目次

第4部 未来Year 1

第12章人間はどこまで必要か

「配給は全部アカリに決めさせればいい」。本当に?

読了目安 約9分12 / 15

夕日の畑で、人と人型ロボットが並んで苗を植えている
この章の構成
  1. 自動化の皮肉
  2. 自動化の「段階」と「水準」
  3. 自動化バイアス:機械の答えを疑えなくなる
  4. 「機械は公平」は本当か
  5. 責任と監査:「誰に文句を言えばいいか」
  6. この章で学んだこと
  7. 出典・参考
  8. さらに深く学ぶ

マンガで読む

マンガ1ページ目。Year 1 十月第二小の体育館停電から一年と三か月 権藤「先月の米で三回揉めた」 権藤「人間が決めるから揉めるんだ」 ざわめき。うなずく人も多い 権藤「あの機械ならえこひいきはしない」 権藤「配給は全部アカリに決めさせればいい」 マンガ2ページ目。疲れているのだ。決めることにも責められることにも アカリ「計算はできます配分案は出せます」 アカリ「ただし、ひとつ確認させてください」 アカリ「私の配分に納得できない人は誰に異議を申し立てれば?」 権藤「……機械が決めたんだ。文句は言えんだろう」 アカリ「それが、私の心配している点です」 マンガ3ページ目。Year 1十一月 配給所「一か月だけ試す」最初の二週間は順調だった 三週間目 ハル「坂上さんの家、米が半分に減ってる。おかしいよ」 ハル「お孫さんが生まれて娘さんたちも戻ってきたのに」 台帳の坂上家は二人のまま。誰も更新していなかった マンガ4ページ目。アカリ「配分は台帳が正しい前提です。誤りを自分では見つけられません」 アカリ「異議が出ないのは誰も確かめていなかったからかもしれません」 ゲン「この一か月で手で配分を計算できるやつが一人もいなくなったぞ」 権藤「機械なら揉めないと思ってた」 権藤「揉めないんじゃなくて誰も気づかなくなってただけか」 翌月からアカリは案を三つ理由つきで出し選ぶのは寄り合い 月に一度はアカリを止めて全員で手計算。その日、小春はそろばんを始めた

Year 1 10月 第二小学校の体育館

停電から、一年と三か月がたった。

体育館の天井には回収したLED灯が並び、壁には当番表と在庫表が貼られている。工房と配給の仕組みに加わる住民はいまや三百人を超え、川下の港地区とも物々交換が始まっていた。人が増えれば、揉めごとも増える。

その夜の寄り合いで、港地区のまとめ役・権藤が立ち上がった。日焼けした大きな手で、配給台帳を机に置く。

「先月の米の配分で、三回揉めた。誰が何を多くもらっただの、あの家は顔が利くだの。人間が決めるから揉めるんだ」

権藤は舞台袖のアカリを指さした。

「あの機械なら、えこひいきはしない。配給は全部、アカリに決めさせればいい」

ざわめきが広がる。うなずく人も多い。疲れているのだ。決めることにも、決めたことを責められることにも。

ナギはアカリの画面を見た。

計算はできます。世帯の人数、年齢、作業量、在庫、次の収穫までの日数から、配分案を出すことは可能です。
ただし、ひとつ確認させてください。私の配分に納得できない人が出たとき、その人は誰に異議を申し立てればよいですか。

権藤は一瞬、言葉に詰まった。

「……機械が決めたんだ。文句は言えんだろう」

それが、私の心配している点です。

自動化の皮肉

権藤の提案は、筋が悪いわけではありません。人間の判断には疲れや偏りが入りますし、計算は機械のほうが速く正確です。それでも、仕事を機械に任せると予想外の新しい問題が生まれることが知られています。

1983年、心理学者のリサンヌ・ベインブリッジ(Lisanne Bainbridge)は、工場やプラントの自動化を観察して「自動化の皮肉(Ironies of Automation)」という短い論文を書きました。40年以上たった今も引用され続ける、自動化研究の古典です。要点は次のとおりです。

  • 仕事の大部分を自動化すると、かえって深刻な問題が生まれる。人間に残るのは、機械にできない難しい例外処理だけになる。
  • 技能が錆びる。普段の仕事で練習する機会がなくなるので、いざというときに手が動かない。
  • 監視は疲れる。何も起きない画面を見張り続けるのは、人間が最も苦手な仕事のひとつ。
  • 訓練の負担は減らない。めったに起きないが決定的な介入に備えて、むしろ多くの訓練が要る。

配給にあてはめると、こうなります。アカリが毎月の配分を決めるようになれば、誰も配分の計算をしなくなる。一年後、アカリが止まったり、台帳の前提が崩れたりしたとき、その計算を引き受けられる人がいない。

