Andreea Pleşea, PhD, COO兼共同創業者 Druid AI – インタビューシリーズ

Andreea Pleşea, PhD, COO兼共同創業者 Druid AI は、ソフトウェアエンジニアリング、エンタープライズテクノロジー、人工知能、オペレーション、カスタマーサクセスにわたるほぼ20年の経験を持つテクノロジーエグゼクティブ兼起業家です。Druid AI を共同設立して以来、Chief Operating Officer、Chief Revenue Officer、Chief Customer Success Officer など、組織全体で複数の上級リーダーシップ役割を務め、エンタープライズソフトウェア企業のスケールにおける技術面と商業面の両方の経験を積んできました。Druid AI に入る前は、TotalSoft にほぼ10年間在籍し、.NET プログラマーからソフトウェア開発マネージャー、最終的には Charisma Business Applications ディレクターへと昇進し、製品開発、導入、テクニカルサポート、ソリューションアーキテクチャ、P&L の責任を統括しました。学術面では、ローマ・トル・ヴェルガタ大学で AI 研究を行い、同大学の人工知能研究グループと共に、非構造化データから情報を抽出・構造化する技術に取り組みました。また、Women in Tech Romania の諮問委員会にも参加しています。

Druid AI は、組織全体の複雑な業務プロセスを自動化できる AI エージェントの構築とオーケストレーションに注力するエンタープライズ AI 企業です。そのプラットフォームは自然言語理解、生成 AI、検索強化生成（RAG）、エンタープライズ統合、ワークフロー自動化、分析、ガバナンスを組み合わせ、Druid Conductor が複数の専門エージェントとシステムを調整してビジネス成果を実現します。組織は Druid のエージェントを ERP（エンタープライズリソースプランニング）、CRM（顧客関係管理）、ITSM（IT サービスマネジメント）、人事プラットフォームなどのシステムに接続でき、クラウド、ハイブリッド、オンプレミス、エアギャップ環境で展開可能です。同社によれば、同技術は 300 社以上のエンタープライズ顧客に利用され、200 社以上のグローバルパートナーが支援しており、従業員サポート、カスタマーサービス、ヘルスケア、高等教育、共有サービスなど幅広い領域で活用されています。

2018 年にブカレストで Druid AI を共同設立する前に、TotalSoft でほぼ10年間勤務し、.NET 開発から上級技術・ビジネスリーダーシップへと昇進しました。当時、対話型 AI がエンタープライズテクノロジーのコア層になると確信させた要因は何ですか？また、Druid がエージェント型 AI へと移行する中で、当初のビジョンはどのように変化しましたか？ 

学術的厳密さと現場のエンタープライズ課題という二つの異なる道が交わったことが、博士課程での思考の流れを形作りました。しかし、Liviu Dragan という非常に先見的なリーダーが Druid AI 設立の構想を提示したとき、私の研究が実際のビジネスで活かせると実感したのです。

2008 年から 2011 年にかけての博士研究では、セマンティックウェブ技術とオントロジーを介して通信する自律型 AI エージェントに焦点を当て、インテリジェントシステムが従来のエンタープライズソフトウェアに取って代わる、あるいはその上に立つ可能性を探求しました。その直後、エンタープライズテクノロジーのリーダーシップに携わる中で、次のような厳しい現実に直面しました: 従業員に到底管理できないほどの複雑さを抱えさせていたのです。

単一のルーチンタスクを完了するだけでも、どのアプリケーションを開くか、データがどこにあるか、どのポリシーが適用されるか、次のステップの所有者は誰かを把握しなければなりません。一方、オフィスの外では、メッセージングが人間同士のインターフェースの主流となりつつありました。

2018 年に Druid AI を設立したときのビジョンはシンプルでありながら野心的でした: 全社の業務をオーケストレーションできるバーチャルアシスタントをすべての従業員と顧客に提供することです。

