予測マシンの世紀 AIが駆動する新たな経済

概要

トロント大学ロットマン経営大学院の経済学者3名、アジェイ・アグラワル、ジョシュア・ガンズ、アヴィ・ゴールドファーブによって書かれ、2018年にハーバード・ビジネス・レビュー・プレスから原著"Prediction Machines: The Simple Economics of Artificial Intelligence"として刊行されたビジネス書。日本語版は早川書房から2019年2月に刊行され、翻訳は小坂恵理が担当している。

本書の核心にある主張は、現在のAI(特に機械学習)の本質を技術ではなく経済学のレンズで捉え直すというものである。著者らは、機械学習の急速な進歩がもたらしている変化の実体は「予測」という行為のコストが劇的に低下したことであると位置づける。過去に演算コストの劇的な低下(コンピュータの登場)や算術コストの低下(電卓の登場)が経済や産業構造を大きく変えたのと同様に、予測コストの低下は、予測を投入財として使うあらゆる意思決定のあり方を変えていくと論じる。技術的な仕組みそのものよりも、価格の低下が需要と供給、代替財と補完財の関係をどう変えるかという伝統的なミクロ経済学の枠組みを一貫して用いて論を進める点が、他の多くのAI解説書と一線を画す特徴になっている。

本の構成

本書は大きく5つのパートと結びの章から構成される。

第1部「予測」では、AIとは本質的に何を行う技術なのかを定義し、機械学習が統計的なパターン認識に基づいて未知の状況を予測する「予測マシン」であるという中心的な比喩を提示したうえで、予測のコストが下がることで何が起きるかを、代替財(人間による予測作業)への需要が減り、補完財(データ・判断力・行動力)への需要が増えるという経済学の基本原理から説明する。

第2部「意思決定」では、一つの意思決定を「データ」「予測」「判断」「行動」「結果」という要素に分解し、AIが担うのは主に予測の部分であり、予測結果をもとにどのような行動を取るべきかを決める「判断」は依然として人間(あるいは人間が設計した価値基準)に委ねられているという枠組みを提示する。

第3部「ツール」では、実際に組織にAIを実装していく際に必要となる技術的・組織的な構成要素、業務プロセスの分解・再設計、判断の自動化・部分自動化をどう設計するかを扱う。

第4部「戦略」では、予測コストの低下が企業戦略や産業構造にもたらす影響を、データの戦略的価値、データを蓄積することで予測精度が高まりさらにデータが集まるという好循環(データのネットワーク効果)、既存事業の分解・再統合といった観点から論じる。

第5部「社会」では、AIによる雇用への影響(職業単位ではなくタスク単位での代替が進むという視点)、格差やバイアス、プライバシーといった社会的課題を扱い、最終章では人間の判断すら自動化されうる将来的なシナリオ(AIが判断まで担うようになった場合に何が起きるか)を展望して締めくくる。

主要な内容

「予測」としてのAIという定義

著者らは、世間で語られる「人工知能」という言葉が指す実態の多くが、統計的機械学習による予測にすぎないと指摘する。ここでいう予測とは天気予報のような未来の出来事の予測に限らず、レントゲン画像が腫瘍かどうか、あるメールが迷惑メールかどうかを判定することも、既知の情報から未知の情報を推測するという意味で「予測」の一種であると再定義する。この定義に立つことで、AIの応用範囲を過大にも過小にも見積もらず、予測というボトルネックを抱えている業務プロセスがどこにあるかを冷静に見極めることができると論じる。

予測コストの低下と代替財・補完財

経済学の基本原理として、ある財の価格が下がると、その財の代替財への需要は減り、補完財への需要は増えるという関係を提示したうえで、AIによる予測コストの低下がもたらす影響をこの枠組みで説明する。予測の代替財にあたる人間の予測労働(統計予測やルールベースの意思決定など)への需要は減少する一方、予測の補完財にあたるデータ(予測の材料)、判断力(予測結果から何をすべきかを決める能力)、そして行動力(判断に基づいて実際に行動を起こす能力)への需要はむしろ増大すると論じる。この視点は、AIの普及によって「なくなる仕事」だけでなく「価値が高まる仕事・能力」を考える枠組みとしても提示される。

意思決定の分解と判断の重要性

一つの意思決定を、判断のための材料となる「データ」、そのデータから将来や未知の状態を推測する「予測」、予測結果に基づいてどう行動すべきかという価値判断である「判断」、実際に取る「行動」、そしてその「結果」という一連の連鎖として捉え直す枠組みを提示する。この枠組みに沿うと、AIによる自動化が進むのはあくまで予測の部分であり、判断(それぞれの結果にどれだけの価値・コストを見出すかという相対的な重み付け)は人間の価値観や組織の目的関数に依存する部分として、当面は人間側に残り続けるという整理がなされる。予測精度が十分に高まった段階で判断まで含めてAIに委ねる(完全自動化する)かどうかは、誤判定のコストの非対称性(偽陽性と偽陰性のどちらのコストが高いか)に応じて決めるべき経営判断であるとする。

