コンピュータサイエンスの入学者数減少の一方でAIコース需要が急増

Google Newsは、米国のキャンパスで起きている顕著な逆転現象に注目した。人工知能コースへの需要が高まる一方で、従来型のコンピュータサイエンスの入学者数は減少している。

学生がテクノロジーそのものを見放しているわけではない。多くは、AIを心理学、音楽、ビジネス、文章作成、医療、デザインと結び付ける、より短期で実践的かつ学際的な道へ移行している。

この違いが、状況の捉え方を変える。争点はもはやAI教育と非技術系教育の対立ではない。専門的なコンピュータサイエンス教育と、ほぼすべての学生に向けた幅広いAIリテラシーとの対比である。

2026年8月のキャンパスAIレポートは、Virginia Commonwealth、Northwestern、Harvard、Purdue、Ohio State、Eastern Mennoniteを含む大学でのこうした変化を記録した。

報じられた急拡大は、すべてのAIプログラムが好調であることを意味しない。全国データでは、従来型のコンピュータ・情報科学プログラム全体で入学者数の低下が示されている。

そのため大学は、同時に二つの賭けに出ている。技術的なAI学位を新設する一方で、基本的なAI能力を一見無関係な専攻にも組み込んでいる。

このアプローチは、より多くの学生をAIに形作られる職場に備えさせる可能性がある。一方で、基礎となる推論、データ、評価のスキルを教えずにツールだけを扱えば、浅い資格を生む恐れもある。

米国の大学で何が変わったのか

AI教育は、コンピュータサイエンスの専門分野から、大学全体のカリキュラムへと移行している。

Virginia Commonwealth Universityは、従来のコンピューティング系プログラム以外の学生も一部対象とするAI副専攻を提供している。Associated Pressは、大学院進学を検討しながらこの副専攻を加えた心理学専攻のFaith Maebaを取り上げた。

彼女の事例は、新たな需要をよく表している。主な目標はソフトウェアエンジニアになることではない。機械学習が人間の行動や職場にどう影響するかを理解したいのだ。

Northwestern Universityも、より大きな規模で同様の転換を進めている。同大学のコンピュータサイエンス学科は、入学してくるコンピュータサイエンス専攻の学生群が縮小するなか、非専攻学生をさらに多く教える準備を進めている。

同学科はすでにAI副専攻を提供しており、学部のAI専攻も導入している。また、AIおよび機械学習の授業への入口も簡素化している。

Northwesternの新しいAI専攻は、数学的基礎、プログラミング、データ構造、機械学習、インフラ、倫理、人間中心設計を組み合わせている。

Northwesternのどのスクールの学生も、元のスクールに籍を置いたままAIを第2専攻として追加できる。この仕組みにより、AIは完全な学問的アイデンティティではなく、学際的なレイヤーとなる。

同大学は、従来はコンピューティングから大きく離れていた分野にもAIを導入している。音楽学部では、音楽と人工知能を結び付ける認定プログラムを提供している。

Eastern Mennonite Universityは、さらに融合的な授業を計画している。音楽、演劇、美術、工学、数学、コンピュータサイエンスの学生が一緒にAIを学ぶ予定だ。

この授業では、ドラムトラックの編集や生成といった課題を扱う。より広い目標は、創造系と技術系の専門家の協働を教えることにある。

Harvardは、大規模言語モデルを新入生向けのライティング授業に導入している。大規模言語モデルは、大量のデータセットから学んだパターンに基づき、言語を予測・生成する。

報道によれば、こうした授業ではこの技術を著作権、誤情報、文章作成の実践と結び付けている。従来型のプログラミング教育ではないが、それでも批判的な技術理解が求められる。

PurdueはAIに関連する卒業要件を導入した。Ohio Stateは、各カレッジにまたがる学部教育へAI教育を組み込んでいる。

これらの事例を合わせると、AIコース需要の実際の規模が見えてくる。大学は工学部の学生向けに選択科目を増やしているだけではない。AIリテラシーを一般的な学術能力として扱っている。

