今日のフォーカス
「精鋭スカウト採用」提案会議の4発言から合成の誤謬・分割の誤謬・論点先取（循環論証）を検出し、帰納の強度要因（観察数・多様性・代替説明の排除・留保の有無）で「誤謬でない個別事例からの一般化」を見分ける（Q1）。全社の昇進率データが部門別データと逆転するシンプソンのパラドックスを、交絡変数（部門）の分布と基礎昇進率の差から数値で解明する（Q2）。そしてAIインフラ移行の投資判断で、期待値だけでは捉えられないリアルオプション（段階的投資）の価値と、下方リスクの非対称性を定量化する（Q3）。
あなたはSeries BのB2B SaaS企業のエンジニアリング責任者だ。CEOが「精鋭スカウト採用制度」（トップ企業の優秀な個人を高コストで一本釣りする採用施策）を提案し、経営会議で4人が発言した。
① CEO：「うちが今スカウトしようとしている候補者は全員、GAFAM出身でコーディング試験も上位1%のハイパフォーマーだ。だからこの5人を採用すれば、うちのエンジニアリング組織は間違いなく最強のチームになる。」
② VP People：「このスカウト制度が良い制度だと言えるのは、これが優秀な人材だけを選んで採用する良い制度だからだ。だから導入すべきだ。」
③ CFO：「うちの会社の生産性（一人当たり売上高）は業界平均を20%上回っている。ということは、うちに所属する社員は全員、業界平均の社員より優秀なはずだ。だから採用基準を今より下げても問題ないだろう。」
④ CTO：「同規模・同業種（Series B〜C、従業員50〜150名のB2B SaaS）のスカウト採用導入事例を3社分調べた。3社とも導入から18ヶ月以内に採用単価あたりの生産性が平均40%改善し、定着率も業界平均を上回った。ただしこれは3社の観察に基づく推定であり、今回のチームでも同程度の効果があるとは限らない、と留保をつけて提案する。」
- ①〜③にはそれぞれ異なる論理的誤謬が含まれている。合成の誤謬 / 分割の誤謬 / 論点先取（循環論証）のいずれに当たるかをそれぞれ特定し、なぜその誤謬に当たるか説明せよ
- ④には誤謬がない。①・④はどちらも「個別の事例・データから組織全体についての結論を導く」という表面上似た構造を持つのに、片方は誤謬でもう片方は正当な帰納論証になる。この違いを、帰納の強度を高める要因（観察数・観察の多様性・代替説明の少なさ・結論に付す留保の有無）を使って説明せよ
- ②の論点先取（循環論証）を、循環させずに「このスカウト制度を導入すべきかどうか」を検証可能な形に立て直すとしたら、どのような検証設計（何を測定すれば良い制度だと言えるか）を提案するか、1つ設計せよ
合成の誤謬・分割の誤謬・論点先取は、いずれも「部分と全体の関係」や「結論の根拠」という論証の骨格そのものに欠陥があるにもかかわらず、話し手の自信や具体的な数字を伴うことでもっともらしく聞こえてしまう誤謬だ。特に①と④は「個別の事例から組織全体の結論を導く」という表面構造が酷似していながら、片方は誤謬・片方は正当な論証になる——この境界を「個別事例から一般化したら誤謬」という誤った単純化ではなく、帰納の強度を左右する具体的な要因（観察数・多様性・代替説明の排除・留保の有無）で見分ける力を鍛える。また論点先取は「主張とほぼ同じ内容を、違う言葉で言い換えて根拠のように見せる」という気づきにくい形で紛れ込みやすく、これを検出し検証可能な形に立て直す実務的な力を養う。
①〜③の誤謬判定
①と④の違い——帰納の強度を高める4要因
| 帰納の強度要因 | ① CEOの発言 | ④ CTOの発言 |
|---|---|---|
| 観察数 | 5人（採用予定者の属性のみ） | 3社の実際の導入結果（採用単価・定着率） |
| 観察の多様性 | なし（個人の属性という1種類の情報） | 同規模・同業種の複数社比較 |
| 代替説明の排除 | していない（チームワークコストを無視） | 比較対象を同規模・同業種に限定し交絡要因を減らす努力 |
| 結論への留保 | なし（「間違いなく」と断定） | あり（「同程度とは限らない」と明示） |
②を検証可能な形に立て直す
実践への応用
「優秀な個人を集める＝強いチーム」という前提を無条件に採用せず、チームワーク・役割設計・オンボーディングへの投資を別途評価する。経営会議での提案評価では、根拠が「提案自体の言い換え」になっていないかを毎回チェックする習慣をつける。会社全体・部門全体のKPIが良好であることを、個々のメンバーの評価や採用基準の根拠に直接使わず、個人レベルのデータで別途検証する。
あなたは300名規模のテック企業の人事部門で分析を担当している。直近1年の昇進審査データをダイバーシティ委員会向けにまとめたところ、次の結果が出た。
