今日のフォーカス
論証の構造分析・誤謬の検出・ベイズ的確率更新を通じて、不確かな情報から正確な推論を行う力を鍛える。データがある「だけ」では不十分で、「何を示し、何を示していないか」を見極める能力が核心。
相関 ≠ 因果
A と B が同時に起きることと、A が B を引き起こすことは別問題。逆因果・交絡因子・生存者バイアスが因果の錯覚を生む。
スティールマン思考
相手の主張を「最も強い形」に再構成してから反論する。藁人形論法の逆。本質的な弱点だけが残り、建設的な議論になる。
ベイズ推論
事前確率（有病率）× 尤度（検査精度）= 事後確率。感度・特異度と陽性的中率（PPV）は別物。有病率が低いと高精度の検査でも誤りが多い。
あるSaaSスタートアップのCEOが投資家向けピッチで次のように述べた。
「我々のプロダクトを6ヶ月以上使い続けているユーザーは、使っていないユーザーと比べて年収が平均40%高いというデータがあります。これは、我々のサービスがユーザーの生産性を向上させ、収入アップに直結していることを証明しています。」
- この主張に含まれる論理的問題を特定せよ
- 正しい因果関係を主張するために必要な追加情報・手順は何か
思考プロセスのガイド
「証明している」という強い言葉が使われているが、示されているのは「相関データ」か「因果の証拠」か？
「高年収の人がこのサービスを継続利用する（逆因果）」「もともと生産性意識が高い人が選ぶ（交絡因子）」などを考える
「6ヶ月以上使い続けた」ユーザーのみを対象にしている → 生存者バイアスの可能性
①A が B に先行する ②A と B が共変する ③A–B の関係が第三変数で説明されない
模範解答を見る
問1: 3つの論理的問題
① 逆因果（Reverse Causation）
「プロダクトを使ったから年収が上がった（A→B）」だけでなく、「年収が高い人ほどプロダクトを継続利用する（B→A）」という逆の因果も成立しうる。高年収の人はそもそも良いツールに課金し続けるリソースがある。
② 交絡因子（Confounding Variable）の無視
「生産性向上への意識が高い人」が共通要因として存在し、「このSaaSを選ぶ」かつ「年収が高い（もともと）」の両方を引き起こしている可能性がある。因果はサービスではなくユーザーの属性にある。
③ 生存者バイアス（Survivorship Bias）
6ヶ月以上使い続けているユーザーのみを対象にしているため、途中離脱したユーザーが除外されている。離脱者の年収分布を無視することで結果が歪む。
問2: 因果関係を正当に主張するために必要なこと
ユーザーをランダムに「利用群」と「非利用群」に分け、一定期間後の年収変化を比較する。ランダム化により属性の差を除去できる。
利用開始前と利用後の同一ユーザーの年収推移を追跡し、「このサービスを使い始めてから年収が上がった」という時系列証拠を示す。
業種・職種・勤続年数・学歴などの属性を統制した回帰分析を行い、属性の差を除いた上でもサービス利用の効果が残るかを確認する。
どのような経路でサービスが年収向上につながるのかを具体的に示す（例: タスク管理→残業削減→スキル習得時間増加→昇進）。
「証明」「実証」という言葉が出たら: ①RCT or 自然実験があるか ②比較群は誰か ③交絡因子は制御されているか ④時系列は正しい順序か — の4点を確認する。
実践への応用
- 投資家・経営層への資料レビュー時: 「このデータは相関か因果か？」を毎回問い直す
- 自社のKPI設計時: 「DAU増加=エンゲージメント向上=売上増加」という因果チェーンの各矢印を検証する
- スタートアップのピッチを聞く立場: 「N=?」「比較群は？」「いつ測定？」の3点を必ず確認する
自己評価
クライアント（製造業の中堅企業）のCOOが次のように述べた。
「うちの製造ラインは平均稼働率87%を維持している。業界平均は75%だから、現状の設備投資は十分だ。むしろ今は製造より営業人員を増やすべきで、売上を30%伸ばせれば利益も自然についてくる。設備に余力があるのだから製造コストは変わらない。」
