AIが仮説検定まで自動で行う時代に、統計学を学ぶ意味はあるか

「AIがデータの集計も、仮説検定も自動でやってくれる時代になった。それなら、統計学を一からゼロで学ぶ必要はもうないのではないか」。手元のCSVをAIに渡せば、要約統計からt検定、回帰分析まで、正しい手順でものの数秒で返ってくる。覚えるべき公式も、検定統計量の計算手順も、人間が手を動かす仕事ではなくなったように見える。

だがこの問いの立て方自体に、見落としがある。「統計を学ぶか、AIを学ぶか」という二択で考えている時点で、実際に手を動かしている人たちの実態からズレているのではないか、という見落としだ。

手がかりになる数字がある。tasklogが統計検定の参考書について、技術記事からの言及・引用を集計したランキングの上位10冊を見ると、純粋な統計学の教科書群（統計学実践ワークブック、統計学基礎、統計学入門、完全独習統計学入門、統計検定2級公式問題集）への言及の合計と、G検定やデータサイエンティスト検定の対策本、「ゼロから作るDeep Learning」といったディープラーニング・AI関連の教材群への言及の合計が、103対102というほぼ同じ量で並んでいた。

この同じくらいの量は、「統計の本を読む層」と「AI・ディープラーニングの本を読む層」が、別々の二つの集団としてきれいに分かれているわけではなさそうだ、と考えると腑に落ちる。もちろん総量が近いことは「同じ人が両方を読んでいる」ことを直接証明するわけではない。ただ、同じ現場、同じ学習の文脈の中で、両方がほぼ同じ熱量で引用されているのは確かだ。統計を本気で学ぼうとする人は、最初から深層学習やAI資格の教材を並行して手に取っている可能性が高い。「統計かAIか」という二択は、少なくとも実際に学んでいる人たちの行動の中には、最初から存在していないように見える。

なぜ二択が成立しないのか

ここで立ち止まって考えたいのは、ではなぜこの二択が実態に合わないのか、という点だ。答えはシンプルで、AI・機械学習のモデルそのものが、統計学の概念を土台にして組み立てられているからだ。過学習は分散とバイアスのトレードオフの言い換えであり、損失関数の最適化は最尤推定という統計的な考え方の延長であり、A/Bテストの評価は仮説検定そのものだ。AIを本気で理解しようとすれば、統計の概念に自然と行き着く。だから本気で学ぶ人ほど「統計かAIか」で迷わず、両方を同じ地図の上に置いている。

むしろ二択として迷っているのは、どちらも本気で触っていない人の側なのかもしれない。

AIが検定を代行するほど、人間に残る仕事がはっきりする

もう一段深く考えたいのは、AIが探索的データ分析（EDA。データをまず可視化・集計して傾向や外れ値を把握する作業）から仮説検定までを自律的に実行できるようになったとき、人間に何が残るのか、という点だ。

AIに「この二つの施策でコンバージョン率に差があるか検定してほしい」と頼めば、適切な検定手法を選び、正しく計算し、p値まで返してくれる。これ自体はもう驚くことではない。

ただし、AIが答えてくれるのは「与えられた問いに対して、指定した検定を正しく実行した結果」までだ。その手前にある、もっと厄介な判断は残る。たとえば、比較している二群は本当に条件がそろっているのか（サンプリングの偏り）。検定の前提となる分布や独立性は満たされているか。何度も繰り返し検定をかけていないか(多重比較による偽陽性の積み重ね)。そして最後に、統計的に「有意差がある」と出た結果が、実際にビジネス上の意思決定を変えるだけの大きさを持っているのか(効果量の問題。わずかな差でもサンプル数が十分大きければ「有意」にはなる)。

これらはすべて、検定を実行するロジックの中には答えが用意されていない。AIは「頼まれた検定を正確にやり切る」ことは完璧にできるが、「その検定が、今向き合っている問いに対してそもそも妥当かどうか」を、問いの外側から見直すことはしない。見直す理由も、見直すための前提知識も、プロンプトの中には書かれていないからだ。

残るのは「問いと前提を設計する力」

つまりAI時代の統計学習は、「t検定の計算手順を覚える」から、「この検定は今の問いに対して妥当か、この有意差は意思決定に値するか」を判断する力へと、学ぶべき中心が移動している。これは手順の知識ではなく、統計的な考え方そのものの土台理解がなければ下せない判断だ。分布や検定力、効果量といった概念を知らずに「AIが有意と言ったから意思決定した」としてしまうことが、実務では一番危ない選択になる。

だとすれば、学び方の順番も変わってくる。統計をまず一人で完走してから、次にAIやディープラーニングに進む、という一本道で考える必要はない。実際に本気で学んでいる人たちの行動が示しているとおり、統計の教材とAI・ディープラーニングの教材は、最初から並行して手を伸ばしていい領域だ。統計検定の参考書で検定と推定の土台を固めながら、G検定の教材で「その土台がAIのどこに使われているか」を同時に見ていくほうが、どちらも腹落ちが早い。

tasklog では、こうした資格ごとの参考書が技術記事でどれだけ引用されているかを、/certs 配下の各ページで実測のまま並べている。名前の通った一冊が本当に読まれているのか、何から手をつけるか迷ったときに自分の目で確かめる材料にしてほしい。

AIが検定を実行してくれる時代だからこそ、学ぶ価値が残るのは手順ではなく、その結果を疑える側に立つための土台の方だ。