セルジオ・ガゴは、ClouderaのCTOであり、AI/ML、量子コンピューティング、データ駆動型アーキテクチャにおける20年以上の経験を持っています。モディーズ・アナリティクスのAI/ML＆量子コンピューティングの元マネージング・ディレクターであり、楽天、Qapacity、ジニオでのCTO役職も経験しています。セルジオは、信頼できるデータインフラストラクチャの強力な支持者であり、AIは2030年までに企業のオペレーティングシステムに進化することを信じています。
人工知能は、組織が働き方、意思決定、価値の提供を変革するための驚異的なペースで進化しています。今日のモデルは、推論、コンテンツの生成、人間の判断が必要だったタスクの自動化が可能です。しかし、エンタープライズAIの最大のブレイクスルーは、単に賢いモデルだけではありません。それは、現実世界で使用するために十分に信頼できるモデルを作る方法を学ぶことです。過去数年間、会話はAIが何ができるかについて中心になりました。今日、エンタープライズリーダーは異なる質問をしています。出力に信頼できるか。決定の根拠を説明できるか。規制された環境にAIを展開するときに不要なリスクを導入しない方法で、AIをスケールする方法でセキュリティ、コンプライアンス、ガバナンスを維持できるか。これらの質問は、重要なシフトを反映しています。AIは、単に実験するための新興技術ではありません。ビジネス運営の中心部の一部になりました。組織がAIを運用化するにつれて、信頼性は、データ、ガバナンス、規制要件の管理を維持することに依存するようになります。スタンフォードAIインデックスレポート2025によると、2024年に78%の組織がAIを使用していたことがわかります。これは、前年からの55%からの大幅な増加です。レポートでは、AIの採用が進むにつれて、責任あるAI、ガバナンス、規制監督への投資を増やす必要性も強調しています。組織がAIから最も価値を得るのは、ますます賢いモデルと信頼できるデータ、強力なガバナンス、データとAI環境の管理を組み合わせたものです。エンタープライズAIは新しい段階に入った：信頼性は能力と同等に重要です。ジェネレーティブAIが世界の注目を集めたとき、成功は通常、デモで何ができるかによって測られました。組織は、チャットボットの構築、文書の要約、コードの生成、または創造的なタスクの自動化のみを使用してAIを使用していることを示すために競争しました。今日、成功は、AIがセキュリティ、繰り返し、測定可能なビジネス価値をもたらす方法でコアビジネス運営に組み込まれているかどうかで測られます。その変化には、AIシステムがビジネスユニット全体で動作し、機密情報を処理し、規制に従い、時間の経過とともに一貫した結果をもたらす必要があります。組織は、強力なモデルだけでは十分ではありません。信頼できるデータ、効果的なガバナンス、インフラストラクチャが必要です。インフラストラクチャは、データが存在する場所でAIを動作させることができます。マッキンゼーの最新のAI調査によると、AIの採用は広範囲にわたっていますが、多くの組織はまだ、孤立したユースケースから、持続可能なビジネス価値をもたらすエンタープライズ全体の実装に進むのに苦労しています。テクノロジー自体は急速に進化していますが、AIを運用化するために必要な組織能力はまだ追いつこうとしています。エンタープライズAIの次の段階は、ブレークスルー的なモデルではなく、規律ある実行によって定義されるでしょう。デロイトのジェネレーティブAIのエンタープライズでの状況調査も、組織がAIの長期的な潜在能力について楽観的である一方で、ガバナンス、リスク管理、データの準備、既存のビジネスプロセスとの統合について、継続的な障壁に直面していることを発見しました。これらの調査結果は、エンタープライズAIの成功は、モデル能力の向上と同等に、組織の成熟度と信頼できるデータ基盤に依存するという考えを支持しています。信頼性は、モデルが答えを生成する前に始まります。世界で最も経験豊富な財務分析家に、部分的な記録、古い市場データ、矛盾する報告書を使用して会社を評価するよう依頼することを想像してください。正確な結論は、根本的な情報が信頼できないため、ありそうにありません。エンタープライズAIも同様の原則で動作します。AIシステムの品質は、システム自体ではなく、システムを情報に基づくものにするデータによって決まります。組織は、データの出所、データの変更、データへのアクセス、データの特定のユースケースへの適合性について自信を持っている必要があります。そうでなければ、モデルがどれほど高度であるかに関係なく、AIの出力に自信を持つことはできません。その自信は、データ主権に依存することが増えています。