アイトラッキングは必要か？｜AIの視線予測で足りる場面

画面のどこが見られているかを実際に測るには、公表された目安があります。使いやすさの調査で知られる研究機関は、ヒートマップとして読める絵を作るなら、同じ作業を39人にしてもらうことを勧めています。機材の設置に1日から2日、予備の試行にもう1日から2日、参加者ごとに較正が要り、姿勢が崩れれば較正は外れます。一方、画像を渡すだけで注視されそうな場所を返すAIの予測ツールは、一般的な画像なら実測のヒートマップと92.5パーセント一致する、種類を問わなければ最大96パーセントだ、と自社の技術説明で公表しています。「バナーを左上に置くか右上に置くかで会議が2回続き、最後は役職が上の人の意見で決まりました」「予測ツールを試したら本当らしい絵が出てきたのですが、これを社内の根拠にしてよいのか分かりませんでした」。——サイトや広告の見え方を決める立場の人から、繰り返し寄せられます。この2つは、機材を買うかどうかの話に見えて、詰まっている場所は同じです。視線という指標で何を決めるつもりなのかが先に決まっていないので、実測でも予測でも、出てきた絵の読み方が定まらないのです。この記事では、実測と予測のどちらを選ぶかを、費用ではなく決めたいことの側から判断できる形に組み立てていきます。

視線を測って何を決めるのかを、先に1行で書く

実測と予測を比べる前に、決めたいことを1行にします。ファーストビューの案の甲と乙のどちらを採用するか。資料請求のフォームで手が止まるのはどの欄か。営業資料の1枚目で先に読まれるのは見出しか図か。1行にすると、そもそも視線では答えられない問いが先に外れます。外れた問いは、視線ではない方法に回します。ここを飛ばすと、出てきた絵を前にして「で、どうする」という会議がもう一度始まります。

1行を書くときは、4つの要素を埋めます。誰が、どの画面で、何をしようとしているときに、どこを見るか。この4つのうち3つ目が抜けている問いが、いちばん多く見かけます。目的を持たずに眺めている人と、価格を探しに来た人では、同じ画面でも見る場所が変わるからです。3つ目が空欄のまま出した問いには、実測でも予測でも、比較のできない答えしか返ってきません。

視線が答えるのは、あくまで「どこを見たか」までです。なぜそこを見たのか、読んで理解したのか、その結果として行動したのかは、視線の外にあります。次の一覧は、視線では答えが出ない問いの例です。この一覧に近い問いを立てていたら、機材の検討に入る前に問いのほうを組み直します。

• この見出しの言い回しは伝わっているか——見たことと理解したことは別。読後の質問か短いインタビューで確かめる
• この案のほうが売上につながるか——視線は成果を予測しない。配信後や公開後の数字で判定する
• なぜこの人はここで迷ったのか——理由は視線に写らない。本人に聞くか、操作の記録と突き合わせる
• この表現は不快に受け取られないか——感情の反応は視線とは別の測り方が要る
• うちの読者は他社とどちらを選ぶか——比較の判断は画面の外の事情で決まる

実測が答えるのは「この人たちが実際に見た場所」

実測の方式は大きく3つです。1つ目は据置型で、画面の下に取り付けた装置が赤外線で瞳孔と角膜の反射を追い、画面の中のどこを見ているかを座標で記録します。2つ目は眼鏡型で、装着したまま動けるので、紙の資料、店頭の棚、展示、対面の場面まで測れます。3つ目がWebカメラ方式で、専用の機材を使わず、参加者の端末のカメラ映像から視線を推定します。遠隔で多人数に配れるのはこの方式だけです。

違いがいちばんはっきり出るのは精度です。2023年に公表された研究は、Webカメラの映像から視線を推定する学習モデルを比べ、最も良い条件でも精度は視角2.4度、ばらつきは0.47度だったと報告しています。同じ研究の中で比較された実験用の据置型は0.57度、装着型は0.82度でした。桁が1つ違うと言ってよい差です。この研究は65人分の記録を使っていますが、当初集めた118人のうち53人は、記録のフレームレートの不整合や顔検出の失敗で除外されています。

