大学で授業を持つ知り合いの先生方と話していると、「生成AIを用いたレポートをどう評価するか」という悩みがたびたび話題になります。
ある先生は「もはや見極められないので、レポートの評価点のウェイトを下げることにした」と言い、別の先生は「生成AIを使ったレポートを見るとうんざりするので、どのように使用したかを明記させている」と言います。
一方、「うちの学生はそもそも生成AIを使いこなせていない。むしろ使ってくれたほうが文章も読みやすいので、どんどん活用してほしい」という声もあります。
こうした現状を見ると、レポート作成における生成AIの使用を問答無用に禁止するのは、もはや現実的ではないように思われます。
それよりも、リアルタイムの質疑応答により「即興性」や「対応力」など別の観点の評価を重視するか、あるいは生成AIの使用を認めたうえでレポート課題として「何を見極めるか」をあらためて明確にする方向へ進むほうが、教育的に誠実な姿勢ではないでしょうか。
そこで浮かび上がるのが、認知プロセスにおいて「AIと人間の違いとは何か？」という根本的な問いです。
AIは膨大なデータを処理し、パターンを見つけ出す力において人間をはるかに超えています。
ただしそれは、「データの中から法則を見つける」という論理的な手続きです。
明確な答えが想定される問いへの回答は、往々にしてミスをしてしまう平均的な人間よりも、安心してAIに任せられる時代になりつつあります。
一方、現時点の生成AIの主たる特徴としては、あくまでも人間のインプットを起点にアウトプットを生成する点が挙げられます。
そうであるならば、人間側がどのようなインプットを送るかが極めて重要になります。
この際、ポイントになるのは、「AIは仮説推論をしない」ということです。
「なぜ現実はこうなのだろう？」と疑問を感じ、新たな問いを立て、自分なりの仮説を組み立てる――このプロセスでは、一人ひとりのユニークな着眼点が求められるため、決められた一般的な正解があるわけではありません。
一方で、AIは、一見「仮説推論」をしているように見えても、それは学習したデータから一般的な論理を表出しているだけであり、新しい発見を導くための仮説推論は、依然として人間が担うべきプロセスと言えるでしょう。
こうした観点を踏まえて、今回の記事では「仮説推論」――すなわち仮説を立てて考えることに、「器」という観点がどのように結びついてくるのかを考察します。
仮説推論とは何か――ニュートンのりんごから考える
ニュートンがりんごの落下から万有引力を発見した話は有名ですが、その出発点は「なぜりんごは、横ではなく、いつも地球の中心に向かって落ちるのか」という純粋な疑問だったと言われています。
現実の出来事に対する「驚き」を起点に、「問い」が生まれ、「仮説」が生成されることによって新しい知識が創造されます。
このプロセスを哲学者パースは「アブダクション（仮説推論）」と名付けました。
アブダクションの特徴をより鮮明にするために、以下では代表的な三つの推論法の違いを整理します。
推論は大きく「分析的推論」としての演繹法と、「拡張的推論」としての帰納法およびアブダクションに分かれます。
①演繹法は「分析的推論」に位置付けられます。
演繹法は、前提として真であると仮定される理論・規則があり、そこから論理的必然性をもって結論を導き出すプロセスを指します。
たとえば「困難な経験を乗り越えた人は、他者の痛みに共感できるようになる」という既存の理論や規則があったとします。
そして、今、Aさんが困難な経験を乗り越えたという事例が見つかったとします。
これにより、Aさんは他者の痛みに共感できるだろうという結論が導かれます。
演繹法は、論証の確実性は最も高い一方で、あくまでも「すでに知っていることを取り出す」作業になりますので、ここから新しい知識が生まれるわけではありません。
②帰納法は「拡張的推論」に位置付けられます。
帰納法は、簡単に言えば、多くの事例を観察し、そこから共通の法則を導き出すプロセスを指します。
たとえば、「人としての器を育てるために必要なことは何か」という問いを基にインタビュー調査を実施し、「AさんもBさんもCさんも、大きな挫折を経験した後に人間的な深みが増した」という事例・結果が得られたとします。
