証されたレビュー論文を参照。表層アプローチ・深層アプローチという学習スタイルの区別を提唱した原論文の解説。【信頼性: 高（教育心理学の基礎文献、後続研究による再検証あり）】 ↩︎

  10. A Complete Guide to Schema Theory and its Role in Education - Education Corner. スキーマ理論の概説。既存知識が新しい学習を加速するメカニズムをAnderson、Bartlett、Rumelhart等の研究に基づいて整理。【信頼性: 中】 ↩︎ ↩︎2

  11. Experiential Learning: Experience as the Source of Learning and Development - Kolb, D. A., Prentice Hall (1984); 第2版 FT Press / Pearson Education (2015). 経験学習理論の原典。「具体的経験→内省的観察→抽象的概念化→能動的実験」の4段階サイクルを提唱。【信頼性: 高】 ↩︎ ↩︎2

  12. When Problem Solving Followed by Instruction Works: Evidence for Productive Failure - Sinha, T. & Kapur, M., Review of Educational Research, Vol.91, No.5, pp.761–798 (2021). 53研究・166比較のメタ分析。生産的失敗群が概念理解と転移でg=0.36〜0.58の有意な優位性を示した。【信頼性: 高】 ↩︎ ↩︎2

  13. Conditions for Intuitive Expertise: A Failure to Disagree - Kahneman, D., & Klein, G. (2009). American Psychologist, 64(6), 515-526. 直観が信頼できる条件(環境の規則性＋速いフィードバック)を、対立する二つの研究潮流の代表者が合意としてまとめた論文。【信頼性: 高（査読済み・両潮流の合意文書）】 ↩︎ ↩︎2

  14. Deep Smarts: How to Cultivate and Transfer Enduring Business Wisdom - Dorothy Leonard-Barton & Walter C. Swap, Harvard Business Review Press (2005). ISBN-13: 978-1-59139-528-7. 経験に基づく実践知「ディープスマート」の概念とOPPTYプロセス(観察・実践・協働的問題解決・責任を負う)を提唱。【信頼性: 高(経営学の定評あるビジネス書。ビジネス全般が対象でIT/ソフトウェア工学への直接的な実証は別途必要)】 ↩︎ ↩︎2

  15. Explicit and tacit knowledge conversion effects, in software engineering undergraduate students - Knowledge Management Research & Practice, 15(3) (2017). メキシコの大学のソフトウェア開発プロジェクトで、SECIモデルに基づく暗黙知・形式知の変換効果を実証。【信頼性: 中〜高（査読済みジャーナル、対象は学生プロジェクト）】 ↩︎

  16. Does Far Transfer Exist? Negative Evidence From Chess, Music, and Working Memory Training - Sala, G., & Gobet, F. (2017). Current Directions in Psychological Science, 26(6), 515-520. チェス・音楽・ワーキングメモリ訓練の認知スキル・学業成績への転移を検証したメタ分析。実験デザインの質が高い研究ほど遠転移の効果が消える。【信頼性: 高（査読済みメタ分析）】 ↩︎ ↩︎2

AI・テクノロジー
AI コンピューターサイエンス 専門性 認知科学 学習戦略 熟達
This post is licensed under CC BY 4.0 by the author.