2025年、GenAI Copilotsはビジネスとデータ管理を変革するキラーアプリとして登場します

あらゆる技術革命には、特定のユースケースによって技術が広く採用されるようになる決定的な瞬間があります。副操縦士の急速な普及により、生成型 AI (GenAI) にもその瞬間が到来しました。

GenAIはここ数年で大きな進歩を遂げてきました。しかし、多くの注目を集め、大々的に宣伝されているにもかかわらず、企業による導入はまだ初期段階にあります。 2024年ガートナーCIOおよび技術エグゼクティブ調査 調査対象者のうち、導入したのはわずか9%で、34%が来年中に導入する予定だと答えています。 エンタープライズ・ストラテジー・グループによる最近の調査 GenAI の採用率は 30% とされています。しかし、調査ではいずれも 2025 年については同じ結論に達しています。

予測1. 2025年末までに大多数の企業がGenAIを本番環境で利用するようになる

GenAI の導入は生産性と収益性の向上に不可欠であると考えられており、ほとんどの企業にとって最優先事項となっています。しかし、それは企業が GenAII プロジェクトでこれまで経験した次のような課題を克服しなければならないことを意味します。

• データ品質の低さ: GenAI の品質は使用するデータの品質に左右され、多くの企業は依然として自社のデータを信頼していません。データ品質と不完全または偏ったデータはすべて、悪い結果につながる問題です。
• GenAI のコスト: ChatGPT のような GenAI モデルのトレーニングは、主に最高の GenAI チームによってのみ行われており、計算能力に数百万ドルのコストがかかります。そのため、代わりに検索拡張生成 (RAG) と呼ばれる手法が使用されています。しかし、RAG を使用しても、データにアクセスして準備し、成功するために必要な専門家を集めるにはすぐにコストがかかります。
• 限られたスキルセット: 初期の GenAI 導入の多くでは、GenAI の少人数の専門家グループによる大量のコーディングが必要でした。このグループは成長していますが、依然として人材不足が深刻です。
• 幻覚: GenAI は完璧ではありません。幻覚を起こし、正しいと思っても間違った答えを出すことがあります。間違った答えがビジネスに影響を及ぼさないようにするための戦略が必要です。
• データ セキュリティ: GenAI は、トレーニング、微調整、または RAG にデータを使用したため、データを不適切な人に公開しました。これらの漏洩を防ぐために、セキュリティ対策を実装する必要があります。

幸いなことに、ソフトウェア業界はここ数年間、これらの課題に取り組んできました。2025年は、これらの課題のいくつかが解決され始め、GenAIが主流になる年になりそうです。

予測2. モジュール式RAG副操縦士がGenAIの最も一般的な用途になる

GenAI の最も一般的な用途は、人々が情報をより速く見つけられるようにするアシスタント、つまりコパイロットを作成することです。コパイロットは通常、RAG パイプラインを使用して構築されます。RAG は、GenAI を使用する最も一般的な方法です。大規模言語モデル (LLM) は、すべてのデータや最新のデータさえも持っていない汎用モデルであるため、より正確な回答を得るには、クエリ (プロンプトとも呼ばれます) を拡張する必要があります。
副操縦士は、知識労働者の生産性を高め、これまで答えられなかった質問に対処し、時には日常的なタスクを実行しながら専門家のガイダンスを提供するのに役立ちます。おそらく、これまでで最も成功した副操縦士の使用例は、ソフトウェア開発者がコードを記述したり、レガシー コードを最新化したりできるように支援する方法です。

しかし、コパイロットは IT 以外で使用される場合、より大きな影響を与えることが期待されています。例は次のとおりです。

• カスタマー サービスでは、コパイロットがサポート クエリを受け取り、人間にエスカレーションして介入してもらうか、パスワードのリセットやアカウント アクセスなどの簡単なクエリに対する解決策を提供して、CSAT スコアを高めることができます。
• 製造業では、副操縦士が技術者の診断を支援し、複雑な機械の特定の処置や修理を推奨することで、ダウンタイムを削減できます。
• 医療分野では、臨床医はコパイロットを使用して患者の病歴や関連する研究にアクセスし、診断や臨床ケアを導くことができるため、効率性と臨床結果が向上します。

RAG パイプラインは、ほとんどすべて同じように動作します。最初のステップは、知識ベースをベクター データベースにロードすることです。人が質問するたびに、GenAI RAG パイプラインが呼び出されます。このパイプラインは、質問をプロンプトに再設計し、プロンプトをエンコードしてベクター データベースを照会し、最も関連性の高い情報を見つけ、取得した情報をコンテキストとして使用してプロンプトで LLM を呼び出し、結果を評価してフォーマットし、ユーザーに表示します。

しかし、単一の RAG パイプラインではすべての副操縦士を同じようにサポートすることはできないことがわかりました。そのため、RAG は、モジュラー RAG と呼ばれる、よりモジュール化されたアーキテクチャに進化し、関連する多くのステップごとに異なるモジュールを使用できるようになりました。

• データのチャンク化と整理を含むインデックス作成
• クエリ（プロンプト）エンジニアリングと最適化を含む事前検索
• リトリーバーの微調整やその他の技術によるリトリーブ
• 検索後の再ランク付けと選択
• ジェネレータの微調整、複数のLLMの使用と比較、検証による生成
• このプロセスを管理し、反復的に実行して最良の結果を得るためのオーケストレーション

