CIAのように大学フットボールを分析するとどうなるか？

数週間前、Illinois のフットボールチームはホームで Duke に 27 対 31 で敗れた。私の Hinsley モデルは、Illinois がカレッジフットボールのプレーオフに進出する確率を即座に大きく引き下げた。

ところが、オフェンシブラインと新しいクォーターバックについては、むしろこれまでより高く評価するようになった。

矛盾しているように聞こえるが、これこそ私が狙っていた結果だ。

この 15 年間、私たちは不確実な未来について判断を下す必要のある人たちと仕事をしてきた。情報・政府系のアナリスト、外交政策の研究者、投資家、企業の戦略担当者たちだ。今年は実験をひとつやってみることにした。そうした仕事のために開発した方法論を、はるかに取るに足らない対象に当てはめる——Illinois のフットボールチームの見通しを評価するのだ。

その理屈を理解するには、まず情報アナリストが実際に何をしているのかを考えてみるといい。

情報アナリストはどう考えるか

キューバ危機のさなか、アメリカの情報アナリストたちはソ連がキューバで何を企んでいるのかを突き止めようとしていた。手元の証拠は増えていく一方で、難しかったのはそれが何を意味するのかを判断することだった。アナリストは複数の競合する解釈を検討し、それらを区別できる観察結果を探し出し、新しい証拠が出れば評価を修正しなければならない。最終的に、U-2 偵察機が撮影した写真が、ソ連が核ミサイルを配備しつつあることを示すはるかに強力な証拠となった。

両者の利害の重みは明らかに桁違いだが、分析上の難しさは驚くほど共通している。たいていの場合、ひとつの事実がそのまま答えを教えてくれるわけではない。いくつもの起こりうる未来があり、不完全な情報が大量にあり、それらを区別するのに本当に役立つ手がかりはずっと少ない。アナリストの仕事は、そのすべての上に構造を築きつつ、証拠が支えられる範囲を超えて確信度を上げないことだ。

こうした問題はそこら中にある。外交政策のアナリストなら、ある紛争がエスカレートするかどうかを見極めようとするだろう。投資アナリストなら、地政学や規制、あるいは新技術が、ある資産の今後 10 年のパフォーマンスにどう影響するかを考えるかもしれない。政府のアナリストなら、政策変更に対して別の国がどう反応するかを評価するかもしれない。役に立つ問いは「何が起きると思うか」だけではない。この件にはどんな筋の通った結末がありうるのか。それぞれの結末が成り立つには、何が真である必要があるのか。何を注視すべきか。どんな新しい証拠が出れば自分の見方を変えるのか。

Cultivate は 10 年以上にわたり、アメリカの情報コミュニティ向けに予測市場を運営してきた。アナリストが地政学や国家安全保障の出来事について確率予測を行い、それを集約できるようにするものだが、外部であまり知られている話ではない。最近では、個々の問いを予測するだけでなく、その問いを中心とした分析プロセス全体へと仕事の範囲が広がっている。

その延長線上で私たちが開発したのが Continuous Probabilistic Foresight、略して CPF であり、人と機械が協働する分析プラットフォーム Hinsley の中核をなす方法論でもある。CPF はひとつの戦略的な問いから出発し、起こりうる結果をシナリオとして描き出す。問いを、それらのシナリオの実現可能性を高めたり低めたりする要因と指標に分解し、前提を明示し、重要な不確実性を、明確な答えを出せる予測問題へと変換する。新しい証拠が現れれば、予測もより大きな評価もそれに合わせて変わる。

この考え方は水晶玉を作ろうというものではない。不確実な未来について、構造化された、はっきり見える形の見方を保ち、証拠が変わったときに自分がなぜ見方を変えたのかを把握しておくことだ。

