🧭 「決められない」の正体は、たぶん5要素のうちどれかが欠けているだけ

意思決定 / データサイエンス / AI / 統計学

― 意思決定写像という、思考の補助線 ―

はじめに

なにかを決めようとして、ぐるぐる悩む。

「今日の昼ご飯、何にしよう」 「この研究、どの手法でいくべきか」 「AI にどう仕事を任せるか」

スケールはぜんぜん違うのに、悩みの質感はどこか似ている。頭の中にいろんな情報が漂っているのに、最後の一手が決まらない。 そんな状態に共通する、たったひとつの理由があるのではないか。

このブログ記事のテーマは、その「共通の理由」を見える化する道具 ― 意思決定写像 という考え方の紹介である。早稲田大学の松嶋敏泰先生が、データサイエンスを「データから意思決定を行う明確で合理的なプロセスを扱う学問体系」として整理する文脈で打ち出した概念で、論文や書籍シリーズで体系的に解説されている。

長くなるので 4パート に分けた。

• Part 1:意思決定写像とは何か ― 5つの要素
• Part 2:統計学も最適化も、意思決定写像で書ける
• Part 3:主観なき意思決定は存在しない ― 科学的態度とは何か
• Part 4:AI 時代に必要な能力 ― 5要素を設計する側に立つ

順に読んでも、関心のあるパートだけ読んでも構わない。

Part 1:意思決定写像とは何か ― 5つの要素

「悩む」のたいていは、5要素のどれかが言語化されていないだけ

意思決定写像とは、あらゆる意思決定を、入力を受け取って出力集合の中から1つを選ぶ「写像(関数)」とみなす 考え方である。

その写像を、次の5つの要素で記述する。

5要素のどれか1つでも欠けていると、意思決定は完了しない。 逆に言うと、「決められない」と感じるとき、たいてい5要素のうちどれかが言語化されていない。

例:今日の昼ご飯を決める

ささいな選択にも、書き出してみると5要素がちゃんとある。

そして「迷う」のたいていの原因は、評価基準の重み付けが定まっていないことだと気づく。「眠くならない」と「美味しい」が衝突しているとき、どっちを優先するか決まっていないから決められない。これは目的の問題でも入力不足の問題でもない ― 評価基準の問題だ。

書き出すと、悩みの正体が分かる。

進路の悩みも、同じ構造

進路の悩みは、たいてい 目的そのものが定まっていない 問題である。「成長機会」と「給与」のどちらを優先するかという評価基準のズレも、その根は目的のレイヤーにある。

「成長したい」と思っているのか、「安定したい」と思っているのか ― ここが揺らいでいると、評価基準は永遠に揺らぎ続け、選択肢を眺めても答えは出ない。

5要素を1ページに書き出してみると、自分が普段どの要素を言語化していないかが見える。それが、意思決定が滞っている本当の原因である。

ここまでが Part 1。次は、この見方の射程の話。

Part 2:統計学も最適化も、意思決定写像で書ける

「手法」に見えるものは、すべて意思決定写像である

ここからが意思決定写像の本領。

実は、回帰分析・最適化・機械学習といった「手法」と呼ばれているものは、すべて意思決定写像として記述できる。これが松嶋先生の論文の出発点であり、データサイエンスを統一的に捉える視点の核心になっている。

例:重回帰分析

説明変数 $x$ から目的変数 $y$ を予測したいとき、線形関数 $y = a^\top x$ を求める。これを5要素で書くと:

ここで美しいのは 設定と評価基準の連動 だ。設定で「誤差は等分散正規分布」と置いたから、尤度最大化が二乗誤差最小化と等価になる。設定をラプラス分布に変えれば、同じ尤度最大化のもとで絶対誤差最小化が出てくる。

5要素は独立ではない。互いに連動している。 設計のセンスは、この連動を意識できるかどうかにかかっている。

リッジ回帰、Lasso、AIC ― 全部、同じ枠組みで書ける

松嶋先生の論文では、リッジ回帰や Lasso、AIC、変数選択問題、変分ベイズ法までもが、意思決定写像と評価関数の組として統一的に整理されている。「手法をたくさん覚える」のではなく、「同じ写像の評価関数や設定を変えていくと、どんな手法ファミリーが現れるか」 という見方ができるようになる。