視角のままでは実感がわかないので、長さに直します。この研究の参加者は画面から50センチ離れて座っていました。その距離なら、0.57度はおよそ5ミリ、0.82度はおよそ7ミリ、2.4度はおよそ2センチに相当します。画面の上で2センチずれるということは、見出しを見ていたのか、その下の本文を見ていたのかを区別できないということです。ボタンとその横の注記も、区別が付きません。方式を選ぶときは、値段ではなく、この粒度で自分の問いに答えられるかを先に確かめます。

方式	測れる範囲	精度の目安（視距離50センチ換算）	崩れやすいところ
据置型（画面の下に取り付ける）	画面の中だけ。座った姿勢で見る面に限られる	研究で比較された実験用の装置は視角0.57度。画面上でおよそ5ミリ	参加者ごとに較正が要る。姿勢が崩れると較正が外れて記録が使えない
眼鏡型（装着して動ける）	紙の資料、棚、展示、対面の場面まで測れる	同じ研究で比較された装着型は視角0.82度。およそ7ミリ	映像から見た場所を割り出す手間がかかる。屋外の光や反射に弱い
Webカメラ方式（専用機材なし）	画面の中だけ。遠隔で多人数に配れる	学習モデルを比べた研究の最良で視角2.4度。およそ2センチ	記録は毎秒30回ほど。姿勢を保てる短い時間しか使えない

実測に人数と時間がかかるのは、どこか

人数の目安には根拠があります。ヒートマップという絵の形にまとめるなら、同じ作業を39人にしてもらうことを原典は勧めています。多くの人の視線を重ねて平均の形にする以上、人数が足りないと絵が偶然に左右されるからです。一方、詰まりの場所を見つけるだけなら8人から12人で足りるとされています。39人が要るのは、絵にするときだけです。加えて原典は、較正の失敗や技術的な問題を見込んで数人多めに募集し、技術的なつまずきは必ず起きると考えておくよう書いています。

機材の値段は、思っているより高くありません。据置型を販売しているメーカーの公開価格では、本体だけなら985ドル、毎秒150回測る上位機で2,650ドル、持ち運べる一式でも4,850ドルです。日本円にして十数万円から数十万円の桁で、部署の備品として買えない額ではありません。費用の大半を占めるのは機材ではなく、同じ条件の人を必要な数だけそろえる段取りと、立ち会う時間です。

時間の内訳も原典に書かれています。機材の設置に1日から2日、その後の予備の試行に1日から2日。本番では参加者ごとに較正を取り直し、途中で身を乗り出したり左右に動いたりすれば較正が外れます。人によって目の形も顔の形も座高も違うからです。実測が重いのは装置の値段ではなく、同じ条件を39人分そろえて維持する手間のほうです。ここを読み違えると、機材を買った後で回らなくなります。

AIの視線予測は、何を学んだモデルなのか

予測の側の中身も見ておきます。この分野は顕著性の予測と呼ばれ、多くの人が画像を見たときの固視の位置を教師データにして、画像を入れると目立ちやすさの濃淡を返すモデルを学習します。出力はヒートマップに見えますが、中身は確率の濃淡です。誰かが実際に見た記録ではなく、こういう画像ならここが目立つはずだ、という推定値だということです。この違いを社内で共有しておかないと、絵の見た目が同じなので混同されます。

この分野には共通の評価台があります。マサチューセッツ工科大学とドイツのテュービンゲン大学が共同で運営するベンチマークで、正解の視線データを伏せた300枚のテスト画像などに対して、各社・各研究のモデルを同じ条件で評価します。予測ツールを提供する会社も、ここに結果を提出して評価を受けたと技術説明に書いています。同じ土俵で比べられる仕組みがあること自体は、この分野の強みです。

到達点も押さえておきます。2025年5月に公開された研究の書き出しは、画像からの顕著性予測は既存のベンチマークの上では基準とされる水準に迫りつつある、と述べています。ベンチマークの上では、もう人の視線に近いところまで来ている、というのが出発点です。ただしこの一文には続きがあり、同じ研究はそこから、ベンチマークの外に出たときに何が起きるかを測っています。次の章から先が、その中身です。

公表されている「精度92パーセント」は、何を測った数字か

予測ツールの公表値を並べます。ある会社は、一般的な画像なら実測のヒートマップと92.5パーセント一致し、種類を問わなければ最大96パーセントだと技術説明に書いています。学習に使ったのは550万を超える固視と5.5億を超える視線点です。別の会社は95パーセントを超えると説明し、世界で2万人を超える参加者のデータをもとに約200のモデルを学習して比べたと述べています。どちらも自社の公表値であって、第三者による検証ではありません。