スティールマン思考を使って、COOの主張を「最も強い形」に再構成した上で、論理的に反論するよう求められた。
- COOの発言の論証構造を「前提→結論」の形式で整理せよ
- 最も強い形（Steel-man）に再構成した上で、その主張の本質的な弱点を指摘せよ
- コンサルタントとして建設的な代替フレームを提示せよ
思考プロセスのガイド — スティールマン思考のステップ
発言を「前提P1, P2... → 結論C」の形式に整理する。どの前提が問題かを確認するための地図を作る
「最も賢い人がこの主張をするとすれば、どう言うか？」の形に強化する。これにより真の弱点が見える
最強の形でも成立しない前提・見逃している変数・時間軸の問題などを論理的に特定する
相手のゴール（利益向上）を認めながら、不足している情報の確認と代替案を建設的に示す
模範解答を見る
問1: 論証構造の整理
P2: 稼働率が業界を上回っているから設備投資は十分
P3: 現在の設備には余力（13%分）がある
P4: 売上を30%伸ばしても製造コストは変わらない（余力で吸収できる）
P5: 売上が増えれば利益は自然に増える
─────────────────────────────────
C: 今すべきは営業人員への投資であり、設備への追加投資は不要
問2: スティールマン → 本質的な弱点
スティールマン（最も強い形での再構成）
「稼働率87%は単なる数値ではなく、現状のオペレーション品質の高さを示す指標だ。製造側が効率的に稼働している今こそ、制約要因は需要サイドにある。限界コストが低い余剰キャパシティを活用するのが最も資本効率の高い選択で、追加固定コストなしに売上を拡大できる時間的ウィンドウは今だ。」
弱点①「余力＝稼働余力」の過度な単純化
稼働率87%の「余力13%」が売上30%増の製造需要を直線的にカバーできるとは限らない。製品ミックスの変化・スループットのボトルネック（特定工程への集中）・品質保証の限界などを無視している。
弱点②「利益が自然についてくる」の非線形性の無視
売上増加に対して、物流コスト・営業サポートコスト・品質管理コストは非線形に増加しうる。「売上×現在の利益率＝追加利益」という線形モデルが暗黙に仮定されている。
弱点③ 設備投資リードタイムの無視
需要を創出してから製造能力の限界に気づいた場合、設備投資のリードタイム（発注〜稼働で6〜18ヶ月）により顧客需要に応えられなくなるリスクがある。先行して需要を取り込んでから設備が追いつかない典型的な機会損失。
問3: コンサルタントとしての代替フレーム
「COOの方向性（需要を先に作る）は正しいと思います。ただ、3点確認させてください。
売上30%増は製品ラインのどの比率で達成しますか？製品ミックスによっては特定工程が先に限界に達します。
営業投資から成果が出るまでのタイムライン（6〜12ヶ月）と、設備が限界に達した場合の対応リードタイムを比較すると、今から設備計画を開始すべき時点が見えてきます。
現在の87%は全工程の平均ですか？工程別データがあれば、ボトルネック工程を特定できます。これらを確認した上で、営業投資と設備計画を組み合わせたロードマップを設計することをお勧めします。」
相手の主張を反論する前に「最も強い形に言い直すと〇〇ということですね」と確認する。これにより相手の信頼を得ながら本質的な議論ができる。Straw Manの反論に慣れると本番で崩される。
実践への応用
- 1on1・MTGでの応用: 「最も強い形に言い直すと〇〇ですね」と確認してから反論する
- ピッチ準備: 想定される反論を「最も強い形」で自分が書き出し、それへの答えを準備する
- グローバルチームでの合意形成: 「最も強い解釈＋追加情報の要求」という形は文化的に建設的に機能する
自己評価
自社のAI診断アシスタントがアルゴリズム変更後、「偽陽性率が上昇している」という報告が複数チームから上がってきた。
