Home / ホライズン・スキャニングとは | 変化の兆候から未来の可能性を発見する方法

ホライズン・スキャニングとは | 変化の兆候から未来の可能性を発見する方法

ホライズン・スキャニング（Horizon Scanning）は、技術、社会、経済、政治、環境などの幅広い領域から情報を収集し、将来重要な影響を及ぼす可能性がある変化の兆候を早期に発見するための探索的な思考方法です。戦略的フォーサイト（Strategic Foresight：戦略的未来洞察）を構成する代表的な手法の一つであり、政府の政策立案、企業の経営戦略、研究開発、新規事業開発、リスク管理などに利用されています。

企業が将来の事業環境を検討する際には、市場動向、技術開発、競合企業、顧客ニーズなどの情報を収集します。しかし、通常の市場調査や技術調査では、すでに重要であると認識されている対象や、既知のカテゴリーに属する情報が中心になりやすくなります。

一方、大きな変化の始まりは、必ずしも既存市場の統計や主要企業の動向に現れるとは限りません。新しい技術の小規模な実験、特殊な用途での利用、従来とは異なる顧客行動、新しい制度の検討などが、後になって産業構造を変化させるきっかけとなる場合があります。

ホライズン・スキャニングでは、こうした初期段階の変化に注目します。

例えば、製造業で新しいAI技術がどの程度普及するかを考える場合、AI市場の成長率や主要企業の投資動向だけを調べるのではありません。小規模な製造現場での実験、従来とは異なる利用方法、技術コストの変化、データ利用に関する制度変更なども探索対象になります。

それらの情報を比較し、将来どのような変化につながる可能性があるかを検討します。

ホライズン・スキャニングの目的は、将来を正確に予測することではなく、まだ十分に認識されていない変化の兆候を発見し、将来の機会やリスクを早い段階から検討できるようにすることです。

ただし、珍しいニュースを集めるだけではホライズン・スキャニングにはなりません。情報の信頼性を確認し、異なる兆候の関係を検討し、意思決定にとっての意味を明らかにすることが重要です。

ホライズン・スキャニングの成立と発展

将来の変化を早期に捉えようとする考え方は、経営戦略や軍事戦略、将来研究などの分野で発展してきました。

関連する重要な考え方の一つが、弱い兆候（Weak Signals）です。

経営戦略研究者のH・イゴール・アンゾフ（H. Igor Ansoff）は、1975年の論文「Managing Strategic Surprise by Response to Weak Signals」において、企業が重大な環境変化に直面する前に、まだ不完全で曖昧な情報から変化の可能性を捉え、段階的に対応することの重要性を論じました。

企業が大きな変化を認識したときには、すでに対応するための時間が不足している場合があります。変化を早い段階で捉えることができれば、確実な情報が得られるまで何もしないのではなく、情報収集や準備を始めることができます。

その後、ホライズン・スキャニングは、戦略的フォーサイトを構成する方法として、政府機関や研究機関などで体系化されてきました。

英国政府のGovernment Office for Scienceは、The Futures Toolkitにおいて、将来の政策や戦略に影響する可能性がある変化の兆候や新しい動向を体系的に収集・分析する方法としてホライズン・スキャニングを紹介しています。