そのうえで、この数字が何を指しているかが重要です。これは正解か不正解かの割合ではなく、予測の濃淡と実測の濃淡がどれだけ重なるかを、決められた指標で数値にしたものです。しかも指標は1つではありません。面積で測る指標、固視のあった位置での値の高さで測る指標、相関で測る指標、分布の隔たりで測る指標があり、それぞれ性質が違います。

2016年に公開され2017年に改訂された論文は、8つの指標を比べたうえで、指標によってモデルの順位が変わると結論しています。理由も挙げられていて、誤って目立つと判定した場所と見逃した場所のどちらを重く扱うか、見方の偏りを補正するか、位置のずれを織り込むか、濃淡をどう前処理するかで結果が動きます。だから精度9割という数字を聞いたら、何の指標で、どのデータに対して測ったのかを必ず聞きます。この2つが揃わない数字は、他社の数字と並べても意味を持ちません。

予測が外れる理由その1：教師にしたのは、自由に眺めた視線

外れ方には型があります。1つ目は、学習に使った視線データの性質から来るものです。顕著性の予測モデルの教師データの多くは、特に目的を与えずに画像を眺めてもらう条件で集められています。したがって返ってくるのは、目的を持たずに見たときに目立つ場所です。探し物をしている人の視線を予測しているわけではありません。

2026年7月に公開された研究は、この点をはっきり書いています。従来の手法は、明暗や色や向きといった低い水準の手がかりに、自由に眺めるという仮定のもとで頼っている。しかし現実の多くの場面では注意は目的に導かれており、課題の要求は見る場所を大きく動かす、という記述です。同じ研究は目的を条件に加えたモデルの数値も出していますが、その数値は自由視のベンチマークの数値と直接は比較できないと著者自身が断っています。

人の側の裏付けもあります。2019年の研究は、投影された画像を4つの異なる指示のもとで見せ、時間的にも空間的にも眼球運動の指標が変わり、画像の中心を見る偏りまで指示によって違ったと報告しています。同じ絵でも、指示が変われば見る場所が変わります。予測が前提にしているのは、その指示が無い状態です。BtoBのサイトに来る人は、たいてい何かを探しています。この前提のずれが、外れ方の一つ目です。

予測が外れる理由その2：学習したデータの外に出ると落ちる

2つ目は、学習に使ったデータと当てる対象がずれたときに起きます。先ほどの2025年5月の研究は、あるデータセットで学習したモデルを別のデータセットに当てると、約40パーセントの性能低下が起きると報告しています。しかも、学習に使うデータセットの種類を増やしても、この差は解消しませんでした。残る差の6割近くは、データセットそのものが持つ偏りに帰属するとされています。

同じ研究は、その偏りの正体を分解しています。多段階の構造、中心を見る偏り、優先度のかけ方、固視の散らばり具合。そのうえで、20個に満たないデータセット固有のパラメータをその場のデータに合わせるだけで、汎化の差の75パーセント以上が埋まると示しています。しかもその改善の大部分は、50枚ほどの見本があれば達成できるとされています。

これは実務にそのまま読み替えられます。自社の面で実測した見本が数十枚あるかどうかで、予測の当たり方が変わるということです。予測を継続して使うつもりなら、年に一度でも小さな実測を回し、自社の画面での当たり外れを手元に持っておきます。予測と実測は二択ではなく、少量の実測が予測の値打ちを引き上げる関係にあります。この一点だけでも、比較の構図は変わります。

予測が外れる理由その3：見る人が誰なのかを渡していない

3つ目は、学習データの人の内訳から来ます。ある予測ツールの技術説明には、その内訳が書かれています。参加者は米国と欧州の人で、年齢は7歳から60歳を超える層まで幅がありますが、最も多いのは21歳から30歳です。男女の比率は女性が58パーセント、男性が42パーセントとされています。公開されているだけ誠実ですが、日本の法人向けサイトの読者はこの分布の中心にいません。

読者像のずれは、業界の言葉が読めるかどうかにも表れます。情報システム部門の担当者は、製品の型番や構成の表記を見慣れているので、初見の人が飛ばす場所に目を止めます。決裁に関わる管理職は、価格と導入期間を先に探します。予測ツールに渡っているのは画像だけで、それが誰に向けた画像なのかは渡っていません。目的も、業界も、検討の段階も、モデルの入力には入っていません。

