Shuichiro Ogawa
English

ノート · updated 2026-10-11

センスのない決定権者は、クリエイターへの発注をやめるのか：画像生成 AI の問題を「発注」「慣れ」「裾野」の三つの環で確かめ、AI スロップの研究と重ねる

2026 年 10 月 9 日の X の投稿（nakamachi_keiji、漫画家）は、画像生成 AI の問題を、AI がすごいものを作って仕事を奪うことではなく、センスはないが決定権を持つ人が AI に作らせたものを良いと思い込んで発注しなくなり、世の中が低いクオリティに慣れ、クリエイターの裾野が狭まって作る文化が衰えることだと述べた。

目次（10）
  1. 投稿が立てた因果の鎖
  2. スコープと方法
  3. 退けられた筋書き：仕事は減ったのか、それは出来が上回ったからか
  4. 第一の環：決定権者は、AI の出力を良いと思い込むのか
  5. 第二の環：世の中は、低いクオリティに慣れるのか
  6. 第三の環：クリエイターの裾野は狭まり、作る文化は衰えるのか
  7. AI スロップの研究と重ねると
  8. 三つの環の判定
  9. 投稿の主張について、何が言えるか
  10. 空白（未充足の論点）

投稿が立てた因果の鎖

2026 年 10 月 9 日、漫画家の nakamachi_keiji は X に次のように投稿した（nakamachi_keiji 2026）。

画像生成AIの問題は「AIがすごいものを作ってクリエイターの仕事を奪う」ではなく、「センスはないが決定権を持つ人がAIに作らせたものをセンスよしと思い込みクリエイターに発注しなくなる」「世の中が低クオリティに慣れる」「結果、クリエイターの裾野が狭まり作る文化が衰退する」だと思う。

投稿は、よく聞く筋書きを一つ退けてから、別の筋書きを三つの環でつないでいる。 退けたのは、AI の出来が人間を上回るから仕事が減る、という筋書きである。 代わりに置いたのは、次の鎖である。 第一の環は発注で、美的な判断の力を持たない決定権者が、AI の出力を良いものと思い込み、外注をやめる。 第二の環は慣れで、世の中が低いクオリティを普通と感じるようになる。 第三の環は裾野で、仕事を得られるクリエイターの層が細り、作る文化そのものが衰える。

投稿は「だと思う」で終わる短い意見であり、根拠を示した主張ではない。 それでも、三つの環はそれぞれ確かめられる命題を含んでいる。 発注が減ったか、決定権者の判断が専門家と違うか、人の基準が動くか、作り手の層が細るか、である。

このノートは、環ごとに支える研究と食い違う研究を並べ、最後に AI スロップの研究と重ねる。 読み終えて残る答えは、鎖の入口（発注と仕事の減少）と出口の一部（既存の作り手の投稿の減少）は測られているが、真ん中の「センスのない決定権者」という機構は直接には測られていない、というものである。 さらに、測られた範囲では、AI の画像を見分けにくいのは美術の経験がある人も同じで、センスの有無で人を分ける語り方は研究と合わない。

スコープと方法

  • 対象：投稿の三つの環と、退けられた筋書きに対応する査読論文、学術書、研究報告。美的判断の専門性、AI の作品の見分けと評価、AI の関与を告げたときの評価の低下、自作物と AI 利用時の過大評価、生成 AI と創作の仕事の需要、作品の投稿サイトでの人間の投稿、若年と新参者の雇用と参加、見る回数と好み、基準のずれ、作品の均質化、生成物で学習を重ねたモデルの劣化、品質を見分けられない市場の理論、キッチュ論を扱った。
  • 収集：学術データベース（OpenAlex、Crossref、Semantic Scholar、arXiv、NBER、SSRN）で候補約 60 件を集め、書誌、撤回、訂正、査読版の有無を確かめた。撤回と取り下げは 0 件だった。既存の AI スロップのノートとその姉妹ノートで扱った文献のうち、この問いに効くものは本文を取り直して使った。
  • 照合：39 件のうち 28 件は本文（出版版、著者版、作業論文版、プレプリントのいずれか）を取り、数値と主張を本文の該当箇所で確かめた。11 件は本文が 3 経路以上で取れず、要旨の範囲で書き、本文では「要旨によれば」と帰属させた。作業論文とプレプリントで査読版が見つからないものは「未査読」と書いた。
  • 言葉の扱い：投稿の「センス」は、作品の質を見分けて選ぶ力を指すと読んだ。研究の側では、美術の専門性、美術の教育歴、美術の経験として測られている。「決定権者」は、外注するかどうかを決める人で、研究の側では発注者や雇い手にあたる。