ここで Illinois のフットボールに戻る。

Illinois のフットボールに情報モデルを組む

私は Champaign で育ち、生まれつきの Illinois ファンだが、カレッジフットボールはこうした分析にほとんど滑稽なほど向いている。シーズンとはひとつの不確実な未来であり、その周りには大量で絶えず変化する情報がある。シーズン前のリクルート、試合結果、怪我、対戦相手の出来、統計、コーチの交代、実際のプレー、シーズン前のモデル、チームを追う報道、ポッドキャスト、そして内外の際限のない評論。かなり確信を持てること、強い意見はあるが確信はないこと、そして今は当然視しているがほぼ間違いなく間違っていることが数件。

そこで、いつものようにただシーズンを追うのではなく、Hinsley に Illinois を、アナリストがひとつの国や企業、市場、戦略課題を追うのと同じように追わせることにした。

数か月前、シーズン開幕前に大半の Illinois ファンが最終的に答えを知りたいと思う問いから始めた。今シーズン、University of Illinois のフットボールチームの上限はどこにあるのか。

あとは Hinsley に働かせた。

リサーチ agent がチームの情報を集め始めた。残留選手、転校生、リクルート、怪我、コーチの異動、各ポジショングループの強弱、日程、シーズン前のモデルなどだ。

研究の結論は、外から見た評価としてはかなり楽観的だった。Illinois は過去 2 シーズンで 19 勝を挙げており、Hinsley の調査は、レギュラーシーズン 10 勝と College Football Playoff 進出の可能性を妥当な上限と見ていた。だが、そうならない明らかな理由もあった。Illinois はクォーターバックの Luke Altmyer を入れ替えなければならず、オフェンシブラインには先発がひとりしか残らず、ディフェンスは新しいコーディネーターの下で経験豊富な選手を大量に失う。

調査には、特に注目すべき警告もひとつ埋まっていた。過去 3 シーズン、Illinois は 1 ポゼッション以内の試合を 13 勝している。Bret Bielema のチームが接戦を勝ち切るのが本当にうまいのかもしれない。あるいは、その一部はただの運で、運はいつまでも続かないのかもしれない。

これこそ、この演習で私が炙り出したかったものだ。「Illinois は 2 年続けて 9 勝したから、今年も強いだろう」と言う代わりに、今の私にはその判断の下に隠れた仮定の集合がある。

次のステップは、Hinsley にこの大きな問いをシーズンの4つの結末に分解させ、その時点で持っているすべての情報をもとに、それぞれの結末に初期確率を与えることだった。

しかしシナリオだけでは、ましてやそれに対応する確率だけでは、大して役に立たない——あるシナリオがなぜ可能性を増し、別のシナリオがなぜ減ったのかを説明できなければ。そこで decomposition と呼ぶものを作った。要は地図で、最終的にどのシナリオに落ちるかに実質的に影響しうる要素を書き出したものだ。

リストは9つの大きなカテゴリに分かれる。QBの入れ替わり、オフェンシブラインの継続性と健康状態、ディフェンスが立て直せるか、対戦日程で最強のチームに対する出来、接戦での実行力、トランスファー生が馴染む速さ、主力選手が健康を保てるか、スペシャルチームとターンオーバー差、そして予想外のロスターや資格の変動が起きるかどうか。各カテゴリの下には、Hinsley が実際に観察できる、より具体的な項目がある。Houser のパス成功率とインターセプト率、許したサック数、サードダウンのディフェンス、ターンオーバー差、1点差の試合の結果、故障、などなど。

ここまで来ると、もはや Illinois に対して何らかの意見を持っているというより、Illinois についてのモデルを持っている感覚に近づいてくる。従来の意味での統計モデルではなく、構造化された記述だ。このチームが偉大なシーズンを送るには何がうまく運ばなければならないか、何がそれを妨げうるか、そしてどの方向に進んでいるかを教えてくれる証拠は何か。

