Y Combinatorは、Stripe、Airbnb、Dropboxなど数百社の立ち上げを支援した伝説的なシリコンバレーのアクセラレーターだが、静かながらも地殻変動的な一歩を踏み出した。それは、カナダで設立された企業の受け入れを停止したことだ。カナダ人の創業者は依然として応募できるが、その企業は参加資格を得るために、米国、シンガポール、またはケイマン諸島で再設立されなければならない。この変更は、単なる技術的な問題に聞こえるかもしれない。しかし現実には、テクノロジー界で最も影響力のある機関の一つが、緊密な隣国でありグローバルなイノベーションに頻繁に貢献してきた国と、どのように関わるかについての大きな変化を示している。カナダのスタートアップにとって、このメッセージは「地元で構築するだけではもはや不十分」というものだ。そしてY Combinatorにとってのリスクは、世界で最も価値があり、過小評価されているテクノロジー・エコシステムの一つ、特に人工知能の分野でそれを背を向けることにある。行政上の障壁、戦略的な後退この新要件により、カナダ人の創業者は、Y Combinatorのプログラムに参加する前に、自社を外国の管轄区域に移さなければならなくなる。それは、貴重な初期段階の資金を法律顧問に費やし、国際的な税務やコンプライアンスの問題に対処し、研究助成金や研究開発税額控除などのカナダ政府のインセンティブを受ける資格を放棄することを意味する。これらのプログラムは、まさに初期段階のイノベーションを支援するために存在するものであり、国外への移転はそれを損なうものだ。製品やビジネスモデルをまだ検証中の創業者にとって、これは単なる追加書類作業ではない。それは戦略的方向性の転換だ。海外に会社を設立することは、多くの場合、事業拠点の移転、新しい管轄区域での現地採用、そして最終的には元のエコシステムから離れていくという圧力を伴う。それは単なるビジネス上の決断ではなく、国家的な決断となる。暗黙のメッセージは明白だ：カナダでの設立は十分ではない。トップクラスの支援にアクセスしたいなら、まず自分自身をアメリカ化しなければならない――少なくとも、カナダ人ではなくなる必要がある。頭脳流出への後押しカナダは数十年にわたり頭脳流出と戦ってきた。同国の大学や研究機関は世界で最も優秀な訓練を受けたエンジニア、科学者、起業家を輩出しているが、そのスタートアップやベンチャー・エコシステムは、シリコンバレーの引力に匹敵するのに時に苦労してきた。過去10年間で、その傾向は変わり始めていた。主要なグローバル企業がトロントとモントリオールにAI研究所を開設した。国内のVCはより大きなファンドを組成し始めた。Vector Institute、MILA、Amiiなどの組織が学界と産業界の橋渡しを築いた。ますます多くのスタートアップがカナダに留まり、カナダから規模を拡大することを選んだ。今、その進歩が危険にさらされている。Y Combinatorのポリシーは、古いモデルへの回帰、つまり才能あるカナダ人が成長の場を求めて国外へ去ることを促している。デラウェア州に会社を設立する創業者は、米国で雇用し、銀行取引を行い、事業を構築する可能性が高い。彼らの投資家は多くの場合アメリカ人になり、税務上の足跡は南に移り、最も重要なビジネス関係もそれに続くだろう。彼らが成功するにつれて、その富は再投資される――カナダではなく、外国のエコシステムへと。それは、トロントやモントリオールにある本社の減少を意味する。地域のエコシステムを鼓舞する基幹企業の減少を意味する。次世代を指導することを選ぶ成功した創業者の減少を意味する。要するに、国内でのイノベーションの好循環を遅らせるのだ。AIのパワーハウスを見落とすこの変化が最も近視眼的であるのは、人工知能の分野においてだ。カナダは単にグローバルなAIムーブメントへの貢献者ではなく、その起源点の一つである。この国は、基礎研究を生み出すだけでなく、現在世界中で最も先進的なAIプロジェクトを率いる人材を育成するという点でも、常にその規模以上の力を発揮してきた。例えばトロントは、ジェフリー・ヒントンの拠点であった。彼の研究はニューラルネットワークを復活させ、深層学習革命に火をつける一助となった。モントリオールのヨシュア・ベンジオは、自然言語処理と教師なし学習における重要な発展を推進した。エドモントンのリチャード・サットンは、強化学習を形式化し、試行錯誤から学習するAIシステムの基礎を築いた。これはAIの中核的な成果だ。これら3人のカナダ人は、深層学習への画期的な貢献により、コンピューティングのノーベル賞としばしば称されるチューリング賞を共同で受賞しました。しかし、カナダの役割は学術的な卓越性にとどまりません。カナダは応用AIに早期かつ大幅に投資しました。Vector、MILA、Amiiなどの研究所は、単なる研究センターとしてだけでなく、商業的イノベーションの加速装置として国際的に認知されています。それらはスタートアップを育成し、人材を訓練し、世界的なテクノロジー企業と協力しています。トロント、モントリオール、エドモントンは、ロンドン、北京、サンフランシスコと並んで、常に世界有数のAIハブとしてランクされています。カナダはまた、ヘルスケア、金融、ロジスティクス、気候技術などの分野にまたがる1,500以上のAIスタートアップの本拠地でもあります。これらの企業は学術的な概念実証を構築しているのではなく、現実世界の問題を解決し、数百億ドル規模のGDPに貢献する成長するAI経済に寄与しています。Y Combinatorからカナダ法人のスタートアップを除外することは、強化学習の発祥地、深層学習の訓練場、そして世界で最も洗練されたAIエコシステムの一つへの門戸を閉ざすことです。Y Combinatorの戦略的誤算Y Combinatorは、それがどこから来ようとも、早期に卓越性を見出すことでブランドを築いてきました。同社は世界中の企業に資金を提供し、単独の創業者や学生チームを支援し、有名なことに初めての起業家を受け入れてきました。その価値は常に、誰よりも先に突出した存在を見極める能力から生まれています。カナダ企業への直接的なアクセスを断つことで、Y Combinatorは世界で最も有望な創業者の一部に不必要な摩擦を生じさせています。中にはまだ手続きを乗り越え、会社を再編し、参加する者もいるでしょう。しかし、他の者は躊躇するかもしれません。法的な再構築を必要としないプログラムを選択するかもしれません。カナダに留まり、地元のアクセラレーターやファンドを通じて成長するかもしれません。あるいは、アクセラレーターモデルを完全に回避するかもしれません。それらの決定の一つ一つが、Y Combinatorが未来を見て形作る能力を徐々に損なっていきます。そしてそれは小さなリスクではありません。歴史的に、Vidyard、BufferBox、A Thinking Apeのようなカナダ発の企業はYCを通過し、持続的な価値を築くことに成功しました。より最近では、カナダは世界的に関連性のあるスタートアップ、特にイノベーションサイクルが短く人材が不足しているAI分野において、急増を生み出しています。受け入れを狭めることで、Y Combinatorは単にデアルフローを複雑にしているだけでなく、世界で最も豊かなスタートアップ潜在力のプールの一つへのアクセスを減らしているのです。この動きに込められたメッセージこの決定は法的または行政的な効率性に根ざしているかもしれませんが、象徴的な重みを持っています。それは、イノベーションのグローバルな性質にそぐわない一種の境界線引きを示唆しています。リモート協力が標準であり、越境投資が不可欠な世界において、創業者にその法人形態が資格を失わせると伝えることは、退行的なメッセージを送ることになります。すでに困難な資本環境を乗り越えようとしているカナダの起業家にとって、それはさらなる不信の票のように感じられます。より広い文脈では、直接的に関連していなくても、最近のカナダと米国間の貿易緊張や政策摩擦を彷彿とさせます。意図的かどうかにかかわらず、効果は同じです：カナダで構築することは不利であるという信念を強化します。その信念は自己実現的になります。もしトップクラスの支援が常に「まず去らなければならない」という条件付きであれば、より少ない創業者が留まるでしょう。ローカルのエコシステムは弱体化します。そして最終的には、可能性の認識さえも侵食されていくのです。カナダのイノベーションにおける転換点この瞬間は、いかに苛立たしいものであっても、機会を提示しています。それはカナダのスタートアップコミュニティを刺激し、独立と自立に向けたより大胆な一歩を踏み出すきっかけとなり得ます。もしグローバルなアクセラレーターが障壁を築くのであれば、カナダの機関はより良い橋を築くことで応じなければなりません。カナダには人材、研究、そして勢いがあります。必要なのは、初期段階でのより多くの資本投入、ディープテックベンチャーに合わせたより多くのプログラム、そして国籍の変更を要求せずにカナダの起業家を支援することをいとわないより多くの擁護者です。北米関係の再考 カナダと米国間のイノベーション関係は常に相利的なものでした。カナダのアイデアが米国企業を動かし、米国の資本がカナダの成長を加速させてきました。この力学は、双方向に自由に流れるときに最も効果的に機能します。不必要な分断、特に法人設立のレベルでの分断を作り出すことは、この相互利益を損なうリスクがあります。グローバルなイノベーションの未来は、国境を越えた協力、オープンなエコシステム、そして管轄区域を超えた信頼にかかっています。その点において、Y Combinatorの方向転換は後退のように感じられます。カナダは後退してはなりません。しかし、単に適応するだけでもいけません。これは主導権を握る時です。世界クラスのイノベーションがカナダの地で繁栄し、カナダの都市に本社を置き、国境を越える必要なく世界的な成功へと規模を拡大できることを示す時です。結論：岐路Y Combinatorがカナダ法人のスタートアップを除外したことは、単なる方針変更以上のものです。それは一つの信号です。カナダにとっては、強力なローカルインフラがなければ世界クラスの人材でさえ見過ごされうるという警告です。Y Combinatorにとっては、利便性が機会を上回るとの賭けです。しかし、これはどちら側にとっても損失である必要はありません。カナダはこの機会を利用して自らの強みをさらに強化し、創業者への投資を増やし、世界の舞台で競争できるテクノロジーエコシステムを構築することができます。Y Combinatorもまた、それがどこに法人化されていようと、卓越した才能に対して開かれていることの価値を見直すことができるでしょう。AI、スタートアップイノベーション、経済成長の未来は、書類仕事によって決まるものではありません。それは、アイデアがどこで生まれ、どこで支援され、どこで繁栄することが許されるかによって決まるのです。カナダは人工知能の基礎形成に貢献しました。その次世代の起業家たちが、次に来るものを形作るでしょう。唯一の疑問は、彼らがそれを故郷から行うのか、それともどこか別の場所から未来を築くことを強いられるのか、ということです。