Google Newsの見出しは目に見える急拡大を捉えているが、その仕組みのほうが重要だ。対象となる学生が、今やほぼすべての専攻に広がっているため、需要は拡大している。

その結果、コンピュータサイエンス学科に限定された高度な機械学習コースという従来モデルよりも、はるかに大きな市場が生まれている。

Google Newsが示す、より複雑な入学者数の実態

AIコースの急拡大は、コンピュータサイエンスが途切れなく成長した上に起きているのではなく、従来型コンピューティング分野の入学者数が測定可能な形で減少するなかで起きている。

National Student Clearinghouseの数字によると、米国の高等教育全体の在学者数は2025年秋に増加した。在学者は1,940万人を超え、前年比1％増となった。

コンピュータ・情報科学は反対の動きを見せた。同レポートが対象としたすべての学位水準と教育機関種別で、在学者数が減少した。

秋季入学者数データによると、減少幅は主に準学士号を授与する機関の学部生で3.6％、大学院レベルで14％に及んだ。

Associated Pressはその後、2026年春にもさらなる減少が起きたと報じた。4年制大学では、コンピュータ・情報科学の在学者数が8％超減少した。

これらの数字は、AIを理由に学生が単純に技術分野へ殺到しているという見方を複雑にする。動きはより選択的だ。

モデル、インフラ、AI製品を構築したい学生は依然としている。一方で、別の職業のなかでAIを安全に活用するのに十分な知識を求める学生もいる。

Northwesternでは、以前の需要に対応するなかでコンピュータサイエンス教員がすでに倍増していた。同学科は現在、他専攻からの学生をより多く教えることを見込んでいる。

コンピュータサイエンス学科長のSamir KhullerはAPに対し、同学科がさらに3人の教授を採用しようとしていたと語った。入学してくるコンピュータサイエンス専攻学生が減少しているにもかかわらず、そうした動きが起きていた。

学生集団を分けて見れば、この一見した矛盾は消える。専攻の入学者数と授業の履修者数は、異なる行動を測っている。

学生は4年制のコンピュータサイエンス専攻を避けながら、AI、データ、プログラミングの授業を履修できる。別の学生は、心理学や音楽の学位を変えずにAI副専攻を加えられる。

労働市場は、この違いを説明する一助となる。エントリーレベルのソフトウェア開発は、安定した専門職への自動的な道筋とはもはや見えなくなっている。

AIコーディングシステムは、関数、テスト、文書、定型的なアプリケーション部品を生成できる。そのため雇用主は、少ないジュニア開発者で同じ量の仕事をこなすことを期待する可能性がある。

学生はその不確実性に気付いている。AIに特化した専門性を求める学生もいれば、技術的な素養と領域知識を組み合わせる学位を探す学生もいる。

モデルの限界を理解する心理学の学生は、職場行動を研究できる。音楽家は合成メディアを評価できる。ビジネスを学ぶ学生は、自動化された意思決定を検証できる。

こうした道筋は、コンピュータサイエンスの必要性をなくすものではない。稼働するAIシステムはすべて、ソフトウェア、データ構造、インフラ、セキュリティ、数学的推論に依存している。

しかし、資格が発するシグナルは変化している。かつてのテクノロジー採用ブームの時期にコンピュータサイエンス学位を取り巻いていた、単純明快な約束は、もはや同じようには成り立たない。

したがってAIコース需要には、防衛的な側面もある。学生は、将来のキャリアを変えつつあるシステムと働けることの証拠を求めている。

大学は両方向から圧力を受けている。技術系学位を更新すると同時に、高度な前提知識を持たない学生にもアクセスしやすい教育を作らなければならない。

だからこそ、需要増を扱うGoogle Newsの報道は、単純な入学者数の勝利として読むべきではない。これは技術教育のなかで関心が再配分されていることを示している。

AIリテラシーは一般的な要件になりつつある

大学は、モデルを一度も構築しない学生であっても卒業生に必要な能力として、AIリテラシーを数量的推論と同様に捉えるようになっている。

University of Texas at Austinのコンピュータサイエンス学科長であるPeter Stoneは、この立場を率直に述べている。学生には、数学、読解、文章作成と同じように、ある程度のAIリテラシーが必要だと主張した。