だから、予測の結果を社内で言い換えます。「読者はここを見る」ではなく「この絵はここが目立つ」と読み替えます。この言い換えを最初に決めておくだけで、上申資料での使われ方が変わります。目立つかどうかは絵の性質なので、予測でおおむね分かります。読者がどう動くかは絵の外の話なので、予測では分かりません。この線を引いたうえでなら、予測は十分に役に立ちます。

当たりやすい面と、外しやすい面

ここまでの3つの理由から、予測が当たりやすい面の条件が出てきます。要素の数が少ないこと。大きさや明暗の差がはっきりしていること。そして、目的を持たずに流し見される場面で使われること。この3つが揃う面では、予測の返す濃淡は実感と大きくずれません。タイムラインを流れるバナー、掲示のポスター、一覧に並ぶサムネイルは、この条件に近い面です。

逆に、外しやすい面もはっきりしています。次の一覧は、予測を根拠に使うと判断を誤りやすい場面です。共通しているのは、見る人が目的を持っているか、画面が動くか、押した後に変わるかのいずれかです。

• 文字が主役の面——読む順番は文章の構造で決まる。目立つかどうかとは別の力が働く
• 検索や絞り込みから来た面——探し物がある人の視線は、目立つ場所ではなく探している物に向かう
• 押した後に変わる面——確認画面や誤りの表示は、静止した1枚では判定のしようがない
• 動画や動く広告——場面が切り替わった直後の視線は、静止画の延長では推定できない
• 見慣れた面——毎月使う取引先は、初見の人とはまったく違う場所を見る
• 縦に長い面——どこまで巻き取られるかで見られる範囲が変わり、1枚の画像には収まらない

画面の種類によって見方が違うことは、実測でも確かめられています。2023年に公開されたデータセットは、62人に1,980枚の画面を見せ、約2万件の視線移動の系列を集めました。Webページ、デスクトップの画面、モバイルの画面、ポスターという4種類を比べ、色、位置、視線の向きといった要因が種類によって違うことを分析しています。ポスターで合っていた予測が、そのままWebページでも合うとは限らないということです。

実測と予測を、決めたいことで選び分ける

ここまでの材料で、選び分けの表が書けます。判断の軸は費用ではなく、決めたいことです。次の表の左端に自分の問いを当てはめると、実測が要るのか、予測で足りるのか、そもそも視線では答えが出ないのかが決まります。3列目に「どちらも答えない」が並んでいることが、この表のいちばん大事な部分です。

決めたいこと	実測	AIの予測	判断の目安
制作中の案を5つから2つに絞りたい	過剰	足りる	差が大きい案の足切りに使う。僅差の順位付けには使わない
ファーストビューで先に目に入るのは図か見出しか	確実	当たりを付けられる	予測で仮説を作り、重要な面だけ実測で確かめる
資料請求のフォームのどこで手が止まるか	必要（8人から12人）	答えない	押した後の画面が要る。静止した1枚では判定できない
展示会の掲示や配布物のどこが読まれるか	眼鏡型で可能	答えない	予測は画面を前提にしている。紙や立体は対象外
この案は売上や問い合わせにつながるか	答えない	答えない	公開後や配信後の数字で判定する。視線は途中の指標
読み手が内容を理解し、納得したか	答えない	答えない	読後の質問、短いインタビュー、営業の場での反応で確かめる

表の使い方で一つ注意があります。1つの調査で複数の行をまとめて解こうとしないことです。問いを1つに絞るほど、必要な人数も方式も小さくなり、結果として早く終わります。行をまたいだ調査は、設計が複雑になるわりに、どの問いにも中途半端な答えしか返ってきません。まとめたくなったら、回数を分けるほうが安く済みます。

BtoBのサイトで、予測をどこに使うか

法人向けのサイトでの使いどころを具体化します。予測が効くのは、公開前に案を絞る場面です。制作会社から上がってきた案が5つあり、社内の意見が割れているとき、予測を全案に同じ条件で通すと、明らかに要素が競合している案が見えます。好みの言い合いを、絵の上の差に置き換えられるのが、この場面の値打ちです。ただし絞るのは足切りまでで、最後の2案の順位付けには使いません。

