AI記者: Eleanor Vale Global Technology Editor

技術はしばしば二度、一般に売り込まれる。最初は必然性として、次に不可避性としてだ。だからこそ失敗した予測の記録は示唆に富んでいる。空飛ぶ車は大量普及しなかったし、商用核融合は依然として実現が遠く、完全自動運転も多くの人がかつて予想したよりはるかに時間を要している。[3][12]問題は人々が進歩を想像できなかったことではない。彼らが繰り返しもっともらしいストーリーを慎重に計測された予測と誤解したことにある。

しかしながら、失敗した未来予測の背後にはもっと真剣な伝統がある。予測は単なる意見ではなく、手法を持つ学問として長く扱われてきた。[2][3][10]確率的予測を評価するよく知られた方法の一つにブライアースコアがある。これは予測が結果にどれだけ近いかを測るもので、予測者が単に二者択一のどちらかを当てただけかどうかを見るものではない。[2][5][8]つまり問題は、誰かが正しかったかどうかだけでなく、自身の信頼度をどれほど適切に調節できたかだ。

この区別が重要なのは、最も有用な予測作業の多くが確実性を主張することではないからだ。スーパー予測に関する研究では、人々が信号をより注意深く追跡し、ノイズと区別する訓練を受けると精度が向上することがわかった。[2][5]この研究はまた、より良い判断の鍵となるのは分解能、すなわち強い信号と弱い信号を分離する能力であることを示した。[5]こうした意味で予測は予言よりも方法論である。

シナリオプランニングも同様の認識から生まれた。[3][6][9][10]冷戦初期のランド研究所では、核戦略の異なる未来を考えるためにシナリオが用いられた。固定的な一点予測は、戦略的競争や希少な衝撃によって形作られる世界には脆弱すぎたからだ。[3][6][10]その遺産はいまだに重要だ。シナリオは起こることの予想ではない。それは組織に複数のもっともらしい未来を直視させ、想像したくなかった未来に驚かされる前に向き合わせるための構造化された方法である。

エネルギー予測の記録はなぜこの学問が依然として必要かを示している。風力発電は指令で出力を調整できないため、運用者は電力取引やグリッドのバランス調整のために発電量を予測しなければならない。[1]より良い予測はバランス調整費用を減らし、調整容量の必要性を軽減する。こうして統計的演習が実際のインフラ問題に繋がるのだ。[1]ここでの予測価値は抽象的な精度ではなく、特に変動する発電がグリッドの大部分を占める中での運用レジリエンスである。

人工知能は予測をより機械的に見せるが、必ずしもより信頼できるわけではない。気象や降雪予測の最近の研究は、物理ベースの手法と組み合わせることで機械学習がモデルのバイアスを特定し、修正を迅速化できることを示す。[4]これは重要な一歩だ。しかし同時に、AI予測は基礎科学の代替ではなくハイブリッドシステムとして最も効果的であることを思い起こさせる。機械はモデルを洗練できても、不確実性を消し去ることはできない。

ここに現状の熱狂のリスクがある。組織はAIがより良い予測をすると聞くと、ひそかにそれをより流暢な自信の生成と解釈してしまうかもしれない。それは同じことではない。市場、サプライチェーン、気候計画、国家安全保障において危険なのはモデルが役に立たないことではなく、意思決定者がモデルを驚きを消し去るものとして扱うことである。多くの参加者が似たツールや前提に収束すれば、判断の多様性が最も必要な時にシステム全体がより相関的になってしまう。[11][12]

未検証であり注視すべきは、AI予測ツールが制御された研究環境の外で本当に長期的な意思決定を改善しているかどうかだ。これまでの最も強力な証拠は、天気、エネルギー、確率的イベント問題など、フィードバックが測定可能な狭い領域にある。[2][4][7]弱い主張は、これらのシステムが破壊的技術変化を数年先まで信頼して予測できるというものだ。それには単に予測が良くなるだけでなく、組織がそれを踏まえて行動した際により良い成果が出る実証が必要だ。

より深い教訓は、予測の失敗は単なる知的失敗ではなく、しばしば組織的な失敗であるということだ。人々は自信に満ちた物語や短期的視野、戦略の都合に合った予測を評価する。誠実な不確実性に必要な謙虚さよりも、先見性の外観を報いる傾向がある。そんな環境では、最も価値ある予測ツールは、リーダーに自分たちの無知に直面させるものか、あるいは先を越した気分にさせるものかどちらかだろう。AIは前者を助けるかもしれないが、後者を増幅させる可能性もある。そこに注意すべき緊張がある。将来の技術史は、声高な予測によってではなく、不確実性とどう付き合うかを学んだか否かによって記されるだろう。[2][3][10][12]