正解を出せる人が、未来を読めるとは限らない – 学歴・軍官僚・投資から考えるAI時代の判断力

みなさん、おはようございます！こんにちは！こんばんは。Jindyです。

勉強ができる。資料も速い。説明はきれい。それなのに、肝心の判断で大きく外す。仕事でも投資でも、この組み合わせはちょっと怖い。間違いが雑なら気づけるけれど、整った間違いは会議を通過してしまう。

AIが資料作成や情報整理を助けるようになった今、処理の速さだけで評価されてきた人は、自分の強みを問い直したくなる。これからは、未来を読む力の出番なのか。学歴の価値は薄れるのか。そんな問いには、かなり面白い筋がある。

ただし、学歴は事務処理能力、理性は未来予知、AIには予測できない、と一気につなぐと話が飛ぶ。言葉の定義、歴史の説明、技術の実力は、別々に確かめたい。この記事では、その三つをほどきながら、予算の前提を疑う方法、投資で予測と利益を分ける見方、AIを判断の相棒にする使い方まで考える。

目指すのは、当たる人の称号ではない。外れたあとも、次の一手を打てる人のつくり方だ。

学歴と判断力は同じ物差しでは測れない – 答案の外には、採点者がいない

試験は、問われたことに答える場だ。経営や投資では、何を問うべきかから決めなければならない。この違いを見落とすと、優れた学習能力への評価が、そのまま未来への信頼に化けてしまう。

知性と理性を、便利な二分法にしすぎない

知性という言葉には、知識を理解する力、推論する力、問題を解く力など、広い意味がある。理性も、未来を予知する能力だけを指す一般的な用語ではない。たとえばカントの議論では、理性の役割には認識の体系化や、行為を導く原理への問いが含まれる。哲学上の概念を、そのまま処理係と予言者に割り振るのは無理がある。plato.stanford.edu

そこで、ここでは実務の区別として、既に決まったルールの中で答えを出す力と、ルールや前提を点検して行動を選ぶ力を分けて考える。これは知性と理性の厳密な定義ではなく、仕事を見直すための補助線だ。

請求書を正しく処理する。会計基準に沿って取引を整理する。そこには専門性がいる。一方、この取引を続けるべきか、条件を変えるべきかを考えるには、利益だけでなく回収時期や相手の行動も見なければならない。どちらかを低級な能力として扱うと、判断を支える土台まで壊してしまう。

計算は正確でも、入力した前提が間違っていれば答えは外れる。前提を疑えても、計算を間違えれば判断は崩れる。両方をつなぐところに、実務の難しさがある。

近代教育は、書類をさばく人だけを育てたわけではない

国家や企業が大きくなれば、共通のルールを理解し、大量の情報を扱える人が必要になる。そうした社会と学校教育の相性はよい。ただ、近代以降に学歴が重宝された理由を事務処理の増加だけで説明するには、別途、歴史的な検証が必要だ。

日本の帝国大学令を見ると、大学の目的には国家に必要な学術技芸の教授と研究が掲げられ、法科だけでなく医学、工学、文学、理学が置かれている。少なくとも、制度の目的は書類処理人材の育成に尽きない。技術をつくる、未知のことを研究するという役割も最初からある。mext.go.jp

学歴は、ある教育課程を修めた記録だ。その人がどんな問いを立て、知らない状況にどう対応するかを、すべて保証するものではない。それでも、学びの蓄積を示す情報にはなる。価値があることと、万能であることは別の話だ。

採用でも昇進でも、学歴を使うなら、何の代理指標として使っているのかを言葉にしたい。知識なのか、継続して学ぶ力なのか、専門訓練なのか。ここを曖昧にすると、学校名への信頼で、目の前の判断過程の点検を省いてしまう。

試験では、問題の条件は原則として与えられる。現場では、その条件を誰かがつくっている。市場の大きさ、顧客の要望、使える人員。条件を所与として解くのか、条件自体を調べ直すのかで、必要な行動は変わる。答案で発揮した能力を現場へ移すには、この違いを意識して練習する必要がある。

予算は、未来を小数点まで知っている顔をする

経理の視点で気になるのは、予算の数字が整った瞬間に、その数字の確からしさまで上がったように見えることだ。仮に、来期売上を百億円と置いて、人件費、物流費、利益を積み上げる。表の計算が合うことと、百億円を売れることは別なのに、議論はいつの間にか百億円を前提に進みやすい。