退けられた筋書き：仕事は減ったのか、それは出来が上回ったからか

仕事の量

画像制作の外注の需要が減ったことは、国際的なフリーランスの市場で測られている。 Demirci、Hannane と Zhu（2025）の要旨によれば、画像を生成する AI の登場の後、画像制作に関わる求人は 17% 減った。 同じ研究は、ChatGPT の後に、文章とコードの自動化しやすい求人が 8 か月で 21% 減り、残った求人はより複雑で報酬が高かったと報告している。 Hui、Reshef と Zhou（2024）の要旨によれば、ChatGPT と DALL-E 2 と Midjourney の公開の後、影響の大きい職種のフリーランサーは仕事の数と収入がともに減った。 Teutloff ら（2025）は、AI で置き換えやすい技能（文章と翻訳など）の需要が、反実仮想の傾向と比べて 20〜50% 減ったと本文で述べている。

ところが、同じ時期に、外注の件数が増えた市場もある。 Zhang、Yuan と Xiong（2026）は、中国のイラストの依頼サイトで、アニメ調の画像に特化した生成 AI（NovelAI のモデル）が流出した前後を、アニメ調の市場と壁紙の市場で比べた。 アニメ調の市場では、平均の単価が 64% 下がり、依頼の件数が 121% 増え、総収入が 56% 増えた。 増えたのは個人で使うための安い依頼で、商用の依頼の単価、件数、収入は比較的安定していた。 流出の後の依頼の 97% は、流出の前から登録していた作り手が受けた。

二つの市場の結果は、投稿の「発注しなくなる」の範囲を狭める。 発注の件数が減るか増えるかは市場で割れ、どちらの市場でも共通して起きたのは、安い仕事の値段が下がることである。

出来の差は、減少を左右したか

投稿は、仕事が減る原因を AI の出来の良さに置く見方を退けた。 これに最も近い証拠は、Hui ら（2024）の結果である。 要旨によれば、過去の実績と雇用で測った働き手の質の高さは、雇用の減少を和らげなかった。 むしろ、上位のフリーランサーほど影響を受けたことを示唆する証拠があった。 質の高い人が守られなかったことは、投稿の見立てと矛盾しない。 ただし、この研究は、発注者が AI の出力を人間の仕事より良いと判断したのか、安さで選んだのかを分けて測っていない。

Zhang ら（2026）の結果も、出来の比較より値段の比較を示している。 著者は、商用の依頼が安定していた理由として、商用で求められる水準が現在の生成 AI の能力を超えていることを挙げている。 安い個人向けの依頼が増え、高い商用の依頼は動かなかったのであれば、生成 AI が先に入り込んだのは、品質の要求が低い仕事である。

第一の環：決定権者は、AI の出力を良いと思い込むのか

AI の作品は、見分けられるか

人は、AI が作ったものを見分けるのが苦手である。 Porter と Machery（2024）は、詩の専門家でない読者に、有名な詩人の詩と AI の詩を見せた。 正答率は 46.6% で、偶然の水準をわずかに下回った（判定 16,340 件）。 読者は AI の詩のほうを人間の作と判断しやすく、AI の詩はリズムや美しさで高く評価された。 画像でも、Gangadharbatla（2022）の要旨によれば、オンライン調査の参加者は AI の作品を正確には見分けられず、具象画を人間に、抽象画を機械に結びつけやすかった。

見分けられることと、好むことは別に動く。 van Hees ら（2025）は、DALL-E 2 の絵と人間の絵の組を見せ、一方の群には好きなほうを、別の群には AI が作ったほうを選ばせた。 好みの群は、作者を告げられないとき、AI の絵を偶然の水準より有意に多く選んだ（d = 0.48）。 識別の群は、偶然の水準よりは有意に AI の絵を当てたが、効果は小さかった（d = 0.31）。 参加者の美術の経験は、AI の絵への好みとも識別の成績とも有意に相関しなかった。

美術の教育を受けた人が特に見分けられる、という結果もない。 Huang、Shen と Gan（2026）は、美術の教育歴の違う 356 人に、人間の絵と AI の絵の 6 組を見せた。 全体の正答率は 54.9%（95% 信頼区間 52.5〜57.3%）で、偶然の水準をわずかに上回った。 6 組のうち 2 組では、6 割以上の参加者が人間の絵を AI の作と判断し、正答率が偶然を下回った。 教育歴は成績と関連したが、偶然の水準を有意に上回ったのは「美術の背景がいくらかある」群だけだった。 Chamberlain ら（2018）の実験 1 では、観察者は計算機の作品と人の作品をしばしば見分けたので、見分けやすさは作品の種類と生成の技術で変わる。

専門家は、何を良いと判断するのか

専門性は、見分ける力よりも、何を好むかを変える。 Leder ら（2014）の要旨によれば、美術の専門家は非専門家より感情の反応が穏やかで、否定的な作品をむしろ好んだ。 同じ傾向は美術でない写真でも見られ、専門家は視覚の刺激一般の処理が違う可能性がある。 専門家と非専門家で好みが違うのであれば、決定権者が専門家と違う絵を選ぶことは、判断の誤りとは限らない。