自動化の「段階」と「水準」

「AIに任せるか、人間がやるか」の二択で考えると、議論はすぐ行き詰まります。2000年にパラスラマン(Parasuraman)、シェリダン(Sheridan)、ウィケンズ(Wickens)が提案した枠組みは、自動化を4つの機能(段階)に分け、それぞれでどの程度(水準)自動化するかを別々に決めよう、というものです。

  1. 情報の取得:データを集める
  2. 情報の分析:集めたデータを整理し、状況を判断する
  3. 決定と行動の選択:どうするかを選ぶ
  4. 行動の実行:選んだことを実際に行う

水準は「人間がすべて手で行う」から「機械が完全に自律して動き、人間は関与しない」までの連続した目盛りです。同じ第3段階でも、「候補を提案するだけ」の機械と、「一定時間内に人間が拒否しなければ実行する」機械とでは、まったく性格が違います。

霧ヶ丘の配給を、この枠組みで分解してみましょう。

段階配給での仕事アカリに任せる水準(作中の結論)
1 情報の取得在庫を数える、世帯の人数を記録する人間が数え、アカリが記録と照合を手伝う
2 情報の分析次の収穫まで何日もつか、不足は何かアカリが計算し、計算式も公開する
3 決定の選択誰に何をどれだけ配るかアカリが案を複数出し、理由を添える。選ぶのは寄り合い
4 実行実際に配る人間が配り、受け取りを記録する

ポイントは、計算の得意なところだけを深く自動化し、決定の段階では人間が選ぶことです。分析の質は上がり、責任の所在は人間に残ります。

自動化バイアス:機械の答えを疑えなくなる

人間には、自動化されたシステムの提案を優先しがちな傾向があります。これを自動化バイアスと呼びます。典型的な失敗は2種類です。

  • 実行の誤り(commission error):機械の指示に、他の情報で確かめずに従ってしまう。
  • 見落としの誤り(omission error):機械が警告しなかった問題に、自分も気づかない。見張りをやめてしまうからです。

第8章で、アカリが根拠のない数字を自信たっぷりに答えた場面を思い出してください。あのとき誤りに気づけたのは、ハルが自分の知識で答えを確かめたからでした。機械の提案が正しいことが続くほど、人は確かめなくなります。これが一番危険です。

「機械は公平」は本当か

権藤が期待したのは、機械の公平さでした。確かにアカリは、顔見知りだからといって配分を増やしたりはしません。けれど、機械の判断が公平になるかどうかは、次の二つで決まります。

  • 何を入力にしているか:台帳に載っていない人、古い情報のままの世帯は、計算の上では「いない」ことになります。データの漏れは、そのまま配分の漏れになります。
  • 何を「良い配分」と定義したか:人数で均等に割るのか、重労働の人に多く配るのか、子どもや病人を優先するのか。これは計算ではなく価値の問題で、誰かが決めて機械に教えた結果です。

つまり「機械が決めた」ように見える決定の中には、人間が決めた前提が必ず埋め込まれています。前提を隠したまま機械に決めさせると、揉めごとが消えるのではなく、揉めるべき論点が見えなくなるだけです。前提を表に出し、寄り合いで議論できるようにすることが、本当の意味での公平につながります。

責任と監査:「誰に文句を言えばいいか」

アカリが権藤に投げた質問は、AIを社会の仕組みに組み込むときの核心です。決定には、次の3つがそろっている必要があります。

  • 説明:なぜその決定になったのか、根拠と計算を誰でも見られる。
  • 異議申し立て:納得できない人が、決定を見直してもらう窓口がある。
  • 責任者:最終的に「私が決めた」と言える人間がいる。

人間が判断の流れの中に入っている形をヒューマン・イン・ザ・ループ、機械が動き人間は監視して必要なときに止める形をヒューマン・オン・ザ・ループと呼ぶことがあります。どちらを選ぶかは、第8章で見た「可逆か、不可逆か」で決めるのが基本です。配給のように人の暮らしに直接響き、やり直しのきかない決定ほど、人間を流れの中に置くべきです。

flowchart TD
  D[台帳と在庫] --> A[アカリが案と理由を作る]
  A --> R[寄り合いが選ぶ]
  R --> P[決定と理由を掲示]
  P --> X[配る]
  P --> O{異議あり?}
  O -- はい --> C[台帳を直す]
  C --> D
  O -- いいえ --> X
図12-1 霧ヶ丘の配給の流れ。アカリは提案し、人間が選び、異議があればデータに戻って直す。
AIに任せる範囲を決める3つの問い①間違えたとき、やり直せるか。②間違いに、誰がどうやって気づくか。③機械が止まったとき、人間が代わりにできるか。ひとつでも「いいえ」なら、その決定は人間の手元に残しておきましょう。