| 部門 | 男性候補者数 | 男性昇進者数 | 男性昇進率 | 女性候補者数 | 女性昇進者数 | 女性昇進率 |
|---|---|---|---|---|---|---|
| エンジニアリング | 100人 | 30人 | 30.0% | 20人 | 8人 | 40.0% |
| セールス | 20人 | 4人 | 20.0% | 100人 | 25人 | 25.0% |
| 全社合計 | 120人 | 34人 | 28.3% | 120人 | 33人 | 27.5% |
ダイバーシティ委員長のリナは全社合計の数字だけを見てこう発言した。
リナ：「全社データを見ると、男性の昇進率（28.3%）が女性の昇進率（27.5%）よりわずかに高い。差は小さいが、念のため女性候補者向けの昇進支援プログラムを追加すべきだと思う。」
一方、エンジニアリング部門のマネージャーであるタクは違和感を示した。
タク：「待ってください、うちの部門も、セールス部門も、それぞれ見れば女性の昇進率の方が男性より高いですよね？なのに全社合計だと逆転するのはおかしくないですか？」
- タクの違和感は正しい。部門別に見ると男女どちらの昇進率が高いか、全社合計で見ると男女どちらの昇進率が高いかをそれぞれ数値で確認し、この「部分では一方が優位なのに、全体を合計すると逆転する」現象の名称を答えよ
- この逆転がなぜ起きるのかを、部門という交絡変数が「性別」と「昇進率」の両方にどう関係しているかを説明することで解明せよ。①男女で部門ごとの候補者数の分布がどう異なるか、②部門ごとの基礎昇進率がどう異なるか、の2点に触れること
- リナの「全社データだけを見て女性向け昇進支援プログラムを追加すべきだ」という結論は、この分析を踏まえるとどう修正すべきか。集計の粒度が意思決定の結論を左右するとき、どちらの粒度を信頼して施策を設計すべきかの判断基準も併せて述べよ
シンプソンのパラドックスは、集計の粒度（全体で見るか、部分（層）に分けて見るか）によって、データが示す傾向が完全に逆転しうるという統計的思考の代表的な罠だ。人事・マーケティング・医療など「属性別に集計するかどうか」が施策の方向性を左右する実務領域で頻発するにもかかわらず、全社合計・全体平均という「一見もっとも公平で包括的に見える数字」を無批判に信頼してしまうと、実際には存在しない傾向を"発見"し、的外れな施策（あるいは逆効果の施策）を導入するリスクがある。この問題では、交絡変数（部門）が「性別の分布」と「結果（昇進率）」の両方に影響を与える構造を具体的な数値で追跡させ、集計の粒度をどう選ぶべきかという実務判断にまで踏み込ませる。
逆転の確認とパラドックスの名称
セールス：女性25.0% > 男性20.0%
どちらの部門でも女性の昇進率の方が高い
逆転して男性の方が高い
逆転が起きるメカニズム——交絡変数としての「部門」
部門ごとの基礎昇進率（男女合わせた昇進のしやすさ）：
エンジニアリング：(30+8)/120 = 31.7%（昇進しやすい部門）
セールス：(4+25)/120 = 24.2%（昇進しにくい部門）リナの結論の修正と、集計粒度の判断基準
実践への応用
人事・ダイバーシティ分析では、属性別の格差を議論する際に必ず部門・職種・在籍年数など主要な交絡変数で層別した集計を併記し、全社合計だけで施策を決めない運用ルールを設ける。プロダクト分析・マーケティングでは、チャネル別・セグメント別のコンバージョン率が全体集計と逆転していないかを定期的にチェックする。経営報告のフォーマットは、重要な指標について全体値と主要な層別内訳を必ずセットで報告するダッシュボード設計を標準化する。
あなたはB2B SaaS企業のCTOだ。既存のインフラを新しいAIワークロード対応基盤へ全面移行するプロジェクトを検討している。移行後1年間の市場需要について、営業・プロダクトチームの見立ては次の通りだ。
- 高需要（大口顧客の導入が進む）：確率30%、想定利益 +500万ドル
- 中需要（想定通りの緩やかな導入）：確率40%、想定利益 +100万ドル
- 低需要（顧客の関心が薄く投資回収できない）：確率30%、想定利益 −300万ドル
Option A（一括投資）：意思決定と同時に全額を投じて全面移行を完了させる。上記の需要シナリオがそのまま損益に反映される。
Option B（段階的投資）：まず3ヶ月・20万ドルのパイロットに投資し、実際の需要シグナルを観測してから残りの投資を実行するか判断する。パイロット後に「低需要」のシグナルが出た場合は追加投資を行わず撤退し、損失はパイロット費用20万ドルのみに限定される。「高需要」「中需要」のシグナルが出た場合は残りの投資を実行し、最終的な想定利益は元のシナリオの利益からパイロット費用20万ドルを差し引いた金額になる。
