予測モデルを導入した組織で、必ずと言っていいほど訪れる場面があります。

モデルが出した数字と、現場ベテランの肌感覚が、明らかに食い違う瞬間です。

モデルは「来月の需要は800個」と出している。

一方、長年その商品を担当してきた営業部長は「いや、絶対1,000個はいく」と主張している。

根拠を聞くと、「取引先の空気が変わってきた」「あの競合の動きが気になる」と、数字にはなっていない情報を口にする。

会議室の空気は、微妙に張り詰めます。

結局、「両方の意見を踏まえて判断しましょう」という曖昧な結論で会議は終わり、実際の発注量は誰かが裏で決めることになります。

そして、こうした対立が繰り返される組織には、ある共通した考え方の癖があります。

モデルと現場を「どちらが正しいか」という二択で捉えてしまっていることです。

「勝ち負け」の発想が最も危険な理由

モデルと現場のどちらを取るかという議論は、一見すると合理的に見えます。

「より正確なほうを採用する」というのは、自然な判断基準に思えるからです。

しかし、この発想には大きな落とし穴があります。

どちらを選んでも、選ばれなかった側が持っていた貴重な情報が捨てられてしまうのです。

モデルを取った場合、営業部長が感じ取っていた「取引先の空気の変化」や「競合の微妙な動き」は、数字として反映されないまま消えていきます。

こうした定性的な情報は、データに出てくるまでにタイムラグがあり、出てきた頃にはすでに手遅れということも少なくありません。

現場の肌感覚は、言語化しにくいだけで、しばしば貴重な先行指標を含んでいます。

逆に、現場の声を取った場合、モデルが捉えていた構造的なパターン、たとえば「この商品は過去3年、毎年この時期に15%落ち込んでいる」といった冷徹な事実が無視されます。

