キャップGemini：生成AIの概念実証が traction を得られない理由を探る

最近のCapgeminiの調査によると、すべての業界においてAIの概念実証を実用的な生産ソリューションに変革することが大きな課題であるとされています。Capgeminiのデータ駆動型ビジネスおよび生成AI担当EVP、スティーブ・ジョーンズ氏は、この遅れの主な原因として、デジタル境界、デジタル従業員、そして質の低いデータを挙げています。

ジョーンズ氏は、「我々は質の悪いデータにあまりにも慣れ過ぎてしまいました。ITにおける最も広範な誤解は、ソースシステムのデータ問題を解決することができるとの信念です。この誤解は、組織が常に自分たちに言い聞かせていることです」と強調しました。

データは石油に例えられ、使いやすくするためには精製が必要であるのと同様に、データも効果的に活用するためにクリーンで整理される必要があります。2030年までにAIがビジネス意思決定の50%を占めるとの予測がある中、特に自律的サプライチェーンにおいて信頼性の低いデータによるリスクは非常に大きいです。

「デジタル従業員が判断を下す際に、クリーンなデータを待つ必要はありません。それは運用上非現実的です」とジョーンズ氏は述べました。「自律走行車や倉庫のようなシナリオでは、適切に管理されたデータが必要です。組織は人間の従業員だけでなく、チーム内で動作するAIの管理フレームワークを確立する必要があります」。

また、ジョーンズ氏は、大規模言語モデル（LLM）が正確な運用データにアクセスできないと性能が落ちることを指摘しました。残念ながら、企業は歴史的に運用プロセスとデータ管理戦略の間に溝を作ってきました。

AI導入の課題への対応

このギャップを埋めるためには、堅牢なデジタル運営モデルが必要です。これは、デジタル技術で解決したい問題を明確に定義し、意思決定に適したデータセットを特定し、AIに何を影響させるべきかを決定することを含みます。

「強力なAIを導入して会社のカーボンフットプリントを削減しようとする際、制約がなければ、企業の本業を完全に停止することを提案するかもしれません。これは実行可能な戦略ではありません」とジョーンズ氏は説明しました。「重要なのは、AIがビジネス目標に整合する事前に定義された制限内で機能することを確保することです」。

全ての業務を一つのAIシステムに依存させることはリスクが高いため、それぞれの機能に応じたAIソリューションが必要です。例えば、債権回収のボットは、営業アドバイザーボットとは異なる規制の下で運用されます。しかし、多くの組織は、AIをビジネス管理の視点から考えずに、技術だけで全ての問題が解決されることを期待して、概念実証を超えることに苦労しています。

ジョーンズ氏は述べました。「我々は、技術だけで問題が解決されるという考えに固執していますが、真の導入には人々の技術との関与が必要です」。効果的なAI統合のためには、業務およびサイバーリスクを管理しながら、責任を確保するための詳細なモデルを定義する必要があります。

例えば、営業アドバイザーボットは、各々異なるルールを持つサブボットと連携することがあります。彼らの共同作業は大きなビジネス成果を生む可能性がありますが、明確な運用の枠組みがなければリスクが増大します。

「効果的な管理と責任があれば、以前は管理が難しかったプロセスを自動化することが可能になります」とジョーンズ氏は述べました。「これは、単にAIを既存のワークフローに組み込むのではなく、ビジネスモデルの最適化に焦点を当てる必要があります」。

AI拡大に向けた組織変革の重要性

「我々は技術的進歩よりも組織変革を優先する必要があります」とジョーンズ氏は主張しました。「Siriコンバレーでは技術が急速に進化していますが、主な課題はビジネスの受け入れとモデルの適応です」。

成功するためには、AIのアーキテクチャを根本的に見直さなければなりません。データはデジタル従業員が容易にアクセスできるものであるべきで、トランザクションが行われるアプリケーションのバックエンドにない方が良いのです。

ジョーンズ氏は結論を述べました。「概念実証から完全なAI導入への移行率が低いのは、現在のデータ戦略が不十分だからです。デジタル従業員は明確な運営モデルを必要とし、多くの組織はこの変革に準備が整っていません。技術を完全には理解していないかもしれないビジネスリーダーがAIを受け入れ、自身の成功のため、そしてAIが意思決定に大きな影響を及ぼす世界に適応することが重要です。」