データを活用してAIのROIギャップを埋める: ビジネス価値を実現するための4つのステップ

私たちが「AIの年」の4年目に突入する中、多くの組織のリーダーは、2つの相反するように見える質問を検討している。第一に、ジェネレーティブAIは21世紀で最も変革的な技術であるか？第二に、AIは過大評価されているか？私はこれらの質問に対して、両方にYESと答える。しかし、私はこれらの質問が間違っていることを考えている。代わりに、これらのリーダーは自分自身に別の質問を問うべきである：私の組織は現在、AIからビジネス価値を得ることができるか？

現実は、多くの企業が過去3年間で新しいAI技術に投資し、新しいAIツールを実験してきたが、まだ想定していたリターンを得ていない。CEOは「すべてをAI化する」圧力をかけているが、組織は期待したROIを得ていない。これは驚くことではない。歴史は、最も重要な技術革新が実現するまでに時間がかかることを教えている。技術の発明とビジネス革新の間には遅延がある。

トーマス・エジソンは1882年にマンハッタンで電気の力を展示したが、フォードが1913年に電気式組立ラインを発表するまで、電気は完全に蒸気動力に取って代わることはなかった。1885年のビジネスリーダーが工場労働者に電気式動力を実験するよう促すことができるか？しかし、電気式動力は最終的に勝利し、20世紀の革命的な革新の多く、ラジオ放送からデジタルコンピューティングまで、道を切り開いた。

より最近の例では、ワールドワイドウェブは90年代初頭に一般的になった。消費者の使用はすぐに爆発的に増加したが、ビジネスの採用は遅れた。多くの既存の企業がウェブを通じてeコマースを通じて利益を得始めるまでに、半世紀かかった。ただし、ウェブはソーシャルメディア、モバイルエンゲージメント、クラウドコンピューティング、そして最終的にAIの道を切り開いた。ビジネス価値は、新しい技術から段階的に生成される。

電気時代のビジネスが組立ラインで始まったように、ウェブ時代のビジネスがeコマースで始まったように、AIビジネスの時代のキラー・アプリは何になるか？2022年末のChatGPTの発売により、一般の人々が大規模言語モデルの力を知ることができた。人気により、「私に理解され、人間のように聞こえるチャットボット」のアーキタイプが、AIをどのように適用するかというものになった。結果として、多くの企業は、同様のアシスタントを導入し、それを会社のバージョンのChatGPTに調整した。多くの場合、ユーザーから好評価を得たが、生産性へのビジネスリターンは測定が難しい。

LLMのビジネスへの最も発展した応用例の1つは、コーディングアシスタントの分野である。Claude Code、Cursor、その他のツールは広く人気を博しており、ほぼ魔法のような結果を示している。しかし、研究によると、個々の開発者の生産性向上はまだ組織全体の生産性に翻訳されていない。さらに、開発の迅速化は、ビジネスのパフォーマンスを助けない場合、ビジネス価値を生み出さないものを作成する場合がある。コーディングアシスタントは将来、AIの採用を拡大するのに役立つが、キラー・アプリではない。

最も影響力のあるAIの応用を見つけるには、組織は自身のビジネスモデルを駆動する歯車に焦点を当てる必要がある。私とStephen Fishmanの本 Unbundling the Enterprise では、「価値ダイナミクス」と呼ばれる概念を検討する。これは、ビジネスモデルを一連の相互接続された価値交換に分解する方法である。価値交換には、手数料、時間節約、リーチ、品質の向上などの「通貨」が含まれる。最もユニークな通貨はデータである。本書では、GoogleやMetaのような企業がデータ蓄積をデジタル支配力に変えた方法を示している。彼らの成功は、価値交換にリアルタイムの自動リンクを提供することによって実現した。彼らはデータ収集と収益生成を美徳の循環でリンクさせた。両社とも、顧客データをターゲット広告として文脈化し、これを使用してコア収益を運営し、ユーザー参加を通じてさらに多くのデータを収集した。

多くの組織は過去数十年間でデータを収集し、洗練してきたが、まだデータの潜在的な収穫を完全に活用していない。基本的に、大規模言語モデルは単に適用されたデータである。組織の価値交換を駆動するフライホイールのエンジンとなり得るが、そのエンジンには、データの活性化プロセスを通じて、文脈化されたデータという燃料が必要である。さらに、組織のビジネスモデルの歯車に接続する必要がある。このプロセスにより、データは信頼性が高まり、スケールで利用可能になり、企業内でよりダイナミックな自動化の基盤が整う。最終的に、組織にとってのキラーAIアプリが明らかになる。

データをAI時代に活用した組織はどのように見えるか？以下のシナリオを考えてみよう：

• 新薬の開発に数百万ドル、数年間のベットを必要とする製薬会社が、ダイナミックな自動化を通じて短縮化された並列化された臨床試験サイクルを持つより敏捷な会社になる
• 現在、顧客全員に「希望と祈り」の製品オファーを送信しているが、手動での下流の履行が必要なリテールバンクが、ストリームライン化された信用創出を通じて、より高い採用率の利益のある貸し出し製品を持つ、パーソナライズされたオファーを持つ会社になる
• 現在、在庫管理システムが過剰在庫と売れ残りのアイテムで混乱している小売業者が、常にオンのAIエージェントを通じて分析された直販店、倉庫、サプライヤーの接続を通じて、リアルタイムで在庫の位置を理解する会社になる