ほぼ10 年が経った今でも、根本的なビジョンは変わっていません—技術が追いついただけです。対話型 AI は主にインテント認識、情報検索、静的スクリプトのトリガーに焦点を当てていましたが、エージェント型 AI は委任の境界を拡げます。現代のエージェントは目標を評価し、専門的なサブエージェントと協働し、異種システムをナビゲートし、複雑なマルチステップワークフローを自律的に実行します。

我々にとって、現在のエージェント革命は対話型 AI からの戦略的な転換ではなく、創業時の命題の自然な実現です: エンタープライズテクノロジーは人間が仕事を完了できるようにシンプルになるべきであり、舞台裏のオーケストレーションは無限に高度化していくのです。

AI 業界の多くはますます強力な基盤モデルの構築に注力していますが、Druid AI は異なるモデルをエンタープライズデータ、システム、ワークフローに接続することに焦点を当てています。モデルがますます交換可能になる中で、オーケストレーションは基盤モデル自体よりも重要な競争優位になると考えますか？

Druid AI の根本的なミッションはシンプルです: すべての人間のインタラクションから卓越した価値を抽出し、効率的に仕事を完了させることです。しかし、市場が成熟するにつれて、その価値提供の鍵は基盤技術スタックからシフトしています。

エンタープライズテックでは古典的なパターンが顕在化しています: かつては差別化要因だった機能が急速にコモディティ化しているのです。現在、基盤モデルはすべてのプレイヤーが利用可能です。企業は特定のパフォーマンス、コスト、セキュリティ、規制要件に合わせてハイブリッドなモデルマトリックスを導入せざるを得ません。インテリジェンスがコモディティ化するにつれ、戦略的な戦場はスタック上位へと移ります。

今日、エンタープライズ AI における最も難しい課題は実行コンテキストに関するものです: ガバナンスとアクセス（AI がどのデータに触れ、どのポリシーの下で動作できるか）、エージェントルーティング（どの専門エージェントが特定タスクを処理すべきか）、システム統合（複数のトランザクションシステムが安全に連携する方法）、自律性と制御（エージェントが独立して行動できるタイミングと人間の承認が必要なタイミング）、監査性（ワークフローが失敗した場合、決定プロセスをステップバイステップで再構築できるか）です。

そのため、オーケストレーションが究極の戦略レバーとなります。モデルはインテリジェンスを生成しますが、企業は信頼できる実行を求めています。

Druid AI は、まさにその決定的な制御・オーケストレーション層として構築されています。異なるモデルをエンタープライズデータ、ワークフロー、ユーザー間で安全に橋渡しし、実行効果を測定する基準フレームワークを提供して、真のビジネス成果を評価します。

長期的には、勝者を決める質問は「どのモデルを使用していますか？」ではなく、「生のインテリジェンスを従業員や顧客のための完了した仕事にどれだけ効果的に変換できるか？」になるでしょう。

Druid Conductor は知識検索、意思決定ロジック、システムアクションを横断する複数の専門エージェントを調整できます。企業が質問に答える単一の AI アシスタントから、マルチステップのビジネスプロセスを独立して実行できる複数エージェントへ移行する際、技術的に困難になる点は何ですか？

シンプルな対話インターフェースからマルチエージェントアーキテクチャへの転換は、エンジニアリング課題を根本的に変えます。線形の会話を管理するのをやめ、分散型の意思決定・実行システムを管理し始めるのです。

単一の Q&A アシスタントでは、主な障壁はインテント認識、情報検索、そして高精度な応答生成です。マルチエージェントエコシステムは、全く異なる分散システムと課題をもたらします:

1. どのエージェントが実行権限を持ち、ドメインドリフトを防止するにはどうすればよいか？
2. エージェント間で責任が引き継がれる際、状態はどのように維持されるか？
3. 専門エージェント間で矛盾する決定が生じた場合、どのように調整するか？
4. サブエージェントはアクセス権限を動的かつ安全にどのように継承するか？