こうしたデータの傾向を踏まえて、「挫折や困難は器を育てる」という普遍的な理論・規則が導かれることになります。
演繹法が確実な前提から結論を導くのに対し、帰納法は限られた事例から、全体に当てはまる一般的な規則を推測します。
そのため100%正しいという確実性は演繹法よりも下がりますが、その代わりに経験に基づいた新しい理論・規則を見つけ出すことができます。
そして、AIが得意とするのはまさにこの帰納的処理であり、大量のデータから標準的なパターンを見つけ出す力において人間をはるかに上回ります。
③アブダクション（仮説推論）もまた「拡張的推論」ですが、帰納法とは性質が異なります。
アブダクションは「驚くべき発見」――つまり既存の知識では説明できない、意外な現象――を起点に、「もしAという要因が真であれば、この驚くべき発見は十分に説明できる。ゆえにAが重要な要因という可能性がある」と推論します。
たとえば、「あの若手社員は最近、急に周囲への関わり方が変わった。以前は成果ばかりを追っていたのに、今は他者の話にじっくり耳を傾けている」という驚くべき事実が発見されたとします。
アブダクションは、ここから逆向きの流れで推論します。
「もし自分の力ではどうにもならない壁にぶつかり、誰かに支えてもらって乗り越えた経験があるなら、こんなふうに変わるはずだ」という新たな要因（理論・規則）を洞察し、「彼は、最近、何か大きな経験をしたのではないか」という仮説を生成するのです。
アブダクションでは、前提にない全く新しい情報（しかも、それはまだ十分に明らかになっていないユニークな仮説）を付け加えるため、論証の確実性は三つの中で最も低くなります。
しかしその代わりに、「新しい観念を導入できる唯一の論理的操作」として、発見と創造においては非常に重要な役割を果たします。
| 推論法 | 分類 | 論証力（確実性） | 主な役割 |
|---|---|---|---|
| 演繹法 | 分析的 | 強 | 既知の理論・規則から結論を取り出す |
| 帰納法 | 拡張的 | 中 | 多くの事例から一般的な理論・規則を導く |
| アブダクション | 拡張的 | 弱 | 驚くべき発見事実から新たな要因を洞察し「仮説」を立てる |
重要なのは、これら三つの推論は対立するものではなく、順番に組み合わさって探究を前へ進めるという点です。
まずアブダクションによって、「なぜ？」という驚きから新たな仮説を発見します（拡張）。
次に演繹法により、「もしこの仮説が正しければ、実験や観察でこういう結果が得られるはずだ」という検証可能な予測を論理的に引き出します（分析）。
最後に帰納法により、実験や事例の観察を通じて「実際にそうなっているか」を検証し、仮説を確証あるいは修正します（拡張）。
パースによれば、この三段階のサイクルこそが科学的探究の本質的な構造となります。
ただし、このサイクルが回り始める起点はアブダクションであり、新しい「驚き」や「発見」なくして、探究は始まらないと言えます。
あらためて、冒頭のAIの話に戻りましょう。
AIが得意とするのは帰納的処理――大量の事例からパターンを見つけ、法則を導くことです。
またAIは演繹的な推論においても、すでに学習された理論や規則から論理的な結論を導き出すことを得意とします。
しかし、AIにはアブダクション（仮説推論）がありません。
仮に意外な事実に出会っても、それは学習された範囲内で処理され、「驚き」をもって受け取る主体になりえません。
また、現時点の生成AIの出力はあくまで人間のインプットを起点としているため、「誰も思いつかなかった問いを立てる」という創造的な第一歩は、依然として人間が担うことが期待されています。
実際に、生成AIを使用する場面を想像してみてください。
あなた自身の「驚き」があってこそ、AIはそれに応じた回答を返します。
このとき、あなたの「驚き」が浅ければ、AIからの返答も一般的なものにとどまってしまいます。
したがって、AIを使う人間側の問いの深さが、アウトプットの質を左右するのです。
アブダクションとリトロダクション――「閃き」と「遡及」
なお、パースはアブダクションを「リトロダクション（遡及推論）」とも呼びました。
