見積もりはなぜ毎回外れるのか — 計画錯誤とAI開発時代の対処法

「30分で終わる」と見積もったタスクが半日かかる現象は、経験不足ではなく「計画錯誤(planning fallacy)」という認知バイアスで説明できます。 ベテランでも、AIエージェントに実装を任せる開発でも、このズレは消えません。この記事では、計画錯誤の根拠と、私たちがAIとの日次運用で実際に踏んだ見積もり外れの一次体験、そして外れ幅を小さくする対処法を整理します。

計画錯誤とは何か

計画錯誤とは、自分のタスクにかかる時間を、実際よりも楽観的に見積もり続けてしまう認知バイアスです。心理学者ダニエル・カーネマンとエイモス・トベルスキーが1979年に提唱し、Roger Buehlerらの追跡研究で実証されました。

Buehlerらの学生を対象にした研究では、卒業論文の提出時期を「99%の確率で間に合う」と自信を持って答えた学生のうち、実際に間に合ったのは約半数にとどまりました(出典: Buehler, Griffin, & Ross, "Exploring the 'Planning Fallacy': Why People Underestimate Their Task Completion Times", Journal of Personality and Social Psychology, 1994)。自信の強さと、実際の的中率は別物だということです。

なぜ人は毎回楽観的に見積もるのか

理由は、見積もりを立てるとき人は「今回はうまくいく最短の道筋」だけを思い浮かべる傾向があるためです。これを内部視点(inside view)と呼びます。過去に似たタスクで足止めを食った経験があっても、「今回は違う」と考えてしまいます。

一方、他人の似たタスクを見るときは、過去の実績を素直に参照できます。この非対称性——自分のことになると最短ルートしか見えなくなる——が、計画錯誤の中心にある構造です。

AIエージェントに任せても、この現象は消えない

私たちはAIエージェントに実装を任せる開発を日次で回していますが、計画錯誤は形を変えて残ります。AIが数秒でコードを書き上げる場面を見ると、「このペースなら」という体感が実際の所要時間よりも短く錯覚されやすいためです(推定)。

実装そのものが速くなっても、要件のすり合わせ・レビュー・実機での動作確認・想定外のエラー対応といった工程は残ります。速い部分だけを見て全体の見積もりを縮めてしまうと、ズレはむしろAI導入前より広がりかねません。

外部視点で見積もる — 参照クラス予測

対処の核心は、内部視点をやめて外部視点(outside view)に切り替えることです。「今回はどうなりそうか」ではなく、「同じ種類のタスクは過去どれくらいかかったか」を先に見ます。これは経済学者フリビョルグらが提唱する「参照クラス予測(reference class forecasting)」と同じ発想です。

外部視点を使うには、過去の実績が記録として残っている必要があります。私たちが開発の意思決定や不具合対応をログとして都度残しているのは、次回の見積もりをこの参照クラスとして使うためでもあります。

実務での対処法

外部視点に加えて、実務で効くのは次の3つです。

3つ目の係数は乱暴に見えますが、Buehlerらの研究が示すとおり、内部視点による見積もりは構造的に楽観へ寄るため、後から補正するより先に係数をかける方が扱いやすくなります。

よくある質問

Q. 経験を積めば計画錯誤は解消されますか? A. 経験は精度を多少上げますが、バイアス自体は消えません。Buehlerらの研究対象は初めて論文を書く学生に限らず、同じ傾向は熟練者でも報告されています。経験に頼らず、外部視点の仕組みを持つ方が確実です。

Q. AIに見積もりそのものをさせるのは有効ですか? A. AIも学習データの傾向から楽観的な見積もりを出すことがあるため過信は禁物です。ただし「過去の似たタスクの実績を洗い出す」役割を任せるのは有効です。判断材料を集める作業と、最終的な見積もりを決める作業を分けるのがポイントです。

Q. 個人開発のように記録が少ない場合、外部視点はどう作ればいいですか? A. 記録が少ない段階では、直近数回のタスクだけでも「見積もり時間」と「実際にかかった時間」を並べて残しておくと、それ自体が参照クラスになります。厳密な統計でなくても、2〜3件の実績があるだけで内部視点よりは精度が上がります。

Q. 見積もりが外れること自体は問題ですか? A. 外れること自体より、外れ幅を前提にした計画になっていないことが問題です。係数をかけた見積もりを最初から使えば、外れは想定の範囲内として吸収できます。