これらの課題は実際のエンタープライズインフラに適用されるとさらに複雑になります。単一のワークフローが CRM、ERP、アイデンティティ管理プラットフォーム、チケッティングシステム、レガシーデータベースにまたがることがあります。各システムは異なるビジネスロジックと障害モードで動作しますが、最終的にコンダクターエージェントは正しく仕事を完了させる必要があります。

6 ステップのプロセスのうち第 4 ステップが、すでに 3 つのシステムでトランザクション変更が実行された後に失敗すると、基本的なエージェントパイプラインは崩壊します。オーケストレーション層は単に汎用エラーを投げるだけでは済みません。状態を管理し、必要に応じてロールバックを実行し、代替ルーティングがあるか判断し、あるいは人間が介在するインターベンションへ円滑にエスカレーションしなければなりません。

真のエンタープライズオーケストレーションとは、状態管理、トランザクションの一貫性、可観測性、ポリシーの適用、そして安全な自律性です。その背後にある複雑さの目的はシンプルさです: 複数システムにまたがる複雑なジョブを、シームレスに完了させる単一の摩擦のないインタラクションを提供することです。

Druid AI は現在、数千の導入エージェントを通じて 10 億件以上の会話を処理しています。その規模で、パイロットや制御されたデモからは得られなかったエンタープライズ AI の学びは何ですか？

本番環境は迅速に謙虚さを教えてくれます。

パイロットは通常、比較的制御された環境です。ユースケースが定義され、データがある程度クリーンで、ユーザーが把握でき、プロジェクトチームが綿密に監視しています。

本番環境は全く違います。人々は同じ質問を二十通りの表現で行い、会話の途中で考えを変え、情報が不完全で、言語やトピックを切り替え、予期しないタイミングでやり取りし、ポリシーが変わり、API が失敗し、バックエンドが遅延し、誰も想定していなかった新たなエッジケースが現れます。確かなことは、ユーザーは仕事を効果的かつシームレスに、自然な形で完了させることを期待しているということです。テキストでも、特に音声でも、会話は遅延なく自然に流れ、ある程度共感的で、タスクを実行しながら最適なオプションや次のステップを提案し、例外やループは必要に応じて人間に委ねるべきです。

最も価値の高い自動化の多くは、比較的普通の作業を極めて優秀に、何十万回も実行することから生まれます: 従業員の質問への回答、口座確認、予約の再調整、IT リクエストの解決、エンタープライズシステムからの正しい情報取得などです。これにより AI の価値観が変わりました。

二つ目の教訓は、ゴーライブは学習サイクルの始まりに過ぎないということです。ユーザーが何を求めているか、どのインテントが増加しているか、会話が失敗する箇所、エスカレーションが起きる箇所、時には根本的なビジネスプロセス自体を変える必要があるかを把握しなければなりません。

そして最も重要な教訓は、信頼は運用面に根ざすということです。企業は AI が時間とともに予測可能に振る舞い、例外が正しく処理され、意思決定が可視化され、組織がコントロールを保てると信頼します。

Druid の本番データは、比較的少数のワークフローが実際のエンタープライズ AI 利用の大部分を占めていることを示しています。これは、企業が最初に AI 投資を少数の高ボリュームワークフローに集中すべきであり、全社的な大規模変革を試みるべきではないことを示唆していますか？

本番データで最も顕著なパターンの一つは、需要が集中する傾向があることです。たとえば金融サービスでは、3 つのワークフローカテゴリが全体の約 90% の利用を占めています。高等教育ではさらに集中度が高くなります。これは、企業が AI 変革を考える上で重要な示唆です。我々はこれらの洞察を分析し、高等教育、ヘルスケア、銀行向けのベンチマークレポートを作成し、パートナーや顧客が効率向上につながるプロセスを特定し、エージェントとの人間インタラクションを予測できるようにしました。