両者は同じ仮説推論を指しており、概念的にもほとんど重なっていますが、それぞれ異なる側面に光を当てています。
アブダクション（「ab＝引き離す」+「duction＝導く」）が強調するのは、既存の前提から論理が飛躍する形で新しい仮説が洞察される瞬間です。
「なぜだろう？」という驚きから、これまでの知識の枠を超えた仮説がパッと浮かぶ、その直感的な「閃き」のプロセスに焦点があります。
一方、リトロダクション（「retro＝後へ」+「duction＝導く」）が強調するのは、その遡及的な推論の方向性です。
驚くべき事実（結果）を観察し、「なぜこの事象が起きたのか」と問いを立てながら原因へと遡及的に推論を重ね、問題の事実を最も合理的に説明できる仮説にたどり着いて暫定的にそれを採択する――こうした「結果から原因へと遡る」一連の流れがリトロダクションです。
たとえば、ある新任マネージャーがメンバーの失敗に対して感情的にならず、じっくりと話を聞きながら共に原因を探ろうとしている姿を目の当たりにしたとき、「この人はかつて、誰かに深く受け止めてもらった経験があるのではないか」と直観的に洞察する瞬間があります。
既存の前提から論理が飛躍する形で仮説が閃く、この瞬間こそがアブダクションです。
そして、その閃きを起点に、「自分が追い詰められていたとき、誰かに話を聞いてもらったのだろうか」「その経験が今の関わり方の原点になっているのではないか」と問いを重ねながら、その人の観察できる在り方（結果）から、それを形成した直接には見えない過去の経験（原因）へと遡及的に推論し、もっとも合理的に説明できる仮説にたどり着く――というのがリトロダクションの流れです。
人材育成の文脈でいえば、目に見える行動や言葉に「なぜだろう？ これが要因ではないか？」と直観的に閃き（アブダクション）、その背後にある経験や信念、価値観の形成プロセスへと遡りながら熟慮を重ね仮説を絞り込む（リトロダクション）――こういった思考の流れは「簡単には可視化できない器」を見ようとする姿勢と大きく重なります。
そして、仮説推論をもとに、どのような関わりが目の前の個性を持った一人ひとりの相手の成長を促せるか、新しい視点でアイデアを生み出しながら方針を熟慮していくことが、上司や人材育成担当者にとっても、実践において重要な態度と言えます。
仮説推論に必要なのは、スキルではなく「器」
ただし、仮説推論を行う際、「正しい仮説を立てなければ」と意識すればするほど、かえってうまくいかなくなる、というパラドックスがあります。
たとえばデータを分析するとき、「この結論を出さなければ」という意識が先行すると、その結論を支える証拠ばかりを集めてしまいがちになることがあります（これを「確証バイアス」と言います）。
きちんとした手続きを踏んで、形の上では「仮説を立てた」ように見えたとしても、実態は「先に結論を決めて、後から理由を探した」に過ぎないケースは後を絶ちません。
そうなってしまえば、本来の仮説推論とは正反対の思考プロセスになりかねません。
こうした確証バイアスが生じる主要な原因は、「誤りを避けようとすること」にあります。
正解を求めすぎて誤りを避けようとするあまり、「驚き」を起点に未知へと踏み出すアブダクションの本質が失われてしまうのです。
実は、アブダクション（リトロダクション）は、そもそも可謬性（誤りを犯す可能性）が高い推論方式です。
言い換えれば、仮説を立てるという行為は本来、「もしそうだったら興味深いが、間違えるかもしれない」というリスクを受け入れることと表裏一体なのです。
そしてこれは、「正しく推論する方法やスキル」を習得すれば解決できる問題ではありません。
どれほど精緻な思考ツールを持っていても、誤りを恐れる姿勢そのものが変わらなければ、仮説推論は十分に機能しません。
だからこそ、ここで求められるのはスキルではなく、人としての在り方なのです。
筆者は「人としての器」を研究していますが、以前の記事で、「器」には二つの世界観があることを述べました。
ひとつは「人の器」で、個人の能力やスキルを高め、確実な成果を積み上げることを重視する姿勢です。
もうひとつは「人としての器」で、何が生まれるかはわからなくても、可能性を信じて関わり続ける姿勢です。
