インタビュー
-

インタビューFady Saad、Cybernetix Ventures創業者兼ジェネラル・パートナー ― インタビューシリーズ
Fady SaadはCybernetix Venturesの創業者兼ジェネラル・パートナーで、ロボティクス、自動化、産業用AI分野のアーリーステージ企業に投資している。また、MassRoboticsを共同創業し、企業との提携関係の構築を支援するとともに、ロボティクス系スタートアップが事業化へ進むのを後押ししてきた。エンジニアリングや事業開発に加え、機械を実際の稼働環境に導入する際の現実的な課題にも精通しており、顧客ニーズと商業的に成り立つ導入を重視した投資アプローチを取っている。Cybernetix Venturesはボストンを拠点とするベンチャーキャピタルで、北米と欧州のロボティクス、自動化、産業用AI分野のスタートアップに投資している。製造、物流、医療、建設のほか、ロボティクスを支える知覚、自律性、センサー、サイバーセキュリティなどの技術を投資対象としている。このインタビューでSaadは、フィジカルAIの可能性と限界、特化型ロボットやヒューマノイドロボットの採算性、そして有望な技術を拡張可能なビジネスに育てるために必要な信頼性、データ、インフラについて語る。あなたは2014年にMassRoboticsを共同創業し、世界有数のロボティクス・イノベーション・エコシステムの構築に貢献した後、2021年にCybernetix Venturesを創業しました。ロボティクス系スタートアップを支援する立場から、直接投資する立場へ移るきっかけは何でしたか。また、MassRoboticsでの経験は、あなたの投資哲学にどのような影響を与えましたか。投資家になるつもりはありませんでした。Vecnaでロボティクスに携わり、研究開発や事業化戦略に取り組むなかで、ロボティクスはソフトウェアの常識どおりには進まないとすぐに学びました。ソフトウェアなら、試作品を6カ月でユーザーに提供できます。しかし、ロボットには製造、サプライチェーン、テスト、安全対策に加え、現場にロボットを受け入れてくれる顧客が必要です。だからこそ、2014年にMassRoboticsを立ち上げました。難しいのは試作品を作ることではなく、動作する試作品を、誰かがお金を払って購入できる製品にすることなので、私たちはこれをスタートアップ・アクセラレーターと呼びました。私は企業との提携を担当し、6年以上にわたって300件を超える企業との会議に参加し、40件を超える提携の構築を支援しました。そこで何度も目にしたのは、現実の課題を抱える企業、実用的な技術を持つスタートアップ、そしてその両方を理解する投資家がほとんどいないという状況でした。2018年から2019年にかけて、そのことは明らかになりました。ベンチャーキャピタルはSaaSかバイオテクノロジーに集中し、ロボティクスの創業者はどちらにもなじめない存在でした。ソフトウェア投資家にはハードウェアの比重が大きすぎ、バイオテクノロジー投資家には生物学の要素が足りなかったのです。適切な資金がなかったため、優れたチームが行き詰まっていました。2017年にAnalog DevicesをMassRoboticsに招いた際に知り合ったMark Martinも、企業側から同じ課題を見ていました。そこで、ロボティクスを独立した資産クラスとして捉えるファンド、Cybernetixを立ち上げ、2021年に運用を開始しました。MassRoboticsでの経験は、シンプルな形で私たちの投資方針に影響しています。私たちは技術ではなく、顧客の課題を起点に考えます。少なくとも1人の創業者が、販売先となる業界の出身であるチームを評価します。そして、すべての投資案件に企業ネットワークを生かします。この分野では、買い手を適切に紹介してもらうことが、投資資金以上の価値を持つ場合があるからです。フィジカルAIは、現実世界と相互作用する機械に知能をもたらすものであり、人工知能のなかでも最も大きな変革をもたらす分野の一つとして台頭しています。どのような技術的ブレークスルーが普及を加速させているのでしょうか。また、この業界が重要な転換点を迎えていると考えるのはなぜですか。同時に二つのことが進みました。頭脳は大きく進化し、機体ははるかに安価になりました。ソフトウェア面では、基盤モデルによって、ロボットはこれまでほとんど持っていなかった能力を得ました。指示を理解し、明示的にプログラムされていない状況にも対処できる能力です。シミュレーションを使えば、ロボットが実際の工場に入る前に、チームは何千ものシナリオを訓練・検証できます。ハードウェア面では、センサー、エッジコンピューティング、アクチュエーター、バッテリーの性能向上と低価格化が続いており、スタートアップでも大手産業企業でなくても、ロボットの全スタックを構築できるようになっています。さらに、製造、物流、農業、建設の人手不足、高齢化する労働力、そして生産を国内に戻そうとする本格的な動きがあります。私は、人手不足は工学の問題ではなく経済の問題だといつも話しています。今では取締役会も、そのように捉えています。ですから、転換点を迎えているのは確かですが、どの部分なのかは正確に見極める必要があります。能力と資金の流れは転換点を越えましたが、大規模な導入はまだです。ChatGPTは、デジタル化された人類の知識が20年、あるいは30年分蓄積されたものを基盤にしていますが、物理世界にはそれに相当するものがありません。卵、紙、布をそれぞれどのように持つべきかをロボットに教えるデータセットは存在しません。実環境に導入し、稼働シフトのたびに学習することで、このデータの隔たりを埋める企業が、次の段階を形作るでしょう。AIの進歩、人手不足、自動化需要の高まりを背景に、ロボティクスとフィジカルAIへの投資が加速しています。投資家の期待を高めている要因は何でしょうか。また、この勢いのうち、実際の商機を反映している部分と、投機的な期待による部分は、それぞれどの程度でしょうか。両方だと思いますし、そうではないふりをしても、投資家は誰の役にも立ちません。需要は確かにあります。DeloitteとManufacturing Instituteの予測では、米国の製造業では2033年までに最大380万人の労働者が必要になる可能性があり、そのうち約190万人分の仕事は人材が見つからず、埋まらない恐れがあります。これは誇張ではありません。経済に生じている人手不足の穴です。資金の流れはまた別の話です。Crunchbaseによると、2026年上半期にロボティクスのスタートアップに投じられた資金は188億ドルに達し、2025年通年を上回りました。一方、PitchBookによれば、第2四半期は取引額が過去最高を記録する一方で、取引件数は減少しました。つまり、資金の大半がひと握りの大型調達案件に集中しているということです。その多くは、主にヒューマノイドや汎用ロボットモデルをめぐるストーリーに投じられています。私があえて地味な基準を設けているのには理由があります。顧客はパイロット導入の後、再び購入するでしょうか。ロボットは、その仕事に必要な信頼性を達成できるでしょうか。生産ラインなら、90%ではなく99.99%の信頼性が求められます。1年ほど以内に実際の売上が立つでしょうか。答えがイエスなら、それは事業です。ロボットが2030年に何を実現するかという話が売り込みの中心なら、それは確実性があるかのような価格を付けられた投機です。ロボティクス業界は以前にも同じサイクルを経験しています。淘汰を経て、料金を支払う顧客を持つ企業は、より強くなっていきます。Cybernetix Venturesは、ロボティクスとAI分野のアーリーステージ企業への投資を拡大するため、第2号ファンドの資金調達を進めています。第1号ファンドの立ち上げ以降、投資の考え方はどのように変化しましたか。また、どのような新興技術や業界が機関投資家の大きな関心を集めていますか。根本にある考えは変わっていません。フィジカルAIの価値は、ソフトウェアが現実世界に導入されるところで生まれます。そして、優れたロボットは、具体的な課題から逆算して設計されます。第2号ファンドでは、この考えをさらに推し進めます。変わったのは投資先の地図です。第1号ファンドは、製造、物流、建設、医療に重点を置いていました。第2号ファンドもこれらの分野を継続するとともに、農業、エネルギー・気候インフラ、宇宙、防衛、さらにデュアルユース技術を加えています。投資の内訳は引き続き、およそ3分の2がフルスタックのロボティクス企業、3分の1がAIモデル、認識技術、機械間サイバーセキュリティなどの基盤技術です。第2号ファンドで最初に投資したのは、宇宙ロボティクス企業と認識モデル企業でした。ここから、新世代の向かう先が見えてきます。また、2021年にはほとんど話題に上らなかった点も慎重に見ています。部品の調達先、サプライチェーンの中国への依存度、そしてネットワークに接続された後のロボットの安全性などです。機関投資家や事業会社からよく聞かれる質問は、主に2つあります。まず事業会社は、自社だけでは参入できない市場の動向をどう把握すればよいかと尋ねます。つまり、投資先候補の発掘、市場インテリジェンス、共同投資についてです。こうした企業の多くで、フィジカルAIはCEOレベルの優先課題になっています。一方、ファミリーオフィスや機関投資家からは、より直接的な質問を受けます。大型のヒューマノイドやロボットモデルの資金調達ラウンドに、SPVを通じて参加すればよいのではないか、という質問です。私の答えは、そうした案件は競争が激しく、コストが高いうえ、多額の資金を必要とする賭けだということです。非対称なリターンが期待できるのは、もっと早い段階……まだ一般的な投資家が見つけていない企業です。そうした投資機会を見つけることに、専門特化した投資家の価値があります。ヒューマノイドロボットは大きな注目と投資を集めており、TeslaやFigure AIなどの企業は、ますます高度な能力の実現を目指しています。一方で、あなたは商業的な実現可能性に懐疑的な見方を示しています。投資家は近い将来の可能性をどの点で過大評価していると考えますか。また、特化型ロボットのほうが、より魅力的な投資機会となるのでしょうか。私が懐疑的なのは技術ではなく、実現までの時間です。私の原則は、形は機能に従うということです。部品の搬送やピックアンドプレースが仕事なら、非常に複雑で高価な二足歩行機械が必要なのか、それともロボットアーム、あるいは移動台車に載せた2本のアームで十分なのかを考えるべきです。平坦な倉庫や工場の床では、脚があっても大きな利点はありません。コストが増え、電力を消費し、転倒する可能性のあるロボットに頼ることになります。投資家がヒューマノイドの近い将来の可能性を過大評価しているのは、採算の見通しです。バリュエーションは近いうちに幅広く導入されることを前提としていますが、器用に動く手、触覚や力のフィードバック、数時間稼働するバッテリー、再現性と追跡可能性を備えたAIスタックなど、難題はまだ解決されていません。チャットボットならエラー率10%でも問題ありません。しかし工場では、たった一度の誤動作で人がけがをしたり、顧客に数百万ドルの損害を与えたりする可能性があります。意味のある規模での出荷が始まるのは、来年ではなく、5~10年後だと見ています。人間向けに作られ、再設計できない環境では、ヒューマノイドが適しています。私が特に注目しているのは宇宙です。NASAは商業利用者に対し、宇宙飛行士の作業時間1時間あたり約13万ドルを請求しています。そのため、人間向けに設計された宇宙ステーション内で作業できるロボットなら、すぐに投資を回収できます。原子力施設、災害対応、一部の防衛業務にも同じ理屈が当てはまります。ですから、近い将来に限れば、リスク調整後の投資先として特化型ロボットのほうが優れています。すでに出荷され、現在も対価を得ています。ヒューマノイドロボットが見出しを席巻する一方、Cybernetix Venturesは製造、医療、物流、建設の実用的な用途に注力しています。フィジカルAIが近い将来に最も大きな経済効果をもたらすのはどの業界ですか。また、自動化への投資で測定可能なリターンがすでに得られているのはどの分野でしょうか。最も早く効果が表れるのは、コストのかかる課題、人手不足、そして成果を金額で測る買い手という3つの条件がそろうところです。製造業、特に既存工場が最初の有望な分野です。ロボットの導入を前提に工場を建て直せるところは、ほとんどありません。数百か所の拠点を持つ企業には、既存の建物に適合する自動化が必要です。だからこそ、既存のロボットアームで、形が不揃いな部品や光沢のある部品、透明な部品をつかめるようにするAIビジョンには、大きな価値があります。すでに現場にある設備の能力を高めるのです。物流は最も成熟した市場であり、ピッキング、搬送、積み込みでは、投資収益率(ROI)が明確です。それでも、混在した容器の中から特定の品物を一つ選び、常に確実につかむという課題は、まだ完全には解決されていません。ヘルスケアとライフサイエンスは、過小評価されています。ラボの自動化によって、時間のかかる手作業を、より迅速で再現性のある結果へと変えられます。また、医薬品開発企業は、より早く結果を得るために費用を支払う方法をすでに理解しています。建設業はまだ発展の初期段階にありますが、あらゆる業界の中でも特に深刻な人手不足に直面しています。墨出しや資材の揚重といった範囲の限られた作業で、ロボットは導入効果を発揮し始めています。測定可能なリターンが得られる場面を見ると、ほぼいつも同じパターンです。範囲を絞った一つの作業を、より確実にこなし、5年後の予測を示すスライドではなく、顧客自身の数字で投資回収を確認できることです。基盤モデル、コンピュータービジョン、強化学習、シミュレーションの進歩によって、ロボットの能力は大きく変わりつつあります。今後5年間で、最も大きな影響をもたらすと考えるAIの革新は何ですか。また、予測が難しい現実の環境での広範な導入を妨げている技術的な限界は何でしょうか。今後5年間で注目したいことは4つあります。ロボット向けの基盤モデル、特に視覚、言語、行動を結び付けるモデルです。ただし、何にでも使える単一のモデルとしてではなく、分野ごとに普及していくと考えています。まず一つの目的に特化し、次に用途の範囲を広げ、やがては戸建て住宅の建設のような分野全体を対象にする、という道筋です。建設、製造、ヘルスケアを一つのモデルで動かせるとは思いません。シミュレーションです。訓練のコストを抑えられるからです。ただし、シミュレーションで到達できるのは80%か90%までです。残りの10%のところで、ロボットは物を落としたり、ぶつけたりします。触覚です。視覚は環境を理解するうえで非常に優れています。しかし、現実世界に働きかけるには、実際に触れて感じる必要があります。触覚センシングと、より優れたロボットハンドが重要なのは、実際の作業の大半が物体操作に関わるからです。データインフラです。自動運転車の分野では、Scale AIのような企業がデータの収集とラベリングで大きな事業を築き、Applied Intuitionはシミュレーションを基盤に事業を築きました。フィジカルAIでも同様の事業が生まれるでしょう。これは、この分野で最大級の機会の一つです。予測が難しく、雑然とした環境での導入を今も妨げているのは、信頼性と信頼です。工場には99.99%の信頼性が求められます。人のそばで稼働する移動ロボットについては、安全基準、認証、保険制度の整備が追いついていません。また、ネットワークに接続されたロボットはどれもサイバーセキュリティ上のリスクを伴いますが、そのコストをまだ織り込んでいる人はごくわずかです。Cybernetix Venturesは、Cambrian Robotics、Dash Bio、Rugged Roboticsなどの企業に投資してきました。これらの企業に魅力を感じたのはなぜですか。また、有望なロボット技術と、商業的に拡大可能な事業を分けるものは何でしょうか。3社はいずれも、目を引くデモではなく、顧客の課題を起点に事業を始めました。Cambrian Robotics。マシンビジョンの分野は競争が激しいですが、Cambrianは、多くのシステムが苦手とする小さな部品、光沢のある部品、透明な部品を確実につかめます。主要な産業用ロボットブランドに対応し、設置はおよそ半日で完了します。2024年に同社のシードラウンドを共同で主導した時点で、Toyota、Audi、Electroluxなどのメーカーで、すでに試験導入と本格導入が進んでいました。Dash Bio。医薬品開発企業は、生物分析の多くを、今も大部分が手作業で行われている外部ラボに委託しています。Dashは、GLP(医薬品の安全性試験の実施基準)に準拠した高度に自動化されたラボを構築しました。ロボット、AI、ソフトウェアを組み合わせ、主要なアッセイを最大10倍速く実施できます。同社が販売しているのはロボットではありません。より迅速な結果を提供しているのです。顧客はすでに、そうした結果を購入する方法を知っています。Rugged Robotics。建設現場では今も、壁や配管、設備の位置を一つずつ人が手作業で印を付けています。時間がかかり、壁ができてからミスが判明すると、修正費用も高額になります。Ruggedのロボットは、図面を床に直接印刷します。人手不足に悩む現場で、範囲を絞った一つの作業を、より速く、より正確にこなすのです。有望な技術と、拡大可能な事業を分けるものは何でしょうか。99%の場合、目を引く技術的成果から出発して用途を探すやり方では、苦戦する企業になるのが関の山です。規模を拡大できる企業は、Kiva、Locus、Universal Robotsがそうしたように、課題を起点に、必要な機械を逆算します。そのうえで私が注目するのは、試験導入の後も再び購入する顧客がいること、現場に博士号取得者を常駐させなくても導入できること、販売量が増えても単位経済性が成り立つこと、そしてチームが節目となる目標を達成することです。印象的なロボットは数多くあります。しかし、事業として成り立つものははるかに少ないのです。フィジカルAIの能力が高まるにつれて、雇用の喪失、安全性、人間による監督への懸念が強まっています。ロボットは主に人手不足を補い、人間の働き手を支援するものだと考えていますか。それとも、導入が加速することで、労働力に大きな変化が起こると予想していますか。短期的には、主に人手不足を埋める役割を果たします。私たちが関わる工場、倉庫、ラボ、建設現場では、制約となっているのは需要ではなく人手です。求人が何か月も埋まらないことがあります。当社の投資先企業の一つであるVerve Motionは、私がよく例に挙げる企業です。同社は、重い荷物を一日中持ち上げる作業者の負担を大幅に軽減する、柔軟な外骨格スーツを製造しています。ある倉庫作業者は、帰宅後、ようやく子どもたちと遊ぶ気力が残るようになったとチームに話してくれました。これこそ、社会に貢献するロボティクスであり、誰かの仕事を奪うものではありません。混乱が起きないなどとは言いません。最も反復的な職務は縮小し、仕事のあり方は、現在の研修制度が対応できる速度を上回る速さで変化していくでしょう。率直に言えば、今こそ技術者、オペレーター、そしてロボット群を保守する人々のリスキリングに投資すべきです。出荷されるロボットは一台ごとに、設置し、プログラムし、修理する人の仕事を生み出します。安全性に関しては、ロボティクスはソフトウェアAIよりも実績があります。産業用ロボットは何十年にもわたり、安全基準と認証のもとで運用されてきました。ロボットの知能が高まるにつれて、その安全文化も引き継がなければなりません。責任の所在を明確にし、機械を安全に保ち、重要な意思決定は人間が担う必要があります。2030年以降を見据えたとき、フィジカルAIとロボティクスのどのような進展が、世界経済に最も大きな影響を与えるとお考えですか。また、見過ごされている投資機会や、もっと注目されるべき新たな用途はありますか?2030年までに、世界経済にとって最も重要になるのは、3つの分野だと思います。現場で学習するロボットによって、カスタム統合を導入する余裕がなかった中小の製造業にも、ついに自動化が広がるでしょう。産業基盤の大部分は、実際にはそうした企業によって支えられています。自動化された研究施設は科学の進歩を加速させ、生物学や創薬の研究を24時間体制で進められるようにします。また、アクチュエーター、モーター、センサー、ギアなど、ロボット部品のサプライチェーンが戦略的に重要になります。ヒューマノイドを製造する企業の大半は、こうした部品を自社で作っていません。設計、統合、組み立てを手がけており、現在、その供給の多くは中国と日本に集中しています。米国やその同盟国でこの基盤を築く企業は、非常に重要な存在となるでしょう。見過ごされているのは、基盤を支える仕組みです。ロボットが互いに、また稼働するネットワークを信頼できるようにするための、現実世界のデータ収集、シミュレーションとテスト、ロボット群の管理、認識、そして機械の識別情報とサイバーセキュリティです。また、農業や建設のように、労働力不足に悩みながらもニュースで取り上げられることの少ない業界における、業界特化型の用途も見過ごされています。ニュースの見出しを飾るのはヒューマノイドでしょう。しかし、利益の多くは基盤を支える仕組みから生まれます。そして最終的に重要なのは、技術的な影響ではなく、社会に与える影響です。素晴らしいインタビューをありがとうございました。ロボティクス、フィジカルAI、自動化分野の初期段階の投資について詳しく知りたい方は、Cybernetix Venturesをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューArtefactのCTO兼マネージングパートナー、Victor Coimbra氏に聞く
Victor Coimbra氏はArtefactのCTO兼マネージングパートナーとして、南北アメリカ全域でAI、データサイエンス、エンジニアリングの業務を率いています。BainとAccentureで培った経営戦略の経験に加え、複雑な企業環境でAIや機械学習のシステムを実際に導入してきたリーダーシップ経験を持ちます。AIを大規模に展開するために必要なアーキテクチャ、ガバナンス、運用モデルを含め、技術力を測定可能な事業成果につなげる支援に注力しています。Artefactは、企業の戦略策定、データプラットフォームの構築、AIソリューションの導入、組織変革の推進を支援する、データとAIを専門とするグローバルコンサルティング企業です。金融サービス、ヘルスケア、製造、小売など、幅広い業界で事業を展開しています。2026年12月3~4日にパリのグラン・パレで開催されるAdopt AI Summitを前に、Coimbra氏に、企業がパイロット段階を脱する方法、人とAIエージェントが協働するチームの構築、そして本番環境におけるAIの価値測定について話を聞きました。あなたはAccentureでの経営戦略の仕事から、Artefactで南北アメリカ全域のAI、データサイエンス、エンジニアリングチームを率いる立場へとキャリアを重ねてきました。戦略コンサルティングと技術面での実践的なリーダーシップを組み合わせた経験は、企業がAIへの投資を測定可能な事業成果につなげる支援に、どのような影響を与えていますか?AI戦略を常に実行につなげることの大切さを学びました。BainとAccentureでの戦略業務を通じて、経営幹部が投資するのは損益計算書の項目に変化をもたらすことだと知りました。一方、エンジニアリングの経験から、スライド上の計画と本番環境への導入の間で、その価値の多くが失われかねないことも学びました。今日、AIで重要なのは、技術そのものよりも、中核事業の業務を守る強固な競争優位性を築くことです。個人の生産性向上を、企業全体で共有される真の認知能力を通じて、組織全体の価値へと転換するにはどうすればよいかが重要な問いです。そのためには戦略と実行の両方が必要です。双方に携わるなかで、そのことを強く学びました。人工知能に多額の投資を行っているにもかかわらず、多くの組織が、成功したパイロットプロジェクトから先へ進めずにいます。ご経験上、企業のAI施策が本番環境への導入に至らない主な障壁は何でしょうか。また、AIの導入を成功裏に拡大できる企業には、どのような特徴がありますか?私の経験では、多くのパイロットが行き詰まるのは、人間だけを前提に設計された組織にAIを追加しているからです。技術自体はたいていうまく機能します。未解決のままになりがちなのは、仕事の分担です。どのタスクをエージェントに任せ、どれを人間が担うのか、誰が確認し、誰が結果に責任を持つのかが明確でないのです。それに加え、規模拡大を遅らせる要因が3つあります。従量課金によって利用量に応じて膨らむトークン費用、セキュリティとガバナンス、そしてアクセス権を実際の利用につなげられないまま終わる導入です。私が見てきたなかで、順調に拡大している企業は、AIを組織の再設計として捉えています。業務の実行を2つのループに分けるのです。内側のループでは、エージェントがコーディング、ビルド、テスト、プッシュ、レビューまでを一貫して実行します。外側のループでは、人間が意図を定め、結果を検証し、コストと品質を監視します。そして、その下に共通のプラットフォームを構築し、あらゆるユースケースで再利用します。既存のシステムにチャットボットやコパイロットを追加するのではなく、AIネイティブな組織を構築する重要性について、これまで執筆されています。この移行を支えるには、企業のテクノロジーアーキテクチャにどのような根本的な変革が必要でしょうか。また、企業が現在、十分に投資できていない領域はどこですか?AIネイティブ企業はプラットフォームを基盤として運営されます。そのプラットフォームは、ハーネス、コンテキスト、モデル、インフラという4つの層で構成されます。ハーネスは、人間とエージェントが出会い、協働する場であり、モデルを取り巻くアプリケーション全体を指します。コンテキストは、エージェントが知っていることと、与えられている権限を定めます。モデルの層は、適切なコストでモデルにアクセスし、ルーティングし、ガバナンスを行う仕組みです。インフラは、モデルが実際に稼働する場所であり、誰が鍵を管理するかに関わります。当然ながら、注目の大半は、目に見える20%、つまりコパイロットやチャットツールに集まります。見えにくい80%の部分に、エンジニアリングの大半があり、コスト、セキュリティ、制御のあり方が左右されます。私の提案はシンプルです。汎用的なハーネスは購入し、業界特化型のものは自社で構築する。モデルとインフラは四半期ごとに変化するため、利用しながら実験する。そして、コンテキストは完全に自社で保有するべきです。そこは真に自社独自のものとなる層であり、私が最も投資を増やす機会があると考えている領域です。AIが従業員を支援する段階から、複雑なワークフローを自律的に実行する段階へと進化するなか、組織はどのプロセスがエージェントによる自動化に適しているかを、どのように判断すべきでしょうか。AIエージェントにより大きな意思決定権限を与える前に、どのような技術面・運用面の安全策を整える必要がありますか?私の見方では、エージェントは過去に目を向ける仕事に非常に優れ、人間は未来に目を向ける仕事に優れています。エージェントは、分析、コーディング、テスト、文書作成、照合作業など、既存の情報を基に行うあらゆる業務で力を発揮します。人間が担うのは創造性を必要とする仕事です。創造性は定義上、未来に向かうものであり、審美眼、ビジョン、計画、意思決定、そして成果が本当に優れているかどうかの判断が含まれます。実際には、これは2つのループに対応します。エージェントは内側のループで実行を担います。人間は外側のループを維持し、意図の設定、検証、監視を行います。安全策はプロンプトで指示するのではなく、設計段階で組み込んでいます。6つのハーネス層を設けています。タスクの取り込み、メモリ、サンドボックス化された実行環境と権限管理を備えたセキュアな作業環境、チェックポイントと確認を挟むループ、モデルのルーティング、そして人間の承認、ポリシーチェック、PII管理など、エージェントだけではできないことを定めるガードレールです。その後、新入社員と同じように、実績に応じて自律性を高めていきます。AIエージェントを従来のソフトウェアツールではなく、チームメイトとして捉えているとおっしゃっています。この見方によって、組織はチームの編成や責任の割り当て、そして自律性が高まるAIシステムとの協働に向けた従業員の育成を、どのように変えるべきでしょうか。私たちはすでに、人間とエージェントが共に働く組織の中にいます。今、私が最も重要だと考えているのは、労働力を人間とエージェントにどう配分するかという問題です。これがスケールを実現する鍵だと考えています。人間とエージェントが共に働くチームでは、組織図が示すのは人員数ではなく、認知能力の配分です。成熟したテックチームでよく見られる配分は、人間だけで行う業務が15%、AIによる支援を受ける業務が25%、エージェントが担う業務が60%です。IT責任者は方針を定め、能力を配分し、成果とコストに責任を持ちます。シニア開発者はエージェントの成果物を検証し、アーキテクチャを決定します。オーケストレーターエージェントはタスクを振り分けてコストを報告し、レビューエージェントはすべての成果物を確認します。効果は3段階で積み重なります。AIの支援を受ける従業員の生産性は約5倍になります。