人は同じ金額でも、損を得の約2倍重く感じる——行動経済学の看板、損失回避。融資審査や投資助言をAIに任せる場面が増えるいま、32のLLM・102の推定値を束ねたメタ分析が、「AIは人間より合理的に見えるだけかもしれない」という問いに数字で答えた。
Tarabeih(2026, arXiv:2610.33103)が束ねたプールされた損失回避係数λ=1.26という、人間の最強推定値(1.96)より弱い全体像と、それだけでは終わらない内訳——利得と損失が対称な場面では人間とほぼ同じ強さなのに、人間の損失回避が最も強くなる場面では人間に届かないという分岐、そしてGeminiは人間の範囲内、小型オープンソース系はほぼ損失回避なし、GPT単体でも世代交代で2.72から0.57まで落ちるというモデル間のばらつきまで。
プロスペクト理論の中核にあるのは、損失回避(loss aversion)という現象だ。100円の得と100円の損は、金額としては同じ大きさでも、人は損のほうを強く嫌う。この重みの比率をλ(ラムダ)と呼び、λ=2なら「損は得の2倍重い」ことを意味する。ただし人間のλそのものも、実はまだ決着していない。近年の3つのメタ分析だけでも、λ=1.07(Yechiam & Zeif, 2025)、1.31(Walasek, Mullett & Stewart, 2024)、1.96(Brown, Imai, Vieider & Camerer, 2024)と、推定値は大きく割れている。
大規模言語モデル(LLM)は、採用選考・融資審査・臨床トリアージなど、実際の経済的判断を代行・助言する側に回り始めている。同時に、調査・実験の被験者をAIに置き換える「合成被験者」としての使い方も広がっている。どちらの使い方も、「AIの選択は人間の選択に近い」という前提の上に成り立つ。だが、その前提自体は検証されていなかった。
LLMは人間が書いた膨大なテキストで訓練されているため、人間の判断の歪みも一緒に学習しているはずだ、という「連続性」の仮説がある。一方で、LLMは「役に立つ・正確である」ことに最適化されており、特に最新の推論モデルは一歩ずつ吟味して答えるため、むしろ期待値どおりに振る舞う「分岐」の仮説も立てられる。どちらが正しいかは、測定するしかない。
Technion(イスラエル工科大学)のAdi Tarabeihは、2021〜2026年に発表された研究をPRISMA方式で系統的にレビューし、LLM自身にリスクのある金銭的選択をさせて損失回避係数を推定した11件の研究・32モデル・102の推定値をメタ分析した(OpenAlexでの網羅的検索、GPT・Claude・Gemini・Llama・Qwen・Mistral・RoBERTaの各家系が対象)。ランダム効果モデルで統合した結果、プールされたλは1.26(95%信頼区間1.06〜1.46)——1(損得が等価)からは統計的に有意に離れているが、人間の最も強い推定値1.96からは有意に下回る(t=−5.78, p<.001)。一方で、より保守的な人間推定値1.31・1.07とは統計的に区別できない。
見出しだけ読むなら、「AIは人間より損を恐れない、でも少しは恐れる」で終わる話だ。人間側の推定値自体が1.07〜1.96まで割れている中で、AIのλ=1.26はちょうどその下側に収まる、程よく"合理的"な数字に見える。
ここで終われば、「AIは人間よりいくらか合理的」という、よくある落ち着き先の記事になる。だが著者はここで立ち止まらず、この1.26という一つの数字がどこから来ているのかを分解していく。そこで見えてきたのは、平均という操作がまるごと隠してしまう、もっと入り組んだ構図だった。
まず効いたのは、ギャンブルの設計そのものだ。損失回避を測る実験には、利得と損失が同じ大きさの対称条件と、損失のほうが利得より小さく設定される非対称条件がある。人間の場合、この非対称条件(損が小さく設定される場面)でこそ、損失回避は最も強く出る——Yechiam & Zeif(2025)の再分析では、対称条件でλ≈1.07なのに対し、非対称条件ではλ≈2.3まで跳ね上がる。
AIはここで、人間と同じようには跳ね上がらなかった。対称条件での推定値はλ=1.15[0.98, 1.32]——人間の1.07とほぼ同じで、統計的な差はない(p=.44)。ところが非対称条件、つまり人間の損失回避が最も強くなる、まさにその場面では、AIはλ=1.46[0.96, 1.96]にとどまり、人間の2.3には有意に届かなかった(p=.004)。つまり「AIは人間より損失回避が弱い」という見出しは、実は場面を選ばない一般論ではなく、人間が最も強く損を嫌う特定の設計でだけ崩れるという、もっと狭い主張だったことになる。