ベルリンに拠点を置くヘルステック企業Recareは、病院や介護施設向けAIプラットフォームの展開を加速させるため、700万ユーロのオプションを含む最大3,700万ユーロの成長資金調達ラウンドを完了しました。このラウンドはDNVが主導し、同社はRecareの最大株主となり、CIBC Innovation Bankingが追加で参加しました。この資金調達は、欧州の医療システム全体で運営上の負担が高まっている時期に行われます。行政上の要求は増え続ける一方で、スタッフの水準はそれに追いつくのに苦労しています。Recareの焦点は臨床的意思決定ではなく、病院の機能効率をますます決定づける、医療提供の目に見えにくい層——文書化、調整、プロセス管理——にあります。退院時のボトルネックからシステム全体の調整へ2017年に設立されたRecareは、ドイツの医療システムに静かに組み込まれてきました。そのSaaSプラットフォームは現在、ドイツの病院の約3分の2、さらに26,000以上の介護事業者と数百のリハビリテーションクリニックで使用されています。同社は当初、病院、リハビリセンター、介護事業者、保険会社、家族を巻き込む、非常に複雑なプロセスである退院管理と退院後ケアの調整をデジタル化することで評判を築きました。退院の遅れは、単なる事務上の不便ではありません。それはベッドの空き状況、患者の転帰、スタッフの業務負荷に直接影響を与えます。Recareは、機関間の情報の流れを構造化し標準化することで、そうでなければ断片化されたシステムにおける接続層としての地位を確立しました。今回の新たな資金調達は、特定のワークフロー最適化から、病院運営全体にわたるより広範なAI支援によるオーケストレーションへの移行を示しています。現実の行政業務のために構築されたAIエージェントRecareの次のフェーズの中心にあるのは、既存の病院ITシステム全体で調整ハブとして機能するように設計されたAIエージェントです。このエージェントは、中核的な臨床ソフトウェアを置き換えるのではなく、それと統合します——PDF、スキャン画像、メール、自由記述欄に閉じ込められていることが多い情報を抽出、構造化、再分配します。病院は、紹介状から退院サマリー、引き継ぎプロトコルに至るまで、膨大な量の非構造化データを生成します。Recareのプラットフォームは、これらのプロセスに関連する文書化作業の多くを自動化すると同時に、部門間のワークフローを調整します。その結果、手動でのデータ入力が減り、引き継ぎ時のエラーが少なくなり、運営の流れがより予測可能になります。このアプローチは、企業におけるAI導入のより広範な変化を反映しています。それは、完全な自律性という野心的な約束ではなく、認知的・行政的負担を軽減することに焦点を当てた実用的な自動化です。構造的な労働力不足への対応Recareの拡大のタイミングは、労働力の現実と密接に関連しています。欧州委員会は、欧州はすでに約100万人の医師と看護師の不足に直面しており、このギャップは2030年までに大幅に拡大すると推定しています。この文脈において、生産性の向上は選択肢ではなく、構造的な必要性です。行政業務は、臨床医の労働時間の増大する割合を消費しており、しばしば患者ケアに比例した価値を加えることなく行われています。この負担をソフトウェアに再配分することで、病院は人員を増やすことなく能力を取り戻すことができます。Recareのプラットフォームは、時間を医療提供における最も希少な資源として扱い、この制約を中心に明示的に設計されています。ドイツを超えた国際展開ドイツはRecareの中核市場であり続けますが、同社は現在、国境を越えてプラットフォームを拡大する準備を進めています。多くの医療システムは、断片化されたIT環境、増大する行政上のオーバーヘッド、深刻なスタッフ不足といった類似の課題に直面しています。Recareのモデル——既存システムを置き換えるのではなく接続する——は、医療インフラが時間とともに不均等に発展してきた市場で特に関連性が高いかもしれません。新たな資本は、国際的な展開を加速させると同時に、AIエージェントの能力をさらに開発するために使用されます。これには、相互運用性の向上、追加の文書タイプの処理、より複雑な機関間ワークフローのサポートが含まれます。医療AIへのより広範な影響Recareの軌跡は、医療技術における重要なトレンドを浮き彫りにしています。それは、実験的なAIパイロットからインフラレベルの展開への移行です。診断や治療の推奨に焦点を当てるのではなく、Recareのような企業は、医療システムの運営の基盤にAIを適用しています。成功すれば、この種の技術は非常に大きな影響を与える可能性があります。行政効率は、患者のスループットからスタッフの燃え尽き症候群、システムレベルのコストに至るまで、あらゆるものに影響を与えます。調整と文書化を静かに処理するAIエージェントは、患者には見えないかもしれませんが、大規模なケア提供の方法を根本的に変える可能性があります。医療システムが人口動態の圧力と制約された資源に取り組む中で、安全性やデータの完全性を損なうことなく効果的な能力を拡大するツールは、選択肢ではなく基盤となる可能性が高いです。Recareの最新の資金調達ラウンドは、投資家や機関パートナーが、この層のAIを医療の未来にとって重要なインフラとしてますます認識していることを示唆しています。
Sam Gaoは、AI時代の次世代人材コネクションプラットフォームDINQのCEO兼共同創業者を務める、第一線のAI研究者、エンジニア、起業家です。土木工学を学んだ後、AI分野に転身し、NeurIPS、ICML、CVPRなどのトップカンファレンスで10本以上の論文を発表、PyTorchやTensorFlowなどの主要オープンソースフレームワークにも貢献しています。 Gaoは、世界をリードするオープンソースの顔交換システム「DeepFaceLab」の第二著者であり、GitHubで46,000以上のスターを獲得、2020年にはGitHubのトップ10 AIプロジェクトに選出されました。また、2024年にHuggingFace Spacesでトップ20プロジェクトに選ばれ、Taobaoで商用展開され年間10億人民元以上の収益を生み出すユニバーサル仮想試着システム「OutfitAnyone」も開発。さらに、分散型取引エージェントのフレームワークとして広く引用されている「Eliza OS AI Agent Whitepaper」の著者でもあります。 AIイノベーションに対するグローバルな視点を持ち、シリコンバレー、ニューヨーク、デンバー、ダボス、シンガポール、京都などのハブを訪れ、第一線の研究者、創業者、業界の先駆者たちと広く交流してきました。Gaoは「青稞AIコミュニティ（Qingke AI Community）」を設立し、現在では公開フォロワー3万人以上、専門家5,000人を擁するコミュニティに成長。最先端技術講演、プライベートワークショップ、ネットワーキングの機会を提供しており、xAI、OpenAI、DeepMind、Qwen、Deepseekなどで働く研究者にとって、最も専門的で影響力のあるネットワークの一つとして認識されています。 アリババクラウドで向けコンピュータビジョンとグラフィックスに数年従事した後、ブロックチェーンにおけるAI駆動のProof-of-Humanシステムのアドバイザーも務められました。そうした役割から離れ、DINQを共同創業するに至った個人的な不満や転機は何でしたか？ アリババダモアカデミー在籍時、最先端技術が数百万人のユーザーに届くのを目にしました。しかし、私の最大の不満は技術的なボトルネックではなく、人材のミスアライメントでした。優秀なPhDたちが実世界でのデプロイに苦労する一方、独学の「コーディングの達人」たちは権威あるレッテルがないがゆえに無視されているのを目にしたのです。その後、ブロックチェーンIDシステムのアドバイザーを務めた経験から、「Proof-of-Human」の力を学びました。DINQはこれらの経験の交差点です。AI時代に構築するすべての人に、決定的で客観的な「Proof-of-Value」を提供するという使命です。 DINQは、AIモデルとコンピュート能力が、それらを構築・展開するために必要な人材のスケールよりも速く拡大している瞬間にローンチされます。あなたの視点から、今日のAI人材の発見と評価の方法の根本的な欠陥は何だと思いますか？ 根本的な欠陥は「評価の遅れ」です。AIの能力が月単位でスケールする一方で、採用は10年前のパラダイムに縛られたままです： キーワードの陳腐化：従来のフィルターは、単にChatGPTを「使う」人と、マルチエージェントワークフローを設計できる人とを区別できません。 「経歴」の罠：エリート学位や「ビッグテック」の肩書に依存することは、能力に対する安易な代用指標です。オープンソースやニッチな分野でイノベーションを推進している膨大な「隠れた逸材」を見落としています。 静的 vs 流動的：履歴書は過去のスナップショットですが、AIへの貢献は、GitHub、Hugging Face、コラボレーションプラットフォームにまたがる生きて呼吸するデータの流れです。 DINQを、履歴書、LinkedInプロフィール、キーワードベースの採用の限界に対する回答と説明されています。従来の採用システムが見逃している、AI研究者や開発者に関する重要なシグナルは何ですか？ 標準的な採用は、ビルダーの「行動DNA」を見逃しています： 反復的レジリエンス：ユーザーはプロンプトやモデルをどのように改良し、機能するまで磨き上げるのか？ 文脈的マスタリー：生のAIツールと特定のビジネスソリューションとのギャップを埋める能力。...