本来、問いたいのは売上の根っこだ。数量なのか単価なのか。既存顧客の継続なのか新規獲得なのか。景気が悪くなれば、どの仮定から崩れるのか。数字をつくる仕事には、この分解が含まれる。入力担当だけに閉じ込めると、せっかくの知識が生きない。

さらに、売上が伸びても入金が遅れ、在庫を先に積めば、利益の改善と資金繰りの悪化が同時に起こり得る。損益計算書の見栄えと、支払日に現金があるかは別問題。ここをつなぐには、会計知識と時間への想像力の両方が要る。

だから、AIに予算表を作らせるなら、完成した表の横に、崩れたら困る前提を三つ書く。数字の桁数を増やす前に、前提の耐久性を確かめる。そのほうが、次の会議の質は変わるはずだ。

学歴の価値を下げるために、判断力を持ち上げる必要はない。問いたいのは、学んだ知識を、前提の点検に使えているかどうかだ。

正しい処理の次に、そもそもこの処理を続けてよいのかを問う。その問いを言える人が増えれば、学校で学んだことも、現場で覚えたことも、もっと働く。

軍官僚の失敗は、知識の敗北とは言い切れない – 負け筋を言えない組織は、計画が上手でも危ない

軍の敗北を、頭でっかちな秀才が未来を読めなかった、と片づけると分かりやすい。でも、それでは物資も情報も組織も消えてしまう。ここでは敗戦全体を一因で説明せず、具体的な戦史研究から判断の失敗を見てみよう。

優秀な人が集まっても、前提は自動で更新されない

防衛研究所のノモンハン事件の分析は、関東軍の意思決定を集団浅慮の観点から検討している。過去の成功を背景にした過信、危険性の検証不足、都合のよい情報の選択などが論点だ。優秀な将校がいたことと、組織として適切に判断できたことを分けている。防衛省防衛研究所

これは特定の事例への歴史的分析で、すべての軍官僚の能力や、敗戦全体の原因を測った実験ではない。それでも、既存の見立てに合う情報ばかり通ると、知識があっても修正に使われない、という問いを立てる材料にはなる。

会社の仮定例に置き換えよう。新規事業を推す会議で、顧客の反応が鈍いという報告が出る。そこで販促不足だとだけ解釈してしまえば、そもそも需要を読み違えた可能性は議題から落ちる。説明を追加するたびに、当初の結論が守られていく。

こうなると、資料を増やしても認識は深まらない。情報量は増えたのに、選択肢は減る。計画の前提を修正するには、どんな証拠が必要か。会議の最初にそれを決めておかないと、判断は説明のうまさに引っ張られる。

兵站を軽く見ると、事務処理への評価まで逆さになる

戦争に知識は役立たない、という話にも無理がある。燃料、弾薬、食料、輸送、修理がなければ、作戦は続かない。防衛研究所の日露戦争に関する論考は、日本海軍の勝利を支えたロジスティクスを扱い、昭和期の海軍でのロジスティクス軽視にも触れている。知的な管理機能そのものを敗因として捨てる説明には、反対側の材料がある。防衛省防衛研究所

地味な管理と大胆な戦略は、実行の場で結びつく。倉庫の数量が違えば、運べる量を誤る。修理に必要な時間が分からなければ、使える戦力を誤る。未来の行動を選ぶために、足元の記録が必要になる。

経営でも、販売計画だけ立派で、生産能力や調達期間を見なければ、売るほど苦しくなる。資金の回収より仕入代金の支払いが先なら、その時間差を埋める資金が要る。気合いで入金日は前倒しにならない。

事務処理という言葉で一括りにされた仕事の中には、意思決定の現実性を支える機能がある。予測する人だけを英雄にして、記録や照合をする人を軽く扱う組織は、自分で判断の足場を外している。

撤退条件を決めると、判断が人格から切り離される

判断を変えると、最初の判断をした自分まで否定されたように感じることがある。そこに評価や地位が絡めば、前提を守る誘因は強くなる。これは、頭のよさだけを問うより、変更できる仕組みを問いたい場面だ。

仮に新規事業なら、追加投資を承認する前に、顧客の継続率、粗利、回収の遅れなど、仮説の成否を見分ける指標を置く。誰が、いつ、どの情報を見て、継続・縮小・撤退を決めるのかも決める。担当者の熱意だけを採点していると、中止の提案は出しにくい。

