学習と開発の本質は同じだ: 予測する前に、まず現実で試せ

Hatched by tttt

Jul 06, 2026

1 min read

2 views

89%

なぜ賢い人ほど、現実に弱くなるのか

私たちはしばしば、より多く学べば、より正確に予測できると思い込む。だが実際には、学びすぎたものほど現実に弱くなることがある。機械学習ではこれを過学習と呼ぶ。あるデータには異常に詳しいのに、初めて見るデータにはまるで歯が立たない状態だ。

この現象は、AIだけの話ではない。プロダクト開発でも、組織運営でも、意思決定でも同じことが起こる。会議資料は完璧、要件定義は緻密、ロードマップは美しい。ところが、実際のユーザーの前に出すと、まったく響かない。つまり私たちは、データではなく現実そのものに対して過学習してしまうのではなく、逆に机上の理屈に過学習してしまうのだ。

では、どうすればいいのか。答えは意外なほどシンプルだ。学習とは、頭の中で正しさを積み上げることではなく、未知に対して小さく当てにいくことである。アジャイルと機械学習は、別世界の概念に見えて、実は同じ問いに向き合っている。どうすれば、限られた情報から、現実に通用する判断を作れるのか。

本当に優れたシステムは、最初から正しいのではない。早く間違え、早く直せるように設計されている。

予測の精度は、学習量ではなく検証の質で決まる

機械学習の基本は、トレーニングデータで学び、テストデータで試すことだ。これは単なる技術手順ではない。「知っていること」と「使えること」は違うという、非常に深い認識に基づいている。

たとえば競馬予測を考えてみよう。過去のレース結果を大量に読み込めば、勝った馬の特徴に詳しくなる。しかし、それだけでは足りない。重要なのは、まだ見ていない別のレースで、同じ判断が当たるかどうかだ。学習データで精度90パーセントでも、テストデータで50パーセントなら、そのモデルは本番に耐えない。

プロダクト開発も同じである。大きな構想を一気に作り込むと、完成した頃には市場が変わっていることがある。だからアジャイルは、大きなアイデアを小さく分割し、短いサイクルで検証する。これは単にスピードを上げるためではない。現実との接触回数を増やすためだ。

ここで重要なのは、アジャイルが「速く作る」ことを目的としていない点である。正確には、速く学ぶことが目的だ。ユーザーストーリーを動くソフトウェアに変え、早い段階で価値のある部分をリリースし、実際の反応を見る。その一連の流れは、機械学習でいえば、学習と検証を何度も往復することに相当する。

つまり、優れた判断は、完成度の高さから生まれるのではなく、未知に対する検証回数の多さから生まれる。ここでの「正しさ」とは、理屈の美しさではなく、現実の入力に耐えることだ。

分類器とプロダクトマネージャーは、どちらも世界を単純化している

機械学習における分類器は、データをあらかじめ用意されたカテゴリに振り分ける。犬か猫か、勝つか負けるか、購入するかしないか。これは世界をわかりやすくする行為だが、同時に危うさもある。なぜなら、現実はしばしばカテゴリよりも複雑だからだ。

最近傍分類器は、その単純化をさらに露骨にする。「近くにあるやつと同じにしておこう」という発想で判断する。直感的でわかりやすいが、近さの定義を誤ればすぐに崩れる。だからこそ、kをどう設定するかが重要になる。近くを見すぎるとノイズに振り回され、広く見すぎると個別性を失う。

これは、そのままプロダクトマネジメントの悩みでもある。ユーザーをどうセグメントするか。どこまで共通化し、どこから個別対応するか。機能を一つの大きな塊として扱うのか、それとも価値の断片に分けるのか。実はPMもまた、世界にカテゴリを与える仕事をしている。

ただし、ここで大切なのは、カテゴリは真実ではなく仮説だということだ。たとえば「この機能はすべてのユーザーに必要だ」と決めてしまうと、実際には一部のユーザーにしか価値がないかもしれない。逆に、細かく分けすぎると、チームは局所最適に陥る。ある機能はきれいに実装できたが、全体価値にはつながらない、という状態だ。

アジャイルが強いのは、カテゴリを固定しないからである。仮説として切り、実験で確かめ、必要なら再分類する。つまり、プロダクトとは、完成品ではなく分類の更新履歴なのだ。

企画とは、未来を言い当てることではない。現実がどのカテゴリに入るかを、少しずつ学び直すことだ。

フィルターバブルの正体は、モデルの暴走ではなく「見え方の固定化」

フィルターバブルという言葉は、情報環境の問題として語られることが多い。しかし本質は、もっと深い。私たちは自分に都合のいい情報ばかりを見ると、世界そのものがそう見え始める。そして、その世界観に合わせて次の判断をする。

これは機械学習でいう過学習と非常に似ている。学習データに含まれるパターンを過度に信じると、新しいデータに弱くなる。フィルターバブルも同じで、過去にクリックしたもの、好んだもの、反応したものに最適化されすぎると、未知への感度が失われる。結果として、知識は増えたように見えて、視野は狭くなる。

この構造は、組織にも起こる。チームが「うまくいったやり方」に過度に適応すると、次の変化に気づけなくなる。会議で拍手された案ばかり通り、顧客との対話が減り、内部の納得感だけが高まる。すると、チームは成果を出しているように見えるが、実際には自分たちの閉じた世界に最適化されていく。

だからアジャイルの価値観が重要になる。個人と対話、顧客との協調、変化への適応。これらは単なる美徳ではない。組織がフィルターバブル化するのを防ぐための、認知衛生の仕組みである。

ここで見えてくるのは、アジャイルと機械学習の共通の敵だ。それは「複雑さ」そのものではない。複雑さを見ないまま、単純なルールに閉じこもることである。

最強の学習サイクルは、望ましさ、実現可能性、実行可能性を同時に試すこと

プロダクトの世界には、よく知られた三つの視点がある。望ましさ、実現可能性、実行可能性だ。ユーザーが欲しいか。技術的に作れるか。事業として回るか。多くの失敗は、この三つのうち一つだけを見て進めてしまうことから起こる。

機械学習でも、似た構造がある。精度が高いことは望ましいが、現場で使えなければ意味がない。高性能だが運用コストが高すぎるモデルは、実質的には採用できない。逆に、簡単に回るが予測力の低いモデルも役に立たない。つまり、良いモデルとは、単に当たるものではなく、運用環境の中で価値を出せるものだ。

ここに、アジャイルが持つ本当の強さがある。アジャイルは、価値を細かく切り、短い反復で試すことで、この三つを同時に検証する。たとえば、新機能を一気に大きく作るのではなく、最も価値が高そうな部分だけを先に出す。ユーザーの反応を見る。実装コストを測る。事業インパクトを確認する。その上で次の一手を決める。

この考え方を、私は反復的三重検証と呼びたい。

ユーザーにとって本当に望ましいか
技術的に無理なく実現できるか
組織として継続可能か

この三つを分けて考えるのではなく、最小の実験で同時に少しずつ確かめる。これが、予測ではなく学習に基づく意思決定である。

たとえば「ボタンを青くするだけ」で終わる開発は、アウトプットはあるが学びがない。逆に、1週間で小さく出して、クリック率、滞在時間、問い合わせ数、継続率を見れば、色変更そのものが価値なのか、それとも文言や導線の問題なのかが見えてくる。小さな変更は小さな仕事ではない。大きな不確実性を小さく切るための装置なのだ。