Jelouは、WhatsAppの会話内で直接、実際のビジネスおよび金融オペレーションを実行するAIエージェントを構築するためのプラットフォームを拡大するため、1000万ドルのシリーズAを調達しました。ニューヨークとキトに拠点を置く同社は、シンプルだが困難な問題に焦点を当てています。メッセージングは企業と顧客の間の主要なインターフェースとなっていますが、実際にお金を動かすアクションは依然として別の場所で行われているのです。 支払い、本人確認、信用審査申込、署名などは、通常、ポータル、フォーム、またはコールセンターに押しやられ、顧客が行動する準備が最も整っている瞬間に摩擦と離脱を生み出しています。Jelouは、AIエージェントが会話そのものの中で取引を完了できるようにすることで、そのギャップを埋めるために構築されました。 このラウンドはWellington Access Venturesが主導し、Krealo（Credicorpのコーポレート・ベンチャー部門）、およびCollide Capitalが参加しました。この調達により、JelouはAct One VenturesとArca Continental Venturesが主導した300万ドルのシードラウンドに続き、総額1300万ドルの資金調達を確保しました。 会話から実行へ WhatsAppのような会話型チャネルは、ラテンアメリカの多くの地域で、企業が顧客とやり取りするデフォルトの方法となっています。しかし、こうした環境で動作するほとんどのAIツールは、質問に答えたりリクエストをルーティングしたりするのに限定されています。Jelouのアプローチは、代わりに「実行」に焦点を当てています。会話型AIを企業システムに直接接続し、チャットを離れることなく作業を進められるようにします。 この戦略の中心にあるのが、取引型AIエージェントを構築・運用するためのJelouのプラットフォーム「Brain」です。Brainを通じて、企業は情報を収集し、本人確認を行い、支払いをトリガーし、ライブシステムデータを使用して金融ワークフローを進めるエージェントを展開できます。これらのエージェントは、既存のインフラストラクチャと統合しながらWhatsApp内で動作するため、企業は新たなセキュリティやコンプライアンスのリスクを導入することなく、複雑なプロセスを自動化できます。 このプラットフォームには、3,000以上の統合を備えたWebベースのスタジオと、大量のインタラクションをチームが監督できる会話管理レイヤーが含まれており、支払い、与信審査、文書署名などの機密性の高いオペレーションは安全に実行されます。 規制環境下で構築 Jelouの起源は2017年のエクアドルにさかのぼります。創業者のLuis Loaizaとチームは、人々が企業とどのようにコミュニケーションを取るかと、取引が実際にどのように完了するかの間の乖離が広がっていることに気づきました。メッセージングはどこにでもありましたが、実行は断片的で、しばしば安全でないままでした。 暗号化メッセージングシステム構築の経験を活かし、チームはチャットを実際のビジネスが行われる場所にすることを目指しました。本番グレードのシステムへのこの焦点は、セキュリティ、監査可能性、信頼性が絶対条件である規制された銀行環境でのJelouの初期導入を形作りました。 それ以来、Jelouはラテンアメリカ全域に拡大し、13カ国以上で500以上の企業にサービスを提供しています。そのAIエージェントは、銀行、小売、物流、消費財にまたがる顧客のために、1億ドル以上の金融オペレーションを処理してきました。これらは、コンバージョンと業務効率が密接に結びついている産業です。 取引型AIが異なる理由 Jelouの成長は、企業がAI導入についてどのように考えているか、より広範な変化を反映しています。自動化は、既存システムと緊密に統合され、実際の結果を推進できる場合にのみ価値を提供します。多様な規制、決済基盤、レガシーインフラストラクチャを持つ地域では、取引を実行できない会話型AIは限られた利点しか提供しません。 実行をメッセージングチャネルに直接組み込むことで、企業は摩擦を減らすと同時に、業務のループを短縮できます。同時に、この変化は新たな要件を生み出します。AIエージェントは、特に金融アクションを扱う際には、明確なガバナンス、追跡可能性、安全対策をもって動作しなければなりません。 Jelou、WhatsApp上で資金を動かすAIアプリ構築のため1000万ドルを調達 JelouのシリーズAは、取引型AIがいかに実験段階からインフラ段階へと移行し始めているかを浮き彫りにしています。規制の厳しいラテンアメリカ市場での同社の経験は、コンプライアンスとシステム統合を中核に設計すれば、メッセージングプラットフォームが実際の金融実行をサポートできることを示しています。 より広く見ると、このモデルは取引がどこで行われるかの変化を示しています。AIエージェントがユーザーと企業システムの間の信頼できる仲介者となるにつれて、メッセージングアプリはコミュニケーションツールとしての機能よりも、取引レイヤーとしての機能を強め始めています。支払い、アカウント作成、信用審査の決定は、もはや別々のアプリケーションを経由する必要はありません。それらは、意図が形成されるのと同じ会話の文脈内で発生することが可能です。 この変化は、AI駆動の取引の未来が、会話の洗練度よりも、信頼できる実行に依存するようになることを示唆しています。企業が摩擦と業務コストの削減を目指す中で、AIエージェントが慣れ親しんだチャネル内で安全に資金を動かせるようにするプラットフォームは、アメリカ大陸およびそれを超えた地域で金融取引がどのように行われるかを再定義するかもしれません。
ニック・シフタンは、BazaarvoiceのCTOであり、エンタープライズソフトウェアとコマースプラットフォームの構築と拡大にわたる20年のキャリアを持つ経験豊富なテクノロジーリーダー兼起業家です。彼は、先駆的なソーシャルコマース企業であるCuralateの共同創設者兼CTOとして最もよく知られており、2020年にBazaarvoiceによる買収を迎えるまでの約10年間で、年間経常収益（ARR）2,000万ドル以上に成長させるのを支えました。キャリアの初期には、Parkioを創業し、交通・駐車システム向けエンタープライズソフトウェアを提供する同社の製品開発を率い、プロフェッショナルとしてのキャリアはマイクロソフトで始め、Windows Mobile向けOutlook Mobileの開発に携わりました。買収後、当初は短期間の移行期間と見込まれていましたが、スケールでの構築を続ける中で長期の役割へと発展し、最終的にCTOに任命されました。現在の彼の焦点は、信頼と真正な消費者データに基づいたAI駆動の商品発見を推進することにあります。 Bazaarvoiceは、業界をリードするSaaSプラットフォームであり、ブランドや小売業者が、デジタルショッピングの旅程全体において、評価、レビュー、写真、動画などの真正なユーザー生成コンテンツを収集、管理、活用することを可能にします。グローバルな規模で事業を展開する同社は、信頼できるコンテンツを広範なブランドおよび小売先ネットワークに配信することで、毎月10億人以上の買い物客が情報に基づいた購買決定を行えるよう支援し、透明性、信頼性、データ駆動型コマースをオンライン体験の中心に据えています。 生成AIやLLMベースの技術を、高負荷下でのパフォーマンスを損なうことなく、レビューの真正性、モデレーション、信頼シグナルを強化するためにどのように適用していますか？ 私たちは、人間の判断を置き換えるのではなく、シグナルやパターンを浮き彫りにするためにAIを使用しています。LLMは、異常な活動や潜在的に不真正なコンテンツを迅速にフラグ付けするのに役立ちますが、目標は常に信頼を維持することです。これらのモデルをオフライン検証パイプラインに統合し、リアルタイムのリクエストパスから切り離すことで、投稿数が急増した場合でもパフォーマンスを維持しています。その結果、知的でスケーラブルなモデレーションと真正性チェックが実現しています。 多くの小売業者は決済の信頼性に多額を投資しますが、信頼できるレビューエコシステムを維持する複雑さを見落としがちです。決済と同様の戦的な精査に値する、レビューおよび評価インフラにおける隠れたリスクは何だと思いますか？ 評価とレビューは常に意思決定に不可欠なインフラでしたが、これはAI支援のショッピングが行われる世界では特に真実です。AIエージェントは、ショッピングの推奨を行う際、信頼シグナル（特に評価とレビューの形で）に大きく依存するでしょう。遅延、データ欠落、または明らかな不真正性は、消費者の信頼に直接影響を与えます。これらのシステムは複雑であり、コンバージョンの喪失や長期的な信頼の浸食を避けるためには、決済システムと同様の厳密さで扱うことが不可欠です。 複数の主要なコマースプラットフォームにわたるエンジニアリングを率いてきた経験から、感情分析や不正検出モデルなどのAIシステムがリアルタイムデータパスに直接存在する場合、どのようにして可観測性とインシデント対応戦略を適応させていますか？ 私たちはAIモデルを他の重要なサービスと同様に扱います：パフォーマンスと精度をリアルタイムで監視します。これには、レイテンシ、エラーレート、動作のドリフトが含まれます。フェイルセーフを実装し、モデルが適切に機能を低下させたり、負荷下で非重要なパスをバイパスしたりできるようにしています。ダッシュボード、自動化されたアラート、および実行手順書により、AIの問題が買い物客に影響を与える前に表面化し、解決されることを保証しています。 Bazaarvoiceのグローバル規模で事業を展開する際、消費者生成コンテンツが、監査可能性、透明性、リアルタイム応答性を維持する方法で、AI駆動システムを流れるようにするにはどうしていますか？ これは、エンドツーエンドの可観測性とパイプラインのセグメンテーションに帰着します。すべてのコンテンツは、取り込みから表示までのライフサイクルを通じて追跡されます。AIモデルは推奨事項やモデレーションフラグを提供しますが、すべての決定は記録され、監査可能で追跡可能です。これに容量バッファと動的スケーリングを組み合わせることで、ピーク負荷時でも応答性を確保しつつ、透明性を維持しています。 今後、新たなAI駆動のリスクや行動パターンのうち、次世代の小売システム設計を定義することになるとお考えのものは何ですか？また、ITリーダーは今からそれらにどのように備えるべきですか？ 私にとって、小売ITリーダーにとっての重要な問題は、AIショッピングが起こるかどうかではなく、それが起こったときに彼らの買い物客の旅程がどのように変化するかです。もしAIショッピングが、今日のオンラインショッピングと同じくらい一般的になったら： 顧客はどこで私の商品を発見するでしょうか、私のサイトで？それともChatGPT経由で？ 彼らはどのようにして私の商品について学ぶでしょうか、Claudeを通じて？それとも私自身のショッピングアシスタントを通じて？ 彼らはどのようにして決済するでしょうか、私の決済ページで？それともAIインターフェースを直接通じて？ 最先端のモデルは、おそらくあなたの商品についてすべてを知っているでしょう。しかし、本当の問題は：それらは今日あなたが提供できるのと同じ顧客体験を提供できるか？です。もし答えがノーなら、AI駆動の注文が現れるのを待つだけでは不十分です。あなたはAIアシスタントと、それらをあなたのブランド独自のショッピング体験の一部にするエントリーポイントに投資する必要があるでしょう。 素晴らしいインタビューをありがとうございました。さらに詳しく知りたい読者は、Bazaarvoiceを訪れてください。
Rebecca Qianは、Patronus AIの共同創業者兼CTOであり、NLP、エンボディードAI、インフラストラクチャの交差点において、プロダクション機械学習システムを構築する約10年の経験を持っています。Facebook AIでは、研究とデプロイメントの両方に携わり、公平性を目的として設計された大規模言語モデルFairBERTaのトレーニング、Wikipediaコンテンツを書き換えるための人口統計的摂動モデルの開発、ロボットアシスタントのための意味解析のリードを担当しました。また、エンボディードエージェントのためのヒューマンインザループパイプラインを構築し、Facebookのインフラストラクチャチーム全体で採用されICSEで発表されたContinuous Contrast Set Miningなどのインフラストラクチャツールを作成しました。やDroidlet意味解析ノートブックを含むオープンソースプロジェクトにも貢献しています。創業者として、現在はスケーラブルな監視、強化学習、安全で環境を認識するAIエージェントのデプロイメントに焦点を当てています。 Patronus AIは、サンフランシスコを拠点とする企業で、大規模言語モデル（LLM）とAIエージェントを評価、監視、最適化するための研究主導のプラットフォームを提供し、開発者が信頼性の高い生成AI製品を自信を持ってリリースできるよう支援します。このプラットフォームは、自動評価ツール、ベンチマーキング、分析、カスタムデータセット、およびエージェント固有の環境を提供し、幻覚、セキュリティリスク、論理障害などのパフォーマンス問題を特定することで、チームが実世界のユースケース全体でAIシステムを継続的に改善し、トラブルシューティングできるようにします。Patronusは、企業顧客とテクノロジーパートナーに対し、モデルの動作をスコアリングし、大規模にエラーを検出し、プロダクションAIアプリケーションにおける信頼性とパフォーマンスを向上させる力を与えることでサービスを提供しています。 Facebook AIでのFairBERTaやヒューマンインザループパイプラインを含むMLシステム構築の深いバックグラウンドをお持ちです。その経験は、実世界でのAIデプロイメントと安全性についてのご見解をどのように形作りましたか？ Meta AIでの仕事は、特に責任あるNLPの分野で、モデルを実践的に信頼できるものにするために何が必要かに焦点を当てさせました。公平性に焦点を当てた言語モデリング、例えば公平性の目的を持ってLLMをトレーニングする作業に携わり、モデルの出力を評価し解釈することがいかに難しいかを直接目にしました。それが安全性についての考え方を形作っています。モデルの動作を測定し理解できなければ、実世界でAIを自信を持ってデプロイすることは困難です。 研究エンジニアリングから起業家精神へ、Patronus AIを共同創業するに至った動機は何ですか？また、当時最も緊急性の高いと感じた問題は何でしたか？ 当時、評価はAIにおける障害となっていました。私は4月にMeta AIを離れ、Anandと共にPatronusを立ち上げました。なぜなら、AIの出力を評価し解釈することがいかに難しいかを直接目にしていたからです。そして、生成AIが企業のワークフローに組み込まれ始めると、これはもはや単なる研究室の問題ではないことが明らかになりました。 私たちは企業から同じことを繰り返し聞いていました。彼らはLLMを採用したいが、特にエラーに対する許容度が非常に低い規制産業において、幻覚などの障害モードを確実にテスト、監視、理解することができなかったのです。 したがって、当初の緊急の問題は、モデル評価を自動化しスケールさせる方法、つまり実世界のシナリオでモデルをスコアリングし、敵対的テストケースを生成し、ベンチマーキングを行う方法を構築することでした。それにより、チームは推測ではなく自信を持ってデプロイできるようになります。 Patronusは最近、AIエージェントのための適応環境として生成シミュレーターを導入しました。既存の評価やトレーニング手法のどのような限界が、この方向性に導いたのですか？ AIエージェントの評価方法と、実世界で期待されるパフォーマンスとの間のミスマッチが拡大し続けているのを目にしていました。従来のベンチマークは、固定された時点での孤立した能力を測定しますが、実際の仕事は動的です。タスクは中断され、要件は実行途中で変更され、意思決定は長い期間にわたって複合します。エージェントは静的なテストでは強く見えても、いったんデプロイされるとひどく失敗することがあります。エージェントが向上するにつれ、固定されたベンチマークを飽和させ、学習が停滞する原因にもなります。生成シミュレーターは、静的なテストを、エージェントが学習するにつれて適応する生きた環境に置き換える方法として登場しました。 生成シミュレーターは、静的ベンチマークや固定データセットと比較して、AIエージェントのトレーニングと評価の方法をどのように変えるとお考えですか？ 変化は、ベンチマークがテストではなく環境になることです。固定された一連の質問を提示する代わりに、シミュレーターは課題、周囲の条件、評価ロジックをその場で生成します。エージェントが行動し改善するにつれて、環境は適応します。これにより、トレーニングと評価の間の従来の境界が崩壊します。もはやエージェントがベンチマークに合格するかどうかを問うのではなく、動的なシステムにおいて時間をかけて確実に動作できるかどうかを問うのです。 技術的な観点から、生成シミュレーターの背後にある中核的なアーキテクチャのアイデア、特にタスク生成、環境ダイナミクス、報酬構造について教えてください。 大まかに言えば、生成シミュレーターは強化学習と適応的環境生成を組み合わせたものです。シミュレーターは新しいタスクを作成し、世界のルールを動的に更新し、エージェントの行動をリアルタイムで評価できます。重要なコンポーネントは、カリキュラム調整器と呼んでいるもので、エージェントの行動を分析し、学習が生産的であるようにシナリオの難易度と構造を変更します。報酬構造は検証可能でドメイン固有に設計されており、エージェントは表面的な近道ではなく、正しい行動に向けて導かれます。 AI評価とエージェントツールの分野が混雑してくる中で、Patronusのアプローチを最も明確に差別化するものは何ですか？...