データがどこにあるか、どの法律がデータを規制するか、AIシステムがこれらの要件を尊重することを確認する必要があります。エンタープライズが実験から本格的な運用に移行するにつれて、データの血統、出典、ガバナンス、観察可能性などの機能が不可欠になります。これらの機能は、AIの決定を理解するために必要な透明性を提供し、リスクを迅速に特定し、データが存在する場所でAIを自信を持って展開することができます。NIST AIリスク管理フレームワークは、ガバナンス、説明責任、定期的な監督が責任あるAIの必要なコンポーネントであることを強調することで、この観点を強化しています。これらの慣行は、イノベーションの障壁ではありません。イノベーションを自信を持って行うことを可能にするメカニズムです。AIがエンタープライズ運営に深く組み込まれるにつれて、セキュリティにも同じ原則が適用されます。組織は、データだけでなく、データとやり取りするモデルとエージェントも保護する必要があります。オープン性は回復力を生み出すエンタープライズAIの将来は、単一のモデルやプロバイダーに依存しません。組織は、新しいテクノロジーを採用し、進化するデータ主権の要件を満たし、データが存在する場所でAIを展開しながら、一貫したガバナンスとセキュリティを維持する必要があります。オープン標準は、プラットフォームを超えて異なるシステムが協調して動作することを可能にします。オープンアーキテクチャは、新しいテクノロジーを採用するために既存のインフラストラクチャを再構築する必要性を減らします。オープンソースは、組織が透明性、柔軟性、コラボレーションを高めることができるため、イノベーションを加速します。このオープン性の強調は、単に技術的な決定ではありません。グローバルAIガバナンスフレームワークでも反映されています。OECD AI原則は、透明性、説明責任、責任あるイノベーションを信頼できるAIの重要な構成要素として強調しています。組織を単一のアプローチにロックインさせるのではなく、オープン性は、組織が新しいテクノロジーを採用し、ビジネスのニーズの変化に応じ、AI戦略を進化させる際に管理を維持することを可能にします。本当に重要なことの価値を理解する人工知能は、驚異的な進歩を遂げていますが、長期的な成功を決定するのは、単に能力の向上だけではありません。信頼できるデータ、責任あるガバナンス、オープンアーキテクチャが、組織がAIをデータに持ち込み、データが存在する場所でイノベーションをスケールすることを可能にする自信を与えます。これが、AIを印象的なテクノロジーから長期的なビジネス価値へと変えるものです。多くの点で、これが今日のエンタープライズAIの本当の物語です。私たちは、可能性だけに基づく時代を過ぎ去り、イノベーションと責任が一体化した時代に入りました。信頼できるデータ、ガバナンス、オープン性は、イノベーションを妨げるのではなく、AIを実験からエンタープライズ全体の影響にスケールさせることを可能にするものです。エンタープライズAIが成熟するにつれて、成功する組織は、信頼できるデータ、思慮深いガバナンス、データ主権、オープンなエコシステムなどの、成功した展開の背後にあるあらゆる仕事を認識する組織になります。これらの機能を組み合わせることで、エンタープライズは、自信を持ってイノベーションを起こし、管理を維持し、AIから持続可能なビジネス価値をもたらすことができます。
AIは、単にテキストを生成するチャットボットではありません。企業環境では、AIエージェントは、機密データの取得、ワークフローのトリガー、ツールの呼び出し、システム全体でのアクティビティのログ記録などのアクションを実行しています。自律性は、統治に関する議論を完全に変えます。人間のユーザーと従来のアプリケーション向けに設計された最初のコントロールと手順は、実行時にはマルチステップのアクションを実行できるソフトウェアを統治するために構築されていませんでした。リスクは理論的なものではありません。可視性、 アクセス制御、監査可能性の小さなギャップは、検出が困難で、さらに逆転が困難なランタイムの故障に急速に蓄積する可能性があります。この新しい時代に追いつくには、AIエージェントの統治は、さらに多くのポリシードキュメントを追加することによって実行できません。設計による統治が必要です。つまり、コントロールプレーンにコントロールを埋め込み、ランタイムで継続的に適用するアーキテクチャ的なアプローチです。エージェントがデジタルコラボレーターのように行動する場合、彼らは人間と同じ企業のガイドラインを継承し、さらに強力なランタイムの監視を受ける必要があります。収束の時代に統治が崩壊する理由企業アーキテクチャは、収束の時代に入りました。データとワークロードは、複数のクラウド、プライベートデータセンター、エッジ環境にまたがっています。