複数の副操縦士をサポートするには、モジュール式の RAG アーキテクチャを実装する必要があります。

予測3. ノーコード/ローコードのGenAIツールが主流になる

ここまでで、GenAI RAG が非常に複雑で、急速に変化していることに気付いたかもしれません。新しいベスト プラクティスが絶えず出現しているだけではありません。GenAI パイプラインに関係するすべてのテクノロジが急速に変化しているため、最終的にはそれらの一部を交換したり、複数のものをサポートしたりする必要が生じます。また、GenAI はモジュラー RAG だけではありません。Retrieval Augmented Fine Tuning (RAFT) と完全なモデル トレーニングもコスト効率が高くなっています。アーキテクチャは、このすべての変化をサポートし、エンジニアから複雑さを隠す必要があります。
ありがたいことに、最高の GenAI ノーコード/ローコード ツールがこのアーキテクチャを提供しています。これらのツールは、主要なデータ ソース、ベクター データベース、LLMS のサポートを継続的に追加しており、モジュール式 RAG を構築したり、微調整やトレーニングのために LLM にデータを入力したりすることが可能になっています。企業はこれらのツールを使用して、社内のリソースを使用して副操縦士を展開することに成功しています。

Nexla は、統合を簡素化するために GenAI を使用するだけではありません。高度なデータ チャンク、クエリ エンジニアリング、再ランク付けと選択、結果のランク付けと選択によるマルチ LLM サポート、オーケストレーションなどを備えたモジュール式 RAG パイプライン アーキテクチャが含まれており、すべてコーディングなしで構成できます。

予測4. 副操縦士とエージェントの境界線が曖昧になる

チャットボットのような GenAI 副操縦士は、人々をサポートするエージェントです。生成された結果をどうするかは最終的に人間が決定します。しかし、GenAI エージェントは、人間を介さずに応答を完全に自動化できます。これらは、エージェントまたはエージェント AI と呼ばれることがよくあります。

これらを 2 つの別々のアプローチと見なす人もいます。しかし、現実はもっと複雑です。コパイロットはすでにいくつかの基本的なタスクの自動化を開始しており、オプションでユーザーがアクションを確認できるようにし、アクションを完了するために必要な手順を自動化しています。

副操縦士は時間の経過とともに副操縦士とエージェントの組み合わせに進化することが予想されます。アプリケーションがビジネス プロセスの再設計と合理化に役立つのと同様に、アシスタントはサポートするタスクの中間ステップを自動化するために使用できるようになりますし、また使用を開始する必要があります。GenAI ベースのエージェントには、例外を処理したり、LLM を使用して生成された計画を承認したりする人員も含める必要があります。

予測5. GenAIはデータファブリック、データ製品、オープンデータ標準の採用を推進する

企業が GenAI のメリットを最大限に享受できるようにするには IT を適応させる必要があるため、今後数年間で GenAI が IT の変化の最大の原動力になると予想されています。

ガートナーは、2024 年のデータ管理に関するガートナー ハイプ サイクルの一環として、データ管理とデータに依存する組織に変革をもたらす技術として、データ ファブリック、データ製品、オープン テーブル形式の 3 つだけを特定しました。これら 3 つはすべて、新しい GenAI ツール セットでデータを使用しやすくなるため、GenAI で使用するためのデータのアクセス性を大幅に向上させます。

このため、Nexla はデータ ファブリック上に構築されたデータ製品アーキテクチャを実装しました。データ ファブリックは、形式、速度、アクセス プロトコルの違いに関係なく、すべてのデータを同じ方法で管理するための統合レイヤーを提供します。その後、RAG などの特定のデータ ニーズをサポートするためにデータ製品が作成されます。

たとえば、ある大手金融サービス企業は、リスク管理を強化するために GenAI を導入しています。この企業は、Nexla を使用して統合データ ファブリックを作成しています。Nexla はスキーマを自動的に検出し、コネクタとデータ製品を生成します。次に、この企業は、動的な規制報告用の RAG エージェントを実装して、データを集約、クレンジング、および入力として適切な形式に変換する特定のリスク メトリックのデータ製品を定義します。Nexla は、データ リネージやアクセス制御などのデータ ガバナンス制御を提供し、規制への準拠を保証します。分析、運用、B2B、および GenAI の統合プラットフォームは、データ ファブリック アーキテクチャ上に実装されており、GenAI を使用して再利用可能なコネクタ、データ製品、およびワークフローが作成されます。Apache Iceberg などのオープン データ標準をサポートしているため、より多くのデータに簡単にアクセスできます。

エージェント型 AI に向けて共同操縦する方法

では、これらの予測に基づいて、社内で GenAI を主流にするには、どのように準備すればよいのでしょうか?
まず、まだ始めていない場合は、顧客または従業員向けの最初の GenAI RAG アシスタントの作成を開始します。成功するための適切な知識ベースがすでにある、重要かつ比較的簡単なユースケースを特定します。

次に、最初のプロジェクトをサポートするために適切な統合ツールを備えた適切なモジュール式 RAG アーキテクチャの構築を支援できる GenAI の専門家の小規模チームを用意してください。ノーコード/ローコード ツールを備えた新しいベンダーを評価することを恐れないでください。

3 番目に、成功するために必要なデータ管理のベスト プラクティスを特定し始めます。これには、データ ファブリックやデータ製品などの概念だけでなく、AI 用のデータの管理も必要です。

今がその時です。2025年は大多数の人が成功する年です。取り残されないでください。