合成従業員として一連の業務を最初から最後まで担うエージェントの生産性は約10倍です。そして両者を一つの労働力として統括することに、1000倍の可能性があると考えています。人材育成も同じ考え方に基づきます。人々は、構造化されたコンテキストと明確な成果目標を示し、若手エンジニアに指示するようにエージェントへ依頼する方法を学びます。そして、自分の時間を判断力や計画、意思決定に充てるようになります。エンタープライズAIシステムは信頼性の高いデータ基盤に大きく依存していますが、多くの組織では、データの分断やガバナンスの不整合、レガシーテクノロジーへの対応に依然として苦慮しています。エージェント型AIに備えてデータプラットフォームを整備する際、企業はどのような基盤能力を優先すべきでしょうか。また、既存の業務を妨げずに近代化を進めるには、どうすればよいでしょうか。エージェントという新しい利用者を想定して、データプラットフォームを設計してください。ダッシュボードに誤った数値があれば、人間は疑問を呈します。一方、エージェントは誤った数値に基づいて行動し、それを大規模に実行します。4つの能力を優先してください。すべてのエージェントとチームが「アクティブ顧客」の意味を共通に理解できるよう、ビジネス上の定義を統一すること。認証とMCPのような標準プロトコルを備えた統合ゲートウェイを設け、エージェントが代行する役割に付与された権限でデータにアクセスできるようにすること。品質とデータの来歴を可視化すること。そして、非構造化データを重要な資産として扱うことです。契約書、チケット、会議メモには、実際の知識の大半が含まれているからです。業務を妨げずに近代化するには、まずレガシーシステムをラップし、ユースケースごとに移行してください。ここでもエージェントによって経済性が変わります。複数のエージェントを使った移行パイプラインにより、人間がアーキテクチャを決定しながら、数十万行に及ぶレガシーコードを数カ月で近代化できるようになっています。構造化データへのアクセスに加え、AIエージェントには、組織に蓄積された知識やビジネスプロセス、組織の背景を理解することがますます求められています。企業はこうした知識を効果的に収集し、AIシステムに取り込むにはどうすればよいでしょうか。また、十分な業務上のコンテキストがないままエージェントが動作すると、どのようなリスクが生じるでしょうか。コンテキストがあることで、モデルは同僚のような存在になります。ツールはタスクを理解し、エージェントはコンテキストを理解します。若手エンジニアに仕事を頼むとき、目標や制約、何をもって良い成果とするかを説明せずに任せることはありません。エージェントも同じです。最新の状態を保つのが難しい大規模なドキュメント作成プロジェクトに頼るのではなく、仕事そのものから知識を取り込みます。あらゆる会議、チケット、決定、修正が、ファイル、テーブル、ベクトル、関係性を示すグラフを組み合わせたコンテキスト層に反映されます。完了したタスクはすべてメモリに書き戻されるため、組織は成果を上げるたびに学習します。また、コンテキストにも独自のガバナンスが必要です。評価、権限管理、コスト管理が欠かせません。コンテキストがなければ、エージェントはいくつかの典型的な問題に直面します。書かれたルールには従っても、誰もが知っている暗黙のルールを見落とします。誤った情報を取得しながら、まったく疑いのない口調で回答します。前四半期の事実に基づいて作業します。また、厳格な権限管理のないコンテキスト層は、機密データを危険にさらすおそれがあります。多くの企業は、生産性の向上、導入率、あるいは立ち上げたパイロットの数を基準にAIの成功を測っています。特に、インフラコストや継続的な保守、自律型エージェントの運用の複雑さを考慮する場合、CIOやビジネスリーダーは、真のAI投資収益率を評価するためにどのような指標を用いるべきでしょうか。ツールではなく、人間とエージェントが共に働く労働力全体を測定してください。導入は4段階のうち最初の段階にすぎず、常に導入前に設定した基準値と比較します。導入では、人々が実際に使っているかを確認します。生産性では、リードタイム、処理量、解決時間を見て、より速く成果を出せているかを確認します。品質では、流出不具合、変更失敗率、手戻りを通じて、成果物が改善しているかを評価します。価値とコストでは、削減できた工数、市場投入までの時間、タスクあたりの総コストを見て、投資に見合うかを判断します。見落とされがちな指標の一つは、人間とエージェントの間で認知能力がチームごとにどう移っているかです。人間に生まれた余力は、意図を持って将来を見据えた業務に振り向けなければなりません。そうしなければ、得られた効果の一部が失われます。コスト面では、料金体系が定額制から従量制へ移行しており、請求額を予測しにくくなる可能性があります。そのため、モデルの振り分けとFinOpsを初日からプラットフォームに組み込む必要があります。AIへの支出はクラウド支出と同じように扱い、可視化してチームごとに配賦し、価値と結び付けましょう。Artefactは、金融サービス、医療、製造、小売をはじめ、AI導入にそれぞれ異なる課題があるさまざまな業界の企業を支援しています。こうした業界での実際の導入事例から、どのような教訓が得られていますか。また、組織はイノベーションと規制遵守、信頼性、人間による監督のバランスをどのように取るべきでしょうか。どの業界でも、人間とエージェントの間で仕事をどう分担するかという同じ問いに直面します。異なるのは、外側のループのどの程度を人間が担い続ける必要があるかです。小売や消費財では、ミスによる損失が小さいため、エージェントがより多くの仕事を、より速く担うようになります。製造業では、信頼性とオペレーションシステムとの統合が導入のペースを左右します。金融サービスや医療では、すべての判断に説明可能性が求められるため、検証や意思決定のより多くの部分を、より長い期間にわたって人間が担います。あらゆる場面で私が得ている教訓は、コンプライアンスは最初から組み込まれたプラットフォームの特性として機能させるのが最も効果的だということです。ガードレール、監査ログ、人間による承認がハーネスに組み込まれていれば、新たなユースケースにもそれらが引き継がれます。コンプライアンスへの対応が最後になって初めて行われると、新しいプロジェクトのたびに、また一からその話し合いを始めなければなりません。監督はリスクに応じて段階的に行うべきです。低リスクのタスクではエージェントが単独で対応し、中リスクでは例外が発生した場合に確認を受け、高リスクでは判断材料の準備にとどめます。信頼が築かれるにつれて、各段階の範囲も変わっていきます。今年12月にパリで開催されるArtefactのAdopt AI Summitを前に、AIの主権、ガバナンス、産業競争力をめぐる議論がますます重要になっています。欧州のAI導入に対する姿勢は、世界の企業戦略にどのような影響を与えるとお考えですか。また、今後数年間で、企業におけるAIの次の段階を形作るのはどのような動きだとお考えでしょうか。欧州は主権をめぐる問いをいち早く提起しました。そして今では、それが世界的な設計原則になりつつあると私は考えています。多国籍企業は規制ごとに異なるアーキテクチャを用意したいわけではありません。そのため、最も厳しい規制に合わせて設計します。自社のコンテキストは自ら保有し、モデルは外部から利用し、モデルをどこで実行するか、誰が鍵を管理するかについては自社で主導権を保つのです。欧州にとって次の好機は、AI導入にも同じ熱意を注ぐことです。競争力は、大規模な活用によって生まれるからです。次の段階は、人間とエージェントが共存するハイブリッド型の組織であり、これが仕事の未来だと私は考えています。企業は従業員数を数えることから、人間とエージェントが共有する認知能力を管理することへと移行していくでしょう。エージェントは、分析、コーディング、レポート作成など、過去を振り返る仕事の大半を担います。人間は、審美眼、ビジョン、計画、意思決定など、未来を見据える仕事へと移っていくでしょう。仕事の分担をいち早く実現した企業が、先頭に立つと私は考えています。次の時代を形作るために、パリでぜひ議論したいのはそのことです。素晴らしいインタビューをありがとうございました。企業におけるAI導入、エージェント型ワークフロー、データ変革についてさらに知りたい方は、Artefactをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューYORDのCTO兼共同創業者、David Mařák – インタビューシリーズ
David Mařákは、YORDのCTO兼共同創業者です。没入型テクノロジー分野で10年を超える経験を持ち、人工知能、XR(エクステンデッド・リアリティ)、空間コンピューティング、インタラクティブなデジタル体験が交わる領域で、スタジオの技術戦略と開発を率いています。手がける分野は、AIを活用したアプリケーション、仮想現実と拡張現実、デジタルヒューマン、リアルタイム生成技術に及びます。YORDは、ブランドや組織向けにAIとXRの体験を設計・開発するクリエイティブテクノロジースタジオです。インタラクティブなインスタレーション、没入型のブランド体験、ミュージアム空間、トレーニングソリューション、カスタムデジタル製品などを手がけ、クリエイティブな開発と新興テクノロジーを組み合わせています。YORDはApple Vision Proなどのヘッドセット向けに開発を行っています。開発者の視点から見て、Samsungのメガネ型デバイスはどのような違いがあり、没入型リテールにどのような意味をもたらすのでしょうか?Vision Proは、未来的な外観を備えた、閉じたエコシステムの高度に最適化されたデバイスです。開発者として、何を対象に開発しているのかが明確です。一方、Samsungのメガネ型デバイスは一般的なメガネのように見えるデザインで、Android XRは複数メーカーのハードウェアで動作します。そのため、よりオープンで多様性がある一方、特定のデバイスに完璧に最適化されているわけではありません。数年前なら、こうした分断は大きな問題だと考えていたでしょう。今は、それほど重要ではないと思います。開発プロセスにAIを取り入れることで、特定のデバイスに合わせた最適化や、他社のドキュメントの読み込み、プラットフォーム間の移植がずっと容易になりました。そのため、より多くの人が開発に取り組むオープンなプラットフォームが優位になりがちです。そうした理由から、長期的にはAndroid XRに期待しています。ただし、没入型リテールについて言えば、現時点でこのメガネ型デバイスにできることは何もありません。ディスプレイがないため、顧客に見せるものを何も作れないのです。店舗でこのメガネ型デバイスを身に着けることで、スマートフォンではできない、何か新しいリテール体験が可能になりますか?まだありません。まず、私はメガネ全般が好きだということをお伝えしておきます。私たちは15年間、スマートフォンを通じてデジタルな生活を送ってきましたが、使い心地はよくありません。小さな長方形の画面を見るためにうつむき、ずっと片手で持っていなければならないからです。メガネは自然な次のステップです。しかし、Samsungのメガネ型デバイスはその問題を解決しません。スマートフォンを取り出さずに商品を見てGeminiに質問できるのは便利ですが、スマートフォンでも同じことができます。カメラの位置が鼻の上に移っただけです。新たに可能になる体験とは、商品を見たときに、価格、素材、レビュー、在庫状況を棚の上で直接確認できることです。Samsungのメガネ型デバイスは商品を認識できますが、できるのはそこまでです。ディスプレイのないデバイスはブランドにとって何が最大の制約となるのでしょうか。また、ディスプレイ搭載モデルが登場するまで、ブランドはどう対応すべきですか?何も表示できません。優れた商品データと、そのデータを活用する気の利いたアシスタントがあっても、顧客が受け取るのは音声による説明であり、商品を目で見ることはできません。このメガネ型デバイスを軸に、没入型体験の戦略を立てることは勧めません。ブランドがXRに取り組むなら、現時点でXRに対応しているハードウェアを使い、コンテンツは後から別のプラットフォームに移せる形式で用意すべきです。自社商品の質の高い3Dモデル、整理された商品データ、特定のデバイスに縛られない体験を整えておくことです。実用的なディスプレイを搭載した軽量メガネが登場したとき――私は登場すると思いますが――そうした資産を再利用できます。Warby Parkerの店舗がデモの場になっています。今回の発売にあたり、実店舗を活用するのはなぜ理にかなっているのでしょうか?私は、実店舗を実験の場というより、メガネを販売する場所だと捉えています。これはカメラを内蔵した度付きメガネであり、度付きメガネは眼鏡店で販売されます。試着してレンズを合わせてもらい、そのままかけて店を出るのです。SamsungとGoogleには、数百店舗を展開し、独自の眼鏡レンズ加工ラボを持つチェーンが必要でした。Warby Parkerがその役割を担っています。MetaもRay-BanとEssilorLuxotticaを通じて同じことをしました。適切な判断だと思います。メガネはガジェットである以前に、ファッションアイテムであり医療機器です。家電量販店で販売してもうまくいかないでしょう。また、この販売方法は製品の本質も伝えています。販売されるのはフレームで、Geminiはそれに付いてくるものです。カメラ付きメガネは、人々に不安を感じさせます。ブランドは店舗や公共の場で、どのように対応すべきでしょうか?カメラそのものが問題だとは思いません。私たちは一日中、スマートフォンのカメラを手に持って歩き回っていますが、それを監視装置と呼ぶ人はいません。メガネは、すでに持っているカメラを別の場所に移すだけです。違いは、スマートフォンなら誰かが何かにカメラを向けているとわかりますが、メガネの場合、周囲の人にはそれがわからないことです。ですから最低限、録画中であることを示すランプは明るく、正面から見える位置にあり、オフにできない仕様でなければなりません。また、各メーカーの判断に任せるのではなく、プラットフォーム全体のルールにするのが望ましいと思います。さらに、何が録画されるのか、どのくらいの期間保存されるのか、誰がアクセスできるのか、そして私たちのような開発者に何が見えるのかという問題もあります。SamsungとGoogleは、こうした点についてほとんど説明していません。説明があるまでは、顧客を継続的に見守ることを前提とした店内体験を開発するつもりはありません。小売業者が今すぐ役立つ取り組みを始めるなら、手をつけやすいのは何でしょうか?既存の商品情報を音声で利用できるようにし、スマートフォンを取り出すよりも実際に好まれるかどうかを試すことです。それ以上にできることは、あまり思い当たりません。メガネを使うプロジェクトなら、顧客がすでにポケットに入れて持ち歩いているものより優れた体験を提供できるかどうかが判断基準です。同じことがスマートフォンでも同じようにできるなら、メガネ版にお金を払う理由はありません。小売業者が本格的な没入型体験を求めるなら、今あるほかのハードウェアで実現できますし、私たちもそれを構築できます。ディスプレイのないデバイスでXRを実現しようとしても、結局は目新しさだけの仕掛けになってしまうでしょう。YORDは多くのプラットフォームに対応しています。そのことは、XRへの投資についてブランドに助言する際、どのような影響を与えていますか?私たちが学んだ最も大切なことは、ハードウェアの発表を開発の機会と取り違えないことです。Vision Pro、Questなどはそれぞれ大きく異なりますが、いずれのデバイスでも、ユーザーの周囲の環境に反応する視覚的な体験を構築できます。一方、Samsungのメガネではそれができません。ですから、体験をどう移植するかを考える前に、そもそもそのデバイスで実行できるのかを問う必要があります。それ以外の助言は変わりません。XRの計画を特定のメーカーに縛りつけないことです。私たちは十分な数のハードウェア世代を経験してきたので、2年後にはデバイスの姿が変わっていると分かっています。手元に残るのは、構築したコンテンツと、つながりを築いたユーザーです。通常のデジタル接点と比べて、XR体験が顧客ロイヤルティの向上につながっているかどうかを、どのように測定していますか?体験した人の数は数えません。新しいハードウェアなら、誰でも一度は試すからです。その後に何が起きたかを見ます。商品への理解は深まったか。購入を決めるまでの時間は短くなったか。購入したか。また戻ってきたか。これらはウェブサイトやアプリで使うのと同じ指標であり、XR版はそれらを上回らなければなりません。そうでなければ、XRを導入する理由はありません。本格的なXRなら、画面上ではなく、本人のいる空間で商品を見せられるため、こうした成果が得られる可能性は十分にあります。ディスプレイのないメガネについては、そのような効果を期待できると安易に約束しないほうがよいでしょう。スマートフォンアプリと比較して、結果を確かめてください。今、ブランドがXRについて最も誤解していることは何でしょうか。また、Samsungの発売によってその誤解は変わりますか?メガネやヘッドセット、あるいはAIを搭載していれば、何でもXRだという考えです。そうではありません。XRとは、周囲の物理空間と結びついたデジタルコンテンツを指します。そのため、デバイスは環境を認識し、ユーザーに見えるものを変えられなければなりません。Google Glassにはディスプレイがありましたが、見ているものを認識する能力はほとんどありませんでした。Samsungのメガネはその逆で、カメラとGeminiを通じて周囲の環境を認識できますが、何も表示できません。どちらも必要な要素の半分しか備えていないのです。数年前、業界は没入型コンピューティングとは無関係な多くのものに「メタバース」という呼び名を付けました。AIメガネでも同じことが起きようとしているのではないかと、少し懸念しています。Samsungの製品は、優れたウェアラブルアシスタントかもしれません。しかし、名前にそう書かれているからといって、XRデバイスになるわけではありません。CTOとして、XRメガネが大衆市場に広がるのか、それともニッチな製品にとどまるのかを見極めるため、今後6~12か月で何に注目していますか?2つあります。ハードウェアが条件を満たすかどうか、そして開発者がアクセスできるかどうかです。ハードウェアについて言えば、いずれメガネがスマートフォンに取って代わると思います。スマートフォンでしていることは、どれも端末を手に持たずにできるほうが望ましいからです。足りないのは、シースルーディスプレイを備え、周囲の空間を認識でき、朝から晩までかけていられるフレームを持つ、ひとつのデバイスです。Vision Pro、Galaxy XR、Questは、その用途には重すぎ、高価すぎます。Samsungのメガネは十分に軽いものの、何も表示できません。この秋に出荷され、価格が約2,200ドルのSnapのSpecsは、これまでで最も近い製品です。それでもまだ高価で、少し厚みがありますが、実際にディスプレイを備え、室内の環境を認識でき、私たちが開発することもできます。今後はこの方向に進むと考えており、Samsungは現時点でその流れに遅れています。開発者については、私たちが自社アプリを公開し、空間コンテンツをレンダリングし、デバイスが環境を認識するために利用するデータを扱えるようになるか、そしてカメラの利用ルールが明文化されるかを見たいと思っています。プラットフォームが開放されれば、AIによって開発コストが大幅に下がっているため、人々はすぐにその上で開発を始めるでしょう。特定のアシスタントを中心に閉ざされたままなら、結局は少し性能が向上したAlexaになるだけです。素晴らしいインタビューをありがとうございました。XR、AI、空間コンピューティングが小売業やブランドにとって有用な体験をどのように生み出せるのか知りたい読者は、YORDをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューReindeerの共同創業者兼共同CEO、Yoav Naveh――インタビューシリーズ
Yoav NavehはReindeerの共同創業者兼共同CEOで、テクノロジー企業の立ち上げや事業の拡大、創業者への投資に携わってきた経験を持つ。Reindeerを立ち上げる前にはConvertMediaを創業し、その後Taboolaで事業に取り組み、INT3を通じて投資を行った。現在は、企業が個別のAI導入にとどまらず、複雑な業務を担い、人間の専門知識から学び、業務プロセスが変化しても信頼性を保てるエージェントを活用できるよう支援している。Reindeerは、財務、サプライチェーン、物流、シェアードサービスなど、幅広い分野の基幹業務を担う企業向けAIエージェントを開発している。同社のプラットフォームは、ワークフローの実行に専門家からのフィードバックや評価、人間による承認を組み合わせ、例外や変化する方針にエージェントが適応できるようにする。本インタビューでは、エンジニアリングへの依存度が高い導入モデルの限界、組織に蓄積された知識をエージェントのコンテキストに取り込む方法、そして時間の経過とともに人間の作業負担全体を減らすために必要なガバナンスと効果測定について、Navehが語る。ConvertMediaを立ち上げ、Taboolaで事業を拡大し、INT3を通じて他の創業者に投資した後、再び会社を立ち上げようと思ったのはどのような課題があったからですか。また、その課題はReindeerを共同創業する決断にどう影響しましたか?AI市場の盛り上がりは、傍観していられないほどでした。共同創業者のYairと私は、個人でAIを使う際には非常に有用になっている一方で、企業が大規模に導入するのは依然として難しいというギャップに強い関心を持つようになりました。テクノロジーは驚くべき速さで進歩していますが、その可能性を実質的な業務変革につなげられずにいる組織が、今なお大半を占めています。AIは企業の業務のあり方を変革します。しかし、そこに至るにはテクノロジーの改善だけでは不十分です。仕事の進め方を見直す意志のあるリーダーシップと、新たな複雑さを生み出すことなく、日々の業務にAIを取り入れる実践的な方法が必要です。この課題がReindeerの方向性を形づくりました。私たちは、企業が最初のエージェントを導入するところから、人間のフィードバックを通じて学び、時間とともに改善するエージェントの群れを構築するところまで支援するプラットフォームを開発しました。AIの可能性と現実の導入とのギャップを埋め、すべてのエージェントを作り直したり、絶えず保守したりすることなく、企業が基幹業務をエージェント型AIの労働力へと変革できるよう支援することが私たちの目標です。現場に深く入り込むエンジニアリングモデルは、企業向けAIを労働集約型のサービス事業に変えてしまうリスクがあると、あなたは指摘しています。現場に組み込まれたエンジニアリングは、どこで持続的な価値を生み、どこから顧客の規模拡大を妨げる依存関係になってしまうのでしょうか?現場常駐エンジニア(FDE)は、複雑な統合や、初期エージェントを本番環境に導入するうえで大きな価値を発揮します。問題が始まるのは、業務プロセスそのものが変わったときに、エージェントがその業務を遂行し続けるためにFDEが恒常的に必要になる場合です。とりわけ、大規模に展開する場合はそうです。エージェントが5つならFDEモデルは機能します。しかし、100のエージェントを抱えるようになると成り立たなくなります。新しいワークフローや予期せぬ例外が発生するたびに、さらにエンジニアリングが必要になるなら、拡大しているのはソフトウェアではなく、高コストな人手です。FDEを導入している企業の多くは、エンジニアはいずれ別の業務に移ると主張します。FDEを必要とする契約を結ぶ前に、本当にそうなるという証拠を企業は求めるべきです。業務プロセスの変化に伴い、RPAがいかに脆弱になったかは、すでに目の当たりにしてきました。人手で構築したエージェントだけは違うと考えるべきではありません。企業のワークフローには、文書化されていない例外や、チーム間で相反する慣行がしばしば存在します。Reindeerは、業務の実際の進め方をどのように把握し、自動化に役立つ組織内の知識と、自動化すべきではない慣習をどう見分けているのでしょうか?大半の企業には、どこにも文書化されていない組織内の知識が膨大にあります。そうした知識は従業員の頭の中に蓄積されています。私たちのエージェントは、限られた知識をもとに始動し、実際の事例を通じて学びます。経験のない状況に直面すると、該当分野の専門家に助言を求めます。ただし、従業員から学ぶことは、その人の行動を無批判に再現することを意味しません。私たちのシステムは、個別の例外と繰り返し現れるパターンを区別し、より広範な変更を提案して、人間の承認を求めます。私たちが目指しているのは、あらゆる慣習を自動化することではありません。エンジニアがあらゆる状況を事前に想定する必要がないようにしながら、価値ある組織内の知識を信頼できる知見へと変えることです。エージェント型AIを手がける企業の多くは、まずプロセスを文書化し、関係者への聞き取りや過去のデータの綿密な調査を通じて、それをコードに落とし込むところから始めます。しかし実際には、プロセスを最も効果的に学ぶ機会は、新しいチームメンバーが加わるたびに訪れます。彼らは1年分のデータや3,000ページの標準業務手順書(SOP)を暗記するわけではありません。いくつかのスキルを身につけ、事例をいくつか見て、仕事を始め、理解できないことがあれば質問し、知識を築いていきます。私たちが構築したのは、このプロセスです。エージェント型AIは、現状のプロセスをそのまま自動化するのではなく、企業がプロセスを再構想する機会ももたらします。人間だけのチーム、ルールベースの自動化、従来型のソフトウェアは、それぞれ固有の限界に合わせてプロセスを形づくってきました。エージェントが専門家とともに学ぶことで、Reindeerは企業がプロセスのあるべき姿を見直せるよう支援します。その際、どの慣行を残し、どれを廃止するのか、またエージェントと人間がそれぞれどこで最大の価値を発揮するのかも検討できます。Reindeerのエージェントは本番環境で継続的に学習するとおっしゃっていますが、実際に変化するのは何でしょうか。モデルの重み、メモリ、ワークフローのロジック、それとも明示的なポリシーでしょうか。例外を通じてエージェントが学び、今後の事例に異なる対応をするようになる過程を、具体的に説明していただけますか。変化するのは、エージェントのコンテキストとスキルです。つまり、ワークフローのロジックやポリシー、それぞれをいつ適用するかについての指示です。請求書処理エージェントを例に挙げましょう。発注書の金額を4%上回る請求書を受け取り、それに適用できるポリシーが見つからなかったとします。処理を進める代わりに、エージェントは専門家に対応を引き継ぎます。専門家は、この仕入先には燃料サーチャージに関する承認済みの例外があると説明します。エージェントはその案件を処理し、説明はその仕入先に限ったコンテキストとして保存されます。同じ種類の例外が別の仕入先でも発生し、ほかの専門家も同じ方法で対応した場合、システムは「契約で認められている場合、5%までの燃料サーチャージを許容する」といったポリシー変更を提案します。エージェントがその変更を適用する前に、提案はテストと人間による承認を経ます。専門家一人の回答で解決するのは一つの案件です。複数の案件に見られるパターンは、新たなルールの候補になります。ある従業員の判断は、特定の顧客や取引には適切でも、一般的なルールとしては適さない場合があります。フィードバックを一度限りの例外として扱うべきか、ポリシー変更の提案につなげるべきか、どのように判断していますか。個別の案件を解決することと、今後のエージェントの動作を変更することは、別々に扱っています。従業員がある顧客について例外を認めたとしても、同じ例外をすべての顧客に適用すべきとは限りません。同じ顧客の例外でも、従業員によって異なる対応をすることがあると、私は考えています。私たちのシステムは状況を評価し、繰り返し現れるパターンを特定し、矛盾を調整するとともに、既存のポリシーと衝突する可能性がないかを確認します。より広範な変更を裏付ける証拠が得られた場合、エージェントを私たちの評価プラットフォームで実行します。いわばエージェントのための「トゥルーマン・ショー」です。そのうえで更新を提案し、人間による承認を求めます。目指しているのは、人間から学ぶことであり、人間の判断を無批判にそのまま再現することではありません。そうでなければ、単に間違いを自動化するだけです。エージェントは直近の案件への対応を改善する一方で、以前は正しく処理できていた状況への信頼性が低下することがあります。変更案が本番環境に反映されるまでに、どのようなテストと承認のプロセスを経る必要がありますか。また、性能の後退をどのように検知し、元に戻すのでしょうか。ガバナンスのない継続的な学習は危険です。そのため、変更案はすべて、回帰テスト、人間による承認、そしてエージェントが自律的に行動するタイミングを制御する信頼度のしきい値という、3つの安全策を通過します。最初に行うのはテストです。業務には決まった正解がないため、これは聞こえ以上に難しい作業です。