著者: Boxu Li 

はじめに

ここ数年、人工知能（AI）はニッチな実験から多くのビジネス戦略の中心へと移行しました。**2024年までに、世界中の78%の組織が何らかの形でAIを使用していると報告しており、前年の55%から急増しています。**しかし、この熱狂にもかかわらず、厳しい現実が現れています。それは、多くの企業がAI投資から実質的な価値を得ていないということです。多くの経営者はAIが期待したROIをまだ提供していないと感じており、多くのパイロットプロジェクトが規模を拡大することはありません。ボストン・コンサルティング・グループの調査によれば、**実際に概念実証を超えてAIで具体的な価値を生み出すための必要な能力を開発した企業はわずか26%です。事実、真に「AIリーダー」とされる企業はわずか4%**で、継続的に大きなリターンを得ていますが、**74%の企業はまだ有意義な価値を見出せていません。同様に、S&Pグローバルの調査では、AIイニシアチブの大部分を廃止している企業の割合がこの1年で17%から42%**に増加し、**46%**のAIプロジェクトがパイロットと本格展開の間で放棄されていることが示されています。これらの数字は明確な絵を描いています。AIを採用することは簡単ですが、AIを成功裏に採用することは難しいのです。

なぜこの野心から影響への橋渡しがこんなに難しいのでしょうか？その理由は技術的なものと組織的なものの両方です。技術的な側面では、多くの企業が既存のシステムやワークフローにAIを統合すること、データの問題を処理すること、AIツールを大規模に管理することに苦労しています。例えば、データの品質は大きな障害であり、ある業界のレポートでは、83%の組織がデータ品質の低さのために少なくとも1つのデータソースを自動化プロジェクトから除外せざるを得なかったとされています。データが分断されていたり、一貫性がなかったり、信頼できなかったりすると、最良のAIモデルでも期待通りに機能しません。さらに、大規模にAIを展開するためには、MLOpsパイプライン、計算リソース、モデルのパフォーマンスを監視するツールなどの強力なインフラが必要ですが、多くの企業にはそれが不足しています。2024年には、27%の企業しかAIを管理・展開するためのMLOpsツールを使用していませんでしたが、別の42%が1年以内に開始する予定であり、多くが大規模なAIのための基盤を開発する初期段階にあることを示しています。

組織の課題も同様に厄介です。多くの場合、人材と知識のギャップが存在します。企業はモデルを構築する1つまたは2つのデータサイエンスチームを持っているかもしれませんが、より広いスタッフ（さらには上級管理職）でもAIの能力や限界を十分に理解していないことがあります。これにより、非現実的な期待やAIの出力を信頼することへの抵抗が生じる可能性があります。最近のAnthropicの調査によれば、**米国の従業員の約40%が現在AIを仕事で使用している（2023年の20%から増加）**にもかかわらず、多くの労働者はこれらのツールをどのように最大限に活用するかについて依然として不安を感じており、トレーニングプログラムが遅れをとっています。さらに、AIを拡大するにはチェンジマネジメントが必要です。プロセスを変革し、人々をスキルアップすることが求められますが、これには内部の抵抗が生じることもあります。強力なリーダーシップと明確なビジョンがないと、パイロットプロジェクトはしばしば孤立した実験のままで、広い組織には浸透しません。

グローバルおよび地域のトレンド: 課題はあるものの、企業のAI導入は加速し続けており、特に特定の地域で顕著です。アメリカは民間のAI投資でトップを走り、高い導入率を誇っていますが、興味深いことに使用の成長率は最高ではありません。アジア太平洋地域はAI活動の中心地となっており、ある報告書は「注目すべき地域」と称しています。APACの経営者たちは、ほぼ誰よりも早く生成AIを受け入れています。アジアは現在、GenAIツールの導入で北米に次ぐ地位にあります。2023年が試行の年だったとすれば、2025年はアジアが産業全体でAI導入を拡大する年になることが期待されています。これは強力なトップダウンの支援によって後押しされています。たとえば、日本は2025年にAI振興法を可決し、日本を「世界で最もAIに優しい国」にすることを目指しています。これは革新を促進する政策や投資を通じて実現されます。日本はAI導入で遅れをとっていることを認識し、政府と産業界を動員して追いつこうとしています。同様に、韓国も国家AI戦略を打ち出しました。包括的なフレームワーク法と数十億ドルの資金を投入し、2030年までに30%の企業がAIを採用するという目標を掲げ、世界のトップ3のAI大国を目指しています。これらの政策推進によって、北東アジアの企業はAIを早期に統合するプレッシャーを受けると同時に支援も受けています。

