AI (人工知能) とは？

ガートナーでのAIの定義は、「機械学習 (ML) などの高度なアナリティクスと論理を基盤とするテクノロジを応用し、事象の解釈、意思決定の支援と自動化、アクションを実行する分野」です。この定義は、AIに関するテクノロジや能力の現状のほか、新たに生じつつある状況とも一致しており、現在のAIは全般的に、確率論的解析 (確率と論理を組み合わせて不確実性に値を割り当てること) が含まれていることを示しています。

組織や個人によって異なる定義を使う場合があります。AIを識別する表現として、一言で広く万人に受け入れられるようなものはありません。それはAIで人間の活動を支援／強化／自動化する方法や、自律して学習／行動する方法が多岐にわたるためです (「機械学習 (ML) とディープ・ラーニングとは何か」参照)。

しかし、組織としてAIの機会を捉えるには、AIで達成したいことに焦点を当て、全般的に受け入れられる定義を明確にし、賛同を得る必要があります (「企業のAI戦略とはどのようなものか」参照)。

議論の余地を残しつつも、組織にとってAIが何を意味するかについて、ビジネス、IT、データ・アナリティクスのリーダーたちの意見が根本的なところで食い違わないようにする必要があります。そうしないと、メリットをもたらす戦略を策定できません。

ここで留意すべきは、AIテクノロジ・ベンダーも独自の定義を有している可能性がある、ということです。AIテクノロジ・ベンダーには、AIがもたらす価値に対する自社の期待事項を伝え、彼らの製品がどう対応できるのかについて説明してもらうことをお勧めします。

MLは、AIが問題解決を行うことができるようにするための重要なテクノロジです。よく誤解されますが、機械が学習するわけではありません (「機械学習」は文化的に広まった間違った名称です)。機械が行うのは保存と計算ですが、確かにその方法はますます複雑になっています。

MLは、純粋に分析に基づいた分野です。データに数学的モデルを適用して知識を抽出し、人間が見落としがちなパターンを見つけ出します。また、MLは推奨アクションを提示しますが、人間の介入なしにアクションを起こすようシステムに命令を下すことはありません。

さらに具体的に言えば、MLは、連続したデータ・ポイントを1つの結果に変換するアルゴリズムや統計的な式 (「モデル」) を生み出します。MLのアルゴリズムは「トレーニング (訓練)」を通じた「学習」を行い、これにより、アルゴリズムはデータのパターンや相関関係を特定し、明示的にプログラムされていなくても、それらを用いて新たな知見や予測を提供します。

ディープ・ラーニング (深層学習) とは、MLアルゴリズムの一種であり、多層のアルゴリズムを使用し、各層で未加工データから知識を抽出して変換することによって問題を解決します。ディープ・ラーニングは、画像、音声、テキストなど、複雑で高次元になりがちなデータを扱うことができるという点で、従来のML (シャロー・ラーニング [浅層学習] 手法) よりも優れていると言えます。とはいえ、ルール・ベースのシステムでも、従来型のMLでも、多くのAI問題を効率的に解決できます。

ディープ・ラーニング・ソリューションがプロダクト・ロードマップの重要な部分を占めている企業はまだわずかですが (現在のAIユースケースのほとんどはルール・ベースのシステムや従来型のMLで効率的に対応可能)、データ処理の進歩や計算手法の飛躍的な発展に伴い、ディープ・ラーニング・ソリューションの利用は急速に拡大しています。

ディープ・ラーニングなどのMLを予測に使用することで、AI主導型プロセスにおいて、最も有利な結果の選択を自動化できるようになり、その結果、人間の意思決定者が必要ではなくなります。

• 自然言語処理 (NLP)：人間の言語を用いながら、人間とインテリジェント・システム間での直感的なコミュニケーションを可能にします。NLPは、言語を処理することで、現代的な自動音声応答 (IVR) システムの利用を促進し、コミュニケーションを向上させています。チャットボットは、ビジネスにおいて最もよく見られるNLPの適用例です。

• 高度な仮想アシスタント：会話型AIエージェントとも呼ばれ、会話型ユーザー・インタフェース、NLP、セマンティック／ディープ・ラーニング手法が活用されます。高度な仮想アシスタントは、チャットボットを超えて進化したものであり、言動の傾聴と観察、データ・モデルの構築と維持、アクションの予測と推奨を通じて、これまで人間にしかできなかったタスクの支援や自動化を実現します。

• コンピュータ・ビジョン (CV)：実世界の画像をキャプチャ、処理、分析することで、機械が物理世界から意味のある文脈情報を抽出できるようにするプロセスです。CV手法には、従来のMLへのアプローチとは異なるテクノロジ要件とインフラストラクチャ要件があります。CVは有機的な物体を識別する精度が高まっており、自律走行車、自律型ドローン、小売店の在庫確認の自動化といった応用の展開を支えています。

