Fairgenの合成サンプルとは?|少数層の数字を補う線

「全体で千人に聞いた調査なのに、肝心の製造業の部長級は30人しかいなくて、数字を出していいのか分からない」「少数層を厚くするには追加の実査が要ると言われたが、見積もりが本調査と同じくらいになった」——調査結果を社内の判断に使う立場の担当者が、集計の段階で必ずぶつかる壁です。イスラエルの Fairgen は、この少数層の回答を、その調査自身の実回答から学んだ統計的なモデルで補う「Boost」を提供しています。2026年1月に公表された第三者の検証では、50人未満の層で誤差が縮んだ一方、150人を超える層ではほとんど効かなかったと報告されています。合成サンプルで少数層を「補う」ことは、少数層に「聞いた」ことと同じではありません。この記事では、公式の説明と検証の公表内容で確かめられる範囲で、補った数字を社内の意思決定の根拠にしてよい条件と、使ってはいけない条件を、ほかの選択肢と比べながら整理します。操作手順や料金の一覧は扱いません。
カメ先生合成サンプルというと、AIが回答者になりすまして答えを作る仕組みだと思われがちなんだ。でも Fairgen の Boost は、実際に集めた回答の中にある関係を学んで、人数の少ない層の推定を安定させる考え方なんだよ。
カメ子実際の回答がないところに数字を作るのではなく、ある回答を土台に推定を補うということですか。
カメ先生そう。だから効くかどうかは土台次第でね。全体の回答数が少なかったり、質が悪かったりすると、補うどころか雑音を増やしてしまうと検証側も書いている。数字が増えても、聞いた人数が増えたわけではないんだ。
カメ子道具の性能より先に、補ってよい場面かどうかを決めるのが大事なんですね。
- Fairgen の Boost は、調査ごとにその調査の実回答だけで学んだモデルで少数層を補う仕組み。公式は「実回答の置き換えではなく補完」と位置づけている
- 第三者の検証では、50人未満の層で誤差が縮み、150人を超える層ではほぼ効果がなかった。全体300人未満や質の悪いデータ、自由記述は対象外か未検証
- 補った数字は、方向を見る判断には使えても、聞いた人数として報告しない。開示の仕方、AIに結論を出させない線、追加の実査との比べ方を先に決める
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
Fairgen とは:少数層の回答を、その調査の実回答から補うイスラエルの会社
Fairgen はイスラエルの会社で、市場調査の回答データを統計的な手法と生成AIで扱う道具を提供しています。2024年の米国のIT系メディアの報道では、共同創業者で最高経営責任者のサミュエル・コーエン氏が生成AIの博士号を持ち、Meta のAI研究部門で基盤モデルの学習に携わった経歴が紹介され、資金調達額は800万ドルと報じられました。スタンフォード大学の統計学者が科学面の助言役に入っているとも伝えられています。買収や売却、社名変更の報道は、今回の確認の範囲では見当たりませんでした。
中心の機能が Boost です。公式の製品ページの説明では、Boost は「その調査自身の回答の傾向から、予測にもとづく回答者を生成する」もので、モデルは「調査ごとに、その調査のデータだけで学習する」とされています。設問の分岐や前の回答の引き継ぎ、複数回答といった調査票の構造も理解すると書かれています。外部の大きな言語モデルに「30代の部長ならこう答える」と想像させる仕組みではないという点が、合成回答者の道具と最初に分けて考えるべきところです。
公式は、Boost を使った層の誤差の幅が「実サンプルの3倍の人数に相当する水準になる」と説明し、企業向け、消費者向け、世論、医療の分野で1万回を超える補完で確かめたとしています。顧客としては、フランスの化粧品大手とフランスの調査会社の組み合わせ、米国の通信大手と米国の調査会社の組み合わせなどが紹介されています。ただし、3倍相当という数字は売り手自身の説明で、どの条件で測った平均なのかは製品ページからは読み取れません。
直近の動き:品質確認の Check、第三者検証、意思決定の基盤への拡張
直近一年の動きは三つあります。一つ目は2025年11月26日に公表された Check です。データを集めた後に回答の品質を確かめる層で、似た回答の傾向から外れる回答者、ほぼ同じ回答の重複、極端に速い回答、自由記述の貼り付けや手抜き、AIが書いたと見られる文章、設問をまたいだ矛盾を洗い出すと説明されています。公式は14日間の無料の試用を案内しています。回答にAIが紛れ込む問題そのものと除外の基準づくりは別の記事で扱っているので、ここでは補う前に土台の回答を洗う工程があることだけを押さえておきます。