専門家からのフィードバックをもとに代表的な事例を選び、出力を比較する基準を定めたうえで、現行のエージェントと変更案の両方に同じ事例を適用して再検証します。メールの送信など、副作用を伴うアクションは過去の実行履歴をもとに構築したシミュレーターで実行し、現行のポリシーに合わなくなったテストケースは廃止します。変更の真の効果を測定するには、エージェントが現実世界にいると認識し、その行動が実際の結果をもたらす必要があります。たとえば、SAPに記録が登録されたり、顧客にメールが送信されたりします。エージェントごとに真の評価フレームワークを構築するには、これしかありません。その後、人間のマネージャーが変更内容とその根拠となる証拠、テスト結果を確認し、承認、修正、または却下できます。承認されるまでは、エージェントの動作は何も変わりません。変更の適用後は、信頼度のしきい値が事業を守ります。エージェントが自律的に行動するのは、信頼度がしきい値を超えた場合に限られ、それを下回る案件はすべて専門家に回されます。運用チーム自身がこのしきい値を調整できるため、慎重な設定から始め、実績が積み上がるにつれてエージェントにより大きな自律性を与えられます。変更後に品質が低下した場合、システムは自動的にレビューのしきい値を厳しくし、より多くの案件を専門家に回します。専門家からのフィードバックによって、変更を提案したときと同じサイクルを通じて問題が明らかになります。ポリシー変更はすべてバージョン管理され、変更者を特定できる形で記録されるため、チームは何が変わったのか、誰が承認したのか、その理由は何かを確認し、以前のバージョンに戻すことができます。エンジニアリングの作業を減らしても、例外の確認やエージェントの修正を担う運用チームには、依然として大きな負担が残る可能性があります。Reindeerがその負担を別のチームに移すのではなく、必要な人手を全体として減らしているかどうかを、どのように測定していますか。実際、多くの企業ではすでに、こうした作業を手作業で行うチームがあります。私たちの目標は、その負担を別のチームに移すことではなく、時間をかけて減らすことです。既存チームの中から最も経験豊富な人たちを選び、例外への対応や、より適切な判断を自律的に行う方法をエージェントに教えられるよう支援します。FDEモデルの問題は、比較的人件費の低い運用担当者から、高額なエンジニアへと作業を移すことが多い点です。それでは人手の問題を解決するどころか、コストを増やすことになります。Reindeerは、その構図にエンジニアを加えません。代わりに、時間の経過とともにエージェントが自律的に処理できる作業がどれだけ増えるか、そしてプロセス全体で必要な人間の介入がどれだけ減るかを、成功の指標としています。次の3つを追跡しています。人の手を借りずにエージェントが最初から最後まで解決した案件の割合、1案件あたりに専門家が関与した回数、そしてエージェントと人を合わせた1案件あたりの総処理時間です。3つ目の数値が減っていなければ、単に作業を別のところへ移しただけです。Hellmann Worldwide LogisticsまたはPapaya Globalでの導入事例を1つ取り上げ、稼働開始から継続運用に至るまでに何が変わったのか、説明していただけますか。精度、例外の発生率、処理時間、人の介入が必要な量には、どのような変化がありましたか。Hellmann Worldwide Logisticsは、エージェントが実際の業務を時間とともに改善できることを示す好例です。同社の価格設定チームは、メールやスプレッドシート、その他の書類に分散した出荷依頼を手作業で処理するのに膨大な時間を費やしており、見積もりの作成に何日もかかることがよくありました。まず、業務の流れを把握してエージェントをトレーニングするため、約20件のサンプル依頼を用意しました。その後、Hellmannの価格設定の専門家がシステムを直接使い始め、フィードバックを提供しながら、例外への対処を支援しました。テスト期間中は精度と処理速度を追跡し、エージェントの本番稼働後もパフォーマンスの監視を続けました。現在、定型的な依頼は自動で処理され、より複雑な案件はチームにエスカレーションされます。重要なのは、エージェントが情報不足に気づいた際に憶測で補わず、そのことを認識する点です。これにより、従業員は専門知識が本当に必要な場面で介入できます。その結果、見積もりの処理時間が短縮され、手作業によるデータ入力が減り、顧客対応により多くの時間を割けるようになりました。Hellmannでは、見積もりの受注率も向上しています。目的は業務から人を排除することではなく、介入が必要な定型業務の量を継続的に減らすことです。このアプローチの限界について、どのようなことが分かりましたか。どのような業務フローであれば適応型エージェントを導入する準備が整っていると判断でき、どのような場合には、まず業務プロセスを再設計するか、従来型の自動化を維持すべきだと考えられますか。すべてのプロセスにAIエージェントが必要なわけではありません。最も有望なのは、反復性が高く大量に発生し、状況に応じた判断が求められる業務フローです。特に、情報が複数のシステムにまたがり、従業員が日常的に例外へ対処している業務が該当します。導入事例から得られた最も明確な教訓は、企業内に新たな機能が生まれつつあるということです。CRMとともに収益オペレーションが、クラウドとともにDevOpsが生まれたのとよく似ています。企業が少数のエージェントから大規模な群れへと移行するにつれ、部門長が人員を管理するようにエージェントを管理する担当者やチームが必要になります。その役割には、エージェントのKPIとROIに責任を持ち、どの業務をエージェントに任せ、どの業務を任せないかを決め、エージェントの変更を承認することが含まれます。すでにこの機能の構築に着手している企業は、最も速く前進しており、勝者となる可能性が高い企業です。業務慣行に食い違いがあるからといって、導入を待つ必要はありません。ほぼあらゆる業務で専門家の意見は食い違います。私たちのシステムは、そうした矛盾を明らかにし、ポリシー案へとまとめるよう設計されています。その解決は担当責任者の役割の一部であり、エージェントを拡大する前にその役割を設けるべき理由でもあります。このアプローチ自体にも限界があります。中核業務が完全に自動化されることはなく、私たちもそれを目指していません。エージェントの対応範囲は段階的に広がりますが、リスクの高い案件は意図的に人が担当し続けます。基盤モデルやエージェント構築ツールの性能が向上するにつれ、企業への導入におけるどの部分がコモディティ化すると予想していますか。また、本番環境への導入を重ねるごとに強まる優位性を、Reindeerはどのように築いていますか。基盤モデルは、安価かつ高速になり、性能も高まるにつれて、互いに置き換え可能なものになっていくでしょう。基本的なエージェントを構築し、企業システムに接続することも、すでに容易になりつつあります。しかし、エージェントを構築することと、複雑な企業の業務環境で長期にわたり安定して機能させることは同じではありません。真の競争優位性となるのは、企業が実際にどのように業務を進めているかについての独自の知識です。そうした業務の実態は常に変化します。本番環境での案件を重ねるたびに、エージェントには学習し、将来の例外に対処し、人の介入を減らす機会が生まれます。モデルは安価になり、エージェントの構築は容易になります。勝者となるのは、エージェントを長期にわたり稼働させ、実用性を保つために必要な、高コストの人手によるエンジニアリング体制を不要にする企業です。素晴らしいインタビューをありがとうございました。適応型の企業向けAIエージェント、業務の自動化、人の指導による学習について詳しく知りたい方は、Reindeerをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューVin Sharma、Vijil共同創業者兼CEOへのインタビュー
Vin SharmaはVijilの共同創業者兼CEOであり、サイバーセキュリティ、オープンソース、クラウドコンピューティング、AIインフラの分野で30年以上の経験を持つ。同社を創業する前は、AWSでAmazon SageMakerとAmazon Bedrockの深層学習エンジニアリングを率い、Intelでデータセンターインフラの開発に携わり、Hewlett-Packardでは製品開発とエンジニアリングの職務を担った。信頼性の高いUNIXシステムを対象とする自動レッドチームテストからキャリアをスタートさせた経験が、企業向けAIエージェントの信頼性、セキュリティ、安全性を高めるという現在の取り組みの基盤となっている。Vijilは、企業向けAIエージェントの信頼性を支えるインフラを提供し、組織がエージェントの動作を評価し、制御を適用し、ライフサイクル全体を通じてレジリエンスを高められるよう支援している。同社のアプローチでは、テスト、セキュリティ、継続的なフィードバックを組み合わせ、エージェントの動作を組織の意図する目的やポリシーに沿わせる。このインタビューでは、Sharmaが信頼の定義と測定方法、エージェントのテストが従来のソフトウェアセキュリティと異なる理由、そしてエージェントの自律性が高まるなかで企業に必要となる監督体制について語る。Vijilを創業する前、AWS、Intel、Hewlett-Packardなどの企業で30年以上にわたり働いてきました。AIの信頼性とセキュリティには、会社を立ち上げるほど大きな未解決の課題があると、最終的に確信したのはなぜですか?30年前にセキュリティ系スタートアップに入社する前、私は大学院でAIと機械学習を研究していました。それ以来、UnixやLinuxをベースとするオペレーティングシステムに軍用レベルのセキュリティを組み込む製品チーム、オンラインバンキング向けの安全なウェブサーバーを開発するチーム、クラウドコンピューティング向けの信頼実行環境を開発するチーム、データ分析プラットフォームに暗号化を組み込むチームに携わり、そして最近では一巡して、AWSで企業向けのAI/MLサービスの構築に取り組みました。こうした経験を通じて、インテリジェントなシステムそのものを構築するよりも、知能を備えたシステムに信頼性を組み込むほうが難しいという確信を持つようになりました。AI業界は概してエージェントの能力向上に注力しているようですが、エージェントに拡張可能な監督・制御の仕組みを組み込むことにも、同じだけのリソースを投じる必要があると考えています。特定の組織のニーズに合わせた指標や仕組みがなければ、最初の熱狂的な導入の波は、リスクと投資収益率(ROI)という暗礁に乗り上げて勢いを失うでしょう。企業が、エージェントが自社の最善の利益にかなうよう機能していることを証明できなくなるからです。Vijilは、企業がAIエージェントの信頼性、セキュリティ、安全性を十分に検証できないために、多くのエージェントが本番環境に投入されないという考えを基盤としています。企業がAIの試作段階から本番環境への導入へと進むなかで、信頼性に関する最大の課題はどこに現れていると感じますか?自律性を高めながらエージェントの導入を拡大するうえでのボトルネックは、組織がエージェントに期待する動作を明確に定め、実際にそのとおり動作しているかを検証できるかどうかです。それだけではありません。エージェントが動作する規模と速度に対応して、それを実行できなければなりません。エージェントが別のエージェントの動作を測定し、修正できる方法が必要だというのは理にかなっています。特に大きな課題は二つあります。一つは、何を測定すべきか、つまりエージェントにおける「良い」とは何かを把握すること。もう一つは、何を修正すべきか、つまり委任者が意図する動作を引き出すために、エージェントシステムのどの要素を調整すべきかを見極めることです。対象となるのは、モデルとそのパラメーター、システムプロンプト、ユーザーの指示、エージェントの実行基盤、あるいは複数エージェントシステムのグラフです。VijilはAIエージェントの「信頼」をどのように定義し、測定していますか?また、企業環境でエージェントを稼働させる準備が整っているかを判断する際、どのようなシグナルやベンチマークが最も重要ですか?私たちは信頼を、自律型エージェントに委任することで期待される利益を、エージェントがこちらの意図を裏切るリスクに応じて割り引いたものと定義しています。つまり、通常の状況、ノイズの多い状況、敵対的な状況のいずれでも正しく動作し、失敗した場合には影響範囲を最小限に抑えられるエージェントは信頼できるということです。信頼は、信頼性、セキュリティ、安全性という三つの柱に沿って測定できます。多様な状況下で期待どおりに動作するエージェントは信頼性が高く、敵対的な状況下でも期待どおりに動作するエージェントはセキュリティが確保されており、ビジネス上、法的、技術的なリスクを最小限に抑えられるエージェントは安全です。AIエージェントは、モデル、ツール、データソース、メモリー、外部システムを組み合わせているため、予測できない動作をすることがあります。エージェントのテストは、従来のアプリケーションセキュリティテストや一般的なモデル評価とどのように異なりますか?従来型のソフトウェアで起きる障害のパターンは、今ではよく理解されています。大まかに言えば、不正な形式の入力を処理できないこと、ロジックやシステム設計の弱点、実装上のバグ、攻撃に対する潜在的な脆弱性、出力による意図しない副作用などです。こうした障害のテストは、適切に予測できます。エージェントは、障害が起きる可能性のある領域を大幅に広げます。その範囲は、モデル評価、単体テスト、統合テスト、アプリケーションセキュリティテスト、侵入テスト、コンプライアンスチェックでは到底扱いきれないほどです。エージェントに伴う新たなリスク領域をテストするには、委任者が定めた目的、ユーザーのペルソナ、そしてエージェントが稼働する組織、業界、地域のポリシーに照らして、エージェントの動作を評価する新たな指標と仕組みが必要です。これまでAmazon SageMakerとAmazon Bedrockのディープラーニングエンジニアリングを率いてきたご経験があります。AWSでAIインフラを構築した経験から得たどのような教訓が、Vijilでエージェントのセキュリティと信頼性に取り組むうえで最も大きな影響を与えていますか?最も大きな教訓は、サービスの信頼性、セキュリティ、コンプライアンスに関する問題は、開発サイクルの早い段階で発見するほうが、従来のようにリリース直前に発見するよりはるかに効果的かつ効率的だということです。さらに悪いのは、サービスの本番稼働後に問題が見つかることです。その場合、サービスの障害を知らせる電話で目を覚ますことになります。Vijilは、エージェントのデプロイ前のテストだけでなく、本番環境での保護と継続的な改善にも取り組んでいます。エージェントが実際のユーザーやデータ、企業システムとやり取りし始めて初めて明らかになるのは、どのようなリスクでしょうか?現実世界には、私たちを驚かせる可能性が無限にあります。そして、予想外の事態に直面したエージェントは、間違いを犯しやすくなります。ミームの生成で間違いを犯すエージェントを気にする人はいません。しかし、金融アドバイザー、パラリーガル、弁護士、看護師、医師、患者、あるいは受託者としての行動を証明する必要がある業界の専門家を支援したり、その役割を担ったりするエージェントは、許容範囲を厳密に定め、慎重に監視し、エージェントの振る舞いを速やかに正常な状態に戻せなければ、機能しません。単に応答を生成するのではなく、行動を起こせる自律性の高いエージェントを企業が導入するなかで、セキュリティモデルはどのように進化させる必要がありますか?権限、アイデンティティ、アクセス制御といった従来の概念で十分でしょうか?いいえ。エージェントが組織内で行動主体となるにつれ、検証可能な固有のアイデンティティを付与する必要があります。また、リソースへのアクセス権を持つツールなどの機能要素と同様に、その振る舞いも規定する役割を割り当て、強制アクセス制御ポリシーを適用しなければなりません。さらに、意図された目的から逸脱していないかを継続的に監視し、攻撃を受けても回復力を保てるよう導く必要があります。Vijilは600万ドルのシードラウンドから1,700万ドルのシリーズAへと進み、約20人の創業チームを築き、年間経常収益で初めて100万ドルを達成しました。初期の技術構想から商業導入へと進むうえで、特に重要だった決断は何でしょうか?私たちは早い段階で、顧客が選ぶプラットフォームと統合できる信頼のレイヤーを構築することを選びました。一方で、オープンモデルを使うマルチエージェントシステムについて、企業がより高度なカスタマイズ、きめ細かな制御、低コストを求めるようになると予想していました。単体製品ではなくプラットフォーム層を構築するという長期的な戦略は、私たちに競争上の優位性をもたらしますが、同時に難しい状況も生み出します。大規模なエージェントのガバナンスに取り組む準備ができた企業を見つけるのは、既存システムをそのまま移行するサービスを販売するほど簡単ではありません。1995年、信頼性の高いUNIXシステム向けの自動レッドチームテストの開発からキャリアをスタートされました。約30年を経た今、推論し、適応し、外部ツールを使えるAIエージェントをテストする場合、レッドチームの原則はどのように変わったのでしょうか?従来、レッドチーム演習とは、組織の防御体制を協調的な攻撃に対してテストすることを意味していました。基本原則は今も変わりません。テスト対象の組織の弱点を探るため、管理された条件下で攻撃を連携させる必要があります。しかし、ソフトウェアシステムをテストするためにレッドチーム演習があらかじめ台本化されていた時代の手法は、もはや十分ではありません。AIエージェントは決定論的なソフトウェアとは異なり、環境に適応するよう設計されているため、同じ攻撃を再現性のある形で繰り返すことができないからです。私は、エージェントを企業のように扱うべきだと考えています。したがって、エージェントのレッドチームテストでは、その目的に合わせて手法を適応させ、ユーザーの意図から逸脱していないか、また、置かれた環境のポリシーを回避しようとする意思と、それを実行する能力があるかを探る必要があります。今後、AIエージェントの独立したテストや測定可能な信頼基準は、企業が導入する際の必須条件になるとお考えですか。また、そのレベルの保証を標準的な慣行にするには、業界全体で何が必要でしょうか?現在、開発者はエージェントの能力を評価し、レッドチームはプロンプトインジェクションやジェイルブレイクへの耐性をテストしています。また、GRCチームも、規制への準拠を確認するテストに着手したばかりです。エージェントのライフサイクル全体を通じて、モデル、ツール、リソース、ワークフロー、対象環境が変化するなか、その振る舞いをバックグラウンドで継続的に検証する体制を導入している組織は、ごくわずかです。さらに重要なのは、本番環境でのエージェントの実際の振る舞いを仕様に照らして追跡し、エージェントを継続的に改善するフィードバックループを実現できる点で、Vijilは企業を独自に支援していることです。攻撃を受けても生き残るエージェントとは、適応することで回復力を保つエージェントです。素晴らしいインタビューをありがとうございました。企業向けAIエージェントのテスト、保護、継続的な改善について詳しく知りたい方は、Vijilをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューTalentBridgeのCEO、Thomas Ioele氏—インタビューシリーズ
Thomas Ioele氏はTalentBridgeのCEOで、人材派遣、採用、人材サービス分野で40年以上の経験を有しています。大学卒業後まもない1985年に父親と同社を共同創業し、人材派遣事業から、より幅広い人材ソリューションを提供する会社へと成長させてきました。現在は、AIによって組織が候補者を見つけ、関係を築き、評価する方法が変化するなか、採用テクノロジー、世界中の人材へのアクセス、人間の専門知識を結び付けることに注力しています。TalentBridgeは、人材派遣、採用、人材ソリューションを提供しており、直接雇用、契約社員の派遣、人員の補強、プロジェクト単位の人材配置などを手掛けています。同社のAI搭載型採用担当者Carolineは、人間の採用担当者と連携しながら、候補者とのコミュニケーションや採用業務のワークフローを支援します。このインタビューでIoele氏は、Caroline 2.0の開発、連携された人材データの役割、そして採用プロセス全体を通じて、公平性、透明性、人間の判断を保ちながら自動化を進める方法について語ります。大学卒業後まもない1985年、お父様とともに、後にTalentBridgeとなる会社を共同創業されました。お二人が起業を決意したきっかけは何だったのでしょうか。また、40年以上を経て、当初の事業構想はどのように変化しましたか?創業以来、TalentBridgeの基本理念は、企業が「仕事を任せるのにふさわしい人材を見つける」という、人に関わる課題を解決する手助けをすることです。業界がこれほど大きく変わるとは、もちろん想像もしていませんでした。しかし、何十年にもわたって培ってきた経験があるからこそ、世界各地のチームは、私たちの分野がどれほど進化し得るのかを理解するための視点と背景知識を備えています。創業当初の使命は、人々と機会を結び付け、企業が成長するために必要な人材を提供することでした。このビジョンは今も私たちの仕事の中核にありますが、SaaSの登場、そして近年のAIの登場によって、目標を実現するために利用できるテクノロジーは大きく変わりました。市場の課題やニーズも、新たなテクノロジーから経済的・地政学的な不確実性まで、さまざまな要因によって変化します。そのため、お客様は人材へのアクセスや評価を、より迅速かつ柔軟に行うことを求めるようになっています。私たちは、そのニーズに応えるべく進化を続けています。TalentBridgeは最近、AI搭載型採用担当者の次世代版となるCaroline 2.0を発表しました。初代Carolineから得た学びのうち、Caroline 2.0の設計や機能に最も大きな影響を与えたものは何ですか?Carolineから得た重要な学びは、AIが単に新たなテクノロジーの層を加えるのではなく、どれほど業務上の摩擦を取り除けるかということでした。候補者の審査、分析、面接のスピードを自動化によって大幅に向上させるとともに、一貫性を確保し、面接時の候補者審査における偏りをなくせる領域を特定しました。同時に、候補者との関係構築が不可欠だと分かりました。そのため、候補者が自分の声に耳を傾けてもらえていると感じられるプラットフォームを設計することが重要でした。何よりも、面接エージェントに、人間の判断を可能な限り効果的に支援する機能を備えたいと考えました。Caroline 2.0は、こうした学びを基盤として設計されました。話を聞くだけでなく、積極的に対話するAI面接エージェントを実現するため、その知見をさらに発展させています。Caroline 2.0は、キーワードを照合するだけでなく、面接中の含意を捉え、候補者と人事チームの双方に、文脈に沿った情報を提供できるよう設計しました。Caroline 2.0は、人材の発掘、選考、面接、分析、候補者との関係構築を支援できます。採用プロセスのどの部分を自動化するのが適切で、どの部分では人間の採用担当者が直接関与し続けるべきか、どのように判断していますか?応募者データベースの検索、応募者との面接日程の自動調整、履歴書に記載されたキーワードの照合、候補者グループへの定型メッセージの送信は、AIが人間の採用担当者に大きな価値をもたらせる領域です。これにより、採用担当者は採用業務の細かな作業に追われるのではなく、採用戦略により多くの時間を割けるようになります。AIの越えてはならない一線は、判断にあります。私たちは常に、AI面接エージェントを人間の意思決定を支援し、情報を提供するものとして設計してきました。候補者の選考を進めるかどうかを、AIが単独で決めることは決してありません。候補者の動機を理解すること、潜在能力を見極めること、人事以外の関係者に助言すること、候補者との信頼関係を築くことは、いずれも人間の採用チームが全面的に担うべき能力です。AIには定型業務を賢く処理させ、採用担当者が候補者と企業の双方にとって優れた人材採用のサイクルを実現するための時間を、より多く確保できるようにすべきです。AI、世界中の人材へのアクセス、連携されたデータ、自動化によって、従来の人材派遣モデルの中間層をなくせる可能性があるとおっしゃっています。今後数年間で、現在の採用インフラのうち、なくなる、あるいは根本的に変わる可能性が最も高いのはどの部分だとお考えですか?手作業による検索、従来型の履歴書審査、初期段階の選考面接は、大きく変わるでしょう。採用担当者が何カ月もかけて多額の費用を要する人材検索を行い、履歴書を一つずつ開いてキーワードを確認し、初期選考の面接を実施するというやり方は、今後数年で非常に時代遅れに感じられるようになるでしょう。AIが候補者プールの記録管理や維持業務をさらに自動化するにつれて、採用業務を取り巻く事務的な中間層もなくなっていくでしょう。人材採用サイクルの各領域も、縦割りの状態が解消されていくでしょう。人員配置、候補者管理システム、採用プラットフォーム、人材マーケットプレイスが、より直感的に連携するようになり、候補者情報の信頼できる唯一の情報源が標準になっていくでしょう。AIを活用した採用システムについては、特に候補者の選考や評価にモデルを用いる場合、バイアスへの懸念が高まっています。Caroline 2.0の設計にあたり、TalentBridgeは公平性、監査、ガバナンスにどのように取り組んできましたか?バイアスのリスクは極めて深刻に受け止めています。採用に関わるテクノロジーを導入する際には、慎重な姿勢が欠かせません。一方には人々のキャリアや生活が、もう一方には企業にとって重要な事業ニーズがあることを認識する必要があります。意思決定者が利用できる情報の質と一貫性を確保するため、当社のプラットフォームに現れるバイアスを毎週特定し、取り除くよう取り組んでいます。最近の研究では、AI面接エージェントを効果的に活用すれば、より標準化され、バイアスも少なくなることも示されています。テクノロジーは、スキル、経験、キャリアの歩み、その他の関連する情報を明らかにできます。しかし、採用の決定には最終的に、人間の判断と説明責任が欠かせません。こうしたシステムの進化に伴い、継続的なモニタリング、透明性の確保、適切な人間による監督、結果の定期的な評価が不可欠です。目指すべきなのは、単に判断を速めることではなく、より良い判断を下すことです。AI採用担当者の利点の一つは、応募者を更新情報を待たせたままにせず、継続的にやり取りできることです。Caroline 2.0の設計において、候補者体験はどれほど重要ですか。また、AIによって採用プロセスを人間味のないものにするのではなく、よりパーソナルなものにできるのでしょうか?候補者体験は、人材採用サイクルの中核をなす要素です。候補者に採用プロセスへ積極的に関わってもらうには、できる限り十分な情報を得られ、意欲を持てる体験を提供する必要があります。Caroline 2.0による面接ややり取りはすべて、候補者がAIエージェントと話していることを明確に伝えるところから始まります。それでもエージェントは、候補者の履歴書とカバーレターの内容を完全に把握し、職務についても十分な知識を持っています。そのため、候補者の回答に基づき、文脈を踏まえた適切な質問や追加質問を行うことができます。Carolineはいつでも利用できるように設計しており、候補者が大きな不満を感じることの多い、更新情報の遅れや事務手続き上の煩雑さを解消しています。テクノロジーが取り除くべきなのは、やり取りではなく、煩わしさです。Caroline 2.0は、応募者追跡システム、人事プラットフォーム、給与システムなど、従業員に関わる他のテクノロジーとの連携を想定して設計されています。採用エージェントが人事テクノロジーの構成にAIツールをもう一つ加えるだけでなく、真に有用なものとなるうえで、このデータ連携基盤はどれほど重要ですか?データ連携基盤を実現することは、極めて重要です。人事分野では何十年にもわたり、人材採用に関する個別の課題を解決するためにシステムを追加してきました。その結果、高額で、相互に容易に連携できないソリューションが積み重なっています。連携されたデータがあれば、AIエージェントは真に役立つために必要な文脈を得られます。ここで目指せるのは、単に既存の構成にツールを追加するのではなく、人材採用のライフサイクルを再びつなぎ直すことです。AIは情報を機械の速度で動かすことができます。何千人もの応募者からなる候補者プールを審査する際には、これが極めて重要です。AIが大規模な候補者の面接や評価を行えるようになるなか、候補者には自身がどのように評価されているかについて、どの程度の透明性が必要でしょうか。また、企業はAIを活用した採用判断について、どのように説明すべきでしょうか?候補者は今や、審査プロセスにAIが何らかの形で関与することを想定しています。企業の10社中9社を超える割合が、すでにAIを活用しています。したがって、候補者がシステムを信頼できる理由を示し、AIが最終的には人間主導の人材採用サイクルを的確に支援していることを伝え、安心してもらうのが私たちの役目です。企業は、どの情報が評価されるのか、AIがプロセスにどう関与するのか、そして人間の判断が引き続き不可欠であることを明確にすべきです。候補者に、仕組みの見えないブラックボックスによって評価されていると感じさせてはなりません。人材派遣業界で40年以上の経験を積むなかで、企業が人材を探し、評価する方法に大きな変化が起きるのを見てこられました。現在のAIへの移行は、採用におけるこれまでの技術変革と比べてどのようなものでしょうか。また、今回の変化を特別なものにしているのは何ですか?AIは、人材の探索、候補者との関わり方、評価の方法を再設計し、採用のあり方を根本から書き換えています。これまでにも、業界を一新すると期待された技術変革は数多くあり、実際にある程度の変化をもたらしてきました。インターネット、求人サイト、ソーシャルメディア、オンライン面接はいずれも大きな影響を与えました。しかしAIは、個々の業務の進め方だけでなく、プロセス全体の設計を変えるという点で異なります。世界中の人材にアクセスできることやデータ連携と組み合わせることで、AIは、何十年もかけて積み重なった業務の層を単に効率化するのではなく、取り除く機会をもたらします。今後、AIは主に個々の採用担当者を支援するようになるとお考えですか。それとも、AIエージェントが採用ワークフローの多くを担い、人間は判断、人間関係の構築、最終決定に注力する、より自律的な採用モデルへ移行していくのでしょうか?今後数年以内に、企業の採用活動では採用業務の自律化が標準になるでしょう。しかし、人間の採用担当者は今後もこの仕組みに欠かせない存在であり続けます。AIが候補者の発掘、事務作業、コミュニケーション、日程調整、候補者の評価を担う場面はますます増え、それによって人間は判断や候補者との関係構築に専念できるようになります。AIが採用担当者に取って代わることはありません。しかし、採用担当者の働き方や候補者の採用方法、企業が成功に必要な人材を獲得する方法は、今後も変わり続けます。そして最終的に、AIは採用プロセスをより人間らしいものにするでしょう。素晴らしいインタビューをありがとうございました。AIを活用した採用やCaroline、人材ソリューションについて詳しく知りたい方は、TalentBridgeをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューmicro1創業者兼CEO、Ali Ansari ― インタビューシリーズ