Stoneは最近、コンピュータサイエンス以外の学生向けに、入門的なAI essentialsコースを開発した。「essentials」という言葉は、工学系の連続講義とは異なる教育目標を示している。

こうしたコースの学生は、AIに何ができるか、その出力がどこから来るのか、なぜ回答が失敗しうるのかを理解する必要がある。

また、信頼できる証拠に裏付けられていないもっともらしい出力であるハルシネーションを認識する必要もある。このスキルは、法務、医療、研究、ジャーナリズム、日常的なオフィス業務で重要となる。

Ohio Stateは、この前提を大学全体のプログラムへと転換した。2029年度入学生から、すべての学生が分野別のAIスキルを身に付けて卒業することを目標としている。

同大学のAI Fluency programには、必修セミナーでの基礎的な生成AI教育と、1年次の学習体験におけるワークショップが含まれる。

掲げる学習成果は、プロンプト作成にとどまらない。学生は基礎概念を理解し、入力と出力を評価し、正確性を検討し、法的・倫理的な影響を考察することが求められる。

Ohio Stateのアプローチは、各カレッジが個別の実施計画を策定するにつれて、最終的に約5万3,000人の学部生に届く可能性がある。

この規模は、大学のAIプログラムがもはやコンピュータサイエンス学科に限定されない理由を示している。一つの技術カリキュラムだけでは、あらゆる専門的文脈に対応できない。

看護学生は、臨床支援システムと患者プライバシーを評価する必要がある。デザイナーは、著作者性、バイアス、合成メディアを検討する必要がある。

プロダクトマネージャーは、自動化されたワークフローが意図した問題を解決するかをテストする必要がある。研究者は、AIが分析や執筆を支援した場合にそれを記録する必要がある。

こうした用途には共通する基盤がいくつかあるが、必要となる事例、リスク、評価方法は異なる。

この変化は、学生が知識を整理する方法にも影響する。AIツールは素早く回答を生成できるが、学生には依然として信頼できる資料と持続する文脈が必要だ。

パーソナルナレッジシステムは、AIに関連付けを求める前に、学生が文献、講義ノート、証拠を保存するのに役立つ。このツールは専門知識の代わりにはならない。

この区別は不可欠である。AIリテラシーとは、チャットボットへの継続的な依存ではなく、情報に基づいた利用を意味すべきだ。

大学はまた、AIを独立した授業に置くべきか、既存科目に組み込むべきかを判断しなければならない。独立した授業は焦点を提供し、組み込み型の教育はAIを本物の学問分野の仕事と結び付けられる。

Ohio Stateは両方の道を採用している。一般的な教育を提供する一方で、個々のカレッジに対し、それぞれの分野でAIがどう適用されるかを定義するよう求めている。

Northwesternの仕組みも同じ広い論理に沿っている。技術系の専攻、学際的な副専攻、個別科目を求める学生向けの入口を支えている。

学生の目標が大きく異なるため、この階層型モデルが主流の対応になりつつある。リテラシーを必要とする学生、応用能力を必要とする学生、工学的な深さを必要とする学生がいる。

このトレンドにGoogle Newsが関心を寄せるのは、その対象が広いからだ。ほぼすべての学生、保護者、教育者、雇用主が、これらの水準を正しく定義することに利害を持っている。

急拡大はカリキュラム基準を上回る速度で進んでいる

急速な拡大は、同じようなAIの名称を掲げるプログラムでも、技術面・倫理面で求められる準備の水準が大きく異なりうるという品質上の問題を生んでいる。

Northeastern Universityの研究者らは、2026年春に米国の4年制大学で提供される350件超の学部AIプログラムを調査・整理した。

同大学のプログラムマッピング研究では、米国のコンピュータサイエンス学部卒業生の86％を占める560超の教育機関を対象に調査した。

データベースには、専攻、副専攻、集中プログラム、修了証プログラムが含まれる。これらは求められる履修の規模が大きく異なるが、学生にはいずれも同じAIの看板の下で提示されることがある。

