AI時代の地政学的予測:未来予測の旧規則 | Codebook|Security News
Codebook|Security News > Articles > サイバーインテリジェンス > 地政学リスク > AI時代の地政学的予測:未来予測の旧規則

地政学リスク

AI

Silobreaker

地政学

AI時代の地政学的予測:未来予測の旧規則

nosa

nosa

2026.11.17

本記事は、弊社マキナレコードが提携する英Silobreaker社のブログ記事(2026年10月28日付)を翻訳したものです。

経験則では不十分

2022年にロシアのウクライナ侵攻が始まる数週間前、ヨーロッパの主要情報機関の一部は、その後の展開を正しく予測することができませんでした。ウクライナへの圧力を地上侵攻に発展させたとしても、ロシアにとって代償が大き過ぎると判断したフランス軍情報部は、そのような事態が起こることはないと判断したのです。侵攻開始から程なくして、フランス軍情報当局トップのエリック・ヴィドー将軍が解任されました。

スウェーデンの軍事情報機関は、地理的に近いことからロシアの行動分析に大きな自信を持っていました。そしてウラジーミル・プーチン大統領についても、侵攻に伴う代償を払うことはない「合理的行為者」と評価していました。一方、ドイツの未来予測は、さらに見通しが甘かったのかもしれません。連邦情報局(BND)のブルーノ・カール長官は侵攻当日にキーウを訪れており、ロシアの攻撃でウクライナ領空が閉鎖されたため、陸路での脱出は困難を極めました。

未来を正確に予測する上で、リソースや経験がこれほど当てにならなかったのはなぜでしょうか。もしかすると、的確な分析判断を下せるかどうかは、情報量や機密データへのアクセス権、あるいは分析者の経験値とはそれほど強い相関関係になく、その情報がどのように構造化されているかに左右されるのかもしれません。もし、証拠を適切に構造化することで予測精度を高められるとしたら、それは最先端の大規模言語モデル(LLM)を活用できる小さなチームにとって、大きな突破口になり得るのではないでしょうか。

試行錯誤の半世紀

多くの分析業務において、未来予測は究極の目標と言えるかもしれません。未来予測を体系化するために、無数の組織が半世紀にわたって試行錯誤を繰り返してきました。

1970年代初頭、石油会社ロイヤルダッチシェルのピエール・ワックをはじめとする企画担当者たちは、先駆的な「シナリオ手法」を開発しました。これは同社が1973年の石油危機を予測する一助となったことで知られ、単一の未来を予測するのではなく、起こり得る複数の未来の姿を描き出しました。CIAのリチャーズ・ホイヤーは同じ時期、競合する説明を証拠ベースで検証する手法として「競合仮説分析(ACH)」を考案しました。これらはいずれも、専門家の判断を構造化せず放置しておくと、バイアス(先入観、偏見)や死角が生じやすいという共通の懸念から生まれたものです。2000年代に入ると、米国が情報分析において重大な失敗を経験し、より厳密な情報分析手法の確立が求められるようになる中で、ACHは構造化された分析手法の1つとして正式に組み込まれることになりました。

こうした手法を洗練させる傾向は、その後も続きました。2011年から2015年にかけて、米国の情報高等研究計画局(IARPA)は、地政学的予測の正確さを競う予測トーナメントを開催し、5組の研究チームがこれに参加しました。勝者となったのは、ペンシルベニア大学のPhilip Tetlock、Barbara Mellers両氏が率いるGood Judgment Projectです。ACHと同様、Tetlock氏の研究も認知バイアスに関する知見から発展したものですが、その目的は判断の構造化ではなく未来予測でした。ボランティアで参加した「超予測者/スーパーフォーキャスター」たちは、大会を通じて突出した成績を収めました。機密データにアクセスできたプロの情報分析官よりも、特別な訓練を受けたボランティアが好結果を残したことは、このトーナメントにおいて最も驚くべき発見の1つに挙げられます。

誰が未来を予測できるのか?

Tetlock氏の研究は、優れた未来予測を行うための根拠として現時点で最も信頼できるものと言えます。その中でも、特に注目すべき知見は3つあります。

  • 専門知識だけがあっても、優れた予測者になれるわけではありません。Tetlock氏は2005年、ジャーナリストや外交政策の専門家、経済学者、情報分析官、政府関係者、学者など政治判断のエキスパートによる予測の的中率は、偶然とほとんど変わらないことを明らかにしました。しかも、それぞれが自身の専門分野に関する予測を行った場合でも、その確率は変わりませんでした。
  • 予測スキルは実在し、習得することができます。ボランティアの約2%は、長期間にわたってコンスタントに正確な予測を行っていました。確率的推論やシナリオ思考に関するトレーニングによって、予測精度が著しく向上したのです。
  • 集団は個人を凌駕します。予測者たちが互いの論拠を確認し、異議を唱え合えるような構造化されたオンライン環境は、このトーナメントにおいて最も効果的な介入策の1つでした。

機械の登場

Tetlock氏とその共同研究者らは2024年、人間と大規模言語モデル(LLM)の予測を比較するベンチマーク調査を開始しました。その第1ラウンドではスーパーフォーキャスターがLLMを上回り、LLMは一般大衆にも及ばない結果となりました。

