Connect with us

Unite.AI

インタビュー

インタビュー

2026年8月18日 2026年8月18日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Saulius Lazaravičius, Hostinger 製品担当副社長 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Saulius Lazaravičius, Hostinger の製品担当副社長は、ソフトウェアエンジニアリング、起業、eコマース、製品開発にわたる20年以上のキャリアを持つ経験豊富なテクノロジー・プロダクトリーダーです。ソフトウェアエンジニアとしてキャリアをスタートし、B2B SaaS 企業を共同設立し、ゼロから輸送管理プラットフォームの構築に貢献しました。その後、バルト地域最大級の食料品 eコマースプラットフォームである BARBORA のソフトウェア開発チームを結成・指揮し、NFQ に入社しては横断的なテクノロジーチームとクライアント向け製品開発を統括しました。Lazaravičius は 2022 年に Head of Product として Hostinger に入社し、2024 年に VP of Product に昇格。担当領域はウェブホスティングとマネージド WordPress から、コアインフラ、VPS、ドメイン、ビジネスメール、製品デザイン、プロダクトグロース、そして新興の...
2026年8月18日 2026年8月18日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Lauri Kien Kotcher、Different Day の CEO 兼共同創業者 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Lauri Kien Kotcher、Different Day の CEO 兼共同創業者であり、人工知能、消費財、小売、ヘルスケア、金融サービス、プライベートエクイティにわたるキャリアを持つ経験豊富なビジネスリーダー、ブランド構築者、取締役、戦略アドバイザーです。Different Day を設立する前は、quip の CEO および取締役として、口腔ケアから口腔ウェルネスへの大規模なシフトを主導し、新製品を導入し、同社の直販サブスクリプションモデルを再構築し、運営コストを削減しました。以前は The Shade Store と Hello Products を率い、後者を大幅な成長へ導き、2020 年に Colgate に買収されました。過去のリーダーシップ経験には、L Catterton、Godiva Chocolatier、Lehman Brothers、Pfizer Consumer...
2026年8月17日 2026年8月17日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Kamya Elawadhi、Doceree共同創業者兼社長 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Kamya Elawadhi、Docereeの共同創業者兼社長は、ヘルスケアマーケティングとビジネス戦略のエグゼクティブで、2019年に入社してから同社の成長に中心的な役割を果たしてきました。プラットフォーム戦略、企業開発、クライアントサービス、グローバルパートナーシップにわたるリーダーシップポジションを経て、Docereeの技術を製薬ブランド、エージェンシー、出版社、医療機関に測定可能な価値として転換する支援を行っています。現在の役割では、Elawadhiは同社のグローバル成長アジェンダを主導し、米国での拡大を支援しています。その際、プライバシーに配慮し、臨床的に関連性のあるコミュニケーションに重点を置いています。Docereeに入社する前は、HS Ad India と McCann Worldgroup でシニアクライアントおよびアカウントリーダーシップを務め、ヘルスケア、医療機器、消費財ブランドの仕事に従事し、クロスファンクショナルかつ多文化チームを率いていました。Docereeは、AIファーストのヘルスケアマーケティングオペレーティングシステムで、ライフサイエンス組織が医療専門家や患者とよりコンテキストと精度を持ってエンゲージできるよう設計されています。そのプラットフォームは、検証済みのプロフェッショナルIDデータ、リアルタイムの臨床意図シグナル、プログラマティックなアクティベーション、ポイントオブケアエンゲージメント、そしてチャネル横断的にメッセージングを調整するAI推論層を組み合わせています。医師の認知と処方決定を、患者の治療への道筋（費用負担、初回処方の充填、リフィルなど）と結びつけることで、Docereeはヘルスケアマーケターにキャンペーンパフォーマンスのより統合されたビューを提供し、プライバシーと規制遵守を支援します。Docereeに入社したのは創業初年度で、米国でのプレゼンス構築に中心的な役割を果たした後、共同創業者兼社長になりました。最初に会社の創業ビジョンに惹かれた理由は何ですか？また、AIがヘルスケアでますます重要になる中で、そのビジョンはどのように変化しましたか？私がDocereeに惹かれたのは、解決しようとしている課題の明確さでした。ヘルスケアマーケティングは長年、他業界向けに作られたツールを借用したインフラ上で運用され、世界で最も規制の厳しい環境の一つに適用されていました。創業ビジョンは、ヘルスケア専用にゼロから構築されたものを作ることでした。進化したのは、AIが可能にする規模です。初期は正確さ、すなわち適切な医師に適切なタイミングでリーチすることが焦点でした。AIはそのタイミングの形を拡大し、メッセージの配信から意図の読み取り、会話の開始、そしてケアジャーニー全体にわたるエンゲージメントの接続まで可能にしました。根本的な信念は変わっていません。野心が大きくなったのは、ツールが進化したからです。Docereeは最近、ChatGPT と Claude 用のジェネレーティブ AI コネクタを導入しました。これらの統合はどのような機能を提供し、どのヘルスケアまたは製薬チームが最も恩恵を受けると考えられますか？ChatGPT や Claude といったプラットフォームとの統合は、Doceree の臨床および商業インテリジェンスを、製薬チームが日常的に使用しているツールに取り込むことを目的としています。システム間を切り替える必要はなく、ブランドやエージェンシーチームはキャンペーンのパフォーマンスを問い合わせ、HCP エンゲージメントのインサイトにアクセスし、実行可能な推奨事項を AI アシスタントのワークフロー内で直接提示できるようになりました。最も恩恵を受けるチームは、迅速でデータ依存の意思決定を行うチームです。市場全体でキャンペーンパフォーマンスを追跡するブランドマネージャー、HCP エンゲージメントのパターンを監視するエージェンシーチーム、レポートを待たずに複数のデータストリームを統合する必要がある商業リーダーなどです。データと意思決定の間に常に存在していた摩擦の層を取り除きます。私にとって、そこに本当の価値があります。ジェネレーティブ AI コネクタは Doceree のより広範な AI...