研究者らは、66のAI専攻と87のAI副専攻の要件を分析した。その結果、プログラムの規模とカリキュラムには大きなばらつきがあることが分かった。

調査対象となったすべての専攻では、一般的な人工知能科目または機械学習が必修だった。これは技術面で一定の最低水準を設けるものだが、倫理に関する要件はそれほど一貫していなかった。

専攻の3分の1超ではAI倫理の科目が必修だった。一方、副専攻でこの要件を含むものは4分の1未満だった。

こうした結果は、中心的なトレードオフを浮き彫りにしている。大学は関連性の高いプログラムを迅速に立ち上げたいが、責任あるAI教育にはツールのデモンストレーション以上のものが必要だ。

学生は、学習データ、統計的不確実性、評価手法、プライバシー、セキュリティ、知的財産、そしてコンピューティングの環境コストを理解する必要がある。

技術系の学生にも、長く通用する基礎が必要だ。現在のインターフェースやモデルのブランドは、数学、アルゴリズム、システム設計、実験的推論よりはるかに速く変化しうる。

コンピュータサイエンス教育を研究するUniversity of Washingtonの博士研究員、Murtaza Ali氏は、APの報道で別のリスクを指摘した。

学生がAIにコードの作成を依頼すると、システムは基礎となる問題分析の一部まで担うことがある。出力は動作しても、学生がその推論を理解していない可能性がある。

これは難しい評価上の問題を生む。提出されたプログラムだけでは、学生が課題を分解し、アプローチを選択し、エラーを診断できるかどうかを、もはや確実には示せない。

同じ懸念はコーディング以外にも当てはまる。洗練された論文は、その執筆者が情報源を評価した、あるいは論旨を理解したことの証明にはならない。

生成された市場分析には、捏造された数値が隠れているかもしれない。合成画像はライセンス規則に違反したり、偏ったパターンを再生産したりする可能性がある。

したがって、効果的な大学のAIプログラムは、成果物だけでなくプロセスも評価しなければならない。学生は自らの判断を説明し、結果を検証し、情報源を記録し、モデルの失敗を特定すべきだ。

課題には、口頭試問、授業内演習、開発ログ、管理された実技評価が必要になる可能性がある。そうでなければ、大学は能力ではなくツールへのアクセスを認定する危険がある。

教員の受け入れ能力も別の制約となる。AI科目への需要は数カ月で高まる可能性がある一方、専門家の採用やカリキュラム承認には通常、はるかに長い時間がかかる。

Harvardの教育学者で元大学学長のPaul LeBlanc氏は、教育機関が技術の進展速度に完全に合わせることはできないと認めた。

この遅れは、カリキュラムを固定したままにする理由にはならない。ただし、学校は一時的な製品機能を中心にプログラム全体を設計すべきではないことを意味する。

ブランディング上の誘因もある。AIは志願者、寄付者、研究パートナー、そして組織的な注目を引きつける。

大学は、真に独自性のある学術プログラムを新設するよりも、既存のデータサイエンスやコンピューティングの履修経路を改称するほうが早い。

そのため学生は、プログラム名だけに頼らず、履修要件を確認すべきだ。信頼できる技術系学位なら、数学、コンピューティング、データ、システム、評価に関する基礎が明確に示されているはずだ。

応用的な副専攻であれば、修了者が何を評価または作成できるのかを明確に定義すべきである。一般的なリテラシー要件では、根拠、限界、責任ある利用を扱う必要がある。

2026年のAI教育に関する調査結果は、さらに別の警告を示している。AI関連プログラムは増加しているが、アクセスと準備状況には依然として格差がある。

拡大だけで、こうした格差が自動的に解消されるわけではない。資金に恵まれた大学の学生は、専門的な指導、コンピューティング環境、研究機会を得られるかもしれない。

一方で、商用ツールを中心とした短時間のワークショップしか受けられない学生もいる。両者は準備の度合いが異なるにもかかわらず、AIに精通した資格を得て卒業する可能性がある。