Jan Arendtszは、Celigoの創業者兼CEOであり、製品開発、ビジネス開発、セールス、カスタマーサクセス、マーケティングにおいて25年以上の経験を持つソフトウェア業界のベテランです。彼は、企業全体でビジネスプロセスを統合、自動化、最適化する方法を簡素化するという目標を掲げてCeligoを創業しました。彼は会社の全運営を監督する責任を負っています。Celigo以前は、Janはクラウドベースの主要ERPプラットフォームであるNetSuiteのディレクターを務め、同社の統合プラットフォームを立ち上げました。それ以前は、Cambridge Technology Partnersに勤務し、インターネットスタートアップからフォーチュン500企業に至るまでの顧客に対して、複雑なビジネスソリューションを実装しました。Celigoは、組織がアプリケーションを接続し、ビジネスプロセスを自動化し、大規模なカスタム開発なしに技術スタック全体でデータを同期させ続けることを支援するために設計された、クラウドベースのインテリジェント自動化および統合プラットフォーム（iPaaS）です。そのプラットフォームは、事前構築済みコネクタ、再利用可能な統合テンプレート、AI支援ツールを組み合わせており、技術チームと非技術チームの両方が、統合を大規模に設計、展開、管理できるようにしています。Celigoは、eコマース、財務、オペレーション、ITなどの分野でワークフローを効率化し、手作業を削減し、データの正確性を向上させ、より迅速で回復力のあるビジネスプロセスを実現するためによく使用されます。Celigoを創業するきっかけとなったものは何ですか？また、NetSuiteのようなソフトウェア企業での統合サービスや製品イニシアチブを率いた経験が、当時あなたが見たエンタープライズ統合におけるギャップをどのように形作ったのでしょうか？初期のSaaS経験は、クラウドがソフトウェア配信の問題を解決した一方で、巨大なデータ接続性の問題も生み出したことを私に示しました。私たちは統合されたビジネスというビジョンを売っていましたが、現実は断片化されたデータサイロでした。私はそれらの課題を解決するためにCeligoを始めました。今日、私はAIで歴史が繰り返されているのを見ています。私たちは「接続性のギャップ」から「運用のギャップ」へと移行しています。20年前に企業がSaaSを運用化するのに苦労したのと同じように、今、彼らはAIを運用化するのに苦労しています。企業は、AIを実験段階から信頼性の高いビジネス成果へと移行させることに苦戦しています。これは、CeligoがITリーダーが対処するのを支援するために特に適した立場にある、新たな波の課題を生み出しています。それは、単にシステムを接続するだけでなく、企業全体で大規模にAIを利用できるようにするプラットフォームを提供する方法です。Celigoは従来の統合からAI駆動のワークフローへと進化してきました。プラットフォームがその方向へ進む必要があると感じた兆候は何でしたか？最大の兆候は、ボトルネックの変化でした。10年前、ボトルネックは接続性でした。システムAとシステムBを単に会話させることです。私たちはiPaaSでそれを解決しました。しかし、統合を民主化し、ビジネスユーザーが自分自身のワークフローを構築できるように力を与えるにつれて、新しいボトルネックは管理、ガバナンス、例外処理になりました。私たちは自社のデータを見て、自動化ワークフローの構築は容易になった一方で、それらを大規模に維持することは依然として人的負荷が大きいことに気づきました。ユーザーはデータエラーのトラブルシューティングやマッピングの更新に何時間も費やしていました。私たちは、AIをプラットフォームのコアに組み込み、エラーの分類と修復を自動化することで、大規模な統合を維持する運用負担を取り除くことで対応しました。そのプラットフォームの知性は現在、より大きな自律性と文脈を持って動作できる、顧客向けのAI駆動ワークフローの基盤を築いています。多くの組織がAIに多額の投資をしていますが、限定的な結果しか得られていません。なぜ多くのイニシアチブがデータ層と統合層で停滞してしまうのでしょうか？ほとんどの企業がAIを実験している一方で、測定可能なROIを実現している企業はほとんどいないことを示す調査結果を私たちは皆目にしています。その理由は技術ではありません。アプローチです。あまりにも頻繁に、組織はAI導入を目的として扱い、企業を動かすビジネスプロセスから始めることをしません。成功するイニシアチブは、AIを孤立したタスクに適用するのではなく、改善が最大のビジネスインパクトを生み出すプロセスを特定することから始まります。そこから、AIは実際に作業が行われるシステムに接続され、データ品質とポリシー施行を保証するガードレールと共にある必要があります。この統制された接続性がなければ、AIは実行から切り離されたままです。最後に、AIは自律性と制御のバランスを取る、調整されたフレームワークを必要とします。人間が関与するワークフローと例外処理は、AIがより多くの責任を担うにつれて信頼を維持するために極めて重要です。AIがエンドツーエンドのビジネスプロセスに組み込まれるとき、それは新奇性から、実際のビジネス成果をもたらす運用の実現要因へと進化します。あなたの観点から、企業が断片化されたシステムの上にAIを重ねようとするとき、最も一般的なアーキテクチャ上の誤りは何ですか？現在、増大している問題はAIのスプロールです。私たちはしばしば、企業が複数のAIツールやプラットフォームを導入しているのを目にします。今、データとアプリケーションを接続するための措置を講じなければ、組織はAIモデルがコンテキストを欠いているために幻覚を起こしたり、統一された戦略なくAIの蔓延によるサイロ化された出力に対してコストを支払い続けることでコストが急騰したりする壁にぶつかるでしょう。企業は事実上、敏捷性を確保するための資金を失う可能性があります。今日、スタックを近代化している技術リーダーにとって、AIイニシアチブが拡張し、実際の成果を提供できるようにするために、iPaaSにおいてどのような中核的機能を優先すべきでしょうか？あらゆるものがあらゆるものと接続する必要がある世界のために構築されたモダンなiPaaSを探してください。つまり、データとアプリケーション統合から、B2Bサプライチェーンフロー、API管理、自律エージェントまで、自動化の全範囲を扱えるユニバーサルプラットフォームです。これにより、組織は複雑さとオーバーヘッドを減らし、ユーザーをより強化し、最終的にはITが戦略的かつ安全にAIを組み込み、企業全体ですべてを運用化する能力を獲得するための基盤が整います。素晴らしいインタビューをありがとうございました。さらに詳しく知りたい読者は、Celigoをご覧ください。
State of AI in the Enterprise 2026: The Untapped Edge レポートは、Deloitte によるもので、世界中の組織が人工知能とどのように関わっているかについての決定的な瞬間を捉えています。24か国、6業界にわたる3,235人の取締役からCレベルまでのビジネスおよびITリーダーの洞察に基づき、このレポートは、AIの導入が急速に加速している一方で、ほとんどの企業は実験と真の変革の間で停滞したままであることを示しています。デロイトの調査結果の核心にあるのは、広がる格差です：AIツールへのアクセスは急速に拡大していますが、そのアクセスを持続的で組織全体に及ぶインパクトに変える能力は遅れを取っています。企業がこのギャップをどのように埋めるかが、AIが漸進的な効率化をもたらすだけなのか、それとも長期的な競争優位性の基盤となるのかを、ますます決定することになるでしょう。AIへのアクセスは拡大中―しかし活用は依然として遅れている勢いの最も明確な兆候の一つは、組織が従業員へのAIアクセスをどれほど迅速に拡大したかです。過去1年間で、企業が承認したAIアクセスは約50%拡大し、従業員の40%未満から約60%近くに増加しました。ここで言う「承認されたアクセス」とは、従業員による非公式またはポリシー外の使用ではなく、組織によって正式に承認、管理、サポートされているAIツールを指します。より先進的な組織の間では、11%が現在、従業員の80%以上にAIツールを提供しており、AIが専門家の能力ではなく、日常業務の標準的な一部へと移行しつつあることを示しています。しかし、アクセスだけでは十分ではありません。承認されたAIツールを利用できる従業員のうちでも、日常のワークフローで定期的にそれらを使用しているのは60%未満であり、この数字は前年比でほとんど変化していません。この乖離は、レポートの中心的な結論の一つを浮き彫りにしています：AIの生産性と革新の可能性は、技術的な制約のためではなく、組織がAIを実際の仕事の進め方に組み込むことに苦労しているために、依然として大幅に活用されていません。パイロットから本番環境へ：スケーリングのボトルネックAIをパイロットから本番環境に移行することは、価値を獲得する上で最も重要であり、かつ最も困難なステップであり続けています。現在、AI実験の40%以上が本番環境に導入されたと報告している組織はわずか25%です。励みになることに、54%が今後3〜6ヶ月以内にその水準に達すると予想しており、多くの組織が明確な前進の道筋を見出していることが示唆されます。レポートは、繰り返し発生する「概念実証（PoC）の罠」を特定しています。パイロットは通常、少数のチーム、クリーンなデータ、限定的なリスクで構築されます。