発注者の判断に近い題材では、AI の出力のほうが高く評価された。 Zhang と Gosline（2023）は、世界的なコンサルティング会社の専門の作り手と ChatGPT-4 に、製品の広告文とキャンペーンの説得文を作らせ、オンラインの参加者に質を評価させた。 AI だけで作った内容と、AI が最終の判断をした内容は、専門家だけで作った内容より高く評価された。 作り手を明かすと差は縮んだが、逆転しなかった。 題材は文章であり、画像ではない。

これらの結果は、投稿の「センスはないが」に二つの点で食い違う。 第一に、見分けにくさは美術の経験のある人にも及ぶので、決定権者の判断の弱さはセンスの欠如だけでは説明できない。 第二に、作者を告げない比較では、受け手の多くが AI の作品を好んでいるので、決定権者が AI の出力を選ぶことは、受け手の好みと一致している可能性がある。 投稿の「低クオリティ」は、作り手の側の基準で測った質であり、受け手の好みで測った質と同じではない。

自分で作らせたものは、高く見えるのか

投稿の「思い込み」は、自分で作らせたものを高く見積もることを指している。 この機構には、確かな裏づけがある。 Norton、Mochon と Ariely（2012）は、IKEA の箱や折り紙やレゴを組み立てた人が、自分の素人の作品を専門家の作品と同じくらいの値打ちと評価し、他人も同じ意見だろうと予想することを示した。 Kruger と Dunning（1999）では、ユーモア、文法、論理の成績が下位 4 分の 1 の人は、実際には 12 パーセンタイル付近にいたのに、自分を 62 パーセンタイルと見積もった。

AI を使うと、この見積もりの誤りの形が変わる。 Fernandes ら（2026）の研究 1 では、246 人が ChatGPT を使って法科大学院の入試の論理問題 20 問を解き、成績は基準の集団より 3 点上がったが、自分の成績を 4 点高く見積もった。 能力の低い人ほど過大評価するという通常の傾向は、AI を使うと消え、AI の知識が多い人ほど見積もりが不正確だった。 研究 2（452 人）も同じ結果を再現した。 Steyvers ら（2025）は、利用者が LLM の答えの正しさを過大に見積もり、説明が長いほど、正しさが変わらなくても確信が上がることを示した。

ただし、これらの研究の題材は、組み立て、論理問題、知識の問いであり、美的な判断ではない。 自分で AI に作らせた画像の質を、発注の担当者が専門家の評価より高く見積もるかを測った研究は見つからなかった。

AI だと知っていると、評価は下がるのではないか

自分で AI に作らせた人は、その画像が AI の作だと知っている。 作者が AI だと告げられると評価が下がることは、繰り返し示されている。 Bellaiche ら（2023）は、AI が作った絵に「人間作」か「AI 作」の札を無作為に付け、人間作の札の絵が、好み、美しさ、深さ、値打ちの 4 つの基準すべてで高く評価されることを示した。 Millet ら（2023）の要旨によれば、4 つの実験（1,708 人）で、同じ作品でも AI 作と表示すると創造性が低く見られ、畏敬の念が下がり、好まれにくくなった。 Raj、Berg と Seamans（2026）の要旨によれば、27,491 人の実験で、創作の文章に AI の関与を告げると評価が下がり、その低下はこれまでに提案された緩和の介入を試しても残った。

この結果は、投稿の「思い込み」と逆の向きに働く。 自分で作った物を高く見る傾向と、AI の作だと知ると低く見る傾向のどちらが強いかは、発注の判断の場面では測られていない。 二つの傾向が同じ人の中でぶつかる場面を測ることが、第一の環を確かめる次の一歩になる。

第二の環：世の中は、低いクオリティに慣れるのか

見る回数と好み

人は、よく見るものを好むようになる。 Montoya ら（2017）の要旨によれば、81 本の論文の 268 の曲線を統合したメタ分析で、繰り返し見ることの効果は、はじめ好意を上げ、回数が増えると下がる逆 U 字の形をとり、この形は視覚の刺激で現れた。 Reber、Schwarz と Winkielman（2004）の要旨は、対称性、典型性、繰り返しの効果を、処理のしやすさにまとめた。 処理しやすいものほど美しく感じられる、という枠組みである。

この仕組みは、美術の正典の形成でも観察されている。 Cutting（2003）は、印象派の 132 点の画像が大学図書館の本に載った回数（980 冊に計 4,232 回）を数え、大人の好みが掲載の回数と相関することを示した。 子どもの好みは掲載の回数と相関せず、著者は、見る回数が芸術の正典を保つ働きをすると結論した。