書籍シリーズ『データ科学入門』では、この視点で 記述統計・推測統計・ベイズ統計 という立場の違う分野が、意思決定写像という共通言語で並列に説明されている。

「同じ写像」でも、上位の目的が違うと意味が変わる

ここがとくに面白い。

松嶋先生は、重回帰分析の同じ意思決定写像と評価関数に対して、2つの異なる立場がありうることを指摘している。

• 立場1:得られたデータそのものをよく説明したい(記述統計的立場)
• 立場2:データの背後にある母集団・確率分布について知りたい(数理統計的立場)

数式で書くと両者は同じに見えるのに、「何のために決めたいのか」という上位の目的が違う。立場2では、出力の a は単なる係数ではなく、母集団のパラメータの推定量として解釈される。

つまり、意思決定写像には 上位の階層 がある。「目的」のさらに上に「上位の目的」があり、評価基準のさらに上に「なぜその評価でいいのか」という根拠の問いがある。

階層構造 ― フラクタル性

意思決定写像は 入れ子(フラクタル) になっている。

最上位:  会社を 10 年後に存続させたい
   ↓ そのために
戦略:    エンジニアリング組織を強くしたい
   ↓ そのために
戦術:    今期、シニアエンジニアを 3 人採用したい
   ↓ そのために
実装:    Aさんを採用するか?

各層が、それぞれ5要素を持つ意思決定写像である。下層の「目的」は、上層にとっての「出力集合の中の1つ」にすぎない。

実装だけを悩んで最上位を見失うと判断がブレる。最上位だけ語って実装を決めない人は、前に進めない。いま自分はどの階層で意思決定しているのか を意識しないと、議論はかみ合わない。

そして、「5要素をどう設計するか」自体が、また 1 つの意思決定写像である(メタ意思決定)。「うまく決められない」と感じたら、1段下の選択肢を増やすのではなく、1段上の写像 ― 「そもそも評価基準はこれでいいのか」 ― を疑うのが筋がいい。

ここまでが Part 2。手法の山が、意思決定写像という共通言語で景色を変える。

次は、主観と客観 の話。意思決定写像が一番効いてくるのは、たぶんここである。

Part 3:主観なき意思決定は存在しない ― 科学的態度とは何か

「客観的に決めました」は、ほぼ全ての場合、嘘ではないが不正確

ここが意思決定写像の最も実践的な貢献かもしれない。

松嶋先生の論文には、データサイエンスの限界 に関するきわめて重要な指摘がある。要約すると:

意思決定写像と評価関数の数理的記述は明確で合理的だが、 「なぜその目的なのか」「なぜその評価でいいのか」「どんな仮定を置いてよいのか」という上位の概念は、データサイエンスの体系の外から決めざるを得ない。 それは決定主体の意図と、対象分野の専門知識による。

これは「データサイエンスは曖昧だ」という批判ではなく、データサイエンスを正しく使うための前提条件 の話である。

5要素のどこが主観で、どこが客観か

意思決定写像の5要素を、主観・客観で塗り分けるとこうなる。

データや事実が直接効いてくるのは「入力」だけで、それ以外の4要素は基本的に人間の主観で設計されている。

「データに基づいて決めました」という言葉は、ほぼ全ての場合、嘘ではないが不正確だ。実際には、主観で組まれた枠組みの中で、データを処理しているだけである。

例:「データドリブンな採用」と称するもの

データに基づいているのは6つのうち2つだけ。残りはぜんぶ、誰かが主観で設計した枠組みである。

科学的な意思決定とは ― 主観を排除することではなく、境界を明示すること

ここが核心。

主観をなくすことではなく、主観と客観の境界を明示することが、科学的な意思決定の態度である。

5要素を書き出すと:

1. どこが主観か(目的・設定・評価基準・出力集合)が見える
2. どこが客観か(入力データ・計算過程)が見える
3. 主観の部分は 「これは私の判断です」 と引き受けられる
4. 客観の部分は 「ここは検証可能です」 と提示できる

「客観的に決めた」と言い張る人より、「ここまでは主観、ここからはデータ」と切り分けて語る人の方が、はるかに信頼できる。これを自覚して運用するのと、無自覚に運用するのでは、判断の質も改善可能性もまったく違う。

