事業計画の評価に潜む人間のバイアス — AIがハロー効果・アンカリング・新近性を補う領域

#1世紀前からの知見：人間の評価は一貫しない

1920年、Edward Thorndikeは、上官が137人の軍人に付けた評価を分析しました。本来は独立しているはずの体格、知性、人格といった項目の間に、異常に高い相関が見られました。1つの特性に対する好印象が、ほかのすべての評価に波及していたのです。彼はこれを「ハロー効果」と名付けました。

Thorndikeの結論は単純でした。評価者は、人を独立した特性の総和として見ることができません。「良い」「悪い」という全体的な印象が、個々の判断すべてに影響します。1世紀後の今も、この知見は採用、昇進、審査に関する文献で教科書的な位置を占めています。

#事業計画の評価に現れる4つのバイアス

ハロー効果は始まりにすぎません。採用、評価、審査の場面全般で繰り返し確認されてきた認知バイアスのうち、事業計画の評価でも同じ仕組みで働く可能性が高い4つに絞りました。事業計画審査に特化した大規模な実証研究はまだ少ないものの、評価対象が人から文書に変わったからといって、メンターの認知システムそのものが変わるわけではない、という見方が広く共有されています。

#学術研究で測定された影響はどれほど大きいのか

バイアスは抽象的な懸念ではありません。繰り返し行われた実験で、その影響がどれほどの大きさとして測定されているかを見てみましょう。

• アンカリング — TverskyとKahnemanによる1974年の古典的な実験では、被験者がルーレットを回して無作為な数字（10または65）を見た後、国連加盟国に占めるアフリカ諸国の割合を推定しました。10を見たグループの推定値の中央値は25%、65を見たグループでは45%でした。質問とはまったく関係のない無作為な数字が、20ポイントの差を生みました。
• アンカリング — 同じ論文では、8×7×6×5×4×3×2×1の値を推定するよう求められたグループの回答の中央値は2,250だったのに対し、1×2×3×4×5×6×7×8を推定するよう求められたグループでは512でした。正解は同じ40,320です。異なるのは提示された順序だけでした。
• VCの意思決定 — Gompersら（2020年、JFE）が885のVCを対象に行った調査では、投資判断で最も重視される要因はチームであり、ビジネスモデル、技術、市場よりも重みが大きいことがわかりました。チームが判断の中で最大の比重を占めるため、分野ごとに評価を分離しなければ、チームの強い第一印象がハロー効果を通じてほかのすべての判断に波及する余地が大きくなります。（チームの比重が大きいという事実だけでは、ハロー効果の直接的な証拠にはなりません。）

#AIによる分担審査が補える領域

OpenSeedが1人の総合担当に任せず、分野別の専門担当に審査を分ける理由の1つは、こうしたバイアスが伝わる経路を短くすることです。構造的に完全に遮断できると言っているわけではありません。分業してもバイアスはゼロにはなりません。それぞれのバイアスをどう軽減するかを示します。

さらに、同じ入力からは同じ結果が得られるという一貫性の保証があります。同じ事業計画書を2回提出した際のばらつきが抑えられていれば、「今回は運が悪かっただけ」と片付けるのではなく、「この箇所を修正すればスコアが上がる」と学べます。

#AIも例外ではない — 限界を率直に見る

AIは人間のバイアスから完全に自由だと主張すること自体、一種のハロー効果でしょう。AIによる分担審査には、独自の限界があります。

1. 学習データのバイアス — 過去に成功した事業計画書が特定の業種、地域、創業者属性に偏っていれば、AIもその偏りを学習します
2. 位置バイアス — 長い文脈の中央よりも冒頭や末尾の情報を重く扱う現象は、LLMでも観察されています（「lost in the middle」と呼ばれる現象など）。ここでは人間の新近性バイアスが弱まるのであって、なくなるわけではありません
3. 共通の元資料 — 各分野のメンターは同じ元資料を読むため、ある箇所の強く訴える文章が、ほかの分野のスコアにも小さな影響を及ぼす可能性は残ります
4. プロンプトへの依存 — メンターに与える指示の設計が不適切であれば、AIの推論もあらかじめ決められた結論へ誘導される可能性があります（確証バイアスの一種）
5. 検証データの限界 — 実際の資金調達結果についての正解ラベル（採択・不採択）がなければ、AI審査の結果だけから、評価が実際の結果にどの程度対応しているかというキャリブレーション精度を測定することはできません

#適切に設計された人間の審査もバイアスを減らせる

公平に比較するために、明確にしておくべき点があります。人間の評価でバイアスが生じるからといって、すべての人間の審査が、無防備にその影響を受けているわけではありません。次のような設計は、人間の審査におけるバイアスを有意義に減らします。

したがって、実際の比較は「人間対AI」ではなく、「体系化されていない1人の人間による審査」と「適切に設計された人間の審査にAIの分担審査を組み合わせたもの」に近いと言えます。後者が最も強力な組み合わせです。

#AIと人間は実際にどう協働すべきか

結論は、AIが人間の審査担当者を代替するということではありません。両者は異なる形で誤るため、組み合わせることで最も信頼できる結果が得られます。

• AIによる分担審査 → 一次チェック：人間の認知的疲労や印象の伝播なしに、不足、弱点、整合性を分野ごとに素早く確認する
• 人間の審査担当者 → 最終判断：上記のバイアス軽減策を併用しながら、新しい産業、創業者の誠実さ、社会的価値などを定性的に判断する
• 創業者であるあなた → 意思決定者：両者の結果の差を使って、事業計画書のどこをさらに練り直すべきかを見極める