生成 AI の画像があふれれば、その様式が見慣れたものになり、好まれるようになる、という推論は、この仕組みからは筋が通る。 しかし、生成 AI の画像に触れることで、人の質の基準が下がったかを測った研究は見つからなかった。 また、見る回数が作るのは「見慣れた様式への好み」であり、「質の低いものへの好み」ではない。 質が低いと判定する基準を誰が持つかは、前の節で見たように、作り手と受け手で違う。

基準のずれ

投稿の「慣れる」に最も近い概念は、生態学の shifting baseline syndrome である。 Soga と Gaston（2018）の要旨によれば、過去の状態を知らない世代は、自分が育った状態を普通と受け入れ、環境の劣化を受け入れる閾値が下がり続ける。 著者は、この下がり方を加速させる、自己強化の循環があると論じる。 ただし、この概念は環境の劣化について立てられたもので、美的な基準に移した実証研究は見つからなかった。

測られている均質化

生成 AI と作品の質について測られているのは、低品質化より均質化である。 Zhou と Lee（2024）は、5 万人以上の利用者の 400 万点以上の作品を分析し、画像生成 AI を使い始めると生産量が 25% 増え、閲覧あたりのお気に入りの確率が 50% 上がったと報告した。 同時に、作品の内容の新しさの平均は下がり、最も新しい作品の新しさは上がった。 Doshi と Hauser（2024）は、AI の案を使った短編小説が一つずつは良く評価される一方で、互いに似ていくことを示した。 Agarwal、Naaman と Vashistha（2025）は、インドと米国の 118 人の実験で、AI の書き換えの提案がインドの書き手の文章を西洋の様式に寄せることを示した。 Padmakumar と He（2024）は、指示に合わせて調整したモデルと書くと書き手どうしの文章が似るが、調整前のモデルでは似ないことを示した。

これらの結果に照らすと、投稿の「低クオリティに慣れる」は、「似たものに慣れる」と言い直したほうが研究と合う。 Zhou と Lee（2024）では、仲間の評価（お気に入り）はむしろ上がっており、受け手が質の低下を感じている証拠はない。

作る費用が下がると、質は下がったか

過去の技術の変化には、作る費用が下がっても質が下がらなかった例がある。 Waldfogel（2012）は、Napster 以後に録音音楽の制作と流通の費用が下がった時期について、批評家の回顧リストと売上と放送の記録から新作の質の指数を作った。 新作の質は Napster 以後に下がっておらず、利用に基づく二つの指数では上がった。 Aguiar と Waldfogel（2018）は、デジタル化で新作の数が 2000 年から 2008 年に 3 倍になったことを分析した。 文化の作品は出す前に当たるかどうかを予測しにくいので、作られる数が増えると、当たりの作品も増え、消費者の便益が大きくなる。

この二つは音楽の流通の話で、生成 AI の話ではない。 それでも、「作る費用が下がると文化の質が下がる」という推論が、過去の例で必ずしも成り立たなかったことは示している。

第三の環：クリエイターの裾野は狭まり、作る文化は衰えるのか

作り手は、投稿をやめたか

既存の作り手が投稿を減らしたことは、二つのサイトで測られている。 Kim、Jin と Lee（2026、未査読）は、アニメと漫画の投稿サイト Pixiv で、2022 年 10 月 3 日の NovelAI の画像生成の公開の前後を、イラストレーターと漫画家で比べた。 AI を使う既存の作り手は 0.5% 未満で、AI を使わないイラストレーターの投稿は 10.1% 減った。 商用のサイトへのリンクを付けた作り手では減少が 14.3% と大きく、投稿の最も多い上位 1% の作り手で特に大きかった。 公開の後、イラストの投稿の 22% が AI の作品になり、漫画では 4% だった。 仕組みとして、作品あたりのブックマーク（閲覧者の注目）が減ったことと、AI の作品が多く入り込んだ作品世界（ポケモンなどの IP）の作り手ほど投稿を減らしたことが示された。

Lin（2024、未査読）は、DeviantArt が 2022 年 11 月に画像生成の機能を入れ、作品を既定で学習に使う設定にした後、AI を使わないデジタルの画家の投稿が、工芸の作家と比べて 21% 減ったことを示した。 Instagram にも投稿する画家では DeviantArt への投稿だけが減り、作品の質（反応）は変わらなかった。 著者は、この減少を、作品が学習に使われることへの懸念による投稿の手控えと読んでいる。

二つの研究が示すのは、すでに活動している作り手の投稿の減少であり、仕組みは注目の奪い合いと学習への懸念である。 投稿の言う、決定権者が発注をやめることによる減少とは、仕組みが違う。