2025年にアップデートが行われた時点で、LLMの予測は一般大衆を大きく上回り、研究者の見通しでも2026年11月頃にはスーパーフォーキャスターと同等の水準に達すると思われました。しかし、LLMの進化速度はその予想を上回ります。2026年7月、研究者らは複数のAIシステムが統計的にスーパーフォーキャスターと区別がつかないレベルに達したことを報告するとともに、その1つが予測市場から抽出された質問で初めてスーパーフォーキャスターを上回ったことを明らかにしました。

小規模チームにとって有意義な理由

ここ数年、論文『Cognitive Research: Principles and Implications』(Dhami・Belton・De Werd・Hadzhieva・Wicke、2024年)で取り上げられているように、バイアスに対抗する手法としてACHの妥当性に疑義が生じています。しかし、この手法は本来の想定を超え、依然として有用である可能性があります。Good Judgment Projectが強みを発揮できたのは、その規模と構造に理由がありました。すなわち、訓練を受けた数百人もの予測者が、規律あるプロセスの中で互いの論理を検証し合う体制です。地政学にまつわるインテリジェンス業務において、これほど大きな規模で体制を整えられる組織はほとんどありません。多くのインテリジェンスチームは少人数のアナリストで構成され、中にはサイバー、地政学、物理的リスクのすべてをたった1人で担当しているケースも少なくないのです。

適切な構造が用意されていれば、LLMを使うことで小規模なチームでもそうした分析が可能になります。そこでACHに着目し、このような構造を整備することによって、小規模なチームはもちろん、たった1人のアナリストでも、多くの人員を集めることなく「競合する仮説の生成」「前提条件のストレステスト」「代替的な未来のブレインストーミング」ができるようになります。制約のないLLMに「次に起こること」を予測させ、もっともらしい回答が返ってきたとしても、その妥当性を検証する術はありません。1970年代から実践されてきた構造化分析手法をLLMに組み込み、そこにリアルタイムのデータを入力し、絶えず変化する状況を監視・分析可能な仕組みへ転換することは、LLMを適切な方向へ導くための興味深いアプローチの1つに挙げられます。

適切な構造を用意する

Silobreakerはこれまで、まさにそのような仕組みを構築してきました。それはつまり、明確に定義され、厳格なルールに基づいてLLMが実行できるステップと、確立された構造的分析手法をつなぎ合わせるパイプラインを意味します。概要は以下の通りです。

  • ドライバー(推進要因):結果をいずれかの方向に動かす力を指します。過去の類似事例との比較は、Tetlock氏のチームが重視した「外的視点」を分析の基盤とする助けになります。また、社会・技術・環境・軍事・政治・法律・経済・安全保障の8要素をカバーする「STEMPLES」のチェックリストは、分析が特定分野のみに収束することを防ぐ役割を果たします。
  • 競合仮説分析(ACH):同時に成立しない見通しと新たに集まってくる証拠を照らし合わせ、それらのシナリオを見極める証拠に焦点を当てる手法です。
  • 指標:各シナリオをオープンソースの情報と照らし合わせ、リアルタイムで評価できる観測可能なシグナルに変換します。
  • 情報ソースの格付け:多くの発信者に既存の複数のジャーナリズム倫理基準に基づいて自動化された「アドミラルティコード」(収集した情報を評価する技術)を適用し、信頼性の低いメディアのバイアスがかからないようにします。

おわりに

予測にまつわる文献においては、研究やイノベーションが(個人の)資格や経歴を凌駕し得ることが20年前から示されてきました。このランドスケープに起こった最新の変化は、アナリストたちがイノベーションを起こすために、極めて大規模なインテリジェンス組織が必要なくなったことです。適切な構造さえ整っていれば、LLMを活用してあらゆるインテリジェンス機能にアクセスできるようになり、これまで多くの人員を必要としていた、多角的で構造化された分析が可能になります。

本ブログは、Silobreakerのウェビナー「Ahead of the Headline: Turning OSINT into Executive Foresight(ヘッドラインの先を読む:企業の未来予測にOSINTを活用)」をベースにしています。ソリューションコンサルタントのLukas Vaivuckasがこれらの手法を紹介し、未加工のレポートから経営陣が行動を起こせるシナリオまで、時事問題に関する予測をリアルタイムで行うこのウェビナーは、オンデマンドでご視聴いただけます。

地政学的リスクを監視し、オープンソースの情報に基づいて将来を見据えた評価を作成するに当たり、インテリジェンスチームがSilobreakerをどのように活用できるのか。その詳細はデモでご確認ください。

※日本でのSilobreakerに関するお問い合わせは、弊社マキナレコードにて承っております。

また、マキナレコードではSilobreakerの運用をお客様に代わって行う「マネージドインテリジェンスサービス(MIS)」も提供しております。

Silobreakerについて詳しくは、以下のフォームからお問い合わせください。

Special Feature特集記事

Cyber Intelligenceサイバーインテリジェンス

Security情報セキュリティ