ただし、撤退条件は機械的な自動停止ボタンではない。季節性がある事業や、長期の開発なら、一時的な未達だけで切ると別の失敗になる。条件を見直す余地は残す。その場合も、当初の前提、変更理由、追加で引き受ける損失を記録したい。

一度決めたから続ける、でも、怖くなったからやめる、でも足りない。状況が変わったのか、元の仮説が崩れたのかを区別する。撤退を勇気の話だけにせず、判断できる材料と権限を整える。そこまでやって、初めて負け筋が会議に入ってくる。

もう一つ、外れ方によって点検の厳しさを変えたい。やり直せる小さな試行なら早く試す。失敗すると資金や信頼を大きく失う決定なら、反証を探す時間を取る。すべての案件に同じ枚数の資料を求めるより、損失の回復可能性に合わせて審査するほうが、意思決定に資源を使える。

戦史から持ち帰りたいのは、秀才批判の気持ちよさより、情報が届いても判断が変わらない仕組みへの警戒だ。知識のある人が、その知識で異論を封じれば、組織は学べなくなる。

AIで資料を速く作れるようになっても、反対情報を退ける会議は残り得る。速くなった分だけ、前提を守る説明を大量生産する可能性だってある。

AIにも予測はできる。それでも判断の仕事は残る – 当てる力と、生き残る設計を分けよう

未来を読む力には価値がある。ただ、それを人間だけの専売特許にしてしまうと、AIの実力を読み違える。さらに投資では、予測が当たることと、利益が残ることの間にも距離がある。

未来予知を、確率と更新の仕事に置き換える

未来を読むというと、誰も見えていない展開を一瞬で見抜く姿が浮かぶ。でも、再現できる予測力を考えるなら、当てた逸話より、記録した確率と結果を見たい。七割起きると見た出来事が、同じ程度の予測を多数集めたときに、どのくらい起きたのか。外れた予測も含めて点検する。

Mellersらの地政学的予測大会の研究では、確率の訓練、チームでの協働、過去の成績を踏まえた編成が予測精度を改善した。未来を読む力は、神秘的な才能だけで説明されていない。ただし、参加者には学士以上という条件があり、研究から学歴不要という結論は出せない。株やFXでの収益も直接検証していない。APS

仕事なら、受注するかどうかという問いを、顧客の予算確保、競合との比較、社内決裁の時期に分ける。似た案件が普段どのくらい成立するかを土台にして、今回の材料で確率を調整する。新しい情報が出れば、見立ても変える。

毎回、自信満々で断言する人より、根拠が変わった日に確率を変える人を評価したい。変更は弱さとは限らない。現実が変わったのに、予測だけ同じ顔で座っているほうが困る。

AIにできないと決める前に、測り方を見る

AIには未来を予測できない、という断定は研究と合わない。Gu、Kelly、Xiuは、機械学習による株式リターンの予測を検証し、従来の手法に対する改善を報告している。将来を確実に知る能力ではないが、予測に使える情報を抽出する能力は示されている。過去データでの検証は、今後の実運用の利益を保証するものではない。dachxiu.chicagobooth.edu

LLMの予測を評価するForecastBenchも、提出時点で答えが分からない未来の出来事を使う。公表論文の評価では専門の人間予測者が上回ったが、それは評価した当時のモデルと条件の結果だ。現在のランキングには別の質問を使った人間とAIの比較もあり、難易度調整を行っている。順位だけを見て、普遍的な優劣にするのは早い。arxiv.org

実務では、AIに賛成理由を並べさせるだけではもったいない。前提が崩れる条件、見落としている情報、反対の仮説を出させる。ただし、挙げた資料は実物で確認する。もっともらしい反論も、根拠がなければ別の作文だ。

人間もAIも、知らない未来を確率で扱う。だから比較したいのは人間らしさより、同じ問い、同じ情報条件、同じ採点方法で、どれだけ役に立つかだ。

株とFXは、当てても負けることがある

説明のために、勝つ確率が六割で、勝つと一万円、負けると二万円失う取引を考える。平均の損益は、六千円から八千円を引いて、二千円のマイナス。手数料を入れる前から不利になる。当たる回数が多いことだけでは、勝てる設計にならない。

さらに、長期の方向感が合っていても、途中の下落に耐えられなければ取引を続けられない。FXで証拠金に対して大きな取引をしていれば、想定外の値動きが判断する時間を奪う。最終的な予測の正しさより前に、資金の制約が来る。