複数のプロセスを同時に管理するために、並行システムでプラットフォームを実行している組織があります。これには、別々のアイデンティティシステム、ログパイプライン、カタログ、承認プロセスが含まれます。結果は、ある種の「フランケンシュタインのプラットフォーム」であり、統合オーバーヘッドは、新しいツールまたはクラウド環境ごとに増加します。実際、この断片化は、日常の現実に現れています。最近の調査によると、47%の回答者は、複雑なアクセス要件とプロセスを、44%の回答者は、データの所在に関する可視性の欠如を、データを効果的に使用するための障害として挙げています。これは、エージェントがシステム間のシームを暴露する場所です。ビジネス上の質問に答えるために、エージェントは、オンプレミスERPシステム、クラウドCRM、別のクラウドの運用テレメトリ、コラボレーションスイートのドキュメントからデータを取得する必要がある場合があります。組織が各場所でポリシーを異なる方法で適用する場合、エージェントは失敗するか、または説明または制御できない方法で成功する可能性があります。これは、企業のリーダーが注意を払うべき瞬間です。エージェントは、環境全体にわたる一貫性とランタイムでの説明責任を要求する、より高い基準を強制しています。統治は、この理由で、規制当局やセキュリティ機関によってスポットライトに照らされています。例としては、NIST AIリスク管理フレームワークがあります。これは、AIライフサイクル全体にわたるリスク管理を強調しており、ビルド時のみではありません。これは、コンプライアンスと信頼性は、運用上の責任であり、一時的なチェックリストではないことを思い出させるものです。ポリシーからプラットフォームへ設計による統治とは、統治がワークロードとともに移動し、各シロに再実装されないことを意味します。実践では、これは3つの構成要素に依存しています： 統一されたコントロールプレーン アイデンティティ、 アクセス、ポリシー、カタログ、エンタイトルメントをクラウドとデータセンター全体で定義および適用するための1つの場所。目標は、ポリシーを1回書き込み、データとモデルが実行されるどこにでも適用することであり、システムごとにコントロールシステムを再構築するのではなく、エージェントの動作のドリフトを防ぎます。ここで、エージェントは1つの環境では安全に動作しますが、別の環境では危険に動作します。実用的なテストはシンプルです。ユーザーが列にアクセスできない場合、ユーザーを代理するエージェントもアクセスできないことを確認する必要があります。これは、書き込まれたポリシーがコントロールプレーン全体で適用されているかどうかを示すはずです。 オープン標準に基づくデータファブリック エージェントは、動作するためにコンテキストが必要です。コンテキストがさまざまな構造に分散し、さまざまなチームが所有している場合、データファブリックは、エージェントが各データセットごとに新しいルールセットを学習する必要がないように、セマンティクスとアクセスパターンを標準化するのに役立ちます。Apache Icebergのようなオープンテーブル形式は、Apache Icebergをサポートすることでこれを実現し、複数のエンジンが管理されたデータを共有できるようにします。データの複製は、統治が通常失敗する場所です。チームが「エージェントに必要なものだけ」をコピーし始めると、新しい、より制限のない環境を作成します。エージェントがデータセット全体で新しいアクセスギャップを導入せずに動作できる場合、統治は意図したとおりに機能しています。 リアルタイムの可視性とプロバンス エージェントは、ランタイムで可視化できる場合にのみ統治できます。ここでの可視化は、「望ましい」ものではなく、ランタイムコントロールとインシデントレスポンスの基盤です。具体的には、エージェントのアクションのエンドツーエンドの証明が必要です。エージェントは、アクセスしたデータや呼び出したツールなど、アクションを証明できなければなりません。そこから、プロバンスは出力と入力の間に関連性を結び付けることができます。チームは、必要に応じて、決定を監査し、障害をトラブルシューティングすることができます。つまり、全体的なコンプライアンスを証明することになります。エージェントを「デジタルコラボレーター」として扱う最も役立つ精神モデルは、エージェントをデジタルコラボレーターとして扱うことです。ここでは、その分解を示すための比較があります。従業員は、アクセスバッジを持っており、特定の建物や部屋への入場が許可されますが、他の建物や部屋への入場は許可されません。統治により、エージェントは制限付きのアクセスを持ちます。1つの重要な追加は、エージェントが状況に応じて、開示することが許可されているものを認識する必要があることです。