一方、本番環境への導入には、インフラストラクチャへの投資、既存システムとの統合、セキュリティおよびコンプライアンスのレビュー、監視、長期的なメンテナンスが必要です。当初3ヶ月の範囲で計画されたユースケースは、現実世界の複雑さが明らかになると、18ヶ月以上に延びる可能性があります。スケールのための一貫した戦略がなければ、組織はパイロット疲労のリスクに直面します—実験を続けながらも、企業レベルのリターンを決して実現できない状態です。生産性向上は一般的―ビジネスの再創造はそうではないAIの短期的な影響は、効率性と生産性において最も顕著です。66%の組織が現在の生産性向上を報告し、53%が意思決定の改善を挙げ、38%がすでにコスト削減を実感しています。これらの利点が、AIへの自信と投資が増加し続けている理由を説明しています。しかし、より野心的な成果は、依然として大部分が願望の域に留まっています。74%の組織がAIが収益成長を牽引することを望んでいる一方で、現在それが実現していると答えたのはわずか20%です。このギャップは、より深い問題を反映しています：ほとんどの企業は依然として自動化への広範な期待にもかかわらず、企業の84%はAIの能力に合わせて仕事を再設計していません。1年以内に、36%の企業が少なくとも10%の仕事が完全に自動化されると予想しており、3年の期間ではその数字は82%に上昇します。しかし、ほとんどの組織はこの変化を反映させるためにキャリアパス、ワークフロー、または運営モデルを調整していません。人材戦略は依然として弱点です。企業の53%は従業員を教育してAIリテラシーを高めることに焦点を当てていますが、役割を見直したり、チームを再編成したり、キャリアの流動性を再設計したりしている企業ははるかに少ないです。労働者の感情はこの不均衡を反映しています：非技術系労働者の13%は非常に熱心で、55%はAIを探求することに前向きですが、21%は必要な場合を除いて使用したくないと感じ、4%は積極的に信用していません。この報告書は、AIが人材の必要性をなくすものではないことを明確にしています。多くの場合、特にシステムがより自律的になるにつれて、判断力、監督、適応力といった人間特有の強みに対する需要を高めます。物理的AIが現実のものにコストが依然として最大の障壁です。物理的AIの導入には、インフラストラクチャ、ロボティクス、施設の改修、メンテナンスに数百万ドルを要することが多く、AIソフトウェア単体のコストをはるかに上回ります。主権的AIが戦略的優先事項に主権的AI——AIが管理されたインフラとデータを用いて現地の法律下で設計、トレーニング、導入されること——は、確実に取締役会の議題に上るようになりました。組織の83%が主権的AIを戦略的計画にとって重要と見なしており、43%が非常に、または極めて重要と評価しています。一方で、66%が外国所有のAI技術への依存に懸念を表明しており、22%が強い懸念を抱いています。実際には、組織の77%が現在、AIソリューションの原産国をベンダー選定の要素として考慮しており、約60%が主に地元のベンダーでAIスタックを構築しています。主権的AIは、単なるコンプライアンス要件ではなく、レジリエンス、信頼、競争上のポジショニングの源泉としてますます認識されるようになっています。野望から活性化へState of AI in the Enterprise 2026の中心的なメッセージは明確です：AIの変革的ポテンシャルは現実のものですが、ツールだけでは解き放たれません。成功する組織は、アクセスと実験を超えて活性化へと移行する組織——仕事の再設計、スケール前のガバナンス構築、インフラの近代化、AI戦略と人的能力の整合——となるでしょう。今日の企業は、AIの未開拓の可能性の端に立っています。次の段階は、誰が最も速くAIを導入するかではなく、誰が最も思慮深く統合するかによって定義されるでしょう——AIを有望な技術から、組織がどのように運営し、競争し、成長するかを再形成する基盤的な能力へと変えることによって。
Clooverは、欧州のエネルギー移行分野において最も大規模な資金調達コミットメントの一つを発表し、シリーズAエクイティで2200万ドル、並行して12億ドルの債務融資枠を確保し、総資本コミットメントを約122億ドルとした。この資金調達により、ベルリンに本拠を置く同社は、住宅用エネルギー自立のためのオペレーティングシステムと称するプラットフォームの開発を加速させる。このプラットフォームは、断片化した分散型エネルギー市場全体で、ソフトウェア、ファイナンス、AI駆動の意思決定を統合するように設計されている。 エクイティラウンドはMMC VenturesとQED Investorsが主導し、Lowercarbon Capital、BNVT Capital、Bosch Ventures、Centrotec、Earthshot Venturesが参加した。欧州の主要銀行が提供し、欧州投資基金による3億ユーロの保証が裏付けられた債務融資枠は、プラットフォームを通じて顧客と設置業者に直接資金を供給するように構成されている。 ベンチャーエクイティと大規模クレジットの組み合わせは、太陽光パネル、蓄電池、ヒートポンプ、EV充電器といった住宅用エネルギー資産が、従来のインフラと同様の洗練さで資金調達と導入が可能であるという確信の高まりを示している。 断片化したエネルギー市場のためのインフラ構築 分散型エネルギーはもはやニッチではない。欧州全体で、家庭は上昇する電力コスト、グリッドの不安定性、電気モビリティの増大するエネルギー需要に対処するため、オンサイト発電と蓄電に目を向けている。しかし、この変化を支えるインフラは需要に遅れをとっている。 多くの中小規模の設置業者は依然として、断絶したツール、手動プロセス、限られた資本へのアクセスに依存している。大規模な商業プロジェクト向けに最適化された従来の銀行は、数千件の小規模な住宅用設置案件を効率的に与信審査することが困難だ。その結果、プロジェクトの遅延、コストの上昇、導入機会の喪失が生じている。 Clooverのアプローチは、この問題を純粋な金融課題ではなく、ソフトウェアとシステムの課題として扱うことだ。設置業者のワークフローにファイナンスを直接組み込み、それをエンドツーエンドのデジタルプラットフォームと組み合わせることで、同社は住宅用クリーンエネルギー導入を歴史的に遅らせてきた摩擦を取り除くことを目指している。 エネルギー・ファイナンスの中核にあるAI Clooverプラットフォームの中心にあるのは、AI駆動の与信審査だ。従来の信用指標のみに依存する代わりに、このシステムは長期的なエネルギー節約、資産パフォーマンス、システム効率を評価してリスクを査定する。これにより、分散型エネルギーシステムの時間経過に伴う真の経済的価値を反映した融資決定が可能になる。 このプラットフォームはまた、公的補助金を事前に資金化し、家庭が数ヶ月間の償還を待つことなく、政府のインセンティブを即座に享受できるようにする。設置業者にとって、これは販売時の摩擦を減らし、コンバージョン率を向上させる。機関投資家にとっては、リアルタイムの運用データに支えられた、パフォーマンスに裏打ちされインパクトに整合した新たな種類のインフラ資産へのアクセスを開く。 Clooverは、AI、ソフトウェア、ファイナンスのこの組み合わせを、分散型エネルギー経済の「デジタル神経系」と表現している。それは、ワークフローを継続的に監視し、早期にリスクを警告し、設置から長期的なエネルギー管理に至るまでの意思決定を最適化するものだ。 販売時点から長期的エネルギー最適化へ ファイナンスに加えて、Clooverのプラットフォームは調達、ワークフロー管理、エネルギー最適化を単一のオペレーティングシステムに統合する。設置業者はプロジェクトをエンドツーエンドで管理でき、住宅所有者はClooverのエネルギー管理システムとダイナミック・タリフを通じて継続的なエネルギー管理にアクセスできる。 同社はまた、設置業者パートナーがバリューチェーン全体でキャッシュフローを管理するのを支援することを目的としたAIファイナンス・コパイロットを導入した。キャッシュサイクルを短縮し、管理オーバーヘッドを削減することで、Clooverは設置業者パートナーが、以前はサービスを提供できなかった顧客に到達することで、平均して30％の追加収益を生み出していると主張する。 住宅所有者にとって、その影響は具体的だ。ファイナンスへのアクセスにより多額の初期投資が不要になり、最適化されたシステムパフォーマンスにより、同社によればエネルギーコストを20～30％削減できる可能性がある。 構造的な追い風に支えられた急成長 Clooverの成長軌跡は、分散型エネルギーを後押しするより広範な勢いを反映している。同社は2025年に売上高が8倍以上成長し、売上高が1億ドルに近づきながらも黒字を維持していると報告している。2026年には5億ドル、2027年には10億ドルの売上高を目標としており、需要がどれほど急速に拡大しているかを強調している。 いくつかの構造的要因がこの加速を牽引している。エネルギー需要は、AIワークロードやデータインフラによって一部支えられ、急激に上昇している。電気自動車は地域の電力網に新たな負荷を加えている。同時に、欧州各国政府は分散型発電への政策支援を拡大しており、家庭はコストと供給の信頼性に対するより大きな管理を求めている。 Clooverのモデルは、これらのトレンドの交差点に位置し、メーカー、設置業者、家庭、投資家、公的機関をつなぐ結合組織として機能するように設計されている。 エネルギーとAIに対するより広範な意義...