株式では企業が稼ぐ利益や配当、引き受けるリスクが収益に関わる。FXでは通貨間の相対価格や金利差などを扱う。どちらの利益も、未来予知だけの産物としては説明できない。予測の優位性を論じるなら、費用、損失の大きさ、比較対象、継続できる期間まで見る必要がある。

判断メモには、何が起きると思うか、その根拠、外れたと分かる条件、引き受けられる損失を書く。AIには代替シナリオや反証を探させ、採用する前提と行動を決める。予測を一発当てる競技から、複数の未来に対応できる設計へ。経営にも投資にも、この移動が効いてくる。

業績が伸びる予測が当たっても、それ以上の成長を織り込んだ株価で買えば、期待した収益には届かないことがある。将来の企業と、いま払う値段を一緒に考える。予測に優位性があるかという問いには、他の参加者が既に何を期待しているかも含まれる。

AIの台頭で、前提を疑う力や意思決定の設計が相対的に重くなる、というのがここでの見立てだ。これは未来についての仮説であって、歴史法則ではない。予測する仕事自体も、AIとの協働や競争の対象になる。

それでも、目的を決め、予測の条件を確かめ、損失を引き受ける範囲を定める仕事は必要だ。AIの限界を願うより、その仕事を具体的に鍛えるほうが、自分の足場は強くなる。

結論　未来を所有するより、未来に修正される力を持とう

人が本当に手放しにくいのは、古い知識より、古い自分への評価かもしれない。勉強してきた自分。成功した自分。会議で立派な説明をした自分。その履歴を守るために、目の前の変化を小さく見積もりたくなる。

でも、会計で過去を記録するのも、予算で先を見積もるのも、投資で資金を置くのも、現実との接点を増やす仕事だ。自分の説明を勝たせるために数字を使い始めた瞬間、その接点は細くなる。

これからの強さを、未来を当てる特権として持ちたいのか。それとも、未来から届いた情報で、昨日の判断を修正できる力として育てたいのか。後者なら、学歴も実務経験もAIも、使える道具になる。

次の判断では、予測を書いた紙にもう一行だけ足してみよう。何が起きたら、この考えを変えるのか。そこに答えられる人は、未来を知っている顔をしなくても、未来と付き合っていける。

正解の外で判断するために読みたい5冊

1．『超予測力 不確実な時代の先を読む10カ条』フィリップ・E・テトロック、ダン・ガードナー

未来を読む力を、特別な人のひらめきから、検証できる技能へ引き戻す一冊。卓越した予測者の力の源泉を探る研究をもとに、予測の評価、知っているという錯覚、チームでの判断といった論点を扱う。記事で触れた確率と更新の考え方を、もう少し体系的に学びたい読者に向いている。仕事で見込みを数字にするとき、根拠の強さと話し方の強さをどう分けるか。その問いを深める入口になる。ここから持ち帰りたいのは、断言する技術より、予測を記録し、結果と比べる姿勢だ。投資の必勝法として読むより、経営判断や日々の見立てを点検する本として読むと、この記事とのつながりが見えやすい。

超予測力 【電子書籍】[ フィリップ E テトロック ] 価格：1,298円 (2026/9/30時点) 楽天で購入

2．『失敗の本質 日本軍の組織論的研究』戸部良一、寺本義也、鎌田伸一、杉之尾孝生、村井友秀、野中郁次郎

日本軍の六つの作戦における敗北を、社会科学的な分析から検証する本。個人の頭のよさや精神力だけで説明するのではなく、戦略、組織、環境への適応を考えるための材料を与えてくれる。記事の軍官僚の論点を深めたい読者には、この一冊から入るとよい。優秀な人を集めれば優れた判断になるのか、過去の成功はなぜ次の失敗につながり得るのか。そんな疑問を、組織の問題として見直せる。他の四冊が予測の技能や個人の判断、実行の設計を扱うのに対し、こちらは歴史の具体的な失敗を通して組織を考える役割を持つ。現代企業との比較では、時代も目的も違うことを踏まえ、似た仕組みを丁寧に拾いたい。