意思決定写像は、「データ駆動」を装飾語として使うのをやめさせ、どこまでが本当に駆動されているのかを問い直させる装置 である。

ここまでが Part 3。最後のパートは、AI 時代の話。

Part 4:AI 時代に必要な能力 ― 5要素を設計する側に立つ

AI は意思決定の「中身」しか担えない

ここまで読んできた人は、もうこの結論が見えているかもしれない。

AI(機械学習・LLM・最適化ソルバー)は、本質的に次のことしかできない:

5要素のうち「目的・設定・評価基準・出力集合」が与えられたとき、入力を受け取って出力を選ぶ。

つまり、AI は5要素を設計できない。AI に意思決定を任せるとは、5要素を AI に渡すことに等しい。

これは意思決定写像の論理的帰結である。AI がどれだけ賢くなっても、「目的とはこうあるべきだ」「評価基準はこれだ」と設計するのは、最終的には人間の側に残り続ける。それを設計する責任を AI に丸投げすることは、原理的にできない。

5要素を渡せる人と、渡せない人の差

これは「プロンプトを上手に書く」という表層スキルではない。意思決定そのものを構造として扱える能力である。

さらに一歩 ― AI エージェントの設計

ここまでの話は、人間が個々の意思決定で AI を呼び出す段階の話。

もう一歩先の AI エージェント ― 自律的にタスクを分解し、ツールを呼び、行動を選んで実行する系 ― では、5要素の構造が一段上に持ち上がる。

エージェントは、与えられたゴールに対して 個別タスクの5要素を自分で組み立てる。だがエージェント自身を成立させているのは、人間が設計した「エージェントの5要素」 である。

エージェント開発は、「個別の意思決定を AI に渡す」のではなく、「意思決定する主体そのものを設計する」 段階に入っている。

人間に残る仕事は明確だ。

• エージェントの5要素を設計する(特に目的と評価基準と行動制約)
• エージェントが組み立てた個別タスクの5要素が暴走していないか 構造的に監視する
• エージェントが失敗したとき、どの階層の5要素のどの要素がズレたか を切り分ける

意思決定写像を持つ人は、エージェント時代に エージェントを設計する側 に立てる。持たない人は、エージェントの出力を眺めるだけになる。この差は、これから決定的に大きくなる。

おわりに ― 「悩む」を「設計する」に置き換える

長くなった。最後に、ここまでの要点を1ページに圧縮しておく。

1. すべての意思決定は 目的・設定・評価基準・入力・出力集合 の5要素で書ける
2. データ科学・統計学・最適化・機械学習も、その特殊例にすぎない
3. 5要素は 階層的に入れ子(フラクタル) になる
4. 5要素そのものを決める メタ意思決定 が常に存在する
5. データ・事実が直接効くのは「入力」だけ。残り4要素は人間の主観
6. 科学的な意思決定とは、主観をなくすことではなく、主観と客観の境界を明示すること
7. AI 時代では、5要素を AI に渡せる人 ― さらに AI エージェントの5要素そのものを設計する側 に立てる人 ― が価値を生む

明日から1つだけ試すなら、これ。

目の前の意思決定を1つ選び、5要素を1ページに書き出す。

書きづらい要素があったら、そこが普段あなたが言語化を避けている部分。 その要素こそが、意思決定が滞っている本当の原因である。

意思決定写像を持つということは、「悩む」を「設計する」に置き換えられるということだ。 これだけで、決定の速度と質が両方上がる。

参考文献

• 松嶋敏泰「データサイエンスをどう捉えてどう教えるか ― 早稲田大学での取り組みを交えながら ―」『オペレーションズ・リサーチ』65巻10号, 2020年, pp. 544–550. https://orsj.org/wp-content/corsj/or65-10/or65_10_544.pdf 　― 意思決定写像の概念を、データサイエンスの体系のなかで明確に位置づけた論文。本記事の核となる引用元。

• 早稲田大学データ科学教育チーム(著)・松嶋敏泰(監修)『データ科学入門I — データに基づく意思決定の基礎』(ライブラリ データ科学1)サイエンス社, 2022年. ISBN: 978-4-7819-1540-1. 　― 記述統計学・推測統計学・ベイズ統計学を、意思決定写像という統一的な枠組みで体系的に解説した教科書。意思決定写像をきちんと学びたい人にはこちらが体系的でおすすめ。シリーズは現在第IV巻まで刊行されている。