ガイ・イェヒアブは、Digiのスマートセンスの社長です。Digiは、国の最大の薬局、小売業者、食品サービス企業向けのIoTソリューションプロバイダーです。25年のキャリアを通じて、ガイは、新しい顧客を迎え入れて垂直市場を追求しながら、イノベーションと包括性の文化を作り出すことで、高く評価される経営者としての評判を築いてきました。 以前は、ゼブラテクノロジーのゼネラルマネージャー兼副社長であり、プロフェクトのCEO兼取締役会長でした。
エージェントAIは、コード化された、垂直化されたシステムとして登場することはない。代わりに、企業全体にわたって数千の小さな、特殊化されたデジタルワーカーとして現れる。小売、ヘルスケア、フードサービスでは、これらのエージェントは、配達の調整、温度の調整、スタッフの再スケジューリング、コンプライアンスリスクのフラグ付け、在庫の再注文を行う。企業チームは、目的とガイドラインを設定し、最前線のオペレーションズでは、エージェントが日常的な意思決定とエスカレーションを静かに処理する。人間のチームは、行政的な負担から解放され、判断、戦略、例外に焦点を当てることができるようになる。一方、エージェントは、日常的な実行の流れを管理する。自動化から自律的な調整へ過去10年間、企業の自動化は、繰り返しの作業を除去することに焦点を当ててきた。IoTシステムは、遠隔設備の重要な状態を監視する。ワークフローソフトウェアは、処方箋、承認、確認をルーティングする。ロボティックオートメーションは、製造プロセスを加速する。これらのツールは、摩擦を減らすが、超特定の標準作業手順（SOPs）指示に依存している。エージェントAIは、従来のサプライチェーン計画プロセスを超え、作業自体のアーキテクチャを変える。従来のシナリオでは、需要予測、生産スケジューリング、調達、物流は、異なるチームによって管理される。各チームは、独自の目標を最適化する。収益、利益率、サービスレベル、コストターゲットは、週次ミーティングで競合する。人間は、機能間の交渉層として機能する。人間がループ内にいる（HITL）事前の注意。エージェントAIでは、各目的を表すデジタルエージェントが存在する。需要生成に焦点を当てたエージェント、供給制約を管理するエージェント、生産バッチサイズを最適化するエージェント、在庫をマルチエチェロンネットワークに配置するエージェントなどがある。これらのエージェントは、月次のS&OPミーティングを待たずに、リアルタイムで交渉を行う。収益、利益率、容量、課税、コンプライアンス、物流などのトレードオフをバランスをとる。ヘルスケアでは、この調整は、スタッフレベルのバランス、規制コンプライアンス、冷蔵の要件、患者フローを調整することを意味する。フードサービスでは、在庫に基づいてプロモーションを調整し、在庫切れを防ぐことを意味する。小売では、地域間で在庫をシフトしてマージンを保護し、輸送コストと季節的な需要を考慮することを意味する。行政への影響企業計画、調達分析、輸送モデリング、価格決定、税制設計には、構造化された目的と制約された意思決定空間が含まれる。これらの環境は、エージェントに最適である。企業の調達チームが、サプライヤーの選択を、コスト、品質、リードタイム、規制要件に基づいて最適化する場合を考えてみよう。現在、分析者はスプレッドシートとシナリオプランを手動で調整している。エージェントシステムは、トレードオフを継続的に評価し、発生するリスクをフラグし、リアルタイム入力に基づいて割り当てを再交渉する。企業ワイドのサミットのための旅行調整も、適切に枠組みが設定された場合、エージェントの有効な目標となる。「予算と個人のカレンダーに基づいて、従業員のフライト、車、バス、ホテルを調整および購入する」ことは、タスクではなく、制約のある目標である。予算制限、ポリシーコンプライアンス、旅行者の好み、リスク暴露がガイドラインとなる。エージェントは、フェアの検索、予約の調整、キャンセルに対する調整を行い、定義された境界内で必要なタスクを決定する。企業のリーダーは、エージェントに漠然とした野心を割り当てることを避けるべきである。たとえば、「今期の収益を10%増やす」という目標は、実行可能な境界が欠如している。「オペレーションに根ざした、具体的な目標」を定義するべきである： マージンを維持しながら、サービスレベルを2ポイント向上させるために、マルチエチェロン在庫の最適配置を最適化する 需要の形成と補充を調整することで、製品ファミリーXの期限切れ製品の廃棄を削減する コンプライアンスとコストの目標を満たすために、地域の労働スケジュールを再調整する タスクと目標の違いは重要である。