OECDや欧州委員会も、将来の社会・技術的な変化を早期に把握し、政策や戦略の検討へ反映するための方法として位置づけています。

現在では、従来の文献調査や専門家へのヒアリングに加え、オンライン情報の収集、テキストマイニング、機械学習、LLMなどを利用した探索も進められています。

しかし、情報収集を自動化することと、将来重要になる変化を理解することは同じではありません。

ホライズン・スキャニングには、情報を発見する過程と、その意味を解釈する過程の両方が必要です。

弱い兆候（Weak Signals）とは何か

弱い兆候とは、将来の重要な変化を示している可能性があるものの、現時点では十分な情報が得られておらず、その意味や影響が明確ではない兆候です。

例えば、ある技術が大企業の主力製品として広く採用されている場合、その技術の重要性を認識することは比較的容易です。

しかし、特定の研究機関で実験が始まったばかりの技術や、一部の小規模な企業が採用し始めた新しい事業方式については、将来大きな影響を持つかどうかは分かりません。

こうした段階で、その動きが何を意味するのかを考えることが、弱い兆候の探索です。

ただし、「情報が少ない」「珍しい」「新しい」という理由だけで、その情報を重要な弱い兆候と判断することはできません。

新しい技術や事業の試みの多くは、広く普及することなく終わります。また、将来重要になると期待されていた技術が、別の技術によって置き換えられる場合もあります。

そのため、弱い兆候については、現時点の事実と、そこから考えられる将来の可能性を区別する必要があります。

例えば、次のように整理できます。

項目内容
観察された事実ある企業が特殊な製造設備に新しいAI監視方式を試験導入した
兆候としての解釈従来の設備管理方式とは異なるアプローチが現れつつある可能性
将来の仮説同様の方式が低コスト化すれば、既存設備の管理方法が変化するかもしれない
必要な検証技術的な性能、導入費用、他の設備への適用可能性、顧客需要など

※この表は説明用の仮想例です。

重要なのは、観察された事実と、その意味についての解釈を混同しないことです。

一つの事実から、複数の異なる将来仮説が考えられる場合もあります。

兆候・トレンド・変化要因の違い

ホライズン・スキャニングでは、兆候（Signal）、トレンド（Trend）、新たな課題（Emerging Issue）、変化要因（Driver of Change）などの概念が利用されます。

これらは関連していますが、同じものではありません。

概念意味例
兆候（Signal）変化の可能性を示す観察可能な出来事や情報特定の工場が新しいAI保全方式を試験導入した
弱い兆候（Weak Signal）将来の意味や影響がまだ不明確な初期段階の兆候従来の製造設備とは異なる管理方式の小規模な試み
トレンド（Trend）一定期間にわたって確認できる変化の方向製造業でAI監視システムの導入が継続的に増加している
新たな課題（Emerging Issue）今後、組織や社会に重要な影響を持つ可能性がある論点産業設備のAI管理に伴う責任分担や安全性の問題
変化要因（Driver of Change）より広い変化を促進・制約する要因労働力不足、AIの低コスト化、規制変更

これらは必ずしも一方向に発展する段階を表しているわけではありません。

複数の兆候からトレンドを認識する場合もあれば、すでに知られている変化要因から新たな課題が生じる場合もあります。

また、メガトレンド（Megatrend）は、人口構造の変化や長期的な都市化など、社会や経済に広範囲の影響を及ぼす大規模で長期的な変化を表す概念です。

ホライズン・スキャニングでは、すでに認識されているメガトレンドだけでなく、それらを変化させる可能性がある新しい兆候にも注目します。

なお、将来発生した場合に大きな影響を及ぼすが、その発生可能性が低い、または推定が難しい事象は、ワイルドカード（Wild Card）などとして検討されることがあります。

ワイルドカードは将来事象についての仮定であり、すでに観察された兆候とは区別する必要があります。

トレンド分析との違い

トレンド分析（Trend Analysis）は、過去から現在までのデータを利用して、変化の方向や速度を把握する方法です。

例えば、ある技術に関連する論文件数、特許出願件数、製品数、市場規模などを時系列で分析します。

これらの指標が増加していれば、その技術に対する研究開発活動や市場の関心が高まっている可能性があります。

ただし、件数が増えていることと、その技術が将来成功することは同じではありません。

また、重要な技術変化が、最初から明確な統計的トレンドとして現れるとは限りません。

ホライズン・スキャニングでは、まだ統計的な傾向として確認できない小規模な動きや、既存のトレンドから外れる現象にも注目します。

比較項目トレンド分析ホライズン・スキャニング
主な対象確認可能な変化の傾向将来重要になる可能性がある兆候
情報の状態継続的なデータが存在する場合が多い情報が少なく、断片的な場合がある
重要な問い何が、どのような速度で変化しているかまだ十分に認識されていない変化は何か
主な方法時系列分析、統計、指標の比較広範囲の探索、兆候の評価、意味の解釈
主な成果変化の方向や程度新しい機会・リスク、追加調査すべき課題