金融犯罪は、銀行、フィンテック企業、規制対象事業者が直面する最もコストのかかる業務上の課題の一つとなっている。詐欺の手口が高度化し、規制当局の監視が強化される中、コンプライアンスチームは限られたリソースでより多くの成果を上げることを迫られている。こうした背景のもと、RiskFront AIは、この問題に根本的に異なる角度からアプローチするため、330万ドルのプレシードラウンドを調達した。 このラウンドはLytical Venturesが主導し、Flint CapitalとOceansが参加した。調達した資金は、現在リスク・コンプライアンスチームの時間の大部分を占めている業務作業の大半を引き継ぐように設計された、RiskFrontのエージェント型AIシステムの開発に充てられる。 拡大するコストセンターと限られた効率性 金融犯罪は米国の企業に年間1,000億ドル以上の損失をもたらしていると推定され、その負担は増加し続けている。2025年だけでも、大多数の組織が詐欺事件の増加を報告し、一方で管轄区域を超えてコンプライアンス要件はより複雑化した。しかし、ほとんどのリスクチームは依然として、手動での調査、文書レビュー、取引分析を中心に構築されたワークフローに依存している。 RiskFront AIによれば、コンプライアンスの専門家は通常、情報収集と文書作成に大部分の時間を費やしており、実際のリスク評価と意思決定に充てられる時間はごくわずかだという。この不均衡はボトルネックを生み、対応を遅らせ、組織が継続的に人員を追加することなく規模を拡大することを困難にしている。 業務変革としてのエージェント型AI 既存のプロセスに別のツールの層を追加するのではなく、RiskFront AIは、業務作業そのものに対する責任を引き受けるシステムを構築している。そのアプローチの中心にあるのはエージェント型AI——調査、データ整理、抽出、分析にわたるタスクを自律的に実行できるソフトウェアエージェントだ。 同社は、このモデルにより調査に費やす時間をワークフロー全体のごく一部にまで削減でき、経験豊富な専門家が判断、エスカレーション、報告に集中できるようになると主張する。目標は、コンプライアンスから人間を排除することではなく、彼らの専門知識が最大の影響を発揮できる場所に配置し直すことである。 Airosリスクオペレーティングシステムの内側 RiskFrontのプラットフォームの中核をなすのは、金融犯罪・コンプライアンス業務のために特別に構築されたAI対応オペレーティングシステム「Airos」である。これは主に3つのモジュールで構成されている： デューデリジェンス調査システム：オープンソース調査を実施し、リスク関連のシグナルを特定し、構造化された要約を作成する。 取引分析システム：金融取引を大規模に取得、整理、分析するように設計されている。 文書分析システム：複雑でしばしば非構造化されたファイルから洞察を抽出し、構造化する。 これらのモジュールは連携して、規制対応レベルの文書作成に伝統的に必要とされていた手作業を削減しながら、より一貫性があり監査可能なアウトプットを生成することを目的としている。 インフラストラクチャとエンタープライズ対応性 RiskFront AIは、その技術を当初から規制環境に対応するように位置づけている。プラットフォームはAWS上のプライベートクラウド環境で動作し、厳格なデータ所有権管理を組み込み、SOC 2 Type II監査を完了している。また、規制を受ける金融機関や上場企業によって実施された第三者リスクレビューも受けており、これはコンプライアンスに敏感な領域で事業を展開するベンダーにとってますます重要な要件となっている。 同社は2024年にCEOのAndy...
Datarailsは7,000万ドルのシリーズC資金調達を実施し、調達総額は1億7,500万ドルに達しました。このラウンドはOne Peakが主導し、Vertex Growth、Vintage Investment Partners、Zeev Ventures、Innovation Endeavors、Qumra Capital、ClalTech、および既存投資家数社が参加しました。この資金調達は、堅調な事業運営の勢いの中で行われました。2025年、Datarailsは前年比70%の収益成長を報告し、グローバル従業員数を400名以上に拡大しました。同社は来年、年間経常収益（ARR）で1億ドルに達する見込みであり、機能的なツールからより広範なオペレーティングプラットフォームへと移行しつつある財務ソフトウェアプロバイダーの増加する一群に位置づけられています。財務の実際の働き方に対する、Excelネイティブな賭けDatarailsの戦略を定義する要素の一つは、Excelを置き換えるのではなく、その周りに構築するという決断です。ソフトウェアベンダーによる長年のスプレッドシートからの脱却の試みにもかかわらず、Excelは計画、予測、報告のためのデフォルトのインターフェースであり続けています。同社が引用する内部調査によると、ほぼすべての財務専門家が1日に数時間をExcel内で過ごしており、若い世代もそれがワークフローの中心であり続けることを期待しています。行動変容を強制するのではなく、DatarailsはExcelをフロントエンドとして扱いながら、データ、コントロール、インテリジェンスを背景で統合します。そのプラットフォームはExcelモデルを構造化された財務・業務データに接続し、チームの日々の働き方を変えることなく、手作業による照合作業やバージョン管理の問題を軽減します。このアプローチは、混乱を伴わない近代化を求める財務組織でのDatarailsの浸透を後押ししています。FP&Aツールから財務オペレーティングシステムへ当初は財務計画分析（FP&A）への焦点で知られていたDatarailsは、現在では財務オペレーティングシステムと表現されるものへと拡大しました。このプラットフォームはFP&A、月末決算、キャッシュマネジメント、支出管理に及び、従来は分断されたシステムに分散していたデータを統合します。2025年の同社の成長の半分以上は、過去1年以内にローンチされた製品によるものです。これには、決算状況と依存関係の可視化を提供するように設計された月末決算ソリューションや、銀行データに直接接続して流動性予測とリアルタイムのキャッシュ可視化をサポートするキャッシュマネジメント製品が含まれます。この拡張は、単一目的のツールではなく統合された財務プラットフォームへの市場全体の広範なシフトを反映しています。一般的なプロンプトではなく、内部データ上に構築されたAIエージェント資金調達の発表と並行して、Datarailsは新しい戦略、計画、レポート作成のAIエージェントを発表しました。汎用AIツールとは異なり、これらのエージェントはERP、CRM、HRIS、Excelモデルにまたがる各顧客の内部データを中心に目的特化型で構築されています。目標は、AIの出力を実験的なものではなく、財務ワークフローで直接使用可能にすることです。これらのエージェントは、収益性変化の要因の特定、予測シナリオのテスト、予算差異の説明など、財務チームが日常的に直面する質問に答えるように設計されています。出力は、取締役会提出用のPowerPointスライド、PDF、またはExcelファイルとして生成でき、財務チームが内部で結果を伝達する方法に沿っています。データの基礎付けとセキュリティへのこの焦点は、財務文脈でAIを使用する際の正確性、機密性、監査可能性に関するCFOたちの継続的な懸念を反映しています。AIエージェントを精選された内部データセットに制限することで、Datarailsは自動化と信頼のバランスを取ろうとしています。投資家が財務インフラに傾注する理由投資家の視点から見ると、その魅力は派手なAI機能というよりも、インフラとしてのレバレッジにあります。財務チームはコンプライアンス、戦略、実行の交差点で活動しており、信頼性とデータの完全性は絶対条件です。データを統合し、インテリジェンスを既存のワークフローに直接組み込むことができるプラットフォームは、ますます基盤的なものと見なされています。このシリーズCラウンドはまた、Datarailsに北米およびEMEA地域での地理的拡大、研究開発投資の増加、そして潜在的な買収の追求への柔軟性を与えます。財務ソフトウェア市場がニッチなベンダー間で細分化される中で、統合は繰り返し現れるテーマとなっており、大規模なプラットフォームは隣接する機能を個別に統合するよりも吸収しようとしています。これがCFO部門の未来に示すものDatarailsの資金調達は、財務組織内でAIがどのように採用されているかについての、より広範なシフトを浮き彫りにしています。AIを追加機能として扱うのではなく、ベンダーはそれを計画、報告、管理を支えるコアデータ層に組み込んでいます。このモデルでは、AIは自動化そのもののためというよりも、意思決定サイクルの短縮と、洞察と行動の間の摩擦の軽減に関わるものになります。Excelの継続的な支配は、財務における変革は革命的というよりも進化的であることを示唆しています。確立されたツールを尊重しながら、基盤となるインフラを静かに近代化するプラットフォームは、抜本的な変化を要求するプラットフォームよりも、より速い採用が見込まれます。今後を見据えると、CFO部門は報告機能というよりも、戦略的ハブとして位置づけられることが増えています。AI駆動の洞察が標準となるにつれ、差別化要因は、プラットフォームがデータをどれだけ統合し、信頼を保持し、現実世界のワークフローに統合するかになります。Datarailsの最新の資金調達ラウンドは、投資家がこの財務インフラの層を、企業におけるAI採用の次の段階において、持続可能かつ中心的なものと見なしていることを示唆しています。
本日、Lightning AIは、Voltage Parkとの合併完了を発表し、AIネイティブなソフトウェアと大規模GPUインフラストラクチャを単一プラットフォームの下に統合しました。Lightning AIの名称で運営される合併後の企業は、現代のAIモデルとアプリケーションのトレーニング、デプロイ、実行に特化して設計されたフルスタックAIクラウドとして自らを位置付けています。 Lightning AIは、この瞬間に大きな規模と開発者リーチをもって登場します。このプラットフォームは40万人以上の開発者、スタートアップ、大企業によって利用されており、同社はまた、世界中で500万人以上の開発者と企業に信頼されているフレームワークであるPyTorch Lightningの背後にもいます。その足跡は重要です。それは、Lightningのソフトウェアがすでに研究、実験、そして本番AIワークフロー全体に深く組み込まれていることを意味します。 Voltage Parkは、そのソフトウェアの採用を自社所有・運営のインフラストラクチャで補完します。合併を通じて、LightningユーザーはH100、B200、GB300クラスのハードウェアを含む35,000以上のGPUにアクセスできるようになり、サードパーティのハイパースケーラーだけに依存することなく、大規模なトレーニング、推論、およびバーストキャパシティを実現できます。 ソフトウェアとコンピュートを大規模に橋渡し この合併以前は、ほとんどのAIチームが不快なトレードオフに直面していました。従来のクラウドは、GPU集約型のトレーニングや推論ではなく、Webサイトや企業サービスなどのCPU中心のワークロード向けに構築されていました。その結果、市場は単一目的のツール（トレーニング用のプラットフォーム、推論用の別のプラットフォーム、可観測性用のまた別のプラットフォーム）と、それらとは別のGPUベンダーや調達プロセスで埋め尽くされました。 LightningとVoltage Parkの組み合わせは、これらのレイヤーを統合することを明示的に目的として設計されています。Lightningのソフトウェアスタックは、すでにチームがモデルをトレーニングし、それらを本番環境にデプロイし、統一された環境から大規模な推論を実行することを可能にしています。そのソフトウェアを自社所有のGPUインフラストラクチャと組み合わせることで、同社は摩擦の主要な原因、つまりソフトウェア機能とコンピュートの可用性、価格、パフォーマンスの調整を排除することを目指しています。 Lightningの創業者兼CEOであるWilliam Falconは、現在のAIツールの状況を不必要に断片化されていると表現し、基本的な機能のために別々のデバイスを持ち歩くことと、単一の統合製品を使用することとを比較しています。この合併は、学部生からフォーチュン規模の企業まで、AIチームにその統合された体験を提供する方法として位置付けられています。 顧客にとって何が変わり、何が変わらないか 既存の顧客にとって、両社は継続性を強調しています。契約やデプロイメントに変更はなく、強制移行もありません。マルチクラウドサポートは引き続きLightningプラットフォームの中核であり、チームはAWSや他のクラウドプロバイダー上でLightningを実行し続け、追加のキャパシティが必要な場合にはLightning自身のGPUインフラストラクチャにワークロードをバーストさせることができます。 変化するのは範囲です。Voltage Parkの顧客は、追加の単一目的ツールを重ねることなく、モデルサービング、チーム管理、可観測性をカバーするLightningのAIソフトウェアにオプションでアクセスできるようになります。一方、Lightningの顧客は、汎用クラウドインフラストラクチャを適応させるのではなく、AIワークロード向けに設計された大規模なオンデマンドGPUプールにアクセスできるようになります。 このハイブリッドな姿勢は注目に値します。Lightning AIは、ハイパースケーラーの代替として自らを位置付けるのではなく、既存のクラウド投資と共存しながら、パフォーマンスや経済性が要求する場合にはより緊密な統合を提供できるAIネイティブなレイヤーとして提示しています。 競争優位性としての垂直統合 この合併に対する業界の反応に共通するテーマは垂直統合です。AIモデルが大きくなり、推論コストがより可視化されるにつれて、パフォーマンス、コスト効率、反復速度は、ソフトウェアとインフラストラクチャがどれだけ緊密に結合されているかにますます依存するようになっています。 発表で引用されている経営陣や業界リーダーは、スタックのより多くを制御することが不可欠になりつつあると主張しています。その考え方は単純明快です。ソフトウェア、最適化の専門知識、コンピュートが一緒に設計されるとき、チームはミスマッチしたレイヤーを補償するのではなく、システムを全体的に調整することができます。小さな効率性の向上が数百万ドルの節約につながる可能性のある環境では、その統合は表面的なものではなく戦略的なものになります。 これは過去のクラウド移行を反映しています。ハイパースケーラーがコンピュート、ストレージ、ネットワーキングを緊密に統合することでインターネット時代を再形成したのと同じように、GPU、オーケストレーション、AIツールを単一のシステムとして扱うAIネイティブプラットフォームが今、登場しています。 AIクラウド市場へのより広範な影響...