二つ目は、2026年1月14日に公式ブログで公表された第三者の検証です。カナダの調査会社 Dig Insights が、通信と外食の二つの調査、合わせて28,630人の回答を使って Boost の効果を確かめたもので、後の章で詳しく見ます。2026年2月には、Google の研究者が五つの業種のブランドの効果測定の調査で補完の手法を検証したという紹介記事も公式ブログに載っています。
三つ目は会社の打ち出し方の変化です。2026年時点の公式トップは、自社を消費者の意思決定のための基盤と位置づけ、過去の調査や顧客データを横断して答える機能、調査の回答者一人ずつのデジタルツイン、定期的な報告を Teams や Slack に届ける仕組みなどを並べています。回答者を丸ごとAIで作って新しい質問に答えさせる方向は、この記事で扱う「補完」とは別物で、合成回答者で実査を置き換える是非は別の記事で扱っています。この記事は、実回答を土台にした Boost の判断に絞ります。
「置き換え」ではなく「補完」:何が違い、なぜ大事か
2025年9月の公式ブログは、合成データは「実回答者の置き換えではなく、主に補完に使うべきだ」と書き、完全に合成されたデータの集まりと、AIで補ったデータを区別しています。モデルは実回答だけで学習し、学習に使わなかった実回答と突き合わせて確かめていると説明しています。試験導入では元の分布との相関が95%を超えたとしていますが、どの調査で測ったかの詳細は示されていません。
この区別が大事なのは、補完の手法が新しい情報を生み出さないからです。全体の回答の中にある「この属性の人はこう答えやすい」という関係を、少数層の推定に貸し出しているだけです。少数層が全体と違う独自の考え方を持っているなら、その違いは補った数字には現れにくいということになります。統計の言葉でいえば、ばらつきを抑える代わりに、全体の傾向に寄せる偏りを受け入れる取引です。
つまり、補った数字を「少数層の声」として扱うと誤解が生まれます。補った数字が答えているのは、実際に聞いた少数層の回答と、全体の回答の中の関係から見て、もっともありそうな値はどこかという問いです。この問いで十分な判断と、十分でない判断を分けるのが、以下の章の目的です。
少数層の数字に困ったときの4つの選択肢
少数層の人数が足りないとき、取れる道は Boost だけではありません。一つ目は、人数が少ないまま数字を出し、誤差の幅を添えて読む道です。二つ目は、層をまとめ直したり、重み付けを調整したりして、読める大きさの層で報告する道です。三つ目は、少数層だけを追加で集める実査、いわゆるブースト調査です。そして四つ目が、Fairgen のような統計的な補完です。
それぞれ、守れるものと失うものが違います。少ないまま出せば正直ですが、誤差の幅が広すぎて判断に使えないことが多い。層をまとめれば数字は安定しますが、知りたかった「製造業の部長級」という切り口そのものが消えます。追加の実査は最も確かですが、BtoB の決裁者のように出現率の低い層では、一人あたりの費用と日数が跳ね上がります。
統計的な補完は、切り口を保ったまま誤差を縮められる可能性があり、費用と日数の面では追加の実査より軽くなる見込みがあります。その代わり、どこまで縮んだかは条件次第で、縮んだ分だけ全体の傾向に寄った数字になるという性質を引き受けることになります。四つは優劣ではなく、判断の重さと手元の土台に合わせて選ぶものです。
4つの選択肢を6つの軸で比べる
社内で選び方を決めるときは、次の表のように軸を並べて比べると、議論が「AIは信用できるか」という抽象論にそれずに済みます。表の中の評価は、公式の説明と第三者検証の公表内容から読み取れる範囲の一般的な傾向で、個別の調査で必ずそうなるという意味ではありません。
| 比べる軸 | 少ないまま出す | 層をまとめる・重み調整 | 追加の実査 | 統計的な補完(Boost) |
|---|---|---|---|---|
| 知りたい切り口 | 保てる | 失う | 保てる | 保てる |
| 誤差の幅 | 広いまま | 縮む | 人数に応じて縮む | 条件が合えば縮む |
| 新しい情報 | あり | なし | あり | なし(全体の関係を借りる) |
| 費用と日数 | 追加なし | 追加なし | 大きい | 追加の実査より軽い見込み |
| 偏りの向き | 偶然のぶれ | まとめ方次第 | 集め方次第 | 全体の傾向へ寄る |
| 報告での説明 | 易しい | 易しい | 易しい | 開示と説明が要る |