• エッジAI：物理デバイスとデジタル世界の接点 (工場の床に設置されたセンサがインターネットに接続するポイントなど) に組み込まれたAI手法のことであり、自律的にデータを送信してサービスを要求できます。エッジAI、つまり末端にあるAIがモノのインターネット (IoT) を支えています。

• モノのインターネット (IoT)：内部機能や外部環境を感知する、あるいはそれらと対話するためのテクノロジが組み込まれた物理的な物体 (モノ) をつなぐネットワークで構成されます。スマートフォンなどの汎用デバイスはIoTに含まれません。IoTの使用例は、スマート・プラグから無人車両まで多岐にわたります。IoTは、機能する上で幅広いITエンドポイントとゲートウェイに、そして、AIを推進するためにデータに依存しています。これは特に、リアルタイムな応答が求められる場合に言えます (自律走行車など)。

• 生成AI：成果物についてデータから学習し、オリジナルと類似性はあるもののそのまま繰り返すことのない、革新的なアウトプットを新たに生み出します。生成AIは、動画など新しい形態のクリエイティブなコンテンツを創造したり、医薬品からプロダクトの開発に至るまで、幅広い分野で研究開発サイクルを加速したりできる可能性があります。

• シンセティック・データ：MLを通じて人工的に生成されるデータです。実データの統計的特性は反映されますが、そのデータの識別特性 (名前や個人情報など) は使用されません。有効なアウトプットを生成するには膨大な量のデータがAIに必要ですが、シンセティック・データは、機密データや個人情報を保護しながら、主要でない部分についてのシナリオを構築できる大規模なデータセットの重要な源泉になるでしょう。

• 詳細については、「未来のAIとAIテクノロジはどうなるか」も参照してください。

ITやデータ分析のリーダーは、AI手法を用いてビジネス上のさまざまな問題を解決することで、高い投資収益率を達成できます。しかし、大半の企業にとって問題となるのは、デジタル・ビジネスを成長または加速させるために、AIをどう活用したらよいかということです。

AIによって得られるビジネス機会とは、AIで以下のことが可能になる場合です。

1. 結果に対する高度な確率的分析を通じて、物事のより良い実行方法を明らかにする

2. アクションを起こすシステムと直接やりとりすることで、人手を要する計算や統合のステップを省く

ガートナーの調査が示す一貫した結果は、CIOがAIのメリットに大きなビジネス機会を見出しているものの、実際にはその優位性を捉えるのに苦心していることです。それにもかかわらず、AIは、従業員が通常担っている作業を代わりに行い、日常的な意思決定の方法に変化をもたらすため、最終的には働き方を改革するでしょう。ユースケースは、自動化／最適化、知見の向上、人間的なエンゲージメントの創出 (チャットボットやバーチャル・アシスタントなど) の3つに大きく分類されます (「ビジネスへのAIの応用例にはどのようなものがあるか」参照)。

しかし、現時点では、AIへの過度な期待で満ちているため、一部の企業では、ビジネス成果に関して適切な期待事項を設定するのが困難になっています。過度な期待をそのままにしておくと、成功の見込みのないプロジェクトが生み出されます。そうなると、非現実的な期待事項を設定していたビジネス・リーダーは、望んだ変革を起こせなかったことを、テクノロジやサイエンスのせいにします。

AIの企業戦略を確立し、ユースケースを特定して、最初から成功の評価基準を明確にすべきです。AIメリットの一般的な測定基準には、リスク軽減率、処理の速度、売り上げの向上率、顧客満足度の改善率、必要な労働力やコストの削減率などがありますが、多くのビジネスケースで、有形／無形のメリットの組み合わせが信頼されています (「企業のAI戦略とはどのようなものか」参照)。

AIは、先進テクノロジとして、その影響やメリットを十分に発揮するまでには至っていません。例えば、既存の市場にディスラプション (破壊) を引き起こしたり、新しいデジタル・ビジネス・イニシアティブを実現したりする要因は数多くありますが、AIによるイノベーションは、その1つに過ぎません。しかし、AIは、業界、組織、職務領域にわたり、さまざまな形で応用されてもいます。ビジネス・オペレーションにおける例をいくつか挙げます。

• 人間的なコミュニケーションを背後で支えるML：MLは、チャットボット、自律走行車、スマート・ロボットなどの日常的によく見られるAIアプリケーションの原動力となるものです。

• ディープ・ラーニング：顔認識、音声認識、ニューラル・ネットワークを用いた生体認証ソリューションを提供し、膨大なデータセットのデータマイニングとパターン認識に基づいてコンテンツを高度にパーソナライズする手法です。