入門の層は、細ったか

創作の分野で、入門の層（見習い、新人、安い仕事で腕を磨く層）が細ったかを測った研究は見つからなかった。 他の分野では、若い層と新参者の減少が測られている。 Brynjolfsson、Chandar と Chen（2026、未査読）は、米国の給与のデータで、AI の影響を受けやすい職種の 22〜25 歳の雇用が、影響の小さい職種の同年代と比べて 19% 低い水準にあり、経験のある働き手には同じ差が見られないと報告した（2026 年 8 月の版）。 Burtch、Lee と Chen（2024）は、ChatGPT の後に Stack Overflow の訪問と質問が減り、減少が新しい利用者に集中したことを示した。 Reddit の開発者のコミュニティでは減らず、著者は社会的なつながりが減少を防いだと読んでいる。

技能を身につける経路が壊れる例もある。 Beane（2019）の要旨によれば、ロボット手術では研修医が手術に関わる役割が限られ、認められた学び方が機能しなくなった。 規範に反する非公式の学び方（shadow learning）を重ねた少数の研修医だけが腕を身につけ、専門家の供給が需要に対して減った。 安い仕事が AI に置き換わり、新人が腕を磨く機会が消えるという筋書きは、この機構からは筋が通るが、創作の分野では確かめられていない。

逆の向きの結果もある。 Brynjolfsson、Li と Raymond（2025）は、顧客対応の現場で AI の提案が生産性を平均 15% 上げ、技能の低い人と経験の浅い人で効果がより大きかったことを示した。 Gao、Liu と Ye（2024）の要旨によれば、画像制作のフリーランサーが生成 AI を採り入れると、作品の人気と内容の多様さが上がった。 裾野が狭まるか広がるかは、裾野を「手で描く人」と数えるか、「AI を含めて作品を出す人」と数えるかで答えが変わる。

作る文化の衰えは、何で測れるか

「作る文化が衰える」を直接測った研究は見つからなかった。 近い議論は、生成モデルの学習データの側にある。 Shumailov ら（2024）は、モデルが生成した内容を無差別に次の世代の学習に使うと、元の分布の裾が消える欠陥が生じることを示し、これを model collapse と呼んだ。 Alemohammad ら（2024）は、画像生成モデルを自分の出力で学習させ続けると、各世代に新しい実データが十分になければ、質か多様性が世代ごとに下がることを示した。

この結果は、生成モデルが人間の作り手の層に依存していることを示す。 Greenberg（1939）は、キッチュ（機械的に公式で作られ、本物の文化の代わりに消費される品）の前提条件として、手近に成熟した文化の伝統があることを挙げていた。 人の作品の層が細れば、生成モデルが学ぶ新しい作品も細る。 ただし、これはモデルの性能の議論であり、人間の文化が衰えることの証拠ではない。

AI スロップの研究と重ねると

発注の場面での検証の外部化

AI スロップという語を定着させた Willison（2024）は、スロップの核を出来の悪さに置かず、生成したものを見直さずに他人と共有することに置いた。 姉妹ノート AIスロップ：質の低さではなく、検証の外部化として読む は、この定義を受けて、スロップを物の性質ではなく、作り手と受け手のあいだの検証の負担の配分として読んだ。

投稿の筋書きは、この読みの発注の場面での形である。 従来の発注では、作品の質を確かめて引き受ける人（クリエイター）が、決定権者と受け手のあいだにいた。 決定権者が自分で AI に作らせて使うと、その位置が空き、確かめる仕事は決定権者自身の判断に移る。 第一の環で見た研究は、この移った判断を当てにしにくいことを、別の題材で示している。 自作の物は高く見え（Norton ら 2012）、AI を使うと自分の成績を高く見積もり（Fernandes ら 2026）、AI の作品は経験のある人にも見分けにくい（van Hees ら 2025、Huang ら 2026）。 姉妹ノートは、残る問いを「検証を引き受ける仕事に、どうやって値段を付けるか」とした。 投稿の筋書きは、決定権者が自分の確認で足りると考えるとき、その値段がゼロになる場面を描いている。

品質を見分けられない買い手と、良品の退出

投稿の「センスはないが決定権を持つ人」は、経済学では、品質を見分けられない買い手にあたる。 Akerlof（1970）は、中古車の市場で、買い手が良い車と悪い車を見分けられないと、両方が同じ値で売られ、良い車の売り手が市場から退き、悪い車が良い車を追い出すことを示した。 Hui ら（2024）で、過去の評価の高い働き手が減少から守られなかったことは、この機構と矛盾しない。

ただし、lemons の機構で問題になるのは、買い手のセンスではなく、品質の情報の非対称である。 第一の環で見たように、AI の画像は美術の経験のある人にも見分けにくい。 であれば、決定権者を教育しても、見分けられない状態はあまり変わらない。 Akerlof は、この種の市場を立て直す制度として、保証、ブランド、免許などの品質の信号を挙げた。 人が作ったという表示は、AI の作だと告げると評価が下がる研究（Bellaiche ら 2023、Raj ら 2026）から見て、すでに品質の信号の代わりとして働いている。 姉妹ノートが指摘したとおり、この信号が働くのは、由来が正しく申告されているあいだだけである。