2026年8月14日 2026年8月14日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

エリック・ピカード、フルーエンシーの製品担当上級副社長 – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
エリック・ピカード、フルーエンシーの製品担当上級副社長は、デジタル広告プラットフォーム、自動化マーケットプレイス、データシステム、消費者向け製品を開発してきた、豊富な経験を持つ製品および技術エグゼクティブです。フルーエンシーに入社する前に、Microsoft、Pandora、MediaMath、Yieldmo、BARKでの上級リーダーシップを務め、広告テクノロジー戦略、プログラマティックメディア、製品管理、データサイエンス、エンジニアリング、そして大規模プラットフォームの近代化など、幅広い責任を負っていました。ピカードはまた、Bluestreak、Rare Crowds、Questoriなどのテクノロジー・ベンチャーを設立したシリアル・エントレプレナーであり、BluestreakとRare Crowdsは最終的に買収されました。彼のキャリアには、初期のリアルタイム入札広告交換のアーキテクトを支援したり、プログラマティックオーディオ広告製品を立ち上げたり、自動化された在庫キュレーション技術を開発したり、企業に人工知能、製品戦略、企業変革、M&Aに関するアドバイスを行ったことが含まれています。フルーエンシーは、代理店、ブランド、多地点ビジネスが、検索、ソーシャル、プログラマティックプラットフォーム、ウォールドガーデン、オープンウェブを横断して有料メディアキャンペーンを管理するために設計された、デジタル広告運用システムを開発しています。プラットフォームは、データ、クリエイティブ資産、在庫、コンプライアンス要件、オーディエンス、キャンペーン戦略、レポート、実行ワークフローを集中化し、自動化と人工知能を使用して、繰り返しの作業を削減し、大規模なキャンペーンを調整します。フルーエンシーは、管理されたAI駆動ワークフローを含むエージェント広告に重点を置いています。これらのワークフローは、キャンペーンを実行および最適化しながら、戦略的およびブランドコントロールを維持することができます。同社は、毎月25万を超えるキャンペーンをサポートし、年間約30億ドルの広告支出を管理していると述べています。あなたのキャリアは、デジタル広告の基礎となるいくつかの時期を経験してきました。Bluestreakの設立から、初期のデジタル広告標準の確立、初期のリアルタイム入札交換のアーキテクチャへの貢献まで、あなたはフルーエンシーでの次世代のエージェント広告システムを構築するためのアプローチをどのように形作ってきましたか。私はデジタル広告が多面的に興味深い分野でキャリアを歩むことができて幸運でした。私はインターネットの成長を支えるメカニズムの一部となり、デジタル広告の基本的なメカニズムの発明に関わることができました。さらに、ソフトウェアにおける技術的な課題は、他のどの分野よりも厳しいものでした。Bluestreakでは、ビデオ広告やオーディオ広告を含むほぼすべての広告形式の最初のものを構築することができました。マルチタッチ属性、タグ管理システム、すべてのデジタルメディアタイプのマルチタッチを最初に提供しました。これにより、IABとMRCと共同で最初のインプレッション標準を共同で著述することができました。Microsoftに入社したとき、同社はGoogleがWindowsのコピー1つあたりの収益がMicrosoftよりも高いことを認識し、広告テクノロジーに投資することを決定しました。同社は、私に魅力的で大きな機会を提供し、Microsoftが広告テクノロジー分野に参入するための世界的な戦略を書く役割を与えました。私が到着したとき、広告テクノロジーに取り組むエンジニアは約200人で、メディア収益は約7.5億ドルでした。私が去ったとき、広告テクノロジーに取り組むエンジニアは約1,500人に増加し、収益は50億ドルを超えました。現在、検索広告収益は約150億ドルですが、その当時は信じられない数字でした。調査した会社の1つは、最終的にAcECNを買収しました。これは、The Trade Deskの創設者であるJeff Greenの最初の会社でした。Right Mediaの買収も検討しましたが、見送りました。代わりに、外部の入札者が交換に接続できる非同期のグローバルオークションの機会を見出し、AcECNを買収して、ロブストなエンジニアリングチームを構築することを支援しました。AcECNが最初のリアルタイム入札交換を立ち上げたとき、さまざまなアプローチに関する議論があり、ベータテストを終了することはできませんでした。この結果、広告テクノロジー生態系全体に大きな影響を与える2つの結果がありました。まず、Right Mediaを去ったBrian O’KelleyがAppNexusを立ち上げました。AcECNが立ち上がることができなかったとき、私はAppNexusとのパートナーシップを主導し、同社への大規模な投資と強力なパートナーシップを実現しました。最終的に、MicrosoftがAppNexusを買収しました。2番目の大きな結果は、Jeff GreenがMicrosoftを去り、AcECNでリアルタイム入札交換を構築したエンジニアの何人かを引き連れて、The Trade Deskを立ち上げたことです。私のキャリアの最初のアークを見ると、1997年から2010年まで、長期的な種を植えることができました。Bluestreakでの私の仕事は、デジタル広告の基本的なメカニズムの発明を含み、IABとMRCと共同で最初のインプレッション標準を共同で著述することができました。Microsoftでの私の仕事は、広告テクノロジーへの参入戦略を書くことを含み、AcECNの買収とAppNexusとのパートナーシップを主導しました。その後、Rare Crowdsなどのスタートアップを立ち上げ、プログラマティックキュレーションを発明し、Pandoraではオーディオ広告ビジネスを牽引し、Yieldmoではプライバシーセンターの広告交換を構築しました。また、IAB Techlabの理事会で役員を務め、理事会の幹部委員会のメンバーにもなりました。去年、Brian O’Kelleyは、Agentic Advertisingのための業界標準であるAdCPを立ち上げる機会を見出し、AgenticAdvertising.orgを設立しました。私は、AdCPのガバナンスとコンプライアンスの最初の仕様を書くことを申し出ました。その数ヶ月後、フルーエンシーから連絡があり、同社のビジョンに共感し、フルーエンシーの製品担当上級副社長に就任しました。フルーエンシーは、すでに私の仕様で指摘したすべての問題を解決していたのです。フルーエンシーは、8年前にすでにエージェント広告を実現しており、LLMが「エージェント化」する前に、決定論的なエージェントアプローチをとっていました。私のビジョンは、フルーエンシー社のリーダーシップチームのビジョンと一致していました。決定論的なエージェントアプローチは、LLMと組み合わせることで、エージェント広告の課題を解決することができます。フルーエンシーは、LLMを取り込み、既存の自動化プラットフォームと統合することで、システムの価値を高めることを目指しています。私は、デジタル広告の歴史の中で、初期のインプレッション標準の確立からリアルタイム入札の発明、キュレーションの発明、エージェント広告の登場まで、多くの波に乗ることができて幸運でした。フルーエンシーでは、エージェントが人間の介入が必要な場合に人間が介入できるようにし、LLM駆動のエージェントに決定論的なガイドレールを提供することで、キャンペーンを安全に実行できるようにしています。リアルタイム入札は、ソフトウェアにミリ秒単位で金融上の決定を下す能力を与えました。プログラマティック広告の開発から得られた教訓は、AIエージェントにより大きな運用的自律性を与える際に、今日の開発者が考慮すべきものは何ですか。プログラマティック広告では、1秒あたり数千万の決定を下すことができるマシンラーニングを使用しました。これには、膨大なコンピューティング能力、データ処理、インフラストラクチャが必要です。ジェネレーティブAIの登場以前は、ソフトウェアの中で最も重要な開発の1つでした。しかし、プログラマティックモデルの効率性は低く、エコシステムは非常に複雑で、広告インプレッションあたりの電気消費量が多く、炭素排出量も多くなります。私はプログラマティックスペースが好きで、そこで何を成し遂げたかを誇りに思いますが、複雑さに対する利益が少ないように感じます。ジェネレーティブAIも同じことが言えます。エージェントが取引のインターフェースで動作し、決定を下す必要がある場所は、毎回同じ決定を下す必要がある場所ではありません。決定論的なエージェントとジェネレーティブAIを組み合わせることで、取引を効率的に管理し、複雑さを大幅に削減することができます。業界には、LLM駆動のエージェントを取引のワークフローに組み込むことを目的とした2つの主要なイニシアチブがあります。IAB Techlabは、Agentic Advertising Management Protocols (AAMP)イニシアチブを立ち上げ、リアルタイム入札インフラストラクチャにLLMをプロキシするメカニズムを提供しています。AdCPプロジェクトは、キャンペーン管理とクリエイティブワークフローを自動化することに焦点を当てています。