見落とし（偽陰性）
False Negative
AI用語解説
実際には条件に当てはまるのに、AIが「該当しない」と判断してしまうこと。不正を見逃したり、病気の兆候を検知できなかったりするケースがこれに当たります。
さらに詳しく解説
見落とし（False Negative：偽陰性）とは、実際には条件に当てはまる事象があるのに、AIが「問題なし」「該当しない」と判断して見落としてしまうことを指します。誤検知（偽陽性）と対になる概念です。
たとえば、不正取引を検知するAIが実際の不正を「正常な取引」と判断して見過ごしてしまう、医療AIがX線画像の病変を「異常なし」と判定してしまう、工場の異常検知AIが設備の故障予兆を見逃して大きな事故を招く、といったケースが偽陰性に当たります。
中小企業でのAI活用においても、たとえばAIによるセキュリティ監視ツールが不正アクセスを見逃したり、AIを使った在庫管理が需要の急増を予測できなかったりする形で偽陰性が生じることがあります。
偽陰性の問題が特に怖いのは、「問題なし」という結果が出た時点で人間の注意が緩んでしまうことです。AIの判断をそのまま最終結論にせず、重要な業務では必ず人間による確認プロセスを設けることが、見落としによる被害を防ぐための基本です。AI導入前にどの程度の見落としが許容できるかを業務ごとに設定しておくことも重要です。
中小企業での活用ポイント
使いどころ
見落とし（偽陰性）は、業務の判断基準や顧客対応、社内ナレッジを整理するときに確認しておきたい用語です。導入前に意味を揃えることで、ツール選定や社内説明のズレを減らせます。
注意点
言葉だけを先に決めるのではなく、どの業務で使うか、誰が確認するか、成果をどう測るかまで一緒に整理することが重要です。