Ali Ansariはmicro1の創業者兼CEOで、人間の専門知識を高度なAIシステムの学習データや評価に活用することに取り組んでいます。起業家としての経歴には、ソフトウェア開発会社の立ち上げや、peerlincの創業が含まれます。その後、2022年にmicro1を立ち上げました。UC BerkeleyとStanfordでコンピューターサイエンスを学び、強化学習を専門としました。現在は、AI開発に専門家が貢献できるよう、人材の確保、評価、連携を支えるシステムに取り組んでいます。micro1は、専門家の知見と現実的な作業環境を活用して、最先端のAIモデルの学習やAIエージェントの評価を支援するデータラボです。同社のプラットフォームは、法律、医療、金融、エンジニアリング、科学などの分野で、専門人材の採用、データ作成、品質審査、モデル評価を一体的に提供します。このインタビューでAnsariは、人間の専門知識への需要が高まっている理由、業務データが強化学習をどう支えるか、AIの学習や評価をめぐって生まれつつあるキャリアの機会について語ります。2022年にmicro1を創業する前に、peerlincを立ち上げて売却しています。もともと、どのような課題を解決しようとしていたのでしょうか。また、micro1はどのようにして、最先端のAIモデルの学習と評価に取り組む会社へと発展したのでしょうか。もともとは、自分の事業で抱えていた課題でした。ソフトウェア開発会社を経営していて、新しいプロジェクトが始まるたびに、さらに多くのエンジニアを探して面接する必要がありました。その作業に、膨大な時間を費やしていたのです。そこで、採用を支援するAI面接官のZaraを開発し、それがやがてmicro1になりました。当初は採用ソフトウェアを販売し、審査を経た人材のマーケットプレイスを構築していました。するとある顧客から、AIモデルの学習に数百人のエンジニアが必要だと相談を受けました。なぜそれほど多くの人材が必要なのかを掘り下げていくうちに、モデル開発の現場では人間の専門知識が非常に強く求められていると気づきました。私たちはすでに何年もかけて、大規模に人材を見つけ、審査する体制を築いていました。人間が作成するデータは、その基盤を活用できる非常に有力な分野でした。そこで、この事業に全面的に注力することにしました。自社のAI採用担当者を使って専門人材を探し、審査するとともに、その周辺にデータプラットフォームや品質管理システムを構築しました。現在は、研究機関が専門知識をより高いモデル性能へとつなげられるよう支援しています。AIモデルの能力が高まるほど、人間の専門知識への需要はなくなるどころか、むしろ増えていると主張されています。この関係を生み出している要因は何でしょうか。いくつかのことが起きています。まず、モデルの性能が上がるにつれて、より難しい仕事を任せるようになります。質問に答えられるモデルも役に立ちますが、業務全体を担えるモデルは、はるかに有用です。ただし、そこに至るには、より多くの専門家の知見が必要です。次に、人間は新たな仕事を次々と生み出します。たとえば、弁護士が日々の業務の多くにAIを活用できるようになれば、より複雑な問題に取り組んだり、顧客向けの新しいサービスを開発したりする時間が増えます。そうして新たに生まれた仕事も、やはりモデルに学習させたい対象になります。私たちが「ラストマイルは存在しない」と言うのは、そういう意味です。仕事は絶えず変化し続けます。合成データが加わると、状況はさらに興味深くなります。専門家が作成したタスクやフィードバックを合成データで拡張すれば、もとの人間による入力をより有効に活用できます。モデルの能力向上と並行して人間の専門知識への需要が高まり続けているのは、この組み合わせによるものだと思います。micro1は、法律、医療、金融、エンジニアリング、科学など、さまざまな分野の専門家と連携しています。こうした専門家は、既存のオンラインデータだけでは学習できないどのような知見をAIシステムに提供できるのでしょうか。優れた医師、弁護士、エンジニアを優れた専門家たらしめているものの多くは、実務を通じて培われた判断力です。その一部は文書化されていますが、多くは、珍しい事例への対処方法や、情報の不足に気づく力、あるいはどの詳細が本当に重要かを見極める力に表れます。それは、モデルの学習にとって非常に価値があります。専門家は難しい課題を作成し、良い結果とはどのようなものかを説明し、モデルの回答がどこで不足しているかを正確に指摘できます。回答がとても説得力のあるものに聞こえても、その仕事に携わる人にとって最も重要な点を見落としている場合があります。こうした違いを見分けるには、専門家の力が必要です。また、1人の判断だけではあらゆるケースを捉えられないため、複数の視点と強固な審査プロセスも欠かせません。目指しているのは、そうした経験をモデルが学習できるシグナルに変えることです。各分野には非常に多くの細かな違いもあります。たとえば法律の専門知識は、ひとくくりにはできません。専門分野や州・管轄区域によって異なり、国ごとの法制度によっても違います。それぞれの層で、より専門的な知識と判断力が必要になります。同じような奥深さは、あらゆる分野とその多くの下位領域に存在します。だからこそ、そうした違いが実務上何を意味するのかを理解している専門家が必要なのです。業界の関心が、事後学習、強化学習、評価へと移るなか、現在、最先端モデルの改善を妨げている最大のボトルネックは何だとお考えですか。現実的なデータへのアクセスは、最大級のボトルネックの一つだと思います。企業は何年にもわたって問題を解決し、判断を下し、例外的な事態に対処してきました。その経験は、文書やシステム、業務プロセスの中に蓄積されています。モデルに実際の仕事の進め方を学習させたいのであれば、これは非常に価値の高いデータです。だからこそ、私たちはCompany Data Partnershipsプログラム(CDP)を立ち上げました。企業に対し、業務データのライセンス提供の対価を支払っています。対象には、社内文書、プロジェクトの履歴、CRMの記録、そして人々が仕事を進める際に従うプロセスなどが含まれます。価値の高い企業データセットには、データの内容やパートナーシップの条件に応じて、200万ドルを超える金額を支払っています。そうしたデータを使って、現実に即した学習・評価環境を構築しています。顧客の問題を解決する場面を考えてみてください。アカウントの履歴を確認し、関連する方針を見つけ、どのような対応を取るべきか判断する必要があるかもしれません。その業務の流れに沿って構築された環境があれば、モデルはその手順を実践できます。専門家がタスクを定義し、適切に完了したかどうかを評価する方法も定めます。こうしたフィードバックがあるからこそ、その環境は強化学習に役立つものになります。企業は、基礎となるデータの所有権を保持します。私たちは、プライバシー保護を含む利用範囲や取り扱い要件について合意したうえで、データを目的に応じて整備します。価値の源泉は、記録に残された経験です。CDPは、その経験を生かして企業が収益を得られるようにすると同時に、モデルがはるかに現実に近い環境で業務を行う方法を学べるよう支援します。モデルの能力が大幅に向上していくなかでも、AIシステムが再現するのは特に難しいままだと思われる、人間の判断力や専門性にはどのようなものがありますか?人間の審美眼や創造性は、モデルにとって特に再現が難しい分野だと思います。その理由は、学習データをどのように作るかという点にあります。多くのタスクでは、専門家を集めて、何が優れた成果なのかについて合意を得ることができます。それによって、学習に役立つシグナルが得られます。しかし、優れた画像や映画、心を引きつけるデザインとは何かを人々に尋ねると、話し合えば話し合うほど、意見が分かれていくことがあります。誰もが同意できる答えがあるとは限りません。そうした分野でも、AIは非常に有用なものになり得ます。しかし、何を作りたいのか、誰に向けたものなのか、そして実際に相手の心に響くのかを判断するには、人間の判断力が大きく関わります。ツールによってものを作りやすくなるほど、その判断力はさらに重要になると思います。専門家が、AIの学習や評価を副業ではなく、本格的な専門職として捉えるケースが増えています。これはまったく新しい雇用分野へと発展する可能性があるでしょうか。また、どのようなキャリアが考えられますか?もちろんです。すでに数十億ドル規模の新たな仕事の分野が生まれています。専門家が、キャリアを通じて培った知識を生かし、AIの学習や評価を支援しています。人によっては、仕事人生のかなり大きな部分を占めるようになっています。仕事の内容そのものも、非常に専門性の高いものになり得ます。弁護士であれば、難しいシナリオを作成し、モデルの回答をどう評価するかを定めることがあります。エンジニアであれば、エージェントがソフトウェアの一連の業務プロセスを最後までたどるタスクを構築することがあります。さらに、データを確認し、評価基準を改善し、専門家チームを率いる人たちもいます。この仕事によって、自分がその分野を選んだ原点に、より集中できるようになることもあります。多くの仕事では、本人が最もやりがいを感じる業務の外にある事務作業や義務に、多くの時間が費やされています。自分の専門分野でAIを学習させる仕事なら、難しい問題に取り組み、判断力を発揮し、経験から得た知見を共有することなど、自分の専門性を仕事の中心に据えられます。自分が大切にし、得意とすることに、より多くの時間を使いながら、AIがその仕事にどう取り組むかを形作る機会にもなります。こうした仕事を軸に、実際のキャリアパスが生まれてくると思います。自分の専門分野の知識を学習データに落とし込むことや、データパイプラインを運用し、モデルがどこで支援を必要としているかを把握することに長けた人材になれます。これらは価値あるスキルですが、こうした役割がどのようなものになるのかは、まだ模索が始まったばかりです。企業がAIモデルの改善に向けて医師、弁護士、エンジニア、科学者などの専門家を採用するなかで、専門性をどのように確認し、作成される学習データの正確性と一貫性をどう確保していますか?私たちは、このための包括的なシステムを構築しました。まず、AI採用担当のZaraが、プロジェクトに必要なスキルを持つ専門家の募集と審査を支援します。次に、Meritツールを使って、専門家の貢献の質、速さ、信頼性を継続的に追跡します。専門性そのものだけでなく、それが生み出すデータにどのように反映されているかも把握する必要があります。flowプラットフォームは、データの生成とレビューを支援するために開発したモデルと、専門家の作業を結び付けます。専門家がタスクと、優れた成果とは何かを定義します。次に、flow genがその出発点をもとに、新たな例やバリエーションを作成します。flow qcは、根拠の欠落や、タスクと採点基準の不一致などの問題がデータにないかを確認します。そしてflow graderが、その基準に照らしてモデルの性能を評価します。重要なのは、専門家が誤りを見つけた後に何が起こるかです。その修正は学習データの改善につながるだけでなく、データ生成の仕組みや品質チェック自体の改善にも役立ちます。繰り返し起きる誤りを、次のバージョンで使うテストに変えることができます。これが、私たちが構築している合成データのフライホイールです。人間の専門知識が出発点となり、判断を支えます。私たちのツールで規模を拡大し、専門家からのフィードバックを次のサイクルの改善に役立てます。そして、そうした変更によってモデルの性能が実際に向上するかを検証します。この循環に価値があるのはそのためです。AIエージェントは、単に応答を生成するだけでなく、複雑な複数ステップのタスクを実行する必要性が高まっています。こうしたシステムのトレーニングや評価は、従来の大規模言語モデルの性能向上に必要な作業とどう異なるのでしょうか?大きな違いは、タスクの長さです。エージェントは、有用な結果にたどり着くまでに、さまざまなツールを使って多くの操作を行う必要があるかもしれません。最初の数ステップをうまく進めても、ミスが積み重なり、最終的なタスク全体には失敗することがあります。そのため、モデルがワークフロー全体を練習できる環境と、どこでつまずくのかを明らかにする評価が必要です。正しい情報を見つけられたか。ツールを適切に使えたか。望んでいた結果を実際に達成できたか。さらに、その企業固有の状況もあります。ある企業の業務で働くエージェントには、その企業のプロセスや期待を理解することが求められます。汎用的な能力だけでは、できることに限界があります。だからこそ、分野の専門家がとても重要になります。専門家は、失敗の原因を特定し、改善に必要なデータを作成するのを助けてくれます。評価して、課題を見つけ、その課題に対処するようトレーニングし、再び評価する。このプロセスは、エージェントがより多くの業務を担うようになるにつれて続いていきます。最先端モデルの能力が高まるにつれて、モデルが必要とする人間の手で作られたデータの種類はどう変化していますか。また、今後数年間で、どのような専門知識や評価の形が大幅に価値を高めると考えていますか?ますます重要になっているのは、タスクの長さと、現実世界をどれだけ忠実に反映しているかという2点です。モデルの性能が向上するにつれて、有用なトレーニングデータは、より多くの判断や文脈、ミスが起こり得る機会を含む複雑なワークフローへと移っていきます。そのため、実務に関する専門知識の価値は非常に高くなります。長年その仕事に携わってきた人は、外部からタスクを設計すると見落としがちな例外や依存関係を理解しています。また、エージェントの成果が実際にその企業の業務で通用するかどうかも判断できます。企業向け評価は、いずれ年間1兆ドル規模の巨大市場になる可能性があると思います。エージェントを導入する企業はすべて、どの業務で機能し、どこで失敗し、どう改善すればよいかを把握する必要があります。自分の知識を有用な評価に生かせる人々が、その中心的な役割を担うでしょう。企業もモデルも業務も変化し続けるため、これは継続的に必要とされます。専門家の中には、自分の仕事の一部をAIシステムに実行させるためのトレーニングに、事実上協力している人もいるかもしれません。この緊張関係をどう捉えていますか。また、今後3〜5年で、人間の専門知識とAIの関係はどのようになると考えていますか?こうしたツールを使えるようになれば、人々がどれほど多くの新しい仕事を生み出すかを、私たちは過小評価していると思います。採用を例に考えてみましょう。エージェントが初期選考のより多くを担えるようになれば、採用担当者は候補者との関係づくりや、これまで企業が接点を持てなかった人々にどうすれば関心を持ってもらえるかを考えることに、より多くの時間を使えます。役割は変化し、同じ時間でより多くのことができるようになります。多くの職業で同じようなことが起きると考えています。今後3〜5年で、エージェントは、人々が指示を出し、文脈を伝え、評価する同僚のような存在になっていくでしょう。それに伴って、人々は新たな責任を担うようになります。だからこそ、私は楽観的です。AIのトレーニングや評価に関わる新たな仕事がすでに生まれていますし、人々がAIを使って何を構築し、何を達成できるかを見いだすにつれて、今後さらに多くの仕事が生まれると思います。素晴らしいインタビューをありがとうございました。専門家主導のトレーニングデータやAI評価について詳しく知りたい方、またご自身の専門知識を生かして貢献する機会を探している方は、micro1をご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューCircuit & Chisel創設者、Louis Amira ― インタビューシリーズ
Louis AmiraはCircuit & Chiselの創設者で、AI、暗号資産、決済の各分野で製品やパートナーシップを構築してきた経験を持つ。GoogleのArea 120インキュベーター内で事業を共同創業したほか、Chainlinkで勤務し、Stripeでは暗号資産とAIに関するパートナーシップを主導した。AIエージェントが企業にとって信頼でき、実用的な仕事をこなすうえで妨げとなるインフラの不足を解消するため、David Noël-RomasとともにCircuit & Chiselを立ち上げた。Circuit & ChiselはAIエージェント向けのインフラを構築しており、ATXP、Unbiased、Paretoを手がける企業でもある。ATXPはエージェントに身元確認と決済の機能を提供し、Paretoは最先端モデルとオープンウェイトモデルを組み合わせ、AI推論の品質とコストの課題に取り組む。Unbiasedは自社プラットフォームを通じてParetoを利用できるようにしている。このインタビューでAmiraは、モデルのオーケストレーション、評価、推論の経済性、データ保持、そして信頼できるエージェントの推論と自律的な決済の関係について語る。キャリアの中で、GoogleのArea 120インキュベーターからStripeでの暗号資産・AIパートナーシップの主導を経て、Circuit & Chiselを共同創業されました。こうした経験から、AIエージェントに必要なインフラについてどのようなことを学びましたか。また、最終的に同社を立ち上げるきっかけとなったのは何でしょうか。Googleでは、Area 120内で会社を共同創業しました。そこで得た教訓は、最初に何を築くかによって、その後に築けるものが決まるということです。ChainlinkとStripeでは、今度は反対側から同じパターンを目にしました。新しい技術は、天候に恵まれた完璧な条件のデモ環境では動いても、現実世界で使うための基盤がまだ整っていないために、そこで行き詰まってしまうのです。Davidと私は、実際の企業のために実際の仕事をこなすエージェントを開発するため、Circuit & Chiselを立ち上げました。エージェントは、ありふれた理由で何度も失敗していました。自分が誰なのかを証明できず、何かの支払いもできなかったのです。そこで、エージェントに身元と決済手段を提供するATXPを開発しました。次にぶつかった壁は、行動できるエージェントは、タスクに見合う価格で正しい結果を出す必要もあるということでした。それがParetoです。どちらの場合も、足りないものを見つけて、それを作るという発想は同じでした。Circuit & Chiselは当初、AIエージェント間の自律的な決済を可能にするプロトコルATXPに注力し、その後、UnbiasedとParetoを通じてAIモデルのインフラへと事業を広げました。この展開のきっかけは何でしたか。また、これらの技術は、エージェント経済に関するより大きな構想の中でどのように位置づけられていますか。顧客とそのエージェントが、ATXPが機能することを示してくれました。エージェントは身元を持ち、お金を使うことができました。しかし、企業と話をすると、最初の課題は決済ではありませんでした。出力への信頼でした。仕事に合わないモデルを選んだり、間違った答えを出したりするエージェントに、予算を任せる人はいません。そこで今年初め、品質とコストの改善に向けた取り組みを強化しました。それがParetoになりました。この2つは今も連携しています。Paretoは、エージェントがタスクについてどのように推論するかを決めます。ATXPは、エージェントが行動し、支払いを行えるようにします。両方が必要であり、その順番も重要です。判断力を信頼する前に、エージェントにウォレットを渡す人はいないからです。私たちは、開発する順番を間違えただけでした。Paretoは、単一のモデルや従来型のルーティングシステムに頼るのではなく、複数の最先端モデルとオープンウェイトモデルの出力を組み合わせることで、従来の大規模言語モデルとは異なるアプローチを取っています。このアーキテクチャの仕組み、特に競合する回答を統合して、より正確で有用な結果を導き出す方法について説明していただけますか。Paretoは単一のモデルではなく、システムです。複数の研究機関のモデルにタスクを振り分け、最先端モデルにもオープンウェイトモデルにも、それぞれ役割を与えます。複数のモデルがタスクをこなせる場合もありますが、複雑なケースでは、レビューや助言を担当するモデルが必要になることもあります。どのモデルを呼び出すかは、その種類のタスクに対する能力、コスト、速度、信頼性の各スコアに基づいて決めます。また、タスクに応じて、どの程度の検証が必要かも判断します。回答を平均することはありません。平均すると、誤りが互いに混ざって曖昧になるからです。モデル同士には異なる回答を出してほしいと考えています。意見の食い違いがあるところに、間違いが表れるからです。利用可能なモデルの組み合わせが変われば、再テストを行い、番号を付けた新しいバージョンのParetoをリリースします。Paretoが掲げる主要な価値の一つは、最先端レベルの知能を大幅に低いコストで提供することです。回答の生成に複数のモデルが関わる場合もある中で、どのようにコスト効率を実現しているのでしょうか。また、推論コスト、レイテンシ、出力品質の間にはどのようなトレードオフがありますか。Paretoの役割は、最先端レベルの回答を提供することです。コストを抑えられるのは、その実現方法によるものです。人々がAIに送る依頼の大半は定型的なものです。そうした依頼には、より安価なモデルでも、最も高価なモデルと同じ頻度で正しく答えられます。Paretoは定型的な依頼をそうしたモデルに振り分け、最先端モデルや、複数のモデルが連携して対応する必要がある依頼のために、それらを温存します。公開済みのテストでは、この組み合わせにより、主要なベンチマークの大半でGPT-6 AstraやClaude Opus 5.5に数ポイント差まで迫りながら、タスク当たりのコストを30~70%削減しました。大きなトレードオフはありません。Paretoがすべての依頼を完璧に振り分けられるわけではありませんが、振り分けを誤る頻度を測定し、その結果を改善して公開しています。貴社のチームは、GPT-6 AstraやClaude Opus 5.5を含む比較評価を通じて、Paretoが主要なプロプライエタリモデルやオープンウェイトモデルと競争力を持つことを示すベンチマーク結果を公開しています。こうした評価がベンチマークに特化した最適化ではなく、実環境での性能を反映していることを、どのように確かめていますか。また、最先端モデルがParetoに対して依然として明確な優位性を持つのは、どのような点でしょうか?評価コードを公開しているため、誰でも数値を再検証できます。Paretoを含め、すべてのモデルを同じ評価環境でテストしています。また、Paretoが勝った結果だけでなく、同じように負けた結果も公開しています。常に運営側が勝つスコアボードは、ただの広告です。複数のAIゲートウェイでサービスを開始し、規模や業種を問わずさまざまな企業に新モデルへのプレビューアクセスを提供してきました。寄せられたフィードバックをほぼリアルタイムで取り入れ、モデルの性能を継続的に改善しています。Paretoは、公開から最初の48時間で2兆トークン以上を処理したと報じられています。この初期需要から、コスト効率に優れたAI推論の市場について何が分かりましたか。また、この規模で性能、信頼性、拡張性を維持するうえで、最大の技術的課題は何でしたか?需要は、私たちやパートナーが予想していた数倍に達しましたが、残念ながら、十分に対応できるだけの計算資源がありませんでした。初日には、需要が1分あたり50億~100億トークンを超えました。私たちが処理できていたのは約16億トークンでした。こうした需要のすべてに無料で適切に対応するには、1日あたり何百万ドルもの費用がかかったでしょう。分かったのは、価格がAIの利用を大きく抑制しているということです。ある価格なら製品が成り立つものの、その5倍の価格では成り立たないという開発者がいます。価格を下げれば、そうした人たちが使い始めます。最も大きな問題は単純でした。処理能力が足りなくなったのです。初日にはモデルの応答が遅くなり、利用を諦めた人もいました。一晩で処理能力を増強し、サービス開始から2日後に有料アクセスへ移行しました。これが、正直な形で利用を制限する方法です。情報開示についても学びがありました。Union Alphaが単一のモデルではなく、複数のモデルが連携して動くものだと知り、誤解させられたと感じたユーザーもいました。パートナーとともに、Union Alphaを「もう一つのモデル」として公開したのには、そうした事情もありました。ルーターの出力をユーザーが利用するうえで、実際に違いはないからです。ゼロデータ保持もParetoの重要な特徴の一つです。特に企業では、機密情報がサードパーティーのAIプロバイダーを経由することへの懸念が高まっています。複数の基盤モデルが関わる場合、こうした保護をどのように徹底し、検証していますか。また、企業顧客はデータの取り扱いについて、どのような保証を得られますか?ゼロデータ保持プランでは、プロンプトも出力も保存しません。送信先のプロバイダーも同様に保存しません。複数のモデルを経由する場合、ZDRの約束は最も弱い部分に左右されます。そのため、ZDRリクエストはゼロ保持の条件で稼働するモデルにのみ送信します。プロバイダーがその条件を満たせない場合、ZDR対象のトラフィックは送信しません。企業顧客には、データ処理契約とZDR付属書という形で、書面による保証を提供しています。また、どのプランがZDRに対応していないかも明確に示し、顧客が誤ったプランを選ばないようにしています。データを自社の建物の外に一切出したくない企業向けには、自社のハードウェア上で実行できるバージョンを開発中です。詳細は近日中にお知らせします。AIエージェントが質問に答える段階から、複雑な複数ステップのワークフローを実行する段階へと進むなか、小さな推論ミスが積み重なり、大きな失敗につながることがあります。Paretoは、ハルシネーション、モデル間で出力が食い違う問題、長時間にわたるエージェントタスクの信頼性といった課題にどう対処していますか。また、複数のモデルを組み合わせることで、新たな失敗要因が生じる可能性はありますか?これは、私たちが最初に直面した問題です。デモの場を離れると、エージェントはうまく機能しなくなります。2番目のステップでの小さなミスが、10番目のステップでは大きなミスになります。難しいステップでは、複数のモデルが役立ちます。同じ問題に個別に取り組ませたり、互いの結果を確認させたり、エージェントが次に進む前に結果を確かめさせたりできます。単一のモデルには、別の意見を示す存在がいません。Paretoにはそれがあります。実際のタスクにおけるユーザー満足度と性能を測定し、悪い結果も含めて公開したうえで、見つかった問題を修正しています。毎回同じ動作を必要とする顧客は、Paretoのバージョンを固定できるため、予期せず変更されることはありません。ATXPとUnbiasedを通じて、Circuit...