この表で特に見てほしいのは「新しい情報」の行です。追加の実査だけが、少数層について本当に新しいことを教えてくれます。少数層が全体と違う動きをしているかもしれない、という問いに答えたいなら、補完では答えが出ないということです。逆に、全体の傾向と大きく違わないことが分かっている層で、細かな数字の安定だけが欲しいなら、補完は有力な選択肢になります。
もう一つ見落とされやすいのが「報告での説明」の行です。補完した数字は、受け取った側が意味を取り違えないよう、開示の文言と読み方の注意を添える手間がかかります。この手間を見込まずに導入すると、報告のたびに「この人数は本当に聞いたのか」と問われ、かえって判断が遅れることになります。
補える条件:第三者検証が示した「効く範囲」
2026年1月に公表された Dig Insights の検証は、学習用と検証用にデータを分け、検証用は学習に一切使わずに正解として扱う方法で行われました。比べたのは、回答の分布の誤差、設問どうしの関係の誤差、そして有効サンプルサイズの三つです。対象は通信の調査が26,372人、外食の調査が2,258人でした。
効果がはっきり出たのは小さな層です。通信の調査では、サスカチュワン州の21人の層で誤差が2.5ポイント縮み、有効サンプルサイズは153%増えました。ノバスコシア州の40人の層では有効サンプルサイズが165%増えています。外食の調査では、10人の若年層と35人の高年層で有効サンプルサイズがおよそ3倍になり、平均の誤差は11.1%から7.6%に下がったと報告されています。
検証の結論として挙げられた「効く条件」は、50人未満の小さな層、複数の条件を掛け合わせて細くなった層、全体で300人以上の回答があること、整った定量データで変数が十分にそろっていること、の四つです。「全体は厚く、知りたい層だけが薄い」調査で、土台のデータがきれいなときに効くと読み替えると、自社の調査が当てはまるかを判断しやすくなります。
補えない条件:中くらいの層、質の悪い土台、自由記述
同じ検証は、効かなかった場面も明記しています。通信の調査の18〜24歳の157人、新しく移住した人の198人といった中くらいの層では、有効サンプルサイズの変化は20%未満で、ほとんど効果がありませんでした。検証は150人以上の層では効果がわずかだとまとめています。2024年の報道でも、補える層の大きさは調査全体の15%までが目安と紹介されていました。
さらに、全体で300人未満の調査、根本的な品質の問題を抱えたデータ、全体のデータの中に手がかりとなる傾向が見当たらない細かな区分は、効かない条件として挙げられています。品質の悪いデータについては、補完が雑音を増幅しかねないと書かれています。Check のような品質確認を補完の前に置く理由はここにあります。
検証の対象外になっている範囲も押さえておく必要があります。時系列の比較や継続調査の推移、自由記述などの定性的な回答は、この検証では確かめられていません。定点調査の前回比を補った数字で語ることや、自由記述の傾向を補完で厚くすることは、現時点では根拠の外にあると考えたほうが安全です。
- この検証は Fairgen の公式ブログに掲載されたもので、記事は Dig Insights が手法・実施・公表を自ら管理し、結果にかかわらず公表することを事前に取り決めたと説明している
- 一方で、同社は公式トップで提携先として紹介されてもいる。信頼区間や有意性の検定、全体の結果表は記事には載っていない
- 検証の数字は二つの調査での値で、BtoB の決裁者調査で同じ効果が出ることを示したものではない
増やした数字の誤差をどう読むか:有効サンプルサイズと「3倍相当」
補った結果を受け取ると、層の人数が増えて見えることがあります。ここで混同しやすいのが、表に並ぶ人数と、有効サンプルサイズの違いです。有効サンプルサイズは、補った後の推定の安定度が、実際に何人に聞いたときと同じくらいかを表す目安で、補って並んだ人数そのものではありません。
たとえば、実回答30人の層について「実サンプルの3倍相当」と言われたとき、それは推定の安定度が90人に聞いた場合に近いという意味で、90人分の回答を得たという意味ではありません。しかも検証の数字を見る限り、効き方は層によって大きく違い、3倍相当は保証ではなく、条件がそろったときの上のほうの値と受け取るべきです。2024年の報道では「最低2倍、平均3倍」とも紹介されていましたが、これも売り手の説明です。
実務では、補う前と補った後の両方の数字と誤差の幅を並べて受け取ることを、取り決めにしておくのが確実です。補う前の誤差の幅が広く、補った後も判断の分かれ目をまたいでいるなら、補っても結論は出せないと読むのが正しい使い方です。公式も、補う層を選び、補完の前後を横に並べて確かめる画面を用意していると説明しています。