フルーエンシーは、すでにAdCPの問題を解決しています。決定論的なエージェントアプローチを取り入れ、LLMを統合して、取引を効率的に管理し、複雑さを削減することを目指しています。フルーエンシーの決定論的な実行レイヤーは、AIエージェントの推奨事項を、ライブキャンペーンに影響を与える前に評価しますか。広告主は、エージェントの推奨事項を評価するためのルールや制約をどのように設定できますか。フルーエンシーは、人間やLLMが決定論的な指示を作成できるメカニズムを提供します。これらの指示は、毎回同じように実行されます。このアプローチは、ビジネスルールとヒューリスティックをエンコードすることで、広告プラットフォームでのアクションを自動化することができます。たとえば、自動車ディーラーが新しい車を入荷したとき、フルーエンシーは在庫管理システムを読み取り、自動的にキャンペーンとクリエイティブを生成できます。車が売れたときに、キャンペーンを自動的に停止することもできます。広告予算を直接制御するには、現在、LLMを使用することはリスクが高すぎます。決定論的なシステムが広告キャンペーンの変更を実行することを可能にするフルーエンシーのアプローチは、LLMのどのような根本的な問題に対処していますか。LLMは、確率的なエンジンであり、同じ質問に対して毎回異なる答えを生成するように設計されています。さらに、算術演算ができないため、金融上の決定を下すには適していません。LLMは、スクリプトを書き、コードを実行することで、算術演算を実行できますが、これは決定論的なタスクではありません。したがって、フルーエンシーは、LLMを取り込み、決定論的なエージェントアプローチをとることで、取引を安全に実行できるようにしています。LLMは、決定を下すための指示を生成するために使用され、決定論的なエージェントは、毎回同じように実行されます。広告戦略とクリエイティブ開発には、実験と主観的な判断が必要です。組織は、ジェネレーティブAIの柔軟性を維持しながら、キャンペーンの実行が予測可能でコンプライアントであることをどう保証できますか。フルーエンシーは、決定論的な指示をエンコードするメカニズムを提供し、毎回同じように実行されます。LLMは、パターンマッチングと分析に役立ちますが、決定論的なエージェントアプローチをとることで、取引を効率的に管理し、複雑さを削減することができます。フルーエンシーのプラットフォームは、検索、ソーシャル、プログラマティック広告チャネルを横断します。AIエージェントが、異なるデータ構造、最適化システム、ポリシー要件を持つプラットフォームをまたいで推論する際に、どのような技術的な課題が生じますか。各広告プラットフォームには、独自のベストプラクティスと機能があります。APIは、外部からプラットフォームを操作するための固定パイプです。LLMは、各プラットフォームのベストプラクティスをインジェストし、フルーエンシーの顧客のニーズに応じて、指示を生成することができます。エージェント広告環境における人間の監督の有効な形は何ですか。どのような決定は安全に自動化できますか。どのような決定は、人間のレビューまたは承認を必要としますか。フルーエンシーの顧客は、リスク許容度が異なります。フルーエンシーは、決定論的な指示をエンコードするメカニズムを提供し、毎回同じように実行されます。決定が明確でない場合は、自動的に人間にルーティングされ、必要なコンテキストが提供されます。AIエージェントがキャンペーンの決定を下すにつれて、プラットフォームは、広告主がパフォーマンスを監査し、ミスを調査し、コンプライアンスを示すために、決定、データ、ルールの根拠をどのように文書化する必要がありますか。フルーエンシーは、SOC2コンプライアントであり、完全に監査可能です。変更はシステム全体でログされます。フルーエンシーは、ビジネスルールをソフトウェアにエンコードすることで、決定論的な指示を生成し、毎回同じように実行されます。エージェント広告を採用している代理店やブランドにとって、どのワークフローが最良の出発点となり、エージェントの権限を拡大する前に、組織はどのような証拠を必要としますか。フルーエンシーでは、エージェント広告は既に確立された分野です。8年前にエージェント広告を開始し、数百の代理店やブランドが現在、フルーエンシーのプラットフォームを使用しています。フルーエンシーは、検索、ソーシャル、プログラマティックのチャネルを横断する、繰り返しのタスクを自動化します。LLMは、フルーエンシーの顧客のビジネスルールをエンコードし、決定論的な指示を生成するのに役立ちます。広告は、実際の金銭を管理する自律システムの最初のテストベッドです。この業界から得られた教訓は、金融サービス、ヘルスケア、企業調達、その他の規制された業界でAIエージェントを採用することにどのように適用できますか。広告業界は、20年前に自律システムが実際の金銭を管理することを許可することを証明しました。フルーエンシーは、年間30億ドル以上の広告支出を管理し、数千のロケーションを横断しています。フルーエンシーのアプローチは、決定論的なエージェントアプローチを取り入れ、LLMを統合することで、取引を安全に実行できるようにしています。このアプローチは、金融サービス、ヘルスケア、企業調達、その他の規制された業界でも適用できます。フルーエンシーの決定論的なエージェントアプローチは、LLMを取り込み、取引を効率的に管理し、複雑さを削減することを可能にします。ご質問にご協力いただき、ありがとうございました。フルーエンシーについてさらに詳しく知りたい読者は、フルーエンシーを訪問してください。
2026年8月13日 2026年8月13日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Nventrの創設者兼CEO、Jito Chadha – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Jito Chadhaは、Nventrの創設者兼CEOであり、経験豊富なテクノロジー・エグゼクティブおよび投資家です。彼のキャリアは、人工知能、データ・サイエンス、ベンチャー・キャピタル、ビジネス・デベロップメントにわたります。2019年にNventrを創設して以来、企業向けAIテクノロジーの開発を牽引し、予測分析会社Rule14のCEOも務めています。Chadhaは、2007年からHandsOn Global Managementに参加し、2013年にパートナーとなり、数多くの取引のソーシング、構造化、価値創出に貢献し、ベンチャー・キャピタル、データ・サイエンス、天然資源投資を牽引しています。Nventrは、ロサンゼルスを拠点とする企業向けAI企業で、知能型アプリケーションと自動化ワークフローの構築、展開、管理のためのテクノロジーを開発しています。同社のプラットフォームは、AIエージェント、機械学習モデル、ニューラル・ネットワーク、データ・マネジメント、インテリジェント・ドキュメント・プロセッシング、ビジュアライゼーション、開発ツールを統合しています。同社の製品には、ビジネス・ファンクション全体で自律エージェントをオーケストレートするためのオペレーティング・システムであるAgent IOや、ノー・コード、ロー・コード、フル・コード開発をサポートし、クラウド、オンプレミス、エッジ環境への展開を可能にするワークフロー・ビルダーnQubeがあります。NventrとRule14を率いる前に、投資のソーシング、ポートフォリオ・カンパニーの価値創出、複雑な組織内のデータ・サイエンス・イニシアチブに取り組んでいました。その経験は、ワークフローに焦点を当てた企業向けAIプラットフォームを構築するという決定をどのように形作りましたか?さまざまなビジネスで同じパターンが見られたため、情報が複数の人物、システム、承認を経てプロセスを完了するまでに時間がかかることがわかりました。その経験は、Nventrをワークフローに焦点を当てたものにしました。1つのタスクを改善しても、結果が組織全体で効率的に動作しない場合は、限られた価値しかありません。私たちは、プロセス全体を構造化し、大規模に実行することに焦点を当てました。Nventrは、エージェントのアクション、機械学習モデル、ニューラル・ネットワークをスケーラブルな企業ワークフローに統合しています。従来の自動化プラットフォームにみられた制限は何でしたか? それがより広範なアーキテクチャの開発につながったのはどうしてですか?これまで、企業はクラウドやローカルでホストされたSaaSアプリケーションのコレクションを通じて運営してきましたが、それらはしばしば不格好で、硬直的で、高価でした。ワークフロー・システム、モデル、エージェント、企業データは通常、別々のレイヤーとして扱われ、より広範な自動化を困難にしました。私たちは、それらのコンポーネントが一緒に動作し、需要の変化に応じて独立してスケールできるアーキテクチャを開発しました。プロセスは、1つの固定アプリケーションまたは1つのタイプのコンピューティング・エNVに強制される必要はありません。多くの組織は、AI戦略を開始するためにモデルを選択したり、チャットボットを立ち上げたりします。実用的結果をもたらすために、AIの展開前に、データ、権限、プロセス、システム統合に関する基礎作業が必要です。どのような基礎作業が必要ですか?企業は、プロセスを定義し、エージェントが必要な情報を特定し、その情報がどこにあるかを決定する必要があります。そのためには、データベース、ファイル・リポジトリ、PDF、記事、電子メール・システム、または企業データ・ソースへのアクセスが必要になる場合があります。