これこそが、この急成長の背後にある主要な課題だ。大学は、AI教育をプロンプトや製品チュートリアルに矮小化することなく、アクセスを拡大しなければならない。

従来のコンピュータサイエンスは依然として基盤を支える

学際的なAIの台頭はコンピュータサイエンスを時代遅れにするのではない。コンピュータサイエンスを取り巻く境界を見えにくくする。

現代のAIシステムは、アルゴリズム、ソフトウェア工学、統計、データベース、分散システム、コンピュータアーキテクチャにおける数十年の研究成果に依存している。

Northwesternの新しい専攻は、その継承関係を認めている。カリキュラムには、データ構造、数学的基礎、プログラミング、インフラストラクチャ、機械学習、自然言語処理が含まれる。

また、従来のプログラムでは二次的に扱われることもあった分野も加えている。人間中心設計、プライバシー、持続可能性、知的財産などだ。

この組み合わせは、「AI対コンピュータサイエンス」という構図が不完全である理由を示している。AI教育はカリキュラムを再編するが、コンピューティングの基礎から離れるわけではない。

モデルの導入を学ぶ学生は、データがシステム内をどのように流れるかを理解しなければならない。信頼性には、テスト、監視、アクセス制御、障害対応が必要だ。

生成結果を評価する学生には、統計と領域知識が必要になる。こうした基礎がなければ、自信だけが能力より速く高まる可能性がある。

したがって、より適切な対立軸は、幅広いAIリテラシーと資格の深さである。大学は、すべての学生に必要なものと、専門家だけが責任を持って行えるものを決めなければならない。

非専攻者にとっての目標は、十分な知識に基づく活用である。学生は、AIが課題に適している場面、出力を検証する方法、人間の判断が決定的であり続けるべき場面を知るべきだ。

技術専門家には、より高い水準が求められる。モデルの学習、評価、インフラストラクチャ、セキュリティ、最適化、そして導入の結果を理解しているべきである。

大学には、こうしたグループ間の橋渡しも必要だ。学際的なプロジェクトは、参加者がお互いの前提と限界を理解しているときに最も効果を発揮する。

音楽を学ぶ学生が芸術上の要件を定義し、コンピュータサイエンスの学生が処理システムを設計することもある。両者は帰属表示、同意、出力品質を評価すべきだ。

心理学を学ぶ学生が研究課題を特定し、データの専門家が分析ワークフローを構築することもある。両者には、サンプリング上の問題とプライバシーリスクを認識する必要がある。

こうした協働は、専攻者数が減少していてもコンピュータサイエンス学部が多忙であり続ける理由を説明している。現在、その教育は大学全体のより多くの領域に役立っている。

ただし、教員配置や科目設計を変えずに、学部が無制限の需要を吸収することはできない。非専攻者向けの入門科目には、専門家向けの連続科目とは異なる進度が必要だ。

教員は、どの前提条件が本当に必要かも判断しなければならない。不必要な障壁を取り除けばアクセスは広がるが、不可欠な基礎を削れば学習が弱まる可能性がある。

Google Newsの報道は、こうした違いを単一の急増という物語に圧縮しがちだ。その根底にあるキャンパスの変化は、より構造的なものだ。

コンピュータサイエンスは、到達点としての専攻から、共有される学術インフラへと移行している。その概念は、教育機関全体の科目をますます支えるようになっている。

大学が資金を投入すれば、この移行は分野を強化できる。一方で、指導教員、ティーチングアシスタント、コンピューティング資源を増やさずに要件だけを追加すれば、学部に過度の負荷をかけることになる。

したがって、入学者数の減少を、コンピューティングが重要性を失った証拠とみなすべきではない。むしろ、学生がその重要性をどのように身につけたいかを再評価していることを示している。

完全な技術系学位を選ぶ学生もいるだろう。ほかには、対象を絞ったコンピューティング科目と、医療、金融、科学、行政、クリエイティブ領域の専門性を組み合わせる学生もいる。

