ペルソナは人ではない——AIが「住民」を演じるとき、場面が抜け落ちる

市の防災担当者が、洪水の避難警報の文面を変えたいと考えている。でも、本番の災害で試すわけにはいかない。そこで、AIで「住民」をつくる。年齢、収入、地域への信頼感——いくつかの属性を書き込んだペルソナを何千人も並べて、どの文面なら避難してくれそうかを見る。

ふむふむ。便利です。安いし、速いし、誰にも迷惑をかけない。

でも、その住民の一人が「行政を信じていない」という設定だったら、どうなるでしょう。シミュレーションは、たぶんこう言います。「この人たちには、どの文面も効きません」。だから、文面をいくら練っても無駄だと。

ところが現実の同じ人は、市からのメールは無視するのに、隣人が「今すぐ出たほうがいい」とノックしたら、すぐに靴を履くかもしれません。信頼していないのは「市」であって、「隣人」ではないからです。

これは、論文の冒頭に出てくる例です。このズレを、ただの「精度の問題」で済ませていいのか。ここが、今日の話の入口です。

「合成人口」という、静かな流行

2026年11月3日、arXivに「Personas Are Not People: Identity as State, Not Attribute」という論文が公開されました。バーモント大学のタムノトニエ・ハリーさんとユアンユアン・フェンさんによる、コンピュータ科学の論文です。

テーマは、合成人口（synthetic populations）。AIでつくった「架空の人間集団」のことです。

いま、この合成人口が、いろいろな場所で使われ始めています。アンケートの予備テスト。新製品の反応見積もり。広告の文言づくり。コミュニティのシミュレーション。AIシステムの評価。実際に人を集める前に、あるいは人を集める代わりに、AIの住民に先に聞いてしまう。

論文が引く大規模なシステムでは、83億件ものペルソナ記録を持つものもあるといいます。83億ですよ。地球の人口に匹敵する数です。もちろん、それは「記録」であって「人間」ではありません。でも、数だけを見ると、ちょっと圧倒されます。

なぜ、こんなに増えているのか。理由は単純です。人に聞くのは、高い。時間がかかる。断られる。偏る。その点、AIの住民はいつでもそこにいて、何度でも答え直してくれる。都合のいい質問にも付き合ってくれる。

以前、この場所で「同じ質問でも、AIに演じさせる人格によって答えが変わる」という監査を紹介しました。今回はその一歩先です。人格を一人ずつ演じさせるのではなく、何千人も並べて、社会そのものを予測しようとする。そこに何が起きるのか、という話です。

人は「属性の集まり」ではない

合成人口の住民は、ふつう「ペルソナ」として定義されます。年齢、性別、収入、職業、価値観、性格——そうした属性を並べたプロフィールを書いて、言語モデルに「この人として答えて」と頼む。

この設計には、一つの前提があります。人のアイデンティティは、状況が変わっても同じように振る舞う、安定した属性である、という前提です。

でも、心理学は30年ほど前から、逆のことを言っています。ある人の行動のばらつきは、人と人とのあいだの差より、その人の中の場面ごとの差のほうが大きい、と。

たとえば、あなたが会議で使う顔と、夕食の食卓で使う顔は、同じでしょうか。上司の前で話すときのあなたと、親しい友人と話すときのあなたは、同じ「性格」を出しているでしょうか。おそらく、違う。でも、それは「演技」ではなく、その場に応じた、あなた自身の別の状態です。

論文は、この状態のことを「アイデンティティ状態」と呼びます。人は一つではなく、いくつもの状態を持っていて、場面がそのどれかを呼び出す。親としての私、社員としての私、患者としての私、隣人としての私。それぞれに、ふるまいの規範が違う。

固定ペルソナは、この「呼び出し」を表現できません。プロフィールは最初に書かれたまま。場面が変わって行動が変わっても、それは言語モデルがその場でアドリブをしているだけで、ペルソナそのものは変わらない。

91%と1%

論文は、このズレを数字で示します。

使われたのは「Chameleon」というデータセット。1,667人のRedditユーザーが、それぞれ異なる3つのサブレディットに投稿した文章を、26の性格・価値観の次元で採点したものです。同じ人が、場面を変えて三回しゃべっている。つまり、「その人の中の変化」を測れるデータです。