タスクは、個別のアクションである。一方、目標は、制約のある結果を定義する。エージェントAIは、目標レベルで動作する。目標の規模は、機能間の調整を必要とするほど雄大でなければならないが、測定および監査可能なほど狭くなければならない。自律時代のガバナンスエージェントが自らのタスクを決定する権限を与えられた場合、ガバナンスが重要となる。ガイドラインは、ポリシーマニュアルと法的契約のハイブリッドのように見える。規制コンプライアンス、倫理基準、予算制限、エスカレーションしきい値を符号化する。エージェントが最適化できるものと、人間の承認が必要なものを定義する。説明責任の問題がすぐに浮かび上がる。エージェントが規制違反や財務リスクを生み出す決定を下した場合、責任はアルゴリズムにはなく、エージェントを展開した組織または部門にあります。所有権モデルは、明示的でなければならない。監査トレイルは、推論パスのドキュメント化が必要である。説明可能性は、上層部が要求するためではなく、規制当局が要求するため重要となる。すでに、AIシステムが自身のコードの大部分を書き、人間がコードラインの書き込みではなく、品質保証役としてシフトしていることを目撃している。このシフトは、オペレーションズでさらに加速する。ルーチン計画タスクを実行していた従業員は、エージェントの出力を監督し、ガイドラインを改良し、例外を管理することが増える。企業のリーダーは、明確に定義された、制約ベースの目標を、以下のガイドラインを念頭に置いて、既存の反復的な運用上の意思決定サイクルを特定し、変換するべきである： エージェントに割り当てたときに、機能間の目的とトレードオフを明確に述べる 規制、財務、倫理的境界を符号化した正式なガイドラインを確立する 展開されたエージェントのために、ヒトがループ内にある（HITL）レイヤーとして機能する、責任あるヒトのスポンサーを割り当てる パフォーマンスと意思決定ロジックを追跡するための監視および監査機能を構築する 包含された、高い影響力を持つドメインから始め、ガバナンスが成熟するにつれて拡大する エージェントAIは、オペレーションズマネジメントにおける構造的な進化を表す。オペレーションズの最適化を、周期的なヒトの交渉から、継続的なマシン媒介の調整へとシフトする。最前線を超えて、企業計画および行政ドメインにまで拡大し、ヒトの役割を実行から監督および判断へと高める。エージェントを戦略的なコラボレーターとして扱う企業は、より回復力のある、適応性の高いオペレーションズを構築する。
新しい世代のAIネイティブなスタートアップは、前例のないスピードで収益を伸ばしており、わずか数人の従業員で実質的な商業的成果を達成している。これらの会社のトップライン成長は加速しているが、従来のモデルとは根本的に異なるモデルで運営されており、従来は人手を増やすことで実現していた機能を自動化によって置き換えている。このシフトは、買い手やプライベートエクイティ企業が、評価フレームワークを再考えることを余儀なくさせている。伝統的な収益マイルストーンから、スケーラビリティ、繰り返し性、影響力のスピードへの評価に移行している。投資はますます早期の収益プロファイルを標的にし、M&Aが早期に発生するにつれ、市場はより広い真実を示唆している。評価は、組織の規模ではなく、ビジネスモデルの効率性に結びついている。従業員数をレバレッジとして利用することから、コードをインフラストラクチャとして利用することへ数十年間、スタートアップの評価は、組織の構築に密接に関連していた。収益とともにチームが成長し、資本は製品とともに人を雇用するために使われた。年間繰り返し収益が数百万ドルに達するには、エンジニアリング、セールス、カスタマーサポート、運用などの分野で数十人の従業員が必要だった。現金の焼き払いは予想され、スケールは後で来るものだった。AIネイティブな会社は、この式を逆転させている。エージェントコード生成は、開発、テスト、デプロイ、そしてマーケティングの実行の大部分を処理するようになった。創業者は、コンセプトから最小限の愛らしい製品まで、圧縮された時間枠内で移動し、需要を早期に検証し、従業員数を増やさずに継続的にイテレートする。結果として、高い従業員あたりの収益メトリックを達成したビジネスが生まれる。これは、投資家にとって重大な意味を持つ。