Column

担当裁判官で勝訴確率が変わる——法的事実だけでは説明できない「裁量バイアス」をAIで可視化する

同じ証拠でも担当裁判官によって判決が変わる。この「裁量分散」をゲート付きマルチタスク学習で定量化した研究が、リーガルテック・企業法務に新しい武器をもたらしつつある。

2026 / 06 / 27 5 分で読める English version →

こんにちは。Affectosphere Group の井下です。

「事実関係はほぼ同じなのに、なぜ結果がこれほど違うのか」——企業の法務担当者なら一度は感じたことがあるはずです。

紛争を雇用裁判所に持ち込んだとき、最終的な判決は「法的事実」だけで決まるわけではありません。担当裁判官が誰か、というファクターが結果に影響を与えていることは、法曹界では長年の「暗黙知」でした。

2026年6月にarXivで公開されたプレプリント（arXiv:2606.27069）は、この暗黙知を初めて体系的に定量化しようとする研究です。著者はStanisław Sójka、Felix Steffek、Matthias Grabmairの3名。英国雇用裁判所の13,937件の判決データを使って、「法的事実が決める部分」と「裁判官の裁量が決める部分」を明示的に分離するAIアーキテクチャを提案しています。

今日の 3 点

「裁量分散」は実在する。同じ事実関係でも担当裁判官によって判決が変わる現象を、AIが定量化できるようになった。
ゲート付きマルチタスク学習という手法により、どの裁判官がどの程度判決に影響しているかを「解釈可能な形」で可視化できる。
この技術はリーガルテック・企業法務に「裁判官バイアス評価サービス」という新しいビジネス機会をもたらす。

① 「裁判官が違えば結果が変わる」は気のせいではない

まず前提を確認しておきます。

法律の世界では「法の下の平等」が建前です。同じ事実関係であれば、どの裁判官が担当しても同じ結論が出るべきとされます。でも実際の訴訟実務では、弁護士たちは「あの裁判官は原告寄り」「あの法廷は和解を好む」といった情報を非公式に共有してきました。

これは単なるバイアス認知ではありません。この研究が13,937件の雇用裁判所判決を分析した結果、法的事実だけでは説明しきれない「裁判官固有の裁量パターン」が統計的に検出されています。

問題は、これまでそのパターンが「感覚」の域を出なかったことです。担当弁護士の経験知や、特定法廷の非公式な評判として流通していたに過ぎませんでした。

② 「ゲート付きマルチタスク学習」で何ができるか

この研究のキモは、Judge-Aware Gated Multi-Task Learning（JA-GMTL）と呼ばれるアーキテクチャです。少し技術的ですが、概念だけ押さえておくと理解が深まります。

通常の機械学習モデルは「判決文のテキストから判決結果を予測する」という一つのタスクを解きます。これだと法的事実と裁判官の個性が混ざった形で学習されてしまいます。

JA-GMTLは、この問題に対してゲーティング機構を導入しました。具体的には「全裁判官に共通する法的事実の処理」と「裁判官ごとに異なる裁量パターンの処理」を分けて学習します。裁判官IDをゲートに組み込み、裁判官ごとのembedding（数値表現）と較正プロファイルを個別に生成する設計です。

結果として「この裁判官は、法的には同等の事案でも原告側の証言に対して高い重みを置く傾向がある」といった、解釈可能な形での裁量パターンが抽出できます。

もう一つ興味深い知見があります。この研究では、パラメータ数の少ないアーキテクチャが大規模LLMベースラインを上回る性能を示したとされています。研究者が強調するのは「条件付けインターフェースの設計がモデルサイズより重要」という点です。どれだけ大きなモデルを使っても、設計が間違っていれば精度は出ない、という逆説的な知見です。

