数値化することで客観性を見失うことはないのか。

私たちは、数字を信頼する。

売上が前年比120％になった。 顧客満足度は4.5点。 社員の評価は85点。 AIによる分析では、成功確率は73.8％。

数字で示されると、物事が明確になったように感じる。

個人の感覚や印象よりも、データに基づいた判断のほうが客観的である。そう考えることは自然だろう。

実際、数値化には大きなメリットがある。

曖昧なものを比較できるようにする。感覚的な判断を検証できるようにする。人によって異なる評価を一定の基準で整理できるようにする。

しかし、ここで一つの疑問が生まれる。

数値化することは、本当に客観性を高めるのだろうか。

そして、この問いはAI時代において、これまで以上に重要になっている。

1. 数字になると、主観が客観に見えてしまう

例えば、企業が社員の能力をAIで評価するとしよう。

評価項目は次のようなものだ。

• 業務処理能力

• コミュニケーション能力

• 主体性

• 問題解決能力

• 生産性

AIがこれらを分析し、社員ごとにスコアを算出する。

評価者の好き嫌いや印象に左右されにくくなるという意味では、合理的に見える。

しかし、ここには重要な問題がある。

そもそも、なぜこの項目を評価するのか。 なぜコミュニケーション能力は20点で、業務処理能力は30点なのか。 主体性とは、具体的にどのような行動を指すのか。

こうした評価基準には、人間が決めた価値観が含まれている。

つまり、AIが客観的に計算していたとしても、その計算の前提が主観的であれば、結果も完全に客観的とは言えない。

主観的な判断を数値に変換しただけで、客観的な判断になったわけではない。

むしろ、数字になったことで、その主観が見えにくくなってしまう危険性がある。

2. AIは数値化を高度化するが、測定対象の妥当性までは保証しない

AIの登場によって、これまで数値化が難しかったものまで分析できるようになった。

例えば、文章から人の思考傾向を分析する。会話からコミュニケーションの特徴を抽出する。行動履歴から将来の購買行動を予測する。

膨大なデータを処理し、人間では気づきにくいパターンを発見することもできる。

しかし、ここで注意したいのは、AIが測定できることと、測定したものが本当に評価したい対象なのかということは別問題だという点だ。

例えば、AIが会議での発言回数を分析し、社員の積極性を数値化したとする。

発言回数が多い人は積極的で、少ない人は消極的なのだろうか。

必ずしもそうではない。

発言は少なくても、議論を深く理解し、重要な問題点を見抜いている人がいるかもしれない。

逆に、発言回数は多くても、議論の本質に貢献していない人もいるだろう。

AIは発言回数を正確に測定できる。

しかし、発言回数が積極性を適切に表しているかどうかは、別途検証しなければならない。

ここに、AI時代の重要な論点がある。

測定の正確さと、測定対象の妥当性は同じではない。

3. 数値化されるものが、重要なものになってしまう

もう一つ、深刻な問題がある。

それは、数値化できるものが重視され、数値化しにくいものが軽視されることだ。

例えば、教育の成果をテストの点数で評価する。

点数は比較できる。成績の推移も把握できる。教育施策の効果も分析しやすい。

しかし、教育の目的は点数を上げることだけだろうか。

自分で問いを立てる力。 他者の考えを理解する力。 失敗から学ぶ力。 未知の問題に挑戦する姿勢。

これらは重要だが、簡単には数値化できない。

AIによって評価が高度化すればするほど、測定可能な項目に注目が集まりやすくなる。

そして、いつの間にか「測定できるもの」が「重要なもの」に置き換わってしまう。

これは、数値化による逆説である。

本来、数値は目的を達成するための手段だった。

ところが、数値化された瞬間に、その数字を改善すること自体が目的になってしまう。

売上を伸ばすことが顧客価値の向上より優先される。 生産性を高めることが創造性を育てることより優先される。 評価スコアを上げることが、本当の能力を高めることより優先される。