最も重要な不確実要素のいくつかについては、さらに一歩進めて予測問題に変えた。Illinois は今シーズン、許すサック数を30回以下に抑えられるか？　最終的なターンオーバー差は少なくとも +7 に届くか？　相手のサードダウン成功率は40%を下回るか？　Katin Houser のパス成功率は少なくとも64%に達し、同時にインターセプト率を2.5%未満に抑えられるか？　Illinois は最終的に College Football Playoff ランキングのトップ12に入るか？

ここに、あなたが自分で追える例がある。最新の結果も見られる。

チームの今後の成績を実際に評価しようとするうえで、これらの問いは、掲示板のサブスクでオフェンシブラインが「良い」のか Houser が「うまくやっている」のかを延々と論争するより、はるかに役に立つ。最終的に答えが出るからだ。Hinsley の AI 予測アンサンブルが確率を割り当て、自分でも予測でき、友人を誘って一緒にやることもできる。時間が経てば、AI がどう考えたか、Illinois ファンの集団がどう考えたか、そして実際に何が起きたかを並べて比べられる。

完全なモデルはここで見られる：

そして Illinois は Duke に負けた

ホームでこんな負け方をすれば、ファンの反応はほぼ予想どおりだ。チームは思っていたほど強くない。シーズンの見通しは悪くなった。腹を立てて、他人も腹を立てているのを見るのは確かに気が晴れる。だが理性的ではない。

Hinsley の反応は違った。この試合には互いに独立した証拠がいくつも含まれていたからだ。Illinois が最終的に CFP ランキングのトップ12に入る確率は下がった。試合前の8%から試合後の4%へ。無理はない。もともとプレーオフに滑り込もうという部外者なら、ホームで Duke に負けると余裕を大きく削られる。

だが他の予測は逆方向に動いた。シーズン前にこのチームで最大の懸念のひとつだったのがオフェンシブラインで、Illinois はほぼ全員を入れ替えた。シーズンを通してサックを30回以下に抑えられるかを問う予測を立てていた。Duke 戦を含む2試合を終えて、Illinois は一度もサックを許していない。だから負けたにもかかわらず——ラインに故障者もいるにもかかわらず——この予測は52%から61%に上がった。

Houser も同じだ。パス成功率64%以上を保ちながら、インターセプト率を2.5%以下に抑えられるかを追ってきた。Duke 戦後、彼のパス成功率は71%を超え、52回のパスでインターセプトは1回だけ。予測は37%から42%に上がった。

一方で、Illinois がシーズン終了時にターンオーバー差 +7 以上となる予測は29%から22%に下がった。Illinois はターンオーバー争いで負け、シーズン累計はちょうど±0だ。

この4つの変化を並べると、「Illinois はホームで Duke に負けた、終わりだ」よりずっと豊かな文脈が、何が起きたのか、シーズンがどこへ向かいうるのかについて得られる。

CFP トップ12：8% → 4% ↓

サック30回以下：52% → 61% ↑

Houser の効率：37% → 42% ↑

ターンオーバー差 +7：29% → 22% ↓

これが何より、私がこの方法を気に入っている理由をよく表している。1つの敗戦はもちろん重要だが、だからといってこのチームに対する判断すべてが同じ方向に動くべきだということにはならない。プレーオフの見通しは明らかに悪くなった。パスプロテクションに関する証拠は良くなった。Houser に関する証拠はわずかに改善した。ターンオーバーの見通しは悪くなった。

問題は、最新のニュースが「良い」か「悪い」かではない。新しい証拠がモデルのどの部分を変えるべきか、それが本当の問いだ。

リスクがごく小さいやり方で言えば、これは以前に書いた分析の習慣と同じことだ。いくつかのありうる未来を書き出し、どの要因が一方の未来を他方より起こりやすくするかを逆算して、重要な不確実性を明るみに出す。そうすれば、新しい証拠が出たとき、更新するのは証拠が実際に指し示す判断だけであり、劇的な出来事が分析全体を飲み込むことはない。