サポートエージェントを考えてみましょう。問題を解決するために、以前のサポートケースにアクセスする必要があるかもしれませんが、他の顧客のプライベート詳細を漏らすことはできません。言い換えると、エージェントは制限付きの知識を使用して推論できますが、開示の境界を強制する必要があります。これは、歴史的にナビゲートしてきた「プロンプトの書き込み」問題ではありません。むしろ、これはアイデンティティとランタイムの適用の問題です。2026年に何が変わるのか：エージェントが実験から本格的な運用に移行する2026年は、実験が終了し、エージェントが本格的な運用に移行する年です。この移行により、企業は2つの速度で運営する必要があります。1つはイノベーションの速度であり、チームは新しいモデル、ツール、エージェントのワークフローをテストして競争上の優位性を得る必要があります。もう1つは、セキュアな速度であり、システムはコンプライアンスと運用上の要件を満たす必要があります。これには、厳格なアクセス制御と盲点が含まれる場合があります。アーキテクチャ的な統治がなければ、これら2つの速度は衝突します。チームがエージェントを統治する前に展開すると、パッチワークのコントロールと運用上の障害が発生します。逆に、セキュリティがすべてをブロックし、イノベーションが統治を損なう影のITに移行します。目標は、速度を選択することではありません。両方をサポートするアーキテクチャを構築することです。エージェントのランタイムでの統治のための実用的なチェックリスト エージェントを構築またはスケーリングしている場合、統治が真正にアーキテクチャ的なものであるかどうかを明らかにするために、次の質問を自分に問いかけることが重要です。エージェントが回答またはアクションを生成するためにアクセスしたデータを、エンドツーエンドで説明できますか? アクセス決定は、ハイブリッド環境全体で一貫していますか? それともプラットフォームごとに異なりますか? エージェントのアクション、ツールの呼び出し、ポリシーのチェック、人間のエスカレーションに関するテレメトリがありますか? エージェントが予期せずに動作した場合、ランタイムでエージェントをスロットル、停止、または隔離できますか? 規制上の義務とリスクへの姿勢に一致するポスト展開の監視計画がありますか? これらの質問に答えることができない場合、エージェントの展開を本格的な運用のインシデントとして扱う必要があります。統治のシフトはアーキテクチャ的なものでなければならないエージェントは、企業運営の標準的な追加機能になります。質問は、エージェントが企業運営の信頼できる部分になるかどうかです。エージェントが人間やミッションクリティカルなソフトウェアと同じレベルの自信で統治されていない場合、結果は現実的になります。データ漏洩、コンプライアンスの失敗、運用上の停止、AIプログラムへの信頼の喪失など、影響が見られるでしょう。リーダーは、エージェントの統治を文書化の演習として扱うのを止める必要があります。プラットフォームの機能が拡大するにつれて、エージェントの統治は、他の役割の監視を担うものの1つになるはずです。これには、コントロールプレーンにコントロールを埋め込み、アクションを可視化し、決定を監査可能にすることが含まれます。次に、拡大します。これが、エンタープライズを壊すことなく迅速に動作するエージェントを取得する方法です。
はい、タイトルはクリックベイトで挑発的ですが、データのCTOとして多くの年を経験してきて、ドラマを正当化する変革を見てきました。伝統的な「データチーム」 – バックオフィスのクルーがレポートとダッシュボードを絞り出す – は実質的に死んでいます。その場所に、新しい種類のデータチームが登場しています: AIファースト、プロダクトドリブンのパワーハウスで、直接収益に影響します。彼らはもはやコストセンターではなく、利益を生み出すグループです。ビジネスインテリジェンスからマシンラーニングへの旅しばらく前まで、データチームはビジネスインテリジェンス（BI）と同義でした。私たちは会社のデータの歴史家で、SQLとスプレッドシートに住んでいて、「先月は何が起こったか？」という質問に答えるように任命されました。ビッグデータテクノロジーが登場し、「データサイエンティスト」という用語が新しいセクシーな仕事になったとき、データチームは進化しました。2010年代半ばまでに、レポート以外のことも行っていました。データ視覚化とインタラクティブな分析に進出し、各部門のためのダイナミックなダッシュボードを生成していました。仕事はデータの取り扱い、異なるソースと形のデータセットを混合し、ドメインの知識を理解することについてでした。