最近、「データ活用をAIで支援します」「AIが自動で分析します」とうたうサービスが一気に増えています。営業支援、マーケティング支援、人材マネジメントまで、あらゆる領域で「AI×データ活用」がキーワードになっているのは間違いありません。

しかし、それらの説明をよく読むと、多くは「AIでスコアリングします」「AIがネクストアクションを提案します」といった**“何ができるか”の話にとどまり、「AIがどのように分析するのか」という中身にはほとんど触れていません。**

ここに大きなギャップがあります。外から見ると、どのサービスも「AIでデータを分析してくれる」ように見えますが、その裏側では、

• 従来型の回帰モデルやスコアリングモデルの焼き直し
• 相関に基づいた予測モデル
• ルールベースと少しの機械学習の組み合わせ
  といった、いわば「昔ながらのエンジン」が動いているケースが少なくないからです。

もちろん、それ自体が悪いわけではありません。営業効率を上げる、属人性を減らすといった目的に対しては、大きな効果を発揮します。ただし、そのエンジンはあくまで「既存パターンの延長線」を賢くなぞるためのものであり、因果構造や分布構造そのものを問い直す設計にはなっていない、ということは意識しておく必要があります。

たとえば「どの顧客にアプローチすべきか」を予測することと、「なぜその顧客にアプローチすると売上が変わるのか」という因果を説明することは、似ているようで別の問題です。前者は相関や過去パターンでもある程度対応できますが、後者には、分布の歪みやロングテール、交絡因子を含めた構造の理解が不可欠です。

私が取り組んでいるDSA＋DAGは、この「エンジンの中身」に真正面から踏み込もうとする試みです。データの分布構造を解析するDSAと、因果構造を記述するDAGを組み合わせることで、単に「当たりそうなパターン」を見つけるのではなく、「なぜそうなるのか」「もし条件を変えたらどうなるのか」を扱える分析エンジンを目指しています。

これからの時代、「AIを入れているかどうか」では差別化できません。問われるのは、どのような分析エンジンで世界を見ているのかという視点です。サービスを選ぶ側も、提供する側も、「AIが何をどう分析しているのか？」という一歩踏み込んだ問いを持てるかどうかが、競争力の分かれ目になっていくのだと思います。