向かないのは、公開後に起きていることを説明したい場面です。資料請求の途中で離脱する理由、フォームで手が止まる欄、専門用語が伝わっているかどうか。これらはどれも、押した後や読んだ後にしか現れません。予測に渡せるのは静止した1枚なので、そもそも入力に含まれていません。予測に任せてよいのは、次のような突き合わせれば答えの出る作業に限ります。

• 同じ条件で複数の案を処理し、濃淡が入れ替わった場所を一覧にする
• 1つの案の中で、要素ごとに目立ちやすさの順位を付ける
• 端末の見え方の違いで、上部に収まる範囲がどう変わるかを並べる
• 過去に公開した面と今回の案を同じ条件で通し、構図の傾向の違いを出す
• 指摘の根拠として、どの要素のどんな性質でそう判定したかを要素ごとに書き出させる

落とし穴も一つ挙げておきます。予測のヒートマップを、利用者の声として社内に配ってしまうことです。絵の見た目が実測と変わらないため、2枚目以降の資料では出どころが消えます。予測の絵には、予測であること、どのツールか、いつの版かを絵の中に書き込んでおきます。後から出どころをたどれない絵は、社内で一人歩きします。

広告クリエイティブで、予測をどこまで使うか

広告の面は、予測がいちばん効きやすい場所です。目的を持たない流し見に近く、要素が少なく、大きさの差もはっきりしています。制作の段階で案を並べて通し、主役にしたい要素が実際に目立つ側に来ているかを確かめる。この使い方なら、予測の前提と実際の見られ方のずれが小さくなります。公開前に自分たちの意図と絵の性質がずれていないかを確かめる道具、という位置づけです。

ただし予測が返すのは「目立つ」であって「効く」ではありません。実測機器のメーカーが2025年8月に公開した記事は、買い物客の視線を捉えたことが操作や購入につながるとは限らないと述べ、2008年の研究を引いて、予測の手法は課題に応じた探索や、ロゴや繰り返し出る広告を意図的に無視する行動を説明できないため、関心のある領域を見誤ることが多いと指摘しています。機材を売る側の発信である点は差し引く必要がありますが、指摘の中身は前の章までの一次資料と矛盾しません。

動画はさらに難しくなります。予測の検証を手がける調査会社は2025年3月の記事で、場面が切り替わった直後にモデルはすぐ顔に寄るが、実際の視聴者は先に別の物を見ることがある、という外れ方を挙げています。ただしこの記事は検証の手順や刺激を公開していないため、外れ方の型として参考にする程度にとどめます。広告は、予測が当たったかどうかを配信後の数字で確かめられる、数少ない面でもあります。予測で選んだ案のCTRを記録し続けると、自社の面での予測の当たり方が分かってきます。

予測を使うときの手順を、5つに固定する

使い方を毎回考えていると、返ってくるものの読み方が安定しません。手順を固定します。芯にあるのは、1枚だけを見て判断しないことと、決めた後に確かめる予定を先に入れておくことです。

この5つで飛ばされやすいのは、2番目と5番目です。2番目を飛ばすと、1枚の絵を前にした感想戦になります。5番目を飛ばすと、予測が自社の面で当たるのかどうかが何年経っても分からないまま、使い続けることになります。予測は、当たり外れを記録した会社でだけ、年々使いやすくなる道具です。

AIに判断させない線を、先に引く

予測ツールは絵を返すだけですが、最近は画像を読める生成AIに面を渡し、どこが弱いか、どう直すべきかを文章で書かせる使い方も増えています。文章になった瞬間に、根拠のない断定が混ざります。絵の濃淡は見れば疑えますが、文章は疑いにくいからです。だから任せる範囲を書いたら、任せない範囲も同じ紙に書きます。片方だけを配ると、書かれていないほうが自動的に許可されたことになります。

• 面の良し悪しの総評——このバナーは良い、という判定を書かせない。根拠のない合格が一度出ると、次から確認が甘くなる
• 成果の予測——目立つかどうかから、反応率や売上を推定させない。学習したデータに成果は含まれていない
• 読者像の推定——誰がどう感じるかは渡していない情報。書かせると、もっともらしい人物像が返ってくる
• 法令や社内規程に関わる表示——目立たないから外す、小さくする、という判断をさせない
• 案の採否——差が小さいときに、どちらかを選ばせない。差が小さいという事実のほうを報告させる