失敗の本質 日本軍の組織論的研究 [ 戸部良一 ] 価格：3,097円（税込、送料無料) (2026/9/30時点) 楽天で購入

3．『ファスト＆スロー 上 あなたの意思はどのように決まるか？』ダニエル・カーネマン

人の直感と、時間をかけた思考の働きから、判断のエラーを考える一冊。自信があることと、根拠が強いことを混同しやすい私たちに、意思決定の仕組みを問い直す視点を与える。記事では組織やAIにも目を向けたが、その前に自分の頭の中を点検したい人には、この上巻が入口になる。直感をすべて捨てればよいという読み方ではなく、どういう条件で判断を疑い、別の見方を入れるかを考えたい。本書の速い思考と遅い思考を、この記事の知性と理性にそのまま対応させる必要もない。違う概念を雑につながず、自分が結論に飛びつく場面を探す。その使い方なら、会議や投資での確信を見直す助けになる。

ファスト&スロー 上 あなたの意思はどのように決まるか？ （ハヤカワ文庫NF） [ ダニエル・カーネマン ] 価格：1,210円（税込、送料無料) (2026/9/30時点) 楽天で購入

4．『良い戦略、悪い戦略』リチャード・P・ルメルト

目標やビジョンを掲げることと、実際に動ける戦略をつくることの違いを考える本。豊富な事例を通じて、課題に向き合い、行動を集中させるための思考を扱う。この記事を読んで、予測の精度だけを上げても経営は動かないと感じた読者に向いている。先を読む作業を、何に資源を使うかという選択へつなげるための一冊だ。売上を伸ばす、AIを活用するという言葉の先で、どんな障害があり、どんな行動を組み合わせるのかを問える。他の本で判断の誤りや予測力を学んだあとに読むと、知識を具体的な意思決定へ移す役割を果たす。立派な計画をつくる前に、今の課題に答えているかを確かめたい人に合う。

良い戦略、悪い戦略 [ リチャード・P・ルメルト ] 価格：2,200円（税込、送料無料) (2026/9/30時点) 楽天で購入

5．『失敗の科学 成長する組織の条件』マシュー・サイド

医療、航空、企業、スポーツなどの事例を横断し、人や組織が失敗から学ぶ条件を考える本。失敗の本質が戦史を軸に組織を見つめるのに対して、こちらは分野をまたいで、失敗の扱い方や学習の仕組みに目を向ける。この記事の撤退条件や判断の修正を、職場の運用につなげたい読者に向いている。予測が外れたとき、誰が間違えたかだけを追うのか、次の判断に使える材料を残すのか。そうした問いを深める手掛かりになる。失敗を無条件に歓迎する話にせず、損失を抑えながら情報を得る仕組みとして考えたい。判断メモを個人の反省文で終わらせず、チームが次に使える知識へ変える視点を探す一冊として位置づけられる。

失敗の科学　成長する組織の条件 （ディスカヴァー携書　278） [ マシュー・サイド ] 価格：2,200円（税込、送料無料) (2026/9/30時点) 楽天で購入

予測のやり方を学ぶなら『超予測力』から。自分の確信を点検したいなら『ファスト＆スロー 上』、組織の失敗を歴史から考えるなら『失敗の本質』を入口にしたい。そこから、判断を行動へつなぐ『良い戦略、悪い戦略』、外れた結果を次に生かす『失敗の科学』へ進むと、予測・実行・学習を一つの流れとして考えられる。

それでは、またっ！！

引用論文・参考文献

• Stanford Encyclopedia of Philosophy『Kant’s Account of Reason』（改訂2023年）。理性概念の概説。本文。
• 文部科学省『学制百年史 資料編』所収、帝国大学令（1886年）、第1・2・10条。資料。
• 三井英隆（2024）『ノモンハン事件から85年、関東軍が陥った意思決定の陥穽とは？』NIDSコメンタリー第337号。本文。
• 石原明徳（2024）『日露戦争における艦のロジスティクス』NIDSコメンタリー第324号。本文。
• Mellers, B., et al.（2014）Psychological Strategies for Winning a Geopolitical Forecasting Tournament. Psychological Science, 25(5), 1106–1115. DOI:10.1177/0956797614524255。本文の研究デザイン・参加条件と要旨を参照。
• Gu, S., Kelly, B., & Xiu, D.（2020）Empirical Asset Pricing via Machine Learning. The Review of Financial Studies, 33(5), 2223–2273. DOI:10.1093/rfs/hhaa009。要旨・序論を参照。
• Karger, E., et al.（2025）ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities. ICLR 2025. 論文。2025年2月改訂版の要旨を参照。
• Forecasting Research Institute『ForecastBench Leaderboards』。比較条件・難易度調整・人間比較群についての注記を参照（2026年9月30日閲覧）。公式資料。