これまでの評価プロセスの多くは、「良い提案・良い候補を選ぶこと」を目的としてきました。しかし、生成AIによって「もっともらしい提案」の生成コストが限りなくゼロに近づいた以上、この目的設定自体が機能不全を起こしています。

問題発見力は、単に「無から問いを立てる知能」ではありません。体験・実感・共感・性格・情熱といった複合的な人間の資質から生まれる動機づけの基盤と、現場でしか得られない暗黙知・非公開情報という、経済学的な意味での情報の非対称性の、2つの異なる源泉から成り立っています。

後者は「この問いは公開情報だけでAIが構成できるものか」を直接問うことで、評価者の主観に頼らず検証できます。具体的には、次のような手法を組み合わせます。

これらはいずれも「着眼点の質」という主観的な軸ではなく、「情報の存在と先行性」という事実確認可能な軸に評価対象を置き換えるものです。これは表彰事業の審査に限らず、助成金審査における研究の着想の独自性、採用選考における候補者固有の経験、投資審査における市場理解の深さなど、多くの評価プロセスに共通して適用できる軸です。

軸1(アイデアの独自性)と軸2(実世界での実証)の間には、大きな断絶があります。実世界での検証実績を求める評価軸は、既に実証に必要な資源(資金・時間・実験環境)を持つ提出者に有利に働きやすいという弱点を抱えているためです。この断絶を埋める中間段階として、シミュレーション・モデリング・AIを活用した仮説検証テストを評価対象に加えることが考えられます。製造業であればFEA応力解析やCFD流体解析、創薬であれば分子シミュレーション、事業提案であれば市場モデルによる需要予測などが該当します。

この段階が単なる「プロセスの言語化」と異なるのは、解析条件・パラメータ・使用ツールを開示させれば、評価者または第三者が実際に再現・検証できるという反証可能性を持つ点です。もっともらしい説明を後付けで生成できてしまうプロセス評価の弱点とは、性質が異なります。

ただし、都合の良い結果だけを選ぶ「良い結果の切り取り」を防ぐため失敗した検証条件も含めた開示を求めること、また評価者側に専門知識がなければ再現・検証できないため外部専門家によるレビュー体制を組み込むことが前提になります。

AIに構造的に代替されにくいのは知能そのものではなく、「実行力」──資金調達・関係者調整・トラブル対応といった現実世界の摩擦を経て、実際にやり遂げたという行為主体性と結果への責任の所在です。

これら3つは、独立したトラックとして並列に評価するのではなく、発掘→疑似検証→実証という1本の連続したパイプラインとして設計します。この構造は、表彰事業に限らず幅広い評価プロセスに適用できます。

①は評価者個人の直観的判断への依存を減らし、情報の出所という追跡可能な事実に基づく評価に置き換えます。②は反証可能な検証結果によって、実証に必要な資源を持たない提出者でも到達できる中間的な検証水準を提供します。③はAIが代行できない「既に起きた事実」の確認作業であり、評価者自身のAI依存によって判断の質が揺らぐリスクが相対的に低くなります。

上の表は「表彰・コンテスト」「助成金審査」「採用選考」「投資審査」という4つの分野で軸をどう翻訳するかを示しましたが、実はこの翻訳作業は一段では終わりません。ひとつの分野の中にも、扱う価値の性質が大きく異なるサブ分野が存在し、そのたびに軸の中身を翻訳し直す必要があります。例えば「表彰・コンテスト」という一つの分野だけを取り出しても、内側にはものづくり・文学・デザイン・学術・社会貢献といった、性質の異なる領域が並んでいます。

正直に指摘しておくべき弱点があります。文学・創作系の軸2は、他のサブ分野ほどうまく機能しません。「読者への到達・批評的言及」は、結局のところ人気や評判という代理指標であり、第1回・第2回で見た目利き問題を完全には回避できていません。この分野については、軸1(当事者性に根ざした題材の非対称性)を中心に据え、軸2は補助的な位置づけにとどめるか、あるいは軸2自体を「時間をかけて複数の独立した読み手から一貫した評価を得られたか」という、単純な人気とは異なる持続性・再現性の指標に置き換える方が、目利き問題の再来を避けやすいと考えられます。

この入れ子構造が示唆するのは、「分野ごとに軸を翻訳する」という作業には、あらかじめ決まった終着点がないということです。助成金審査や採用選考、投資審査にも、それぞれの内側にさらに性質の異なるサブ分野があるはずで、メタ評価の実務とは、この翻訳作業を都度検証・較正し続けるプロセスそのものだと言えます。

ここまでの議論が最終的に行き着くのは、AI科学研究の分野で指摘されている「拡張可能な監督(scalable oversight)」問題です。AIの出力が高度化するほど、それを検証する人間の専門性が追いつかなくなる可能性があり、評価する側の能力自体が摩耗しているという第2回の議論と合わせると、このギャップは両側から広がっていきます。

eval000は、この問題に対して「評価をAIに全面委任する」のでも「評価者個人の直観に無条件に依存する」のでもない、第三の設計思想を採っています。それがHITL(Human-in-the-Loop)による段階的自律性です。評価プロセスにおけるAIの関与の度合いを一段階ずつ引き上げながら、各段階で人間による検証・較正のポイントを構造的に組み込み、評価そのものの一貫性と再現性を記録・検証可能な状態に保ちます。評価者の目利きを無条件に信頼するのではなく、継続的な検証と較正を通じて構築・維持されるプロセスとして設計する、というのがこのシリーズを通じて到達した結論であり、eval000がこの設計思想を採用する理由でもあります。