ただし、両者は相互に補完します。

ホライズン・スキャニングで発見した兆候について、継続的に情報を収集することで、新しいトレンドとして確認できる場合があります。

逆に、トレンド分析によって従来とは異なる変化が発見され、それが新しい兆候として注目される場合もあります。

探索対象をどのように設定するか

ホライズン・スキャニングを実施する際には、まず何のために将来の変化を探索するのかを明確にする必要があります。

例えば、ある製造業の企業であれば、「今後10年間で、自社の主力製品の需要や競争環境を変化させる要因は何か」という問いを設定できます。

一方、研究開発部門であれば、「現在の研究領域とは異なる分野で、将来重要になる可能性がある技術や現象は何か」という問いを設定することも考えられます。

ただし、探索範囲をあまり狭く設定すると、予想外の変化を見落とす可能性があります。

例えば、産業用計測機器メーカーが計測機器業界のニュースだけを監視していた場合、ソフトウェア企業の事業モデル、半導体の低価格化、製造現場の人員構成の変化などが、将来の競争環境に与える影響を十分に捉えられないかもしれません。

そのため、ホライズン・スキャニングでは、特定の問題に関連する情報を重点的に探索する方法と、既存の事業領域を超えて幅広く探索する方法を組み合わせることが考えられます。

前者は、意思決定との関連性を確保するために役立ちます。

後者は、既存の前提では想定していなかった変化を発見するために重要です。

探索の目的は明確にしながらも、探索する対象を既知の業界やキーワードだけに固定しないことが重要です。

STEEP・PESTLEによる探索領域の整理

ホライズン・スキャニングでは、情報収集の範囲が特定の領域に偏らないようにするため、STEEPやPESTLEなどの枠組みが利用されます。

STEEPは、社会（Social）、技術（Technological）、経済（Economic）、環境（Environmental）、政治（Political）の5領域から変化要因を整理するものです。

PESTLEは、これらに関連して政治、経済、社会、技術、法律、環境の6領域を区別する方法です。

例えば、製造業の将来を探索する場合には、次のような情報が対象になります。

領域探索する情報の例
社会労働力不足、技能継承、働き方、顧客の価値観
技術AI、センサー、材料、製造方式、通信技術
経済設備投資、エネルギー価格、供給網、国際競争
環境脱炭素、資源利用、環境規制、気候変動
政治・制度産業政策、貿易政策、安全保障、規制・標準

このような枠組みは、情報収集の漏れを減らすために役立ちます。

ただし、実際の変化は、一つのカテゴリーだけで説明できるとは限りません。

例えば、AIの低コスト化という技術的な変化は、企業の設備投資、人材需要、製品価格、規制、競争環境などにも影響する可能性があります。

また、既存の分類に当てはまりにくい情報を、無理に一つのカテゴリーへ押し込める必要もありません。

STEEPやPESTLEは探索領域を確認するための道具であり、将来の変化をあらかじめ決められた分類に閉じ込めるためのものではありません。

ホライズン・スキャニングの基本的なプロセス

英国政府のFutures Toolkitなどを参考にすると、ホライズン・スキャニングは、情報の収集から評価、戦略への反映までを含む継続的なプロセスとして整理できます。

