AIゴールドラッシュを乗り越える：エンタープライズベンチャーにおける技術的負債の隠れたコストを明らかにする

過去1年間で、人工知能はエンタープライズリーダーの注目を集め、AI企業への投資を急ぐか、または自社の製品の導入を急ぐことで、新しい技術的進歩の時代に追いつこうとしています。しかし、AIの新しい時代に参加するために急ぐ間に、AIの新規参入企業は、投資または新しいAI製品の作成において最優先で考慮すべき重要な要素である技術的負債について考慮していないかもしれません。

技術的負債の概念は新しいものではありませんが、AI技術は通常のソフトウェアサービスとは異なる種類の技術的負債をもたらします。AIが急速に改善され続けるにつれて、この重要な問題も一緒に成長しています。

技術的負債とは何か？

技術的負債は、最も単純な定義では、ソフトウェアの作成中に蓄積される低品質のコードです。これは通常、ビジネスニーズを満たすために加速されたマーケット参入タイムライン、または顧客のフィードバックを早く得るために、発生します。技術的負債を考慮する際に重要なのは、意図的な側面に焦点を当てることです。意思決定者は、ソフトウェアと、スピードのためにショートカットを取ることの影響についてよく理解しています。AIの出現は、技術的負債に関する新しいユニークな課題をもたらし、重大なリスクと結果をもたらします。

AIシステムが老化し、トレーニングデータが不正確で古くなると、AIへの投資のコストは、高品質のトレーニングデータを維持するために必要な時間と投資を上回ります。これは、データのハイドロニクスと呼ばれるものです。

技術的負債が蓄積される方法、底線への影響、および組織がそれに対処する方法について見てみましょう。

組織は技術的負債をどのように取得するか？

ソフトウェアが技術的負債を蓄積する方法は2つあります。1つは、単純に悪いコードです。組織は、製品を購入したり、M&A活動を通じて継承したりすることがありますが、後に品質の問題や変更と革新の遅い速度を発見することがあります。もう1つは、リーダーが意図的に技術的負債を負うことです。

AIの場合、約72%のリーダーは、従業員の生産性を向上させるためにAIを採用したいと考えています。しかし、AIの導入に関するトップコンサーンは、データの品質と管理です。生産性を向上させるために宣伝されている製品を使用しながら、同時に技術的負債によって引き起こされる品質の問題に対処するために時間を費やすことは、生産性を妨げることになります。しかし、最終的な利益の約束は、これらの障害を上回ります。

モデルドリフト：技術的負債の新しい種類

AIへの投資が増加するにつれて、組織は市場に出る戦略を急ぐことで、ジェネレーティブAIの金鉱に乗り出しています。ただし、これは短期的な収益ドライバーとして機能するかもしれませんが、組織は技術的負債の大量な蓄積を無視しています。これはモデルドリフトと呼ばれます。

モデルドリフトは、AIシステムのパフォーマンスが低下し、出力が不正確になることがあります。AIのライフサイクルを見ると、トレーニングデータを継続的に維持および更新する必要があることは明らかです。ただし、ソリューションを市場に出すために急ぐと、追加のトレーニングデータの取得、システムのデータハイドロニクスの維持、タスクをサポートするための十分な人員を確保するなどの問題が優先されません。

トレーニングデータが老化し、ギャップが拡大するにつれて、組織は回避可能な落差に対処するために時間とコストを費やすことになります。適切な計画手順とプロトコルがあれば、これらの問題を避けることができます。つまり、次のステップを省略することでソリューションを迅速に提供できるかもしれませんが、長期的には大きなコストがかかることになります。

技術的負債の底線への影響

技術的負債は、組織の効率性にも深刻な影響を与える可能性があります。たとえば、セールスチームを考えてみましょう。技術的負債が蓄積され、変更の速度が遅くなるにつれて、セールスチームは顧客を引き付けることが難しくなり、クローズレートと収益ストリームが遅くなる可能性があります。

セールス以外にも、技術的負債は開発チームに大きな影響を与える可能性があります。コードの更新に時間を費やすだけでなく、革新にも影響を及ぼします。メンテナンスに注力することで、プロダクトロードマップが遅れたり放棄されたりし、ビジネスのエンジニアリングとコマーシャル側の間に信頼を損なう可能性があります。プロダクトロードマップがなければ、セールスチームは約束を破ったり、見込み客に示すものがなくなったりし、収益に大きな影響を与える可能性があります。

技術的負債に対処する方法

納入の予測可能性が低下するにつれて、組織は課題に対処する方法について話し合い始めるでしょう。技術的負債に対処するために、意思決定者が利用できる方法は2つあります。1つは、プラットフォームとコードを完全に捨てて、再プラットフォーミングすることです。もう1つは、小さなインクリメンタルな変更を加えることです。

最初の方法である再プラットフォーミングでは、システムの完全なオーバーホールが必要であり、リスクが高いです。大規模な建設プロセスと同様に、スケジュールの遅延は製品のタイムラインを狂わせ、全体の努力が失敗する可能性があります。ただし、時には機能します。たとえば、LinkedInは2011年のIPO後にサイトを再プラットフォーミングし、現在は市場で大きなプレーヤーとなっています。

より安全な選択肢は、小さな変更を加えることで、最終的に大きな改善につながることです。開発者はすでに日常的にデータとやり取りしているため、こつこつと調整することで、システムを技術的負債から解放することができます。また、開発者のスキルセットにも利益をもたらします。最新のコードと技術の標準に従う必要があるため、技術的な成功を達成するために、技術的ギャップが少なくなります。エンジニア主導のイニシアチブを実装することで、開発者に20%の時間を割り当て、製品の更新に使用することができます。再プラットフォーミングよりも遅いプロセスですが、リスクは低く、ビジネスモデルに価値をもたらします。

AIの時代に技術的負債を後にして

AIの空間が急速に発展し続けるにつれて、生産性の向上と組織の効率性を謳うソリューションがさらに増えるでしょう。しかし、意思決定者は、継続的なデータメンテナンスなどのテクニックを組み込むことと、ソリューションのライフサイクルについての大きな絵を考える必要があります。AIへの投資は、高額で圧倒的なものである必要はありません。計画と市場戦略に少し変更を加えることで、次の技術的負債の大きな山を避けることができます。