今日のフォーカス
過去の経験パターンへの当てはめが本物の異常信号を握りつぶす正常性バイアス（Q1）、低ベースレートの事象に対してAIスコアと確証バイアスが結託し実際の確率を大きく見誤らせる構造（Q2）、小さなサンプルの劇的なエピソードが疑似相関を「成功の型」に格上げしてしまう組織的な罠（Q3）。IQ-Bの核心は「それらしく見える」パターン・確信・物語を、対照群・ベースレート・継続時間という客観的な物差しに一度必ず通す習慣にある。
正常性バイアス
異常事態の初期兆候を「正常の範囲内」と解釈し続けることで対応が遅れる現象。「これまで大丈夫だった」という経験が「今回も大丈夫」という誤った予測に無自覚に転化する。
ベイズ推論 × AIスコアの誤読
感度・特異度が高いモデルでも、対象の事象自体が稀（低ベースレート）であれば、フラグが立った人の大半が偽陽性になりうる。生スコアと実際の的中確率は別物。
クラスタリング錯覚（Apophenia）
小さなサンプルの中で偶然生じた一致を、意味のあるパターンだと誤認する。n=6で「全員に共通」という結果は、決して珍しくないことが多い。
生存者バイアス × 自己奉仕バイアス
成功例だけを見て型を語り、失敗例との比較を怠る。さらに組織が自らの成果を物語化したい動機が、検証より先に結論を固定させる。
14:02、監視ダッシュボードでエラー率が0.3%から0.8%へじわじわ上昇するアラートが鳴った。過去1ヶ月で17回鳴ったこの種のアラートのうち16回はダッシュボードの集計バグによる誤検知だったため、オンコール担当の田辺さんは「またあれだろう」と対応を後回しにした。14:20、レイテンシp99も200msから450msへ着実に伸びたが、まだ「重大」閾値（800ms）には届いていない。14:35、シフト交代で引き継いだ山口さんも田辺さんの説明を聞いて5秒で「先週も似たパターンがあった、多分バグでしょう」と深掘りしなかった。15:10、実際には上流の為替換算サービスの変更でレスポンスの一部フィールドが欠損しており、一部の決済で金額の誤計算が発生していた。顧客からの問い合わせが来て、ようやく異常が発覚した。
- 正常性バイアスの心理的メカニズムを用いて、田辺さんと山口さんがそれぞれ独立に「大丈夫だろう」と判断してしまった理由を、二人の発言・行動のどこに根拠があるか示しながら説明せよ
- オオカミ少年化（過剰な警戒による疲弊）を避けながら、「本当に大丈夫か」を確認するための具体的な問いかけ・行動を、オンコール担当者の視点で設計せよ
- 個々のオンコール担当者の判断力に依存しない仕組みを1つ提案せよ
インシデントのタイムライン——どこで正常性バイアスが発動したか
過信を検証行動に変える4ステップ
① 正常性バイアスのメカニズムと根拠
② オオカミ少年化を避ける声かけの設計
③ 仕組みでの予防策
実践への応用
インシデント対応
ランブックに「継続時間」ベースのエスカレーション基準を明記し、"経験"による自己判断のみに頼らせない。
プロダクト品質
エラー率が微増し続けるケースを「いつもの誤検知」と切り捨てず、直近の変更履歴との相関を機械的にチェックするアラート設計にする。
自己認識
自分が慣れているタスク・システムほど、「パターンの一致」と「原因の一致」を無意識に混同しやすいと自覚する。
内部の「離職リスク予測モデル」が、シニアエンジニア・健二さんに「72%」の離職リスクスコアを表示した。前四半期に別のメンバーの突然の退職を経験したマネージャー・渡辺さんは、フラグを見た瞬間から健二さんの言動を再解釈し始めた——「懇親会の欠席も」「株式ベスティングの質問も」すべて離職の兆候だと。渡辺さんは今週中に引き止め交渉に近い話し合いを設けようとしている。人事アナリティクスチームは以下のモデル運用データを持っている：組織全体の6か月以内自発的離職率（ベースレート）8%、モデルの感度70%、モデルの特異度85%（偽陽性率15%）。
- 与えられた数字を使い、健二さんのように「高リスク」とフラグが立った場合、実際に6か月以内に離職する確率をベイズ推論で概算せよ。表示された「72%」というスコアの数字自体との違いにも触れよ
- 渡辺さんの解釈プロセスに現れている確証バイアスを、具体的な発言・行動を挙げて指摘せよ
- AIが生成したリスクスコアを、対人関係を壊さず正しく扱うための実務プロセスを設計せよ
母集団1000人で考える——「72%」は何を意味していないか