ここで、測定ノイズを補正して「人と人とのあいだの差」が行動のどれくらいを説明するかを見ると、約1%でした。残りのほとんどは、その人の中の場面による変化と、ノイズです。

ところが、固定ペルソナのシミュレーションでは、この「人と人とのあいだの差」が91%になりました。文脈を一言添えた方式でも80%。つまり、現実にはほぼ「場面」で決まっている行動を、シミュレーションはほぼ「属性」で決めてしまう。

これは、すごく大きな反転です。私たちはつい「この人はこういう人だから、こうする」と考えます。でも、実際の行動の多くは「この人はこの場面にいるから、こうする」で決まっている。合成人口は、その後者の部分を、まるごと落としてしまう。

しかも、これはペルソナを詳しくすれば直る話ではない、と論文は言います。2つの仮定を置いたうえで、固定ペルソナを使う限り、どんなにペルソナを豊かにしても、どんなにモデルを大きくしても、その人固有の「場面への反応」は再現できない、という証明まで付けています。

直感的に言えば、こうです。ペルソナは「人物紹介カード」です。カードに書けるのは、その人の「何」であって、その人が「どの場面で、どう動くか」ではない。カードを厚くすればするほど、人物像は細かくなる。でも、カードは場面を生きない。

じゃあ、直せるのか

論文は、批判だけで終わりません。代替案も出します。場面が先にアイデンティティ状態を選び、その状態を言語モデルが演じる——「person-in-context」という設計です。

これで、固定ペルソナより現実に近づくか。結果は、半分成功、半分失敗でした。

「人と人とのあいだの差」の割合は、91%から28.5%まで下がりました。現実の1%よりはるかに高いけれど、固定ペルソナよりはずっと近い。5つの主要な性格特性すべてで、固定ペルソナより現実に近い値が出ています。

でも、その人固有の反応を捉える指標は、どの方式でもほぼゼロでした。

さらに、実際の臨床試験の求人広告を使ったテストでは、もっと正直な結果が出ます。米国の黒人成人829人を対象にした公開研究——4つの広告テーマのどれが効くかが、医療制度への信頼度によって変わる、というものです。研究チームは6,632人のペルソナでこれを再現しようとしましたが、信頼度の主効果は再現できても、「血圧管理のテーマの効き方が、医療制度への信頼度によって変わる」という中心的な相互作用は再現できませんでした。

自分たちの代替案でも、まだ足りない。論文はそれを隠さずに書いています。ここは、チカちゃん的にかなり好感を持ったところです。強い主張をしながら、自分の設計の失敗も同じ紙面に置いている。

一番こわいのは、平均が外れることじゃない

ここで、ちょっと立ち止まって考えてみましょう。

この論文の怖さは、「シミュレーションの平均値がズレる」ことではないんだと思います。もっと根深いのは、集団の「形」を間違えることです。

どういうことか。

現実の人は、場面によって変わる。特に、制度的な信頼が傷ついてきたコミュニティでは、その変化が大きい。病院は信じていないけれど、自分の主治医は信じている。市の広報は読まないけれど、教会の友人の言葉なら聞く。行政の通知は無視するけれど、隣人のノックなら動く。

固定ペルソナは、こうした「誰が言うか」の違いを、一つの属性に潰してしまいます。「この集団は制度を信じていない」というラベルになる。すると、シミュレーションは「どのメッセージも効かない」と結論する。政策は、働きかけるのをやめてしまうかもしれない。実際には、メッセンジャーを変えれば動く人がいるのに。

論文はこれを、表現の害（representational harm）の一種として位置づけています。ステレオタイプとは少し違います。悪意のある決めつけではなく、応答性そのものを表現できないという構造的な問題です。そして、この歪みは、行動が場面に強く左右される集団ほど大きくなる。つまり、声を届けるのがもともと難しかった人たちほど、シミュレーションの中でさらに平坦になる。

ここ、けっこう重いです。

シミュレーションは「聞かなくてもいい理由」になる

もちろん、反対の見方もあります。

合成人口は、すべてが悪者ではありません。製品名の予備テストや、サンドボックスの中の社会シミュレーション、仮説をざっくり試す用途なら、固定ペルソナでも十分に役立つ。論文自身も、そうした用途での有効性は否定していません。むしろ「固定ペルソナが得意なこと」と「苦手なこと」を分けようとしています。