これらのシナリオでのROIへの道は、データの活性化を通じて動的な自動化に従う。

組織はこの旅を始めるにはどうすればよいのか？以下の4つのステップを実行することができる：

ステップ1: 自分の組織の価値ダイナミクスを理解する

組織のビジネスモデルを基本的な価値交換に分解することは、数多くの理由により非常に価値がある。結果として得られる価値交換マップは、ビジネスを駆動する能力、最も重要なビジネス機能、組織内の各要素が価値の創出、キャプチャ、配布にどのように貢献するかを示す。私たちの目的のために、価値交換マップは、ダイナミックな自動化の候補となる基本的なビジネスプロセスを視覚化するために使用できる。次の層として、各価値交換とコンポーネントを、それらが組織内でどのように運用されているか、ソフトウェアアプリケーション、データストア、または従業員のタスクの形式でマッピングできる。自動化の機会は、影響と実装の複雑さによって重み付けされ、AIとデータの活性化を適用する最も適切な場所を特定するために使用できる。

ステップ2: データの活性化レイヤーを通じて選択肢を広げる

組織がデータを活性化できるかどうかは、デジタル景観の選択肢の存在に依存する。選択肢は、デジタル資産（ソフトウェア機能、データソース、サードパーティサービス）がリアルタイムでアクセス可能な場合に存在する。AIの文脈では、これは2つのことを意味する。第一に、組織は、正確な推論と幻覚を避けるために、LLMに正確なコンテキストを提供するために、異なるソースからのデータを統合する必要がある。第二に、コアビジネス機能を実行するソフトウェアコンポーネント（バンクのローン判断サービスまたは小売業者のリアルタイム在庫システムなど）は、LLMベースのアプリケーションによって呼び出される必要がある。両方の場合、APIは、データと機能を適切にアクセス可能にするための最良のメカニズムである。Model Context Protocol（MCP）は、データの活性化のAPIプロトコルとして支持を得ている。この一連のアクセス可能な機能は、組織のためのコンテキストプラットフォームに変換される。組織のデジタル景観を、シロされたアプリケーションとデータのセットから、ビジネスに整列したAPIのレイヤーに変換することは、データの活性化を通じてROIを達成するために不可欠である。

ステップ3: デジタルソリューションのエージェントパラダイムを採用する

AI時代のソフトウェアアーキテクチャが登場している。最適化されたソフトウェアソリューションは、AIを含むコンポーネントと非AIコンポーネントのバランスを必要とする。AIエージェント（この新しいアーキテクチャのAIを含むコンポーネント）は、コンテキスト認識に基づくLLMベースの推論を使用して、利用可能なツールを通じてタスクを実行する。彼らはデータの活性化と動的な自動化の道具である。API（MCPツールを含む）を通じて選択肢化されたデジタル景観は、エージェントが繁栄するための最も肥沃な土壌である。エージェントアーキテクチャは、既存のインフラストラクチャの決定論的ソフトウェアコンポーネントとこれらのAIエージェントの両方を組み合わせるための数多くのパターンを可能にする。これらのパターンは、シンプルなチャットボットやワーカーエージェントから、エージェントワークフローに至るまで、最終的には自律的なマルチエージェントシステムに至る。組織がこのアーキテクチャアプローチを採用すると、既存のデジタル資産から最も多くの価値を生み出すことができ、AIを導入するペースを管理し、より多くの価値をもたらす解決策の複雑さを増やすことができる。

ステップ4: AIを生産性ツールとして使用してエージェント自動化を構築する

AIを単独で労働者の生産性向上に適用することは、ビジネスにとって最も高いリターンをもたらさないかもしれない。ただし、AIの生産性向上を、組織のデータを活性化し、エージェント自動化を提供するために使用することは、実際のリターンを加速することができる。これは、開発者の作業を加速するためにAIを使用することを意味するだけでなく、ビジネスドメインの専門家が技術の適用を理解し、ITチームがソリューションを構築するという、組織間のギャップを埋めるのにも役立つ。組織的な傾向として、DevOpsはこのギャップを埋めるのに役立っているが、AIもより具体的な方法で助けることができる。言語ベースの技術として、LLMは、要件とソリューションを前例のない方法で翻訳することができる。マルチモーダルAIは、ビジネススケッチをキャプチャし、ダウンストリーム開発のために使用可能なアーティファクトを生成することができる。トランスクリプトはプロトタイプに変換される。これは、データの活性化の新しいタイプである：ビジネスドメインの知識をリアルタイムでソリューションのスケルトンに変換する。

これらの4つのステップに従うことで、組織はデータを活性化し、AIへの投資からのリターンを得始めることができる。さらに、AI経済によって生み出される新しいエコシステム、仕事、機会のために、よりよく準備されることになる。組織のビジネス価値のダイナミクスを理解し、デジタル資産を実行可能な選択肢に変え、エージェントアーキテクチャを中心に据えることで、組織はAIの未来を自分で発明することで準備することができる。