会社が2、3人の従業員で収益性に達した場合、従来の仮定は、資本効率、運用レバレッジ、M&Aのタイミングに関するものでなくなった。多くの場合、創業者はより長くフルコントロールを維持し、内部の依存性が少なく、スケールアップ、売却、または独立したままにするかについて決定的な選択ができる。実質的な収益を早期に達成した単独創業者会社は、層状のガバナンスと、増えるチームへの義務とともに、異なる意思決定曲線を運営する。成功を収めた連続創業チームも、同様の意思決定の速度の利点を持っている。また、創業者リスクを再定義する。歴史的に、投資家は創業チーム、チームの結束、ストレスに耐える能力に重点を置いていた。これはまだ重要だが、AIは人間のシームの数を減らしている。従業員が少ないということは、内部の故障点が少ないことを意味し、実行のスピードが増すにつれて。AI生成コードで本当にスケールできるか買い手が次に提起する質問は、これらのリーンなモデルが持続可能かどうかである。AI生成コードで構築されたビジネスは、時間の経過とともに信頼性、セキュリティ、防御性を確保してスケールできるか。答えは、ニュアンスがある。AIは、健全なアーキテクチャ、ガバナンス、技術的判断の必要性を排除するものではない。AIが変えるのは、誰が仕事をするか、いつ、どのように迅速に仕事をするかである。AIネイティブな会社では、エンジニアは、コードの生産者ではなく、システムデザイナーやレビューアーとして働くことが多い。人間の監視は、制約の定義、結果の検証、技術的負債の管理に重点を置くことで、アップストリームにシフトする。適切な実行により、このモデルは一貫性を向上させ、エラー率を減らす。機械は、規範やパターンを繰り返すことに優れているからである。しかし、スピードを規律と見なすチームにとって、リスクは実在する。AI生成システムを不適切に管理すると、隠れた複雑性が急速に蓄積し、スケールと品質で失敗し、後でスケールアップすることが高価またはリスクとなる。したがって、投資家は、AIの使用のみではなく、AIの使用方法を評価し始めている。意図的なアーキテクチャ、明確な所有権、創業者の加速と制御のバランスを取る能力の証拠を探している。スピード、選択肢、証明はまだ重要「早い」の定義は、AIが開発サイクルを圧縮しているため、変化している。会社は、実際の顧客の採用、繰り返し収益、プラスのユニット経済を、以前よりも早く示している。買い手は、買い付けの関心を前倒しし、時にはこれらのビジネスを戦略的に完成したものと見なしている。これらの評価において最も重要なのは、ポリッシュではなく、証明である。製品は明確な問題を解決できるか。顧客を増やしても、コストが線形に増加することなく、製品を繰り返し提供できるか。スケールアップに備えているか。創業者は、アイデアから収益まで、迅速に繰り返し実行する能力を示したか。これらのシグナルは、従来の組織図や長期的な採用計画よりも重要性を増している。同時に、課題は消えていない。ブランドの可視性は、断片化された市場で難しいままであり、信頼性と信用性は、関係のあるネットワーク内での結果を形作り続けている。配信、パートナーシップ、関連性は、成果を形作り続けている。違いは、開発スピードが、ボトルネックから基準にシフトしたことにある。この新しい評価論理に合わせて、オペレーターは、チームを構築するのではなく、スケールアップに備えたシステムを構築することに焦点を当てる必要がある。これには、既存のリソースからより多くの価値を抽出するためにテクノロジーを使用することを意味する。組織は、以下の点から始めるべきである。 開発、テスト、デプロイのワークフローを自動化してイテレーションサイクルを短縮する AIエージェントを使用して、顧客の発見、フィードバック分析、機能の優先順位付けを強化する 製品を、カスタマイズではなく、繰り返し可能な構成に設計する 収益性と貢献マージンを、従業員数の増加ではなく、時間あたりの収益で測る 選択肢を保持するために、長く黒字を維持し、構造的な複雑さを遅らせる 市場は急速に適応しているが、シグナルは明確である。リーンでAIネイティブなオペレーティングモデルは、一時的な異常ではなく、価値が創造され、証明され、価格設定される方法における構造的なシフトを表している。この現実は、最も価値のある会社は、最も低い摩擦で学び、出荷し、複利計算する会社であることを意味する。評価の将来は、制約ではなく、デザインによってリーンなビジネスに属する。