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューOrca Securityのグローバル・ディストリビューション責任者、Shannon McWilliams氏――インタビューシリーズ
Shannon McWilliams氏は、Orca Securityでグローバル・ディストリビューションを統括し、パートナーエコシステムとそれを支えるツール全般を担当しています。以前、ソフトウェア開発会社を設立した経験があり、ビジネスニーズをアプリケーションに落とし込む知見を持っています。最近では、AI開発ツールを使ってOrcaのPartner Success Platformの初期版を構築し、セキュリティチームと協力しながら、週末の試作品だったプロジェクトを本番運用可能なシステムへと発展させました。Orca Securityは、組織が資産を発見し、リスクを特定して優先順位を付け、クラウド環境を保護するためのクラウドセキュリティプラットフォームを提供しています。脆弱性、設定ミス、アイデンティティと権限、機密データ、AIセキュリティなど、幅広い領域に対応しています。このインタビューでMcWilliams氏は、AIによってビジネスユーザーがソフトウェアを開発できるようになっていること、動作するアプリケーションにも独立したセキュリティ審査が必要な理由、そして継続的な発見、最小権限、人間による監督が、企業による新たな開発モデルの管理にどう役立つかについて語ります。Orca Securityにグローバル・ディストリビューション責任者として入社し、数カ月のうちにAIを使ってご自身で新しいパートナープラットフォームを構築することになりました。当初、どのような課題を解決しようとしていたのでしょうか。また、このプロジェクトが実験段階から、Orcaが実際に本番環境へ導入できるものへと発展したのはいつでしたか?Orcaに入社したとき、検討を任されたことの一つが、パートナー体験全体の見直しでした。私たちはサードパーティーのプラットフォームを使っていましたが、パートナー向けに、より現代的で使いやすいものを作る機会があると感じました。アプリケーション開発の経験は多少ありましたが、私自身が開発者だったわけではありません。その年の夏の初めに、サードパーティーのアプリ生成プラットフォームを提供する企業のサービスを使って消費者向けアプリケーションに取り組んだことがあり、AIを使って自分で何を作れるか試してみることにしました。週末の間に、後にPartner Success Platformとなるものの基本的な初版を作ることができました。理想的な顧客とのマッチングや商談のコーチングといったAI活用機能も含み、従来のパートナーポータルで見てきたものを超える機能を備えていました。さらに、認定資格の進捗管理やAI生成クイズなど、多くのアプリケーションをプラットフォームに追加し、パートナー向けの認定プロセス全体をゲーム感覚で進められるようにしたうえで、Salesforceプラットフォームとのデータ同期も開始しました。転機となったのは、CEOが初期版を見て、その可能性に気づいたことです。そのとき、実験段階から一歩進み、このようなものを安全に本番運用できる状態にするには実際に何が必要なのかを検討し始めました。セキュリティチームが加わり、最終的に外部企業による独立した検証を受ける前に、私はDudi Peretz氏と緊密に連携して環境のセキュリティ確保に取り組み始めました。以前、ソフトウェア開発会社を設立された経験から、従来のアプリケーション開発の進め方をご存じだと思います。自然言語でAIに指示してソフトウェアを構築する方法は、開発者をマネジメントする従来のやり方と比べてどうでしたか。また、どの段階でご自身の専門分野の知識が最も重要でしたか?最大の違いはスピードでした。従来のソフトウェア開発では、アイデアを思いついてから、それを技術要件に落とし込み、開発者に実装してもらい、その結果を繰り返し改善するまでに、通常はいくつもの工程があります。AIを使えば、実現したいことを説明し、形になっていく様子を確認しながら、すぐに改善を重ねることができました。望ましいUIや、機能を実現するためのデータベースの対応付けを定義する開発者との会議に何日も費やす代わりに、反復作業にかかるのは数分です。AIを使った開発なら、2日間の会議ではなく、2文のプロンプトで済みます。しかし、専門知識が不要になるわけではありません。専門知識が重要となる場面が変わるのです。AIによってアプリケーション開発の技術的なハードルは大幅に下がりますが、AIに指示を出す人は、解決しようとしている課題や、使いやすい体験とは何か、そしてそのアプリケーションが最終的にビジネスで何を実現する必要があるのかを理解していなければなりません。最も驚いたのは、アイデアから機能するものへと、いかに短時間でたどり着けるかということでした。かつては数週間かかることもあったデータ分析のような作業を、今では1日で完了できる可能性があります。Orcaは、パートナープラットフォームの最初の動作版を、週末のわずか1日で構築したと説明しています。AIによって大幅に加速できたのはどのような作業で、本番運用可能なアプリケーションを構築するうえで、当初考えていた以上に難しかったのはどの部分でしたか?AIによって、アイデアから動作するアプリケーションまでの距離は大幅に縮まりました。従来ならはるかに長い開発期間が必要だった機能を週末のうちに構築でき、機能の追加や変更も非常に速く続けられました。そのスピードには驚かされる一方で、少し恐ろしくもあります。AIが解消しなかったのは、アプリケーションを安全に本番運用するために必要なすべての作業です。これを実際のサービスにできると判断した後、セキュリティチームが環境を評価し、セキュリティ上の問題に対処して、アプリケーションが適切に保護されていることを確認する必要がありました。最終的には、検証をさらに重ねるため、外部企業にも依頼しました。つまり、AIによって開発は驚くほど速くなりましたが、「動く」ことと「企業環境で安全に運用できる状態にある」ことは、依然としてまったく異なる基準なのです。AI開発プラットフォーム独自のセキュリティツールではアプリケーションは安全だと示されていましたが、その後Orcaが行ったレビューでは、権限やデータアクセスに関する問題が見つかりました。この経験から、ビジネスユーザーはAI開発プラットフォームが示すセキュリティ上の保証を、どの程度信頼すべきだと学びましたか?この経験から得た最大の教訓の一つだったと思います。プラットフォームには独自のセキュリティスキャン機能があり、開発を進めるうえで有用な基準となっていました。しかし、セキュリティチームとレビューを進めたことで、特に権限やデータアクセスといった領域では、さらに検証を重ねることの価値を実感しました。組み込みのセキュリティツールは開発プロセスの重要な一部ですが、専任のセキュリティチームがもたらす、より深い知見や専門性と組み合わせることで最も効果を発揮するのだと、改めて認識しました。これは特に重要です。AIを使ってアプリケーションを構築できる人の多くは、セキュリティの専門家ではないからです。どのような質問をすべきか、権限の範囲が広すぎないか、どのような設定によってデータが漏えいする可能性があるかを、把握していない場合もあります。開発プラットフォームがアプリケーションを安全だと示しただけで、プロセスを終わりにすることはできません。アプリケーションを公開したり、機密性の高い企業システムに接続したりする前に、プラットフォーム独自のチェックを通過したかどうかにとどまらない、包括的なセキュリティレビューが必要です。セキュリティチームが脆弱性を特定した際、その調査結果をAI開発環境にフィードバックし、数分以内に修正策を生成できることがよくありました。AIによって、セキュリティ上の問題への対処は、長い開発サイクルを要するものから、開発者とセキュリティチームの継続的な対話へと根本的に変わる可能性がありますか?これは、最も期待の持てる可能性の一つです。Dudiとセキュリティチームが問題を特定したとき、そのフィードバックをAI開発環境に直接取り込み、非常に短時間で修正策を生成できました。これにより、アプリケーションを構築する人と、その安全を確保する責任を担うチームとの間で、より緊密なフィードバックループを実現できる可能性があります。従来、ソフトウェアの構築からリリースまでは、かなり長い時間がかかることがありました。今では、誰もが毎日変更を加えて公開できます。セキュリティも同じ速さで対応しなければなりません。セキュリティ評価を開発プロセスに継続的に組み込み、問題を特定し、開発者に伝え、修正したうえで、アプリケーションを再評価するまでの時間を大幅に短縮できる可能性があります。しかし、問題への対処を速めるからといって、検証の基準を下げてよいわけではありません。AIは迅速に修正策を生成できますが、その修正によってリスクが実際に解消されたのか、別のリスクが生じていないのかを確認する手段は、依然としてセキュリティチームに必要です。こうして生まれたパートナー向け成功支援プラットフォームには、AIアシスタント、パイプライン分析、キャンペーンの生成、商談コーチングが組み込まれています。AIに直接任せる業務と、パートナーや営業担当者が判断すべき事柄を、どのように見極めましたか?私の目標は、パートナー対応や営業プロセスから人間を排除することではありませんでした。AIを活用して、人々がより速く業務を進め、すでに利用できる情報をより有効に活用できるようにすることです。商談コーチングはその好例です。AIは、パイプラインに滞留している商談を前進させる方法を見つける手助けをし、追加の背景情報や次に取るべき行動の提案を提供できます。重要なのは、AIが複数の異なるシステムから情報を迅速に取得し、その関連性を分析したうえで、ユーザーが行動に移せる形に整理して提示できることだと考えています。プラットフォームによってパートナーや営業担当者の業務効率を高めつつ、ビジネス上の判断を要する決定については、人間が責任を負うべきです。目指すのは、プラットフォームの活用を通じて、商談の発見から受注までにかかる時間を短縮することです。AIによって、営業、マーケティング、財務などの部門で働く従業員が、エンジニアリング部門を介さずに独自のアプリケーションを構築できるようになっています。そうしたアプリケーションが顧客データ、社内システム、クラウドインフラに接続することを認める前に、どのような最低限のセキュリティおよびガバナンスの管理策を整備すべきでしょうか?最初に必要なのは可視性です。組織の方針として、こうした試行やイノベーションを後押しすべきですが、存在を把握していないアプリケーションは保護できません。そのため、イノベーションを奨励すれば、従業員がプロジェクトを隠れて進めるのではなく、組織に持ち寄る可能性が高まります。次に、アプリケーションがどのIDと権限を持つのか、どのデータにアクセスできるのか、どのサードパーティーシステムと通信するのか、そして、それらの権限が本当に必要なのかを把握する必要があります。イノベーションが生まれる土壌を整えると同時に、イノベーターを支援し、セキュリティ要件も満たせるプロセスを設けることが大切です。最小権限の原則は、特に重要です。私たちが目にするリスクの一つは、アプリケーションに実際に必要な範囲を超えるアクセス権が付与されることです。また、セキュリティチェックをリリース前の一度きりにすることもできません。アプリケーションが継続的に変更されるのであれば、組織も継続的に再評価できなければなりません。従来のソフトウェアガバナンスは、エンジニアリングチーム、プルリクエスト、リリースサイクル、そして比較的管理されたデプロイパイプラインを前提に設計されていました。ビジネスユーザーがアプリケーションを継続的に変更・デプロイできるようになった今、企業のソフトウェア開発ライフサイクルはどのように変わる必要があるでしょうか?根本的な課題は、開発のペースが変わったことです。従来、ソフトウェアは比較的確立されたプロセスを通じて、時間をかけて構築・リリースされていました。AI開発ツールを使えば、新しいものを毎日作って公開することさえ可能です。このような環境では、定期的なチェックポイントを前提としたセキュリティやガバナンスのプロセスでは不十分です。この開発サイクルに歩調を合わせ、継続的に機能するセキュリティへと移行する必要があります。そのためには、何が構築されているのかを把握し、どのように設定され、何と接続されているのかを理解し、変更に応じてスキャンを行い、ビルダーがすぐに取り入れられる実践的なフィードバックを提供することが求められます。従業員によるこうしたツールの利用を止めることは解決策になりません。生産性向上の機会があまりにも大きいからです。課題は、イノベーションを安全に実現できるガードレールを整えることです。AIで構築されたアプリケーションの台頭を、さらに厄介な「シャドーIT」の一形態と比較されています。この世代のシャドーソフトウェアがこれまで以上に課題となり得るのはなぜでしょうか。また、セキュリティチームやITチームが存在すら把握していない可能性のあるアプリケーションを、組織はどのように見つければよいのでしょうか?従来のシャドーITでは、IT部門の承認を得ていないSaaSアプリケーションを従業員が導入するケースがよく見られました。現在異なるのは、従業員自身がアプリケーションを作成できるようになったことであり、その作成も非常に速いという点です。個人アカウントを使ってアプリケーションを構築し、サードパーティーのシステムと連携させ、セキュリティチームがその存在を知る前に企業データへ接続することさえあり得ます。これが特に難しい課題となる理由です。構築があまりにも容易になったため、アプリケーションの数と変化の速さが、従来のガバナンスの対応能力をすぐに上回りかねません。CISOが直面しているのは、同じ根本的な問いです。何が構築されたのか、またどのように設定されているのかさえ分からない場合、どうすればそれを保護できるのでしょうか?そのため、検出はセキュリティ戦略の中核に据える必要があります。イノベーターを支援し、探求を促しながら、プロジェクトを登録してもらうことは、検出を実現する優れた方法です。組織には、コードだけでなく、環境全体で稼働しているアプリケーション、それらに関連付けられたIDと権限、アクセスしているデータ、通信先の外部システムを可視化することが求められます。数年先を見据えたとき、知識労働者の大半が、AIを通じて何らかの形でソフトウェアを構築するようになるとお考えですか?そうであれば、企業におけるプロの開発者、セキュリティチーム、ビジネスリーダーの役割はどのように変わるでしょうか?「ソフトウェアを構築する人」の定義が大きく広がる世界へと向かっています。AIにより、ビジネス上の課題を理解している一方で従来型の開発者ではない人でも、アイデアを非常に短時間で動作するアプリケーションにできるようになっています。私自身、それを実体験しました。プロの開発者やセキュリティチームの重要性が薄れるとは思いません。専門知識が必要とされる場面が変わるのです。ビジネスユーザーが自らソリューションを構築する機会が増える一方、開発者はより複雑な技術課題に集中でき、セキュリティチームには、この新世代のビルダーが安全にイノベーションを進められるよう、可視性とガードレールを整えることが求められます。アプリケーションのサポートや保守にも、新たな視点が必要です。「ビルダー」が必ずしも最適な「保守担当者」とは限りません。ビジョンやビジネス上のニーズをもたらすのはビルダーですが、アプリケーションを長期にわたってサポートする仕事には、依然としてIT部門やアプリケーション部門が適しています。ビジネスリーダーにとって、これは大きな機会であると同時に、新たな責任も生み出します。チームがソフトウェアを作れるのであれば、ソフトウェアのリスクをビジネスの一部として考える必要があります。エンジニアリング部門だけに関わる問題ではありません。素晴らしいインタビューをありがとうございました。クラウドセキュリティ、AIで構築されたアプリケーション、企業環境の保護について詳しく知りたい読者は、Orca Securityをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューEverHealthのプロダクトリード、Grant Lunneyに聞く――インタビューシリーズ
Grant LunneyはEverHealthのプロダクトリードで、医療技術、臨床業務、製品戦略の分野で20年近くの経験を積んできました。これまでBoulder Community Health、OTTO Health、NextGen Healthcare、CrowdHealthでキャリアを重ね、外来医療と、医療機関が直面する実務上の課題に取り組んできました。EverHealthでは、臨床記録や診療業務のワークフローにAIを活用し、臨床医が患者のケアにより多くの時間を充てられるよう取り組んでいます。EverHealthは、電子カルテ、診療所の運営管理、医療費請求、患者とのコミュニケーションにわたる医療技術を提供しています。同社のEverHealth Scribeは、診療現場での会話をAIで捉え、EHR内に臨床医が確認・承認するための臨床記録案を作成します。このインタビューでLunneyは、行動医療の記録、患者の同意とプライバシー、臨床上の監督、そしてAIが独立系医療機関の事務作業をどう削減できるかについて語ります。あなたは医療技術の分野で20年近くキャリアを重ね、Boulder Community Healthでの臨床業務や戦略の担当から、OTTO Health、NextGen Healthcare、CrowdHealth、そして現在のEverHealthでの製品責任者まで、幅広い経験を積んできました。こうした経験は、医療においてAIが果たすべき役割についての考え方にどのような影響を与えましたか。また、EverHealthで製品イノベーションを率いる機会に惹かれた理由は何ですか?私は20年近くにわたり、主に外来医療の分野で医療技術に携わってきました。その間、医師が診療に役立てるためのツールが目覚ましい進歩を遂げるのを見てきました。電子処方が大きな話題だった頃を覚えています。医師が処方箋を電子的に送信し、患者が薬局に着く頃には薬を受け取れるようにするという考え方は、大きな進歩でした。それ以来、ますます高度なEHRや業務プロセスの自動化、相互運用性など、医療の効率化を目的としたさまざまなツールが導入されてきました。私はAIについても、これと同じように考えています。大規模言語モデル、生成AI、予測モデルのいずれであっても、こうした技術は私たちの道具箱に加わる新たなツールです。目指すところは変わりません。臨床医の業務効率を高め、最終的には提供できる医療の質を向上させることです。2,500人、あるいは3,000人の患者を担当するプライマリケア医を考えてみてください。日々の時間は、急性期の診療や投薬管理、複数の慢性疾患を抱える患者のケアに追われています。しかし、そうした医師たちが、患者とより早い段階から向き合う時間をもっと持ちたいと思わないはずがないと、私は信じています。栄養、運動、行動医療、そして健康に影響する社会的要因について話し合うことです。患者が大きな変化を起こせるよう支援し、次の慢性疾患の発症を未然に防ぐことです。それこそが、彼らが医学部に進んだ理由なのです。AIに期待するのは、まさにこの点です。事務作業や情報処理の大きな部分を臨床医の肩から取り除き、診療に充てる時間を増やせる技術が生まれ始めています。私がEverHealthに惹かれたのは、この技術を医療機関全体に段階的に導入できるからです。まず一つの課題を卓越した形で解決し、それから次の課題に取り組むことが重要だと強く信じています。臨床記録を改善し、次に診断候補の認識、さらにオーダーや処方、診療所の運営へと進めることができます。時間がたつにつれて、こうした改善が互いに連携し始めます。EverHealth ScribeはAIを使い、患者と医療従事者の会話を構造化された臨床記録に変換します。診療中の会話を記録してから臨床記録を作成するまで、技術がどのように機能するのか説明していただけますか。また、他のAIを活用した医療記録ソリューションと比べて、どのような点に特徴があるのでしょうか?最も基本的な仕組みとしては、AIスクライブが患者と臨床医の会話を聞き取り、音声認識によって誰が何を話しているかを理解したうえで、大規模言語モデルを活用し、臨床上重要な情報を構造化された記録にまとめます。臨床医はその内容を確認し、必要に応じて修正を加え、最終的な記録を承認します。この基本的な作業については、優れた診療会話対応型AIスクライブの多くが、非常に高い能力を発揮するようになってきたと思います。モデルによって高度さや精度には違いがありますが、今後、他との差別化につながる大きな機会は、こうした処理を取り巻くあらゆる要素から生まれるようになると考えています。そこにDrChronoが登場します。DrChronoは、最初の電話対応から請求の支払い完了まで、独立系医療機関の業務全体を一つのシステムで管理します。ScribeなどのAIは、受付から診察室、請求業務まで、あらゆる役割で活用でき、最終的な判断は常に臨床医が行います。診察室では、臨床記録の作成後に、臨床医の業務をどれだけ多く完了できるかが出発点になります。すでに診断やCPTコードの推奨機能を追加しており、現在は検査などのオーダーや処方にも対応範囲を広げています。これらはすべてEHRに直接組み込まれています。また、過去の診療、病歴、受診前の記録からも情報を取り込んでいます。15分間の会話は、はるかに大きな臨床経過のほんの一部にすぎないからです。さらに、臨床医が気づいた所見やメモのうち、口には出されないものを記録する注釈機能も開発しています。これらすべての機能には、信頼性も組み込んでいます。医療従事者が患者と30分間過ごした後で録音に失敗していたと分かれば、取り返しのつかない事態です。そのため、マイクの設置位置から不安定なWi-Fi接続まで、あらゆる要素を考慮する必要があります。これらすべてがうまく機能すれば、医療従事者は診察を終える時点で、記録業務のほぼすべてがすでに完了しているはずです。残るのは、診療内容を確認し、専門的な判断を行い、妥当な提案に基づいて行動することです。メンタルヘルスの診察では、非常に個人的な会話や繊細な感情の機微、慎重な取り扱いを要する打ち明け話が交わされることがよくあります。行動医療向けのAI記録支援ツールを開発するうえで、特有の技術的課題は何でしょうか。また、文脈を誤って解釈したり、不必要な個人情報を記録したりすることなく、臨床的に重要な情報を正確に捉えるには、どのような工夫をしていますか。50分間の心理療法、15分間の行動医療相談、7分間の内科診療では、交わされる会話がそれぞれ大きく異なります。それぞれの診療から作成される記録の内容も、当然異なります。そこで、まず医療従事者の視点に立ち、そこから逆算して考えます。どのような情報を記録する必要があるのか。どのように整理すべきか。臨床上適切な詳細さはどの程度か。そして、診療内容を正確に反映していると医療従事者が確信できるよう、最終的な記録はどのような形であるべきか。こうした点を明確にしたうえで、その期待に沿った記録を作成できるよう、AIの設定と調整を始めます。非常に長く複雑で、個人的な内容を多く含む会話を、患者のケアに実際に関係する臨床情報へと整理することが目標です。これは特に行動医療の分野で重要だと思います。診察中に話されたことが、すべて患者の恒久的な医療記録に含まれるべきとは限りません。また、モデルは臨床的な意味を正確に解釈する必要があります。行動医療では、同じ発言でも文脈によって意味が大きく異なることがあるからです。だからこそ、医療従事者による確認と判断が欠かせません。私たちは、モデルがどれほど高い知能を持つかについてよく話します。しかし、最も重要な取り組みの一部は、モデルが記録を作成するよりも前に行われていると思います。まず、臨床記録として望ましい成果を定め、それをどれだけ安定して実現できるかを継続的に改善することです。簡単に言えば、望ましい成果を定義し、そこから逆算して取り組み、最終的にそれを達成できたかどうかは医療従事者が判断する、というのが私たちの進め方です。KFFの調査によると、米国の成人の77%が、AIツールと共有する医療情報のプライバシーを懸念しています。患者データの保存期間、第三者によるアクセス、AIモデルの学習や改善における機微情報の利用などについて、EverHealthはこうした懸念にどのように対応していますか。その懸念はもっともです。より良いケアを受けるために、患者がプライバシーを犠牲にしなければならないとは思いません。同時に、テクノロジー企業が安全対策を無条件に信頼するよう患者に求めるべきでもありません。患者と医療機関には、どの情報を利用するのか、誰がアクセスできるのか、どのくらいの期間保存するのかについて、明確な説明を受ける権利があります。EverHealth Scribeでは、臨床記録の作成と継続的なケアを支援する目的で、患者情報を処理します。CarePilotを含むテクノロジーパートナーとは、保護対象医療情報の取り扱いを定める業務委託契約など、契約上の安全対策を設けたうえで連携しています。また、暗号化とアクセス制御を採用しており、個人を特定できる患者情報をAIモデルの学習に使用することはありません。Scribeの文字起こしデータは最長180日間利用でき、医療従事者は複数の診療にわたる関連情報を振り返ることができます。一方、医療機関は文字起こしデータの削除を依頼することもできます。プライバシー対策を、イノベーションを進めた後から付け足すことはできません。何を開発し、何と連携し、何を保存するかについての判断に、最初から反映させる必要があります。EverHealth Scribeを導入したMentavi Healthでは、初回受付時と各診察の前の両方で患者の同意を得ています。