一方、中国とインドはAIユーザーの大規模なプール（例：何百万ものソフトウェアエンジニアとAIのスタートアップブーム）を誇っていますが、それぞれの企業環境は異なります。中国のテック大手は世界的なAIリーダーですが、多くの伝統的な中国企業はまだAI導入の初期段階にあります。インドのITサービス企業は、グローバルクライアントや国内向けにAIを急速に製品に注入しています。対照的に、ヨーロッパはより慎重で規制が重いアプローチをとっており（EUのAI法案が控えている）、これが企業の採用を遅らせる可能性があるとの懸念があります。しかし、ヨーロッパでも、遅れを取るまいとする経営者の緊急性が高まっていることが調査で示されています。全体として、世界的なトレンドは明らかです：企業はAIで「何かをする」ことへの強い必要性を感じていますが、それを持続可能なビジネス価値に転換することが普遍的な課題となっています。

AI拡大の主要な障壁

• 戦略とエグゼクティブの支援の欠如: 多くの組織は、ビジネスの成果に合わせた明確な戦略を持たずにAIに飛び込んでいます。個々のチームやイノベーションラボによって開始された断片的なパイロットプロジェクトが、エグゼクティブレベルの調整なしに行われるのが一般的です。これにより、重複、無駄な努力、そしてビジネスの核心的なニーズに対応しないプロジェクトが生まれます。BCGの調査では、AIリーダーはCEOレベルの強力な支援を持ち、AIイニシアチブを戦略目標に合わせていることが強調されています。AIがCEOの優先事項であるとき（単なるR&Dの実験でなく）、プロジェクトは必要なリソースを得て、部門横断的な協力が改善され、高価値の問題解決に焦点を当てることになります。
• 人材とスキルのギャップ: 成功するAIの導入には、データサイエンティスト、エンジニア、ドメインの専門家、変革リーダーの組み合わせが必要です。多くの企業はこれらのプロファイルを十分に持っていません。AI人材の採用は競争が激しく費用がかかり、既存スタッフのスキル向上は遅れがちです。さらに、技術専門家を超えて、中間管理職や現場の従業員もAIツールを使いこなすためのトレーニングが必要です（例えば、AIの推奨事項を解釈する方法や、生成AIシステムに質問する方法など）。従業員がAIを理解しなければ、信頼せず、または十分に活用しない可能性があり、潜在的な利益が失われます。先進企業は、スキル向上プログラムやクロストレーニングに大きく投資し、しばしば社内に「AIアカデミー」を設立して、従業員全体のAI理解度を高めています。これにより、新しいAIソリューションが導入された際に、スタッフは抵抗するのではなく、日常業務に統合する準備が整います。
• データ、技術、インフラの問題: 前述の通り、データの質と可用性は基本です。データインフラを近代化していない企業は、アクセス可能でクリーンなデータを大量に必要とするアルゴリズムのため、AIのパイロット試験さえ苦労します。データシステムがサイロ化していたり、レガシーITアーキテクチャが存在したり、クラウドコンピューティングの能力が不足していると、AIの拡大が妨げられます。さらに、企業規模でAIを展開するには、モデルのパフォーマンスを追跡するための監視システム（予測はまだ正確か？）、新しいデータでモデルを更新するプロセス、モデルの使用を管理するメカニズム（例：クレジット決定を行うAIが公正で法令に準拠していることを確認）などが必要です。これらはMLOpsとAIガバナンスの範疇に属し、多くの企業はまだ成熟していません。ある調査では、「ROIを証明するのが難しいこと」がMLOpsへの投資をしていないトップの理由であることが示されており、適切なインフラがないとROIを達成するのが難しいが、明確なROIがないとインフラの予算を確保しにくいというジレンマを示しています。このゴルディアンノットを切るには、まだ成果が明確でない段階でプラットフォームやツールへの投資を行うビジョナリーなリーダーシップが必要です。
• リスク、安全性、倫理的懸念: 企業AIの採用は、サイバーセキュリティ、規制遵守、倫理的な落とし穴などのリスクに対する正当な懸念によって遅れることがあります。規制産業（金融、医療など）の企業は、AIの決定が法令に準拠し、監査可能であることを保証しなければなりません。また、評判リスクもあります。意図せず差別をするAIや、注目を集めるミスをするAIは、PRの悪夢になり得ます。適切な監視がなければ、AIプロジェクトはコンプライアンス部門や法的な懸念によって妨げられる可能性があります。成功している導入者は、これらの懸念を積極的に対処し、強固なガバナンスフレームワークを通じて解決しています。例えば、センシティブな決定のために「人間の介入」をチェックポイントとして実施し、アルゴリズムのバイアス監査を行い、AIの推奨事項の透明性を確保しています。多くの企業が内部にAI倫理委員会を設立しています。責任あるAIのためのツールやフレームワークも登場しています。例として、Macaron AIチームはAIアシスタントにおけるプライバシー重視の設計とコンプライアンスの重要性を強調し、ユーザーの信頼を築くためにポリシーの拘束力と透明性の対策を実施しています。企業も同様に、AIを責任を持って展開できることを示すことでユーザー（および規制当局）との信頼を築く必要があります。ステークホルダーがAIを信頼すると、AIの拡大に対する支持が得られやすくなります。