CFOは「Option Aの方が最終的な期待利益は大きいはずだ。パイロットで様子見している間に競合に先を越されるリスクもある。全額投資すべきだ」と主張している。
- Option AとOption Bそれぞれの期待値（EV）を計算せよ。計算過程を示すこと
- CFOの「Option Aの方が期待利益は大きいはず」という主張は、問1の計算結果と照らして正しいか誤りか。誤りである場合、CFOの直感がどこで外れたのかをリアルオプション（段階的投資による撤退の柔軟性）が生み出す価値という観点から説明せよ
- 期待値の比較だけでは投資判断の全体像として不十分である。最悪ケースの損失額（下方リスクの非対称性）という観点からOption AとOption Bのリスクプロファイルの違いを比較し、期待値だけで意思決定してはいけない理由を説明せよ。その上で、この2つの観点を統合した最終推奨をCFOへの説明としてまとめよ
不確実性下の投資判断で「期待値が高い方を選べばよい」という単純化は、実務では頻繁に誤った結論を導く。特に、事前にすべてをコミットする一括投資と、途中で情報を得てから追加投資するかどうかを選べる段階的投資（リアルオプション）とでは、後者には「悪いシナリオが判明したら撤退できる」という柔軟性そのものに経済的価値がある——この価値は素朴な期待値計算だけでは見えにくく、多くの実務家が「様子見は機会損失だ」という直感に流されて過小評価しがちだ。さらに期待値が同じ、あるいは近い場合でも、下方リスクの非対称性が意思決定の質を左右する。この問題では、リアルオプションの価値を具体的な数値で定量化し、期待値と下方リスクという2つの軸を統合して意思決定を設計する力を鍛える。
Option A・Option Bの期待値計算
【Option A：一括投資】
EV(A) = 0.3×500 + 0.4×100 + 0.3×(−300) = 150 + 40 − 90 = +100万ドル
【Option B：段階的投資（パイロット20万ドル）】
高需要シグナル：500−20 = 480万ドル
中需要シグナル：100−20 = 80万ドル
低需要シグナル：撤退。損失はパイロット費用のみ = −20万ドル
EV(B) = 0.3×480 + 0.4×80 + 0.3×(−20) = 144 + 32 − 6 = +170万ドルCFOの主張の検証——リアルオプションの価値
下方リスクの非対称性と最終推奨
実践への応用
不確実性の高い技術投資では、全面コミットの前に低コストで需要シグナルを検証できるパイロット・MVP段階を設計し、撤退基準をあらかじめ数値で明文化する。VC・投資判断のマイルストーン投資（シード→シリーズA→B）も同じ構造のリアルオプションであり、各ラウンドで再評価できる柔軟性自体に価値がある。経営会議でのリスク説明では、期待値の比較だけでなく「最悪ケースでどれだけ失うか」を必ず併記し、期待値とリスクの両方の軸で選択肢を比較する報告フォーマットを標準化する。
今日のまとめ
合成の誤謬・分割の誤謬・論点先取は、部分と全体の関係を無条件に横流ししたり結論を前提に忍び込ませたりすることでもっともらしく聞こえるが、正当な帰納論証との違いは観察の量・多様性・代替説明の排除・結論への留保という具体的な強度要因で見分けられる（Q1）。全社合計という一見公平に見える集計は、性別と部門のような交絡変数の分布が偏っているとシンプソンのパラドックスによって各部門の実態と正反対の結論を導きうるため、重要な意思決定では必ず層別データと突き合わせる必要がある（Q2）。そして不確実性下の投資判断では、期待値の単純比較だけでなく、段階的投資（リアルオプション）が生み出す非対称な下方リスク限定の価値を定量化し、期待値と最悪ケースの損失額という2つの軸で選択肢を評価する必要がある（Q3）。IQ-Aの核心は「もっともらしい結論の裏にある集計・確率・論証の構造を分解し、見えていない前提や交絡変数を炙り出す精度」にある。
次回への接続
明日（水曜）はThinking-A（問題解決・意思決定）。今日IQ-Aで鍛えた「個別データから組織全体への一般化を正しい強度で行う力」「集計粒度の選択が結論を左右することを見抜く力」「期待値だけでなく下方リスクとオプション価値を統合して判断する力」は、明日の課題定義・選択肢生成・意思決定フレームワークに直結する。特にQ3の「期待値とリスクの両方の軸で選択肢を評価する」という設計思想は、明日扱う不確実性下の意思決定フレームワークの土台になる。