BtoBの決裁者層に当てはめるときの注意
ドイツの調査会社 GIM は2025年8月に Fairgen の採用を公表し、向いている分野の筆頭に企業向けの IT を挙げました。外部のデータを使わず、自社の調査データだけを使うことを利点として説明しています。BtoB の調査で、業種と役職を掛け合わせた細い層を見たいという需要が、補完の手法の想定する使い道の一つであることは確かです。
ただし、BtoB の調査には補完にとって不利な事情もあります。一つは全体の人数が少ないことです。消費者調査なら千人単位が普通でも、企業の決裁者に絞った調査は全体で数百人ということがよくあり、検証が示した「全体で300人以上」の線に近づきます。もう一つは、決裁者の判断は、業種や会社の規模によって全体の傾向と大きく食い違いやすいことです。全体の関係を借りる手法とは、相性が悪い場面が出てきます。
日本の調査会社や日本語の調査での導入例は、今回の確認の範囲では見つかりませんでした。日本の調査データで使う場合は、自社の過去の調査で、少数層の実回答を一部隠して補い、隠した実回答と比べる試し方を販売元に頼めるかを最初に確かめるのが近道です。公式トップも、自社のデータで比べられることを打ち出しています。
社内の意思決定の根拠にしてよい場面・いけない場面
ここまでの条件を、社内でよくある判断の場面に当てはめると、補った数字を根拠にしてよいかどうかは、判断の重さと、少数層が全体と違うかもしれないという疑いの強さで決まります。次のように分けておくと、使うたびに議論せずに済みます。
- 定点のブランド調査で、細い層の数字の上下が偶然のぶれかどうかを見分けたい
- 複数の地域や業種の中から、深掘りの追加調査を行う層の優先順位を決めたい
- 全体の傾向と同じ向きかを確かめる程度の、方向の確認に使いたい
- 企画の初期の段階で、仮説を絞り込むための材料にしたい
- 少数層だけに向けた新商品の発売や撤退の可否を、補った数字だけで決める
- 補った人数を「n=90」のように実回答の人数として報告書に書く
- 少数層が全体と違う反応を示すかを確かめたいのに、補完の結果で答えを出す
- 対外的な調査発表や広告の表示の根拠に、補った数字を開示なしで使う
線を引く基準は、外れたときに取り返せるかどうかです。追加の調査の優先順位を決める程度なら、外れても次の調査で修正できます。投資や撤退のように取り返しにくい判断では、補った数字は追加の実査を行うかどうかを決める材料にとどめ、判断そのものの根拠にしないのが妥当です。
報告書での開示の仕方
補った数字を社内の報告に載せるなら、開示の文言を最初に型として決めておきます。市場調査の業界の国際的な行動規範は2025年6月に改定され、AIや合成データの定義と、透明性と人による監督の責任が盛り込まれたと報じられています。業界としても、合成データを使ったことを伏せない方向に進んでいます。
- 補完を使った層の名前と、実際に回答した人数(補う前の人数)
- 補った後の有効サンプルサイズの目安と、誤差の幅(補う前と後を並べる)
- 補完に使ったのはその調査自身の回答だけであること
- 補完の前に行った品質確認の内容と、除外した回答の数
- 補った数字を使ってよい判断の範囲(方向の確認・優先順位づけなど)
表やグラフでは、補った層の数字に印を付け、注記で実回答の人数を示すのが基本です。報告を受け取る役員が「何人に聞いたのか」を一目で答えられる状態にしておくことが、補完を社内で長く使い続けるための条件になります。開示を省くと、一度の誤解で手法そのものが信用を失います。
AIに結論を出させない線と、人が確かめる範囲
Boost は数字を補う道具で、結論を出す道具ではありません。ところが、補った数字が整って見えるほど、その数字から自動的に結論が導かれたように感じてしまいます。公式トップが打ち出す、調査を横断して答える機能や、報告を自動で届ける仕組みと組み合わせると、なおさら人の確認が抜けやすくなります。
人が決めておくべきことは三つです。一つ目は、どの層を補うか。これは調査の設計の段階で、知りたい問いから決めるもので、集計後に数字の都合で選ぶものではありません。二つ目は、補った数字を何の判断に使うか。三つ目は、補う前と後の数字が大きく食い違ったときの扱いです。補う前と後で結論の向きが変わるなら、補った数字ではなく、実査の不足として扱うのが原則です。
AIに任せてよいのは、補完の計算、品質確認の候補の洗い出し、集計表の作成までです。品質確認で除外の候補に挙がった回答を実際に除くかどうか、補った数字を報告に載せるかどうかは、調査の担当者が根拠を見て決めます。AIには根拠を出させ、判断は人が引き取るという分担を、運用の手順書に書いておきます。