  1. 探索目的を設定する。 どのような意思決定を支援するのか、対象領域と時間軸を明確にします。
  2. 情報源を設計する。 技術文献、ニュース、特許、政策文書、企業活動、専門家の知見など、異なる種類の情報源を選びます。
  3. 変化の兆候を収集する。 将来の変化を示している可能性がある出来事や情報を記録します。
  4. 情報の信頼性を確認する。 出典、発生時点、事実関係などを確認し、推測や解釈と区別します。
  5. 兆候を整理・関連づける。 類似した兆候や、相互に関係する兆候をまとめ、新しい変化のパターンを検討します。
  6. 重要性と不確実性を評価する。 将来の影響、対象組織との関連性、実現可能性、情報の確かさなどを検討します。
  7. 戦略上の意味を考える。 新しい機会、脅威、追加調査すべき課題、戦略変更の必要性などを明らかにします。
  8. 継続的に監視する。 新しい情報を追加し、兆候についての評価や将来仮説を更新します。

このプロセスは、必ずしも一方向に進むものではありません。

ある兆候について追加調査を行った結果、当初の解釈が誤っていたことが判明する場合もあります。

また、複数の兆候の間に新しい関係が見つかり、これまでとは異なる探索課題が生まれる場合もあります。

ホライズン・スキャニングは、一度の調査で完成する報告書というより、変化を継続的に認識し直すための活動です。

兆候をどのように記録するか

ホライズン・スキャニングでは、発見した情報を後から比較・検証できる形で記録することが重要です。

例えば、次のような情報を一つの「兆候カード」として整理できます。

記録項目内容
兆候の名称簡潔なタイトル
観察された事実実際に何が起こったか
発生・公表時期出来事が起こった日付、情報が公表された日付
情報源論文、特許、企業発表、ニュース、現場観察など
関連領域技術、社会、経済、制度など
変化の兆候としての解釈何が変わり始めている可能性があるか
将来への影響どのような機会やリスクにつながる可能性があるか
情報の信頼性出典や確認状況についての評価
追加調査事項現時点では分かっていないこと
更新履歴新しい情報と評価の変更内容

このような記録方法には、将来の仮説と、その根拠となる情報を区別できるという利点があります。

また、兆候について後から新しい情報が得られた場合、当初の判断がどのように変化したかを追跡できます。

特にLLMを利用する場合には、生成された説明や推論を、実際の情報源によって確認された内容と区別して保存することが重要です。

兆候の評価と優先順位付け

収集した兆候のすべてについて、同じ程度の調査や検討を実施することは現実的ではありません。

そこで、意思決定にとって重要な兆候を絞り込むための評価を行います。

例えば、次のような評価項目が考えられます。

評価項目主な問い
影響度（Impact）実際に広がった場合、どの程度の変化をもたらすか
新規性（Novelty）既知の技術や事業、従来のトレンドと何が異なるか
関連性（Relevance）自社の事業、研究開発、政策課題とどのような関係があるか
実現可能性（Plausibility）想定した変化が成立する仕組みは説明できるか
証拠の確かさ（Evidence Quality）観察された事実をどの程度確認できるか
時間軸（Time Horizon）重要な影響が現れるとすれば、いつ頃か
不確実性（Uncertainty）将来の展開について何が分かっていないか