「センス」で質を判定する語り方の系譜

投稿は、低いクオリティを「センス」の有無で判定している。 姉妹ノート デザイン史から見たスロップ：職能は粗製濫造への対策として始まった は、この語り方に前例があることを示した。 1852 年、Henry Cole らは悪趣味と判定した製品を並べる展示（恐怖の部屋）を開き、消費者の趣味を教育しようとしたが、製造業者の抗議で 2 週間で閉じた。 Greenberg（1939）は、キッチュを「本物の文化の価値に鈍感な人々」のための代用品と書いた。 その後のデザイン史と社会学は、悪趣味の判定が階級の区別を再生産する装置でもあったことを示してきた。 投稿の「世の中が低クオリティに慣れる」は、この系譜と同じ形をしている。

この系譜に置くと、投稿の主張は二つに分けて扱うのが適切である。 一つは、質を誰が判定するかに依存する部分で、「センスのない人」と「低クオリティ」がこれにあたる。 第一の環の研究は、作者を告げない比較では受け手の多くが AI の作品を好むことを示しており、この部分は作り手の側の基準を前提にしている。 もう一つは、趣味の判定に依存しない部分で、確かめる人が制作の経路から外れること、既存の作り手の投稿が減ること、作品が似ていくことがこれにあたる。 こちらは測られており、AI スロップを検証の負担の配分として読む姉妹ノートの定義と同じく、趣味の階級性への批判を通り抜けても立つ。

三つの環の判定

環投稿の命題研究の状況主な文献
退けた筋書き仕事が減るのは AI の出来が上回るからではない需要の減少は測られた。質の高い働き手も守られなかったが、出来と値段のどちらで選ばれたかは分けて測られていないDemirci ら 2025、Hui ら 2024、Zhang ら 2026
第一の環（発注）決定権者が AI の出力を良いと思い込み、発注をやめる発注の件数は市場で割れ、共通するのは安い仕事の値下がり。思い込みの機構は筋が通るが直接の研究はない。見分けにくさは専門性で解けないPorter と Machery 2024、van Hees ら 2025、Huang ら 2026、Norton ら 2012、Fernandes ら 2026
第二の環（慣れ）世の中が低いクオリティに慣れる見る回数が好みを作る仕組みはあるが、AI の画像での直接の研究はない。測られているのは均質化。作る費用の低下が質を下げなかった例もあるCutting 2003、Montoya ら 2017、Zhou と Lee 2024、Waldfogel 2012
第三の環（裾野）裾野が狭まり、作る文化が衰える既存の作り手の投稿の減少は測られた。創作の入門層は測られていない。文化の衰えは、モデルの劣化の議論にとどまるKim ら 2026、Lin 2024、Brynjolfsson ら 2026、Shumailov ら 2024

投稿の主張について、何が言えるか

投稿の鎖のうち、研究で最も支えられるのは、安い外注の仕事が AI に置き換わるか値下がりすること、そして AI を使わない作り手の投稿が減ることである。 前者は国際的なフリーランスの市場（Demirci ら 2025）と中国の依頼サイト（Zhang ら 2026）で、後者は Pixiv（Kim ら 2026）と DeviantArt（Lin 2024）で測られている。 ただし、後者の仕組みは注目の奪い合いと学習への懸念で、発注の停止ではない。

投稿の核にある「センスのない決定権者の思い込み」は、自作の過大評価と AI 利用時の過信の研究から筋は通るが、発注の場面で測られていない。 しかも、AI の作品の見分けにくさは美術の経験のある人にも及び、作者を告げない比較では受け手の多くが AI の作品を好む。 したがって、決定権者のセンスを責める形の主張は、研究と合わない。 研究と合うのは、質を確かめて引き受ける人が制作の経路から外れ、その確認を誰も負わなくなる、という形である。

「低クオリティに慣れる」と「作る文化が衰える」は、いまのところ測られていない。 測られているのは、作品が似ていくことと、モデルが自分の出力で劣化することである。 過去の音楽のデジタル化では、作る費用が下がっても質は下がらず、作られる数が増えて当たりも増えた（Waldfogel 2012、Aguiar と Waldfogel 2018）。 生成 AI がこの例と同じ道をたどるのか、手で描く人の層が細ることで違う道をたどるのかは、まだ分からない。

