新型コロナは5類感染症となり、最近では報道でもほとんど取り上げられなくなりました。一方で、インフルエンザの猛威と帯状疱疹ウイルスの「流行」「医療ひっ迫の懸念」というニュースは相変わらず続いており、品物が変っただけのように見えます。
多くの方が抱くのは、新型コロナは「本当に落ち着いたのか? それとも“扱い方”だけ変えたのか?」というモヤモヤではないでしょうか。

この違和感は、DSA+DAGの視点で整理すると、とてもクリアになります。


「騒がれていない=危険ではない」という誤った世界観

私たちが日々目にしているのは、

  • 報道量(ニュースの露出)
  • 公表される数字(新規感染者数など)

といった“見える指標”です。
DAG(因果グラフ)で描くと、これは

  • 政策レベル(2類相当か5類か)
  • 監視の設計(全数把握か、定点把握か)
  • 検査行動(無料か、自己負担か)

といった「上流の決定」によって大きく左右される“子ノード”にすぎません。

実際の影響、

  • 医療ひっ迫(病床・救急の逼迫度)
  • 健康リスク(特に高齢者・基礎疾患患者)
  • 経済・社会コスト(教育・雇用・メンタルなど)

は、別のノードとして存在しています。
にもかかわらず、「テレビで聞かなくなった=問題も小さくなった」と解釈してしまうのは、因果構造を潰して、ひとつの数字に還元してしまう二元論だと言えます。


DSA視点:リスクは「平均」ではなく「分布構造」で見る

5類移行後のコロナは、「平均的には」致死率や重症化率が下がったのは事実です。しかしDSA的には、ここで重要なのは分布の形がどう変わったかです。

  • 若年・健常者:多くは「ほぼ風邪〜インフル相当」のゾーン
  • 高齢者・基礎疾患あり:依然として“太くて重い尾”を持つリスク帯

つまり、「全体の平均リスクは下がった」が、「リスクの重心は特定セグメントに集中している」構造になっています。
これはビジネスで言えば、総売上は横ばいでも、利益の大半が特定顧客に偏っている状態に近いでしょう。


コロナは「インフルの箱」に“構造を変えないまま”入れられた

政策的には、インフルとコロナを同じ5類枠に入れ、同じルール(定点把握・ワクチン推奨・季節流行のモニタリング)で回す判断がなされました。

これは、

  • 「感染者数をとにかく減らす」から
  • 「医療ひっ迫を抑えつつ、社会・経済を止めない」

という目的関数の切り替えです。
ウイルスの“性質”がインフル並みに完全におとなしくなったからではなく、制御のフレームワークを共通化したと見る方が、DAG的には実態に近いのではないでしょうか。


ビジネスへの示唆:見える数字と、本当の構造を分けて考える

この構造は、そのままビジネスにも当てはまります。

  • 売上が上がった/下がった
  • KPIが達成できた/できなかった

といった“表に出る数字”だけを追うと、「テレビで騒がれていないから大丈夫」と同じ罠にはまります。

本来見るべきは、

  • どのセグメントで、どの指標が、どのような分布を描いているか(DSA)
  • その分布を形づくっている因果のつながりは何か(DAG)

という構造そのものです。

コロナ5類化の違和感は、「見せ方」と「実態の構造」のズレから生じています。
同じことは市場でも組織でも起きています。だからこそ、DSA+DAGのように、

「見えている数字」と「背後にある構造」を切り分けて捉える道具

を持てるかどうかが、これからの経営・戦略にとって決定的な差になるのではないかと感じています。

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。