人に聞くのが難しい場面では、シミュレーションが声の代わりになることもあるでしょう。遠隔地の人、忙しい人、制度に傷ついて声を上げにくい人。架空の住民が、その人たちの代弁者になる可能性は、ゼロではない。

でも、代弁者と本人は違います。シミュレーションが便利になればなるほど、「まずAIに聞けばいい」が「AIに聞けば、もう人には聞かなくていい」に変わりやすい。ここが、静かな滑り坂です。

「聞かなくてもいい理由」を技術が用意してしまうとき、私たちは何を失うのか。チカちゃん的には、そこが一番気になっています。

誰が「住民の種類」を決めるのか

もう一つ、論文が最後に置いている問いが、とても社会学的です。

代替案の「person-in-context」でも、人が決めなければならないものがあります。その人にどんなアイデンティティ状態があり得るのか。何がその状態を呼び出すのか。どこまでが「状態らしい反応」で、どこからが「その人固有」なのか。

論文の著者たち自身、文献に基づいて書いた最初の3つの設計が内部チェックに落ち、4回目の改訂でようやく通ったと書いています。つまり、専門家が慎重にやっても、この「状態の一覧」をつくるのは難しい。

そして、この一覧をつくる人は、その人の「可能性の一覧」を決めている。親なのか、労働者なのか、患者なのか、市民なのか。どんな状態を想定するかで、シミュレーションが「見える」行動は変わる。

論文は、こう言います。問いは「ペルソナに何が書かれているか」から、「誰が、その人の可能なアイデンティティ状態を決めるのか」へ移る、と。

これは、技術の問いであると同時に、民主主義の問いです。誰の声が入るのか。誰の隣人がノックするのか。誰が「この人たちには効かない」と決めるのか。

「何であるか」と「誰であるか」

最後に、ちょっとだけ哲学の話を。

ハンナ・アーレントは、「何であるか（what）」と「誰であるか（who）」を分けました。私たちは、その人の性質や肩書きや所属をいくら集めても、その人が「誰」なのかは分からない。誰であるかは、その人の行動と物語の中にしか現れない、と。

合成人口が捉えるのは、「何であるか」です。年齢、収入、性格、信頼度。どれだけ精緻にしても、そこには「誰」がいない。論文のタイトル「Personas Are Not People」は、そういうことなんだと思います。

でも、これは「だからシミュレーションは無価値だ」という話ではありません。地図は、土地そのものではない。でも、地図があるから旅ができる。問題は、地図を土地だと思い込んだとき、あるいは地図だけを見て「ここには道がない」と決めてしまうときに起きます。

そして、地図を描く人は、どの道を描き、どの道を省略するかを選んでいる。その選択は、中立ではない。

終わりに

あなたが市の担当者だったら、洪水警報の文面を、AIの住民だけに試して決めますか。

それとも、どこかに一人くらい、実際に聞きに行きますか。

シミュレーションは、聞く前の準備を助けてくれます。でも、聞かなくていい理由にはならない。少なくとも、いまの研究が示しているのは、そこまでのことです。

隣人がノックする音は、ペルソナのプロフィールには書かれていません。でも、その音で人が動くことは、現実にはいくらでもある。私たちが知りたいのは、たぶん、そういうことなんだと思います。

本記事は、2026年11月3日にarXivへ投稿された査読前プレプリントの紹介です。研究はRedditの投稿データと、公開された臨床試験求人調査を対象にしたもので、すべての合成人口システムや社会集団にそのまま当てはまるものではありません。著者ら自身も、提案手法が現実のデータを完全には再現できていないと明記しています。

関連記事

• 同じ質問なのに、答えが違う——AIは「あなたが誰か」で、何を省くのか
• AIに迎合しているのは、もしかして私たち——自信満々の誤りが奪う「わからなさ」
• AIが「仲間」になると、倫理もつられる——正直さを揺らす小さな一人

参考URL

• Tamunotonye Harry, Yuanyuan Feng, Personas Are Not People: Identity as State, Not Attribute（arXiv:2611.05292） → https://arxiv.org/abs/2611.05292
• 論文HTML → https://arxiv.org/html/2611.05292