アジェンティクAIは、自律的な意思決定、リアルタイムの適応性、プロアクティブな問題解決を可能にすることで、複数の業界を変革する可能性を持っています。企業は、業務の効率性を高めるために、アジェンティクAIをどのように、どこで実装するかを決定するという課題に直面しています。サプライチェーンの最適化、予測メンテナンス、カスタマーエクスペリエンスの強化など、企業のリーダーは、アジェンティクAIが最も大きな利益をもたらす可能性のある業務の領域を慎重に評価する必要があります。AIの統合機会を評価するための戦略的フレームワークは、投資がビジネス目標と一致し、計測可能な成果をもたらし、自動化と人間の監視のバランスを維持することを保証するために不可欠です。AIの進化を理解するアジェンティクAIの役割を理解するには、まずそれを従来のAIの実装から区別する必要があります。歴史的に、企業はAIを利用して、歴史的なデータを分析し、洞察を生成し、さらには勧告を行ってきました。しかし、これらのシステムは一般的に、意思決定とワークフローを実行するために人間の介入を必要とします。例えば、機械学習アルゴリズムシステムは新しい観察を生成し、モデルを改良し、時間の経過とともに改善しますが、決して意思決定を行いません。一方、標準的なAIは、学習した経験に基づいて行動を勧告しますが、1つのステップを進めるために1つの行動を生成する可能性があります。アジェンティクAIは、自律性を導入します。行動を勧告するのではなく、アジェンティクAIはそれらを実行します、リアルタイムで問題を解決し、ワークフローを最適化するために作用します。複数のAIエージェントが並行して運営します。重要な違いは、エージェントの概念にあります。学習メカニズムと現実世界の条件に基づいて行動する、独立したAIエンティティです。単一のAIエージェントは、在庫が不足したときに在庫を再注文するかもしれませんが、アジェンティクAI（複数のエージェントで構成される）は、調達、輸送、保管条件の動的な調整を含む、サプライチェーンの全体的な対応を調整できます。アジェンティクAIは、決定木を実行するのではなく、リアルタイムの入力に基づいて適応し、不断に変化する環境から学び、その行動を変更します。例えば、食料小売業では、ルールベースのシステムは構造化されたコンプライアンスワークフローに従うかもしれません。たとえば、冷蔵装置が設定温度を超えたときにマネージャーに警告します。一方、アジェンティクAIシステムは、冷蔵設定を自律的に調整し、影響を受ける出荷を再ルーティングし、在庫を再注文できます。すべて人間の介入なしで行います。航空会社のロジスティクスなどの高度にダイナミックな環境では、完全にアジェンティクなAIネットワークは、同時にすべての影響を受ける旅行者を分析し、フライトを再予約し、地上サービスに通知し、カスタマーサービス担当者とシームレスに通信します。すべて並行して、混乱を減らし、効率性を高めます。アジェンティクAIの自律性レベルを管理するAIの進化が続くにつれて、アジェンティクAIはより多くの自律性を獲得し、ますます複雑な意思決定シナリオを処理することになります。将来、AIエージェントは業界間で協力し、コンテキストに応じた意思決定を行うことになります。進む上での課題は、完全な自動化と人間の監視のバランスをとるための適切なレベルを見つけることです。脱線管理、ミスの防止、システムのロックダウンについてです。企業は、さまざまなワークフローに対するリスクのしきい値を慎重に検討し、予期しない行動を防止しながら、AIの進歩による潜在的な利益を最大化するための安全対策を実装する必要があります。業界のリーダーは、アジェンティクAIが特に有益な領域、意思決定がリアルタイムで適応性が高く、スケーラビリティが高い必要がある領域を検討する必要があります。最も利益が大きい可能性のある主要なビジネス機能には、サプライチェーンと在庫管理が含まれます。AIエージェントのフリートは在庫レベルを監視し、需要の変動を予測し、在庫を自律的に再注文して無駄を減らし、不必要な損失を避け、ロジスティクスの結果を微調整できます。予測メンテナンスでは、アジェンティクAIは機器の健全性を分析し、潜在的な故障を検出して予防的にメンテナンスをスケジュールし、ダウンタイムを減らします。コンプライアンスとリスク管理機能も利益を得ることができます。AIは、規制された業界でのコンプライアンスワークフローを監督し、進化する要件を満たすためにSOPを自動的に調整します。