判断、ノイズ、AI、そして離職

20年前、妻は「妊娠はできないだろう」と言われました。  

それ以来、彼女は4人の子どもを出産しています。

この例と、乳がんを診断する放射線科医、結核の専門医、与信審査担当者、リスクマネージャー、指紋鑑定官、心理学者、裁判官などの共通点は何でしょうか？

私の理解では、書籍『ノイズ』に基づくと、以下の3点に要約できます：

- 判断の際に誤りを犯すことがある（妻のケースはまさにこれです）。

- 同じケースでも、異なる時期（たとえば3か月後）に判断が変わる可能性がある（妻の例ではありませんが、よくある話です）。

- 同じケースでも、専門家Aと専門家Bで判断が大きく異なる可能性がある。

ここで重要な問いが浮かび上がります：  

専門分野で長年訓練を受けたエキスパートでさえ、こうした「ノイズ（判断のばらつき）」を示すのであれば、企業組織における人事評価やキャリアの意思決定においては、さらに大きなばらつきが起きていると考えるべきです。  

私自身、企業内での評価（特にOKRなど）が誤って使われていたり、きちんと理解されていなかったりする場面を何度も見てきました。

そしてこれは、AIが日常業務により積極的に導入されるにつれて、**大きなチェンジマネジメント課題**として浮上してくるでしょう。  

だからこそ、「仕事がつまらなくなったから辞める」といったケースも含め、**職務の変化だけでなく、個人が役割を離脱する要因そのもの**を分析するフレームワークが必要になるのです。

私は、従業員が「職を失う可能性」または「自ら辞める可能性」を予測するプロトタイプを実験的に作成しました。  

それは、以下のような「能動的な構造」で設計されています：

- 従業員プロファイルを取得・構造化：役職、責任範囲、現在の給与、職務内容

- 社内での職位の変遷を追跡：求められる経験や学歴、追加・削除された主要スキル

- 職務要件や期待値が年々どう変化しているかを分析

そして：

- 各従業員が離職する確率を推定

- 各職種がAIなどに代替される確率を推定

興味深いことに、ここにも「ノイズ＝判断のばらつき」が見られました。  

使用するAIの種類や活用方法によって、アウトプットにかなりの違いが出るのです（この点については別投稿で述べています。コメント欄をご参照ください）。

それでも、このプロトタイプは完全ではないにせよ、  

「なぜその人が辞める（あるいは外される）可能性があるのか」を可視化し、  

アップスキル計画の準備やチーム再編のガイドとして**チェンジマネジメントに役立つ基盤**を提供するものでした。

ただし、これは膨大なデータを必要とするアプローチであり、**人々を圧倒するリスク**もあります。  

最終的な判断をAIに委ねるのは限界があるため、**最後のステップでは人間の直感**が重要な意味を持つでしょう。

ここにこそ、**人間と機械が最も深く協業すべき領域**があるのです。