生成AIの活用が広がる中、開発者や意思決定者は単一の「最良の答え」に頼りがちだが、その背後には多様な選択肢や不確実性が隠れている。OpenAIの共同創業者アンドレイ・カーパティ氏が提唱する「確率的多様な推論（Probabilistic Multi-Variant Reasoning, PMR）」は、こうした盲点を是正する実践的な思考習慣だ。PMRは数学的なアルゴリズムではなく、人間が生成AIと協働する際に採用すべき「意思決定のルール」である。 通常、人はAIに「○○の最適な方法は？」と一つの質問を投げかけ、流れるような回答に納得する。しかし、その答えには「他の選択肢はあったか」「どれくらいの確率で失敗するか」「失敗時のコストはどれほどか」といった重要な情報が含まれていない。PMRでは、この状況を変える。まず、AIに「3つの異なるアプローチを提示してほしい。それぞれの性能、実装の難易度、リスク、成功確率を明示的に評価して」と依頼する。たとえば、AIは「モデルA：60％の成功確率、B：75％、C：85％」と答える。それだけでは不十分。次に「各案の成功時の利得と、失敗時の損害を数値で示して」と問う。この段階で、単に「成功確率が高い」ものではなく、「失敗時の影響が極端に大きいCは、実際の運用リスクで見ると不適」という判断が可能になる。 PMRの本質は、AIを「答えの機械」ではなく「シナリオ生成機」として使い、人間がその中から「確率」と「影響」を組み合わせて判断することにある。たとえば、データサイエンスチームが顧客離脱予測モデルを選ぶ際、AIは「深層学習が最適」と説得力ある説明を提示する。しかしPMRを用いれば、シンプルなロジスティック回帰、中程度の勾配ブースティング、そして新規の深層学習モデルの3案を並べ、それぞれの確率・コスト・保守性を可視化。人間が「私たちのチームは自前インフラの運用に不慣れだ」という現実を加味し、最終的に「中程度の複雑さ」の案を選択する。この記録は、6か月後に「なぜ深層学習に進まなかったのか」と問われたとき、明確な説明が可能になる。 PMRはAIの限界を補うためのもの。AIは「確率」を出力するが、その数値は「偽の正確さ」に陥りやすい。また、人間の先入観に沿った回答を「自然に」生成する傾向がある。そのため、PMRでは「この選択肢は本当に多様か？」「見落としがちな失敗シナリオは？」と自問し、専門家や現場の声を加えることも重要だ。 結局のところ、PMRは「AIに考えさせること」ではなく、「人間がどう考えるか」を意識的に設計する習慣である。AIはスピードと多様性を提供するが、最終的な責任は人間にある。確率と影響を明確にし、複数の未来を検討する——それが、AI時代に真に賢い意思決定の鍵となる。