これらの評価は、必要に応じて数値化することもできます。

例えば、影響度と関連性について5段階評価を行い、優先的に調査する兆候を選ぶ方法が考えられます。

ただし、単純な加重和によってすべての兆候を順位付けすることには注意が必要です。

新しい兆候ほど、情報が少なく、実現可能性や影響度を十分に評価できない場合があります。

情報の確かさが低いという理由だけで低い総合得点を与えると、本来ホライズン・スキャニングで発見したい初期段階の変化を除外してしまう可能性があります。

また、影響度が大きくても、想定する変化が成立しない場合があります。逆に、現時点の影響は小さくても、時間の経過とともに重要性が高まる可能性もあります。

そのため、「重要度が高い」「追加調査が必要」「継続監視する」「現時点では優先度が低い」といった対応区分を設ける方法も考えられます。

兆候の評価は、将来の成功確率を決めることではなく、限られた調査資源をどこに配分するかを判断するためのものです。

具体例：製造業のAI活用に関する兆候の探索

ここでは、産業用計測機器メーカーが、将来の技術・事業環境を検討する場合を考えます。

従来、この企業は高精度な計測機器を製造・販売してきました。

今後、AIやデータ活用が進むことで、自社の製品や顧客の設備管理方法がどのように変化するかを検討したいとします。

以下は、分析方法を説明するための仮想的な兆候です。実際の市場調査結果を示すものではありません。

兆候観察される動きの例考えられる将来の変化
A小規模な製造設備で低価格のエッジAIによる状態監視が試行される高価な専用監視装置に依存しない設備管理が広がる可能性
B既設センサーの情報を統合するソフトウェアが開発される計測機器の更新よりも既存データの活用が重視される可能性
C設備の稼働状態に応じた保守契約が試行される機器販売から稼働支援サービスへの事業転換が進む可能性
D産業データの外部転送に関する制約が強化される工場内で完結する分析技術の価値が高まる可能性

これらの兆候を個別に評価することもできますが、相互の関係を検討すると、新しい解釈が生まれる可能性があります。

例えば、AとBが同時に進展すれば、既設設備のデータを低コストで分析できる可能性があります。

さらにCが進展すれば、計測機器メーカーが設備保守サービスへ事業を拡張する条件が整うかもしれません。

一方、Dが進展すれば、クラウドを中心とした分析サービスよりも、オンプレミスやエッジで完結する方式が求められる可能性があります。

ここで重要なのは、個々の兆候から未来を断定することではありません。

複数の兆候が組み合わさることによって、従来とは異なる技術構成や事業構造が成立する条件を検討することです。

個別の兆候から変化のパターンを発見する

兆候を大量に収集しても、それらを個別のニュースとして管理するだけでは、重要な変化を見落とす可能性があります。

例えば、ある技術について、異なる産業分野から次のような情報が収集されたとします。

  • 医療機器では、計測データを機器内で分析する方式が試みられている。
  • 製造設備では、低消費電力の端末を利用した局所的な異常検知が検討されている。
  • 物流分野では、通信量を抑えるために、端末側で必要な情報だけを抽出する仕組みが利用されている。