患者の信頼を築くうえで、このように継続的に同意を得る仕組みはどれほど重要でしょうか。また、患者がAIを活用した記録作成を断った場合や、診察中に同意を撤回した場合は、どう対応すべきでしょうか。初回受付時に加えて各診察の前にも同意を得るMentaviの取り組みは、ケアの提供方法について患者自身に選択権があることを示しています。私はキャリアのかなりの期間を遠隔医療の分野で過ごしてきたため、テクノロジーがもたらす価値を患者が実感できれば、概して受け入れられやすいと考えています。理想的には、患者と医療従事者がより頻繁に目を合わせ、より直接的にやり取りできるようになります。医療従事者はノートパソコンの後ろに座ったり、端末に入力したりするのではなく、会話にしっかり集中できます。これは非常に魅力的な価値提案です。もちろん、その価値を提供するうえで、患者が選べることも大切です。患者はテクノロジーがどのように利用されるかを理解し、安心して利用を断れる必要があります。診察中に誰かが同意を撤回した場合は録音を停止し、医療従事者が診察を続け、通常の業務手順で記録できるようにすべきです。すでに収集された情報は、適用される同意およびプライバシーに関する要件に従って取り扱う必要があります。結局のところ、信頼は価値を一貫して提供することで生まれると思います。臨床医が患者と向き合う時間を増やせるよう支援し、患者自身もその違いを実感できているなら、私たちは正しいことをしているのだと思います。AIが生成する診療記録には、事実にない情報の生成、詳細の欠落、患者の発言の誤った解釈など、潜在的なリスクがあります。こうした誤りを見つけるために、EverHealthではどのような安全策を導入していますか。また、臨床医がAI生成の記録をただ承認するだけでなく、実質的な監督を維持できるよう、どのようにしていますか?臨床医は記録支援ツールと緊密に連携し、AIが生成した記録を医療記録に追加する前に編集する責任を負います。これにより、出力に食い違いが生じる可能性を最終的に抑えています。情報を医療記録に確定する前に、臨床医が内容を確認し、編集する必要があります。その記録が診療内容を正確に反映しているか、重要なことが抜け落ちたり誤って解釈されたりしていないかを判断する最終的な責任は、引き続き臨床医にあります。もう一つの重要な要素は、継続的なフィードバックです。診療のたびに、記録が役に立ったかどうかを臨床医に尋ねており、回答の96%を超える割合が肯定的です。これは、私たちが一貫して価値を提供できていることを示す心強い兆しです。臨床医から問題が報告された場合、私たちのチームが直接話を聞き、何が起きたのかを把握し、根本的な問題を特定したうえで、利用体験をどう改善できるかを検討します。技術を使う人々と直接つながることは、製品の開発と改良において非常に重要です。AIを活用した記録への信頼を築くには、最終的にはそれが大切だと思います。基となる情報にアクセスできるようにし、臨床医による実質的な監督を保ち、その技術が本当に役立っているかを継続的に評価することです。Mentavi Healthは最近、30人を超える有資格の臨床医が参加し、AIの支援による診療記録を14,000件以上作成した段階的な導入について報告しました。その結果、構造化された記録と診断コードの記録率に改善が見られました。この導入で得られた最も重要な知見は何ですか。また、AI記録支援ツールが臨床医の生産性、記録の正確性、患者ケアを実際に改善しているかどうかを、どのように測定していますか?Mentaviの導入から得られた最も重要な教訓の一つは、導入を成功させるには、技術そのものだけでなく多くの要素が必要だということです。Mentaviは、臨床、事務、技術の各分野の専門知識を結集し、記録の基準を定め、品質指標を設定し、新たな機能を慎重に導入しました。こうした協働こそ、責任ある医療イノベーションのあるべき姿です。Scribeが解決しようとしている課題は明確です。臨床医が診療の記録に時間をかけすぎていることです。では、その時間と労力をどれだけ削減できるでしょうか。記録にかかる時間や臨床医の満足度に加え、診断の認識やCPTコードの提案といった機能が、ワークフロー上の追加手順をどれだけ効果的に減らすかを確認しています。今後、オーダーや処方にも対象を広げる際には、同じ考え方を適用します。それぞれの機能によって、臨床医の日々の業務をさらに意味のある形で減らせるべきです。診断コードの記録率が向上したことは、特に大きな成果でした。評価では、Scribeを利用した診療の診断コード記録率は約80%に達した一方、利用しなかった場合は約26%でした。これは、構造化された診療記録の一貫性を大きく改善するものであり、AIが単に記録を生成する以上の価値を生み出せることを示す好例です。生成された記録の件数は心強い指標ですが、私たちが削減できている業務量と、作成を支援する記録の質や一貫性こそが、重要な成果です。独立系の医療機関やメンタルヘルス診療所は、大規模な医療システムと比べて、限られた事務リソースで運営されていることが少なくありません。AIを活用した記録作成は、小規模な医療機関の競争力向上にどう役立ちますか。また、導入コスト、ワークフローへの統合、技術の受け入れに関して、なお克服すべき課題は何でしょうか?独立系の医療機関にとって最大の機会は、選択肢が広がることだと思います。臨床医やスタッフの事務作業を減らすことで、時間やリソースの使い方について、より良い判断をする自由を医療機関にもたらします。患者をもっと多く診たい医師もいるでしょう。すでに診ている患者と過ごす時間を増やしたい人もいるでしょう。あるいは、最後の診療を5時に終え、記録を確認するのに15分を使って帰宅し、さらに2時間も残って記録を片付ける必要がなくなるだけで十分かもしれません。どれも価値ある成果であり、何を最も重視するかは医療機関自身が決められるべきです。導入について言えば、私たちはすでにその医療機関の技術プロバイダーですから、ワークフローへの統合は医療機関ではなく、私たちの責任です。Scribeは臨床医がすでに所有している端末で動作し、導入に必要な研修は1回または2回で済む場合もあります。一方で、小規模な医療機関には技術的な問題に対処する余裕がほとんどありません。そのため、私たちは可能な限りセルフサービスで導入できるようにすることを目指しています。最終的に、AIによって、これまでははるかに大規模な組織でなければ利用できなかった機能や業務効率化の恩恵を、独立系の医療機関も受けられるようになると考えています。そして同じくらい重要なのは、そうした医療機関で働く人々が、時間の使い方をより自分で決められるようになることです。医療分野、特に行動医療において、AIを規制する法律の内容が州ごとにますます多様化するなか、EverHealthはこの断片化した規制環境にどのように対応していますか?複数の管轄区域にまたがる患者の同意、データプライバシー、臨床医による監督の要件の違いに対応しなければならないAI製品を開発するうえで、どのような課題がありますか?以前にも同じようなことがあった気がします。新型コロナウイルス感染症のパンデミック以前、私はキャリアの大半を遠隔医療の分野で過ごし、免許、患者の所在地、同意、処方、診療報酬について州ごとに異なる制度に対応してきました。その後、規則はほぼ一夜にして変わり、変化し続けるなかで事業を拡大しなければなりませんでした。AIをめぐる状況も、これとよく似ていると感じます。私たちは、法案の動向を先取りし、州法と連邦法の細かな違いを理解したうえで、それに適応できる製品を開発することに注力しています。これは、1人の臨床医が複数の州の患者を診ることもある行動医療の遠隔診療で、特に重要です。同意、プライバシー、臨床医による監督は、サービスの基盤として柔軟に設定できなければなりません。この経験から得た本当の教訓は、規制の変化に対応できる柔軟性を、製品の開発当初から組み込まなければならないということです。これが、EverHealthでAIに取り組む際の私たちの基本方針です。臨床医が患者のケアに専念できるよう、そうした複雑さをできる限り引き受けることが、私たちの役割です。AIの機能は、文書作成支援にとどまらず、臨床意思決定支援や患者エンゲージメント、さらには自律性を高めた医療ワークフローへと急速に広がっています。特にメンタルヘルスの分野では、AIによる支援と人間の臨床判断の境界をどこに置くべきだとお考えですか。また、今後3~5年でEverHealthのテクノロジーはどのように進化していくとお考えですか?AIは話を聞き、情報を整理し、関連する背景情報を提示して、提案することができます。しかし、臨床上の判断を下すのは臨床医です。これはメンタルヘルスの分野で特に重要です。患者の病歴や声の調子の変化、さらには口にされなかったことさえ、言葉そのものと同じくらい大きな意味を持つ場合があるからです。テクノロジーは、臨床医がそうした瞬間により深く患者と向き合えるようにするべきであり、その機会を減らしてはなりません。今後3~5年の可能性は、より高機能な記録作成支援ツールにとどまりません。EverHealthが目指すのは、診療の前・最中・後の各場面をテクノロジーでつなぐ、知的な外来診療体験です。大切なことを覚えているクリニックを想像してみてください。必要なときに関連する病歴を確認でき、臨床医は断片的な情報をつなぎ合わせるのではなく患者に集中でき、臨床上の判断が文書作成、コーディング、ケアの連携、そしてその後の対応へと、より一貫してつながっていきます。私たちが目指しているのは、個々の作業を速くすることだけではありません。作業と作業の間にある摩擦を減らしたいのです。私たちがあらゆる取り組みの指針としているのは、すべての患者が自分を十分に理解してもらえたと感じ、すべての医療提供者が確信を持って連携の取れたケアを提供できるようにすることです。素晴らしいインタビューをありがとうございました。AIを活用した臨床文書作成や、連携した医療ワークフローについて詳しく知りたい読者は、EverHealthをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューHans Hasselby-Andersen氏、Lotus Microsystems CEOへのインタビュー
Hans Hasselby-Andersen氏はLotus MicrosystemsのCEOで、半導体業界で創業者、経営幹部、取締役、投資家として20年以上の経験を持つ。Merus Audioを創業し、2018年のInfineonによる買収まで同社を率いたほか、Texas Instruments、Infineon、Toccata Technology、Nokiaで要職を歴任してきた。エネルギー効率の高い半導体技術を市場に投入することを中心に取り組んできた。Lotus Microsystemsはコペンハーゲンを拠点とするファブレス半導体企業で、先端電子機器向けの電力変換器と電力供給ソリューションを開発している。同社のシリコン製Power Interposer Technologyは、電力変換と熱管理を組み合わせたもので、AIおよびハイパフォーマンス・コンピューティング向けの垂直電力供給プラットフォーム「vStrata」もその一つだ。このインタビューでHasselby-Andersen氏は、サーバー内部で生じるエネルギー損失、従来型の電力アーキテクチャーの限界、そして電力供給、冷却、半導体パッケージングを一体として設計する必要性が高まっている理由について語る。これまで、Nokiaでの無線システム、Texas Instrumentsでの半導体開発、Merus Audioの創業とInfineonによる買収までの経営、そして現在のLotus Microsystemsの指揮と、幅広いキャリアを歩んでこられました。こうした経験は、今日のAIインフラで顕在化しつつある電力と熱の課題に対する考え方に、どのような影響を与えましたか?半導体業界に入ったのは、ほとんど偶然でした。私が携わっていたスタートアップがTexas Instrumentsに買収され、それを機に、チップの設計、製造、市場投入の仕組みを知ることになりました。自分自身はチップ設計者ではありませんでしたが、業界について非常に多くのことを学びました。その後、Merus Audioを創業した際のきっかけは、明確な市場の空白に気づいたことでした。ワイヤレススピーカーの電力損失を減らし、バッテリー駆動時間を延ばす必要があったのです。そこで、その課題に取り組むために必要な人材と技術の確保に力を注ぎました。MerusがInfineonに買収された後、半導体業界を離れてしばらく過ごしましたが、最終的には自分が戻りたい場所はこの業界だと気づきました。Lotus Microsystemsに惹かれたのは、創業チームが先進的な電力供給技術の3つの基本要素、すなわちエネルギー効率、物理的なサイズ、熱性能に注力していたからです。こうした課題は用途を問わず、電力供給において常につきまとうものですが、AIの登場によって特に緊急性が高まっています。プロセッサー技術は驚異的な進歩を遂げていますが、その演算能力の向上には、現実の物理的な制約が伴います。私の経験から、あまり目立たないこうした問題を解決することも、誰もが注目する技術を開発するのと同じくらい価値があると学びました。AIインフラをめぐる議論では、GPUの性能、ネットワーク、冷却に大きな注目が集まりがちです。AIシステムの継続的な規模拡大において、電力供給そのものが最も重要な制約の一つになりつつあると考えるのはなぜですか?GPUがどれほどの演算能力を発揮できるかについては多くの時間を割いて議論しますが、そのGPUに十分な電力を効率よく届ける方法について語られることは、はるかに少ないのが実情です。最新のAIアクセラレーターは、非常に低い電圧で数千アンペアの電流を必要とし、負荷に応じて電力需要がほぼ瞬時に変化することもあります。従来の電力供給システムは、これほど高い負荷を想定して設計されていません。世界最先端のプロセッサーを搭載していても、必要なときに安定した電力を供給できなければ、その性能を最大限に引き出すことはできません。だからこそ、電力供給はAIの規模拡大における重要な課題となっています。データセンターの運営者がエネルギー効率について話す際、冷却システムや施設全体の指標に注目が集まることが多くあります。プロセッサーに届くまでにサーバー内部で実際にどれほどの電力が失われているのでしょうか。また、この問題が比較的注目されてこなかったのはなぜですか?すべてのサーバーに当てはまる単一の数値はありませんが、損失はかなり大きくなる場合があります。特定の大電流アーキテクチャーでは、プロセッサーに電力を届ける最終段階で、その約7~10%が失われると推定しています。そのエネルギーは演算に役立つことなく、熱に変わり、除去する必要が生じます。何千ものプロセッサーを24時間稼働させている環境では、比較的小さな非効率であっても、コストは非常に高くなります。この問題が見過ごされてきた理由の一つは、従来のデータセンター効率の測定方法にあります。電力使用効率(PUE)は業界標準となっており、冷却や配電を含む施設の付帯設備の電力消費を把握するうえで役立ちます。しかし、サーバー内部で電力がどれほど効率的に変換され、供給されているかは示しません。冷却効率が重要でないと言っているわけではありません。間違いなく重要です。ただ、不要な熱がどこから生じているかに十分注意を払わず、膨大な費用をかけて熱を取り除いているのは、少し本末転倒です。まずは、そうした損失を防ぐことを目指すべきです。GPUやその他のAIアクセラレーターの消費電力がますます増えるなか、従来の基板レベルの電力供給アーキテクチャーには、どのような限界が現れていますか?電力が実際にどのようにGPUへ届くのかを見ると、問題がより明確になります。従来の設計では、電力変換器はプロセッサの横に配置され、電力は回路基板上を水平方向に流れてプロセッサに届きます。この距離は取るに足らないように思えるかもしれませんが、数千アンペアの電流を流す場合、わずかな抵抗でも影響は無視できません。抵抗損失は電流の二乗に比例して増加するため、同じ抵抗値のまま電流を2倍にすると、損失は4倍になる可能性があります。電圧を安定させながら、電力需要の急激な変化に対応するという課題もあります。エンジニアはコンデンサーなどの部品を追加して補うことができますが、そうした方法では貴重なスペースが必要になります。いずれは既存の設計に部品を足し続けるより、アーキテクチャそのものを見直すほうが理にかなっています。業界が、持続不可能な熱や効率の問題を生じさせずに計算密度を高め続けるには、サーバーラックからプロセッサへの電力供給のあり方をどのように変える必要がありますか?ラックレベルではすでに多くの革新が進んでおり、高電圧配電への移行もその一つです。高電圧であれば、より少ない電流で電力を送れるため、長距離伝送時の損失を抑えられます。この点は重要です。しかし最終的には、プロセッサが必要とする非常に低い電圧まで電力を変換しなければなりません。そこには、最も難しい課題がいくつも残されています。有望な進展の一つが垂直電力供給です。これは、電力変換器をプロセッサの横ではなく、真下に配置する方式です。電力が流れる経路を短くすることで、損失を抑え、応答時間を改善できます。一方で、発熱する部品同士が大幅に近づくという独自の課題も生じます。こうしたアーキテクチャを大規模に実用化するには、電力供給、熱管理、パッケージングを別々のエンジニアリング課題として扱うのをやめなければなりません。最初から一体として設計する必要があります。Lotus Microsystemsは先ごろ、垂直電力供給プラットフォーム「vStrata」を発表しました。垂直電力供給はどのような問題の解決を目的としており、現在のAIサーバーで使われている従来の電力アーキテクチャとはどのように異なるのでしょうか?垂直電力供給の基本的な考え方は、比較的シンプルです。回路基板上を水平方向に大量の電流を流すのではなく、電源をプロセッサの真下に配置します。これにより電力経路が大幅に短くなり、損失を抑えられるほか、電力需要が変化した際にシステムがより速く応答できるようになります。しかし、電力をプロセッサに近づけることと、問題全体を解決することの間には重要な違いがあります。すでに大きな熱負荷のもとで稼働している部品のすぐ隣に、熱をより狭い空間へ集中させることにもなります。この問題に対処しなければ、当初のボトルネックを解消する一方で、新たなボトルネックを生み出すおそれがあります。私たちがvStrataで解決を目指したのは、まさにこの問題です。当社独自のシリコン製Power Interposer Technologyにより、熱管理を同じアーキテクチャに組み込みながら、垂直方向に電力を供給できます。最初のモジュールであるLSC0580は、最適化された構成で、最大96%の負荷点効率と最大25°Cの温度低減を実現するよう設計されています。目標は、単により多くの電流を流すことではありません。同じ物理的な設置面積からデータセンターがより多くの有効な計算能力を得られるようにし、それを支えるために必要な電力と冷却のオーバーヘッドを削減することです。AI業界では、将来の性能向上は、より優れたチップや、さらに進んだ半導体プロセスによってもたらされると考えられがちです。電力アーキテクチャの改善も、最終的にはプロセッサ自体の進歩と同じくらいAIの性能に重要な役割を果たすのでしょうか?もちろんです。プロセッサの理論上の性能は、周辺システムがその性能を発揮できる場合にのみ意味を持ちます。電力供給が需要に追いつかなかったり、過剰な発熱によってシステムが性能を抑制せざるを得なくなったりすれば、投資に見合う性能をすべて引き出せません。注目すべきなのは、電力アーキテクチャを改善すれば、プロセッサ自体を変更しなくても、既存のハードウェアから持続的な性能をより多く引き出せる可能性があることです。より優れたチップと、より優れたインフラのどちらかを選ぶ問題として捉えるべきではありません。両方が必要であり、両者の関係は今後ますます重要になると考えています。世界各地のAIデータセンターは、すでに電力網に大きな負荷をかけています。サーバーレベルの電力変換と電力供給の改善によって、大規模なAIインフラ全体のエネルギーフットプリントをどの程度削減できるでしょうか?削減の可能性は大きいものの、施設のアーキテクチャや規模によって効果が異なるため、一つの数値で示すのは困難です。ある変換段階で1パーセントポイント効率が向上しても、データセンター全体の電力消費量が同じ割合で減るとは限りません。しかし、連続稼働する何千ものプロセッサ全体で、わずかな効率向上を積み重ねると何が起きるか考えてみてください。無駄なエネルギーや運用コスト、設備投資、そして冷却システムが処理しなければならない熱を、大幅に削減できる可能性があります。送電網の容量がすでに新たなデータセンターの建設場所や建設ペースを制約している状況では、これは特に大きな価値があります。別の言い方をすれば、最も環境に優しいエネルギーとは、そもそも使わずに済むエネルギーです。AIの普及を支えるために電力をさらに確保することに大きな関心が集まっているのは当然ですが、すでに利用可能な電力をより有効に使うことにも、同じくらい注目すべきです。AIハードウェアが高消費電力のGPU、カスタムアクセラレーター、そしてますます高密度化するコンピューティングシステムへと進化するなか、今後数年間に電源技術者が直面すると予想される技術的なボトルネックは何でしょうか。必要な電流は今後も増え続けるでしょうし、それに伴う課題はすでに表れています。AIプロセッサーの中には数千アンペアを必要とするものがあり、将来の設計では6,000アンペア、あるいは8,000アンペアに達する可能性もあります。その電流を効率よく供給するだけでも十分に困難ですが、ワークロードが急速に変化するなかで電圧を安定させることが、さらに複雑さを増しています。業界では、進歩を測る主な指標として電流密度に注目する傾向もあります。より小型の電力変換器から、より大きな電流を供給できるのは確かに素晴らしいことです。しかし、より狭い空間で同じ量の熱が発生するのであれば、システム全体が必ずしも改善したとは言えません。むしろ、熱の問題を悪化させている可能性もあります。効率、熱性能、動的応答、信頼性のバランスを取れる技術者こそが、最も大きな進歩をもたらすと私は考えています。次世代のAIインフラを見据えたとき、AIの演算能力をさらに大幅に高めるには、電力供給、冷却、半導体パッケージング、システムアーキテクチャの各分野で、どのような変化が必要になるでしょうか。電力供給とプロセッサー本体の統合は、今後さらに進むと予想しています。垂直方向からの電力供給は重要な一歩ですが、進化はそこで止まらないと思います。すでに、回路基板に埋め込める薄型の電源モジュールや、将来的には電力供給機能のより多くの部分をxPUパッケージに直接統合するアーキテクチャの実現を目指しています。こうした一歩一歩によって、実際に電力が消費される場所へ、より近いところまで電力を届けられるようになります。こうした変化に合わせて、冷却技術も進化しなければなりません。高密度コンピューティングでは液冷の重要性がますます高まっていますが、熱を取り除く方法の改善は、課題の一部にすぎません。不必要な熱の発生を抑え、発生源の近くでより効果的に処理する方法も見つける必要があります。おそらく最大の変化は、こうしたシステムの開発方法にあるでしょう。従来、ハードウェアスタックの各部分は、それぞれある程度独立して最適化されることが多くありました。しかし、目指す電力水準が高まるにつれて、そのやり方はますます難しくなっています。半導体メーカー、パワーエレクトロニクスの専門家、パッケージング技術者、システム設計者は、これまで以上に緊密に連携する必要があります。私たちは長年、個々のプロセッサーの限界を押し広げてきましたが、AIインフラの次の段階では、プロセッサーの能力をシステム全体で支えられるようにすることが重要になります。素晴らしいインタビューをありがとうございました。AIインフラ向けの垂直方向からの電力供給と熱管理について詳しく知りたい方は、Lotus Microsystemsをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューChris Miglino、Axe ComputeのCEO ― インタビューシリーズ