企業は、エージェントがその情報を受け取った後に何が起こるかを定義する必要があります。会話によって応答、要約、フォローアップ・キュー、または別のエージェント・ワークフローが生成される可能性があります。承認されたツール、データ・権限、ユーザー・権限を役割ごとに設定し、各アクションが定義されたプロセス内で発生するようにする必要があります。nQubeは、データ・サイエンティストとビジネス・アナリストがAI駆動のワークフローを構築、テスト、展開、監視するのを支援するように設計されています。専門家以外の人々にこれらの機能を提供するには、どのようにアクセスさせていますか? また、生産環境で必要な技術的管理を維持していますか?人々は、AIとソフトウェア製品について、自分の役割と、それが彼らの仕事をどのように簡素化したり、生産性を高めたりできるかという観点から考えています。インターフェイスは、ユーザーが必要なものを説明し、質問し、エージェントまたはワークフローを通常の言語と声で調整できるようにする必要があります。ワークフロー、コンピューティング・プロセス、スケーリングは、そのインタラクションの下に残ります。組織は、ツール、データ・ソース、各役割に割り当てられたアクセスを管理し続けるため、ビジネス・アナリストは、インフラストラクチャを直接管理する必要なくシステムを使用できます。Nventrのエージェント・オペレーティング・システムは、シーケンシャルおよびイテラティブ・ワークフローで特殊なエージェントを指示するための調整エージェントを使用しています。プラットフォームは、各タスクをどのエージェントが処理するかを決定し、エージェント間でコンテキストを保持し、信頼性の低い結果を処理する方法をどのように決定しますか?ワークフローは、リクエストが定義されたステップ、ブランチ、特殊なエージェントを通じてどのように移動するかを決定します。1つのステージからの情報は要約され、次のエージェントに渡され、そこで何が起こったか、どのようなリクエストが行われたか、どのようなフォローアップが必要かが理解できます。信頼性の低い結果の処理は、プロセスとアクションの結果によって決まります。ワークフロー・コントロールは、システムがどこで継続できるか、どこで結果のレビューが必要かを反映する必要があります。企業は、さまざまな大規模言語モデル、特殊な機械学習システム、サードパーティのエージェントを使用する柔軟性を求めています。企業は、1つのモデル・プロバイダーまたはテクノロジー・スタックに依存しないAIインフラストラクチャを設計するには、どのようにアプローチする必要がありますか?インフラストラクチャは、複数のモデルをサポートし、それらを同じワークフロー内で並列に動作させることができる必要があります。1つのプロバイダーがスピーチ・ツー・スピーチ・コンポーネントを処理し、別のモデルがその背後で推論または処理を実行する場合があります。ツールキットは、顧客のコスト、パフォーマンス、セキュリティ、待ち時間、サードパーティ・サービス・プロバイダーへのオープン性に基づいて選択される必要があります。企業によっては、プロバイダーを組み合わせることに抵抗がある場合もありますが、他の企業は、エージェントを自社のクラウドまたは専用インフラストラクチャに置きたいと考える場合があります。アーキテクチャは、両方のアプローチをサポートする必要があります。AIエージェントが企業データにアクセスし、ビジネス・システム全体でアクションを実行できるようになると、セキュリティは、単に会話型インターフェイスを保護する以上のものになります。エージェントの権限、自律性、重大なアクションの開始能力を管理するためのコントロールは何ですか?アクセスは、役割、プロジェクト、ワークフローによって制御される必要があります。エージェントは、承認された情報、ツール、行動のみを使用でき、スコープ外のリクエストは承認のために送信される必要があります。自律性のレベルは、データの機密性とアクションの結果によって決まります。金銭、プライベート情報、またはその他の重大な結果を伴う取引の場合、企業はエージェントの行動を確認し、完了前に承認を必要とする必要があります。Nventrは、ドキュメント・プロセッシング、カスタマー・サービス、レポート、ヘルスケア・コミュニケーション、不正検出などの分野でアプリケーションを提供しています。ワークフローをエージェントによる自動化に適したものにするための技術的または運用上の特性は何ですか? どのプロセスは、主に人間によって実行されるべきですか?私たちは、プロセスに関連する人員またはコストと、その複雑さおよび自動化の実現可能性を比較検討します。プロセスは、高額または労力密度が高くても、自動化するのに適していない場合があります。一般的なアプローチは、最も大きな影響を与える最も簡単な目標から始めることです。その式は、1人の役割、複数の部門、または全組織に適用できます。不確実性または重大な判断を伴うプロセスは、引き続き人間によって実行されるべきです。従業員が、繰り返しの要素を処理するAIのカウンターパートを持ち、仕事を共有するという考えについて話しました。組織構造にどのような変化がもたらされ、リーダーはこれらのシステムが重要な決定から人間の判断を徐々に除去するのではなく、強化することを保証するために何をする必要がありますか?アイデアは、給与支払いの対象となる各人に、仕事の一部を学習できるエージェントのカウンターパートを与えることです。組織全体で、組織図の上に集中した知能と最適化を生み出すのです。エージェントは、情報の収集、データの移動、ルーティン・プレゼンテーションの作成などの繰り返しの仕事を引き受けます。そのことで、人々は重要な議論や決定に時間を費やすことができ、組織は機密情報や重大な行動に対する権限を維持します。AIエージェントがアシスタントから複雑な組織の運用層への進化を遂げるにつれて、企業が安全にワークフローを自動化できるようにするために、どのような機能が最も改善される必要がありますか?エージェントは、企業のデータベース、ファイル、システムとの統合と待ち時間を低減する必要があります。情報は、手動転送や新しいボトルネックの作成を必要とせずに、役割や部門を超えて移動できる必要があります。インタラクション・レイヤーも改善される必要があります。ボイス・エージェントは、通常の会話のように感じられるはずです。人々は、途中で割り込んだり方向を変えたりできるはずです。企業は、最終的には、承認されたエージェントがシステムと直接やり取りする方法を見つける必要があります。ブラウザーの自動化は、ギャップを埋めることができますが、業界は、コンピューティングとインフラストラクチャにはコストがかかるため、より効率的な構造に向かって進化するでしょう。素晴らしいインタビュー、詳しく知りたい読者はNventrを訪問してください。
2026年8月13日 2026年8月13日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

コーリー・スペンサー、UKGのAI担当GM兼VP – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
コーリー・スペンサーは、UKGのAIおよびプラットフォームの製品管理担当グループ副社長兼GMです。彼は、UKGのAI、プラットフォーム、ワークフォース・インテリジェンス・イニシアティブの製品戦略とイノベーションを牽引し、組織がワークフォース・データを実行可能な洞察に変え、ポジティブなビジネス結果を形作るのに役立っています。20年以上の経験を持つスペンサーは、AIの未来、ワークフォース・インテリジェンス、フロントライン・ワークへのAIの適用についての尊敬される思想家です。UKGは、組織が従業員をより効果的に管理およびサポートできるように設計された、人材管理、給与、ワークフォース管理ソフトウェアの世界的プロバイダーです。彼らのプラットフォームは、人事、給与、スケジューリング、出席、コンプライアンス、分析、およびAI駆動のワークフォース洞察を組み合わせ、 nhỏ企業から大規模なグローバル企業まで、さまざまなビジネスをサポートしています。50年の業界経験を持つUKGは、150カ国以上の8万以上の組織をサポートし、毎日数千万人の人が彼らのソリューションを使用しています。あなたは、20年以上、企業が顧客、分析、ワークフォース・データを理解するのを助けてきました。フロントライン・ワーカーが、知識労働者ではなく、AIの最も重要で見過ごされがちな機会の1つを表すことをあなたがどうやって確信したのですか?私が確信したのは、フロントラインが実際に経済が動いている場所だからです。私たちは、知識労働にAIを適用することで、驚くべき進歩を見てきました。しかし、ワークフォースの大部分は、しばしばサポートされていませんでした。フロントライン・ワーカーは、世界中の労働者の大部分を代表しています。彼らは、毎日私たちが依存する産業を動かしています。ヘルスケア、リテール、製造、物流、ホスピタリティ、公共サービスなどです。多くの企業にとって、フロントラインは、P＆Lの最大の部分の1つでもあります。そこでは、労働コスト、顧客体験、コンプライアンス、安全性、サービス品質、従業員エンゲージメントがすべて集まります。しかしそれは、依然として、企業の中で最も最適化されていない部分の1つです。その理由は、仕事が単純だからではありません。なぜなら、それは非常に複雑だからです。フロントライン・ワークは、週または月で計画されるかもしれませんが、毎分、毎シフト、変化します。