星野誠 makoto hoshino

2026.3.21

昨日は、仕事のやり方という「工場の再設計」について書いたけれど、今日はその工場に流し込む「燃料」、つまりデータの話。

最近読んだ記事で、ハッとさせられる内容があった。
アフリカやアジアの農業現場で、AIがうまく機能しないという話だ。

多くのAIモデル（作物識別、病害予測、収量予測など）は、欧米中心のデータで学習されている。 だから、ケニアやインドで育てられている土壌、気候、作物品種、伝統的な農法をほとんど認識できない。 たとえば、ケニアの研究者が作物分布マップを作ろうとしたら、AIが現地の雑穀（ソルガムやフィンガーミレット）や豆類を「雑草」扱いしたり、そもそも検知すらしなかったらしい。

結局、どうしたか？ ボランティアのヘルメットにカメラを固定して、現地の農家が畑を歩く様子を撮影。 数百万枚の画像を独自に集めて、モデルをゼロから再学習させた。 これでようやく「現地で使える」レベルになったという。

この話を見ていて思ったのは、AIの性能というよりも、
「どんなデータで育っているか」がすべてを決める、ということ。

AIは万能ではなく、見たことのある世界しか理解できない。

農業は特に、地域ごとの差が大きい。
土壌、降雨、品種、農法。
それぞれがローカルな条件に強く依存している。

だから、どれだけ優れたグローバルモデルでも、そのままでは現場で役に立たない。
結局は、ローカルなデータを集めて、その土地に合わせて調整する必要がある。

そしてもう一つ、気になる点もあった。

AIツールが、大企業のために設計されてしまう可能性だ。
データ収集のコストや仕組み次第では、小規模な農家が取り残されてしまう。

つまり問題は、AIの「賢さ」だけではなく、
データの地理性や、それを誰が扱えるかという構造にもある。

この話は、農業に限らない気がする。

医療でも、言語でも、都市でも、
グローバルなデータだけでは、現場の微妙な違いを拾いきれない。

どれだけ精度が高くても、現実とズレていれば意味がない。

AIが本当に役立つかどうかは、
グローバルな性能ではなく、
どれだけローカルな現実に寄り添えるか。

そういうことなのかもしれない。

眼鏡の仕事に引きつけて考えると、すぐに実感できる。

日本人と欧米人では、顔の骨格が違う。
鼻の高さ、頬骨の出方、耳の位置。

欧米のデータを前提に設計されたフレームは、日本人の顔にフィットしないことがある。
それは品質の問題ではなく、「誰のデータで作られているか」の問題だ。

AIも同じで、
どれだけ優れていても、
どの現実を見てきたかで、出てくる答えは変わる。

自分自身も、AIを使っていて、
「これ、日本の現場のニュアンスをちゃんと捉えているか？」と感じることがある。

便利ではあるけれど、
本当に使えるものにするには、
現場のデータや文脈をどう取り込むかが重要になる。

AIの価値は、モデルの大きさだけでは決まらない。
どんな現実を学習しているかで決まる。
とはいえ、そうした制約すら乗り越えてしまうAIが現れるのも、そう遠くないのかもしれないけれど。

ーーーー

ーーーー

AI Is Defined Less by Intelligence, More by the Data It Learns From

Yesterday I wrote about redesigning the “factory” of how we work.
Today, it’s about the “fuel” that goes into that factory—data.

I recently came across an article that made me pause.
It described how AI is not working well in many agricultural settings in Africa and Asia.

The reason is simple: most AI models are trained on data from Europe and the U.S.
So when they encounter different soil conditions, climates, crops, and farming methods, they struggle to recognize what they are seeing.

In one case in Kenya, researchers trying to map crop distribution found that AI couldn’t properly identify local crops.
They ended up collecting data from scratch—attaching cameras to volunteers’ helmets, walking through fields, and gathering millions of images to retrain the model before it became usable.

What stood out to me is that the issue isn’t how “smart” the AI is.
It’s what kind of data it has learned from.

AI isn’t universal.
It understands only the world it has seen.

Agriculture is especially sensitive to local variation.
Soil composition, rainfall patterns, crop varieties, and farming practices all differ significantly from place to place.

That means even a highly capable global model won’t work as-is in a local context.
It needs to be adapted with local data.

There’s also another concern.
If AI tools are designed primarily for large companies, smaller farmers may be left behind.
Access to data, and the ability to shape it, becomes part of the issue.

So the question isn’t just how powerful the AI is.
It’s also about the geography of the data, and who gets to use and contribute to it.

This doesn’t apply only to agriculture.

In healthcare, language, and urban systems, global data alone often fails to capture local nuance.
Even high accuracy means little if it doesn’t reflect reality on the ground.

Whether AI is truly useful may depend less on global performance, and more on how well it fits local conditions.

In my own field, eyewear, this is easy to understand.

Facial structures differ between regions.
Nose height, cheekbones, ear position.

Frames designed based on Western data don’t always fit Japanese faces well.
That’s not a quality issue—it’s a data issue.

AI is similar.
No matter how advanced it is, the answers it produces depend on the reality it has been trained on.

Even when I use AI, I sometimes wonder,
“Is this really capturing the nuance of how things work in Japan?”

It’s useful, but to make it truly practical,
it needs to incorporate local context and real-world feedback.

The value of AI isn’t determined only by the size of the model.
It’s determined by the reality it has learned from.

That said, it’s also possible that we are not far from AI that can overcome even these limitations.

カテゴリー

• 【きのう、火星に行きました ♡ 】（ブログ)
• 【記事一覧】（ブログ)