Chris MiglinoはAxe ComputeのCEOで、テクノロジー企業の設立、成長、投資に20年以上携わってきた経験を持つ。Social Realityを共同創業し、DNA Fundでも活動してきた同氏は、起業家としての経験に加え、資本市場やインフラ投資の知見も備えている。Axe Computeでは、企業向けの専用AI計算能力を拡大するうえでの運用面・財務面の課題に取り組んでいる。Axe Computeは、企業のAIワークロード向けに専用のベアメタルGPUインフラを提供している。Axe Accessでは利用可能なGPU容量を提供し、Axe Buildでは顧客の長期的な要件に合わせてインフラを構築する。このインタビューでMiglinoは、GPUの経済性、電力の制約、クラスターの性能、導入パートナーシップ、そして推論やAIエージェントへの移行が企業のインフラ需要をどのように変える可能性があるかについて語る。Social Realityの共同創業からDNA Fundの統括、そして現在のAxe ComputeのCEOに至るまで、起業家として20年以上のキャリアを歩んでこられました。AIインフラ市場に関心を持ったきっかけは何ですか。また、従来のクラウドプロバイダーが十分に対応できていない、どのような機会に気づいたのでしょうか。私が見いだした機会は明快でした。AIの進化が、それを支えるために構築されたインフラよりも速く進んでいるということです。私は20年以上にわたり、企業の設立、成長、投資に携わってきましたが、この隔たりにこそ最大の機会があると考えてきました。Social Realityの共同創業からDNA Fundでの仕事まで、新しいテクノロジーを実際の商業的価値へとつなげる道筋が明確な、根本的な課題に常に関心を寄せてきました。企業はAIに数十億ドルを投じている一方で、商業的に採算の合うコストで安定した計算能力を確保できないケースが少なくありませんでした。従来のクラウドプロバイダーは非常に優れた事業を築いてきましたが、そのインフラは柔軟な共有環境を前提に設計されており、24時間稼働する継続的で計算負荷の高いAIワークロード向けではありません。私自身、企業を立ち上げてきたからこそ、企業が必要とするものが分かります。予測可能なコスト、安定したアクセス、そして規模を拡大できる余地です。企業がデータセンターの運営者にならずとも、AIの実際の要件に即した専用インフラを構築し、計算資源を自ら管理できる機会があると考えました。だからこそ、私はAxe Computeにいます。AIを支えるインフラを構築する企業が、このテクノロジーの拡大の規模と速度を左右することになるでしょう。企業でAIの導入が加速するなか、高性能GPU計算資源へのアクセスが重要な検討事項となっています。企業が計算要件について抱きがちな最大の誤解は何でしょうか。また、専用GPUインフラと従来のクラウドサービスをどのように比較・評価すべきでしょうか。最大の誤解は、GPUを増やせば自動的にAIの性能も向上するということです。GPUを取り巻くアーキテクチャ、アクセスの安定性、運用コストも同じくらい重要です。次に多いのは、企業向けソフトウェア用に構築されたクラウドモデルが、AIにも適していると思い込むことです。パブリッククラウドは、実験的な用途や需要が予測しにくいワークロード、短時間で規模を拡大・縮小するワークロードには優れています。しかし、本番環境で高負荷のワークロードを24時間稼働させる段階になると、経済性は変わります。もはや、たまに使う計算資源の料金を払っているのではありません。従量課金モデルで、継続的な産業運営の費用を賄っているのです。企業には、時間単位のGPU料金だけでなく、稼働率、ワークロードの継続時間、ネットワーク要件、そして数年間にわたる総コストを検討するよう勧めています。専用インフラは、継続的なワークロードに対してコストの予測可能性と制御性をもたらしますが、最適な選択は実際にAIをどのように利用するかによって異なります。Axe Computeは、Axe AccessとAxe Buildという2つの異なるモデルを提供し、GPUをすぐに利用できる環境と、用途に合わせて構築するAIインフラの両方に対応しています。それぞれのモデルの仕組みや対象となる顧客、また自社のAIワークロードに適した方法を組織が判断する際のポイントについて教えてください。企業はそれぞれ異なる段階からスタートするため、同じインフラモデルを一律に選ばせるべきではないと考え、Axe AccessとAxe Buildを立ち上げました。Axe Accessは、既存の事業を拡大する場合、新しいモデルを立ち上げる場合、あるいは現在のプロバイダーでは対応しきれなくなった場合など、今すぐ専用GPU容量を必要とする組織向けです。Axe Buildは、容量からアーキテクチャ、運用まで、長期的なニーズに合わせて設計された専用インフラを必要とする顧客向けです。選択を分けるのは、導入時期、規模、カスタマイズの必要性です。ワークロードをすぐに稼働させる必要があるなら、利用可能な容量から始める。複数年にわたるAI運用を計画しているなら、その計画に合わせて構築する。私にとって重要なのは、需要を実稼働可能な容量につなぐ現実的な道筋を顧客に提供することです。テクノロジーは、実際に活用できて初めて価値を持つからです。Axe Computeは、契約済みのAIインフラプロジェクトが34億5,000万ドルを超えたと発表しており、専用計算能力に対する需要の大きさがうかがえます。こうした契約を稼働中のGPUクラスターへと転換するうえで、最大の課題は何でしたか。また、このペースでインフラを拡大するなかで、どのような教訓を得ましたか。最大の教訓は、需要を獲得することとインフラを提供することはまったく異なる分野であり、その両方で卓越した能力が求められるということです。契約済みプロジェクトが総額34億5,000万ドルを超えるなか、施設、電力、調達、資金調達、ネットワーク構築、そしてクラスターを稼働させるための技術作業など、あらゆる段階が重要です。それぞれに独自のスケジュールがあり、ひとつでも遅れれば、展開全体が滞る可能性があります。なかでも特に重要なのが電力です。契約や資金、機器を確保していても、電力がなければ、何ひとつ収益を生みません。プロジェクトの順序立て、パートナーの選定、資本配分に規律を持たせ、事業を拡大することを学んできました。また、契約済みプロジェクトの価値は、すでに導入され収益を生み出しているインフラとは同じではないことを、決して忘れません。最終的に勝つのは、契約を安定して稼働する処理能力へと着実に転換できる企業です。実行力こそがビジネスモデルなのです。AIインフラをめぐる議論ではGPUの供給状況が注目されがちですが、電力、冷却、ネットワーク、データセンターの容量も、同じくらい大きな制約になり得ます。こうしたボトルネックのうち、AIの拡張性に長期的に最も大きな脅威となるのはどれだと考えますか。また、Axe Computeはこれらの課題にどう取り組んでいますか。電力です。AIインフラを構成するほぼすべての要素は、その基盤となる電力システムよりも速く拡張したり、アップグレードしたりできます。GPU技術は急速に進歩し、資本を投入して施設を建設することもできますが、送電線、電力会社との系統接続、大規模発電の整備には、AI企業の計画サイクルを大幅に超える時間がかかることも少なくありません。私たちは、予測可能な需要を前提に、大規模な新たなコンピューティング需要を受け入れられる電力網を求めていますが、ハードウェアへの支出を増やすだけでは解決できません。Axe Computeでは、現実的に利用可能な電力に合わせてインフラ開発を進め、高密度なAI環境の導入を理解しているパートナーと協力しています。冷却とネットワークも、特にラックの密度が高まるなかで重要です。しかし、AIインフラの建設場所や、どの事業者が収益性を保ちながら事業を拡大できるかを左右するのは、安定して利用でき、価格も手頃な電力です。高性能なAIクラスターの構築には、何千台ものGPUを組み立てる以上の作業が必要です。ネットワークアーキテクチャ、ストレージのスループット、ワークロードのオーケストレーション、GPUの稼働率といった要素は、実環境での性能にどのような影響を与えますか。また、企業が技術的な複雑さを過小評価しがちなのは、どの部分でしょうか。GPUばかりが注目されますが、その性能は周囲のあらゆる要素に左右されます。企業が複雑さを過小評価しているのは、まさにそこです。非常に高性能なプロセッサを導入しても、ネットワークがプロセッサ間でデータを効率よく転送できなかったり、ストレージから十分な速度でデータを供給できなかったりすれば、使っていない処理能力に費用を払うことになります。これは、GPU間の通信がモデルの学習完了までの時間に大きく影響する、大規模な学習で特に重要です。オーケストレーションもまた別の課題です。処理能力を遊休状態にせず、スケジューリング、リソース配分、障害、変化する需要を管理しなければなりません。私は性能を理論上の仕様ではなく、実際に役立つ処理結果で評価します。効率よく稼働するクラスターは、非効率な大規模クラスターよりも、はるかに優れた経済性を実現できるからです。AIインフラには、ハードウェア、ソフトウェア、運用にわたる継続的な最適化が必要です。機器を一度購入すれば終わり、というものではありません。Axe Computeは最近、大規模なAIインフラの導入を加速するため、Penguin...
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューXENOM共同創業者、Andrei Kulik氏 — インタビューシリーズ
Andrei Kulik氏はXENOMの共同創業者兼CEOです。デバイス上で動作するAI、分散システム、機械学習の経験を産業現場の業務に生かしています。以前、AIMatterを共同創業し、同社はGoogleに買収されました。その後、Googleでコンシューマー向けデバイス用のAIシステムに携わりました。これまでのキャリアを通じて、現実のハードウェアや環境に伴う実用上の制約のもとで、高度なAIを安定して動作させることに取り組んできました。XENOMは、ソフトウェアとスマート保護具を組み合わせた産業向けAIプラットフォームを開発し、現場の状況をリアルタイムで把握できるようにしています。同社のシステムは、位置情報、従業員間のコミュニケーション、環境センシング、安全に関するデータを統合します。このインタビューでは、Kulik氏がエッジAI、スマートヘルメット、人による監督、従業員のプライバシー、そして産業現場のモニタリングから予測型の意思決定支援へと進む道筋について語ります。以前、AIMatterを共同創業し、同社はGoogleに買収されました。その後、コンシューマー向けデバイス上で直接動作するAIシステムの開発に何年も取り組まれました。XENOMを共同創業しようと思ったきっかけは何ですか。また、Googleでの経験は、産業環境にAIを導入するというビジョンにどのような影響を与えましたか?買収後、私はある特定の課題に何年も取り組みました。ポケットに入るサイズのデバイス上で、限られたバッテリー容量や不安定な接続環境、そして実験室では完全に再現できない現実の状況に対応しながら、高度なAIを安定して動作させるにはどうすればよいか、という課題です。その成果を、スマートフォン、メガネ、イヤホンなど、数十億台のデバイスに展開しました。やがて、このアーキテクチャをほかのどこで生かせるだろうかと考えるようになりました。コンシューマー向けデバイスは便利ですが、産業現場では、誤った判断、あるいは判断がなされないことの代償が人命や数百万に上る生産性の損失となります。今なお、現場で何が起きているかをリアルタイムで把握できていない産業施設がほとんどです。この課題こそ、私たちが何年もかけて築いてきた技術で解決するのにふさわしいと感じました。XENOMは、AI搭載ソフトウェアとスマート保護具を組み合わせ、産業現場の業務をリアルタイムで把握できるようにしています。従来の産業安全システムにはどのような大きな死角があり、一般的なモニタリング技術では解決が難しい課題に、貴社のプラットフォームはどのように対応するのでしょうか?根本的な問題は、ほとんどのシステムが、何かが起きるのを防ぐのではなく、起きたことを記録するために設計されている点です。作業員の位置情報は数分ごとに更新されます。タイムシートは勤務終了時に記入されます。安全規則違反は、事故報告書が提出された後に記録されます。管理者がデータを確認する頃には、勤務時間が終わっているか、すでに事故が起きています。もう一つの死角は、システムの分断です。企業によっては、ガス監視システム、別個の入退室管理システム、紙ベースの個人用保護具(PPE)チェックリスト、手作業による勤怠管理が併存していますが、これらは互いに連携していません。XENOMはそれらをすべて置き換え、現場から得られるデータを一元的かつ継続的に収集してリアルタイムで処理します。これにより、管理者はばらばらの5つの情報ではなく、現場全体を一貫して把握できます。これまでのキャリアの多くを、リソースに制約のあるデバイス向けの機械学習や大規模言語モデル(LLM)の推論処理の最適化に費やされてきました。こうした原則を産業環境にどのように応用していますか。また、クラウドインフラに頼るのではなく、エッジでAI処理を行う技術的な利点は何でしょうか?リソースに制約のあるデバイスを扱うと、あらゆるミリ秒、ミリワット、バイトに正当な理由が必要だという姿勢が身につきます。これは産業用ヘルメットに求められる考え方そのものです。ヘルメットは勤務中ずっと着用されるため、11時間目にも1時間目と同じように安定して動作しなければなりません。私たちは処理を意図的に分けています。音声ストリームやセンサー信号の処理、転倒や衝撃の検知といった、時間的制約が厳しくデータ量の多いタスクは、ヘルメット内のNPUで実行します。その際、ハードウェアに合わせて圧縮・調整したモデルを使います。一方、現場全体の状況把握や、より高度な分析はプラットフォーム側で行います。エッジ処理には、実用上の利点が4つあります。1つ目は速度です。サーバーとの往復通信を待たずに、デバイスがイベントに即座に反応できます。2つ目は信頼性です。軽量なデバイス上のモデルは予測どおりに動作しますが、処理経路に要素が一つ増えるたびに、障害点も一つ増えます。3つ目はネットワーク負荷です。何百台ものヘルメットが音声やセンサーの生データを絶えず送信することはできないため、それぞれのヘルメットから送るのは分析結果です。4つ目はバッテリーの持続時間です。デバイスの処理のなかでも、データ送信は特に電力を消費します。そのため、端末内で処理して送信量を減らせば、稼働時間を延ばせます。XENOMは、位置情報、コミュニケーション、環境センシング、AI機能を統合したスマートヘルメットを開発しました。特に、接続環境やバッテリーの持続時間、動作の信頼性が予測しにくい環境で、これらの技術を一つにまとめるにあたり、最も困難だったエンジニアリング上の課題は何でしたか?最も難しかったのは、個々の技術ではなく、一般消費者向け電子機器の大半が壊れてしまうような環境で、それらすべてを一台のデバイスに組み込み、安定して共存させることでした。産業現場は汚れが多く、身体的な負荷が大きいうえ、極端な温度にさらされます。ヘルメットは落とされたり、雨にさらされたりしながら、12時間勤務で着用されます。測位、センサー、通信、AI推論を同時に稼働させると、バッテリー駆動時間が現実的な制約になります。さらに、接続性のアーキテクチャも課題でした。屋外のRTK衛星測位から、屋内の独自UWBメッシュネットワークへシームレスに切り替えられ、作業員が両者の間を移動しても測位精度が途切れないようにする必要がありました。この切り替えを自動で、確実に、リアルタイムで実現することは、私たちが手がけた中でも技術的に特に難しい課題の一つでした。御社のチームは、音声からアルコールの影響による兆候を検知できる音声AIモデルを開発し、従来の学術的なベンチマークを上回る性能を報告しています。これを可能にした技術的なブレークスルーは何でしょうか。また、異なる言語やアクセント、背景雑音のレベル、実際の労働環境において、システムの信頼性をどのように検証していますか?重要な発見は、酩酊状態になると、発話の微細なパターンに検知可能な特徴が現れるということでした。言葉そのものではなく、話すタイミングや声の高さの変化、発音の正確さといった音響的な特性です。通常の音声通信中に、専用の検査を受けたり、作業員が何か操作したりする必要なく、こうしたパターンをバックグラウンドで分析するモデルを開発しました。正答率86.7%という数値は、公表済みの学術データセットを用いた厳密なベンチマークテストで得られたものです。実環境での検証では、実際の産業現場を想定した言語やアクセント、背景雑音の条件でテストしています。重機の音や風の音、複数の人が同時に話す状況などです。モデルには、管理された研究環境とはまったく異なる条件でも機能するだけの堅牢性が求められました。その実現には、多様な学習データを用意し、繰り返し改良を重ねる必要がありました。作業員の能力低下や疲労を特定するAIシステムには、誤検知や説明責任をめぐる重大な懸念が伴います。XENOMは、リスクを早期に検知することと人による確認の必要性とのバランスをどのように取っていますか。また、AIによる誤った評価が作業員に不当に影響するのを防ぐため、どのような安全策を設けていますか?これは、当初から非常に慎重に検討してきたことです。このシステムは、懸念事項を上司に知らせるように設計されており、自律的に措置を講じるものではありません。能力低下の可能性があるというAIの評価を受けて、人が確認を行います。上司は作業員を直接観察したり、質問したり、必要と判断すれば身体検査を求めたりできます。AIが作業員を現場から退場させることはありません。人が、そうでなければ得られなかった情報をより早く得て、判断を下せるようにするものです。また、導入後の誤検知率を追跡し、モデルを継続的に改善しています。目指しているのは、誰も気づかなかったために起きる事故を減らすことであり、アルゴリズムだけを根拠に作業員を罰するシステムを作ることではありません。XENOMを創業する前は、OneSoilのCTOを務め、コンピュータービジョンと機械学習を農業のモニタリングや生産性分析に活用されていました。農業分野でAIを導入した経験から得た教訓のうち、建設現場、鉱山、港湾、エネルギー施設向けのインテリジェントシステムを開発する際に、特に役立っているものは何ですか?現実世界へのAI導入は、ソフトウェアへの導入とは根本的に異なる課題です。状況にばらつきがあり、機器は毎回同じように動くとは限らず、何十年も仕事を続けてきた現場の作業員は、やり方を変えるよう指示するものに強い懐疑心を抱いています。産業現場にも同じ構図があります。人々の予想を上回るほど常に正確であることで、技術は信頼を得なければなりません。また、50人の作業員を管理する人が、研修を受けなくても実際に使えるほど簡単である必要があります。もう一つの教訓は、現場のデータ品質は、事前の想定よりも悪い場合がほとんどだということです。ノイズやデータの欠落、整ったデータセットには決して現れない例外的な状況にも耐えられるシステムを構築しなければなりません。産業向けAIプラットフォームは、作業員の位置や活動、通信、生産性に関する詳細な情報を生成できます。こうした技術によって安全性と業務効率が確実に向上するようにしながら、データのプライバシーや従業員の同意、職場での監視につながる可能性にどう取り組んでいますか?私たちは、目的による制限という観点からこの問題を考えています。XENOMが収集するデータは、安全確保と業務状況の把握を目的とするものであり、生産性を監視するツールではありませんし、そのように利用すべきでもありません。導入前に事業者と協力して、何を収集するのか、どれだけの期間保存するのか、誰がアクセスできるのか、人事上の判断に利用できるのはどのような場合かといった、明確なデータガバナンス方針を定めます。生産性分析では、作業員の位置データを集計し、匿名化します。個人単位の追跡データは、緊急時対応のために安全管理者が利用できる一方、直属の管理者が人事評価に使うことはできません。EU AI法の対象が産業用AIシステムに広がるにつれ、規制の枠組みの中で、こうした取り組みの多くが正式に定められると考えています。対応に追われるよりも、先んじて準備しておきたいと思っています。制御された実験室環境から、安全性が極めて重要な産業現場のオペレーションへAIを導入するには、ソフトウェアだけを扱うAI企業がめったに直面しない課題があります。XENOMを実際の現場に導入する中で、最も意外だったことは何ですか。また、この技術が事故防止、業務効率、従業員の生産性に実質的な改善をもたらしているかどうかを、どのように測定していますか。最も意外だったのは、人々がどこにいて、時間がどのように使われているかを正確に把握するだけで、大きな価値が生まれることです。現場の担当者との話し合いでは、安全が中心的なテーマになると予想していました。しかし実際には、生産性の可視化、つまりシフト中にどこで時間が失われているのか、特定のチームがほかのチームより高い成果を上げるのはなぜか、ボトルネックがどこにあるのかを把握することが、多くの場合、より早く投資収益率(ROI)を生み、社内でこのプラットフォームを支持する人々をはるかに早く増やします。もう一つ意外だったのは、業界ごとに、さらには同じ業界内でも現場ごとに大きな違いがあることです。ドイツの建設現場とUAEの建設現場では、業務の進め方が大きく異なります。大幅な改良を重ねずに、一つの製品を作ればどこでも使えると考えることはできません。今後を見据え、XENOMは、モニタリングにとどまらず、リスクを予測し、業務上の判断を提案できる産業用AIコパイロットの実現を目指しています。今後5年間で、フィジカルAIはどのように進化するとお考えですか。また、人間による監督を維持しながら、産業用AIシステムがより高い自律性を持って稼働するには、どのような技術的ブレークスルーがまだ必要でしょうか。現在の産業用AIは、主に状況の可視化、つまり何が起きているかを把握する段階にあります。次の段階は予測です。事故や生産性の低下が起こる前に、それらに先行するパターンを特定します。そのためには、構造化され、ラベル付けされたデータを長期にわたり大規模に蓄積する必要があります。まさにそれをXENOMは初日から進めています。その次の段階は提案です。システムは何が起こりそうかを伝えるだけでなく、何をすべきかも提案します。人員をどのように再配置するか、いつ作業を中断するか、特定の作業でどのチーム編成が最良の成果を生むか、といった提案です。私たちが産業用AIコパイロットで目指しているのは、この第三段階です。これに必要な技術的ブレークスルーは、主にモデル開発の進歩ではなく、データの問題です。安定して汎化するモデルを訓練するには、多様な現場から十分な量の高品質な業務データを集める必要があります。今からそのデータを収集し始める企業は、後から再現するのが非常に難しい優位性を得るでしょう。素晴らしいインタビューをありがとうございました。エッジAI、スマート保護具、産業現場のリアルタイム安全監視について詳しく知りたい読者は、XENOMをご覧ください。
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューMoonlit共同創業者兼CEO、Roderick Lucas – インタビューシリーズ