誰かが呼び出される。需要が急増する。患者負担が変化する。出荷が遅れる。コンプライアンス・ルールが役割、場所、資格、労働時間によって異なります。従来のエンタープライズ・システムは、起こったことを記録するように設計されていました。フロントラインは、組織が意思決定がまだ重要である間に行動するのを助けるテクノロジーが必要です。そのため、AIは非常に重要です。Agentic AIは、コンテキスト、意図、制約を理解し、スケジューリング、時間、給与、人事、運用を介して行動を調整するのに役立ちます。人々がコントロールしています。私にとって、機会は、ワークフォース・プランニングとワークフォース・エグゼキューションのギャップを埋めることです。当我々がそれを行うとき、従業員はより良い体験を得る。マネージャーは、個人で処理できないスケールでサポートを受けます。ビジネスは、より速く、より正確に、より信頼性高く、より人間的に運営できます。これは、生産性の話ではありません。これは、エグゼキューションの話です。フロントライン・従業員は、世界的なワークフォースの多数を占めていますが、AIブームの多くは、オフィス生産性ツールに焦点を当てています。フロントライン環境の複雑さと重要性を、業界が長い間見過ごしてきた理由は何ですか?私は、業界がフロントラインを過小評価したのは、それがすでにデジタル化されていた仕事にAIを構築するのがより簡単だったからだと思います。オフィス・ワークは、ドキュメント、電子メール、ミーティング、カレンダー、コラボレーション・ツールで行われます。那は、AIの最初の波にとって自然なものでした。しかし、フロントラインは異なります。それは物理的、分散型、高度に規制されており、時間に敏感で、常に変化しています。しかしそれは、世界的なワークフォースの80％を代表する労働者を表しています。彼らは通常、机に座っていないが、毎日、ビジネス、コミュニティ、経済を動かしています。複雑さは、仕事そのものだけではありません。それは仕事の周りのデータです。私たちは幸運です。UKGは常にフロントラインに焦点を当てていたので、この分野で数十年の先行をしています。フロントライン・ワークフォース・データは、非常に高容量でノイズが多く、スケジュール、タイム・クロック、パンチ、給与ルール、資格、労働予測、欠勤、需要シグナル、コンプライアンス要件、管理者決定、従業員の好み、運用上の変更など、数千のロケーションとシフトで発生する信号から来ます。これらの信号は、常に移動し、コンテキストに深く依存しています。役割、場所、スキル、ポリシー、規制、需要、タイミングなどです。そのため、フロントライン環境を有意義に分析することは、非常に困難です。多くの組織が何が起こったかを理解できるようになるまでに、意思決定の機会はすでに過ぎ去っています。スタッフ・ギャップ、オーバータイム・リスク、コンプライアンス問題、給与例外、カバレッジ・シグナルは、1週間後には重要ではありません。それは、まだ行動が取れる間に重要です。そのため、フロントライン・AIは、オフィス・プロダクティビティ・AIとは根本的に異なる必要があります。それは、情報をまとめるか、コンテンツを生成するだけでなく、運用上のコンテキストを理解し、ノイズの多いワークフォース・シグナルを解釈し、人々がリアルタイムで行動を起こすのを助ける必要があります。UKGにとって、これはビジネスとソリューションの核となる機会です。フロントラインは、記録システムではなく、行動システムが必要です。組織がワークフォース・データをより良い意思決定、より速いエグゼキューション、従業員、管理者、ビジネスにとってより信頼性の高い結果に変えるのを助けるシステムです。企業ソフトウェアは、デスク、ドキュメント、ミーティング、ワークフロー、知識労働に焦点を当てて構築されてきました。しかし、フロントライン・ワークは異なります。それは物理的、分散型、規制されており、時間に敏感で、業界固有です。小売のアソシエイト、看護師、製造テクニシャン、倉庫ワーカー、ホテルのマネージャーはすべてフロントライン・従業員ですが、彼らを取り巻く運用環境は、完全に異なります。小売チームは、交通量、プロモーション、天候、またはローカル・イベントに基づいて労働力を調整する必要があるかもしれません。ヘルスケア・チームは、患者ニーズが変化するにつれて、正しい資格を持つ正しい人を正しいユニットに配置する必要があります。製造チームは、スキル、安全性、オーバータイム、生産スケジュール、労働ルールのバランスをとる必要があります。その複雑さは、仕事が計画されていても、毎分、毎シフト、変化するからです。月曜日に正しかったスケジュールは、水曜日までに間違っている可能性があります。8時に機能していたスタッフ・プランは、12時までに壊れている可能性があります。歴史的に、ほとんどのシステムは、事後的に何が起こったかを記録することしかできませんでした。フロントラインは、レポート以上のものが必要です。それは、瞬間的な行動が必要です。そのため、AIは非常に重要な追い風です。Agentic AIは、コンテキスト、意図、制約、ビジネス・ルールを理解し、管理者と従業員がスケジューリング、時間、給与、人事、運用を介して行動を起こすのを助けることができます。私たちは、これらのフロントラインの課題に取り組んできました。何が異なるのかは、AIがこれらの課題を新しいレベルの速度、精度、業界の関連性で変革する方法を提供することです。機会は、フロントライン・ワークをオフィス・ワークのように見せることではありません。それは、フロントライン・ワークが実際にどのように行われるかを尊重するテクノロジーを構築し、人々とビジネスがリアルタイムでより良い決定を下すのを助けることです。小売のアソシエイト、看護師、倉庫ワーカー、またはホテルの従業員のためのAIを構築することは、デスク・ワーカー用のAIコ・パイロットを構築することとは非常に異なります。これらの環境の間の最大の技術的および運用上の違いは何ですか?最大の違いは、フロントライン・AIがドキュメント、インボックス、またはチャット・ウィンドウの中に存在するだけでなく、仕事の流れの中に存在する必要があることです。デスク・ワーカーにとって、AIは、情報を作成、まとめる、検索、または分析するのを助けることができます。フロントライン・ワーカーにとって、AIは、現在の運用状況を理解し、誰が働いているか、誰が資格を持っているか、誰が利用可能か、需要はどうか、どのルールが適用されるか、次に何が起こるべきかを理解する必要があります。そのため、AIは、コンテキスト、業界の認識、行動指向性を備えている必要があります。役割、ポリシー、労働ルール、給与の影響、スケジュール、資格、ビジネス・プライオリティを理解し、信頼性、説明可能性、人間の監視をもって行う必要があります。運用上の違いは、同様に重要です。フロントライン・マネージャーは、シフトが進行中であるときにダッシュボードを解釈する時間がありません。従業員は、別のシステムをナビゲートしたくありません。AIは、埋め込まれた、高速、直感的で、瞬間的なものでなければなりません。そのため、フロントライン・AIは、単に仕事のコ・パイロットではありません。それは、組織が瞬間的に状況を感知、決定、行動するのを助けるインテリジェンスです。リアルタイムのワークフォース・データ、スケジュール、給与、スタッフのシグナルについて話しました。フロントライン・AIシステムにとって、リアルタイムのエグゼキューションが特に重要な理由は何ですか?課題は、組織がデータを持っているかどうかではありません。大多数のエンタープライズは、以前よりも多くのワークフォース・データを生成しています。課題は、シグナルをタイムリーな推奨、ガイダンス、行動に変えることです。意思決定がまだ重要である間にです。そのため、リアルタイムのエグゼキューションは、フロントライン・AIシステムにとって非常に重要です。AIは、起こっていることを理解し、制約を理解し、次に何が起こるべきかを理解する必要があります。スケジュールを調整する必要がありますか? オープン・シフトを埋める必要がありますか? マネージャーに警告する必要がありますか? コンプライアンス問題を防ぐ必要がありますか? 給与の例外を解決する必要がありますか?これらは、小さな決定のように思えるかもしれませんが、数千の従業員、シフト、ロケーションを超えて、迅速に蓄積します。カバレッジの改善、例外の削減、労働の決定の改善、管理者の迅速な行動は、従業員とビジネスにとって重大な影響を及ぼす可能性があります。これが、UKGワークフォース・インテリジェンス・ハブの目的です。組織がワークフォース・データをより良い意思決定、より速いエグゼキューション、従業員、管理者、ビジネスにとってより信頼性の高い結果に変えるのを助けることです。私たちは、HR、給与、ワークフォース・マネジメントの分野を超えて、ユニークな視点を提供しています。ワークフォース・ストラテジーが運用上の現実になる場所です。当そのデータを業界と同僚のベンチマーク、労働コストの洞察、シグナルを浮き彫りにし、推奨される行動を表面化できるAIと組み合わせると、リーダーは何が起こっているか、どのように重要か、どこに行動するかについて、より明確な理解を得ることができます。エグゼクティブにとって、それが実際の価値です。それは、別のダッシュボードをレビューすることではありません。それは、労働力をより正確に管理し、リスクを早期に特定し、パフォーマンスをより効果的にベンチマークし、意思決定をより自信を持って行うのを助けるツールです。