データ:
有病率（全ユーザー中の実際のリスク保有者）: 2%
変更後: 感度（真陽性率）= 94%、特異度 = 88%
変更前: 感度 = 91%、特異度 = 97%
月間アクティブユーザー: 50,000人
- 変更前・変更後それぞれで陽性的中率（PPV）を計算せよ
- 変更後にチームが「偽陽性が増えた」と感じた数値的理由を説明せよ
- アルゴリズムを採用継続すべきか、ロールバックすべきか、論拠とともに示せ
思考プロセスのガイド — PPV計算のステップ
50,000人 × 有病率2% = リスク保有者1,000人 / 非リスク保有者49,000人
真陽性 = 1,000 × 感度 / 偽陽性 = 49,000 × (1 - 特異度)
陽性判定された人の中で本当にリスク保有者の割合。感度94%は「陽性の人が94%の確率でリスク保有者」ではない！
感度↑ vs 特異度↓ のトレードオフ。どちらのハーム（偽陰性 or 偽陽性）が重大かは用途・疾患の種類による
模範解答を見る
問1: PPV計算
問2: チームが「偽陽性が増えた」と感じた理由
変更前の偽陽性数
1,470件/月
特異度97% → 非リスク保有者49,000人 × 3% = 1,470件
変更後の偽陽性数
5,880件/月
特異度88% → 非リスク保有者49,000人 × 12% = 5,880件
約4倍に増加
感度向上で月+30件の本物リスク保有者を検知できるようになった一方、偽陽性は月+4,410件増加した。感度3ポイントの改善のために、誤通知を4倍以上に増やしたトレードオフが生じている。
問3: Go/ロールバックの判断
月間5,880件の誤通知は、ユーザーに不必要な不安・医療受診コスト・プロダクトへの不信感を与える。変更後のPPV13.8%は「陽性通知の86%が誤り」であり、ヘルステックにおける信頼を著しく損なうレベルだ。
感度向上の便益（月+30人の本物検知）に対して、コスト（月+4,410件の偽陽性通知）は圧倒的に大きい。この不均衡は変更を正当化するには不十分だ。
ロールバックは「追加の検証なしに本番適用するには時期尚早」という判断だ。閾値調整・特徴量の見直し・ユーザーセグメント別のモデル分離などの改良余地はある。
「感度94%だから陽性通知は94%正しい」という直感は完全に誤りだ。有病率が低い（2%）場合、高精度の検査でも大量の偽陽性が発生する。Accuracy（正解率）だけでなくPPV・NPVを用途に応じて評価することが、AIプロダクトのCTOに必須の思考だ。
実践への応用
- 機械学習モデルの評価: Accuracy だけでなく Precision・Recall・F1 を用途に応じて選択する。有病率（クラス不均衡）が低い場合 Accuracy は意味をなさない
- A/Bテスト結果の解釈: 「改善率2%→3%（50%向上！）」という表現の背後にあるベースレートを確認する
- 医療・法律・金融の意思決定: 「陽性/有罪/リスクあり」の判定精度を評価するとき、PPV と NPV を必ず確認する
自己評価
今日のまとめ
- 相関≠因果: 逆因果・交絡因子・生存者バイアスを常に疑う。「証明している」という言葉を見たらRCT・前後比較・交絡制御の有無を確認する
- スティールマン思考: 相手の主張を最強形に再構成してから反論する。真の弱点だけが残り、建設的な議論になる
- ベイズ推論: 有病率（事前確率）を無視してはいけない。高精度な検査でも有病率が低ければ陽性通知の大半が誤りになる
今日の最重要キーワード
- 逆因果 / 交絡因子 / 生存者バイアス
- スティールマン思考（vs 藁人形論法）
- 感度・特異度 ≠ 陽性的中率（PPV）
- 有病率と検査精度の組み合わせ（ベイズ）
次回への接続
明日は Thinking-A（問題解決・意思決定） 。今日学んだ論証の構造化と確率的推論を、実際の課題定義と意思決定フレームワーク（Issue Tree・意思決定マトリクス）と統合する。「何が問題か」を正確に定義する力が次のテーマだ。