これらは異なる産業分野の情報です。

製品名や業界名によって分類すると、別々の話題として扱われるかもしれません。

しかし、機能や構造に着目すると、「データをすべて集中処理するのではなく、現場側で選択的に処理する」という共通する変化が見えてくる可能性があります。

このような共通性を発見することで、個別の兆候を超えた新しい変化のパターンを仮説として捉えることができます。

ただし、似たような事例が複数存在するだけで、共通のトレンドが確立したとは限りません。

それぞれの技術的な条件や採用理由を確認し、どのようなメカニズムが共通しているのかを検討する必要があります。

この段階では、単語の一致だけでなく、特徴、機能、構造、関係性などによる比較が重要になります。

兆候の数と重要性は同じではない

テキストマイニングや統計分析を利用すると、特定のキーワードがどれほど多く出現しているか、時間とともにどの程度増加しているかを調べられます。

例えば、ある技術について、論文件数や特許出願件数、ニュース記事数などが急増している場合、関心や活動が高まっている可能性があります。

しかし、件数の多さは必ずしも将来の重要性を表すものではありません。

注目度が高い技術では、同じ情報が多数の媒体で繰り返し取り上げられることがあります。

また、まだ初期段階にある重要な変化は、少数の専門家や研究機関しか認識していない場合があります。

そのため、情報の件数だけによって重要な兆候を判断すると、すでに広く知られている話題が高く評価され、未知の変化が低く評価される可能性があります。

情報の増加率や新しいキーワードの出現は、探索の手掛かりになります。しかし、それだけで弱い兆候の重要性を判断することはできません。

むしろ、少数の情報の中に、従来とは異なる機能、構造、関係性、事業上の意味が存在しないかを検討する必要があります。

この点は、ホライズン・スキャニングにおける重要な課題の一つです。

ホライズン・スキャニングとシナリオ分析

ホライズン・スキャニングとシナリオ分析は、戦略的フォーサイトの中で相互に補完する方法です。

ホライズン・スキャニングでは、現在の情報から将来の変化を示す兆候を発見します。

一方、シナリオ分析では、将来に影響する重要な不確実性を設定し、それらの組み合わせから異なる未来を構築します。

例えば、ホライズン・スキャニングによって、産業用AIの低コスト化、設備投資の変化、データ利用に関する制度変更などの兆候が発見されたとします。

これらを検討した結果、設備投資の水準とAIの普及速度が、将来の事業環境を左右する重要な不確実性であると考えられるかもしれません。

その場合には、シナリオ分析によって複数の未来を構築し、それぞれの未来で事業戦略を評価できます。

ホライズン・スキャニングシナリオ分析
主な目的変化の兆候を早期に発見する異なる未来の下で戦略を検討する
出発点現在観察できる情報重要な変化要因と不確実性
主な活動探索、収集、比較、意味の解釈将来環境の構築、戦略の比較・評価
主な成果兆候、変化のパターン、追加調査課題複数のシナリオ、戦略評価、対応策

ホライズン・スキャニングは、シナリオ分析に必要な変化要因を発見するために利用できます。

逆に、シナリオ分析で検討した重要な不確実性について、継続的にホライズン・スキャニングを行い、どの方向へ変化が進んでいるかを確認することもできます。

このように、両者を組み合わせることで、未来の可能性を構想するだけでなく、その後の変化を観察しながら戦略を見直すことができます。

SWOT・TOWS分析との関係

SWOT分析では、企業の内部環境を強みと弱みに、外部環境を機会と脅威に分類します。

しかし、SWOTで認識できる機会や脅威は、分析者が把握している情報に依存します。

例えば、現在の市場環境だけを調べていれば、将来の競争構造を大きく変える可能性がある新しい技術や制度を見落とすかもしれません。

ホライズン・スキャニングによって新しい兆候を発見すれば、これまで認識していなかった機会や脅威をSWOTへ追加できる可能性があります。

さらに、TOWS分析によって、新しい機会と自社の強みを組み合わせた戦略案を生成したり、新しい脅威に対する対応策を検討したりできます。

ただし、弱い兆候の段階では、その変化が本当に機会や脅威になるかどうかが明確ではありません。

そのため、兆候を発見した時点で必ずSWOTの機会や脅威として確定するのではなく、検証すべき仮説として管理する方法が考えられます。

概念調査との関係

ホライズン・スキャニングは、マインドウエア総研が提唱してきた概念調査（Concept Exploration）と共通する問題意識を持っています。

概念調査の出発点の一つは、技術や社会の変化を継続的に観察し、新しく現れてくる概念を発見するという考え方でした。

その意味では、変化の兆候を早期に発見しようとするホライズン・スキャニングと重なる部分があります。

しかし、両者の重点は必ずしも同じではありません。

ホライズン・スキャニングでは、将来の変化を示す兆候を収集し、その潜在的な影響を評価することが中心になります。

一方、概念調査では、個別の兆候や事象の間に共通する特徴、構造、関係性を発見し、それらを新しい概念として捉えることにも重点を置きます。

例えば、異なる産業分野で類似した技術的変化が起きている場合、ホライズン・スキャニングでは、それらを将来の変化を示す兆候として収集できます。

概念調査では、さらに、それらがどのような共通の機能や構造を持っているかを抽象化し、新しい探索対象を定義することができます。

また、概念調査には、すでに認識した特徴や構造を手掛かりに、名称や所属分野を知らない対象を探索するという方向もあります。

この後者の方向は、クロスドメイン概念探索（Cross-Domain Concept Exploration）へと発展しました。

両者の関係は、次のように整理できます。

ホライズン・スキャニング概念調査
主な関心将来重要になる変化の兆候新しい概念の形成と未知の可能性
出発点現在観察できる兆候や変化観察された情報、特徴、構造、パターン
主な問い何が変わり始めているかどのような概念が生まれているか、何を探すべきか
探索の方向兆候から将来の変化へ情報から概念へ、概念から未知の対象へ
主な成果兆候、重要な変化要因、将来課題新しい概念、未知の対象、探索仮説