そして構造がすでに組んであるから、毎週日曜の朝に Illinois への見方を組み立て直す必要はない。調査は走り続け、予測は更新され続け、シナリオ確率は新しい証拠に応じて動く。毎週、何が変わったかだけでなく、なぜ変わったかも見える。

それだけでなく、ファンとして見ていた頃には決して持てなかったものも手に入った。このチームに対して自分が何を考え、なぜそう考えているのかを連続的に記録したものだ。これが思いのほか役に立つ。ファンは歴史の書き換えが得意だからだ。ある選手が結果を出せば、みんな前から分かっていたと思い込む。番狂わせが起きれば、警告のサインはどれもこれも明らかだったことになる。予測を立てるという行為は、答えを知る前に自分がその時どう考えていたかを書き留めさせてくれる。

ほかに何に使える？

ギャンブルはほとんどやらないが、ここにも明らかに使い道はある。試合に賭けるにせよ、Kalshi や Polymarket で取引するにせよ、知りたいのは Hinsley が Illinois の勝敗をどう見ているかではなく、その確率が市場とどこで食い違っているかだ。食い違いは追いかける価値のある手がかりをくれる。自分の分析は何を信じていて、市場は明らかに何を信じていないのか。試合前にその食い違いを記録し、その後もずっと答え合わせを続ける。十分な数の予測を重ねれば、本物の情報優位を見つけたのか、それともファンとしての立場をより複雑に言い換える方法を手に入れただけなのかが分かる。

スポーツにはもっと真面目な用途もある。自分が Big Ten のフットボールプログラムで働いているとしよう。カンファレンスの他の全チームについて、同じ分析を回すだろう。リサーチ agent が各プログラムを継続的に追跡し、強みと弱みについての構造化された評価を維持し、重要な不確実性を追い、意味のある変化を洗い出す。コーチもアナリストも判断は依然として下すが、情報を探して整理する時間はずっと減る。

同じやり方はスポーツ記者にも効きそうだ。自分が Big Ten 担当なら、各チームについて一つずつ回せばいいではないか。カンファレンス全体のモデルを頭の中に維持する代わりに、チームごとに明示的なモデルを立て、更新し続ける。それに同意しないことは今でもできるが、少なくとも体系立った反論の対象が手に入る。

もっと広く言えば、この実験は AI が分析をどこへ連れていくのかについて面白いことを示している。複雑な分析の多くは、これまで専門的な技術力か、さもなければ大量の手作業を必要とした。大学フットボールチームのための本格的な定量モデルの組み方は知らないし、特に学びたいとも思わない。だが Illinois のフットボールについては、有用な問いを立て、何が重要かを判断し、前提を疑い、ある答えが筋の通ったものかどうかを見極められるだけのことは知っている。

AI が変えるのは、その過程のどの部分を自分でやらなければならないかだ。調査の大半を引き受け、証拠を整理し、分析の枠組みづくりを助け、予測を出し、指標を監視し、分析を更新し続けてくれる。自分の仕事は、問いの立て方が正しいか、そのモデル化が筋が通っているか、どこでその判断に同意しないかを決めることに移る。

ほぼどのチーム、どのスポーツでも同じことができる。自分が本当に気にかけている問いから始める。いくつかのありうる未来を定義する。それぞれの未来が成り立つには何が必要かを逆算する。予測する価値のある不確実性を洗い出す。あとは現実が進むにつれて、全体を更新し続けるだけだ。

Moneyball を知らない人向けの Moneyball

今は他のチームでもこの方法を試してみたい。面白いテストになりそうなチームがあれば送ってほしい。モデルを組んで結果を共有するかもしれない。自分でやってみたいなら、Hinsley に登録して連絡してほしい。どう組み立てたかを一通り案内して、自分のチームのモデルづくりを手伝うくらいは喜んでやる。

もちろん、これからも Illinois の掲示板は見続ける。ただ、彼らがいつ間違っているかを判断する、少しだけ科学的な手段が増えたというだけのことだ。