① ベイズ推論による計算
| 区分 | 人数 | 内訳 |
|---|---|---|
| 離職する人 | 80人（8%） | 感度70%により検出：56人／見逃し：24人 |
| 離職しない人 | 920人（92%） | 偽陽性率15%により誤検出：138人／正しく低リスク：782人 |
| フラグ「高リスク」合計 | 194人 | 実際に離職：56人（陽性的中率 56/194 ≈ 29%） |
② 確証バイアスの所在
③ 実務プロセスの設計
実践への応用
パフォーマンス管理
不正検知・与信スコアなど低ベースレート事象を扱うAIツール全般で、「フラグ＝結論」ではなく「検証すべき仮説」として扱う運用ルールが必要。
1on1・マネジメント
部下の些細な行動変化を「仮説の補強材料」として解釈する前に、「他の説明可能性」を先に3つ挙げる習慣を持つ。
プロダクト設計者としての視点
AI機能を設計する側に回ったとき、スコアの提示方法自体が生スコア＝実際の確率という誤解を誘発しないか、設計段階で検証する責任がある。
アクセラレーターを運営するチームが、シリーズB以上の資金調達・買収に至った「成功組」6社を分析し、「6社すべてがCEO同席の日次スタンドアップ」「6社すべてが創業9ヶ月以内にピボット」「6社すべてが既存投資家からのブリッジラウンド」という共通点を「成功の型」として制度化しようとしている。新人スタッフの佐藤さんが残り39社のデータも確認したところ、次の実施率が判明した。
| 指標 | 成功組（6社） | 非成功組（39社） |
|---|---|---|
| CEO同席の日次スタンドアップ | 6/6（100%） | 33/39（85%） |
| 創業9ヶ月以内のピボット | 6/6（100%） | 28/39（72%） |
| 既存投資家からのブリッジラウンド | 6/6（100%） | 30/39（77%） |
| 月10件以上の構造化された顧客インタビュー | 6/6（100%） | 9/39（23%） |
- クラスタリング錯覚（Apophenia）・生存者バイアス・自己奉仕バイアスが、それぞれ「誰が」「どの場面で」現れているかを特定せよ
- 与えられたデータを用いて、「成功の型」として挙げられた3つの慣行が実際に成功と統計的に関連していると言えるかを検証する考え方を示せ。本当に有効な検証のために何を比較すべきだったか、顧客インタビューの指標との対比を交えて説明せよ
- データに基づいて、こうした疑似相関を将来のプログラム設計に混入させないための意思決定プロセスを設計せよ
成功組と非成功組の「実施率の差」——本当の差別化要因はどれか
① 3つのバイアスの所在
| バイアス | 誰が | どの場面で |
|---|---|---|
| クラスタリング錯覚 | プログラムディレクター | わずか6社という小さいサンプルの中で見えた「全員に共通する」パターンを、意味のある型だと解釈。n=6では偶然の一致が高確率で起こりうることを考慮していない |
| 生存者バイアス | プログラムディレクター（分析全体） | 分析対象を成功した6社に限定し、失敗・伸び悩んだ39社の同じ指標を確認せずに「型」を確定させようとした |
| 自己奉仕バイアス | プログラムチーム（組織として） | 6社の成功を自分たちの育成メソッドの成果として物語化したい動機が、客観的検証より先に結論を固定させている |
② 統計的検証の考え方
③ 疑似相関を混入させない意思決定プロセス
実践への応用
成功事例分析全般
「成功者に共通する習慣」的な言説は、失敗した人にも同じ習慣がどれだけあったかを確認しない限り、生存者バイアスとクラスタリング錯覚の産物である可能性を疑う。
プロダクト分析
「継続ユーザーに共通する行動」を必須ステップにする前に、離脱ユーザーでも同程度見られないかをA/Bテスト設計に組み込む。
組織としての自己認識
自分たちの成功を語るナラティブが、データに基づく検証より先に結論を固定させていないか、定期的に第三者の懐疑的レビューを制度に組み込む。
今日のまとめ・次回へ
今日Q3で扱った「対照群と比較しなければ差別化要因は特定できない」という検証の発想は、戦略立案における競合分析・成功要因分析にそのまま応用できる。Q1の「客観的なトリガー（継続時間）で仕組み化する」という発想も、意思決定の型を属人性から切り離す戦略設計に直結する。