過去30年間で最も変革的だった製品の多くは、発売前にはひどいアイデアに見えた。Appleがキーボードのない600ドルの電話を発売すること、Airbnbが見知らぬ人に自宅で寝てもらうこと、Uberが無許可のタクシーに人を誘い込むことなどは、そのほんの一例である。これらのコンセプトを展開前に消費者テストしていたなら、データはおそらく、より伝統的なアプローチを示唆していただろう。
企業が生産性向上や、タスク指向の業務機能の置き換えのために人工知能（AI）を導入する一方で、人間の行動を予測する能力に関しては、なお多くの未解決の問いが残っている。
もし20年前に、今日のAI搭載の市場調査ツールがあったなら、iPhoneは承認されただろうか。おそらく違う。システムは、物理キーボードに対する消費者の嗜好、600ドルが高すぎる理由、タッチスクリーンが日常利用には不正確すぎる理由に焦点を当てたはずだ。現在の消費者嗜好については正しかっただろうが、未来については間違っていただろう。
これはAIの失敗ではない。そういう設計なのである。そしてそれこそが、創造的思考の必要性が人間の優位として残り続ける理由である。
AIの予測モデルはイノベーションではなく「合意」に最適化される
大規模言語モデル（LLM）と予測分析（predictive analytics）は、分布の中心を見つける点で疑いようもなく強力で効率的である。与えられたデータセットから最も起こり得る結果を特定する。
この統計的な意思決定アプローチは、いまやありふれたものだ。例えば小売業者は、需要曲線の予測に基づいて在庫を最適化し、ダイナミックプライシングを展開する。ヘッジファンドは、過去の関係性に基づいて期待収益を推定するファクターモデルを構築する。これらの手法は、中心傾向の特定に依存している。
AIシステムは過去データで学習される。つまり構造的に、すでに機能しているものを強化するよう設計されている。これまで存在しなかったものを特定することはできない。
まだ存在しない製品の需要予測を求められると、AIは過去に基づく推測を行う。新しいものについての実データがないため、過去に見た中で最も近い例を探し、比較する。それが機能することもあるが、たいていは真に独創的な発想ではなく、小さな漸進的アイデアに行き着く。しかし歴史が示してきたのは、最大のブレークスルーは、従うべき明確なパターンがない領域で起こることが多いという事実である。
イノベーションは常に「周縁」に宿ってきた
2007年のiPhoneの発売を改めて振り返ると、市場調査は、消費者が求めているのは漸進的な改善だと告げていただろう。機能面の改善である。より長いバッテリー駆動時間、より大きな表示画面、あるいはより大きなキーボード。データは間違っていなかった。スマートフォンは明確に、労働生産性のカテゴリに位置付けられていた。
しかしiPhoneは、労働生産性のカテゴリを最適化したのではない。まったく新しいカテゴリを創り出したのだ。iPhoneが勝ったのは、消費者自身もまだ気づいていなかったニーズに応えたからである。オンデマンドの音楽、インターネットをポケットに入れて持ち歩けること、道順を印刷しなくてもナビゲーションできること。フォーカスグループでは、こうしたニーズは浮かび上がらなかったはずだ。なぜならそれらは、製品そのものによって初めて活性化されるものだからである。
iPhoneだけが例ではない。リード・ヘイスティングスがNetflixのストリーミングサービスを立ち上げたとき、従来の常識は新作と高予算の大作映画の重要性を示していた。当時、過去数十年のテレビ番組や映画を観たい人はほとんどいなかった。
「Netflixが成功したのは、市場にある満たされていない感情的ニーズに応えたからだ」と、行動科学を用いて消費者の無意識を明らかにする先駆者として広く認知される市場調査会社、Olson Zaltmanのアレクサ・シュワルツ氏は語る。「再放送は過去とつながりたいという欲求を刺激し、インディペンデント映画は手仕事（craft）への欲求に応えた。どちらも、人間だけが感じ取り、見いだせる洞察である。LLMモデルは、人々がどう感じたいのか、あるいは感じる必要があるのかを教えてはくれない」
こうしたブレークスルーは、過去データの分析だけで未来の行動を予測することの限界を浮き彫りにする。真のイノベーションは、より深い洞察を求め、既成概念にとらわれずに考えようとする人間から生まれ続けるだろう。
AI駆動の調査・イノベーションプロセスにおける人間の判断の新たな役割
では、人間のリサーチャーに何が残るのか。データ収集はAIによって、より効率的に行えるようになる。いま求められる仕事は、どのデータを重視し、どれを無視すべきかを見極めることである。外れ値こそが物語であり、捨てるべきではないと認識することだ。奇妙なプロトタイプを気に入った回答者が5%いたとして、なぜ彼らがそれほど強く惹かれたのかを理解することである。
そのためには、合意に対する生産的なパラノイア（警戒心）が必要になる。あらゆる競合が同じAIツールにアクセスし、同じデータセットを分析できると、アイデアは同じ洞察へと収斂していく。この状況では、合意の前提を強化するのではなく、体系的に検証する組織に戦略的優位が生まれる。
非合意の賭けの多くはうまくいかない。もちろん、すべての外れ値が信頼に値するわけではない。それでも、非凡な成果を望む企業は、異常値とランダムノイズを区別する判断力を鍛える必要がある。これはアルゴリズムではなく、人間の能力である。
いくつかの研究によれば、AIシステムは標準的な予測やパターン認識といったタスクでは一貫して高い性能を示す一方で、反事実（counterfactual）についての推論を要するタスクでは、性能低下がより大きくなる。
「真に革新的であるためには、企業は表層的なデータの先を見なければならない。人々がなぜそのように振る舞うのかについて、深い理解を育む必要がある」とシュワルツ氏は言う。
AIの戦略的限界：データだけでは競争優位を生めない理由
AIが既存の前提を確認するために使われると、調査予算を持つ競合は誰もが同じことをしている。同じシグナルが分析され、同じパターンが特定され、同じ結論に至る。データ分析の民主化が最終的にもたらすのは、情報の効率化である。しかしそれは同時に、差別化の限定と、持続的優位の縮小を意味する。
スタンフォード大学のHuman-Centered AI研究所による2023年の報告書は、生成AIがアイデア創出やプロトタイピングを大幅に加速し得る一方で、特に不確実または未定義の市場においては、どのアイデアを追求する価値があるかを決める中心的役割を人間の判断が依然として担うことを明らかにした。
優位は、AIの力と人間の判断を組み合わせる組織にもたらされる。
アルゴリズムには、データ志向の問いを任せればよい。既存顧客は何をもっと求めているのか。どの機能が継続利用（retention）を生むのか。どこで価格最適化すべきか。これらはデータ駆動で答えが出る価値ある問いであり、AIは分析者の大軍より速く、安く答えを出せる。
一方で、人間の判断はAIには答えられない問いのために取っておくべきだ。業界の誰もが暗黙に当然視している前提は何か。どの顧客の不満が、まだ自社が競っていないカテゴリの存在を示しているのか。まだ痛い目に遭っていないがゆえに、組織として体系的に過小評価しているリスクは何か。
次のiPhoneは、いまこの瞬間にも、誰かのAI駆動の市場調査によって却下されているかもしれない。既存の確立された企業が、統計的に起こりにくいものを受け入れるのは難しい。リサーチアナリストと企業経営は、汎用的なAIモデルでは予測できないアイデアや機会を見いだすことで、競争優位を確立できる。