空白（未充足の論点）

  • 発注者の判断：企業や個人の発注の担当者が、AI に作らせた画像を外注の代わりに採った理由（質の判断か、値段か、速さか）を測った研究は見つからなかった。外注から内製への移行を測った査読研究も見つからなかった。
  • 自分で作らせた画像の評価：自分で AI に作らせた画像の質を、作り手の専門家の評価と比べた研究は見つからなかった。自作の過大評価と、AI の作だと知ることによる評価の低下がぶつかる場面は測られていない。
  • 基準のずれ：AI の画像に触れ続けることで、人の質の基準が動くかを測った研究は見つからなかった。
  • 創作の入門層：イラストや漫画の新人が安い仕事で腕を磨く経路が、生成 AI の後にどう変わったかを測った研究は見つからなかった。日本の漫画、アニメ、イラストの業界を扱った学術研究は、Pixiv の研究（Kim ら 2026）のほかに見つからなかった。
  • 歴史の類比：写真の登場と肖像画家、デスクトップパブリッシングとデザイナーのように、安い代替が職能の裾野を変えた過程を測った学術研究は、今回の探索では見つからなかった。デザイン改革とキッチュ論の系譜は デザイン史から見たスロップ：職能は粗製濫造への対策として始まった で扱った。
  • 均質化と作り手の収入：作品が似ていくことが、作り手の収入や続ける意欲にどう効くかは測られていない。生成 AI で夢が叶うことと作ることの値打ちは AI で夢が叶うと、夢は死ぬのか：「夢の即死」「夢のデフレ」「執着の格差」「情熱資本主義」「人生のプロトタイプ」を学術文献で確かめる で扱った。

未検証事項

  • 主要主張に未検証の項目はない。
  • 要旨の範囲で扱った文献は 11 件ある（Demirci ら 2025、Hui ら 2024、Gao ら 2024、Gangadharbatla 2022、Leder ら 2014、Millet ら 2023、Raj ら 2026、Montoya ら 2017、Reber ら 2004、Soga と Gaston 2018、Beane 2019）。本文中ではいずれも「要旨によれば」として著者の主張に帰属させた。
  • 未査読の文献は 3 件ある（Kim ら 2026、Lin 2024、Brynjolfsson ら 2026）。本文中ではいずれも「未査読」と書いた。Zhang ら（2026）は査読版（LNCS）があり、本文は arXiv 版と査読版の両方で読んだ。
  • Brynjolfsson、Chandar と Chen（2026）は改訂が続いている作業論文で、数値は 2026 年 8 月の版のものである。前の版では 13%（2025 年 7 月のデータ）と 16%（2025 年 9 月のデータ）と報告されていた。
  • Brynjolfsson、Li と Raymond（2025）は arXiv 版（2024 年 11 月の第 2 版）で読み、出版版の数値とは照合していない。
  • Chamberlain ら（2018）は、著者が機関リポジトリに置いた原稿で読んだ。Fernandes ら（2026）は arXiv 版（2025 年 1 月の第 2 版）で読み、数値は出版版の要旨と一致することを確かめた。Waldfogel（2012）と Aguiar と Waldfogel（2018）は、NBER の作業論文版で読んだ。
  • Greenberg（1939）は、再録の PDF で読んだ。

関連ノート

参照文献

アクセス日はすべて 2026-10-11。

投稿

仕事の需要と市場

見分け、好み、専門性

  • Porter, B., & Machery, E. (2024). AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably. Scientific Reports, 14, 26133. https://doi.org/10.1038/s41598-024-76900-1
  • Gangadharbatla, H. (2022). The role of AI attribution knowledge in the evaluation of artwork. Empirical Studies of the Arts, 40(2), 125–142. https://doi.org/10.1177/0276237421994697
  • van Hees, J., Grootswagers, T., Quek, G. L., & Varlet, M. (2025). Human perception of art in the age of artificial intelligence. Frontiers in Psychology, 15, 1497469. https://doi.org/10.3389/fpsyg.2024.1497469
  • Huang, Y., Shen, Q., & Gan, F. (2026). Judging AI-generated paintings: Art-education differences in source classification. Frontiers in Psychology, 17, 1903106. https://doi.org/10.3389/fpsyg.2026.1903106
  • Chamberlain, R., Mullin, C., Scheerlinck, B., & Wagemans, J. (2018). Putting the art in artificial: Aesthetic responses to computer-generated art. Psychology of Aesthetics, Creativity, and the Arts, 12(2), 177–192. https://doi.org/10.1037/aca0000136
  • Leder, H., Gerger, G., Brieber, D., & Schwarz, N. (2014). What makes an art expert? Emotion and evaluation in art appreciation. Cognition and Emotion, 28(6), 1137–1147. https://doi.org/10.1080/02699931.2013.870132
  • Zhang, Y., & Gosline, R. (2023). Human favoritism, not AI aversion: People’s perceptions (and bias) toward generative AI, human experts, and human–GAI collaboration in persuasive content generation. Judgment and Decision Making, 18, e41. https://doi.org/10.1017/jdm.2023.37