AIがこうした数値目標の達成を効率化すれば、この問題はさらに大きくなる可能性がある。

4. AIの分析結果には、どこまで客観性があるのか

AIの回答には、説得力がある。

大量の情報を整理し、論理的な説明を組み立て、確率やスコアを提示する。

人間よりも冷静で、偏りが少ないように感じられることもある。

しかし、AIの分析結果は、与えられたデータ、設計された評価基準、モデルの特性などに影響される。

例えば、過去の採用データを学習したAIが、将来活躍する人材を予測するとする。

過去の採用実績に偏りがあれば、その偏りを再生産する可能性がある。

過去に特定の学歴や経歴の人が多く採用されていた場合、AIはその特徴を成功の条件として学習するかもしれない。

その結果、これまでとは異なる能力や可能性を持つ人材が評価されにくくなることも考えられる。

AIの計算が正確であることと、その判断が公平であることは別なのだ。

さらに、73.8％という成功確率が提示されたとしても、その数字の前提や不確実性を理解しなければ、正しく判断することはできない。

小数点以下まで表示されているからといって、予測が正確であるとは限らない。

数字の精密さは、判断の妥当性を保証しない。

5. AI時代に必要なのは、数値を疑う力である

では、数値化を否定すべきなのだろうか。

もちろん、そうではない。

数値化は非常に有効な手段である。

重要なのは、数字を無条件に信頼するのではなく、その数字がどのように作られたのかを考えることだ。

私は、AI時代には次の3つの視点が必要だと考える。

① 何を測定しているのか

測定したい対象と、実際に測定している指標は一致しているだろうか。

例えば、社員の能力を評価したいのに、業務処理件数だけを測定していないだろうか。

② どのような価値観が含まれているのか

評価項目や配点、判断基準には、誰の価値観が反映されているのだろうか。

AIが決めたように見える基準でも、その設計には人間の判断が含まれている可能性がある。

③ 数値化によって何が失われたのか

数字に変換する過程で、背景や文脈、個別の事情が切り捨てられていないだろうか。

数値だけでは説明できない部分にこそ、重要な情報が残っていることもある。

こうした問いを持つことが、AIの分析結果を適切に活用するための前提になる。

6. 客観性とは、数字があることではない

これからの時代、AIはますます多くのことを数値化するだろう。

人の能力、組織の生産性、顧客の満足度、事業の成功確率。

これまで感覚や経験に頼っていた判断も、データに基づいて行われるようになる。

そのこと自体は歓迎すべき進歩だ。

しかし、数値化が進むことと、社会の判断が客観的になることは同じではない。

むしろ、数字が増えるほど、その数字が何を表しているのかを問い直す必要がある。

数字の背後には、必ず何らかの前提がある。

何を重要と考えるのか。 何を測定対象とするのか。 何を評価し、何を評価しないのか。

これらは単なる技術的な問題ではない。

人間の価値観や社会のあり方に関わる問題である。

AIが計算を担う時代だからこそ、人間には判断の前提を問い直す役割が求められる。

客観性とは、数字で表現されていることではない。数字の根拠を検証し、数字では捉えきれないものにも目を向ける姿勢ではないだろうか。

AI時代に本当に必要なのは、数字を扱う能力だけではない。

数字を疑い、その意味を考え、必要であれば数字の外側にあるものを評価する力なのだと思う。

最後に

AIが進化すればするほど、私たちは多くのことを測定できるようになる。

しかし、測定できることが増えるからといって、理解できることまで自動的に増えるわけではない。

むしろ、測定できることと理解できることの間には、新たな距離が生まれるかもしれない。

あなたは、AIが提示した数字をどこまで信頼するだろうか。

そして、その数字には表れていない何を見ようとするだろうか。

まいける　著
この記事が参考になったら「スキ」で教えてください✨
感想や「ここもっと知りたい！」もコメントでお待ちしています。
実際の導入事例や詳しいサービス内容は、こちらにまとめています。
「ちょっと相談してみたい」そんなときもお気軽にどうぞ。
▶︎ https://innate-ss.co.jp/