つまり、ここが鉱業ビジネスのリスクの高い局面である。そして、まさにこの局面こそ、AIが門をくぐることを許されていない領域だ。
この2つの仕事を混同しないでほしい。問題の核心は、まさにその違いにあるからだ。探鉱は「ハンティング（狩り）」だ。地質調査の結果や地球物理の知見、過去の記録、衛星画像を精査し、次にどこを掘るかを決める。間違えれば掘削予算を無駄にする。それは痛手だが、投資家を欺くわけではない。
これに対して資源量推計は「会計（計数）」の領域といえる。実際に掘った孔から得た品位分析値（Assay）を用い、統計学の手法を用いて孔と孔の間の空間をどれだけの金属が満たすかを算出する。その計算を間違えれば、投資家が取り引きする際の根拠となる「虚偽の数値」を公開したことになる。
一方は賭け。もう一方は約束だ。AIは賭けのほうでは暴れ回っているのに、約束のほうからは厳しく遠ざけられている。この境界線が見えると、鉱業におけるAI活用の全体像が鮮明に浮かび上がってくる。
ファイリングが実際に語っていること
私は誤魔化しようのない場所、つまりテクニカルレポートそのものを調べた。カナダのNI 43-101（カナダの鉱物プロジェクト開示基準）、あるいは米国の同等規則であるS-K 1300（米国の鉱物資産開示規則）に基づいて提出される書類だ。これらは監査済みの開示資料であり、法的拘束力を持つ。
主要プロジェクトの近年の金関連レポートを横断的に見ると、MREは従来型の地球統計学に依拠し、鉱業界独自のベストプラクティス・ガイドラインに基づいて作成され、それらの手法を修めた地質学者が署名している。あるQPの資格欄には、フランスの鉱山学校での地球統計学専門課程が記載されていた。古典的な系譜、クリギング（空間統計学の補間手法）の伝統だ。実際の推定が行われる部分では、機械学習への言及はほとんど見当たらない。
これは一社に限った話ではない。大手企業のレポートを読み比べてみれば、どこも全く同じ構図であることが分かる。探鉱のプレスリリースはAIを誇らしげに語る。一方で、同じファイリングシステムで数クリック先にある監査済みのMREは、インターネットが登場する以前からある統計学的手法を、淡々と使い続けている。
一方、研究室では
このギャップが単なる慎重さではなく奇妙なものに見えるのは、技術が明らかに未成熟というわけではないからだ。研究者たちは何年も前から、実際の鉱床で機械学習モデルとクリギングを競わせてきた。その結果は率直に言って興味深い。
インドの鉄鉱床を対象とした2025年の研究では、機械学習モデルは通常クリギングとほぼ互角だった。決定係数で比較すると、ランダムフォレスト（機械学習のアルゴリズムのひとつ）とクリギングはともに0.74で、エラー（誤差）の少なさでわずかにランダムフォレストの成績が上回った。事実上の引き分けである。米国鉱業冶金探鉱学会（SME）が発表したより最近の研究では、不均質で複雑な鉱床を対象とした予測精度で、深層学習技術のグラフニューラルネットワークがクリギングを上回り、クリギングでは平滑化されがちな局所的な変動特徴を保持していた。