もちろん、実際の分析では両者を明確に分離できない場合もあります。

ホライズン・スキャニングで収集された兆候から新しい概念を発見し、その概念を利用して異分野の情報を探索する、という一連の流れが考えられます。

ホライズン・スキャニングが「何が変わり始めているか」を捉える方法であるとすれば、概念調査は「その変化をどのような新しい概念として理解できるか」を考え、さらに未知の対象へ探索を広げる方法として位置づけられます。

AIによるホライズン・スキャニング

LLMや機械学習の発展によって、ホライズン・スキャニングを支援する方法も変化しています。

従来、兆候の収集には、ニュース、研究文献、政策文書、企業情報などを人間が継続的に確認する作業が必要でした。

現在では、情報源から新しい文書を収集し、AIによって要約・分類したり、特定の変化を示す記述を抽出したりできます。

例えば、技術文献から新しい機能や用途を抽出し、過去の情報と比較して、それまで見られなかった特徴が現れていないかを検討できます。

また、異なる情報源から収集した兆候について、類似性や共通するテーマを分析することも可能です。

ただし、既知のキーワードによる検索を単に自動化するだけでは、従来の調査範囲を超えることはできません。

探索対象を既存の技術名や市場カテゴリーに限定していれば、AIを利用しても、その範囲外で生じている重要な変化を見落とす可能性があります。

さらに、LLMによる要約や重要度評価には注意が必要です。

一般的な話題については適切に説明できても、ごく最近生じた局所的な変化や、十分に情報が蓄積されていない現象については、正しく評価できない場合があります。

シンガポールのCentre for Strategic Futuresも、2026年に公表したホライズン・スキャニングの実践紹介において、AIによる情報処理の利点を認める一方、局所的で新しい兆候の発見には課題が残ることを指摘しています。

そのため、AIによる自動収集と、人間による探索・解釈を組み合わせることが重要です。

テキストマイニングによる変化の発見

ホライズン・スキャニングでは、単語の出現頻度や文書数の増減だけでなく、情報の意味的な構造の変化を検討することも考えられます。

例えば、技術文献を埋め込みベクトルへ変換し、意味的な類似性によって整理すれば、異なる技術分野で関連する話題がどのように分布しているかを可視化できます。

GNG（Growing Neural Gas）などを利用して概念構造のモデルを作成すれば、類似した情報のまとまりや、それらの関係を探索することができます。

さらに、異なる時点で作成したモデルを比較することで、新しい話題のまとまりが形成されていないか、既存の話題の間に新しい関係が生じていないかを検討することもできます。

ただし、このような分析には、いくつかの問題があります。

まず、情報源の収集範囲が変化すると、実際には技術動向が変化していなくても、文書の分布が変わる可能性があります。

また、埋め込みモデルや次元削減方法、クラスタリング条件が変われば、概念構造の見え方も変化します。

そのため、時間的な変化を分析する場合には、可能な範囲で分析条件を統一し、データの増減とモデルの変化を区別する必要があります。

さらに、機械学習によって新しいクラスタが検出されたとしても、それが将来重要な変化を意味するかどうかは別途検討する必要があります。

機械学習は、重要な兆候の候補を発見するための手段であり、その将来価値を保証するものではありません。

ホライズン・スキャニングの限界

ホライズン・スキャニングには、いくつかの本質的な限界があります。

第一に、収集対象となる情報源に依存することです。特定の業界、言語、地域、専門分野に情報源が偏っていれば、探索結果もその範囲に制限されます。

第二に、重要な兆候と単なる珍しい出来事を区別することが難しいことです。現時点では、将来の影響を判断するための情報が不足している場合があります。

第三に、分析者の専門知識や経験が判断に影響することです。既存の認識に合致する情報を重視し、異なる情報を軽視してしまう可能性があります。

第四に、情報収集が目的化することです。大量のニュースや兆候を蓄積しても、それらを意思決定へ結びつけなければ、実務上の価値は限定的です。

第五に、兆候の意味が時間とともに変化することです。当初は重要だと考えられた技術が普及しない場合もあれば、注目されていなかった技術が急速に発展する場合もあります。

第六に、過去の変化を振り返ると、初期段階から重要な兆候が存在していたように見えることです。しかし、当時は同じように有望に見える多くの兆候が存在していた可能性があります。