成功した導入者が異なること: 前述の厳しい統計にもかかわらず、AIを活用して大きな成果を上げている企業があります。彼らは何をうまくやっているのでしょうか？調査や事例研究は、いくつかのベストプラクティスを示しています。

AIを明確なビジネス価値に結びつける: 単なる実験のためにAIを使うのではなく、成功している企業は具体的なビジネスの課題や機会から始めます。彼らは「AIはどのようにして収益を増やし、コストを削減し、顧客体験を改善できるか？」と問い、測定可能なKPIを持つプロジェクトを進めます。例えば、「流行だから人事にAIを使おう」ではなく、「AIアシスタントを使ってコールセンターの平均対応時間を20%削減しよう」や「予知保全で製造のダウンタイムを削減しよう」といった具体的な目標を設定します。時間の節約、コンバージョンの向上、エラーの削減などの明確な指標を持ち、それらを厳密に追跡することで、AIの導入が焦点を絞り、責任を持つことができます。また、フロントラインの従業員がAIツールが仕事を楽にしたり、顧客を喜ばせたりすることを実感すると、懐疑的ではなく支持者になります。

小規模から始めて、素早くスケール: 成功した組織は、小規模な段階でAIを試行しながら、初日からスケールアップの計画を持っています。試行段階を学習フェーズとし、解決策を洗練させ、価値を証明した後、結果が良ければ迅速に広範囲に実装します。重要なのは、スケーリング段階の予算と計画を立てることで、POCだけにとどまりません。これには、拡張可能な柔軟なアーキテクチャを構築し、統合の障害を事前に解決するために、IT、データ、ビジネスユニットが協力するクロスファンクショナルチームを早期に設立することが含まれるかもしれません。例えば、ある銀行は一地域でAIによる詐欺検出システムを試行し、誤検知率が大幅に低下したことを確認し、1年以内に20以上の国で展開しました。これは、試行中にプレイブックと内部の推進者を準備していたため、より広範な採用を推進できたからです。

インフラとツールへの投資: AIのリーダーは「基盤」に手を抜きません。彼らはデータを集約しクリーンアップするためにデータレイクや最新のデータウェアハウスに投資し、モデルのトレーニングや展開のためにクラウドプラットフォームや高性能コンピューティングを利用し、AIモデルのバージョン管理、テスト、継続的デプロイメントのためにMLOpsツールを取り入れます。これには、これらのサービスを専門とするテクノロジープロバイダーやクラウドベンダーと提携することがしばしば必要です。その結果、信頼性とスケーラビリティが得られ、しっかりとした基盤があれば新しいAIユースケースを追加するのがますます簡単かつ迅速になります。対照的に、アドホックなインフラでAIを行おうとする組織は、ユーザーやデータが増えると現実世界の複雑さの重みでパイロットが崩壊することがよくあります。

