type: draft
task_id: book-意思決定とは何か-linkedin
title: "経験は意思決定を磨くのか：熟達の条件とAI時代の『見抜く目』"
channel: personal-tl
voice: personal
iteration: 3
source: "[[Book-意思決定とは何か]]"
created: 2026-06-14
status: draft
word_count_target: "3000-4000"
スキー教室では、斜面に立ったら体重を母指球——親指の付け根——に載せるよう繰り返し指導される。だが人は斜面で下を向くと、恐怖心から本能的に後ろにのけぞり、重心をかかとに移してしまう。通常はそれが転倒回避に役立つ。ところがスキーでは、その本能のままに滑ると制動が利かず転んでしまう。安全に滑るには本能に逆らわねばならない。そして自己流で滑り続けるかぎり、何年経ってもそれに気づけない。
長瀬勝彦『意思決定とは何か』(白桃書房, 2026)[1]は、このスキーのメタファーで意思決定の核心を突く。経営の実務経験を山ほど積んだ人でも、バイアスは補正されないどころか、ますます偏った意思決定をしていく。本能的な意思決定は本人に害をもたらすことがあるが、経験を重ねてもそれに気づけない。行動意思決定論を学ばずに意思決定を改善することは困難である、と著者は言い切る。
これは私たちの通念に逆らう主張だ。「経験豊富なベテランの判断は信頼できる」「場数を踏めば勘は鋭くなる」——採用も昇進も、その素朴な前提の上に成り立っている。だが本当にそうなのか。経験は意思決定を磨くのか、それとも鈍らせるのか。
この問いに最も明快な答えを出したのが、Kahneman と Klein の共著論文「熟達した直観の条件」(2009)[2]である。バイアス研究の旗手 Kahneman と、消防士や看護師の熟練の勘を研究してきた Klein という、立場の異なる二人が共同で到達した結論はこうだ。直観的判断の質は、二つの条件で決まる。第一に、判断が下される環境が予測可能な規則性をもつこと(高妥当性環境)。第二に、その規則性を学べる十分な機会、すなわち迅速で明確なフィードバックがあること。
二条件が揃う領域では、経験は本物の技能を生む。チェスの達人、熟練の麻酔科医、火災現場の消防士は、無数の試行と即座のフィードバックを通じて、言語化できない正しい直観を獲得する。一方、二条件が欠ける低妥当性環境では、いくら経験を積んでも直観は鍛えられない。それどころか経験は「自分は分かっている」という自信だけを肥大させる。論文の核心を引けば、主観的な経験の確信は、判断の正確さの指標にはならない。
低妥当性環境の代表が、長期予測と戦略的判断である。Tetlock が20年以上かけて専門家の政治・経済予測を追跡した研究[3]では、予測精度はチャンスをわずかに上回る程度にすぎず、単純な外挿モデルにすら劣った。しかも著名で自信に満ちた専門家ほど精度が低いという皮肉な傾向まで観察された。臨床判断の領域にはさらに直截な証拠がある。Groveらが136件の研究を統合したメタ分析[4]では、単純な統計モデルが人間の臨床的判断と同等以上だった研究が大多数を占め、臨床判断が明確に上回ったのはごく一部にすぎなかった。経験を積んだ専門家の総合判断が、数本の変数を機械的に足すだけのモデルに負ける。経験年数が精度を高めない領域は、思いのほか広いのである。
つまり「経験は意思決定を磨く」は、半分しか正しくない。経験が資産になるか負債になるかは、その判断が置かれた環境の予測可能性とフィードバックの質で決まる。スキーの斜面は高妥当性環境だ。転べば即座にフィードバックが返るから、正しく習えば熟達できる。一方、企業の戦略判断や人事の登用判断は、結果が出るまで数年かかり、運や偶然が大きく介在する。長瀬の言う「経験を積んでも偏っていく」意思決定とは、まさにこの低妥当性環境での話なのだ。
ここで前号とつながる。私は前回のNewsletterで宮本弘暁『AI大格差』(日本評論社, 2026)[5]を取り上げ、AI時代の分岐点は「AIを使えるか」ではなく、AI出力を評価し責任を引き受ける「見抜く目」だと論じた。そして本書には、経験者のほうがAI出力の「違和感」に気づきやすいという逆説が描かれていた。