特に取締役会レベルでは、「AI を導入しなければ取り残される」という非常に広範な要求から始めたくなる誘惑があります。運用チームは、エージェントが実行できる適切な仕事を特定しようと苦闘し、同時に自分たちの職が失われることを恐れます。では、適切なバランスは何か、そしてボードが期待する KPI を最大化しつつ、エージェントと共に仕事を遂行できる AI エージェントをどのように採用すべきか、という課題です。

まずは、収益拡大やコスト削減の可能性がある領域から始めます。何千人もの顧客、従業員、学生、患者が同じ結果を繰り返し求めている場合、測定可能なベースラインがあり、価値を実証する強力な機会が得られます。

しかし重要な区別があります: 初めは狭く始め、アーキテクチャは広く設計することです。

最初のユースケースは集中させることができます。その下にあるプラットフォームは、エンタープライズ全体に拡張可能であるべきです。少数の重要なワークフローで経済性、ガバナンスモデル、統合、人間エスカレーションメカニズムを実証し、そこから学んだことを活かして隣接プロセスへ拡大します。

ボリュームだけが基準になるべきではありません。低頻度のワークフローでも、各成功解決が大きな財務的または運用的インパクトを持つ場合は極めて価値があります。

エンタープライズが単に人間が関与しないインタラクション率を最大化するのではなく、成功した解決に重点を置くようになる中で、組織はどのように AI エージェントが自律的に判断できるべき決定と、人間エスカレーションが必須となるべき領域を決定すべきでしょうか？

Druid AI は、26 の評価基準をカバーする評価フレームワークを構築し、エージェントオーケストレーションが構築段階から実行段階まで客観的に評価できるようにしています。

アクションが可逆的で、リスクが比較的低く、明確なルールで統制され、信頼できる情報に支えられている場合、自治権を認める強い根拠があります。事前に定義されたパラメータでの予約再調整は、臨床判断を行うこととは大きく異なり、単純に見えるかもしれません。しかし、効果的に実行するためには多くの要素を考慮すべきです: 例として、医師 B に空き枠があるが、彼がその枠をブロックしたい場合、AI エージェントは単に患者の予約をその枠に移すべきではありません。

私が検討するいくつかの次元は次のとおりです: エラーの財務的または人的影響、アクションの可逆性、利用可能な情報の完全性と質、規制要件、そして本当に人間の判断や共感が必要かどうかです。これらを踏まえてエスカレーションを意図的に設計します。

ここで、初期の AI 自動化に関する考え方が過度に単純化されていたと考えます。目標は「人間を介さずにできるだけ多くのインタラクションを処理する」ことでしたが、多くのプロセスではエスカレーションこそが正しい結果です。

そのため、純粋な抑制ではなく、ガバナンスされた解決という観点で考える方が好ましいです。

目的は、AI が自律的に解決すべき作業を解決し、行動すべきでない状況を認識し、関連するコンテキストを事前に組み込んだ上で人間をプロセスに招くことです。

AI エージェントが機密情報を取得し、エンタープライズシステムを更新し、現実のアクションを開始できるようになると、可観測性とガバナンスの重要性がはるかに高まります。企業はエージェントの推論、データアクセス、アクションについて、ミッションクリティカルなワークフローに信頼を置く前に何を監査できるべきでしょうか？

Gartner のガイドラインに従い、DRUID は 5 つの観点（エラー許容度、リスク、コンプライアンス、可観測性、逸脱）からエージェントを分析する組み込み評価フレームワークを備えています。これらのカテゴリの下で、合計 26 のコンポーネントがあり、各コンポーネントには定義、開くことができるアーティファクト、測定指標があります。

