コマースにおけるAIのためのインフラ革命

コマースにおける人工知能の実装は、驚くほどの速度で進展しています。小売業界におけるAI投資は急速に増加しており、2024年の116億ドルから2030年までに400億ドルを超えることが予測されています。

同様に、新しいモデルが次々とリリースされ、ベンダーは機能を拡大し続けており、企業は取締役会や投資家からAIを積極的に取り入れていることを実証する圧力を受けています。

表面的に見ると、業界は急速かつ決定的な変革を遂行しているように思われます。しかし、その表面の下では、これらの取り組みのほとんどが、サポートすることを意図していないシステムに重ねられていることになります。

制限は、モデルが利用できないことや、質が低いことではありません。問題は、モデル下にあるインフラの状態にあります。

AIを実装する際、最初の予算はAI自体に割り当てるのではなく、「データトラスト」と呼ばれるもの、つまりデータインフラに割り当てるべきです。これには、システム間の接続、データの重複排除、リアルタイム更新が含まれます。

これを行わない場合、AIはコマースで失敗し、多くの取り組みが勢いを持って始まるものの、持続的な影響に翻訳することができない理由となります。AIを成功させるには、インフラから始める必要があります。

対照的に、コマースでは、会話自体が、モデルを選択したり、高い潜在的なユースケースを特定したりすることに焦点を当てて、1層高く開始する傾向があります。注目されるのは、モデルやユースケースを選択することではなく、基本的なデータアーキテクチャがこれらの決定を有意義な方法でサポートできるかどうかです。

基本的なデータが断片化している場合、AIは有害または誤解を招く出力のみを生成します。

大規模な組織では、この傾向は、進歩を示す必要性によって強化されます。「AIを使用すること」は、モデルを導入することで達成できる最も即時的な方法として、目的自体となります。ただし、測定可能な価値を生み出すかどうかは関係ありません。

実践における「AIに準備ができていない」こと

主な問題は、システム間の整合性の欠如です。たとえば、単一の顧客は、ERPプラットフォーム、電子商取引環境、オフラインまたはロイヤリティシステムに同時に存在し、それぞれの歴史と仮定を持ちます。

製品データは技術的には完全ですが、モデルがそれを有効に解釈または推論するためのコンテキストを提供するには限界があります。データの品質が低いだけが、組織に年間約1,300万ドルのコストをもたらすと推定されており、これらの制約がどれほど根底にあるかを強調しています。

人間のチームは時間の経過とともに、これらの矛盾を乗り越える方法を学習し、システム間の非公式のブリッジを構築します。一方、モデルは、与えられた構造の中で厳密に動作し、生成される出力はそれに応じて制限されます。

AIをこの環境に導入すると、出力が完全に欠如するのではなく、出力の品質が徐々に低下します。

モデルはデータを処理して出力を生成できますが、システムを接続することはできません。

実践では、これは、顧客を実際の好みや意図と一致しない方法でカテゴリ化する、高度に特定の製品の推奨を提供するパーソナライゼーションエンジンとして現れます。

AI駆動のシステムでは、顧客体験はより正確になりますが、関連性が低くなります。

一般的な関連性から特定の無関係性へのこのシフトは、思われているよりも有害であり、ブランド自体が顧客にどのように認識されるかを変える可能性があります。最悪の場合、これらのシステムは単にパフォーマンスが低下するのではなく、顧客体験を積極的に低下させます。

AIパイロットの多くが失速する理由とそのコスト

これは、コマースにおけるAIパイロットの多くが、実験を超えて進まない主な理由の1つです。業界のデータによると、AIイニシアチブの約半分だけがパイロットから本稼働に移行し、多くの取り組みが実験段階で停滞しています。

問題は、投資や意図の欠如ではありません。制約は、システムがこれらの出力を正当化するスケールに達していないときに生じます。

その時点で、組織は、最適化への継続的な投資とイニシアチブの完全な放棄の間で選択する必要に直面します。多くの場合、後者を選択します。なぜなら、環境が一貫した結果をサポートできないからです。