アジェンティクAIの導入に成功するためのステップアジェンティクAIの導入に成功するには、企業のリーダーは構造化された評価プロセスに従う必要があります。 リアルタイムの意思決定が効率性を高め、顧客または従業員の行政負担を軽減するビジネス機能を評価して、高影響力のユースケースを特定します。 リスクの耐性と監視メカニズムを定義して、安全対策、承認プロセス、介入ポイントを確立し、AIの自律性と人間の監視のバランスをとります。 AIの投資がビジネス目標と一致し、計測可能なROIを提供し、より広範な戦略的目標を支援するアプリケーションに焦点を当てます。 小さな規模から始めて、徐々に拡大して、エンタープライズ全体にアジェンティクAIの展開を拡大する前に、コントロールされた環境でパイロットプログラムを立ち上げます。 アジェンティクAIプログラムを定期的に評価し、成果に基づいてモデルを改良し、継続的な改善アプローチを取ります。 アジェンティクAIへの移行により、企業の自動化は大幅に進歩し、企業は洞察と勧告から自律的な実行へと進化することになります。アジェンティクAIの実装は、ワークフローの設計、リスク管理、ガバナンス構造の戦略的考慮を必要とします。迅速かつ思慮深く行動するビジネスリーダーは、効率性を最大化し、回復力と将来性を高め、運用を将来に適応させることができます。
人工知能（AI）の急速な台頭により、この技術は将来の概念から重要なビジネスツールへと変化しました。しかし、多くの組織は基本的な課題に直面しています。AIは変革的な利点を約束していますが、顧客の懐疑心と不確実性はしばしばAI駆動のソリューションへの抵抗を生み出します。AIの成功した実装の鍵は、技術そのものではなく、組織がどのようにして顧客の期待を積極的に管理し、超越するかです。ロバストなセキュリティ、透明性、コミュニケーションを通じて。AIがビジネス運営の中核となり、顧客の信頼を築き、維持する能力が、どの組織がこの新しい時代に繁栄するかを決定します。AI実装への顧客抵抗の理解組織がAIソリューションを実装する際に直面する主な障害は、技術的な限界ではなく、顧客の懸念から生じます。顧客は、特にAIシステムが関与する場合、自分のデータがどのように収集、保存、利用されるかについてますます意識しています。データ漏洩や不正使用の恐怖は、AIの採用に対する重大な抵抗を生み出します。多くの顧客は、AIが公平で偏見のない決定を下す能力について懐疑的です。特に金融サービスやヘルスケアなどのデリケートな分野では、この懐疑心は、AIの失敗や偏った結果についてのメディア報道から生じています。多くのAIシステムの「ブラックボックス」的な性質は、決定がどのように下され、どのような要因がこれらの決定に影響を与えるかについての不安を生み出します。顧客は、AI駆動の推奨事項や行動の背後にある論理を理解したいと考えています。さらに、組織は、既存の顧客サービスフレームワークにAIソリューションを無理なく統合するのに苦労しています。既存の関係や信頼を損なうことなく。 最近の業界調査によると、顧客の68％が、AIシステムで自分のデータがどのように使用されるかについて懸念を表明しています。一方、72％の顧客は、AIの意思決定プロセスについてより透明性を求めています。これらの統計は、組織がこれらの懸念に対処する必要性を強調しています。問題が発生するのを待つのではなく、事前に対処する必要があります。顧客の信頼を得ることができない場合、顧客の流失率が30％増加するなど、重大な結果を招く可能性があります。セキュリティと透明性を通じた信頼の構築これらの課題に対処するために、組織はまず、顧客のデータとプライバシーを保護するためのロバストなセキュリティ対策を確立する必要があります。これは、AIシステムによって収集および処理されるすべてのデータに対して、送信中および保存中の両方で最新の暗号化方法を使用することから始まります。組織は、セキュリティプロトコルを定期的に更新して、新たな脅威に対処する必要があります。さらに、データの可視性を、必要な人だけに制限するための厳格なアクセス制御を開発し、実施する必要があります。定期的なセキュリティ評価とペネトレーションテストは、脆弱性を特定して対処するために不可欠です。内部システムと第三者提供のAIソリューションの両方を含みます。組織は、最も弱いリンク、通常は人間がフィッシング電子メール、テキスト、または電話に応答することによってのみセキュアです。データの取り扱いにおける透明性も、顧客の信頼を築き、維持する上で非常に重要です。