AIは覚えるほど賢くならない——脳の「忘れる力」に学んだAI忘却システム

2026年7月3日

⏱ この記事は約10分で読めます

「AIには、覚えさせるほど賢くなってほしい」。多くの経営者がそう考えます。私も番頭代行としてAI（Claude Code）を実務に組み込みはじめた頃は同じでした。ところが3ヶ月半ほど使い込んでわかったのは、正反対の事実です。AIは情報を溜め込むほど、むしろ賢さを失っていきます。

そこで私は、人間の脳が持つ「忘れる力」に着想を得て、AIに忘却の仕組みを自作しました。本記事は、その設計思想と3ヶ月半の運用実数を、専門知識のない経営者にもわかる形で共有する実践記録です。脳科学とAIの最新研究を橋渡しし、「AIを使い続けられる資産にする」視点をお伝えします。

この記事でわかること

なぜAIは情報を詰め込むほど性能が落ちるのか（最新研究の実証）
人間の脳が「忘れる」ように設計されている合理的な理由
脳とAIのいいとこどりで組んだ忘却システムの中身（運用実数つき）
この設計が組織のナレッジ運営にどう応用できるか

Table of Contents

なぜAIは「覚えるほど賢くなる」わけではないのか？

理由は明快です。AIは与える情報が増えるほど、性能がむしろ下がります。AIには「コンテキストウィンドウ」と呼ばれる、一度に読み取れる情報の作業机があります。この机が大きいほど賢い、と思われがちですが、そうではありません。

Chroma Research が GPT や Claude を含む18のAIモデルを調べたところ、入力する情報量（トークン）が増えるほど、モデルの性能が低下することが確認されました。しかもその低下は一様ではなく、限界のはるか手前で急に落ち込むこともあります（Context Rot, Chroma Research, 2025）。

さらにStanfordの研究チームは、AIに与えた情報のうち「真ん中に埋もれた情報」ほど使われにくくなるU字型のパターンを示しました（Lost in the Middle, Liu et al., 2024）。机に書類を積み上げるほど、必要な書類ほど山に埋もれて見つからない——あの感覚と同じです。

そのため、優れたAI運用の鍵は「多く覚えさせるか」ではなく「要らない情報を持たせないか」に移ります。

人間の脳はなぜ「忘れる」ようにできているのか？

人間の脳も、実は「全部を覚えない」ことで賢く働きます。忘れることは脳の欠陥ではなく、良い判断のための積極的な設計です。

脳科学者のRichardsとFranklandは、記憶システムの目的は「情報を正確に永久保存すること」ではなく「価値ある情報を残して意思決定を最適化すること」だと論じています（Richards & Frankland, Neuron, 2017）。古い無関係な情報を手放すからこそ、脳は状況変化に対応でき、応用の効く一般化ができるのです。

忘却そのものも精密に測られています。19世紀の心理学者エビングハウスが示した「忘却曲線」は、復習しなければ1日でおよそ7割を忘れることを表しました。この曲線は約130年後、別言語による現代の再現研究でも確認されました（Murre & Dros, PLOS ONE, 2015）。裏を返せば、繰り返し使う記憶ほど残りやすいということです。

もう一つ重要なのが、脳が記憶を「置き場所」で分けている点です。いま使う小さな作業記憶（前頭前野）と、長期保存する大きな記憶（海馬から大脳皮質へ）は、別のシステムで処理されます（Baddeley & Hitch, 1974／Squire et al., 2015）。これはAIの「作業机（コンテキストウィンドウ）」と「外部の倉庫（外部メモリ）」の分離とよく対応します。

「脳×AIのいいとこどり」で私が組んだ忘却システムとは？

この脳の知恵をAIに移植したのが、私が約3ヶ月半（2026年3月下旬から）運用している忘却システムです。実数から紹介します。

この間に蓄積したセッションの記録は363本。そこから「覚えておく価値がある」と判断した記憶だけを99件の索引（MEMORY.mdという1枚の目次）に絞り込んでいます。目次の現在サイズは約25KB。運用上の上限を24KBに定めているため、すでに上限に張り付いています。「これ以上は増やせない」——この制約こそが、忘れる仕組みを必要とする動機になりました。

記憶は三つの層で管理しています。

L0（入口ゲート）: 索引が膨らみそうな書き込みのときに警告を出し、入口で情報を絞ります。目次の1行は200字までと決め、詳細は別ファイルに分離します。
L1（観測）: それぞれの記憶が「何回読まれたか・最後にいつ使われたか」を自動で記録します。使われる記憶が可視化される仕組みです。
L2（忘却）: 参照頻度の低い記憶をアーカイブへ退避させます。これまでに10件を「使われなくなった記憶」として退避しました。

入口では、記憶を書き足す前に4つの問いを通します。(1) このセッション限定の事情ではないか、(2) コードや履歴から導き出せないか、(3) 参照頻度は低くないか、(4) 既存の記憶の更新で済まないか。ひとつでも引っかかれば書きません。脳が入力すべてを記銘しないのと同じ、記録の選別です。

さらに「変化速度で置き場を変える」ルールを設けています。日〜週で変わる動的な情報（タスクや進捗）は台帳へ、月単位でも変わらない静的な情報（戦略や手順）は恒久的な知識ベースへ、と自動的に振り分けます。これは作業記憶と長期記憶の使い分けにそのまま対応します。

この「使うほど残り、使わないほど消える」考え方には学術的な裏付けもあります。エビングハウスの忘却曲線を模した数式（時間とともに減衰し、参照されると強化される）をAIの記憶に実装した例が報告され（MemoryBank, Zhong et al., 2023）、開発元のAnthropic自身も、会話の要約圧縮・外部ノートへの書き出し・必要時取得といった忘却設計を標準的な手法として整理しています（Anthropic, 2025）。「脳とAIのいいとこどり」は、もはや個人の思いつきではありません。

正直に申し添えると、この設計は完成品ではありません。索引が上限に張り付いている以上、新しい記憶を増やすには古い記憶を削るしかなく、取捨選択の精度はまだ人の目に頼っています。それでも「詰め込まない」という原則があるからこそ、3ヶ月半を通じてAIの応答品質を保てています。

この設計は経営にどう効くのか？

この話はAIだけの問題ではありません。「溜め込んだ知識が、かえって足かせになる」現象は、組織運営でも同じ形で起きます。

経営学には「組織的忘却（意図的なアンラーニング）」という研究領域があります。組織に残る無用な知識は、新しい学習を妨げ、管理コストと注意力を消費し、競争力を下げる——と指摘されています（Frontiers in Psychology, 2023）。古いマニュアル、陳腐化した手順書、引き継がれないまま溜まった議事録。これらはAIのメモリ肥大と同じく、検索ノイズと誤参照を生みます。

実務の実感とも重なります。生成AIを活用する企業が最も不安に感じているのは「情報の正確性」で、50.4%に上ります（帝国データバンク, 2026）。AIが古い情報を引きずれば正確性は損なわれ、溜め込む設計のままでは使うほど信頼できなくなります。

忘れる仕組みを組み込むことが、AIを一過性のツールから「使い続けられる資産」に変えます。全業務ログを渡されても後任は読み切れません。要点を絞った引き継ぎ書と、必要なときに見る詳細資料を分ける——その実務の知恵をAIの記憶設計に持ち込むだけです。