生成AIの急速な革新により、技術の幅広い導入が進んでいます。
しかし、組織はコストと拡張性の間で難しい選択を迫られています。
生成AIを効果的に最適化している3種類の組織を紹介します。
生成AI（GenAI）の革新は猛烈な勢いで進んでいます。進歩のペースは非常に速く、参入と導入の障壁は低下し、かつては専門チームや外部業者が必要だった業務にも手が届くようになりました。企業の従業員は、文章作成、コーディング、分析、予測などさまざまなタスクを、これまで以上に短時間で、社内の専門スキルが少なくてもこなしています。
しかし、事業全体で生成AIを活用すること――この技術時代における、なかなか実現しない究極の目標――は別の話です。組織は、事業部門や職能を横断するワークフローの生産性を高めるソリューションの構築を思い描いていますが、その道のりは予想より長く、費用もかさんでいます。生成AIに関するあまり語られない問題は、経営幹部が技術の各要素を統合し、ソリューションから一貫して正確な出力を得ることに苦労している点です。コストと拡張性の間で厳しい選択も迫られています。
個人向けのコパイロット型ソリューションは、営業メールのたたき台作成、ブログの書き始め、調査など、個々のタスクで素晴らしい働きをします。しかし、単発利用が中心で、生成された出力は事業と結び付いていません。一貫したデータ、知識、メッセージ、その他の重要な事業上の指標に依存する環境では拡張できず、その価値は限られます。一方、経費報告書の監査やサプライチェーンの自動化など、企業の業務プロセスを効率化する優れたAIソリューションもあります。こうしたソリューションは煩雑な作業やミスを大幅に減らしますが、単一のプロセスに特化し、幅広く適用できないため、価値には限界があります。
しかし、人とプロセスの両方に向けて最適化する方法を見いだした企業もあります。いくつか例を紹介します。
生成AIを効果的に最適化しているのは、どのような企業でしょうか？
ある世界的な化粧品会社は、製品データベースから数百の商品、数十の電子小売流通チャネルにわたる「デジタル棚」向けのコンテンツ作成を自動化しています。新たなポジショニング、競争環境の変化、祝日や季節の移り変わりなどを背景に、商品説明（そして商品そのもの）がどれほど頻繁に変わるか想像してみてください。さらに、法務・規制・文化面の要件を踏まえながら、変更のたびに数十か国の現地語でコンテンツを提供する様子を思い描いてください。生成AIにより、同社は新商品の資料を市場に数週間早く投入し、オンラインのコンバージョン率を高めています。それだけでなく、ブランド責任者から地域マネージャーまで、ほぼそのまま市場に出せるコンテンツを初回から作成することで従業員を支援し、生産性を妨げる手戻りをなくしています。
顧客関係管理（CRM）プラットフォームの大手企業は、企業横断の複雑なワークフロー数十件に対応するため、さまざまな生成AIアプリケーションを構築しました。同社は各ブランドで年に複数回の製品ローンチを実施し、世界各地のイベントを毎年数百件開催または出展しています。こうした機会ごとに「必要資材一覧」があり、製品、UX、営業、マーケティング、カスタマーサポート、経営幹部のうち複数部門が関わり、作成に数週間から数か月かかります。
生成AIの取り組みを通じて、同社は知識ソースや各事業のスタイルガイドを活用し、製品サポート記事から顧客事例、経営幹部のコメントまで、さまざまな資料の作成を自動化しています。その時々に合わせたコンテンツを生成し、それを取り巻くワークフローを円滑にすることで、所要時間と組織内の混乱を減らすだけでなく、関係者の貢献を戦術的なものから戦略的なものへと高めています。
あるデータ保護分野の革新企業は最近、新製品を発売し、生成AIを使って社内向けの営業支援アプリを作成しました。このアプリは、同社の知識、メッセージ、ブランド関連の情報源を活用し、顧客ペルソナ、ユースケース、成功事例、製品や導入の詳細、メリット、対象者別の主要メッセージについて質問に答えます。今では、世界中の数百人の営業担当者が質問への正確な回答をリアルタイムで得られます。担当者は、通常なら回答を得るまでに生じる手間を省きながら、見込み客、顧客、パートナーとプラットフォームについて知的で有益な対話を行えるようになっています。
世界経済フォーラムは、人工知能にどのようなガードレールを設けているのでしょうか？
AIエクセレンス・センターは、さまざまなセクターのリーダーをつなぎ、人工知能の急速な進化と、それが経済や社会にもたらす影響への理解を深めます。また、AI導入に伴う機会、リスク、トレードオフについて、十分な情報に基づく対話を支援します。
信頼できる場や協働イニシアチブを通じて、同センターはパートナーが共通理解を築き、AIのイノベーションと活用に責任あるアプローチで取り組めるよう支援します。
これらの事例から何を学べるでしょうか？
これらのプロジェクトには、各社が最小限の費用と労力で生成AIの価値を迅速に実現するうえで役立った、3つの重要な共通点があります。第一に、学習済みのLLM（大規模言語モデル）、検索機能、企業固有のガードレールを事業全体で共有しつつ、最終段階のアプリケーションは職能やワークフローに合わせてカスタマイズしました。これにより、AIの成果物全体で、同じ方式を繰り返し展開する速さ、出力の正確さ、ブランドの一貫性を実現しています。
第二に、いずれもソリューションの展開に協働型のアプローチを取り、早い段階から関係者を巻き込み、プロトタイプを使って迅速に反復し、チーム間の知識共有とスキル構築を促進しました。その結果、各チームは自立して新たなユースケースやソリューションの進歩に素早く対応できます。最後に、システム内の「厄介な問題」――バグ、ハルシネーション、データのインデックス作成の問題――を徹底的に洗い出し、共通の技術基盤上で修正しました。こうした早期の取り組みにより、すべての関係者にとって、各社のAI出力の正確さと品質が高まっています。
