本サイトの記事や画像はAIが公的資料や報道を整理し制作したものです。[続きを表示]ただし誤りや不確定な情報が含まれることがありますので、参考の一助としてご覧いただき、実際の判断は公的資料や他の報道を直接ご確認ください。[私たちの取り組み]
夕方のメーターを見つめながら、部屋の明かりをひと段落とす。そんな小さな選択にAIが寄り添う光景が近づいている。京都大学の依田高典教授らは、節電キャンペーンへの参加をAIが賢く設計すれば、社会的経済効果が大きく跳ね上がる可能性を示したとされる。さらに一部報道によれば、成果は10月下旬にエコノメトリカに掲載され、全国適用で239億円規模の便益が見込まれるという。
家庭の選択とAIが交わるとき
研究チームは、参加の仕方そのものが効果を左右するという直感に、フィールド実験で迫ってきた。2019年12月から2020年1月にかけて、約700世帯を対象に1週間の節電プロジェクトを実施し、報酬付きの介入が電力消費をどれだけ押し下げるかを検証した。実験は強制参加と自己選択、そして比較のための統制群に分け、家庭の実データで効果を測ったのである。
設計はシンプルだが示唆に富む。強制参加群と、自己選択群のうち受け取りを選んだ世帯には、節電1kWhあたり100円のリベートを提示した。結果は鮮明で、ピーク時間帯の平均節電は強制参加で7.8％、自己選択群全体では6.3％、自己選択で受け取りを選んだ世帯に限れば10.7％に達した。数字の裏に、家庭が自分で選ぶことの力が浮かぶ。
注目すべきは、自己選択という扉を開くと、外からは見えない生活の事情や節電のやる気が自然に反映される点である。誰に強く働きかけ、誰は任せるか。こうした差配が効果を左右する。チームは機械学習で世帯の特徴から効果を予測し、翌年度以降、よりパーソナルな介入設計へ踏み出す構想を示していた。データに耳を澄ませる政策運用の萌芽がここにあると映る。
「誰に・どの方法で」を学ぶAI
AIは万能の指揮者ではない。鍵は「誰に・どの方法で」という割り振りにある。北川透教授が提案した経験厚生最大化の考え方では、観測できる属性から福祉を最大化する介入ルールを学習する。家庭の電力使用量や所得、在宅時間や節電への関心など、政策の的中率を上げる指標を選び、参加・不参加・自己選択の配分を決めることで、同じ予算でも効果が伸びる構図である。
一部報道によれば、AIが三つの選択肢で家庭を割り振る設計により、1世帯あたりの便益は477円と試算され、全員一律参加の121円の約4倍に達したとされる。全世帯参加と全世帯の自己選択、そしてAIが二択で割り振る場合には有意差が乏しいのに対し、三択を許す設計で跳ねるという結果は、自己判断を尊重する余白が効いていることを物語る。
この発想はエネルギーに留まらない。特定の薬が効きやすい患者を見極めて投与を最適化する、受診勧奨の方法を変えて医療資源の無駄を減らす、といった応用が視野に入る。もっとも、AIの割り振りは透明性や公平性の説明が不可欠だ。効果を追うだけでなく、なぜその判断に至ったのかを住民と共有する仕組みが伴ってこそ、政策の信頼は根付くとみられる。