• ITオペレーション／サービスデスクにおけるAI：仮想サポート・エージェント (VSA) は、ITサービスデスクと並行して、ITサービス管理 (ITSM) のシナリオにおいてITサポートを提供します。AIは、サポート・チケットのルーティングや、ナレッジ・マネジメント・ソースからの情報の抽出にも役立ちます。また、ITSMツールとして、よくある質問への回答の提供にも利用できます。

• サプライチェーン管理におけるAI：ユースケースには、予測的保守、リスク・マネジメント、調達、受注処理、サプライチェーン・プランニング、販売促進管理などがあります。AIはまた、特定のタスクにおいて人間よりも桁違いに高い一貫性をもたらし、迅速なため、意思決定の自動化にも有効です。

• 営業支援基盤および営業におけるAI：類似の既存顧客に基づいて新規のリードや機会を特定し、インテリジェントな活動追跡やメッセージングを通じて関係を確立して見込み客を育てます。また、ガイド付き販売を利用して営業活動を改善し、売り上げを増加させることができます。

• マーケティングにおけるAI：リアルタイムのパーソナライゼーション、コンテンツやメディアの最適化、キャンペーンのオーケストレーションによって支援し、人件費や人間の能力による制約を受けているマーケティング・プロセスやタスクを補強、合理化、自動化します。最も説得力のある価値提案は、AIを使用することで、新しい顧客インサイトを見つけ出し、それをマーケティング担当者が素早く大規模に展開できることです。

• 顧客サービスにおけるAI：顧客からどのような問い合わせが来るかを予測し、顧客から受ける問い合わせを事前に回避することができます。仮想顧客アシスタント (VCA) は、音声認識、感情分析、自動／拡張品質保証などのテクノロジを用いて、チャネルを問わず、24時間365日のセルフサービス／アシストサービスの選択肢を顧客に提供します。

• 人事におけるAI：ユースケースとしては、人材採用 (人材の需要と供給のマッチング、採用成功の予測など) やスキル向上 (NLPを用いて、次世代のサーチ／マッチングのための一貫したスキルや仕事のオントロジを確立) などがあります。また、人事部では、学習コンテンツ、メンター、キャリア・パス、アダプティブ・ラーニングなどにレコメンデーション・エンジンも活用しています。

• 財務におけるAI：短期的なAI支援に最も適しているのは、判断力を必要とし、高速で揮発性の高い非構造化データが関係する動的なプロセスです。例えば、新しい会計基準への適合、経費報告書の確認、ベンダーからの請求書の処理などがこれに該当します。

• ソーシング、調達、ベンダー管理 (SPVM) におけるAI：支出の分類や契約アナリティクスのために基本的なMLテクノロジが導入されていますが、リスク・マネジメントや (非正規社員管理の一環としての) 候補者のマッチング、ソーシングの自動化、仮想購買支援、音声認識などの分野では、より高度なユースケースが現れつつあります。

• 法務におけるAI：一般には、契約 (集会、交渉、デュー・デリジェンス、リスク・スコアリング、ライフサイクル管理)、電子情報開示 (文書の分類、データ抽出、テキスト分析)、支出 (請求書の分類) などでよく適用されています。

企業でAIのメリットを享受するには、経営幹部リーダーが全社的なAI戦略を策定する必要があります。このAI戦略は、ユースケースを特定し、メリットとリスクを数値化し、ビジネス・チームとテクノロジ・チームを連携させ、組織のコンピテンシを変化させてAI導入を支援するようなものでなければなりません。

AIの価値を確実に引き出すには、組織が達成しようとしている目標や、解決しようとしているビジネス上の問題に焦点を当てて、戦略的にイニシアティブを選択する必要があります。AIを本格的に活用するには、既存のアプリケーション群の一部としてAIを採用する必要があるでしょう。これには、ビジネスのあらゆる分野からデータを集め、AIが提供する機能を強化することが含まれます。

AIの成熟度が初期段階にある企業は、カスタマー・エクスペリエンスなど価値提案の重要な要素へと進む前に、コスト・コントロールを中心としたユースケースを追求する傾向が強く見られます。ガートナーの調査によれば、成熟度が高まるにつれて、AIはより広い範囲に適用されるようになり、さらに大きな影響を及ぼすようになります。

企業のAI戦略において鍵を握る要素は以下のとおりです。

• AIのビジョン：AIのゴールと企業の目標を結び付けます。例えば、AIでデジタル・トランスフォーメーションの目標をどのように実現するかを明確に示します。組織全体でのAIの採用と普及を促進し実現するために策定したアプローチや重点分野を大まかにまとめます。また、成功の評価指標も具体化します。

