計算が制度になるとき――コンピュータサイエンスから見た経済学
推薦精度が上がると、市場が壊れる。
これが出発点だ。
Amazonで上位に表示された商品は売れる。下位に沈んだ商品は見られない。その差はUIの話ではない。需要の配分ルールそのものだ。精度が高まるほど需要は少数の主体に集中し、ロングテール側の供給者は露出を失い、学習機会を失い、改善の契機まで失う。今日の順位が明日の品質を決め、その品質が次の順位を決める。
「よく当たる推薦」が市場集中を加速させる。これがwinner-take-mostの本当の意味だ。
ではなぜこれが見落とされるのか。答えは単純で、CSと経済学が別々の語彙を使っているからだ。CSの側は推薦精度の改善を探索空間の縮約と呼ぶ。経済学の側は需要の配分と呼ぶ。同じ現象を指しているのに、問題が問題として見えてこない。
しかしより根深い理由がある。
計算は道具だ、という思い込みがある。モデルの精度、レイテンシ、CTR――これらは経済の「外側」にある指標として扱われやすい。だが実際には逆だ。何を目的関数とし、何を観測可能なデータとして採用し、どの更新則でシステムを動かすのか。この一見地味な選択が、参加者の戦略、情報の流れ、厚生の分配を静かに変える。アルゴリズムは経済行動の内側に入り込む制度的骨格だ。コードレビュー可能な実装として現れる制度設計、とでも言えばいい。
そしてプラットフォーム運営者の目的関数は、社会的厚生と一致しない。広告収益、手数料、滞在時間の最大化は企業として合理的だが、それは社会全体の望ましさとは別物だ。自社のKPIに基づいて最適化されたシステムが、たまたま望ましい資源配分をもたらすと期待するのは楽観的にすぎる。
しかも供給者は受動的ではない。ランキング関数を読み、価格や広告、商品属性を調整して応答する。推薦器は予測モデルであると同時に、攻略されるメカニズムだ。設計者が意図した均衡は、参加者の戦略的応答によって絶えず書き換えられる。
実証分析でも事情は同じだ。ランキング更新やモデル変更は、システム改善ではなく制度変更に近い。差の差やA/Bテストは有用だが、更新のタイミングはしばしば内生的であり、ネットワーク外部性や長期適応によって処置の波及を無視できない。需要・供給・参入の相互作用と結びつかなければ、観測された変化が制度効果なのか局所的ノイズなのかを見分けられない。
機械学習も因果識別の代用品ではない。高次元の状態空間を表現し、交絡調整を補助し、反実仮想の政策学習を現実的な計算量で可能にする部品として位置づければ十分だ。万能視を退けたとき、その役割はかえって明確になる。
さらにCSが経済学に持ち込めるものがある。計算複雑性を行動制約として扱う視点だ。現実には、探索も推論も最適化も高コストであり、人や企業の計算資源は均等ではない。大規模な計算を集中処理できるプラットフォームが仲介優位を持つのは自然だ。データと計算資源の偏在は効率化の源泉であると同時に、参入障壁の源泉でもある。アルゴリズムは計算能力の非対称性を固定化し、ときに拡大する。
短期のCTRを最大化するランキングが、長期の競争、参入、イノベーションを損なうことは十分ありうる。逆に、公平性や多様性、露出配分の制約を導入することで、目先の数値を少し犠牲にしながら市場全体の持続可能性を改善できる場合もある。単一目的の最適化から、複数主体・複数期間・外部性を含むメカニズム設計へ。必要なのは言い換えではなく、問題設定そのものの更新だ。
計算は中立な裏方ではない。
市場のルールブックを、見えない場所で書き換える。どのような計算制度が、どのような情報条件とインセンティブのもとで、効率、分配、競争、長期投資をどう変えるのか。問われるべきはそこだ。