エージェントを評価する際、プラットフォームは元のユーザーリクエストから最終的なシステムアクションまでの完全なチェーンを再構築できなければなりません。つまり、どのエージェントがリクエストを処理し、どのモデルが使用され、モデルが受け取ったコンテキスト、取得されたエンタープライズ情報、適用されたビジネスルールやポリシー、特定のルートやアクションが選択された理由、基盤システムで何が変化したかを把握することです。監査可能なインタラクションは数十件単位で追跡・分析・測定されます。

アイデンティティも同様に重要です。AI エージェントがエンタープライズのアクセス制御を迂回するショートカットになることはあってはなりません。リクエストを開始した人物、閲覧・実行権限、エージェントがその境界内に留まっていたかを把握する必要があります。

マルチエージェントアーキテクチャでは、トレーサビリティがさらに重要になります。どのエージェントが別のエージェントに委任したか、どの情報が境界を越えたか、決定はどこから生じたか、どのコンポーネントが実際にアクションを実行したか、そして運用上の証拠（タイムスタンプ、信頼度シグナル、実行結果、例外、エスカレーションイベント、何が起きたかを理解または再現する能力）があります。

これは、対話型 AI からエージェント型 AI へ移行する際の最大の変化の一つです。

AI が単に質問に答えるだけの場合、可観測性は有用です。AI が顧客レコードを変更したり、支払いをトリガーしたり、複数の記録システムを更新したり、ビジネスプロセスを開始したりする場合、可観測性は制御アーキテクチャの一部となります。

あなたは Druid AI で開発、オペレーション、収益、カスタマーサクセスといった非常に幅広い役割を担ってきました。顧客と直接関わることで、なぜ一部のエンタープライズ AI 導入は測定可能な価値を生み出す一方で、他はパイロット段階にとどまるのか、という見解はどのように形成されましたか？

私は開発者としてキャリアをスタートし、多くのエンジニアと同様に、技術が十分に優れていれば価値が明らかになるはずだという強い直感を持っていました。しかし、顧客はすぐに、エンタープライズテクノロジーはそう単純ではないことを教えてくれます。

技術的に高度な導入でも、ビジネス課題が十分に重要でなければ、プロセスオーナーが不在であれば、統合が後回しにされていれば、成功の定義が合意されていなければ、価値はほとんど生み出せません。顧客はテクノロジーの話をすぐに取り払います。プロセスが改善されていなければ、どれだけアーキテクチャがエレガントでも関心を持ちません。

この規模の実装を語る際には、解決すべき実際のビジネス課題を持つオーナーが存在します。測定可能なボリューム、コスト／収益、摩擦があり、AI は実際に作業が行われるシステムに接続され、導入後の採用計画と継続的改善が策定されています。パイロットがパイロットのままであるのは、技術が機能することは証明できても、運用モデルが機能しないことを示すからです。そのため、AI プロジェクトを設計する際には、スタッフとパートナーにまず「クリック」ではなく「仕事」そのものを理解させます。「仕事」とは、例外処理の方法、結果、例外の頻度、何が生産性向上を妨げているか、所要時間、そして自動化しなければ得られない生産性向上に必要な労力を指します。

私自身のキャリアは、技術、オペレーション、営業、カスタマーサクセス、会社創業と移り変わり、今ではその幅広さが最大の強みの一つとなっています。技術は「仕組み」を教え、営業は「誰が支払うか」を教え、カスタマーサクセスは「実世界で機能するか」を教え、オペレーションは「組織が繰り返し規模拡大できるか」を教えてくれます。

多くの点で、Druid AI の進化は同じ道筋をたどってきました: 対話型 AI が機能することを証明し、価値を創出できることを示し、エンタープライズ規模で信頼できるインテリジェントエージェントを実現するためのインフラを構築することです。

あなたは Women in Tech Romania にも関わりながら、Druid を国際的な AI 企業へと成長させました。女性が AI 企業を創業・リードする上で最大の障壁はどこにあり、経営層や創業者レベルでの女性の比率を実質的に高めるには何が必要だと考えますか？ 