多くの組織は、Agentic AIを探索していますが、自律性、ガバナンス、信頼について懸念があります。ワークフォース・マネジメント・システムでAIエージェントが行動を起こすことを企業が許可する前に、必要なガイドレールは何ですか?ワークフォース・オペレーションでは、AIエージェントは、決定が深く人間的であるため、明確な境界が必要です。スケジュール、給与、コンプライアンス、カバレッジ、疲労、公平性、従業員の信頼を影響します。つまり、エージェントは、単に速度や効率を最適化することはできません。ポリシー、許可、目的の範囲内で動作する必要があります。最も重要なガイドレールは、コンテキスト、コントロール、説明責任です。コンテキストとは、AIが従業員、役割、労働ルール、ビジネス・ニーズ、下流の影響を理解することを意味します。コントロールとは、エージェントが定義された許可の範囲内で動作し、リスクに基づいて適切な人間の承認を得ることを意味します。説明責任とは、推奨や行動が説明可能、監査可能、取り消し可能であることを意味します。一部の行動は、自動的に実行するために適しています。たとえば、資格のある従業員にオープン・シフトを提示したり、オーバータイム・リスクについてマネージャーに警告したりします。より大きな影響を与える行動、特に給与、コンプライアンス、規律、または重要なスケジュールの変更に関するものについては、人間のレビューが必要です。目標は、マネージャーや人事チームをプロセスから除外することではありません。それは、個人で管理できないスケールで、インテリジェントなサポートを提供することです。信頼できるAgentic AIは、意図を行動に変えるべきですが、常に透明性、ガバナンス、人間の関与をもって行うべきです。すべての機能は、プロダクションに到達する前に、厳格なモデル検証、セキュリティレビュー、プライバシー評価、および継続的な監視を受ける必要があります。UKGは、スケジュールを再バランスする、給与の不正を検出する、採用を加速することができるAIアプリケーションについて話しました。これらのユースケースのうち、どれがすでに実際の運用上の価値を提供していますか? どれがまだ初期段階にありますか?最も速く価値を提供しているユースケースは、管理者とチームがすでに毎日行っている決定からフリクションを除去するものです。給与の不正を検出することは、誰でも関係することができる例です。給与は、どのビジネスでも最も信頼性の高いプロセスの一つです。特にフロントラインや時間給の従業員にとっては、給与の不正、給与ルールの例外、コンプライアンス問題、または従業員体験の問題につながる可能性があります。AIは、問題を早期に検出して、チームが解決に向けて行動を起こすのを助けることができます。しかし、もっと先進的な例があります。リアルタイムの労働およびスケジュールの最適化が一例です。これは、UKGダイナミック・ワークフォース・オペレーションの重要性を示しています。価値は、ストア、ユニット、倉庫、またはホテルが人員不足であることを確認することではありません。何が変わったか、どのような制約が適用されるか、そしてマネージャーが瞬間的に何をするかを理解することです。オープン・シフトを埋める、オーバータイム・リスクを避ける、カバレッジを保護するなどです。これらの決定は、現在、人間の直感によって行われ、しばしば遅れます。マネージャーは、問題が発生する前に、データによって裏付けられた推奨事項を受け取ることができます。3つ目は、仕事の流れにおけるフロントラインのサポートです。UKGフロントライン・ワーカー・ネットワークを通じて、ワークフォース・データは、富、健康、日常の必需品に関するサポートを、従業員が最も関連性の高いときに接続するのを助けることができます。これはまだ新しいカテゴリですが、従業員の体験は、誰も使用する時間がない別のポータルに存在することはできません。採用の加速も、特にスピードが重要なフロントライン環境で、実用的になりつつあります。私たちのAIネイティブのUKGラピッド・ハイヤーは、候補者の関心からスケジュールされた面接までの時間を、週や日から、数時間または数分にまで削減しました。大量のフロントライン採用のためのソーシング、スクリーニング、スケジューリング、オンボーディング、初日の準備に関する繰り返しの作業を削減しました。実際の機会は、孤立した自動化ではありません。それは、ワークフォース・オペレーティング・プラットフォームを構築することです。プラットフォームは、変化を感知し、次に最も適切な行動を推奨し、組織が意図から行動への移行を、適切なガバナンスと人間の監視とともに支援できるものです。ヘルスケア、製造、物流などの業界では、小さなワークフォースの混乱は、すぐに下流の結果をもたらす可能性があります。AIシステムを、リスクを追加せずに迅速に応答できるように設計するには、どうすればよいですか?スピードは重要ですが、フロントライン環境では、コントロールのないスピードはリスクです。ヘルスケア、製造、物流、その他の複雑な業界では、小さなワークフォースの混乱は迅速に波及する可能性があります。1つの欠勤は患者ケアに影響を及ぼす可能性があります。1つのスキルギャップは生産ラインを遅らせる可能性があります。1つのスタッフのシグナルを逃すと、出荷が遅れたり、オーバータイムのリスクが生じたりします。したがって、目標は、単にAIを迅速に動作させることではありません。目標は、正しい制約の中で迅速に動作させることです。そのためには、コンテキストが必要です。AIは、誰が資格を持っているか、どのようなルールが適用されるか、どのようなカバレッジが必要か、どのようなコンプライアンス・リスクが存在するか、各行動の下流の影響が何であるかを理解する必要があります。リスクベースの自律性も必要です。低リスクの行動、たとえばマネージャーに警告する、資格のある従業員を特定する、オープン・シフトを提示することは、自動的に推奨または実行できます。給与、コンプライアンス、安全性、または重要なスケジュールの変更に関連する行動については、人間のレビューが必要です。最も優れたフロントライン・AIシステムは、説明可能、監査可能、取り消し可能であるように設計されています。マネージャーは、推奨事項がなぜ行われたかを理解する必要があります。従業員は、プロセスを信頼する必要があります。ビジネスは、AIが新たなリスクをもたらさずにエグゼキューションを改善していることを確信する必要があります。私たちの設計原則は、シンプルです。AIは、人々、ポリシー、ガバナンスを最初から組み込んだ状態で、組織が瞬間的に状況を感知、決定、行動できるように支援するべきです。フロントライン・ワーカーは、AIが仕事を奪う可能性があるという懸念を抱いています。AIの採用について、恐怖や不確実性を生み出すのではなく、従業員をエンパワーメントするバランスをとるには、どうすればよいですか?私は、自動化のハイプと運用上の現実を区別する必要があります。過去10年間で、フロントライン・ワークを置き換えることが、予想よりもはるかに困難であることを示す多くの例を見てきました。セルフ・チェックアウトは、混合された結果をもたらしました。完全に自動化されたファストフードは、パラダイムではなくパイロットでした。ドローン配達は、多くの人にとって、まだ未来のものです。その理由は、テクノロジーが強力ではないからではありません。多くのフロントライン・ワークは、依然として深く人間的です。フロントライン・従業員は、例外、判断、ケア、サービス、共感、信頼を処理します。看護師は、単にタスクを完了するのではなく、患者ケアを提供しています。小売のアソシエイトは、単に在庫を移動するのではなく、顧客と関わります。レストランの従業員は、単に注文を満たすのではなく、経験を提供しています。これらの役割は、人々、運用、コンプライアンス、顧客体験の交差点にあります。AIは、フロントライン・ワークの周りのフリクションを除去するのを助けることができます。スケジュールの混乱、パンチの欠如、給与の質問、オープン・シフト、コンプライアンスの複雑さ、スタッフのギャップ、管理者がチームから引き離される管理タスクなどです。AIは、従業員が答えを得るのを助け、管理者がより良い決定を下し、組織がより迅速に、より正確に、より信頼性高く運営するのを助けることができます。フロントライン・AIの将来は、仕事を奪うことではなく、人々により良いツール、より良いガイダンス、瞬間的なサポートを提供することです。あなたは、エンタープライズ・ソフトウェアがレコード・システムからインテリジェント・アクション・システムへの移行について話しました。ワークフォース・プラットフォームは、Agentic AIが日常の運用に組み込まれるにつれて、次の5年間でどのように進化するでしょうか?私は、質問を少し言い換えます。ワークフォース・プラットフォームが5年後どうなっているかということではなく、どの組織が今日、5年後のリーダーとなる基盤を構築しているかということです。AIの変化のペースは、遅い変化として扱うにはあまりに速いです。利点は、今日からHR、給与、時間、スケジューリング、ワークフォース・インテリジェンス、エグゼキューションを接続する真のワークフォース・オペレーティング・プラットフォームに向けて、断片化されたシステム、不快なスイート、ポイント・ソリューションから移動する組織にあります。これは、UKGワークフォース・インテリジェンス・ハブが重要になるもう1つの例です。AIが日常のワークフォース・オペレーションに組み込まれるにつれて、インテリジェンスは、サイドに静的なレポートとして存在するのではなく、仕事が理解され、優先され、行動される方法の一部である必要があります。