並べると、二冊は正面から衝突する。一方は「経験を積んでもバイアスは直らない」と言い、もう一方は「経験者ほどAIの誤りを見抜ける」と言う。経験は負債なのか、資産なのか。両方を褒めて終えることもできるが、それでは読んだことにならない。
熟達の条件を補助線に引くと、衝突は解ける。二つは時間軸ではなく、環境で両立している。自分が深く知るドメイン——高妥当性で、過去に何度も正解と不正解のフィードバックを浴びてきた領域——では、経験はAI出力の違和感を察知する精度の高いセンサーになる。医師が不自然な診断文に引っかかり、熟練の編集者が破綻した論理に手を止める。あれは魔法ではなく、妥当な環境で鍛えられた直観だ。逆に、自分の専門外や、誰にとっても予測困難な低妥当性領域に出た瞬間、同じ経験は過信の燃料に変わる。そこではAIの誤りも自分の誤りも見抜けない。
私が強調してきた「低周波帯のスキル」[6]——プロンプトの書き方のように陳腐化の速い高周波帯に対し、構造を見抜く判断力のように時代を超えて価値を持つスキル——も、この補助線で精緻になる。低周波帯スキルは、それ自体で価値を持つのではない。高妥当性環境で磨かれてきたという履歴とセットで、初めて効く。見抜く目は資質ではなく、環境との関数なのだ。
そうなると、AI時代の問いは「経験を信じるか、AIを信じるか」という二者択一ではなくなる。問うべきは信頼の較正である。この判断は熟達の効く環境か。ここで自分の経験は妥当か。そしてここでAIは妥当か。
ところが人間は、この較正がとびきり下手だ。Dietvorstらの研究[7]は「アルゴリズム回避」を示した。人はアルゴリズムが一度誤るのを見ると、それが人間より高精度だと分かっていても、人間が同じ誤りをした場合よりずっと早く見限ってしまう。一方、Loggらの研究[8]は正反対の「アルゴリズム選好」を報告する。不透明で数値的な領域では、人はむしろ人間よりアルゴリズムの助言に過剰に従う。ただしこの選好は、人物評価や倫理判断のように「人間性が問われる」と感じる領域では消える。
回避と選好は、矛盾して見えて根は一つだ。私たちはAIを疑うべき場面で盲信し、頼るべき場面で見限る。間違える向きが逆なだけで、どちらも「領域の妥当性を問わずに信頼を決めている」点で同じ失敗だ。本書の言葉を借りれば、直観的なタイプ1の思考が、分析的なタイプ2の検証を受けないまま走り出している状態である。較正とは、タイプ1の違和感を入口として歓迎しつつ、タイプ2で「この領域でその直観は妥当か」と一度立ち止まる習慣にほかならない。その問いは、AIの出力にも、自分の年季の入った勘にも、同じ重さで向けられねばならない。
熟達の条件という補助線は、人事の設計図そのものを書き換える。
1. 経験年数を、能力の代理変数にしない。 「マネジメント経験◯年以上」という要件は、その職務が高妥当性環境であることを暗黙に仮定している。だが管理職の判断の多くは、結果が出るまで数年かかり運の介在も大きい低妥当性環境にある。測るべきは年数ではなく、フィードバックを浴びて判断を更新できる力——本書の言う、自分のバイアスに気づき直す力だ。私が人材アセスメントを設計するとき最も価値を置きたいのも、この一点である。長瀬のスキーの比喩が突きつけるのは、シニアほど「自己流の滑り」が固着しているという扱いにくい事実だ。
2. デバイアシングを、心がけではなく仕組みにする。 経験が自動的にはバイアスを直さない以上、外付けの装置がいる。プレモータム——決定の前に「これは失敗した」と仮定して理由を挙げる思考実験——や、反対意見役の制度化。『科学的な適職』[9]が個人向けに処方したこれらの手法は、会議体の手続きにそのまま移植できる。個人の徳に期待しないことが、唯一の堅実な設計だ。
3. フィードバックそのものを設計する。 熟達の第二条件が「フィードバックの質」なら、組織にできる最大の仕事は、判断の結果が速く明確に返る回路をつくることに尽きる。登用や投資を決めるとき、何を期待してそう決めたかを先に書き残し、後で答え合わせをする。この一手間だけで、低妥当性環境はわずかに学習可能な環境へ近づく。
