明日のパンの仕込みを考えているとき、AIが「販売数の予測は120個です」と表示したとします。数字が一つに絞られていると、それだけ売れることが決まっているように感じるかもしれません。ですが、まだ来ていないお客さんの人数まで確定したわけではありません。この120個は、どのように受け止めればよいのでしょうか。

一言で答えるなら、AIの予測は「過去のデータにあるパターンから、まだ分からない結果を推定すること」です。未来を直接見ているのではなく、分かっている情報を使って、未知の結果の見当をつけています。IBMの解説でも、機械学習はデータに基づいて予測や判断をするモデルを作る技術として説明されています。（出典: IBM）



身近なたとえは、店主が販売ノートを読み返して仕込み量を考える場面です。「同じ曜日には、このくらい売れていた」「雨の日は客足が違った」と振り返ることはあるでしょう。機械学習による予測も、記録の中にある関係を利用するという点で似ています。ただし、AIが店主のような生活経験や気持ちを持って考えている、という意味ではありません。

この記事では、架空のパン店を例に、販売数を予測する場面に絞って考えます。登場する数値はすべて説明用であり、実際にAIを動かした結果ではありません。読み終えたときに目指したいのは、予測を信じるか疑うかの二択から離れ、「何を材料にした数字なのか」を確認できることです。予測の数字を仕込みに使うためには、その数字の成り立ちを知る必要があります。

パン店に、日付、曜日、天候、販売個数をまとめた記録があるとします。過去の記録には、その日に何個売れたかという結果も残っています。このように、条件と結果を組み合わせた例から関係を学ぶ方法は、機械学習の一種である「教師あり学習」と呼ばれます。IBMは、入力と正解に当たる情報を組み合わせて学習し、未見のデータの結果を予測する方法として説明しています。（出典: IBM）

ここでの「学習」は、記録をそのまま保管することだけを指すのではありません。条件と販売個数の間にある傾向を、予測に使える形へまとめる過程です。その結果としてできる仕組みが「モデル」です。Google Cloudの解説でも、機械学習モデルは、学習用のデータを使って処理した結果として得られるものとされています。（出典: Google Cloud）



たとえるなら、販売ノートを何ページも読んで、仕込みを考えるための目安を作る段階が学習に当たります。できあがった目安に明日の条件を当てはめ、販売数を見積もる段階が予測です。この二つを分けると、「予測を出すこと」と「実際の販売結果を使って学び直すこと」が、同じではないと整理できます。

この架空例では、過去の記録からモデルを作り、そのモデルへ新しい日の条件を渡す流れを想定します。新しい予測を表示しただけで、明日の売れ行きを経験済みになるわけではありません。明日の実績は、営業が終わってから分かります。予測の時点で使える情報と、後から分かる情報を区別すると、AIが知っている範囲を過大に受け止めずに済むでしょう。

架空のパン店「こむぎ堂」が、明日の食パンの販売数を知りたいとします。ここでは、過去の曜日、天候、販売個数を使って学習したモデルを想定します。明日の曜日と予想される天候を入力し、販売個数の見積もりを受け取る設計です。これは仕組みを理解するための例であり、特定の製品の機能や操作方法を示すものではありません。

| 区分 | 説明用の内容 | 読み取るポイント |
| --- | --- | --- |
| 過去の記録 | 月曜日、晴れ、食パン110個販売 | 学習に使う条件と結果です |
| 明日の入力 | 月曜日、晴れの予報 | 予測時点で分かっている条件です |
| 予測の出力 | 食パン120個 | 実績ではなく販売数の見積もりです |

表の110個と120個には、実測や計算による根拠はありません。入力と出力の違いを示すための架空の数字です。実際のモデルがどう予測するかは、学習に使う記録やモデルの作り方などによって変わります。「過去の一日が110個だったから、次は120個になる」という決まりがあるわけでもありません。



注目したいのは、入力に何が含まれているかです。この例では、曜日と天候を渡していますが、近所の学校行事や道路工事の予定は渡していません。そのため、店主だけが知っている地域の事情まで予測に織り込まれているとは考えないほうがよいでしょう。AIという名前だけで、必要な事情をすべて把握していると受け止めるのは早計です。

Google Cloudは、機械学習について、データのパターンを見つけて特定の課題に取り組む技術と説明し、小売分野の用途に需要予測を挙げています。（出典: Google Cloud）ただし、需要予測が用途として挙がっていることと、目の前の店に必要な条件がすべて入力されていることは別です。数字を読む前に入力項目を見ると、予測が扱える範囲と、人が補うべき情報を整理しやすくなります。

過去の記録では、晴れた月曜日によく売れていたとします。ところが明日は、店の前の道路が通行止めになる予定です。曜日も天候も似ていても、来店しやすさは変わります。先ほどのモデルには道路工事の情報を渡していないため、その違いを入力から見分けることはできません。この条件なら、予測をそのまま仕込み量にする前に、店主の確認が必要でしょう。

