脳の予測誤差と「新規性の事前計算」可能性

核心的仮説（ユーザーの着想）

「もしこの世のすべてがデジタルデータ化されていたら、何が市場における新規性を持つかをやる前から計算できるはずだ。タレントマネジメントの会社が今いる全タレントのデータを持っていれば、この人が新しいポジションを取れるかどうかを判断できる。データがないと、すでに存在する要素を新規性だと勘違いする」

主張の核

1. 脳は「予測機械」であり（Friston, Free Energy Principle, 2010）、外界との差分＝予測誤差（Prediction Error）が新規性の正体だ。
2. KLダイバージェンス（KL情報量）で「驚きの大きさ」を数学的に定義できる（Itti & Baldi, 2009）。「市場のすべてのデータ＝受け手の信念の事前分布マップ」があれば、新しい刺激Xの「新規性スコア」は計算可能。
3. ただし「空白の検出」と「新概念軸の発明」は別問題。既存の評価軸上での空白地帯は検出できるが、まだ誰も試していない評価軸自体はデータに存在しない。

神経科学的根拠

• 自由エネルギー原理（Friston, NRN 2010）: 脳は常に「次に何が来るか」を予測し、予測モデルと実際の入力の差分を最小化しようとしている。
• ドーパミンニューロンの反応（Schultz, Science 1997）: 「予測通りの報酬」には反応せず、「予測外の報酬（正の予測誤差）」にのみ強く反応。見慣れた広告→予測誤差ゼロ→ドーパミン放出なし→注意なし。
• ミスマッチ陰性電位（MMN, Näätänen 1978）: 繰り返しパターンからの逸脱に対して、脳は意識に上る100ミリ秒以上前から自動的に反応する。新規性への反応は「意識的な選択」ではなく「神経学的な強制」。
• 定位反応（Sokolov 1963）: 新奇刺激に対して瞳孔拡張・皮膚電位変化・心拍変動・脳波アルファ波抑制が同時に起きる全身反射。カテゴリーを問わず同じ回路が動く。

実装事例（どこまで計算できているか）

• Parrot Analytics「Talent Demand」(2022〜): 100カ国以上・数千人のタレントのオーディエンス需要を毎日スコアリング。「既存タレント分布上の空白地帯にはまるタレント」を早期発見。CAA（世界最大手タレントエージェンシー）がデータ契約。
• Spotify Discoverability Score (ACM 2020): 「ユーザーの好みのマップ上の未聴・高評価空白地帯」を検出して推薦。長期エンゲージメント向上を実証。
• Epagogix スクリプト予測 (2003〜): 脚本の変数分析で「Lucky You」を事前に「失敗」と予測→実際の興行収入600万ドル。ある会長が8,000万ドルの損失回避を証言。
• Nielsen/Google+Kantar広告効果予測 (2024): AIクリエイティブスコアリングでボトム〜トップ間で最大4倍の売上リフト差を事前検出。広告効果の47%がコンテンツ品質に起因。
• ニューロマーケティング (Nunes et al. 2023): 新曲を聴いた被験者の脳波データ+機械学習で最初の1分間からヒット予測精度82%、全体で97%。ただし「コンテンツデータのみ」での精度は大きく落ちる。

強い反論

• 社会的カスケードが計算可能性を根本的に破壊する — Salganik & Watts (2006, Science): 14,341人が参加した人工音楽市場実験。同じコンテンツでも「誰が最初に少し多く選んだか」という初期条件の微小な揺らぎが正のフィードバックループで増幅される。内在的な新規性スコアと市場成功は相関しない。
• 「空白の検出≠新概念軸の発明」の実例 — ScriptBookがLa La Land（実際1億ドル超）を6,000万ドルと予測誤った件。「ミュージカル×ロマンス×ロサンゼルスの夢」という新しい掛け合わせ軸を創造したヒットは事前データに存在しなかった。
• OSL（最適刺激水準）の個人差 — Raju (1980) / Steenkamp & Baumgartner (1992): 個人特性・文化・年齢で大きく異なる。市場全体から単一の最適新規性水準を計算するには受け手側の分布を正確にモデル化する必要があり、この分布自体が時間・文化・コンテキストで動的に変化する。

MAYA原則（最適新規性水準）

Berlyne (1971) の逆U字曲線: 低すぎる新規性（既視感）→退屈・無視 / 高すぎる新規性（理解不能）→不安・拒絶 / 中程度の新規性→最も強い好意・注意反応。レイモンド・ローウィのMAYA原則: Most Advanced Yet Acceptable（受け入れられる最大限の先進性）。脳科学で言えば「処理できる範囲内での最大の予測誤差が最適点」。

統合的結論: 仮説の正確な射程

• 正しい部分（強く支持）: 脳は予測誤差で新規性を検出する / 予測誤差は数学的に定量化できる（KLダイバージェンス）/ 市場データマップがあれば「空白地帯（未占有ポジション）」は高精度で検出できる
• 限界がある部分: 「まだ存在しない評価軸の発明」はデータから出てこない / 社会的カスケードが内在的新規性スコアと市場成功を切り離す / フィルターバブル時代は同じ市場でも受け手の内部モデルが異なる

推奨文献（読む順）

1. The Free-Energy Principle: A Unified Brain Theory? — Friston (2010, NRN) ／ 脳が予測機械である理論的基盤。優先度: 高
2. Bayesian Surprise Attracts Human Attention — Itti & Baldi (2009, Vision Research) ／ 新規性をKLダイバージェンスで定量定義。優先度: 高
3. Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market — Salganik & Watts (2006, Science) ／ 社会的カスケードが計算可能性を破壊することを実験で示した最重要反論。優先度: 高

次の問い

1. 「フィルターバブル時代に誰の内部モデルを基準にするか」 — 特定ターゲットの過去の接触コンテンツデータがあれば、より精緻な新規性スコアが計算できるのではないか。
2. 「ドーパミンは期待を超えた体験にも反応する」の実務的活用 — 2番手でも1番手の「想定内」を超える差異があれば同等の反応を引き出せる。「期待超過型新規性（Positive Prediction Error Strategy）」は1番手になれない市場での実用的代替戦略になりうるか。
3. 神経反応データを広告事前テストに使う実用可能性 — 「脳波データ+機械学習でヒット予測97%」を広告に応用するには、ターゲット消費者10〜20名の神経反応を計測するだけで事前テストが可能になるのではないか。現在のA/Bテスト（数万人必要）より圧倒的に小さいサンプルで、より正確な予測ができる可能性がある。