――AI時代の意思決定は「結果」ではなく「手順」を問われる
AIを使った予測や分析が当たり前になりました。医療データ、ビジネスデータ、政策データ。
「AIに聞けば答えが出る」「データを入れれば結論が出る」──そう信じられている場面を、私たちは日常的に目にします。
しかし、その多くに決定的に欠けているものがあります。
それが 分析アルゴリズム＝意思決定の手順 です。
データは増えた。でも、説明は減った
RWD（リアルワールドデータ）は爆発的に増えました。
ところが意思決定の現場では、
- なぜこの結論になったのか
- どの前提が結果に影響したのか
- 条件が変わったら結論はどう変わるのか
といった問いに、明確に答えられないケースが増えています。
平均値、p値、回帰係数──
数値は並んでいるのに、意思決定として監査できない。
これは「データ不足」ではなく、「構造不足」の問題です。
DSA：仮説を“作る前”に、構造を固定する
DSA（Distribution Structure Analysis）は、
いきなり因果を語る前に、分布構造として何が起きているかを固定するためのアプローチです。
- 平均に隠れた二峰性
- 一部の層だけで起きている強い効果
- 外れ値ではなく「尾部」に意味がある構造
- 効く人／効かない人の分離構造
これらを探索として可視化し、仮説の候補を残す。
DSAは「答えを出す手法」ではなく、
問いの置き方を監査可能にするための前段設計です。
DAG：因果の“仮定”をブラックボックスにしない
DAG（Directed Acyclic Graph）は、
因果関係を証明する魔法の道具ではありません。
DAGの本質は、
- 何を因果と仮定したのか
- 何を交絡とみなしたのか
- 何を調整し、何を調整しないのか
という 因果推論の前提条件を明示すること にあります。
DAGを描くとは、
「この結論は、この仮定の上に成り立っています」と
説明責任を引き受ける行為です。
DSA＋DAGが実現するもの
DSAとDAGを組み合わせることで、初めて次のことが可能になります。
- 仮説生成（DSA）と因果検証（DAG）が混ざらない
- なぜその仮説を選んだのかを説明できる
- 外れたときに「どこが間違っていたか」が分かる
- 同じデータ・同じ前提なら、誰がやっても同じ結論になる
これは予測精度の話ではありません。
意思決定の再現性と説明責任の話です。
結論：DSA＋DAGは「当てるAI」ではない
DSA＋DAGは、未来を当てるためのAIではありません。
不確実な世界で、
「なぜその判断をしたのか」を説明できる意思決定
を作るための設計思想です。
AI時代の競争力は、
速く答えることではなく、
答えの作り方を公開できることに移りつつあります。
DSA＋DAGは、
データを「それっぽい結論」に変換する仕組みではなく、
意思決定を検証可能な構造物に変えるためのフレームワークです。