③ リーガルテック・企業法務への応用——「裁判官バイアス評価サービス」

ここが今日のメインです。

この研究が実証しているのは「裁量分散は定量化できる」という事実です。これがリーガルテックに与えるインパクトを考えてみましょう。

想定ユースケース：紛争前の裁判官バイアス事前評価

対象部署：企業法務部門、外部顧問弁護士事務所、訴訟戦略チーム。

仮に英国雇用裁判所で不当解雇を争う事案があるとします。企業側の法務チームとしては、裁判所に持ち込む前に「この事案の事実関係で、担当裁判官によってどれくらい結果が変わるか」を知りたいはずです。

この研究のアーキテクチャを実装したサービスがあれば、事案の主要事実（解雇理由、証拠の種類、請求内容）を入力するだけで、裁判官ごとの「裁量リスクスコア」が出力されます。「この裁判所の係属裁判官Aは、事実が同等な案件で和解志向が高い。裁判官Bは使用者側判断が統計的に多い」といった情報が定量化される世界です。

これにより法務チームは、裁判に持ち込むかどうかの判断、和解交渉のタイミング、上訴戦略の設計を、感覚ではなくデータで行えます。

具体的なシナリオを想像すると、たとえばこういうことができます。同種の不当解雇案件を過去に100件争った企業が、そのデータを使って「どの裁判官のときに和解が多く成立したか」「どの事実要素が裁判官ごとに評価の差を生んだか」を自社データから学習するわけです。外部サービスに依存しなくても、大量の訴訟データを持つ大手企業や大規模法律事務所であれば、内部での分析基盤として応用できる余地があります。

裁量バイアスを「可視化する」ことと「利用する」ことの間には倫理的な線引きが必要ですが、少なくとも「見えていなかったものを見えるようにする」という最初のステップは、法務の世界で間違いなく価値があると思います。

KPIとして意識できること

紛争1件あたりの訴訟コスト（和解成功率の改善による削減）
上訴判断の精度（「上訴しても結果が変わらない」案件の事前識別）
法的リスクの定量化精度（取締役会への説明責任に使える）

④ ビジネス化への現実的なハードル

ここで一度ブレーキを踏んでおきます。

この技術をビジネスとして展開するには、いくつかのハードルがあります。

まずデータアクセスの問題です。英国雇用裁判所の判決データは比較的公開されていますが、他の裁判所・他の法域では判決データの取得・利用に法的制限がかかるケースがあります。日本の地裁・高裁判決データで同様の分析をしようとすると、データ整備から始める必要があります。

次に、弁護士倫理・司法の独立性との緊張関係です。「担当裁判官を選ぶための情報」として使われることへの批判は避けられません。裁判官のプロファイリングが司法の公正性をかえって損ねるという論点は、サービス設計段階から向き合う必要があります。

とはいえ、「法的リスクの定量化ツール」として設計すれば、使う側に「特定裁判官を避ける」意図がなくても、和解交渉の情報インフラとして価値を出せる余地はあります。これはリーガルテックスタートアップが取り組む価値があるテーマだと思います。

⑤ 「説明できる AI 判断」がリーガルテックの競争軸になる

最後に、この研究が示す大きな方向性について触れておきます。

法律の領域でAIが使われるとき、精度と並んで「なぜその判断をしたか」の説明可能性が強く求められます。医療AIと同じ構造です。「裁量分散を可視化できる」だけでなく「どの事実がどれくらい判決に影響したか」を説明できるモデルでないと、実務では使えません。

この研究がゲーティング機構を使って「法的事実の影響」と「裁判官裁量の影響」を分離したことは、説明可能性という軸でも重要な進歩です。

裁判官の個人差を「モデルに組み込んで隠す」のではなく、「明示的に取り出して可視化する」という設計思想は、AIガバナンスの観点からも正しい方向性だと思います。

法的判断の世界で「なぜこの結果が出たか」をAIが丁寧に説明できるようになったとき、企業法務のあり方は大きく変わると予感しています。

では！

参考論文

Stanisław Sójka, Felix Steffek, Matthias Grabmair (2026). Towards Explainable Adjudicative Variance: Quantifying Judicial Discretion via Gated Multi-Task Learning. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。