4. AIは、領域の妥当性で線を引く。 どの業務でAIを信頼し、どこで人間が手綱を握るか。本書の「リスク1／リスク2」の分類が物差しの一つになる。定型的で検証の速い高妥当性業務は委ね、人物評価や倫理判断のように較正の難しい領域では人間がタイプ2の検証を引き受ける。前号で論じた「部分的自動化」は、ここでも設計原則として生きている。
経験そのものに価値があるのではない。フィードバックの返る環境で磨かれた経験にだけ、価値がある。
AIは、この古い事実を新しい切迫感とともに突きつけてくる。AIに何を任せ、自分の経験のどこを信じるか。その較正こそが、これからの意思決定の質を分ける。最も危ういのは、経験の浅い人ではない。経験を疑う力を持たない経験者である。
実はこの論考、書こう書こうと思いながら二週間ほど着手できずにいた。締切のある提案書を横目に、なぜか優先度の低いタスクから片づけてしまう——本書の第7章「計画錯誤」と第8章「先延ばし」を、そっくり地で行く体たらくである。先延ばしは期待・価値・衝動性の三つで説明できるそうだが、衝動性だけはどうにも御しがたい。理論を知っていても直らないあたり、これもまた「経験はバイアスを直さない」の小さな実例なのだろう。
現在執筆中の二冊目では、マネジャーの意思決定を一つの軸に据えている。本書の「経験を疑う力」は、その核に置きたい考え方だ。皆さんの組織では、ベテランの勘はどんな環境で効き、どんな環境で外れているだろうか。差し支えなければ、ぜひ聞かせてほしい。
[1] 長瀬勝彦 (2026).『意思決定とは何か——「意識」と「無意識」の思考・判断・評価』白桃書房.
[2] Kahneman, D., & Klein, G. (2009). "Conditions for Intuitive Expertise: A Failure to Disagree." American Psychologist, 64(6), 515-526.
[3] Tetlock, P. E. (2005). Expert Political Judgment: How Good Is It? How Can We Know? Princeton University Press.
[4] Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E., & Nelson, C. (2000). "Clinical Versus Mechanical Prediction: A Meta-Analysis." Psychological Assessment, 12(1), 19-30.（cf. Dawes, Faust & Meehl, 1989, Science, 243, 1668-1674）
[5] 宮本弘暁 (2026).『AI大格差——最先端の研究が明かす仕事と給料の未来』日本評論社.
[6] 深津貴之, けんすう, 尾原和啓 (2025).『メタスキル——努力の価値がわかる時代のAI×自分戦略』NewsPicksパブリッシング.
[7] Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). "Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err." Journal of Experimental Psychology: General, 144(1), 114-126.
[8] Logg, J. M., Minson, J. A., & Moore, D. A. (2019). "Algorithm Appreciation: People Prefer Algorithmic to Human Judgment." Organizational Behavior and Human Decision Processes, 151, 90-103.
[9] 鈴木祐 (2019).『科学的な適職——4021の研究データが導き出す、最高の職業の選び方』クロスメディア・パブリッシング.