スタートアップ投資、ゼネコン建設、システム開発、ディザスタリカバリなど複雑系意思決定の難易度は感覚的な「重み」で識別する

どんなに困難なプロジェクトだとしても安全にスケジュール通り完了させる「達人」のような人はゼネコン、システム開発、スタートアップの上場など、様々な分野にいる。一方、そのプロジェクトのリソースやスケジュール、役割分担、タスクリスト、品質検査事項を全て明文化したとしても、完成品を作り上げることができない組織もある。

これは、人間の認知を超えた複雑系をいかにComplexity Reduction（複雑系を要素還元、因数分解する）してシンプルに評価するかという問題である。
開発や見積もりを「時間（工数）」ではなく「重み（感覚的な負荷や複雑さ）」で比較する手法はいくつかある。これができると、自分自身は業界のプロでなくても、情報の少ない素人でも外形で判断することができるようになる。

🧩 1. 相対見積もり（Relative Estimation）

アジャイル開発でよく使われる手法です。「絶対的な時間」ではなく、「他のタスクとの相対的な大きさ（重み）」で見積もる。

• 「このタスクは前回のAより少し複雑だから2倍くらいの重み」
• 「これは簡単だからAの半分くらい」
  というように感覚的に比較します。

代表的な単位：

• ストーリーポイント（Story Points）
• Tシャツサイズ（T-shirt sizing：XS, S, M, L, XL）
• フィボナッチスケール（1, 2, 3, 5, 8, 13…）

これらはすべて「重み付けによる感覚的比較」の方法。

⚖️ 2. ストーリーポイント法（Story Point Estimation）

アジャイル開発における最も一般的な「重みづけ見積もり手法」です。
各作業を「どれだけ難しい・大きい・リスクがあるか」で点数化します。
時間と直接対応づけないのが特徴です。

例：

• 簡単な修正 → 2ポイント
• API新規作成 → 8ポイント
• 外部システム連携 → 13ポイント

このように「工数」ではなく「重み（complexity）」で見積もるため、チーム全体の感覚に基づく調整がしやすくなります。

🧠 3. プランニングポーカー（Planning Poker）

チームで相対見積もりを行う際の具体的な手法です。
各メンバーがタスクの重みを数値で出し合い、意見の差を議論して合意を形成します。
「感覚的な重みを定量的にすり合わせる」ためのゲーム的プロセスです。

🔍 まとめ

「工数のような定量的な数値ではなく、“重み”や“感覚的な比較”でリスク・優先度・意思決定を評価する一連の方法」には、いくつかの体系的な考え方が存在する。
開発に限らず、スタートアップ投資・撤退・戦略判断などの分野でも使われる枠組みがあります。

🧭 1. 多基準意思決定法（Multi-Criteria Decision Making, MCDM）

複数の要素（リスク、コスト、影響度など）を「重み付き」で評価して、総合的に意思決定する手法群。

代表的な手法：

• AHP（Analytic Hierarchy Process, 階層分析法）
• MAUT（Multi-Attribute Utility Theory, 多属性効用理論）
• TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）

これらはすべて「感覚的な比較（どちらがどれだけ重要か）」を重みとして定量化して判断に使う。

💡AHP（階層分析法）

特にAHPはスタートアップ投資やプロダクト選定などでよく使われます。
AHPの特徴：

• 目的（例：投資の可否）を頂点に置き、
• 基準（市場性・チーム力・技術リスクなど）を階層的に並べ、
• 各基準を**ペアワイズ比較（どちらがどれだけ重要か）で評価。
  → その比較結果から重み（Weight）**を算出して総合スコアを出します。

まさに「感覚的な重み評価」を体系化した手法。

⚖️ 2. ヒューリスティック評価（Heuristic Evaluation）

より直感的・経験則に基づく重み付け判断の総称。特にスタートアップや初期段階の投資判断では、
「数値モデルではなく、経験に基づく重みづけ（gut feeling weighting）」が重要になります。

このようなプロセスは形式的に言えば：

• Qualitative Risk Assessment（定性的リスク評価）
• Heuristic Decision-Making（経験則意思決定）
  と呼ばれます。

💼 3. リスクマトリクス法（Risk Matrix Method）

リスクの「発生確率 × 影響度」を軸にして重みで分類する方法。
感覚的な評価（High, Medium, Low など）をスコア化して意思決定します。

投資・撤退判断の例：

このように「重みで比較」するのも**定性的リスク評価（Qualitative Risk Analysis）**の一種。

🔍 4. まとめ：文脈による名称の使い分け

ペアワイズは人間が生来的に持っている感覚である

例えば、人間は重力加速度を知らなくても、三半規管を用いて水平に立つことができる。複雑系だとしてもその質量の大きさは比較できる。

・ミセスグリーンアップルのライブの熱狂感と、駆け出しのミュージシャンの路上ライブのどちらが盛り上がっているか？

・仙台のあおば祭りと、両国国技館の相撲がどちらが盛り上がっているか？

・路上ライブしている人をスカウトするときに、そのバンドが将来紅白歌合戦に出たり、ミリオンセラーを出したり、東京ドームライブができるイメージがあるのか？

・このオートクチュールはアカデミー賞のレッドカーペットやパリコレのランウェイを歩けるか？

このように評価が難しく、プログラム化しようとすると複雑系になるようなものであっても、人間はざっくりとした判断を下すことができる。これは数字による判断ではなく、熱量、情熱、盛り上がり感、没入感、空間の歪み、腑に落ちる感じなど様々な表現がなされる。