組織は、フロントライン・ワークフォース・オペレーションにインテリジェンス・レイヤーが必要です。正しいコンテンツを正しい瞬間に提供するためです。その理由は、ワークフォース・オペレーションは、微小な利益と微小な損失で満ち溢れているからです。スタッフのギャップ、給与の例外、コンプライアンス問題、オープン・シフト、管理者の遅れた決定は、個別に見ると小さく見えるかもしれません。しかし、数千の従業員、ロケーション、シフトを超えて、迅速に蓄積します。Agentic AIは、組織がそのギャップを埋める方法を提供します。変化を理解し、ビジネス・コンテキストを解釈し、次に最も適切な行動を推奨し、人々が瞬間的にエグゼキューションを行うのを助けることができます。次の5年間で、リーダーは、AI機能を既存のワークフローに追加した組織ではありません。ワークフォース・マネジメントをインテリジェント・アクション・システムとして再考した組織です。エグゼクティブにとって、緊急性があります。フロントラインはすでにリアルタイムで動いています。あなたのテクノロジーもそれに追随する必要があります。今日にその機能を構築する組織は、重要な先行を得るでしょう。将来を見据えて、企業AIで勝つ企業は、最も優れたモデルを持っている企業ではなく、現実のワークフローに直接結びついた最も深い運用およびワークフォース・データを持っている企業であると思いますか?最も優れたモデルは重要ですが、企業AIで勝つ企業は、最も優れたモデルを持っている企業だけではありません。エンタープライズでは、インテリジェンスは、仕事のコンテキストを理解し、人々が正しい行動を取るのを助けることができなければ、価値がありません。モデルは答えを生成できますが、プラットフォームは、ワークフォース・データ、ビジネス・ルール、ワークフロー・コンテキスト、ガバナンスを組み込んだ、結果を推進することができます。これが、ワークフォース・インテリジェンス・ハブの重要性です。システム上のAIは、限られた価値しかありません。インテリジェンスは、仕事の流れの中に組み込まれる必要があります。シグナルを解釈し、意思決定が最も重要であることを理解し、最も重要な決定を表面化する必要があります。そのため、市場は、モデルがより強力で、よりアクセスしやすくなると、差別化は、AIが現実のワークフローとどのように結びついているか、そしてどのように安全に洞察から行動への移行が行われるかによって決まるでしょう。フロントラインにとって、その区別は重要です。仕事は常に変化し、決定は即時の結果をもたらします。従業員、管理者、顧客、患者、ビジネスにとってです。企業AIで勝つ企業は、単に賢いように聞こえるAIを持っているのではなく、仕事が実際にどのように行われるかを理解し、組織がより速く、より正確に、より信頼性高く、より人間的に運営するのを助けるAIを持っている企業です。素晴らしいインタビュー、詳細を知りたい読者はUKGを訪問してください。
2026年8月12日 2026年8月12日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Vijay Rayapati、AtomicworkのCEO兼共同創業者 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Vijay RayapatiはAtomicworkの共同創業者兼CEOです。会社を設立する前は、Nutanixが彼がCEOとして創業・拡大したクラウド管理プラットフォーム企業Minjarを買収した後、Nutanixのクラウドネットワーキングおよびセキュリティ事業のシニア・バイスプレジデント兼ゼネラルマネージャーを務めました。キャリア初期にはKulizaとTrilogyでエンジニアリングおよびプロダクトリーダーシップの役割を担い、エンタープライズインフラとソフトウェアアプリケーションの構築に深い経験を持っています。彼のバックグラウンドはクラウドインフラ、エンタープライズソフトウェア、AIワークフォース技術に跨り、エンタープライズIT分野で広く知られる創業者です。Atomicworkは、従業員が技術的課題を解決し、日常的なサポートタスクを自動化し、AIを通じてエンタープライズナレッジにアクセスできるエージェント型ITサービスマネジメントプラットフォームを構築するエンタープライズAI企業です。同プラットフォームはAIエージェントと最新のITSM機能を組み合わせ、サービスリクエストの処理、問題のトラブルシューティング、エンタープライズシステム間のワークフローオーケストレーションを実現し、ITチームの負担を軽減します。顧客はAtomicworkを活用して、従業員サポートを迅速化すると同時に、ITおよびビジネスオペレーション全体の運用効率を向上させています。あなたは以前Minjarを共同創業し、エンタープライズクラウド管理事業を構築したうえで、買収後はNutanixで事業を率いました。エンタープライズソフトウェア企業の構築・売却・統合から得た教訓のうち、2022年にAtomicworkを設立し、AI時代に向けてITサービスマネジメントをゼロから再構築しようと決意させたものは何ですか？ Minjarでは、オートメーションによって企業のクラウド費用を3分の1に削減できるソフトウェアを構築しました。顧客はその提案を好んでくれましたが、実際に採用するまでに2四半期もかかりました。なぜか理解するのに時間がかかり、答えは技術的なものではありませんでした。オートメーションが判断を下し、失敗した場合、責任を取る者がいません。企業は単にソフトウェアや成果を購入するのではなく、代わりに答えてくれる人を購入するのです。組織図に位置づけられないソフトウェアは、どんなに優秀でも権限を得られません。買収から得た教訓は、より限定的なものでした。単一機能の製品は購入され、記録システムは構築されます。たとえ自社製品が優れていても、ワークフローの所有者を回りくどくすることに時間を費やすことになるのです。Nutanixでの経験は、これら二つを結びつけました。IT部門が制御のためにサービスマネジメントを導入し、従業員はそれをフォームやキューとして体験しているのを見ました。また、チケット自体が製品ではなく、監査トレイルが製品であることに気づきました。これが、ITSMが40年にわたって人々に嫌われながらも存続し、誰も取り除くことができなかった理由です。したがって、2022年の問いはAIが作業を実行できるかどうかではなく、AIに組織図上の位置を与えられるかどうかでした。従来のITSMプラットフォームはそれができません。なぜなら、人間の担当者がデータモデルの中心に置かれ、すべてのSLA、承認、レポートがその前提に依存しているからです。AIを組み込めば、より高速なフォームが得られます。私たちは、AIが単なるソフトウェアではなくハイブリッドな労働力を提供するという別の答えに向けて構築しました。AIコワーカーは実際に作業を行い、ITはHRが人を管理するのと同様にそれらを統治します。AIコワーカーは設定するものではなく、役割に採用し、作業をレビューし、期待に沿わなければ取り消すのです。これが、AIを機能として捉えるか、労働力として捉えるかの違いです。AtomicworkはAIコワーカーを、定義された職務ロールを所有し、単に質問に答えたり孤立したタスクを実行したりするだけでなく、仕事全体を完遂するシステムとして説明しています。実際のAIコワーカーとチャットボット、コパイロット、従来の自動化ツールとを区別する技術的な能力は何ですか？また、その自律性はどこまでが適切でしょうか？チャットボットは質問に答え、コパイロットはユーザーがタスクを完了するのを支援しますが、どちらも作業を完了まで担う責任はありません。AIコワーカーは、定義されたロールが割り当てられ、成果を提供することが期待される点で異なります。インシデントのトリアージ、アクセスのプロビジョニング、従業員のオンボーディングなど、最初のステップで止まらず、目標に到達するまで各段階で作業を続けます。これは単なる有能なモデル以上のものを必要とします。AIコワーカーはアイデンティティ、適切な権限、承認済みツールへのアクセス、組織コンテキスト、予算、そして明確な運用範囲とロールが必要です。ビジネスシステム全体で動作し、承認が必要な時点（誰に）を把握し、すべてのアクションに監査トレイルを残さなければなりません。そのため、モデル周辺のプラットフォームに重点的に取り組んできました。信頼できるAIは、インテリジェンスと同様にオーケストレーション、ガバナンス、実行に依存します。自律性は決して無制限であってはなりません。AIコワーカーは自らの職務ロールの範囲内で動作すべきであり、作業が機密システムに影響したり、法的・財務的・雇用上の影響を伴う場合は人間が関与し続ける必要があります。貴社のプラットフォームは、インシデント管理、アクセスプロビジョニング、オンボーディング、ITオペレーションといった領域で専門化されたAIコワーカー同士の協働を可能にしています。これらのAIコワーカーはどのように責任を分担し、コンテキストを共有し、あるAIコワーカーの誤った判断がワークフロー全体に影響した場合にどのように回復しますか？私たちは、1つのAIコワーカーがすべての仕事を担うべきではないと考えています。IT組織はすでに、各ロールが異なる目標、権限、専門性を持つため、責任を複数のチームに分けています。この考え方をAIコワーカーにも適用し、異なるIT運用領域に特化した認定AIコワーカーを提供しています。各コワーカーは特定の機能を担当しつつ、同一のエンタープライズコンテキストを共有します。