Roderick LucasはMoonlitの共同創業者兼CEOで、人工知能、データサイエンス、リーガルテックの分野で経験を積んできました。Deloitteに約10年間在籍し、人工知能部門の責任者を務めたほか、Vrije Universiteit Amsterdam and Tilburg Universityでテクノロジー関連の講義も担当してきました。構造化データ、検証可能な情報源、AIを活用し、法律調査をより利用しやすくすることに取り組んでいます。Moonlitは、欧州各国の法域における公式法令、裁判所の判決、規制情報をつなぐ法律データ基盤と調査ツールを提供しています。同社のプラットフォーム、Data API、MCPサーバーを通じて、研究者やAIアシスタントは構造化された法律情報源を利用できます。また、Commentariesライブラリでは、AIが生成した分析を、氏名を明記した法律専門家が審査しています。このインタビューでLucasは、法律分野におけるハルシネーション、国境を越えた調査、専門家による検証、信頼できる法律情報へのアクセスについて語ります。Deloitteに約10年間在籍し、最終的には人工知能部門の責任者を務める一方、Vrije Universiteit Amsterdam and Tilburg Universityでテクノロジー関連の講義も担当していました。Moonlitは当初、Deloitte社内のプロジェクトとして始まり、2024年に独立した企業となりました。プラットフォームの開発に着手したきっかけは何ですか。また、法律調査には根本的に異なるアプローチが必要だと確信したのはなぜですか?Moonlitは、問題がまさに目の前にあったことから、Deloitte社内で生まれました。欧州では、重要な法律上または税務上の問題は、いずれかの時点で国境を越えます。しかし、必要な情報源は数十の各国ポータルに散在しており、それぞれ形式も言語も引用スタイルも異なります。専門家は調査時間の大半を資料の収集と、必要な情報に漏れがないかの確認に費やしています。一方、専門家を支援するために作られたツールは、国境を越えた業務には効果的ではありません。国ごとにユーザー単位で課金され、異なる法域が同じ問題をどのように扱っているかを比較するだけでも、別々にログインする必要があります。大規模言語モデルが登場すると、二つのことが一度に明らかになりました。モデルは誰もが予想していた以上に法律文書を適切に推論できる一方で、推論の対象となる信頼できる情報がありませんでした。公開されている裁判所のポータルから直接テキストを抽出すると、データは不統一で扱いにくくなります。一方、民間の法律情報出版社は、ライセンス上の制約によって自動アクセスを制限しています。リーガルテックには共通の基盤が欠けていました。つまり、複数の法域にわたる公式情報源を、同じ明確なデータ構造に標準化し、相互に関連付け、毎日更新する基盤です。私たちが構築を目指したのは、まさにその基盤となるレイヤーです。それが、Moonlitが一つの法律事務所向けのツールにとどまらず、2024年に企業となった理由です。このような基盤は、利用して情報を読み取り、貢献する人やシステムが増えるほど価値が高まります。根底にある信念は変わっていません。法律は誰もが利用できるものであり、法律を遵守しなければならないすべての人が、その法律に基づく知識を無理なく利用できるべきです。Moonlitは、法律知識へのアクセスが正義の実現に不可欠であるという信念のもとに設立されました。法令や裁判所の判決は公開されていることが多い一方、その意味を解説する専門家の論考は、高額なペイウォールの向こうに残されている場合が少なくありません。Moonlitは、この解釈を担うレイヤーへのアクセスをどのように広く開こうとしていますか。また、信頼性の高い法律AIの開発にとって、それが特に重要なのはなぜですか?オランダでは、稼いだ1ユーロのうち約40セントが国に納められ、その一部は公立大学や法制度の運営に充てられます。法律を解説する論考の多くは、公的給与を受け取る大学研究者が執筆しています。Wolters KluwerやThomson Reutersなどの商業出版社は、そうした分析を商品化し、必要とする裁判所、官庁、大学、実務家に販売しています。解説書の購読料は、ユーザー1人あたり月に数百ユーロに上ります。こうした購読料によって、一般の人々は従わなければならない法律のために、事実上二重に費用を負担しています。公正な法制度の利用にかかる月額費用が、Netflixのサブスクリプションより高くなるべきではありません。私たちは、誰でも無料のMoonlitアカウントで利用できる、法律分析を条文ごとにまとめたライブラリとして、Commentariesを公開しました。各解説は、AIモデルを用いて一次資料から生成し、公開前に法律専門家の審査を受けています。引用はすべて検証済みで、政府や裁判所の公式記録に直接リンクしています。読者が見落とされた微妙な点や最近の動向に気づいた場合は、ページ上のフォームから編集を提案し、編集部の審査を依頼できます。編集者は内容を確認したうえで再公開できます。私たちの知る限り、こうした仕組みを組み合わせて提供する出版社はほかにありません。公開時に利用できる解説は間接税(VAT)を対象としており、データ保護に関する解説も準備中です。この解釈を担うレイヤーは、法律AIにとっても同じように不可欠です。モデルは公開されている法令や裁判所の判決を取り込めますが、規則が実務でどのように運用されるのか、どのような例外があるのかを説明する二次的な解説を読むことはできません。こうした背景情報がなければ、モデルは推論を広げすぎ、信頼性の低い回答を生成してしまいます。Commentariesは、すべての記述が、それを解釈する条項と根拠となる判決に明確に結び付くよう設計しました。実務家はワンクリックで情報源を確認でき、AIワークフローはMoonlit Data APIとMCPコネクターを通じて、信頼できるデータに基づく推論を行えます。AIが生成する法的な幻覚(ハルシネーション)は深刻化しており、弁護士や裁判所が、存在しない判例の引用や法律の不正確な解釈に直面しています。高度な大規模言語モデルでさえ、なぜ法的な正確性を確保するのが難しいのでしょうか。また、構造化され、検証済みの法的コンテキストを与えることで、こうした限界にどう対処できるのでしょうか。言語モデルが法律を扱うのに苦労するのは、知能とはほとんど関係のない理由からです。法的な推論は、検証可能な根拠に全面的に依存します。結論の妥当性は、それが基づく条文や裁定の確かさに左右されます。しかし、モデルは事件番号や法令の引用を、信頼できるデータベースの記録ではなく、確率的なテキストパターンとして扱います。実際の文書を確認したからではなく、引用がどのような形式であるべきかを予測するため、もっともらしく見える参照情報を出力します。これは現実に深刻な結果を招いています。執筆時点で、AIの幻覚に関係する裁判所の決定が2,100件を超えて記録されており、そのうち800件以上は法律実務家が直接関与したものでした。法律も絶えず変化します。モデルが持つ知識は学習データの締め切り時点で止まる一方、税務上の裁定や控訴審の判決は毎週更新されます。ルールの意味を解説する注釈が出版社の有料壁の向こうにあると、モデルが参照できるのは条文そのものだけで、実務上の文脈は得られません。そのため、モデルはその隔たりを埋めようとして、もっともらしい説明を作り出してしまいます。構造化され、検証済みのコンテキストは、根本的にタスクのあり方を変えます。Moonlitでは、モデルが記憶から法律を思い出そうとするのではなく、法律を検索し、公式記録を直接参照します。検索すると、公式情報源の文書が引用情報とリンクとともに表示されます。参照グラフからは、ある裁定が何を引用しているか、また後のどの文書がその裁定を引用しているかが分かります。引用先が当社のリポジトリにある真正な文書でなければ、その引用は表示されません。これにより、架空の引用を排除できます。ただし、データが整っているだけでは誤読を防げません。そのためCommentariesでは、草稿と読者の間に、氏名を明記した法律専門家が入ります。Moonlitは、数十の法域にわたる法令、裁判所の判決、規制情報を集約し、広範な参照グラフを通じて法律文書を相互に結び付けています。基盤となるAIとデータのアーキテクチャ、特に、プラットフォームが法的情報源間の関係をどのように特定し、異なる言語や法制度をどのように調整し、AIモデルがこの情報を利用できるようにしているのか、詳しく説明していただけますか。公式な公表から検証済みの引用に至るまで、途切れることのない一連の流れとして捉えてください。あらゆる法域で、立法公報、裁判所のデータベース、規制当局のポータル、EU法のEUR-Lexなど、公式ポータルに直接接続しています。ポータルごとに固有の仕様や形式があり、予告なく変更されることもあるため、エンジニアリング業務のかなりの部分を、ポータルごとの監視と自動復旧に充てています。取り込んだすべての文書には出典情報が保持され、政府の公式記録に戻る恒久的なリンクが付与されます。このリンクが、ほかのすべての基盤となります。法域をまたぐ法令、判例、議会文書、当局の決定、ガイダンスなど、あらゆる情報を単一のモデルに取り込みます。法令は個々の条文単位に分割されるため、各条文を正確に検索し、引用できます。オランダの判決とドイツの裁定には、それぞれの国内制度で必要とされる固有の項目を保持しつつ、国境を越えて文書を識別、分類、関連付ける方法は標準化しています。法律文書は互いを頻繁に引用します。判決は適用する条文や先例とする判決を引用し、法律はほかの法令を参照します。当社のエンジンは、法域によって形式が大きく異なるこうした引用を認識し、Data Layer内の真正な文書と照合したうえで、双方向のリンクとして保存します。法律分野のエンジニアが抽出パターンを検証しています。その結果、数億件のリンクを含む参照グラフが構築され、どの文書についても、それが何を引用し、何から引用されているかを確認できます。言語については、原文書に手を加えないことで対応しています。一次資料の本文は翻訳しません。ベルギーの裁定はフランス語またはオランダ語のまま保持され、検索も原文の言語で行われます。キーワード検索と意味検索を組み合わせ、検索結果を再ランキングしたうえで、各クエリの対象を該当する法域に限定します。当社のリサーチアシスタントであるLunaは、基礎となる各情報源をその原文の言語で検索しながら、質問された言語で回答します。Moonlitのプラットフォーム、当社のData API、MCPサーバーは、すべて同じData Layerを参照します。APIを通じて、当社の各種検索機能、参照グラフ、全文検索をプログラムから利用できます。一方、MCPサーバーは、外部のAIアシスタントが利用できる読み取り専用ツールを9つ提供します。基盤となるデータを改善すると、その効果はすべてのインターフェースに一斉に反映されます。Moonlitは、氏名を明記した法律専門家がレビューする、AI生成の法律解説を導入しました。自動で草稿を作成し、人間が検証する仕組みです。このプロセスは実務上どのように機能するのでしょうか。また、AIが生成する解釈の正確性、透明性、権威ある法的情報源への追跡可能性を確保するため、どのような安全策を講じていますか。解説は法律そのものから始まります。当社のエンジンは、Data Layer内の一次資料をもとに草案を作成します。一次資料には、立法、判例、指令に加え、規定の立法過程に関する議会記録も含まれます。当社が保有する文書のみを引用できるため、すべての主張は、それが解釈する規定と、その裏付けとなる資料に紐づけられています。たとえば、公開時に掲載した解説の一つは、検証済みの165件の資料にリンクしています。解説を公開する前に、その分野の法律専門家が草案を一次資料と照らし合わせて確認します。当社の編集者は、報酬を得て執筆に携わる研究者や実務家です。公開時の執筆陣は、大学、裁判所、政府機関、アドバイザリー会社、法律事務所から集まっています。彼らは草案を修正し、不要な部分を削り、不足している内容を加えます。ページには執筆者の名前が明記されています。検証済みレビューのバッジは、編集者が確認した箇所を示すため、どのセクションを人間の専門家が保証しているのかが常に明確です。各解説には、記述の対象となる法律の正確な時点を示すため、基準日も記載されています。Data Layerは毎日更新され、関連する新たな判決を編集者に知らせます。編集者はそれを受けて本文を改訂し、基準日を更新します。これらすべてを支える安全策は、リンクです。結論の根拠となる判決にクリックして移動できなければ、読者はそれを信じるよう求められているにすぎません。Commentariesは、誰もそうする必要がないように構築しました。Model Context Protocol(MCP)との連携により、Moonlitは法律情報をChatGPT、Claude、Microsoft CopilotなどのAIアシスタントに直接取り込めます。このアーキテクチャによって、従来の検索拡張生成(RAG)システムでは難しいどのようなことが可能になりますか。また、これらのアシスタントが取得した法律情報を責任ある形で利用するよう、どのように担保していますか?従来のRAGでは、一部の文書を切り取ってスナップショットを作成し、それを小さな断片に分割して埋め込み表現に変換したうえで、類似度スコアが最も高いものをモデルに渡します。法律分野では、この方法には3つの問題があります。スナップショットが古くなります。類似度だけでは、正確な条文番号や事件番号を十分な信頼性で見つけられません。また、断片だけでは、その文書が何を引用しているのか、後の判決によってどのような扱いを受けたのかがわかりません。MCPサーバーを使うと、アシスタント自身が調査を行います。意味や、ブール演算子を用いた正確な語句・引用箇所で検索し、文書間の参照をたどり、全文を読み、法律の個々の条文を取得できます。また、どの法域や公式ポータルが利用可能かも確認できます。モデルは必要な情報を判断し、返された内容を読み、回答の妥当性が確かめられるまで再び検索します。この反復こそが違いを生みます。Lunaも9月に同じMCPサーバーへ移行し、回答の速度と質が同時に向上しました。データも常に最新です。アシスタントは、その時点のData Layerを読み取ります。責任ある利用は、明確な制限を設けることから始まります。当社のツールは読み取り専用で、検索結果は公式資料にリンクされています。また、アシスタントが従える簡潔な調査手順も公開しています。そこでは、資料の原文の言語で検索すること、引用前に該当箇所を確認すること、バージョンを検証すること、利用可能な資料に不足がある場合はその旨を明確にすることを説明しています。アシスタントによって推論の示し方は異なり、そこは当社が管理できるものではありません。当社にできるのは、情報源を簡単に確認できるようにすることです。引用はすべて文書にたどり着き、文書はすべて公式の公開資料にたどり着きます。新たな判決の公表、規制の改正、既存の先例への異議申し立てなどにより、法律情報は絶えず変化しています。Moonlitの自動監視インフラは、こうした動向をどのように検出して取り込みますか。また、古くなった法令や効力を失った法解釈にAIシステムが依拠しないよう、プラットフォームではどのように防いでいますか?AIや調査担当者が誤った法令に依拠するのを防ぐ鍵は、文書間のつながりにあります。新たな判決や法改正がシステムに登録されるとすぐに、参照グラフが、その判決や改正が引用する以前の規定や事件と結びつけます。控訴裁判所が以前の判決を覆したり、その適用範囲を狭めたりした場合、その動向は、元の判決を引用する判決として直接紐づけられます。グラフをたどるモデルは、古くなった先例を今も有効な法として扱うのではなく、その後の判断による扱いを即座に把握できます。プラットフォームでは、ユーザーは同じ新着情報の流れを利用して、追跡対象の特定の法令、裁判所、またはトピックについて、アクティブなMonitorsを設定できます。解説の最新性を保つことは、従来、大きな見落としが生じやすい分野でした。商業的な解説シリーズは、年に1回か2回しか更新内容を確認しないことがよくあります。間接税やデータ保護のように変化の速い分野では、こうした遅れが深刻なコンプライアンスリスクを招きます。当社のData...
著者 Antoine Tardif, Unite.AIのCEO兼創設者
-

インタビューBoson AI共同創業者、Alex Smola氏 ― インタビューシリーズ
Alex Smola氏はBoson AIの共同創業者で、対話型音声AIやマルチモーダルシステムに取り組んでいます。キャリアを通じて、Carnegie Mellon Universityでの学術研究から、AWSでの大規模なAI施策まで幅広く経験してきました。研究と製品開発の両方で培った経験を生かし、会話の手がかりを理解し、割り込みに対応し、実用的な作業を実行できるアシスタントの開発に取り組んでいます。Boson AIは、音声、オーディオ、マルチモーダルなインタラクション向けの基盤モデルとツールを開発しています。同社のHiggs Realtimeモデルは、リアルタイムの音声対音声の会話に対応し、より幅広いプラットフォームには、表現力豊かな音声生成、アバター、企業向け音声エージェントが含まれます。このインタビューでSmola氏は、会話における知能、多言語対応の性能、推論の経済性、そして音声エージェントを実際のビジネス業務に導入するために必要な安全対策について語ります。あなたは、Carnegie Mellon Universityでの学術研究から、AWSで大規模なAI施策を率いる立場を経て、現在はBoson AIを共同創業するに至りました。対話型音声AIに注力するきっかけは何だったのでしょうか。また、人間とAIのインタラクションにおけるどのような根本的な限界を乗り越えたいと考えていますか?人間のコミュニケーションは、言葉だけで成り立っているわけではありません。声から相手の不安を感じ取ったり、説明を理解していない様子に気づいたりできます。ちょっとした相づちで、話を続けてほしいという意思が伝わることもあります。私たちはこうした手がかりを無意識に読み取っていますが、コンピューターに認識させる取り組みは、今も発展の途上にあります。だからこそ、私はこの分野に大きな関心を持っています。今では高い知能を備えたシステムが登場していますが、それらとのやり取りには、まだぎこちなさを感じることがあります。ソフトウェアにどう話しかければよいかを考えずに、自分の言葉で必要なことを説明できるようになってほしいのです。AWSでは、顧客が何をしようとしているのか、そして製品がその実現に役立っているかどうかに細心の注意を払うことを学びました。研究の進展に合わせて迅速に動ける自由を得て、Bosonでもその姿勢を取り入れています。音声や映像があれば、活用できる情報が増えます。相手が戸惑っている様子や、言葉に詰まる様子が見えれば、会話が軌道を外れる前にアシスタントが対応できます。こうした日常的なやり取りを適切にこなすことは、私たちが目指すものの大きな柱です。Boson AIが最近発表したHiggs Realtimeは、自然なリアルタイムの音声対音声のやり取りを実現するよう設計されています。音声認識、言語モデル、音声合成を組み合わせた従来のシステムと、このアプローチの根本的な違いは何でしょうか。また、その違いはAIアシスタントの将来にとってなぜ重要なのでしょうか?従来の一連の処理では、音声認識が話した言葉をテキストに変換し、言語モデルが回答を生成した後、音声モデルがそれを読み上げます。それぞれの段階が直前の段階に依存するため、会話が遅く、途切れがちな印象になることがあります。Higgs Realtimeは、リアルタイムのやり取りを目的に開発された、音声を基盤とする音声対音声モデルです。会話の順番の取り方や、変化する要望への応答など、会話における振る舞いを考慮して訓練されています。テキストチャットボットに音声を付けるのとは大きく異なります。難しい質問を誰かに尋ねる場面を考えてみてください。相手は答えを調べながら、「調べてみます」と言うかもしれません。そうすれば、質問を聞き、対応していることが分かります。AIアシスタントも、情報を検索したりツールを使ったりする間、同じように状況を伝える必要があります。そうすることで、こちらの話を理解したのか、処理をやめてしまったのかと、利用者が不安に思わずに済みます。長時間にわたるタスクでは、これはいっそう重要になります。アシスタントは作業中も状況を伝え続け、質問されたり、利用者の考えが変わったりした場合には、それに応じて対応する必要があります。会話型AIが直面する大きな課題の一つは、いつ話し、いつ聞くべきか、また割り込みや話の方向転換にどう対応するかを判断することです。Boson AIはこうした課題にどのように取り組んでいますか。また、AIとの会話が本当に自然に感じられるようになるには、今後どのような技術的ブレークスルーが必要でしょうか?相づちと割り込みはよく似た音に聞こえることがありますが、それぞれに必要な応答は異なります。こちらが話している間に相手が「うん」と言っても、話を続けてほしいという意味かもしれません。一方、電話番号の数字を訂正された場合は、話を止めて正しい番号を使う必要があります。AIアシスタントは、その違いを見分けられるべきです。Higgs Realtimeは、相手の発言の意味を手がかりに、話し終えたのか、それとも少し間を置いているだけなのかを判断します。すばやく応答することも重要ですが、どのように応答するかを判断することも同じく重要です。こうした判断を常に正しく行うのは、今も非常に難しい課題です。人はきちんと区切られた順番で話すわけではなく、同じ言葉でも会話の内容によって意味が変わります。アシスタントは何が変わったのかを理解し、それまで何をしていたかを覚えておく必要があります。Boson AIは、音声エージェントが割り込みからどのように立ち直るかを測るIHBenchなどのベンチマークを開発しました。こうした評価から、現在を代表する音声モデルの弱点についてどのようなことが分かりましたか。また、業界は会話における知能の測り方をどのように見直すべきでしょうか?音声エージェントが途中で遮られたときに何が起きるのかを検証するため、IHBenchを開発しました。予約の途中で内容を訂正した場合、エージェントはその訂正を受け入れ、適切なところから続けるべきです。最初からやり直したり、すでに伝えられた情報をもう一度聞かされたりする必要はありません。結果は、モデルや割り込みの種類によって大きく異なりました。公表するのが特に気の進まなかった結果もあります。一般に、クローズドウェイトのシステムのほうが割り込みへの対応に優れ、会話が進んだ段階で割り込まれた場合も、より安定して対応できていました。これはオープンなエコシステムに実際に存在する大きな隔たりです。ないふりをするより、公の場で測定したいと考えました。それが、このベンチマークを作った最大の理由でもあります。測定方法について誰も合意していない隔たりを埋めることはできません。私たちは、自社モデルを含めずにこのベンチマークを公開しました。その後、自社モデルを加えたところ、Higgs Realtimeは復旧品質で71.2を記録し、GPT Realtime 1.5の65.5、GPT Realtime 2の62.4、Gemini 3.1 Flash Liveの61.1を上回りました。つまり、この隔たりは埋めることができ、オープンウェイトモデルが実際にそれを埋めたのです。私たちが何かを示せるようになる前に、難度の高いテストを設計して公開していたことを、そのテストで証明したいと思います。もっと広く言えば、この分野では測るべきものを測っていないと考えています。音声がどれほど自然に聞こえても、仕事をこなせなければ意味がありません。重要なのは、エージェントがタスクを完了できるかどうかです。何をしていたのかを何度も思い出させなければならないなら、音声がどれほど優れているかは、すぐに重要ではなくなります。印象的な音声AIのデモと、実際の顧客対応を担える自律型エージェントとの間には、大きな隔たりがあります。その違いは何でしょうか。また、企業が業務上重要なワークフローに音声エージェントを安心して導入するには、どのような能力を向上させる必要があるでしょうか。ケーブル会社に電話して、最後に楽しいと感じたのはいつですか。ほとんどの人にとって、その答えは「一度もない」でしょう。担当者が次々と変わるたびに、名前、生年月日、問題の内容をまた説明しなければならず、次の担当者にも同じことを最初から尋ねられます。同じ問題について4回目に電話をかける場面を考えてみてください。最初の3回の電話で何があったかを、エージェントには把握していてほしいものです。ルーターを再起動しても解決しなかったなら、技術者を派遣する時期かもしれません。その必要性を自分で説明しなくても済むべきです。エージェントがそれを実行するには、アカウントの履歴と、訪問予約を行うシステムへのアクセスが必要です。予約に失敗した場合にも対応し、実際に問題を解決できる担当者に引き継ぐべきタイミングを判断できなければなりません。企業は、顧客からの電話対応をエージェントに任せる前に、こうした状況をテストする必要があります。さらに、運用コストも考慮しなければなりません。デモでは見事に対応できるシステムでも、1日に何千件もの電話を処理するとなると、運用コストが高すぎる場合があります。そのため、効率性は事業で使える状態にするための要件であり、別個の問題ではありません。私たちは、あるグローバル保険会社と、まさにこのシナリオを数カ月にわたって運用してきました。実際のシステムと並行して行う試験ではありません。コンタクトセンターで、人間の営業担当者とともに、受信・発信の両方の顧客との通話を実際に処理しています。同時に何千件もの通話を、人間の担当者のおよそ3分の1のコストで対応しています。コスト以上に興味深いのは、システムを稼働させたまま改善できたことです。導入時、同社独自の評価では、会話品質に30点が付けられました。5カ月後には80点となり、これは同社が資格を持つ人間のテレマーケターに与える評価です。同じ評価でGPT-4o Realtimeは55点でした。研究室で調整を重ねて、この結果を得たわけではありません。実際に処理していたトラフィックを通じてシステムの性能が向上しました。コンタクトセンターが重視するのは、まさにこのような改善だけです。音声エージェントが質問への回答にとどまらず、タスクの実行、顧客情報へのアクセス、企業システムとの連携を担うようになるなかで、開発者は自律性と人間による監督のバランスをどう取るべきでしょうか。こうしたシステムへの長期的な信頼を築くうえで、不可欠な安全策は何でしょうか。まず、エージェントに何を任せるのかを考えるべきです。口座残高を照会させることと、送金やサービスの解約を許可することはまったく違います。権限はその違いを反映させるべきであり、接続先のシステムにも権限を適用させる必要があります。こうしたことをすべてプロンプトの指示に委ねることはできません。利用者は、自分が何に同意しているのかも把握できるべきです。元に戻すのが難しい変更をエージェントが行う前に、その結果を説明し、確認を求める必要があります。そうすれば、エージェントが行き詰まったときも、担当者に簡単に引き継げます。それでも、問題が起きることはあります。その際には、エージェントが何を行い、どこで止まったのかを確認できなければ、誰かが問題を正せません。自信に満ちた声を聞くと、システムが自分のしていることを理解していると思いがちです。しかし、その信頼は、システムの信頼性ある振る舞いによって得られなければなりません。Higgs Realtimeは100を超える言語に対応し、会話の途中で言語を切り替えることもできます。感情的な文脈やユーザーの意図を理解するうえで、言語やアクセント、コミュニケーションのスタイルが異なっても、一貫した会話能力を実現するための最大の技術的課題は何でしょうか。言語対応というと単なるリストのように聞こえますが、実際はそうではありません。少し前、ある顧客がタイ語を必要としていました。部分的には対応していたものの、まず分かったのは、タイ語そのものについて私たちはまったく何も知らなかったということです。そもそも、タイ語の書き言葉には基本的に句読点がありません。これは、多くの音声システムが前提としている文の境界を崩してしまいます。その市場への参入を先送りすることもできました。しかし、タイ語を話す計算機科学者を見つけ、適切に処理できるよう仕組みを作り直しました。それから約6週間後、私たちはバンコクでそれを実演していました。デモの最中、私はそれがうまくいっているのか分かりませんでした。自分が話せない言語でシステムを試す人たちの様子を聞いていたからです。終了後、彼らから良かったと言われ、大いにほっとしました。慣習の違いは、語彙の違いと同じくらい大きいものです。日本語では、聞き手は相手の話についていっていることを示すため、話の途中で小さく相づちを打ちます。アシスタントが毎回停止して発話の順番を相手に渡していたら、会話のリズムが壊れてしまいます。言葉が完璧でも、会話がうまくいかないことはあります。そして、何を言うかと同じくらい、どう言うかも重要です。まったく同じ言葉でも、愛情を込めて言う場合と皮肉を込めて言う場合とでは、適切な返答はまったく異なります。文の途中で言語が切り替わっても、口調や文脈を保つことが、私にとってこの分野を興味深くしている大きな要素です。OpenAIやGoogleのような企業は、リアルタイムのマルチモーダルAIに多額の投資をしています。Boson...
著者 Antoine Tardif, Unite.AIのCEO兼創設者