最新のデータは欧州テックに顕著な格差があることを示しています: AI スタートアップのわずか 5% が女性によって創業または共同創業されており、そのうち半数しか PhD を取得していません。統計は厳しいものの、この格差を解消するには性別差別という従来の物語を超えて考える必要があります。

本質的に、起業は個人の選択であり、性格、リスク許容度、個人的優先順位、キャリア選択によって形作られます。これを単なる社会的障壁と見るのではなく、創業者が形成される実務的なパイプラインを検証すべきです。

女子は統計的に早期に技術分野への関心が低いものの、企業キャリアの後半で現れるはるかに重要で議論されにくい障壁は「事業全体の所有権への露出」です。

女性は世界クラスの技術スペシャリストや機能リーダーとして優れていますが、収益責任、P&L 管理、商業的意思決定、企業戦略全体といった役割へは移行が少ないです。これらはエンタープライズテクノロジー企業を創業・スケールさせるために必要な運用的筋肉そのものです。

私自身の軌跡は、ソフトウェア開発から CEO への直線的な道ではなく、リーダーシップ、オペレーション、商業実行、最終的に会社創業へと移り変わる一連の転換でした。ルーマニアの教育制度のように、実務的な財務教育や起業訓練が性別に関係なく欠如していた環境では、ビジネスリスクのナビゲートは段階的な露出のプロセスでした。

このギャップを克服するには、一般的な神話「テクノロジーリーダーシップは全てを完全にマスターしなければならない」という考えを壊す必要があります。高速で進化する AI 時代において、すべての答えを持つ者はいません。今日のリーダーシップに求められるのは好奇心、継続的学習、そして結果が保証されていなくても複雑な課題に挑む自信です。

より多くの女性がテクノロジー企業を率いるためには、商業ネットワークへのアクセスを拡大し、可視的なロールモデルを推進し、経験豊富な人材が機能サイロから抜け出し、P&L の責任を担い、事業所有のリスクを受け入れるよう積極的に促す必要があります。

今後、エンタープライズ AI プラットフォームがビジネスオペレーションに深く組み込まれるか、実験段階で止まってしまう多くの AI 製品とを分ける要因は何だと考えますか？

分岐点は、インテリジェンスから信頼できる実行へと移行できるかどうかです。

印象的な応答を生成することはすでに比較的容易になっていますが、大規模エンタープライズ内で安定的に運用するのは別の課題です。

ビジネスオペレーションに組み込まれるプラットフォームは、既存システムに安全に接続し、すべてのモデルや技術にまたがって動作できなければなりません。

エージェント、ワークフロー、人間の意思決定を調整できるオーケストレーションが必要です。また、アイデンティティ、ガバナンス、可観測性、制御がアーキテクチャに組み込まれている必要があります。

しかし、もう一つの要件として、私は実験とインフラストラクチャをますます分けるのは「不完全な条件下での信頼性」だと考えます。デモはすべてが正常に機能したときに何ができるかを示しますが、エンタープライズは何かが失敗したときにどうなるかを知りたがります。

データが不完全な場合はどうなるか？API が失敗した場合は？二つのポリシーが衝突した場合は？信頼度が低い場合は？ユーザーが権限のない操作を要求した場合は？

エージェントが 90% の時間で優秀に動作しても、残りの 10% で予測不可能に振る舞う場合、ミッションクリティカルなプロセスに任せることはできません。

ここ数年の主流の質問は「このモデルは何ができるか？」でした。

エンタープライズの質問は「この仕事を効果的にどうやって完了させるか？」へと変わりつつあります。

組織に深く組み込まれる AI プラットフォームは、第二の質問に説得的に答えられるものです: 技術的、運用的、経済的に。これが Druid AI を始めたときに見た機会の本質であり、インテリジェンスを仕事そのものの一部にすることです。素晴らしいインタビューに感謝します。詳しく知りたい読者は Druid AI をご覧ください。

素