組織は、顧客情報がどのように収集、使用、保護されるかを説明する包括的なデータ取り扱い方針を作成し、明確な言語で顧客に伝える必要があります。データの保管、処理、削除のための明確なプロトコルを確立し、顧客が自分のデータをどのくらいの期間保管するかを理解し、使用を制御できるようにする必要があります。顧客が自分のデータに簡単にアクセスでき、AIシステムで自分のデータがどのように使用されているかについて明確な情報を得られるようにすることが不可欠です。EUのGDPR要件と同様に、顧客が自分のデータを表示、エクスポート、または削除できるようにする必要があります。データ取り扱い慣行を定期的にレビューして、規制要件や業界のベストプラクティスと比較することも重要です。組織は、AI関連のセキュリティ侵害に特化した包括的なインシデント対応計画も開発し、維持する必要があります。これらの計画には、明確なコミュニケーションプロトコルと対策戦略が含まれている必要があります。これらの計画を定期的にテストし、更新して、脅威が進化するにつれて効果を維持する必要があります。主要な組織は、セキュリティを設計段階から考慮する「セキュリティバイデザイン」アプローチを採用し、セキュリティをあとから考えるのではなく、AIシステムの開発の初期段階からセキュリティを考慮しています。コンプライアンスを超えて顧客パートナーシップへ効果的なコミュニケーションは、顧客の期待を管理し、AIソリューションに対する信頼を築く上で重要な役割を果たします。組織は、AIシステムの仕組み、利点、限界について説明する教育コンテンツを開発する必要があります。顧客は、AIパワードされたサービスを使用することについて十分な情報を得ることができます。システムの改善、更新、障害、顧客の体験に影響を与える可能性のある変更について顧客に情報を提供することも重要です。また、顧客がフィードバックを提供し、システムの開発にどのように影響するかを示すためのチャネルを確立する必要があります。AIシステムがミスを犯した場合、組織は何が起こったか、理由、将来同様の問題を防ぐための対策について顧客に明確にコミュニケーションする必要があります。さまざまなコミュニケーションチャネルを使用することで、顧客が最も快適に感じる場所で一貫したメッセージを提供できます。規制要件を満たすことは必要ですが、組織は基本的なコンプライアンス基準を超えることを目指す必要があります。これには、意思決定とシステム開発を導く倫理的なAIフレームワークを開発し、公開することが含まれます。偏見の防止、公平性、説明責任などの問題に対処します。セキュリティ対策、データ取り扱い、AIシステムのパフォーマンスを検証するための独立した監査人を起用し、顧客と結果を共有することも信頼を築くのに役立ちます。顧客のフィードバック、ニーズの変化、ベストプラクティスの進化に基づいてAIシステムを定期的にレビューし、更新することは、卓越性と顧客サービスへの取り組みを示します。顧客アドバイザリーボードを設立することで、AIの実装戦略について主要な利害関係者と直接意見を交換し、パートナーシップを促進できます。組織がAIソリューションを実装し、顧客の信頼を維持することに成功するのは、顧客の懸念に対処し、期待を超えるために積極的で総合的なアプローチを取る組織です。これには、AIソリューションを実装する前にロバストなセキュリティインフラストラクチャに投資すること、明確なデータ取り扱い方針と手順を開発すること、顧客に教育し、情報を提供するためのコミュニケーション戦略を確立すること、継続的な改善のためのフィードバックメカニズムを構築すること、顧客のニーズと期待の変化に応じてAIシステムに柔軟性を提供することが含まれます。AIの実装の未来は、変化を強制することではなく、AI駆動のソリューションが優れたサービスと価値を提供するための信頼できるパートナーとして歓迎される環境を作ることです。セキュリティ、透明性、オープンなコミュニケーションへの継続的な取り組みを通じて、組織は顧客の懐疑心をAIパワードされたソリューションの熱心な採用に変えることができます。最終的に、革新と成長をAI時代に導く持続可能なパートナーシップを生み出します。顧客の信頼を得ること、リソースを提供すること、そして顧客の信頼がAIの採用の前提条件であるだけでなく、急速にAI主導の市場で競争上の優位性であることを真正に理解することへの継続的な取り組みが、この取り組みの成功に必要です。