AIが人間と違うのは「損失回避がある/ない」ではなく、「損失回避が一番強くなる場面に限って、そこだけ強くならない」という一点だった。全場面で均等に弱いわけではない。
話はもう一段ねじれる。プロスペクト理論のもう一つの柱、感応度減少(価値関数の曲率。金額が大きくなるほど1円の重みが小さくなる度合い)を見ると、測定方法によってAIと人間の関係が入れ替わる。Tversky-Kahneman法で測ると、AIの価値関数はほぼ直線(曲率1.01)——人間の曲率0.67よりずっと直線的で、金額の大小に鈍感に反応する。ところが同じ現象をTanaka法で測ると、AIの曲率は0.52となり、今度は人間の0.67より凹(曲がっている)、つまり人間よりも金額の大小に敏感になる。同じAIの同じ性質が、測り方次第で「人間より鈍い」とも「人間より敏感」とも言える。
唯一、測り方を変えても人間型のまま残ったのが、3本目の柱である確率の重みづけだ。小さな確率を実際以上に重く見る「逆S字」の歪みは、人間でもAIでも確認でき、AIの推定値(γ=0.81・0.84)は人間の推定値(0.65〜0.68)と統計的に区別できない。プロスペクト理論の3本柱のうち、AIが人間型を保っているのはこの1本だけだった。
そして最大の分裂は、モデル家系の間にある。Gemini系のモデルはλ=1.50〜2.33と、人間の範囲の内側から上側にかけて分布し、GPTと同じ実験で比較された2つの研究では、いずれもGeminiのほうが高いλを示した。一方、Llama・Mistral・OLMo・RoBERTaといった小型のオープンソース系は、λ=0.49〜1.03と、損失中立かそれ以下に集まる。GPT自体も一枚岩ではない——同じGPT系列の中だけで、2023年のGPT-3.5はλ=2.72(人間の最強推定値さえ上回る)だったのに対し、最新世代のGPT-4.1はλ=0.57まで下がっている。リリース年ごとに見ると、モデル家系を揃えてもλは1年につき約0.16ずつ下がる傾向があった。新しいモデルほど、損失をより平然と受け止めるようになっている。
「32モデルを束ねたλ=1.26」という一つの数字は、どのモデルの実態も代表していない。次に出す新しいモデルのλは、理論上0.20から2.31のどこに落ちてもおかしくない——損失をむしろ好む状態から、人間最強推定値並みの損失回避まで、予測区間はそれだけ広い。
「AIは、人間ほど損を恐れない」という見出しの数字(λ=1.26 対 1.96)自体は正しい。しかし内訳を見ると、それは全場面で均等に弱いという単純な話ではなく、人間の損失回避が最も強くなる特定の設計でだけ差が開き、測定方法を変えると感応度減少の向きが逆転し、確率の重みづけだけは人間型を保ち、そして何よりモデル家系・リリース年・個別モデルによって0.49から2.72まで行き来する——という、一枚岩とは言いがたい構図だった。
この記事の限界:本記事は2026年10月発行のプレプリント(査読前)の単著研究を一次資料としている。対象研究は11件・102推定値にとどまり、信頼区間は広くヘテロ不均一性も高い。モデル家系の差・リリース年の傾向は少数の研究に依存する探索的な分析であり、著者自身も「示唆的」と位置づけている。標準誤差の多くは個々の研究が報告しなかったため推定(imputation)されたものであり、出版バイアスの検定は検出力不足のため確定的ではない。
著者の結論は率直だ——AIを人間の代理として使う研究でも、AIに実際の経済的判断を任せる場面でも、「モデルの損失への態度は、仮定するのではなく測定すべきだ」。「AIは合理的」という一文は、32のモデルのどれか1つの性質であって、AI全体の性質ではない。見えている一つの数字(λ=1.26)の裏側に、モデルごとに全く違う答えが隠れている——という点で、この結果はSURPLUSが繰り返し見てきた「見えている指標と、実際に効いている構造がズレる」という系譜の、AI自身を対象にした最新のケースになる。
連載の主要記事を1冊に再構成し、書き下ろしを加えたKindle本です。数字では測りにくい豊かさを、所得・時間・関係・自由の視点から読み直します。
Amazonのアソシエイトとして、meclGGは適格販売により収入を得ています。