Crisp、企業のクラウド環境内で小売業向けAIを実現するHaloを発表

Crispは、企業独自のクラウド環境内で稼働できる小売業向けAIプラットフォーム「Halo」を発表した。企業がすでに運用しているデータやガバナンスのシステムに近い場所で、売上やサプライチェーンの分析を行える。プラットフォームは10月29日に発表され、消費財メーカー（CPG）、小売業者、販売代理店、ブローカーを対象としている。

今回の発表は、小売業でよく見られる課題に対応するものだ。売上や在庫の変化を把握していても、その理由を説明するための背景情報を集めるのに何時間もかかることがある。CrispのHaloに関する発表によると、このシステムは小売データ、業界固有のロジック、エージェント型ツールを組み合わせ、ユーザーが業績を調査し、次に取るべき対応を判断できるよう支援する。

AIを支える小売データ基盤

Haloのアーキテクチャは、小売業者や販売代理店から届く情報を基盤としている。Crispのプラットフォーム概要では、その基盤をデータ統合、管理、モデリングに分け、その上にエージェント型ツールや役割に応じたアプリケーションを構築している。

この構造が重要なのは、取引先によって商品、店舗、報告期間の表し方が異なる場合があるためだ。在庫不足に関する質問も、どの商品、場所、期間を指しているのかについて基盤システム間で認識が一致していれば、より有用なものになる。

Crispは、自社のアプローチを垂直型AIと説明している。分析に使う前に、データを整理し、小売業の意味情報を付加するというものだ。同社の背景資料では、小売業者のカレンダー、商品階層、充足率、欠品分析を、関係するビジネスコンテキストの例として挙げている。Crispによると、7,000社を超える顧客が同社のサービスを利用しており、その中にはCPG企業上位100社のうち90社が含まれる。これらは同社が公表した導入実績の数値だ。

顧客のクラウド環境内で稼働

Haloは、ホスト型プラットフォームとして、またはDatabricks、Snowflake、Google Cloud上の顧客環境内で利用できる。後者の方式なら、小売業の分析基盤を外部ホスト型の別のアプリケーションに移すことなく利用できる。

CrispのDatabricksアーキテクチャに関するドキュメントには、具体例が示されている。小売データはUnity Catalogで管理されるDeltaテーブルに格納し、アプリケーションとエージェントはDatabricks Appsでホストする。また、アプリケーションの状態、会話、エージェントのメモリーにはLakebaseデータベースを使用する。モデルの呼び出しはModel ServingとAI Gatewayを介して実行し、セマンティッククエリには選択したSQLウェアハウスを使用する。

Crispによると、独自データは顧客の環境内に保持される一方、独自データではない運用ログやテレメトリーは同社の中央システムと共有される。この違いを踏まえると、導入環境から外部への通信が一切ないとする説明は正確ではない。Crispはまた、MLflowとの連携と、セマンティックモデルをUnity Catalog Metric Viewsとして公開する機能を、ロードマップ上の項目に挙げている。

ITチームにとって重要なのは、運用面での意義だ。アクセス制御、推論方式の選択、利用状況の追跡を、すでに導入されているインフラに合わせられる。ただし、導入場所だけで回答の正確性や、自動化されたアクションの適切性が保証されるわけではない。

全体的なポートフォリオの把握から小売業者ごとの意思決定へ

今回の発表では、Central DeskとCustomer Deskが導入された。Central Deskは本社チーム向けに、小売ポートフォリオ全体を見渡せる画面を提供し、販売戦略、カテゴリー管理、サプライチェーン計画に関する業務を支援する。Customer Deskは、個々の小売業者に固有の指標、用語、業務ロジックを必要とするアカウントチームを対象としている。

ある商品について、売上が落ち込んだ理由を調べるブランドを考えてみよう。重要なのは、その変化が需要、供給状況、流通、あるいは別の運用要因によるものかどうかだ。店舗や商品単位の記録と分析を結び付ければ、ポートフォリオ全体の売上減少を一つの問題として扱うのではなく、チームが原因を絞り込むのに役立つ。

これが、対話型インターフェースと小売業向けアプリケーションの実務上の違いだ。後者には、質問の背景にあるビジネス上のエンティティとその関係を理解することが求められる。Haloのプラットフォームはさらに、補充、カテゴリー計画、サプライヤーとの協業といった機能別に能力を整理している。

追跡可能な回答と再現可能なワークフロー

CrispのAIエージェント関連資料では、店舗や商品単位の日次データを活用し、分析とアクションを支援するツールが説明されている。同社はHalo全体で、対話形式の質問、定期レポート、ワークフローの自動化、カスタムアプリケーションを、これらのツールの主な活用方法として挙げている。

発表資料では、推奨事項を元データや、その生成に使われたロジックまでたどれることを重視している。こうした情報の出所が明らかであれば、回答を検証しやすくなる。分析担当者は、流暢な説明をそのまま受け入れるのではなく、推奨の根拠となる記録や推論を確認できる。

このプラットフォームを評価する企業にとって、重要な問いは説明可能性にとどまらず、実行にも及ぶ。どのアクションが許可されているのか、どのアクションに確認が必要なのか、実施後の変化をどのように測定するのか、といった点だ。公開資料が説明しているのは機能と導入アーキテクチャであり、予測精度や財務リターンを独立して検証したベンチマークではない。

Haloの最大の強みは、これらの層をつなぐ点にあります。小売業の状況に関する情報があれば、AIシステムはより有用な情報を活用できます。また、顧客のクラウド環境への導入は既存のガバナンス体制に適合しやすく、役割別のワークフローによって、分析結果を在庫や商業上の意思決定を担う人々に届けられます。