100万人のAIが会話したら、社会を予測したことになるのか

Anicca Research / Manager Masterclass P11-2 / 2026年11月7日

ある町で新しい習慣が広がったとする。最初の数人が始めると、友人がまねをし、友人の友人も始める。私たちはこれを「社会的感染」と呼びたくなる。

しかし、そもそも似た人同士が友人になっているだけかもしれない。近隣者が同じ行動を取ることは、他者からの影響を受けた証拠にはならない。

AIが仮想社会を精巧に描けるようになった今、社会に似た物語を生成することと、現実の社会的因果関係を推定することの違いが重要になっている。

生成エージェントは何を変えたか

2023年、Parkらの Generative Agents は25体のエージェントが町で暮らすデモを示した。エージェントには記憶を保存し、関連する記憶を取り出し、振り返り、計画する仕組みがある。これは対話的な仮想世界を作るうえで画期的だった。

その後のOASISは、SNSのフォロー、投稿、推薦、コメントを含む環境を大規模にモデル化した。AgentSocietyは1万体を超えるエージェントで分極化、災害などを模擬している。

こうした研究が示すのは、LLMを社会シミュレーションへ組み込めるということだ。しかし、モデルが自然に見えることや人数が多いことは、現実の未知の集団を予測できることと同義ではない。

数学で考える「友人の影響」

社会ネットワークを \(G=(V,E)\) とし、ある人の近隣者が行動を採用した割合を

近隣者の採用率は e_i = 採用した近隣者数 / 近隣者総数 と表せる。

と定義する。\(e_i\) が高いほど自分も採用しやすいという相関があっても、その原因は3つ考えられる。本人が他者から影響された（contagion）、似た人がつながっている（homophily）、同じ広告や制度変更にさらされた（common exposure）である。

この3つを無視して「友人の影響がある」と結論すれば、施策の効果を過大評価するかもしれない。

一致率100%でも、影響はゼロかもしれない

実際に完全架空のネットワークを計算した。12人を潜在的なタイプによって分け、同じタイプ同士だけが友人になるようにした。すると、友人の採用率から本人の採用を100%当てられる。

ところがこの人工世界では、友人の行動が本人に与える因果効果は、設計上ゼロである。

別の4ノード演習では、誰に介入し、近隣者の何割に介入したかを明示した構造方程式を使用した。これも現実の社会効果ではなく、相関と因果の違いを手元で検証する教材だ。

真に必要な評価

社会シミュレーションでは、個人の選択確率、集団分布、ネットワーク構造、時間的な拡散、政策を変えた時の効果を、別々に評価しなければならない。平均が当たっても少数派を再現できない場合がある。短期は当たっても長期は壊れる場合がある。

Behavior Foundation Modelを社会へ広げるなら、まず「未知のネットワークで何を予測できるか」を、シミュレーションの魅力的な動画とは独立して検査する必要がある。

主な一次資料

• Park et al. (2023), Generative Agents
• Yang et al. (2024), OASIS
• Piao et al. (2025), AgentSociety

注：12人と4ノードの実験は完全合成であり、現実の社会現象やManagerの社会予測性能の証拠ではない。