ConnectWiseは、zofiQを買収し、エージェント型AI自動化をITサービスプロバイダー向けに最も広く使用されているプラットフォームの一つに直接組み込みました。この動きは、漸進的な自動化を超えて、運用ワークフロー内で意味のあるアクションを実行できるシステムへと組織が目を向ける、より広範な業界の変化を反映しています。サービス需要が増加し続け、技術人材が不足する中、ITサービス組織は、マージンとサービス品質を維持しながら、同じチームでより多くの業務をこなす圧力にさらされています。ConnectWiseは、この買収を、同社が自律的サービスデリバリーと表現するものへの基礎的な一歩として位置づけています。そこでは、AIエージェントが大量の反復的な運用作業を引き受け、人間は監視、エスカレーション、およびより付加価値の高い顧客エンゲージメントに集中します。今、この買収が重要な理由ITサービス業界全体で、チケット数は人員数の増加よりも速いペースで増加しています。日常的なトリアージ、分類、修復、およびドキュメンテーションが技術者の時間のますます大きな割合を消費し、プロアクティブな作業や顧客対応の取り組みに充てる余力が少なくなっています。従来の自動化はある程度役立ってきましたが、多くの場合、複雑な実世界の環境に対応しきれない静的なルールやスクリプトに依存しています。zofiQは、そのギャップを埋めるために構築されました。外部の推奨エンジンとして機能するのではなく、そのAIエージェントはサービスデスクのワークフロー内で直接動作し、ライブの運用データを使用してチケットを分類し、問題に優先順位を付け、根本原因を提案し、適切な場合にはアクションを実行します。このアプローチにより、サービスチームは人員を増やすことなく出力を拡大でき、これは現代のITサービスの経済性において中心的な課題となっています。ConnectWiseによると、同社のPSA環境内ですでにzofiQを使用しているパートナーは、エンドポイント対技術者の比率の向上、リアクティブな時間の減少、サービス提供の一貫性の向上など、有意義な成果を上げています。支援型自動化からエージェント型ワークフローへこの取引の最も重要な側面の一つは、エージェンシー（主体性）への重点です。IT運用における多くのAIツールはコパイロットとして機能し、依然として手動でのフォローアップを必要とする提案を行います。zofiQの設計は、定義されたガードレール内でアクションを実行できるAIエージェントを中心としており、技術者が結果を監督しながら、日常的なタスクを最初から最後まで処理します。このモデルは、企業IT全体で広がる信念、すなわち生産性の向上は、スタンドアロンのAIオーバーレイからではなく、運用プラットフォームに組み込まれた自律システムからますますもたらされるという信念を反映しています。プラットフォームレベルでzofiQを統合することで、ConnectWiseは、AIを別個のレイヤーとして扱うのではなく、サービス提供が実際に行われるシステムに自律性を定着させています。ConnectWiseは、時間をかけてzofiQをプロフェッショナルサービスオートメーションから、リモート監視・管理、サイバーセキュリティ、データ保護へと拡張する計画です。同社はまた、これらの機能がオープンエコシステムを通じて公開され、同じエージェント駆動の自動化がプラットフォームに接続されたサードパーティツール全体で動作できるようにすることを示唆しています。マネージドITサービスプロバイダーへの影響マネージドサービスプロバイダーにとって、この買収は、サービス組織がどのように運営されることが期待されているかについての構造的変化を浮き彫りにしています。人件費の上昇と適格な技術者の確保が困難になる中、雇用のみによるスケーリングは次第に非現実的になりつつあります。同時に、顧客はより迅速な解決、より高い一貫性、そしてよりプロアクティブなサービスを期待しています。エージェント型自動化は、これらの圧力を調和させる方法を提供します。反復的で予測可能な作業をAIエージェントにオフロードすることで、サービスプロバイダーは、応答性を犠牲にすることなく、キャパシティを増加させ、サービス品質を安定させ、マージンを改善できます。ConnectWiseが引用する初期の指標は、チケットごとのわずかな時間節約でさえ、何千ものやり取りに適用されれば、相当な利益につながる可能性があることを示唆しています。また、競争的な側面もあります。自律機能がコアプラットフォームに組み込まれるにつれ、それらを早期に採用したサービスプロバイダーは、手動プロセスや断片化された自動化ツールに依然として依存している同業者に対して構造的優位性を得る可能性があります。ITサービスの未来に対する示唆ConnectWiseとzofiQの取引は、エンタープライズソフトウェア全体で浮上しているより広範なパターンに適合します。AIは助言的な役割から運用上の役割へと移行しているのです。ITサービスでは、ワークフローが明確に定義され、データが豊富で、大規模に反復的であるため、そのシフトは特に顕著です。エージェント型システムが成熟し続けるならば、人間の技術者の役割は進化する可能性が高いです。一日の大半をキューや日常的なチケットの管理に費やすのではなく、チームは例外処理、システム設計、顧客戦略、自律エージェントの監視にますます集中するかもしれません。その移行を安全かつ確実にサポートできるプラットフォームが、次世代のITサービス提供を形作ることになるでしょう。zofiQを買収することで、ConnectWiseは、ITサービスの未来が、単により優れたツールによってではなく、日常業務の核心に組み込まれた自律システムによって定義されるという明確な賭けに出ています。
Adi Bathlaは、RevvのCEO兼創業者であり、テクノロジー、システム思考、スケールの交差点でキャリアを築いてきたニューヨークを拠点とするプロダクト主導のオペレーター兼イノベーションリーダーです。Revvを創業する前は、高成長のコマース企業でプロダクトおよびデジタルカスタマーエクスペリエンスのイニシアチブを率い、大規模なエンタープライズプラットフォーム内で新たな事業ラインの立ち上げを支援し、MITスローン校で人工知能と集合知に関する研究を行い、キャリアの初期にはNASAの研究プログラムに関連する受賞歴のある宇宙システム設計チームを率いていました。Revvは、衝突修理店および機械修理店向けのADASキャリブレーションと診断を簡素化することに焦点を当てたAI駆動の自動車修理プラットフォームです。OEMグレードのドキュメント、インテリジェントなワークフロー、既存の工場および見積もりシステムとの深い統合を組み合わせることで、Revvは修理センターが手動での調査を削減し、コンプライアンスと安全性を向上させ、ますます複雑化するキャリブレーション要件をスケーラブルでデータ駆動型のオペレーションに変えることを支援します。車両がよりソフトウェア定義型になるにつれ、Revvは北米全体の近代的な修理ワークフローのコアインフラとしての地位を確立しつつあります。自動車修理業界への早期の接触が、明らかにあなたの道筋を形作りました。この分野にAI駆動のソリューションが必要だと気付いた、その時期の具体的な瞬間を共有していただけますか？私の業界観を完全に変えた一本の電話がありました。ある工場のオーナーがパニック状態で私に電話をかけてきたのです：彼は車を修理したのですが、その後、車線変更システムが誤作動を起こし、訴えられるのではないかと恐れていました。その瞬間、私はADASシステムをより深く調査するようになり、この目に見えない複雑さが、工場単独では解決できない巨大な問題であることに気付きました。ADAS修理は、凹みや傷のように明らかではなかったため、見過ごされやすかったのです。技術者は、まるで干し草の山から針を探すように、作業の記録や修理手順を見つけるだけで3〜4時間を費やしていました。その時、私はAIがそのような雑音を一掃し、技術者が必要なものを数時間ではなく数秒で提供できると確信しました。MITでのAIと集合知の研究、および以前のNASAでのシステムレベルの仕事は、初期の段階であなたを複雑で安全が最優先される環境にさらしました。それらの経験は、Revvを創業し、車両キャリブレーションをソフトウェアの問題として注力するという決断に、どのように直接的に影響しましたか？NASAとMITでの経験は、起業家として構築し成功するためには、速く学び、適切な専門家に囲まれることが必要だと教えてくれました。この考え方が、私にほとんど知識のない業界に飛び込み、従来のやり方に挑戦する自信を与えてくれました。自動車工場で時間を過ごし始めたとき、私は技術者がマニュアルに溺れ、車が適切にブレーキをかけたり車線を維持したりできるかを制御するセンサーをキャリブレーションしようとしているのを目にしました。それは、精度が鍵となる、NASAで経験した安全最優先の環境を思い起こさせました。これは命を救う技術ですが、工場は紙の手順書と時代遅れのシステムでそれを管理していました。私はこれが機械的な問題に偽装されたソフトウェアの問題であるとすぐに気付きました。車は車輪の上のコンピューターになっていましたが、それらをサービスするインフラは追いついていなかったのです。それは私をMITとNASAで培った起業家精神に立ち返らせ、Revvを構築する方法となりました：部外者の新鮮な視点と、実際に作業を行う技術者からの深い専門知識を組み合わせることです。Revv以前に、あなたはJetやWalmartで大規模なプロダクトとイノベーションのイニシアチブを率いていました。コマースで0→1のプロダクトを構築した経験から、自動車修理エコシステム向けのソフトウェア設計に最も明確に引き継がれた教訓は何ですか？Walmartでの時間から学んだ最大の教訓は、ユーザーがいる場所で彼らに会うことであり、あなたが彼らにいてほしい場所ではないということです。私は、技術に詳しくなく、何十年も同じやり方をしてきたサプライヤーやメーカーのために構築していました。彼らにシステム全体を置き換えるよう求めることはできません。代わりに、あなたの専門知識を彼らの既存のワークフローに埋め込み、彼らがすでに行っていること以外で指一本動かさなくても済むようにするのです。それがRevvの全体のテーシス（基本命題）になりました。私たちは工場の既存のツールやソフトウェアと統合し、バックグラウンドで実行し、彼らにとってすでに筋肉記憶となっているものを混乱させることなく洞察を提供します。しかし、私がJetで学んだ人材についての教訓も引き継ぎました：A+のプレイヤーはA+のプレイヤーを連れてくる、そして初日から正しいチームを構築することに執着する必要があるということです。私はこれをRevvの採用方針として定着させました。なぜなら、私たちが築いたオールスターのチームなしには、私たちが行う仕事のどれも可能ではなかったからです。私たちは、Revvを技術者、保険会社、消費者をつなぐ結合組織と考えているため、これらすべての集合的なニーズを満たすよう取り組んでいます。技術者にとっては、見過ごされていたキャリブレーションを特定して収益の取りこぼしを防ぎながら、何時間もの事務作業時間を節約しています。保険会社は、より迅速な承認、正確な書類、そして紛争の減少を得られます。