業界全体で、同じインフラのギャップが繰り返されます。顧客データは統一されずに断片化されたままです。製品情報は存在しますが、解釈に必要な深さがありません。システムは、統一された情報の単一の流れとしてではなく、並列に動作します。モデルをこの環境に導入すると、これらの問題を拡大します。

このアプローチのコストは、直接的な費用を超えて表れます。システム全体で、変換に失敗する推奨、不一致なパーソナライゼーション、既存のエラーを増幅する自動化の蓄積として現れます。

時間の経過とともに、これは組織内で信頼の微妙ながら重要な侵食を生み出します。チームは、構築しているシステムの信頼性に疑問を持ち始め、技術の追加レイヤーが導入されます。結果として、機能するシステムを構築するために必要な明確さに到達するまでに遅れます。

多くの企業がAIパイロットを構築するものの、それを超えることはない理由は、弱い基盤の上に構築しているからです。これは、悪い材料で料理をするのと同じです。

あなたがゴードン・ラムゼーのレシピと優れた機器を持っている場合でも、材料が悪いと、結果は依然として否定的なものになります。

スタートアップと大企業の違い

中規模の組織、特に中市場の企業は、AIを効果的に実装する能力が高いことが多いです。これは、システムが断片化されておらず、意思決定プロセスがより直接的だからです。

大規模な組織では、構造自体が潜在的な障害をもたらします。イニシアチブは、外部の期待に応える必要性によってしばしば推進され、AIは、慎重に統合された機能ではなく、対処しなければならないカテゴリとして扱われることがあります。

「AIを実装したい」と言うことは、機械を所有していない工場に電気を導入するのと同じです。電気は点灯しますが、生産性は向上しません。なぜなら、実際に何をするかを知らずに技術に投資したからです。

モデルからインフラへのシフト

代替アプローチが、直接これらの制限に遭遇した組織の中で形作られ始めています。

初期予算をAIモデルに割り当てるのではなく、データトラストの創出、つまりデータが一貫性があり、接続され、継続的に更新される基盤の創出に投資しています。目的は、使用されるデータが有意義な決定をサポートできることを保証することです。

データの準備は、マシンラーニングプロジェクトで費やされる時間の最大80% を占めることがあり、作業の大部分がモデル自体ではなく、基礎となるデータレイヤーにあることを強調しています。

このプロセスは通常、既存のシステムの詳細なマッピングとデータフローおよび完全性のギャップの特定から始まります。最初の30〜60日間は、組織全体で情報がどのように移動するか、または移動しないかに焦点を当てています。これに続いて、データをクリーンアップし、デュプリケートを削除し、プラットフォーム全体で整列させる統合と標準化の期間があります。

次の3〜6ヶ月間で、企業は信頼性の高いデータパイプラインの構築と、高い価値のシステムの接続に焦点を当て、実際のユースケースをサポートします。基盤が整ったら、AIを導入して、一貫した、測定可能な成果を生み出すワークフローを作成することができます。

6〜9ヶ月の期間内で、企業は、変換、リテンション、利益率の改善などの指標に影響を与えるAI駆動のプロセスで、有意義な成果を達成し始めます。その時点で、モデルは実験ではなく、運用の一部となります。パフォーマンスは安定し、出力はチームが依存できるレベルで実行可能になります。

コマースにおけるAI投資の加速は、近い将来に減速する可能性は低いと考えられます。不確実なのは、インフラの準備がこれをサポートするために追いつくかどうかです。組織が期待することとシステムがサポートできることの間のギャップは、すでに本稼働に到達しないパイロットの増加に表れています。このギャップを解決するには、重要なインフラを構築することに焦点を当てる必要があります。

モデルからインフラへの会話を移動することは、同じ即時性や可視性を持たないかもしれません。しかし、多くの現在の制約が存在する場所であり、AI駆動のコマースにおける次の進歩の段階が現れる可能性が高い場所です。