人工知能 (AI) の未来 - 生成AI導入によるビジネス価値の創出

生成AIはAI技術のひとつの分野であり、テクノロジの進化により、高度な生成能力や予測モデルの構築が可能になりその潜在的な能力は、突如として注目を集めるようになりました。

そして生成AIだけではなく、他にもさまざまなAI技術がビジネス機会を提供する可能性を持っています。実際に、複数のビジネス部門とプロセス全体にAIを導入し、幅広い経験と成功を手にしている組織も既に存在しています。ガートナーの調査によれば、成熟した組織は、現在AIを実際に試している組織の10%にすぎません。

また、生成AIの導入に関しては、先進的な組織から多くを学ぶことが可能です。生成AIは、インターネットや過去のイノベーション (電気など) と同様に、既存の経済／社会の枠組みを根本的に変える可能性を秘めています。ビジネスにおいては、生成AIをはじめとするAI技術が、どのように企業の目標を支え、業績のさらなる向上を促すのかという点に注目が集まっています。 

生成AIを適切に導入することによって、競争優位性を実現し、差別化要因を生み出します。AIの能力を土台とし、予測モデルによるアナリティクス、機械学習 (ML)、その他のAI手法によって、反復的で単調なタスクを自動化し、新たな知見、アイデアやイノベーションを生み出します。 

生成AIは、以下のような企業目標を推進する破壊的な機会を新たに生み出すことで、ステークホルダーの利益に大きな影響を及ぼす可能性があります。

• 売り上げの拡大：AIを活用することで、企業は新しいプロダクトの開発に要する時間を短縮できる。製薬／医療／製造 (消費財、飲食料品、化学製品、材料科学) 業界は、新薬、毒性の低い家庭用洗剤、新しい香料／芳香剤、新しい合金を開発し、医療診断の向上／時間短縮を図る際に、まずAIを利用するようになる 

• 顧客エンゲージメントの向上：生成AIは、既存のバリューチェーンとビジネスモデルを破壊し、組織がコンテンツを作成して直接消費者に配信できるようにし、出版社や配信業者といった従来の媒介者を迂回することができる。最終的には、顧客エンゲージメントが向上する。

• コスト削減と生産性向上：生成AIの機能を活用して、人間による作業 (コンテンツの要約／簡素化／分類など) の強化、ソフトウェア・コードの生成、チャットボットのパフォーマンスの最適化のいずれかを行うことで、プロセスを簡素化し、迅速に成果を挙げることができるようになる。生成AIでは、従来は利用されていなかった (そのため無駄になっていた) データの活用も可能となる。

ChatGPTなどの新しいツールによってAIの潜在力への関心が一気に高まりましたが、実際にAIの価値を獲得するには、経営幹部がビジネス価値やリスク、人材、投資に関する優先課題を幅広く考慮し、既存のビジネスモデルと戦略が破壊される可能性に備える必要があります。 

これまで、AIのビジネス価値の大半は、単発のソリューションから生み出されてきました。生成AIイニシアティブの利用を含め、規模を拡大してより多くの価値を得るには、ビジネス・プロセスを深層から変えるほか、スキルセット／役割／組織構造や働き方を一新する必要があるかもしれません。変更に失敗すると、生成AIに見い出したビジネス機会を捉えきれずに終わる可能性が高まるでしょう。

生成AIが日常業務に組み込まれていくのに伴って、どのようにプロセスとシステムを変革し、従業員のスキル向上を図るのかを綿密に計画する必要があります。将来を見据えた注意深い方法でAIを導入することが、長期的な成功になるか大失敗を招くかの分かれ目となります。

AIに関する政府機関の規制や枠組みが登場し始めているため、関連する固有の規制に留意する必要があります。AIの利用については倫理と責任に関する疑問の声が絶えないことから、世間一般のAIについての考え方の変化に応じて、新たな規制が設けられる可能性もあります。全般的には、以下をはじめとする主なリスクに備える必要があります。

1. 規制：AIは、著作権のある、または保護対象のコンテンツ／情報／データを巡る訴訟に組織をさらす可能性があり、法的リスクが存在する。規制はすぐに変更されるため、その地域や法域のAI規制を把握し、統制ポリシーを確実に遵守するようにする。また、ライフ・サイエンスや金融サービスなど業界独自の規制にも注意する

