なぜAIでは“ばらつき”が消えなかったのか ― ナレッジでは解決できなかった理由と、その本質 ―

昔、AIソリューションに関わっていたとき、
顧客から何度も同じ相談を受けました。

「人によるばらつきをなくしたい」

• 新人とベテランで判断が違う
• 同じ状況でも対応が変わる
• エキスパートに依存している

そして必ずこう続きます。

「AIで均一化できないか？」

最初のアプローチ：ナレッジをためる

当時、最初に考えたのはシンプルでした。

ナレッジを蓄積すれば解決できるのではないか？

• 過去の事例を集める
• ベテランの判断を記録する
• FAQやルールを整備する

しかし、やってみると分かります。

これでは解決しない

• 忙しくて参照されない
• ケースが毎回違う
• 暗黙知が抜け落ちる
• 最終判断は人に戻る

ナレッジは「材料」にはなるが
判断のばらつきは消えない

のです。

気づき：問題は「知識」ではなかった

ここで重要な違和感が生まれます。

ナレッジは確かに増えている
情報も揃っている

それにも関わらず

判断のばらつきは消えない

なぜか？

理由はシンプルです。

ナレッジは「何を知っているか」を揃えるものだからです

しかし現実にばらつきが出ているのは

「どう判断するか」

ここでズレが起きている

整理すると

• ナレッジ → 知識の問題
• 判断 → 意思決定の問題

解こうとしていた問題と
実際の問題がズレていた

ここで初めて見える本質

問題は知識不足ではない

問題は「判断のやり方が人の中に閉じていること」

つまり

判断が構造化されていない

ここで視点が変わる

ここで初めて問いが変わります。

どうやってナレッジを増やすか？から

どうやって判断を外に出すか？へ

実はこの問題、昔から解かれている

この「ばらつき」の問題は、
AIだけの話ではありません。

人に依存する限り、必ず発生する問題

そしてこの問題は

すでに他の領域で解かれているのです。

■ 製造業

昔の製造はこうでした。

• 熟練工しか作れない
• 人によって品質が変わる

そこで何をしたか？

作業を構造化した

• 標準作業
• 手順書
• 許容範囲（公差）
• チェックポイント

結果

• 誰でも同じものが作れる
• 品質が安定する

リテール

リテールでも同じです。

Before：

• 店長ごとにやり方が違う
• 店舗ごとに売上がバラバラ

After：

オペレーションを構造化

• 接客フロー
• 陳列ルール
• 補充タイミング
• 値引き基準

結果

• 店舗差が減る
• 売上が安定する

共通していること

ここで重要なのはこれです

• 製造は「作業」を構造化した
• リテールは「運営」を構造化した

従来のAIは「どこまでやっていたのか？」

ここでAIの話に戻ります。

従来のAIは、主に次の2つを担ってきました。

① 予測する
② 提案する

一見すると、かなり高度なことをやっているように見えます。

例えば

製造・品質のケース

• 「この部品は不良になる確率が高いです」（予測）
• 「この工程に問題がある可能性があります」（提案）
• 「点検した方が良いです」（提案）

しかし

• ラインを止めるのか？
• どのレベルで対応するのか？
• コストとのバランスは？

ここは人が判断しています。

金融・リスクのケース

• 「この取引は不正の可能性が高いです」（予測）
• 「リスクが高いユーザーです」（提案）
• 「追加確認を推奨します」（提案）

しかし

• 即ブロックするのか？
• 一時保留にするのか？
• 顧客体験とのバランスは？

ここも人が判断しています。

カスタマーサポートのケース

• 「この問い合わせは解約意図が強いです」（予測）
• 「この対応が適切です」（提案）
• 「この文章を返信候補として提示します」（提案）

しかし

• 本当に送ってよいか？
• トーンは適切か？
• 例外対応は必要か？

これも人が判断しています。

人事・採用のケース

• 「この候補者は採用確度が高いです」（予測）
• 「この人材がマッチしています」（提案）
• 「面接を進めることを推奨します」（提案）

しかし

• 本当に採用するのか？
• 条件はどうするのか？
• 他候補とのバランスは？

これも人が判断しています。

医療のケース

• 「この患者は疾患の可能性が高いです」（予測）
• 「この検査を推奨します」（提案）
• 「この治療方針が考えられます」（提案）

しかし

• 本当に治療するのか？