根拠を書かせる指示も一緒に入れます。どの要素の、どんな性質によって目立つと判定したのかを、要素ごとに1行で書かせます。位置なのか、大きさなのか、周囲との明暗の差なのか。これが書けない指摘は、絵の濃淡をなぞって言い換えただけです。加えて、判断に必要な情報が渡されていないと思ったら、答えを作らずに何が足りないかを書いて止まるよう、指示に1行足します。止まった回数は数えておきます。

人が確かめる範囲も、先に3つに決めます。指摘された場所がその面に実際に存在するか。その面の目的に照らして、そこが目立つべき場所か。案の間で本当に差が出ているか。3つに絞っておくと、案の数が増えても確認が作業として回ります。全部を読み直そうとすると、件数が増えた時点で確認が形だけになり、線を引いた意味がなくなります。

実測を選んだときに、小さく始める形

実測が必要だと決まった場合も、いきなり39人を集める必要はありません。39人が要るのはヒートマップという絵を作るときだけで、詰まりの場所を見つけるだけなら8人から12人で足ります。目的がいつのまにか絵を作ることにすり替わっていないかを、着手前に確かめます。社内で共有しやすいのは絵ですが、直す作業に渡るのは詰まりの一覧のほうです。

Webカメラ方式にも使いどころがあります。専用の機材が要らず遠隔で配れる代わりに、精度は視角2.4度、記録は毎秒30回ほど、姿勢を保てる短い時間しか使えません。だから、見出しと本文のどちらを見ていたかは測れませんが、上部と下部のどちらに視線が集まったかなら測れます。先に粒度を落として、その粒度で答えの出る問いだけを当てるのが、この方式の正しい使い方です。

そして、取った記録は捨てずに残します。前の章のとおり、自社の面での見本が数十枚あると、予測の当たり方が変わります。1回の実測を、その回の答えだけで終わらせないということです。実測は、その場の答えと、予測を自社に合わせるための見本の、2つを同時に生みます。この見方に立つと、実測と予測のどちらを選ぶかという問いは、どちらにどれだけ配分するかという問いに変わります。

まとめ

アイトラッキングが必要かどうかは、機材の値段では決まりません。決めたいことで決まります。実測が答えるのは、その人たちが実際にどこを見たかまでです。ヒートマップという絵の形にまとめるなら同じ作業を39人に、詰まりの場所を見つけるだけなら8人から12人に、というのが原典の目安でした。機材そのものは1,000ドル前後から5,000ドル弱で買えますが、費用の大半は人をそろえる段取りと立ち会う時間です。

AIの視線予測が答えるのは、目的を持たずに眺めたときに目立つのはどこか、までです。この分野には共通の評価台があり、2025年の研究は、既存のベンチマークの上では基準とされる水準に迫りつつあると書いています。ただし各社が公表している精度9割という数字は正解率ではなく一致の度合いであり、指標を変えるとモデルの順位が変わることは原典に示されています。数字を聞いたら、何の指標で、どのデータに対して測ったのかまで確かめます。

外れる理由は3つに分けられます。教師にしたのが自由に眺めた視線であること。学習したデータの外に当てると約40パーセント落ち、その差の6割近くはデータセット固有の偏りに帰属すること。そして、その画像が誰に向けたものかがモデルに渡っていないこと。だから予測が当たりやすいのは、要素が少なく、差がはっきりしていて、流し見される面です。文字が主役の面、探し物のある人が使う面、押した後に変わる面、動く面では外れます。

それでも、予測と実測は二択ではありません。同じ研究は、20個に満たないパラメータをその場のデータに合わせるだけで汎化の差の75パーセント以上が埋まり、その大部分は50枚ほどの見本で達成できると示しています。自社の面で取った少量の実測が、予測の当たり方そのものを引き上げるということです。年に一度の小さな実測を、予測を使い続けるための投資として組み込む形が、いちばん安く回ります。

線引きだけは先に引いておきます。良し悪しの総評、成果の予測、読者像の推定、法令に関わる表示、案の採否。この5つはAIに判断させません。代わりに、どの要素のどんな性質でそう判定したのかを書かせ、人が確かめるのは3点だけと決めておきます。予測が返すのは決定ではなく、人が確かめるべき場所の候補です。候補として扱えば早く回り、決定として扱えば、根拠のない絵が社内を一人歩きします。

※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。