人間の記憶はどうしても直近の出来事に引きずられるため、ベテランほど直近の成功や失敗の印象を強く持ちすぎている傾向があります。

つまり、モデルも現場も、それぞれ別の種類の情報を持っているのです。

どちらかを”勝たせる”ということは、もう片方が持っている情報を捨てるということです。

そしてどの情報を捨てたかによって、組織が気づけなくなる未来の変化が違ってきます。

勝ち負けの発想は、一見公平に見えて、実は最も非効率な選択なのです。

「対立」ではなく「情報源」として扱う

では、どう考えればいいのでしょうか。

一つの視点転換が役に立ちます。

モデルと現場を、「対立する2つの意見」ではなく「種類の違う2つの情報源」として捉えることです。

この捉え方に立つと、議論の性質がまったく変わります。

「どちらが正しいか」ではなく、「両方の情報を統合すると、何が見えてくるか」が論点になります。

「どちらを採用するか」ではなく、「なぜ食い違っているのか」が最初に問われるべき問いになります。

考えてみてください。

モデルと現場が食い違っているということは、そこに何か見落とされている要因が存在する可能性が高いということです。

モデルが800個と言い、現場が1,000個と言う。

この200個の差の中に、モデルが捉えきれていない情報、あるいは現場が過大評価している何かがあるはずです。

その「差の正体」を探ることこそが、本来やるべき議論なのです。

この議論は、どちらか一方を選んで終わる議論とは違い、時間がかかります。

しかし、この議論のプロセスそのものが、組織の知見を蓄積していきます。

「このモデルは、取引先の関係性の変化に弱い」「現場のベテランは、直近の好調を過大評価する傾向がある」。

こうした学びが、一度の議論ごとに少しずつ組織に残っていくのです。

「差の正体」を探る3つの切り口

「差の正体を探る」と言っても、抽象的すぎて実務には使えません。

もう少し具体的な切り口を示しておきます。

　切り口①：時間軸のズレはないか

モデルと現場で、見ている時間軸が違うことがよくあります。

モデルは過去のデータから平均的な傾向を抽出するため、「まだ数字に表れていない変化」を捉えるのが苦手です。

一方、現場は今まさに起きつつあることを肌で感じている。

食い違いを見たとき、「現場が感じている変化は、いつ頃データに表れてくるのか」を問うてみる。

数か月後にはデータに反映されるはずの変化なら、現場の情報を先行指標として扱う価値があります。

逆に、現場が感じている変化がどうも気分的なものだと判明したら、モデルの数字を信頼する根拠になります。

　切り口②：サンプルサイズのズレはないか

ベテランの肌感覚は貴重ですが、ベテラン個人が直接接している取引先の数は限られているという事実は見落とされがちです。

営業部長が「取引先の空気が良くない」と言うとき、その情報源は多くの場合、最近会話した数社です。

一方、モデルは数百社、数千社分のデータを平均化して見ている。

現場の肌感覚が、全体を代表する変化なのか、一部の取引先に特有の変化なのか。

この問いを立てるだけで、議論はずいぶん冷静になります。

一部の変化であれば、モデルの全体予測を大きく動かす根拠にはなりにくい。

全体に広がりつつある変化であれば、モデルの前提を見直す必要がある。

　切り口③：非対称なリスクを含む情報ではないか

最も難しいのが、この切り口です。

現場が感じている変化の中には、「可能性は低いが、起きたら影響が大きい」という種類のものがあります。

たとえば、「大口取引先の担当者が最近冷たい。契約打ち切りがあるかもしれない」といった情報。

こうした情報は、確率的には小さくても、起きた場合の影響が大きいため、単純な期待値の計算では正しく扱えません。

モデルの数字と現場の直感の「どちらが当たりそうか」という議論ではなく、「どちらのリスクを取りに行くか」という意思決定の議論に切り替える必要があります。

統合できる組織と、できない組織の違い

ここまで読むと、「モデルと現場を統合するのは大切だが、そんな丁寧な議論は現実的ではない」と感じるかもしれません。

確かに、毎月の発注判断のたびに腰を据えた議論をする時間はありません。

しかし、統合できる組織とできない組織の違いは、議論の丁寧さ”だけ”にあるわけではありません。

決定的な違いは、モデルと現場の違いを「記録して蓄積する仕組み」があるかどうかです。

統合できる組織は、モデルの予測値と現場の見立てと実績を、毎月並べて記録しています。

半年も経つと、興味深いパターンが見えてきます。

「このカテゴリの商品では、モデルのほうが当たる」
「この季節は、現場のほうが当たる」
「新商品の初月だけは、モデルが外れる」
「大型案件が関わる月は、現場が強気すぎる」

こうしたパターンが言語化されて組織に残ると、次に食い違いが起きたとき、「前回と同じタイプの食い違いか、違うタイプか」を判断できるようになります。

議論の出発点が変わるのです。

統合できない組織は、毎回ゼロから議論を始めます。

モデル派と現場派がそれぞれの立場から主張し、前回の経験は個人の記憶の中にしか残らない。

担当者が変われば、また同じ議論が繰り返される。

組み合わせる技術よりも、組み合わせを振り返る仕組みのほうが、はるかに重要なのです。

人間の役割は、モデルの前にも後にもある

最後に、少し視点を上げて締めくくります。

予測モデルを導入する議論では、しばしば「モデルが出すのだから、人間の介入は最小限にすべきだ」という意見が出ます。

人間が補正を加えると恣意性が入る、だから純粋なモデル出力を使うべきだ、という発想です。

この意見には一理あります。

人間の補正が楽観バイアスや社内政治の影響を受けやすいのも事実です。

しかし、「人間の介入を減らせば予測が良くなる」という単純な話でもありません。

モデルは、過去のデータから学べることしか学べません。

データに表れていない変化、まだ起きていない出来事、定性的な情報。

これらを取り込む役割は、どうしても人間が担うしかない。

大切なのは、人間の介入をゼロにすることではなく、人間がどこで、どんな情報をもとに介入するかを明確にすることです。

モデルを作るとき、人間は「何を特徴量として入れるか」を決めます。

モデルが出した後、人間は「それをどう意思決定に使うか」を決めます。

そしてモデルと現場が食い違ったとき、人間は「その差をどう扱うか」を決めます。

モデルは人間を置き換える道具ではありません。

人間が、より質の高い判断をするための補助線です。

補助線を引いたうえで、最終的な線を決めるのは常に人間です。

この役割分担を正しく設計できる組織だけが、モデルと現場の「勝ち負け」から卒業し、両者を統合した意思決定にたどり着けます。

今回のまとめ

モデルの数字と現場の肌感覚が食い違ったとき、多くの組織は「どちらが正しいか」という勝ち負けの発想で議論してしまいます。

しかしこの発想では、選ばれなかった側が持っていた情報が必ず捨てられ、組織は重要な先行指標や構造的な事実を見落とすことになります。

本来行うべきは、両者を種類の違う情報源として扱い、「なぜ食い違っているのか」という差の正体を探る議論です。

時間軸のズレ、サンプルサイズのズレ、非対称なリスクの有無といった切り口で差を分析することで、両方の情報を統合した判断に近づけます。

そして統合できる組織とできない組織の決定的な違いは、モデルと現場と実績を並べて記録する仕組みがあるかどうかにあります。

モデルは人間を置き換える道具ではなく、人間がより質の高い判断をするための補助線です。

この役割分担を正しく設計できるかどうかが、データを本当に意思決定に活かせるかどうかの分岐点になります。