その後、2010年代後半にマシンラーニングの時代が来ました。データチームは予測モデルを構築し、膨大なデータセットの中から洞察を得るためにデータサイエンティストを雇い始めました。私たちは過去を説明することから未来を予測することに移りました: チャーンモデル、レコメンデーションエンジン、需要予測 – などなど。ただし、それでも、私たちの出力はスライドデッキと洞察でした。生の製品ではありませんでした。内部サービスビューローとして機能し、分析を通じてビジネスにアドバイスしていました。言い換えれば、私たちはコストセンターでした – 有用でしたが、コア製品と収益から一歩引いたところにいました。GenAI: サポート機能から利益センターへそれからGenAIが登場し、すべてが変わりました。強力な大規模言語モデル、GPTファミリーとLlamaのようなオープンソースバリアントのリリースは、ほぼ一夜で風景を覆いました。突然、データチームはビジネスを分析するだけでなく、AI製品とエクスペリエンスを構築するために不可欠になりました。顧客向けアプリケーションまたは内部ワークフローにLLMを統合することに成功した場合、ビジネスを推進することになります。うまく実装されたGenAIシステムは、カスタマーサポートを自動化したり、マーケティングコンテンツを生成したり、ユーザーエクスペリエンスをパーソナライズしたり、または新しいエージェントAIシステムをトレーニングするために必要なデータを提供したりできます。これらの機能は直接収益ストリームに影響します。実際、データチームの成果物はPowerPointスライドから生のAIパワードアプリケーションにシフトしました。GenAIチームはイノベーショングループから始まり、感動の証明を生成しました。すぐに、誰でもAIエンジニアになり、組織全体にシャドウITを広げました。データチームは新しい質問に直面しました: 「いつまでに利益センターになる予定ですか？」AIエンジニアが驚くべきツールを作成し始めたとき、データとアプリケーションを構築する2つのチームを統合する時が来たことは明らかでした。小売会社が販売に関する問い合わせを処理するためのGenAIチャットボットを展開したり、銀行がAI駆動のパーソナライズされた投資アドバイザーを立ち上げたりとします。これらは伝統的なITのサイドプロジェクトではありません。デジタル製品で、顧客価値を創出し、収益を生み出します。しかし、同時に、これらのシステムを大規模に作成するには、従来のチームが準備したデータにアクセスし、運用できるようにする必要があります。探索から製品へ – 片道のドア探索的分析から製品中心のAIへのシフトは、深く不可逆的です。なぜ不可逆的か？GenAIのビジネスへの影響があまりに大きいため、R&Dの玩具に戻すことはできません。最近の世界的な調査によると、96%のITリーダーがすでにAIをコアプロセスに統合しています – 1年前の88%から上昇しました。言い換えれば、ほぼすべての企業がAIの実験からミッションクリティカルなワークフローへの統合へと移行しました。AIが生産で価値を生み出すしきい値を超えたら、戻ることはできません。この新しいAI駆動の焦点は、データチームのテンポとマインドセットを変えます。過去には、長い発見プロジェクトとオープンエンドの分析の贅沢ができました。今日、AI機能を構築している場合、それは生産準備ができて、コンプライアンスが保たれ、信頼性が高い必要があります – どの顧客向け製品にも同じです。私たちは「オートノマスエイジ」と呼ばれるデータサイエンスの時代に入りました。私たちの仕事を導く質問は、もはや「どんな洞察を得ることができるか？」ではなく、「どのような知的システムを構築して、リアルタイムで洞察に基づいて行動することができるか？」です。GenAIイニシアチブの多くが失敗する理由: ハードトゥルースすべての興奮の中で、冷静な現実があります: GenAIイニシアチブのほとんどが失敗します。GenAIを成功裏に展開することは極めて困難であることがわかりました。 最近のMIT研究によると、驚くべき95%の企業GenAIパイロットプロジェクトは、計測可能なROIを生み出しません。約5%のAIパイロットのみが急速な収益増加または有意義なビジネスインパクトを達成します。これは、AIの潜在力が不足しているためではありません。AIを正しく行うことの複雑さが原因です。失敗の原因を掘り下げると、MITの研究は明確な絵を描きます。多くのプロジェクトは「ハードワークよりもハイプ」 – デモユースケースではなく、統合、検証、監視の基本的な基礎に投資するチームが失敗します。他のプロジェクトは「ガベージインガベージアウト」の古典的な症状 – データの品質が低く、シロされたデータパイプラインがプロジェクトを最初から失敗させます。...