何が社外に出るか:調査データの扱い
補完には、調査の回答データそのものを Fairgen の環境に渡す必要があります。公式トップは、調査と顧客のデータは利用企業ごとの環境にとどまり、「ほかの誰のモデルの学習にも使わない」と説明しています。SOC 2(タイプ2)の監査報告は秘密保持契約のもとで開示、データの保管先は米国と欧州から選べ、欧州の一般データ保護規則やカリフォルニア州の消費者プライバシー法への対応、データ処理の契約に対応するとしています。
一方で、日本国内での保管は公式の説明には見当たりません。回答データに個人を特定できる情報や、取引先の社名が分かる自由記述が含まれる場合、海外の事業者への提供と国外への移転に当たるかを、社内の個人情報の担当と先に確かめる必要があります。調査会社に委託した調査なら、回答者への説明や同意の範囲に、外部の分析事業者への提供が含まれているかも確認します。
実務では、補完に必要なのは設問への回答と属性で、氏名や連絡先、自由記述は外して渡せるはずです。渡す列を必要最小限に絞り、何を渡したかの記録を調査ごとに残すことで、後から問われたときに説明できます。自社のモデルの学習に使わないという説明についても、契約書の文言で確かめてください。
追加の実査との費用比較とやめ方
料金は公式サイトで公開されておらず、問い合わせの形です。そのため、費用の比較は自社で組み立てる必要があります。比べる相手は、同じ層を同じ誤差の幅まで厚くするための追加の実査の見積もりです。出現率の低い決裁者層では、追加の実査は一人あたりの費用と回収までの日数が大きくなりやすく、補完が安く見える場面は確かにあります。
ただし、補完は追加の実査と同じものを買っているわけではありません。先に見たとおり、補完では少数層についての新しい情報は得られません。「安い追加の実査」としてではなく、「追加の実査が必要かどうかを見極める道具」として費用を評価すると、比べ方を誤りません。試すときは、次の順で進めます。
やめるときは、渡したデータの削除を書面で確かめることと、過去の報告に載った補った数字に、補完を使ったことの注記が残っているかを確かめることの二つが要です。注記が消えた数字が社内の資料に残ると、後の担当者が実回答の人数と取り違えます。定点調査で補完をやめると前回との比較の条件が変わるため、切り替えた回を報告に明記します。
よくある質問
Fairgen の Boost は、AIに回答者を演じさせる合成回答者と同じものですか?
公式の説明では別物です。Boost は調査ごとにその調査の実回答だけでモデルを学習し、少数層の推定を補います。新しい質問に答えさせる仕組みではなく、実際に聞いた設問の数字を安定させる用途です。ただし公式トップでは回答者ごとのデジタルツインも打ち出しており、こちらは性格の違う使い方なので、契約の際はどの機能を使うのかを分けて確かめてください。
実回答が10人しかいない層でも補えますか?
第三者の検証では、外食の調査の10人の若年層で有効サンプルサイズがおよそ3倍になったと報告されています。ただし全体で300人以上、品質の整ったデータという条件のもとでの結果です。10人の実回答に偏りがあれば、補ってもその偏りは消えません。重い判断には使わず、追加の実査の要否を決める材料にとどめるのが無難です。
補った数字を対外的な調査発表に使ってよいですか?
使うなら、補完を使ったこと、実回答の人数、補った層を必ず開示してください。業界の行動規範も透明性を求める方向に改定されています。広告や営業資料で「〇〇人に聞いた」と表示する場合、補った人数を実回答の人数のように見せると、表示の正確さの面で問題になり得ます。
まとめ
Fairgen の Boost は、調査の実回答の中にある関係を借りて、人数の少ない層の推定を安定させる道具です。第三者の検証では、全体が厚く土台がきれいな調査の、50人未満の細い層で効果が確かめられた一方、中くらいの層や質の悪いデータ、自由記述や時系列の比較は効かないか未検証でした。補った数字は少数層に聞いた結果ではなく、全体の傾向に寄った推定です。方向の確認や追加調査の優先順位づけには使えても、取り返しのつかない判断の根拠にはしない。補う層と使う判断の範囲を人が先に決め、補う前と後を並べて開示し、渡すデータとやめ方まで決めてから試せば、少数層の数字に困ったときの選択肢の一つとして社内で扱える状態になります。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