Year 1 11月 配給所

結局、寄り合いは「一か月だけ試す」ことにした。アカリが配分を決め、人間はそれに従う。権藤の案のとおりに。

最初の二週間は順調だった。揉めごとは消え、配給所の行列は短くなった。誰もが、アカリの配分表をそのまま読み上げるようになった。

三週間目、ハルが配給所に駆け込んできた。

「川べりの坂上さんの家、米が半分に減ってる。おかしいよ。先月、お孫さんが生まれて、娘さんたちも戻ってきたのに」

台帳を開くと、坂上家の人数は二人のままだった。誰も更新していなかったのだ。アカリは台帳どおりに、正しく計算していた。間違っていたのは、誰も確かめなくなった入力のほうだった。

私の配分は、台帳が正しいという前提で計算しています。台帳の誤りを、私は自分では見つけられません。この三週間、私の案に異議が出たことは一度もありませんでした。それは、案が正しかったからではなく、誰も確かめていなかったからかもしれません。

ゲンが腕を組んだ。

「ついでに言っとくが、この一か月で、配分を手で計算できるやつが一人もいなくなったぞ。帳場をやってた田村さんも、もう表の読み方を忘れたってよ」

権藤は長いあいだ黙っていた。それから、配分表を机に置いた。

「……機械に決めさせれば揉めないと思ってた。揉めないんじゃなくて、誰も気づかなくなってただけか」

翌月から、霧ヶ丘の配給には三つのルールができた。アカリは案を三つ出し、それぞれに理由をつけること。寄り合いが選び、選んだ理由を掲示すること。そして月に一度、アカリを止めて全員で配分を手計算する「帳場の日」を設けること。

帳場の日、小春はそろばんを習い始めた。

この章で学んだこと

  • 仕事の大部分を自動化すると、技能の衰え、監視の疲れ、訓練の負担といった新しい問題が生まれる(ベインブリッジ「自動化の皮肉」1983年)。
  • 自動化は「情報の取得・分析・決定の選択・実行」の4段階ごとに、別々の水準で設計できる。計算は深く自動化し、決定は人間が選ぶ、という組み合わせが可能。
  • 機械の提案が正しく見えるほど人は確かめなくなる(自動化バイアス)。入力データの誤りは、機械自身には見つけられないことが多い。
  • 社会の決定にAIを使うなら、説明・異議申し立て・責任者の3つをそろえ、機械が止まっても人間が代われるよう定期的に練習する。

出典・参考

  1. Lisanne Bainbridge, "Ironies of automation", Automatica 19(6), 775–779, 1983. https://doi.org/10.1016/0005-1098(83)90046-8 要約:Wikipedia "Ironies of Automation" https://en.wikipedia.org/wiki/Ironies_of_Automation
  2. R. Parasuraman, T. B. Sheridan, C. D. Wickens, "A model for types and levels of human interaction with automation", IEEE Transactions on Systems, Man, and Cybernetics – Part A 30(3), 2000. https://doi.org/10.1109/3468.844354
  3. Wikipedia "Automation bias"(R. Parasuraman & D. Manzey, Human Factors 52(3), 2010 などを引用)https://en.wikipedia.org/wiki/Automation_bias

さらに深く学ぶ

  • 入門論文

    Ironies of Automation

    Lisanne Bainbridge(1983)

    自動化が進むほど人間の技能が衰え、まれな非常時の対応がかえって難しくなると指摘した古典(Automatica 19(6))。人とAIの役割分担を考える出発点。

  • 入門本

    The Design of Everyday Things

    Donald Norman(1988)

    使いにくい道具は使う人ではなく設計が悪いと説いた本。疲れた生存者が迷わず使えるAIの画面を考えるのに役立つ。

  • 中級Web資料

    Postmortem Culture: Learning from Failure (Site Reliability Engineering, Chapter 15)

    John Lunney, Sue Lueder (eds. Betsy Beyer, Chris Jones, Jennifer Petoff, Niall Richard Murphy)(2016)

    個人を責めないポストモーテムで障害から学ぶ方法を説明したGoogleの章。再挑戦の記録をどう残すかの実践的な型になる。

  • 上級論文

    Language Models (Mostly) Know What They Know

    Saurav Kadavath, Tom Conerly, Amanda Askell, Tom Henighan, et al.(2022)

    言語モデルが自分の答えの正しさをどの程度見積もれるかを調べた研究。AIが「わからない」と言えるかを考える材料になる。

本・論文・資料の一覧へ →