人材育成とクロスファンクショナルチームの構築: スキルアップについて触れましたが、それを超えて、成功するAI組織はデータサイエンティストとドメインエキスパートの間のサイロを打破します。例えば、マーケティングの専門家と機械学習エンジニアがパーソナライゼーションアルゴリズムで協力し、互いに学び合うような学際的なチームを作ります。これにより、AIソリューションがビジネスの文脈に真に適合し、実際に実装可能になります。また、知識の移転を促進し、ビジネスエキスパートがよりテクノロジーに精通し、テクノロジーエキスパートがドメインの直感を得られるようになります。さらに、AIでリードする企業は、しばしば中央AIまたはデータサイエンスの卓越センターを持ち、ベストプラクティスを開発し、社内コンサルティングを提供し、必要に応じて部門間で再利用可能な共通プラットフォームやツールを構築します。これにより、各チームが同じことを繰り返すのを防ぎ、全体の導入を加速します。

エグゼクティブ・アドボカシーとチェンジマネジメント： 最後に、上記のいずれも強力なリーダーシップなしでは実現しません。成功するAI導入者は、組織におけるAIの役割に対する説得力のあるビジョンを明確にし、変革を積極的に管理するリーダーを持っています。これは、AIがどのように従業員の仕事を拡張するか（単に仕事を削減するのではなく）を明確に伝え、取締役会や投資家に現実的な期待を設定し、データに基づいた意思決定の文化を促進することを意味します。彼らはAIプロジェクトの成功を祝って勢いをつけ、失敗を学習の機会として正直に受け入れます。C-suiteが目に見えて関与している場合、たとえば、CEOがタウンホールでAIの取り組みについて話す、またはチーフAIオフィサーが任命されるといったことがあると、AIが戦略的な優先事項であり、一時的な実験ではないことを会社全体に示すことになります。

今後の展望

2025年に突入する中で、企業のAI導入は転換点を迎えています。過度な期待は、価値を達成するために何が必要かを冷静に考える時期に移行しています。良いニュースは、成功の要素がますます理解されてきており、リソースも豊富にあることです。大規模なAI研究チームを必要とせずに企業が利用できる、事前学習モデルやAPIが増えています（コンピュータビジョンサービスから大規模言語モデルAPIまで）。また、統合プラットフォームや**ノーコードAIツール（前のブログで説明したように）**も増えており、技術的な労力を減らして展開を加速することができます。要するに、参入障壁はますます低くなっています。

しかし、企業の構造にAIを真に組み込むこと—利益やミッションの成果を一貫して推進する形で—は、企業のビジョン、適応力、ガバナンスを試す旅であり続けます。今後数年でAIのリーダーと後れを取る企業とのギャップは広がるかもしれません。片方では、2023年から2024年を学習フェーズとし、これまでにないスケールでAIを活用し、効率、顧客洞察、イノベーションで競争優位を得る企業が見られます。一方で、戦略やコミットメントなしにAIに手を出した企業は停滞するか、より機敏な競争相手がAIを活用して彼らを凌駕する中で後れを取るかもしれません。

AIのビジネス採用が生産性の向上と関連しているという事実は、もはや疑問の余地がありません。研究によれば、AIに対応した企業は既に先を行っています。今問われているのは、AIの可能性を現実に変えるための難しい組織的な作業を実行できる企業はどこかということです。技術的な強みを明確なビジョンと強力な実施力と組み合わせることができる米国やアジアの企業は、この新しい時代でリードする可能性が高いでしょう。彼らは強力なイノベーションエコシステムから利益を得ており（アジアの場合は特に）、近代化へのトップダウンの緊急性を持つことが多いです。しかし、どの地域の組織でも、正しいアプローチを取ることで成功することができます。

結論として、AIの実験の時代は終わりを告げ、AIの実行の時代が始まっています。企業は次々と新しいアルゴリズムを追い求めるのをやめ、AIが大規模に成長できる基盤を築くこと、つまりデータ、人、プロセスに焦点を当てる必要があります。これまで多くの企業が直面してきた苦労が示すとおり、その道は簡単ではありません。しかし、AIによって推進される効率化された運営、差別化された顧客体験、新しい製品機会という報酬はまだ手に入ります。思慮深い戦略、強力なリーダーシップ、初期の誤りから学ぶ意欲があれば、企業はAIの誇大広告から持続可能な影響へと橋渡しをすることができます。2025年はAIについて語るだけの企業と、それを本当にビジネスに変革している企業を分ける重要な年となるでしょう。課題に正面から取り組み、AIリーダーのプレイブックに従うことで、どの企業も野心的なパイロットプロジェクトからスケールされたAI駆動の成功への旅を加速させることができます。