このような後知恵による判断を避けるためには、兆候を発見した時点の情報と評価を記録し、後から結果を検証できるようにすることが有効です。

ホライズン・スキャニングは、将来を的中させるための技術というよりも、不確実な情報を継続的に観察・評価し、組織の認識を更新するための方法と考えるべきでしょう。

ThinkNaviにおけるホライズン・スキャニング

ThinkNaviでは、ホライズン・スキャニングを、将来の重要な変化を示す兆候を収集し、その意味を継続的に検討するための思考支援手法として位置づけます。

ThinkNavi Freeでは、利用者が探索テーマを設定し、発見した兆候をカード形式で記録できる機能が考えられます。

カードには、観察された事実、情報源、発生時期、関連分野、変化の兆候としての解釈、将来への影響、追加調査事項などを登録します。

また、兆候の影響度、新規性、関連性、実現可能性、証拠の確かさなどについて評価項目を設定し、優先順位を検討できるようにします。

ただし、すべての評価を単純な合計得点に置き換えるのではなく、兆候の重要性と情報の不確実性を区別して表示することが望まれます。

例えば、将来の影響が大きい可能性がある一方で、情報がまだ不十分な兆候については、評価が低いものとして扱うのではなく、追加調査が必要なものとして識別します。

さらに、複数の兆候を関連づけ、共通する変化のテーマを形成できる機能が考えられます。

新しい兆候が追加されたときには、既存のテーマとの関係を検討し、必要に応じてテーマの定義を変更します。

シナリオ分析との連携では、重要な兆候から将来の変化要因や不確実性を抽出し、複数のシナリオを構築します。

SWOT・TOWSとの連携では、兆候から発見された新しい機会や脅威を戦略分析へ引き継ぎます。

LLM活用版では、情報源からの兆候候補の抽出、要約、分類、関連する兆候の発見、追加調査の提案、将来の影響に関する仮説の生成などを支援することが考えられます。

ただし、LLMによる解釈と、実際の情報源から確認された事実を区別し、各兆候について出典を追跡できることが重要です。

さらにConceptMinerシリーズと組み合わせる場合には、収集した兆候を埋め込みベクトルによって意味的に整理し、GNGなどを利用して概念構造を分析する方向が考えられます。

新しい兆候がどの領域に現れているかを確認するだけでなく、異なる領域で共通する機能や構造が現れていないかを探索できます。

また、発見された共通のパターンを利用して、既存のキーワードや専門分野に限定されない追加探索を実施することも考えられます。

このように、ホライズン・スキャニングによる兆候の収集、概念調査による構造やパターンの発見、クロスドメイン概念探索による未知の対象の探索を、相互に接続する可能性があります。

ただし、最も重要なのは、収集する情報の量や分析モデルの複雑さではありません。

ホライズン・スキャニングの意義は、まだ十分に認識されていない変化に気づき、それまで当然だと考えていた未来の前提を見直すことにあります。

そのためには、既知の情報を効率的に収集するだけでなく、従来の分類では説明しにくい現象や、異なる分野に共通して現れる変化に目を向ける必要があります。

AIと機械学習は、そのような探索を支援する手段です。しかし、発見された兆候の意味を理解し、将来の可能性として検討し、行動へ結びつけるためには、人間による解釈と判断が欠かせません。

英語表記： Horizon Scanning

関連する用語： Weak Signals、Emerging Issues、Drivers of Change、Trend Analysis、Strategic Foresight、Environmental Scanning

関連する思考技法：

参考文献・資料