農業に例えるなら、前者は「確実に実る種」を植えて、それに適した土壌を育てますが、後者は何が生まれるかわからなくとも「豊かな土壌を育てる」という感覚になります。
ご推察のとおり、仮説推論が求めるのは、後者（人としての器）です。
「この仮説が正しいかはわからない。でも、これが明らかになれば何かが変わるかもしれない。だから追いかける価値がある」――こういった構えが、探究の出発点になります。
では、そうした姿勢を妨げるものは何でしょうか。
「人の器」の世界観だけで生きていると、規定された正解ばかりを追い求めるようになり、少しずつ「驚く余白」を失っていきます。
能力を高め、成果を出し、効率よく動くことを優先するうちに、あらゆる出来事を「想定の範囲内」として処理するようになります。
実際に仮説推論が必要な場面でも「正しく仮説を立てているか」という意識が先に来てしまい、ニュートンのように「なぜ？」と驚きをもって立ち止まれなくなるのです。
もう一度、まとめると、仮説推論を健全に続けるには、「驚く余白」とともに、「間違えたら直せばいい」という柔軟さが欠かせません。
そしてこの余白と柔軟さこそ、「人としての器」の世界観と深く重なります。
なお仮説を立てた後は、実験と検証を通じて修正していくプロセスが続きます。
先述した探究のサイクルで言えば、演繹から帰納のフェーズがまさにその役割を担います。
しかしここで重要なのは、これらは単に論理的手続きだけを指すわけではありません。
検証のプロセスで自らの誤りを発見したとき、素直に仮説を更新できるかどうかは、その人の器の柔軟さが試されます。
一度立てた仮説への執着を手放せるかどうか、新しい事実を脅威ではなく発見として受け取れるかどうか――この自己修正力こそが、探究を前へと進める原動力になるのです。
器の成長の場合も同様で、それは明確なゴールを定めて想定どおりの自分を形づくることではなく、不確実な環境の中で何度も試行錯誤し、自分でも予期しなかった姿へと変容していくことにほかなりません。
「大器晩成」という言葉には、「大きな器は永遠に完成しない」とも読めるという解釈があります。
アブダクションによって生成される仮説もまた、永遠に更新され続けるものです。
器も仮説も、ある側面では「完成させること」を目指していても、得られた成果に満足した瞬間に、その本質が失われます。
「完成させなければ」という焦りを手放し、たえず新たな視点で問い続けることを肯定する姿勢――それこそが、仮説推論を進めることでもあり、器を育てることでもあるのです。
まとめ
AIは「答えを出す」ことが得意ですが、人間に問われるのは「どのような態度で、何を問うか」です。
知識やスキルはAIに代替されていきますが、器そのもの――人としての深さや在り方――は簡単には代替できません。
なにより自分らしい器は、AIが生成するものではなく、自分だけの人生の中で育まれるものです。
AI時代の問いとして、「AIをどう使うか」がよく語られます。
これは大切な問いですが、それだけでは「AIをより便利なツールとして使いこなす」という話で終わってしまいます。
もうひとつ、問うべき大事な問いは、「AIとともに、何を探究するか」です。
AIが出した答えをどう解釈するか。AIが立てられない問いは何か。そもそも、自分はどんな問いに着目するか。ここに人間ならではの着眼点があります。
そして、その着眼点を活かせるかどうかは、スキルではなく、自らの器にかかっています。
驚いて、問いを立てて、仮説を作る。仮説が外れても、また好奇心を持って、新たな問いを立て直す。
このサイクルを回し続けることが、仮説推論を進めることであり、器を育てることでもあります。
今日、何かに「なぜ？」と興味を持った瞬間があったなら、その驚きを大切にしてください。
そうした感情の機微に意識を向けていくことが、AI時代を人間らしく生きるための出発点になるはずです。
＜参考文献＞
米盛裕二 (2024)「新装版 アブダクション: 仮説と発見の論理」 勁草書房
………………………………………………………………………
本記事を読んでのご意見・ご感想がありましたら、ぜひお問合せフォームからお送りください。
また、パートナー協力の依頼やご相談についても随時お受けしていますので、お気軽に、ご連絡いただけますと幸いです。