• リスクは許容できるか？
• 患者の状況はどうか？

これも人が判断しています

これらは一見、非常に合理的に見えます。

• AIが材料を出し
• 人が最終判断する

「安全で現実的な運用」に見える

しかし、ここに問題が残る

実務の現場では、この構造だと次の問題が必ず発生します。

① 判断のばらつきが消えない

• 同じ予測結果でも
• 人によって結論が変わる

新人は慎重に止める
ベテランは流す

判断が統一されない

② 暗黙知に依存する

人が判断するということは

• 経験
• 勘
• 文脈理解

に依存するということです。

つまり

判断の基準が外に出ていない

③ 再現できない

• なぜその判断になったのか曖昧
• 同じ状況でも再現できない

品質にならない

④ スケールしない

• 人の判断がボトルネック
• リアルタイムに対応できない

運用が拡張できない

つまり何が起きているのか？

ここが一番重要です

AIは「材料」を出しているだけで
「判断のやり方」は人の中に残っている

これが最初の問いに戻る

「人によるばらつきをなくしたい」

「AIで均一化できないか？」

この問いに対して、

ここまで見てきたように、

従来のAIは

• 予測する
• 提案する

ところまではできています。

つまりAIは、

• 状況を整理し
• 判断に必要な材料を提示する

ことはできています。

言い換えると

人が判断するための「情報」は揃っている

それでも揃わないものがある

しかし現場では、

それでも次の問題が起きます。

• 同じ情報を見ても
• 人によって判断が変わる

なぜか？

答えはシンプルです。

揃っているのは「情報」だけだからです

ここで重要な分解

ここで一度、整理すると

• 情報（データ・予測・提案）
• ナレッジ（知識・経験）
• 判断（意思決定）

従来のAIは主に

情報とナレッジを揃える方向に進んできた

• データを集める
• モデルで予測する
• ナレッジを蓄積する

しかし問題はそこではなかった

どれだけ情報やナレッジを揃えても

最終的な判断は人に委ねられる

その結果

判断のばらつきは残る

ここで初めて見える本質

均一化すべき対象が違っていた

従来の前提

情報・ナレッジを揃えれば均一化できる

本質

判断のやり方を揃えないと均一化できない

では、どうすればよいのか？

ここで初めて、次の問いが生まれます。

判断のやり方をどう揃えるのか？

ここで重要なのは、

判断を「人に任せるもの」から
「定義できるもの」に変えることです。

判断を構造にする

これまでの世界では、

判断は人の中にあるものだった

しかし、それを次のように変える必要があります。

• 判断を外に出す
• 判断を分解する
• 判断を再現可能にする

判断は分解できる

一見すると「判断」は曖昧に見えますが、

実は次のように分解できます。

• どの情報を見るのか
• どの条件で判断するのか
• どの選択肢を取るのか
• どこまで許容するのか

製造やリテールと同じことが起きる

ここで、最初の話に戻ります。

製造では

• 作業を分解し
• 手順として定義した

リテールでは

• オペレーションを分解し
• フローとして定義した

そしてAIの世界では

• 判断を分解し
• 構造として定義する

何が変わるのか？

これを行うと、次の変化が起きます。

① 判断が再現可能になる

同じ条件なら
同じ判断が行われる

② 判断の理由が明確になる

なぜその判断になったのか
どの条件が効いたのか

③ 判断が改善できる

どこを変えれば結果が変わるのか
どのルールが適切か

④ 判断がスケールする

人に依存しない
リアルタイムに実行できる

ここで初めてAIの役割が変わる

従来のAIは

• 予測する
• 提案する

しかしこれからのAIは

判断の構造の中で動く存在になる

AIは「判断の中」に入る

• 予測はSignalになる
• 提案は選択肢になる
• ルールが判断を決める

AI単体ではなく
構造の中の一部として機能する

これが意味するもの

AIは人を置き換えるのではない

人が持っていた判断を、構造として外に出す

最終的に起きること

ここで最初の問いに戻ります。

「人によるばらつきをなくしたい」

その答えはこうなります。

ナレッジを揃えることではない

判断の構造を揃えること

AIは情報を揃えることはできる
しかし判断は揃えられない

構造がない限り

だからこそ必要なのは

「判断を構造として設計すること」