🏛️ 起源：直感的比較の思想（古代〜19世紀）

▪️ 古代ギリシア〜ルネサンス期

• 人間が「二つのものを比べてどちらが優れているか」を判断することは、アリストテレス以来の哲学的テーマでもありました。
• たとえばアリストテレスは『ニコマコス倫理学』で「価値判断は比較の中にある」と述べています。
  → ペアワイズ比較の思想的原点。

▪️ 19世紀：心理物理学の誕生

• グスタフ・フェヒナー（Gustav Fechner, 1801–1887） が「主観的感覚量」を測る心理物理学を確立。
• 「どちらの音が大きいか」「どちらの光が明るいか」といった二者比較を繰り返して感覚のスケールを推定する方法を開発。
  → これがペアワイズ比較の科学的な出発点です。

📐 20世紀初頭：統計・心理学的モデル化

▪️ 1927年：L. L. Thurstone の「比較判断の法則（Law of Comparative Judgment）」

• シカゴ大学の心理学者 ルイス・サーストン（Louis Leon Thurstone） が、
  “人はどちらがどれだけ好ましいかを判断することで、**潜在的な心理尺度（preference scale）**を構築できる”
  という理論を発表。
• 論文タイトルは “A Law of Comparative Judgment” (1927)。

このサーストンの理論は、後の「ペアワイズ比較法」「コンジョイント分析」「AHP」など、あらゆる比較判断モデルの基礎になりました。

🧮 1970年代：AHP（Analytic Hierarchy Process）による実用化

▪️ 1970年代：トマス・サーティ（Thomas L. Saaty）

• アメリカの数学者サーティが、サーストンの心理的比較理論をベースにして、
  AHP（階層分析法, Analytic Hierarchy Process） を開発（1970年代初頭）。
• 代表論文：
  Saaty, T.L. (1977). A scaling method for priorities in hierarchical structures.
  Journal of Mathematical Psychology, 15(3), 234–281.
• 書籍：The Analytic Hierarchy Process（1980年）

AHPでは、「ペアワイズ比較」を数値行列として扱い、固有値計算で重みを算出するという数学的な形式を確立。これにより、心理学的手法が経営判断・政策決定・リスク評価などの実務に広く応用されるようになります。

🌍 1980年代以降：応用の拡大

• 政策決定、企業戦略、スタートアップ投資、製品開発、軍事計画など、多分野でAHPが普及。
• AHPの考え方を拡張した「ANP（Analytic Network Process）」や、「ファジーAHP」などの派生手法も登場。
• 現在では、AIによる意思決定支援システムやレコメンドアルゴリズムにも、ペアワイズ比較の原理が応用されています（例：Eloレーティング、ランキング学習など）。

📚 年表でざっくりまとめると

🪶 補足：現代におけるペアワイズ比較の進化

最近では、ペアワイズ比較の思想はAIやUXにも応用されています。

• 機械学習分野：
  「Learning to Rank」アルゴリズム（例：Googleの検索順位学習）は、
  ペアワイズ比較をベースにしています（例：「AはBより関連性が高い」）。
• UXリサーチ／デザイン思考：
  ペアワイズ比較カード法（Pairwise Card Sorting）などで、
  直感的な優先順位づけを行うワークショップが定番になっています。

🧠 結論

ペアワイズ比較の起源は19世紀の心理物理学（フェヒナー）にあり、理論化はサーストン（1927年）、実用化はサーティ（1970年代のAHP）によるもの。「両手で持って比べる」という人間的な感覚を、数学的に扱える意思決定理論へと進化させたのが歴史の本質です。

「重み比較」はヒューリスティックの共通言語

あなたが挙げた領域：

• スタートアップ投資（将来価値 vs リスク）
• ゼネコン建設（工程・原価・安全性）
• システム開発（仕様・人材・納期）
• ディザスタリカバリ（冗長性・コスト・スピード）

いずれも本質的に「多目的最適化問題」であり、定式化すれば**NP困難（またはNP完全）**な性質を持ちます。

共通点は：

✅ 全体最適を数理的に求めるのは計算資源のリソース制約がある中では解答不可能になってしまう。
✅ 各選択肢を「どちらがより良いか（重いか）」で評価する方が実用的。
✅ これを体系化したのが ペアワイズ比較・AHP・MCDM系統。

この「重み的判断」は、ヒューリスティック探索・ベイズ意思決定・AI強化学習にも共通する思想です。
（例：探索木のノード評価関数、報酬関数など）

🧠 4. 理論的な見方：認知科学的ヒューリスティック

認知心理学の視点から言うと、人間はNP困難な現実問題を「局所比較の連鎖」で解いています。

• 「全体最適」は無理でも、「AとBならBが良い」という判断はできる
• それを階層的・逐次的に積み上げる
  → 結果的に“実用的に十分良い解”を得る

このモデルは、**Herbert Simon（ノーベル賞）**の「限定合理性（bounded rationality）」に通じます。
つまり：

「完全最適化ではなく、重みづけ比較による“満足解（satisficing solution）”を選ぶ」という人間的最適化戦略です。