機械学習がデータのパターンを使うという説明から考えると、過去に学んだ関係と、予測する日の状況が合わない場合には注意が必要です。これは、IBMとGoogle Cloudの機械学習の説明をパン店の例に当てはめた考え方です。過去に見られた傾向が、どんな場所や時期にも同じように続くと保証されているわけではありません。（出典: IBM、Google Cloud）



記録そのものの意味にも落とし穴があります。たとえば、ある日に食パンが100個売れたとしても、100個で売り切れたのか、十分な在庫があって100個売れたのかで、読み取り方は違います。前者なら、買いたかったのに買えなかった人がいた可能性があります。販売個数だけでは、その人数までは分かりません。これはAIの性能以前に、記録が何を表しているかという問題です。

予測が外れたときは、「AIは役に立たない」と決める前に、どこで前提が変わったかを確かめる方法があります。道路工事のように新しい事情が起きたのか、売り切れを通常の販売実績として扱っていたのか、それとも予測した対象を取り違えたのか。原因によって、追加したい情報や記録の残し方は変わるはずです。

外れた数字も、確認する材料として使えます。ただし、理由を確かめずに、後からもっともらしい説明を付けるだけでは改善につながりません。何が起きたかを営業記録などで確認し、分からない部分は分からないまま残す姿勢が必要です。

予測された販売数と、実際に作る個数は分けて考えると整理しやすくなります。販売数の予測は「どれくらい売れそうか」という問いへの見積もりです。仕込み量の決定には、それに加えて、売れ残りをどの程度避けたいか、品切れをどの程度避けたいか、材料や作業に余裕があるかといった店側の事情が関わります。予測の数字だけで、それらの優先順位まで決まるわけではありません。

架空の例として、同じ120個という予測を受け取った二つの店を考えます。一方は売れ残りを抑えることを優先し、もう一方は常連客の買い逃しを減らすことを優先するとします。両店が異なる仕込み量を選んでも、不自然ではないでしょう。ここで違うのは予測の数字ではなく、判断するときに重視する条件です。これは予測を業務に使う際の考え方の提案です。



数字の見た目にも注意したいところです。「120個」と細かく表示されていても、その表示だけから、どの程度外れる可能性があるかは判断できません。「必ず120個売れる」「120個を超えることはない」と読み替える根拠にもならないでしょう。精度を考えるには、同じ目的で出された予測が、実際の結果とどのくらい違っていたかを確認する必要があります。

また、文章で「明日は120個ほど売れそうです」と回答された場合には、数字の由来を確認したいところです。IBMは、生成AIを、利用者の依頼に応じて文章などの内容を作る技術と説明しています。（出典: IBM）自然な文章で書かれていることだけでは、その数字が店の販売記録を使った予測なのか、説明用の例なのかは分かりません。数字の形式よりも、どのデータと方法を使った結果なのかを見ることが、判断への近道です。

予測を使う側が、最初からモデルの計算方法を細かく理解している必要はありません。パン店の例なら、「何の予測か」「どんな前提か」「実際にはどうだったか」の三つを記録するところから始められます。これは特定のサービスの操作手順ではなく、予測を判断材料として扱うための確認方法の提案です。紙のノートでも、普段使っている表でも取り組めるでしょう。

対象については、「明日一日のお店全体の売上」なのか、「明日の食パンの販売個数」なのかを言葉にします。同じ120という数字でも、対象が違えば仕込みには使えません。期間も同様です。午前中の予測と閉店までの予測を混同すると、数字自体に問題がなくても、判断を誤るおそれがあります。



前提の確認では、予測に使った条件と、店側で把握している予定を見比べます。道路工事や地域の催しなど、例外的な事情があれば、その情報が反映されているかを確かめます。反映されていない場合には、予測とは別の判断材料として書き添える方法が考えられます。分からない条件を、AIが自動で考慮したことにしないのが要点です。

営業後には、予測、実際の販売個数、品切れや売れ残りの状況を並べて振り返ります。たとえば、予測120個に対して販売100個でも、昼に完売したなら、その100個だけで予測の良し悪しを決めるのは難しいでしょう。結果の数字と、その数字が生まれた状況を一緒に残すと、次回に確認したい点が見えてきます。

明日から試すなら、身近な予測を一つ選び、その横に「何を、いつまで、どの条件で予測したか」と書いてみてください。結果が分かった日に実績を追記すれば、予測を確定情報として受け取る習慣から、根拠と結果を照らし合わせる習慣へ移れます。AIの数字をどう使うかは、その確認を踏まえて決めていきましょう。

- What Is Artificial Intelligence (AI)? | IBM — 提供資料に記載された公開日は2024年8月9日、更新日は2026年10月2日です。資料の取得日は2026年11月11日です。
- AI vs. Machine Learning: How Do They Differ? | Google Cloud — 提供資料に公開日・更新日の記載はありません。資料の取得日は2026年11月11日です。