消費者は、必要なすべてのキャリブレーションが確実に完了するため、より安全に、より早く車を取り戻せます。車両が完全なソフトウェア定義プラットフォームへと進化を続ける中、3年後のRevvにとっての成功とはどのようなものでしょうか？また、修理インフラはペースに追いつくためにどのような能力を開発する必要があるでしょうか？ペースに追いつくためには、修理工場は社内能力、次世代技術人材のパイプライン、そしてすべての修理が正確かつ効率的であることを保証する強力なコラボレーションネットワークを必要とするでしょう。2029年までに、規制によりすべての新型車に緊急自動ブレーキの搭載が義務付けられます。工場は、社内でキャリブレーションを行うことが自社のビジネスにもたらす価値の大きさに気づき始めています。私たちが最近実施した調査では、自動車ボディ専門家の74%がADASを収益源と報告しており、60%がADAS収益の拡大を「極めてまたは非常に重要」と考えています。私たちがすでに目にしているのは、ADASキャリブレーションが独自のカテゴリーとなり、毎月新しい専門家が登場し、それを中心に真のビジネスの勢いが構築されていることです。今後を見据えると、Revvがこのエコシステム全体の基盤として機能するようになるでしょう。つまり、このプラットフォームが衝突修理工場全体の標準となり、技術者、保険会社、顧客が安全で規制に準拠したキャリブレーションを大規模に管理・提供するための単一の統合システムを手に入れることです。私たちは、ソフトウェア駆動型車両がどのように修理されるかを定義するインフラを構築しており、最終的には業界の未来を形作る基準を設定しています。深く根付いた伝統的なアナログ産業にAIを持ち込む創業者にとって、どのような一般的な過ちが見られますか？また、Revvを拡大しながら、あなた自身が学び直さなければならなかった前提は何でしたか？初期に学んだことは、雑音を切り抜け、まず解決策ではなく問題に集中することです。話題に巻き込まれて、印象的なものを作り始めるのは簡単ですが、それは往々にして問題を探す解決策になってしまいます。重要なのは、顧客が実際に毎日経験している問題を見つけることです。私が学び直さなければならなかった前提は、優れた技術さえあれば勝てるという考えでした。私はこの業界におけるワークフローの根深さを過小評価していました。2022年にRevvを始めたとき、私は技術者と共に工場で時間を過ごし、彼らのワークフローを間近で観察し、何が彼らを妨げているかを理解しました。これによって学んだのは、本当の変化は、派手な技術を導入したり、工場に新しいやり方を採用するよう説得したりすることからは来ないということです。変化は、既存のワークフローにあなたのソリューションをこれ以上なくシームレスに組み込み、彼らが何も変える必要がないようにすることから生まれます。彼らに変わるよう求めるのではなく、彼らの現在の方法をより良いものにするのです。素晴らしいインタビューをありがとうございました。さらに詳しく知りたい読者は、Revvを訪れてください。
人工知能は急速に進歩してきましたが、一貫して困難な領域が一つあります。それは、人間の声を真に理解することです。単に発せられた言葉だけでなく、その背後にある感情、トーンやタイミングによって形作られる意図、そして友好的な冗談と苛立ち、欺瞞、または危害を区別する微妙なシグナルです。本日、Modulate は、現実世界の音声理解のために特別に設計された新しいAIアーキテクチャであるアンサンブルリスニングモデル（ELM）の導入とともに、大きなブレークスルーを発表しました。研究発表と同時に、Modulateはアンサンブルリスニングモデルの初の本番環境導入となるVelma 2.0を公開しました。同社によると、Velma 2.0は、企業が大規模なAI導入の持続可能性を再評価しているこの時期に、注目すべき主張として、会話の正確性において主要な基盤モデルを上回りながら、そのコストはわずかな割合で動作すると報告しています。なぜ音声はAIにとって困難だったのか音声を分析するほとんどのAIシステムは、よく知られたアプローチに従っています。音声はテキストに変換され、その文字起こしが大規模言語モデルによって処理されます。文字起こしや要約には効果的ですが、このプロセスにより、音声を意味あるものにしている要素の多くが失われてしまいます。トーン、感情的な抑揚、ためらい、皮肉、重なり合う発話、背景ノイズはすべて重要な文脈を伝えます。音声がテキストに平坦化されると、これらの次元は失われ、しばしば意図や感情の誤解釈につながります。これは、ニュアンスが結果に直接影響するカスタマーサポート、不正検出、オンラインゲーム、AI駆動のコミュニケーションなどの環境では特に問題となります。Modulateによれば、この制限はデータ駆動型というよりも、アーキテクチャ上のものです。大規模言語モデルはテキスト予測のために最適化されており、複数の音響的・行動的シグナルをリアルタイムで統合するためではありません。アンサンブルリスニングモデルは、このギャップを埋めるために作られました。アンサンブルリスニングモデルとは何かアンサンブルリスニングモデルは、すべてを一度に行うように訓練された単一のニューラルネットワークではありません。代わりに、音声インタラクションの異なる次元を分析する責任を持つ多くの専門モデルで構成される、調整されたシステムです。ELM内では、個別のモデルが感情、ストレス、欺瞞の指標、話者識別、タイミング、韻律、背景ノイズ、そして潜在的な合成音声やなりすまし音声を調べます。これらのシグナルは、時間軸に合わせたオーケストレーション層を通じて同期され、会話で何が起こっているかについての統一された説明可能な解釈を生成します。この明確な役割分担がELMアプローチの中核です。単一の巨大なモデルに暗黙的に意味を推論させるのではなく、アンサンブルリスニングモデルは複数のターゲットを絞った視点を組み合わせることで、正確性と透明性の両方を向上させます。Velma 2.0の内部Velma 2.0は、Modulateの以前のアンサンブルベースのシステムから大幅に進化したものです。100以上のコンポーネントモデルがリアルタイムで連携して動作し、5つの分析レイヤーに構造化されています。最初のレイヤーは基本的な音声処理に焦点を当て、話者の数、発話のタイミング、ポーズを決定します。次に、音響信号抽出が行われ、感情状態、ストレスレベル、欺瞞の手がかり、合成音声マーカー、環境ノイズを識別します。3番目のレイヤーは知覚された意図を評価し、誠実な賞賛と皮肉や敵意のある発言を区別します。次に、行動モデリングが時間の経過とともに会話のダイナミクスを追跡し、苛立ち、混乱、台本に沿った発話、またはソーシャルエンジニアリングの試みにフラグを立てます。最後のレイヤーである会話分析は、これらの洞察を、不満のある顧客、ポリシー違反、潜在的な不正、または誤動作するAIエージェントなどの企業に関連するイベントに変換します。Modulateは、Velma 2.0が会話の意味と意図を、主要なLLMベースのアプローチよりも約30％正確に理解し、スケール時には10倍から100倍のコスト効率性を実現していると報告しています。ゲームモデレーションから企業インテリジェンスへアンサンブルリスニングモデルの起源は、Modulateのオンラインゲームに関する初期の研究にあります。『Call of Duty』や『Grand Theft Auto Online』のような人気タイトルは、想像しうる最も困難な音声環境を生み出します。会話は速く、騒がしく、感情的で、スラングや文脈に依存した言及に満ちています。遊び心のある悪口と真のハラスメントをリアルタイムで区別するには、文字起こし以上のものが求められます。Modulateが音声モデレーションシステムToxModを運用する中で、これらのニュアンスを捉えるために、次第に複雑なモデルのアンサンブルを構築していきました。数十の専門モデルを調整することは、必要な正確性を達成するために不可欠となり、最終的にチームはこのアプローチを新しいアーキテクチャフレームワークとして形式化することにつながりました。Velma 2.0は、そのアーキテクチャをゲーム以外にも一般化しています。現在、同社の企業向けプラットフォームを駆動し、業界を超えて数億件の会話を分析し、不正、虐待的行為、顧客不満、異常なAI活動を特定しています。基盤モデルへの挑戦この発表は、企業がAI戦略を再評価している時期に行われます。巨額の投資にもかかわらず、AIイニシアチブの大部分は本番環境に到達しないか、持続的な価値を提供できていません。一般的な障害には、幻覚、高騰する推論コスト、不透明な意思決定、AIの洞察を業務ワークフローに統合する難しさがあります。アンサンブルリスニングモデルは、これらの問題に直接対処します。単一の巨大なシステムではなく、多くの小さな目的特化型モデルに依存することで、ELMは運用コストが低く、監査が容易で、解釈可能性が高くなります。各出力は特定のシグナルに遡って追跡できるため、組織はなぜその結論に達したのかを理解することができます。このレベルの透明性は、ブラックボックスの意思決定が許容されない規制対象または高リスク環境では特に重要です。Modulateは、ELMを大規模言語モデルの代替ではなく、企業向け音声インテリジェンスのためのより適切なアーキテクチャとして位置づけています。音声からテキストを超えてVelma 2.0の最も将来を見据えた側面の一つは、何が言われたかだけでなく、どのように言われたかを分析する能力です。これには、音声生成技術がよりアクセスしやすくなるにつれて懸念が高まっている、合成音声やなりすまし音声の検出も含まれます。音声クローニングが向上するにつれ、企業は不正、なりすまし、ソーシャルエンジニアリングに関連するリスクの増加に直面しています。合成音声検出をアンサンブルに直接組み込むことで、Velma 2.0は真正性をオプションの追加機能ではなく、中核的なシグナルとして扱います。このシステムの行動モデリングは、先行的な洞察も可能にします。話者が台本を読んでいる時、苛立ちが高まっている時、またはインタラクションが対立に向かっている時を特定できます。これらの能力により、組織はより早く、より効果的に介入することが可能になります。企業AIの新たな方向性Modulate は、アンサンブルリスニングモデルを、従来の信号処理パイプラインと大規模基盤モデルの両方とは異なる、新しいカテゴリーのAIアーキテクチャと説明しています。根本的な洞察は、複雑な人間のインタラクションは、力任せのスケーリングよりも、調整された専門化を通じてよりよく理解されるというものです。企業が説明責任があり、効率的で、実際の業務ニーズに沿ったAIシステムを求める中、アンサンブルリスニングモデルは、インテリジェンスが多くの焦点を絞ったコンポーネントから組み立てられる未来を示しています。Velma 2.0が本番環境で稼働している今、Modulateは、このアーキテクチャの転換が、音声モデレーションやカスタマーサポートをはるかに超えて共鳴すると賭けています。ますます巨大化するブラックボックスに代わるものを探している業界において、アンサンブルリスニングモデルは、AIの次の大きな進歩は、単により積極的に計算することではなく、より注意深く聴くことから来るかもしれないことを示唆しています。