AIで「運は良くなるか」、そもそも「運の悪さ」の正体とは？
サイコロを振るたびに裏を引く。競馬やロトで、なぜか最後の一点だけを外す。
世界は公平なはずでも、偶然の偏りは確かに不均等に降りかかる。笑い話のようで笑えないこうした不運は、単なる統計の誤差で片付けられない「体感」として存在する。
「運が悪い」と嘆きたい気持ちを抑えてその不運の構造を理解してみようか。
実験では不運な人間は、明らかな「偶然のヒント」を見逃した
そもそも「運」とは何なのか。心理学者のリチャード・ワイズマンが行った実験は示唆に富む。
彼は被験者に新聞を渡し、中に隠された写真の数を数えさせた。結果、自分を「運が良い」と認識している人たちは、そうでない人たちより圧倒的に速く課題を終えた。
理由は単純だった。運の良い人たちは、課題に集中しすぎず、視野を広く保っていたからだ。
新聞の二面には「探すのをやめてください。この新聞には43枚の写真があります」と大きな文字で書かれていた。
運が悪いと感じる人々は、指示された「写真を探す」という一点に集中するあまり、この明らかな「偶然のヒント」を見逃した。
運が悪いと感じる人は、もしかすると真面目すぎるのかもしれない。狭すぎる焦点で世界を測り、努力すればするほど、その視野の外にある偶然のチャンスを遠ざけてしまう。
「成功」よりも「失敗」を強く学習する
不運の体感は、脳の仕組みにも関係している。
fMRI（機能的磁気共鳴画像）を用いた研究によれば、「運が悪い」と自己認識している人は、ネガティブな結果（＝外れ）に対して、脳の特定領域が過剰に反応する傾向が示された。
ターリ・シャロットらの研究が示すように、これはドーパミンの予測誤差の処理が歪んでいる可能性を意味する。簡単に言えば、彼らの脳は「成功」よりも「失敗」を強く学習し、記憶してしまう。
「当たり」が5回、「外れ」が5回あっても、外れた時の痛みが強いため、記憶には「外れが多かった」という印象だけが刻まれる。
彼らの脳は、ランダムな偶然を「個人的な痛み」として処理する装置になってしまっている。
現実の成功は、過去の成功に依存する
視野や脳の反応といった個人の問題だけでなく、私たちが住む社会システムそのものが「不運」を生み出す。
複雑系の研究者プルキーノらは、興味深いシミュレーションを行った。能力も努力も全く同じ1000人の仮想人物を、同じ条件で競争させた。
結果、成功はごく一部に集中し、同時に「恒常的に不運な少数」が必ず現れた。これはなぜか。現実の成功は、過去の成功に依存するからだ（マタイ効果）。
最初に偶然の小さな成功を得た者は、次のチャンスを得やすくなる。
逆に、最初に偶然の小さな失敗をした者は、次のチャンスから遠ざかる。
能力が同じでも、初期のランダムな「外れ」が積み重なることで、「何をやってもうまくいかない」層が構造的に生み出される。
これは誰かが意図したものではなく、確率的システムの残酷な特性だ。
「不運」を飼いならすために
では、運の悪い人はどうすればいいのか。
まず、「不運だ」と嘆くことは、それ自体が（ワイズマンの実験が示すように）視野を狭め、さらなる不運を呼び込む悪循環の入り口だ。
必要なのは、嘆きではなく戦略の変更だ。
第一に、焦点を広げること。一点張りの努力から意識をずらし、「探そうとしすぎない」ことで、周辺にあるヒントに気づく。
第二に、結果の解釈を変えること。脳が「外れ」の痛みを過剰に記憶することを自覚し、統計的に「当たり」も起きている事実を冷静に記録する。
第三に、システムを理解すること。自分の失敗が、必ずしも自分の能力不足ではなく、システムの構造的な偏りによって引き起こされている可能性を知る。
「運の悪い人」とは、世界の不条理な側面を、他の人よりまっすぐ見てしまっただけだ。
賭けとは、その不条理な世界とどう付き合うか、という知性のゲームである。
外れを恐れるのではなく、外れをデータとして受け入れ、次の試行のリズムを淡々と守る。視座を変えてみよう、そして不運を飼いならす実践を、深く考えてみよう。
AIは「運」をよくできるか──二つの異なる技術的アプローチ
AIという言葉は広く、「運」については二つに分けて考えることができる。
一つは、機械学習（ML）に代表される「予測モデル」。現実世界のデータパターンを学習し、未来の確率を予測する。
もう一つは、ChatGPTのような大規模言語モデル（LLM）に代表される「解釈モデル」だ。人間の言語パターンを学習し、出来事の意味を再解釈する。
どちらも人間の「運」に関わるが、その介入の仕方は大きく異なる。
1. 予測AI──不確実性を管理し、リスクを減らす
ここでいう「予測AI」とは、単なる実験ではなく、クラウド上で日常的に再訓練され、現実のビジネス（市場予測、ユーザー行動分析、異常検知など）に組み込まれているシステムを指す。
この種のAIにとって、「運」や「偶然」は管理・最小化すべき「不確実性（ノイズ）」である。
その目的は、市場の変動、ユーザーの行動、機器の故障といった膨大なデータから規則性を抽出し、確率分布を予測すること。それによって「外れ値（＝突発的な不運）」の影響を削り、期待値を最大化する。
つまり、このAIが目指すのは「不運を減らす」こと。
これは「運を良くする」というオカルト的な話ではなく、「運に左右されない」安定したシステムを構築するという、極めて冷静なリスク管理の手続きに他ならない。
2. 言語AI──解釈を書き換え、認知を再訓練する
一方で、LLMのような言語的AIは、現実の確率そのものではなく、人間が「不運」と認識する「解釈」の領域に介入する。
前回の分析（ワイズマンの実験）で見たように、「運の悪さ」の体感は、「視野の狭さ」や「失敗への過剰な注目」といった心理的要因と深く結びついている。LLMは、この認知の偏り（バイアス）を修正する手助けができる。
例えば、利用者が「また失敗した。運が悪い」と入力したとする。
LLMは、「その出来事を、運の良い人ならどう解釈するだろうか？」と問い直したり、「失敗を『決定的な敗北』ではなく、『次の試行のためのデータ』として再定義できないか？」と提案したりできる。
これは、心理学でいう「認知のリフレーミング（再解釈）」だ。
LLMは、現実のサイコロの目を変えることはできない。 その代わり、出た目に対する私たちの心の受け止め方、すなわち「確率を認識するフィルター」を調整する。
言語AIができる「運をよくする」ための、現実的な支援とは、不運を過剰に痛みとして記憶したり（前回のfMRI研究の例）、幸運のサインを見逃したり（ワイズマンの実験の例）するのを防ぐことになる。