AI導入のためのツールと組織設計

組織にAIを導入する際には、単に予測モデルを構築するだけでなく、それを既存の業務フローに組み込み、判断や行動につなげるための周辺的な仕組み(ワークフローの再設計、必要なデータを継続的に収集するパイプライン、予測結果を実際の意思決定者に届ける仕組み)が不可欠であると論じる。単純なタスク(例えば個別の判定を1件ずつ自動化する)から複雑なタスク(意思決定プロセス全体を再設計する)まで、AI導入の難易度と組織への影響度にはグラデーションがあることを示し、経営者は自社のどの業務がどの段階に位置するかを見極める必要があるとする。

戦略への含意

予測コストの低下は、データを早期に蓄積した企業が、予測精度の向上を通じてより多くの顧客・データを獲得するという好循環(データのネットワーク効果)を生み、先行者優位が積み上がっていく可能性を指摘する。一方で、先行して市場に出すことと、長期的に優位性を保てるだけのデータの蓄積戦略を両立させる難しさについても論じ、単に早くAIを導入すればよいという単純な結論を避けている。また、予測コストの低下によって、これまで一つの企業内で垂直統合されていた事業が分解されたり(アンバンドリング)、逆に予測を軸に新たに再統合されたり(リバンドリング)する産業構造の変化が起こりうるという視点も提示される。

社会への含意

AIによる雇用への影響については、特定の「職業」がまるごと消えるという単純な図式ではなく、職業を構成する個々の「タスク」のうち予測に関わる部分が自動化され、判断・対人関係・身体的な作業といった残りのタスクの相対的な価値が高まるという、タスク単位の分析視点を提示する。あわせて、予測モデルの学習データに含まれる偏りがそのまま予測結果のバイアスとして再生産されるリスク、AIの判断精度が向上するほど人間側の監督・介入がかえって形骸化しかねないという問題、そしてプライバシーとデータ収集のトレードオフといった社会的課題にも触れる。

具体例

自動運転車は本書全体を通じて繰り返し用いられる中心的な具体例で、「今どこに他の車や歩行者がいるか」を認識・予測する部分と、その予測結果を受けてハンドルやブレーキをどう操作するかという「行動」の部分とを分けて捉えることで、AIが担う役割(予測)と、安全性の基準や倫理的な優先順位づけといった「判断」の部分が本質的に別物であることを説明する材料として用いられる。

Amazonが取得した「予測出荷」に関する特許は、顧客が実際に注文する前に、購買履歴などから需要を予測して商品をあらかじめ近隣の配送拠点に移動させておくという構想であり、予測精度の向上がリードタイムそのものを短縮しうるという主張を裏付ける具体例として紹介される。

配車サービスにおける到着予定時刻の予測、クレジットカードの不正利用検知、画像診断における病変の検出支援など、予測が中心的なボトルネックになっている業務の具体例が随所で取り上げられ、いずれも「予測」の精度向上がそのままサービス品質や意思決定の質の向上に直結する事例として説明される。

サイコロの目の予測のように、いくらデータを増やしても本質的にランダムな事象の予測精度は改善しないという対比的な例も示され、AIによる予測の効果はデータと事象の間に統計的な規則性が存在する場合に限られるという限界についても率直に論じられている。

実践への応用

本書が示す枠組みは、経営者や事業責任者が自社の業務プロセスの中からAI導入によって価値を生み出せる箇所を見極めるためのチェックリストとして応用できる。具体的には、まず自社の意思決定プロセスをデータ・予測・判断・行動・結果に分解し、そのうちどこに「予測」のボトルネックが存在するかを特定すること、誤判定のコスト(偽陽性と偽陰性の非対称性)を明示的に見積もったうえで、どこまで自動化すべきかの閾値を設計すること、AI導入によって需要が増える補完財(自社が持つデータ資産、現場の判断力、実行力)への投資を怠らないことなどが、実務への具体的な応用として挙げられる。

また、AI戦略を検討する際に、技術的な実現可能性だけでなく、データを蓄積することによる長期的な競争優位(データのネットワーク効果)をどう設計するか、そして自社の事業がAI導入によって分解(アンバンドリング)されるリスクと、逆に他社の予測技術を組み込むことで再統合(リバンドリング)できる機会の両方を検討することが、戦略立案上の実践的な示唆として提示されている。

位置づけ・評価

テクノロジーそのものの解説に踏み込む多くのAI書籍とは異なり、経済学者による古典的なミクロ経済学の枠組み(代替財・補完財、価格弾力性)を一貫して用いてAIの経済的インパクトを説明する点で独自の位置づけを持つビジネス書である。技術的な詳細よりも、経営判断や産業構造への含意を重視した構成になっており、経営大学院のカリキュラムや企業のAI戦略担当者向けの必読書として広く紹介されてきた。同時期に刊行されたAIと経済・雇用をテーマとする他の論客の著作と並んで、「AIの経済学」という視点を一般のビジネスパーソン向けに広めた先駆的な一冊として位置づけられている。