• AIのリスク：規制 (個人情報保護法など)、風評 (AIのバイアスなど)、組織 (コンピテンシやインフラストラクチャの不足など) をはじめとするさまざまな主要リスクにどの程度さらされているか、またどのような緩和策があるかを評価します。

• AIの戦略的アクション・プラン：ビジネスモデル、プロセス、人材、スキルへの影響を特定し、AIがもたらす機会に対してポートフォリオ型のアプローチを取ります。また、AI戦略の策定と実行に対する説明責任を割り当てます。多分野横断型チームとデータ・リテラシーが成功の鍵を握ります。

• AIの採用：ユースケース (人間的なエンゲージメント、プロセス最適化、知見の向上など) を明確にし、バリュー・マップや意思決定フレームワークを用いて採用の優先順位を設定します。

• AIプログラムに対する賛同の追求：イニシアティブの立ち上げとその後の成功をリーダー層に伝え広め、他の経営幹部リーダーもAIチームのストーリーを語れるようにします。

AIの分野は、新たな手法、専用のインフラストラクチャやハードウェアを通じて急速に進化しつつあります。今後5年間にわたり、組織はよりスマートで信頼性が高く、責任能力があり、環境的に持続可能なAIアプリケーションを求めて、最先端の手法を採用するとガートナーでは予測しています。

AIが進んでいる道筋は現在、先行するテクノロジの軌跡に近づいています。企業や政府機関にとって、AIは以下の要素が高まっています。

• 親しみやすさ：ITツールやスキルがAI対応になっている

• 拡張性：AIが安価になり、これまでよりも成功しやすい

• 利便性：アプリケーションの改善策として、ITリーダーやビジネス・リーダーがAIを検討する頻度が高まっている

今後、組織は意思決定プロセスを強化するためにAIを追求し続けるでしょう。こうした手法を抜け目なく速やかに採用した企業は、競争力の高い差別化を促進し、エコシステムの変化にも俊敏かつ迅速に対応できるようになります。

AI戦略の遂行は、インフラストラクチャ・チームやオペレーション・チームの課題として残ります。オンプレミスで始めるということは、インフラストラクチャやアーキテクチャへの投資が必要ということですが、その予測や人員／資金の確保が難しいことがあります。そのため、クラウドという選択肢が魅力的に見えますが、AIへのニーズが高まり、必要な投資額が増えるに従って、クラウドを利用する余裕がなくなる可能性があります (また、クラウド・プロバイダーへの傾倒も懸念されます)。そのため、クラウド機能への投資とインフラストラクチャへの投資をバランスよく行う戦略 (いわゆるクラウドとオンプレミスのハイブリッド戦略) の登場が人々の関心を引き付けています。

AIに関するガートナーの戦略的プランニングの仮説事項では、2025年までに、以下のことが起こると予測しています。

• AIのためのオーケストレーション・プラットフォームでAIの運用を実現する企業の割合は、2020年の10%未満から増加して50%になる。

• AI市場が成熟し、AIはインフラストラクチャの意思決定を促す分野としてトップに立ち、その結果、コンピューティング需要が10倍の成長を見せる。

• 政府機関の10%は、プライバシーやセキュリティの懸念を回避しながらAIのトレーニングを行うために、現実的な行動パターンを持つ合成人口データを使用するようになる。

ほとんどの企業はAIの内部的な仕組みを把握していない、もしくは理解していないことから、公平性、セキュリティ、プライバシーに関する懸念が生じる可能性があります。しかし、企業がAI手法を信頼しないと、AIの発展はありえません。そのため企業は、脅威や損害を評価して対応し、さらにAIに完全性が備わるようにするために、チェック・アンド・バランスを働かせる必要があります。

ガートナーが提供しているAIリスク・マネジメントのフレームワークは、以下の3つの柱を持っていることから、「MOST」と呼ばれています。

1. モデル・オペレーション (Model Operation)：AIの信頼性、予測性、正確性をサポートする

2. セキュリティ (Security)：ハッカーや悪意ある内部関係者がAIの入力、アプリケーション、結果を操作するのを防ぐ

3. 信頼性 (Trustworthiness)：AIの公平性、倫理、社会的ウェルビーイング、「責任あるAI」を全般的に支える

企業でAIが主流になると、その後必然的に脅威が生じ、結果的に深刻な組織リスクにつながります。組織は能動的に脅威を評価しなければなりません。そうすることにより、AIに対するステークホルダーの信頼を高めることができます。

実際、ガートナーは、2025年までに、規制によって、AIの倫理、透明性、プライバシーの重視が必須となり、これが世界中のAIの信頼、成長、機能向上を (抑圧するのではなく) 促進するようになると予測しています。