最終的に雇用主は、こうした組み合わせが有用な判断力を生むかどうかを検証することになる。学位名だけでは、その問いに答えられない。

学生と大学が次に注目すべきこと

次の試金石は、拡大するAI履修が持続的な技能、信頼できる評価、より良い雇用成果につながるかどうかだ。

最初の指標は、科目の修了と学習の進展である。初期の履修者数は好奇心を反映しうるが、上級科目の履修状況は、学生が継続的な能力を築いているかを示す。

大学は、入門的なリテラシー科目から、副専攻、専攻、研究プロジェクト、または応用的な専門分野の学習へ進む学生の数を公表すべきだ。

学習の進展が堅調であれば、この急成長は一時的な関心以上のものを反映している。入門科目を一つ履修した後に登録者数が急減するなら、需要は広くても浅い可能性がある。

第2の指標は、カリキュラムの質である。プログラムマッピング研究はすでに、技術面と倫理面の要件に大きなばらつきがあることを示している。

認定機関、教員団体、雇用主は、AI専攻、副専攻、一般的なリテラシー資格について、より明確な期待水準を定め始めるかもしれない。

それにより、資格の意味が理解しやすくなり、現在の変化は強化されるだろう。ばらつきが続けば、新しいプログラム名への信頼は弱まる。

第3の指標は労働市場から得られる。大学は、卒業生のAI能力に関する雇用主の問いに、一部応じる形で動いている。

学校には、AI教育を受けた卒業生が、システムを評価し、分野横断で働き、日常的なツール利用を超える業務を遂行できるという証拠が必要になる。

新設科目の数よりも、インターンシップの成果、卒業後の就職状況、ポートフォリオの質、雇用主のフィードバックが重要になる。

学生は、初級職がどのように変化するかにも注目すべきだ。従来型のソフトウェア職の求人が減ることは、必ずしも技術的な仕事が減ることを意味しない。

企業は、プログラミングに製品判断、セキュリティ、研究、運用、または特定業界の専門知識を組み合わせられる候補者を求める可能性がある。

大学は、こうしたシグナルを解釈する際に慎重でなければならない。短期的な採用の弱さは、4年制の学生が卒業する前に変化する可能性がある。

現在の求人広告だけを対象にしたカリキュラムは、すぐに古くなりうる。持続的な推論力と技術的基礎は、そのサイクルに対するより良い備えとなる。

最も強い大学のAIプログラムには、おそらく4つの共通点がある。

• 一般的なリテラシーと専門的なエンジニアリングを区別している。

• 学生に出力の検証と情報源の記録を求めている。

• 領域の専門性と適切な技術的深さを組み合わせている。

• 単に洗練されたAI支援の成果ではなく、独立した推論を評価している。

プログラムを評価する学生も、同じくらい直接的な問いを投げかけるべきだ。卒業生は何を構築または評価できるのか、そして大学はそれらの能力をどのように試すのか。

前提条件、必修科目、教員の専門性、プロジェクトの機会、責任あるAI利用の規則を確認すべきだ。

また、副専攻が主専攻を補完するのか、それとも単に別の資格を追加するだけなのかも考えるべきである。答えは、自分が担いたい仕事によって異なる。

大学にとって、課題はさらに難しい。1科目で全学生をAIの専門家にできるように装うことなく、アクセスを拡大しなければならない。

AI能力が今やカリキュラム全体に必要なものになったことを認めながら、コンピュータサイエンスの基礎を維持しなければならない。

したがって、Google Newsでの急増は早期の指標であり、最終的な評価ではない。履修者数は注目を証明するが、教育的価値をまだ証明してはいない。

意味のある成果は、卒業生が未知のシステムや曖昧な証拠に直面したときに現れる。出力を疑い、前提を検証し、説明責任のある判断を下せるだろうか。

今年科目を選ぶ学生は、AIという名称の先を見るべきだ。システムにはあなたの代わりに決められないことを教えてくれるプログラムを見つけよう。