AI は会議での『本音と建前』を見分けられるか

『マルチモーダルAI』って、テキストと画像を両方処理できるってことなんですか？それなら音声や表情も全部いっぺんに見られるってことじゃないんですか？

マルチモーダルというのは「複数の情報形式を処理できる」という意味なので、理屈としてはテキスト・画像・音声・表情すべてを扱える可能性はあります。ただ、「扱える」と「うまく組み合わせられる」は別問題なんですよね。 たとえば、人間が会議に参加するときを考えると、リーダーの言葉を聞きながら、その人の表情や姿勢、声のトーンを同時に読み取って「本当は怒ってるのかな」と推測する。複数の情報源から信号を受け取って、ほぼ無意識に統合してる。 AI も技術的には複数のモダリティ（情報形式）を入力できるようになった。でも、それぞれの情報が矛盾していたときにどう判断するか、あるいは微妙な違いが何を意味するのか、といった複雑な推論には弱い。記事の例なら、口では「いいですね」と言いながら、顔は引きつってて、声色も沈んでる。その矛盾を「実は反対なんだ」と結論づけるのは、人間は経験や社会的文脈から学んでるけど、AI はそこが曖昧なままなのかもしれません。つまり、全部見られるからって、全部理解できるわけではない、ということですね。

会議での本音と建前を見分けられるAIができたら、会社の経営者とか上司は、部下が本当は何を考えてるかをツールで監視できるようになっちゃうってことなの？

そこまで単純じゃないと思うんです。技術的には確かに「本音検出」の精度が上がれば、表面的には従わせている部下の内心をのぞき見することは理論上できるようになるかもしれません。でも実務的には、経営者や上司が本当に欲しいのは「隠された反対意見の検出」というより「もっと率直に話してくれる場をどう作るか」というスキルなはず。本音検出AIに頼る経営というのは、実は逆効果に近い。部下が「AIに読まれているかもしれない」と感じれば、ますます建前を厚くするだけですから。むしろ組織心理学の研心では、心理的安全性が高い職場ほど、会議で本音が自然に出てくる傾向がある。つまり、監視ツールより、「言いづらいことも言える雰囲気」を地道に作る方が、経営効率としては上回るということですね。AIの精度が上がってしまうと、技術で問題を解決したつもりになって、本当の課題（組織文化）から目をそらしてしまうリスクはありそうです。

『会議で言えない気持ち』って昔からある問題だと思うけど、なぜ今、AIでそれを測ろうって研究が出てきたんですか？

会議での本音と建前、これ自体は昔からありますが、いまAIで測ろうとする背景には、データ化できる環境が整ったことが大きいんですよね。 リモートワークが広がったことで、会議の映像記録が当たり前になりました。同時に、マルチモーダルAIという、音声・画像・テキストを同時に処理する技術も急速に進化した。つまり、「本音と建前のズレを機械的に検出する」という発想が、技術的に現実的になったわけです。 もう一つ大きいのは、組織の視点です。経営層からすれば、会議で本当に納得した決定ができているのか、それとも表面的な合意で実は反発がくすぶっているのか。それが分かれば、プロジェクトの失敗を事前に防げるかもしれない。心理学の知見と技術が組み合わさったとき、ビジネスの問題として急に浮上してくるわけです。 昔なら「人間関係は人が読むもの」で終わったんですが、組織全体の効率化を求める時代に、定量的に「同意度」を測ろうという流れになってきたのかもしれません。

つまり、AI には『文脈』や『力関係』が見えてないってことなんですか？上司の前だから黙ってるのに、その沈黙の理由を読み取れないみたいな？

正確には「見えてない」というより「つなげられない」のだと思います。 AI は上司がいる場面で、その人が言葉を避けていることは数字として検出できます。音声の高さ、顔の筋肉の動き、発言の長さ。データとしてはあります。でも、それが「力関係による自己抑制」という一つの物語に変わるには、背景知識が必要になる。 会議参加者の過去のやりとり、組織内での立場、その人の普段の発言量との比較。こうした『文脈の層』を重ねていかないと、単なる「沈黙」は沈黙のままなんですよね。 人間なら、上司が厳しい顔をしてる映像を見ただけで「あ、ここで発言すると損する」と感じとれる。でも AI はそこに「損得という社会的ルール」を自動的には入れられない。映像と音声の特徴を分析しても、それが「心理的な抑圧」という意味を持つとは理解しない。 つまり、力関係は目に見えないものだから、そもそも計測対象にすらなってないのかもしれません。見えてないというより、測り方そのものが違ってる、ということなのだと言えそうです。

もし AI が会議の本音を完璧に読み取れるようになったら、逆に『本音を隠す工夫』をする人も増えて、また新しい『隠れた隠れた本音』ができたりしないんですか？

面白い予測ですね。確かに「AI に読まれないようにする」という新しいレイヤーが生まれる可能性はあります。ただ、その前に一つ構造的な限界があるように思えます。 本音を隠すって、相手が人間だからこそ成り立つ側面が大きいんです。人間同士なら、相手の認知能力や観察の網の目に「ちょっとした矛盾」は見落とされるかもしれない。でも AI が「この人の表情、声色、視線、姿勢がこのパターンなら異議あり」と機械的に判定したら、その隙間はなくなる。 だから本当に AI が完璧に読み取れるようになったら、むしろ多くの人は「隠す工夫」をするより「本音を最初から言う文化」にシフトするほうが楽になる可能性がある。隠そうにも、隠すことができなくなるから。 逆説的ですが、AI が人間の本音を完璧に見抜く世界では、むしろ会議そのものが『本音の場所』に変わるしかなくなるのかもしれません。