AI の作だと告げたときの評価

  • Bellaiche, L., Shahi, R., Turpin, M. H., Ragnhildstveit, A., Sprockett, S., Barr, N., Christensen, A., & Seli, P. (2023). Humans versus AI: Whether and why we prefer human-created compared to AI-created artwork. Cognitive Research: Principles and Implications, 8, 42. https://doi.org/10.1186/s41235-023-00499-6
  • Millet, K., Buehler, F., Du, G., & Kokkoris, M. D. (2023). Defending humankind: Anthropocentric bias in the appreciation of AI art. Computers in Human Behavior, 143, 107707. https://doi.org/10.1016/j.chb.2023.107707
  • Raj, M., Berg, J. M., & Seamans, R. (2026). The artificial intelligence disclosure penalty: Humans persistently devalue AI-generated creative writing. Journal of Experimental Psychology: General, 155(4), 896–915. https://doi.org/10.1037/xge0001889

自作と AI 利用時の過大評価

  • Norton, M. I., Mochon, D., & Ariely, D. (2012). The IKEA effect: When labor leads to love. Journal of Consumer Psychology, 22(3), 453–460. https://doi.org/10.1016/j.jcps.2011.08.002
  • Kruger, J., & Dunning, D. (1999). Unskilled and unaware of it: How difficulties in recognizing one’s own incompetence lead to inflated self-assessments. Journal of Personality and Social Psychology, 77(6), 1121–1134. https://doi.org/10.1037/0022-3514.77.6.1121
  • Fernandes, D., Villa, S., Nicholls, S., Haavisto, O., Buschek, D., Schmidt, A., Kosch, T., Shen, C., & Welsch, R. (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior, 175, 108779. https://doi.org/10.1016/j.chb.2025.108779
  • Steyvers, M., Tejeda, H., Kumar, A., Belem, C., Karny, S., Hu, X., Mayer, L. W., & Smyth, P. (2025). What large language models know and what people think they know. Nature Machine Intelligence, 7(2), 221–231. https://doi.org/10.1038/s42256-024-00976-7

見る回数、好み、基準のずれ

  • Montoya, R. M., Horton, R. S., Vevea, J. L., Citkowicz, M., & Lauber, E. A. (2017). A re-examination of the mere exposure effect: The influence of repeated exposure on recognition, familiarity, and liking. Psychological Bulletin, 143(5), 459–498. https://doi.org/10.1037/bul0000085
  • Reber, R., Schwarz, N., & Winkielman, P. (2004). Processing fluency and aesthetic pleasure: Is beauty in the perceiver’s processing experience? Personality and Social Psychology Review, 8(4), 364–382. https://doi.org/10.1207/s15327957pspr0804_3
  • Cutting, J. E. (2003). Gustave Caillebotte, French Impressionism, and mere exposure. Psychonomic Bulletin & Review, 10(2), 319–343. https://doi.org/10.3758/BF03196493
  • Soga, M., & Gaston, K. J. (2018). Shifting baseline syndrome: Causes, consequences, and implications. Frontiers in Ecology and the Environment, 16(4), 222–230. https://doi.org/10.1002/fee.1794

均質化と、作る費用の低下

  • Zhou, E., & Lee, D. (2024). Generative artificial intelligence, human creativity, and art. PNAS Nexus, 3(3), pgae052. https://doi.org/10.1093/pnasnexus/pgae052
  • Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
  • Agarwal, D., Naaman, M., & Vashistha, A. (2025). AI suggestions homogenize writing toward Western styles and diminish cultural nuances. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1–21). ACM. https://doi.org/10.1145/3706598.3713564
  • Padmakumar, V., & He, H. (2024). Does writing with language models reduce content diversity? In The Twelfth International Conference on Learning Representations (ICLR 2024). https://arxiv.org/abs/2309.05196
  • Waldfogel, J. (2012). Copyright protection, technological change, and the quality of new products: Evidence from recorded music since Napster. The Journal of Law and Economics, 55(4), 715–740. https://doi.org/10.1086/665824
  • Aguiar, L., & Waldfogel, J. (2018). Quality predictability and the welfare benefits from new products: Evidence from the digitization of recorded music. Journal of Political Economy, 126(2), 492–524. https://doi.org/10.1086/696229

作り手の投稿、入門の層、技能の経路

生成物で学習するモデル

  • Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y
  • Alemohammad, S., Casco-Rodriguez, J., Luzi, L., Humayun, A. I., Babaei, H., LeJeune, D., Siahkoohi, A., & Baraniuk, R. G. (2024). Self-consuming generative models go MAD. In The Twelfth International Conference on Learning Representations (ICLR 2024). https://arxiv.org/abs/2307.01850

品質の情報、キッチュ、スロップ

書いた人：小川 修一郎（Design Researcher / Consultant） 経歴を見る →