2. 評判：AIはバイアスを増幅し、「ブラック・ボックス」 (インプットやオペレーションがユーザーから見えないAIシステム) を生み出す可能性がある。また、学習用データセットの透明性を確保しないベンダーによって、有害なアウトプットが生じる恐れがある。そして実地検証されていないAIサービスも、正確さに欠ける意思決定や、タスクの実行を通じてリスクをもたらし得る。組織においては、生成AIサービスを構築または購入する際に、知的財産や顧客データの損失を防止するための堅牢なガイドラインを確立する必要がある 

3. コンピテンシ：AIには一連の固有のスキルセットが必要なことから、既存の人材のスキルを向上させるか、学術機関／スタートアップから意図的に調達する必要がある。プロンプト・エンジニアリングや「責任あるAI」といった領域でのスキル需要が、近い将来に高まるであろう 

AIの脅威や侵害 (悪意の有無は問わず) は絶え間なく発生し、常に進化しているため、AIガバナンス、信頼性、公平性、確実性、堅牢性、有効性、プライバシーに関する原則や方針を設定する必要があります。それらを設定していない組織では、AIによるマイナスの結果や侵害を経験する可能性が各段に高くなります。意図したようにモデルが動作しない問題や、セキュリティ／プライバシーの事案、金銭的損失や評判の低下、個人への被害といった問題が発生します。

ガートナーのAI TRiSM (AIの信頼性／リスク／セキュリティ・マネジメント) による枠組みには、モデルの解釈可能性と説明可能性、プライバシー、モデルの運用、敵対的な攻撃に対する抵抗に関する、顧客／企業向けのソリューション、手法、プロセスが含まれます。

またガートナーは、すべてのAIイニシアティブから最良の結果を得るために、部門横断型の専任チームまたはタスク・フォースを立ち上げることを推奨します。専任チームには法務／コンプライアンス／セキュリティ／IT／データ・アナリティクスのチームや、ビジネス担当も含まれます。

生成AIの導入をはじめとするAIユースケースを選択する際には、ビジネス部門のステークホルダーが、以下のような質問を利用して、期待している具体的なビジネス・メリットを明確に伝えられるようにする必要があります。

• ビジネス部門が取り組もうとしている問題は何か

• このテクノロジの主な利用者は誰か

• どのビジネス・プロセスでAI手法を取り入れるか

• ビジネス部門の領域専門家の中で、ソリューション開発を先導できるのは誰か

• このテクノロジを導入した影響をどのように測定するか

• このテクノロジの価値をどのようにモニタリングし、持続可能にするか、そして誰がそれを行うか

コンポーネント手法を試してみることなく、いきなり包括的なAI戦略に乗り出すことは得策とは言えません。 

以下の5つのステップに従って、AI手法を導入することをお勧めします。

1. ユースケース：インパクトが大きく、測定と迅速な解決が可能なユースケースのポートフォリオを作成する

2. スキル：ユースケースに適した人材を集める

3. データ：選択したユースケースに関連する適切なデータを収集する

4. テクノロジ：ユースケース、スキル、データに結び付くAI手法を選択する

5. 体系化：専門知識と蓄積されたAIのノウハウを構造化する

この5段階の原則はAI導入への戦術的なアプローチであるため、価値実現までの時間は短縮されるでしょう。

まずは最も価値の高いユースケースを特定し、具体的なビジネス成果に結び付くプロジェクトを対象にすべきです。重要なのは、実現の可能性が高いかどうかです。 

一般に、リスクが高くて実現可能性が低い場合には、利益は高くなりますが、利用可能なテクノロジとデータを用いて完遂できないプロジェクトは、ビジネス価値が明白であっても遂行する価値がないと言えます。

AIは非常にデータ集約的で、各種アプリケーションを組織内のデータ・スタックに統合しなくても生成AIを導入することは可能ですが、データ戦略を遂行せずにAIを最大限に活用することはできないでしょう。 

データ管理とガバナンスの要件 (データ品質や信頼性への期待事項など) を明確にすることが、データ取得のコスト削減と、AI活用に必要なデータの検出と獲得に役立ちます。 

その他の関連資料：

• データ・ドリブンな組織として成功するために欠かせないリーダーとそのチームの役割
  
• AIによって意思決定を拡張するタイミング
  
• データ・ドリブンな組織になるために重要となる5つのアクション