従業員がAtomicworkでチケットを作成すると、スマートルーティングにより適切なAIコワーカーに割り当てられ、リクエストに応じて別のAIコワーカーへ再割り当てされたり、並行して問題を解決するための子チケットが作成されたり（例：オンボーディングチケットは並行作業可能なアクティビティに分割できる）、あるいは人間にエスカレーションされたりします。作業がコワーカー間で移行する際、関連情報はチケット（記録システム）を通じて引き継がれ、サービスデスク、アイデンティティプラットフォーム、HRシステム、コラボツールなどへのアクセスと共に提供されます。その共有コンテキストにより、各コワーカーはゼロから始めるのではなく、既に起こったことを踏まえて判断できます。AtomicworkはOpenAI、Anthropic、Googleなどのプロバイダーから提供されるさまざまなエージェントフレームワークとモデルをサポートしています。どのモデルが検索、推論、計画、実行を担当すべきかをどのように判断し、基盤となるモデルが変化し続けても企業は一貫した動作を保つために何ができるのでしょうか？モデルごとに得意な作業が異なります。私たちは、モデルが変わるたびに顧客がワークフローを再設計しなければならないことなく、進化を活用できるプラットフォームの構築に注力してきました。エンタープライズコンテキスト、オーケストレーション、アイデンティティ、ポリシー実施、テレメトリ、評価が、基盤モデルが何であれ、プロダクションで必要とされる一貫性を提供します。私たちは、評価フレームワークとガバナンスと共に複数のモデルプロバイダーをサポートすることを公に議論していますが、検索・推論・計画・実行をどのモデルが担当するかを決定するルーティングロジックは明らかにしていません。また、プロバイダーが新しいモデルやアップデートをリリースする際に使用する検証プロセスも共有していません。エンタープライズAIエージェントは、矛盾するドキュメントや不完全な設定レコード、古いナレッジ、システム間の異なる権限に直面することがあります。Atomicworkのユニバーサルコンテキスト層は、エージェントが意思決定やアクションを行う前に、どの情報が信頼でき最新であるかをどのように判断しますか？エンタープライズナレッジは一箇所に集約されていることは稀です。ドキュメントにあるもの、記録システムにあるもの、そして日々の業務活動の中にあるものがあります。AIが信頼できる意思決定を行うには、これらすべてのコンテキストが必要です。ユニバーサルコンテキストは、エンタープライズナレッジと人、ネットワーク、インフラ、デバイスデータをライブ運用システムから統合します。AIコワーカーはConfluenceやSharePoint、IntuneやJAMFといったMDM、さらにJira、Workday、Salesforce、アイデンティティプロバイダーなどのシステムで起きていることを理解しながら情報を参照できます。また、既存の権限を尊重し、人やAIコワーカーは既に許可された情報のみへアクセスできます。ユニバーサルコンテキストがエンタープライズシステムを接続し、セキュリティ境界を保持する方法は説明しましたが、信頼できる情報源が矛盾した場合にどのように解決するか、どの情報源が優先されるかについては公開していません。これらの実装詳細は公開ドキュメントには含まれていません。ユニバーサルAIコワーカーはMicrosoft Teams、Slack、メール、ブラウザ、ポータルを通じ、チャット、音声、ビジュアルモードでも従業員を支援できます。エージェントが従業員の画面や音声を直接確認できることで、どのような新しいトラブルシューティング機能が可能になり、機密画面や会話が漏洩しないようにどのように保護していますか？従来のITサポートは、従業員が技術的問題を正確に説明できるかに依存しており、これが最も難しい部分です。音声やビジュアルコンテキストにより、AIは従業員が見ているエラーメッセージやアプリケーション、設定画面を直接確認でき、問題の把握が容易になり、長いやり取りなしに次のステップへ案内できます。これらの機能は、従業員の信頼が前提です。ビジュアルアクセスは明示的な同意が必要で、ユーザーは常に有効化されていることを認識すべきです。機密情報はPIIマスキング、管理者コントロール、適切な保持ポリシーで保護されます。また、顧客データが当社やサードパーティの基盤モデルの学習に使用されないことも明言しています。これにより、組織はマルチモーダルAIを導入してもデータ管理権を失うことはありません。Atomicworkは既存のServiceNowまたはJira Service Management環境と併用して導入でき、即時の移行を必要としません。これは主に移行戦略として捉えるべきでしょうか、それとも多くの企業がレガシーの記録システム上にAIワークフォースを永続的に運用することになるでしょうか？大企業の多くは、ServiceNowやJira Service Managementといったプラットフォーム上で、プロセス、統合、ガバナンスを何年も構築してきました。AI導入の前提としてこれらのシステムを置き換えることを要求すると、不要な摩擦が生じます。AtomicworkはServiceNowとJira Service Managementとの統合を構築し、顧客が従業員体験を変革し、AIコワーカーでサービスチームを即座に拡張できるようにしましたが、既存システムの運用を妨げません。コネクタはAIコワーカーが活用できるエンタープライズITコンテキストを取得しつつ、既存システムのサービスエージェントと双方向同期を維持します。企業が導入初日にどちらか一方を選択しなければならないとは考えていません。重要なのは、企業が自社のタイムラインでAIを導入できるよう支援することです。AIコワーカーにアイデンティティシステム、従業員データ、インフラ、ビジネスアプリケーションへのアクセス権を付与すると、プロンプトインジェクション、汚染されたナレッジソース、過剰権限、エージェントエラーの連鎖といったリスクが生じます。企業がエージェントに自律的に行動させる前に、どのような保護策、承認境界、監査メカニズムが不可欠でしょうか？AIコワーカーは特権アクセスを持つ従業員と同様に統治されます。各コワーカーには定義されたロール、限定的な権限、承認済みツール、支出上限、独立して実行できる範囲の明確な境界があります。特にアイデンティティ、インフラ、財務、法務、雇用に関わる敏感なアクションは、人間の承認が必要です。スキルや指示は、プロンプトインジェクション、隠し指示、認証情報へのアクセス、データ漏洩、危険な行動といったリスクがないか公開前に検証されます。ツールがリスクを高める形で変更された場合は、レビューが完了するまで自動的に無効化されます。アクション上限、重複アクション防止、緊急停止制御、人間による介入などの追加保護策により、エラーが拡散する前に抑制できます。すべてのアクションは追跡可能です。組織はコワーカーが何に起因して動作したか、使用した情報やツール、取得した承認、結果を確認できます。継続的な評価、モニタリング、レッドチームテストにより、モデルやツール、エンタープライズ環境が変化してもこれらの保護策が有効であり続けることが保証されます。AIの導入は始まりに過ぎないため、評価、ポリシー実施、モニタリング、レッドチームテストに多大な投資を行っています。組織は、モデルやエンタープライズ環境が変化しても、コワーカーが期待通りに動作し続けることに自信を持てるようにしています。AtomicworkのState of AI in IT 2026レポートによれば、ITプロフェッショナルの3分の2がAI投資からのポジティブなリターンを報告している一方で、組織の5分の1しかサービスマネジメントチーム全体にAIを完全に組み込んでいません。測定可能なビジネス価値を生み出す導入と、実験段階にとどまるパイロットの違いは何ですか？多くの組織は、AIが個々のタスクを改善できることをすでに示しています。測定可能なビジネス価値を実感している企業は、AIを単独のアシスタントとしてではなく、業務全体のワークフローに組み込んでいます。まずは具体的なビジネス課題をロール単位で考え、AIコワーカーに必要なシステムへのアクセスを付与し、成果指標（例えば解決時間の短縮、サポートコストの削減、従業員体験の向上）を測定します。チームが結果に信頼を置くと、AIを他のワークフローへ拡大するのが格段に容易になります。また、調査では責任あるAIがITリーダーにとって最重要課題の一つであることが分かりました。組織は、AIがどのように意思決定に至ったかを理解し、決定後にレビューでき、適切なガードレールが整備されている場合にのみ、AIに更なる責任を委ねる傾向があります。AIコワーカーがサポートリクエストの解決、アクセス管理、インシデント診断、ワークフロー調整を始めるにつれ、サービスデスク担当者、ITオペレーションチーム、最高情報責任者（CIO）の役割はどのように変化しますか？さらに先を見据えると、IT部門は企業全体のデジタルワークフォースの採用、統治、測定を担う部門になる可能性がありますか？AIは、現在のサービスデスクが消費している反復的な運用作業の多くを引き受けるため、担当者は例外処理やプロセス改善、AIが依存するナレッジの精緻化により多くの時間を割けるようになります。ITオペレーションチームは、すべてのワークフローを手作業で実行するのではなく、AIコワーカーの統治に注力するようになります。権限設定、システム連携、パフォーマンス監視、ポリシー遵守を定義し、AIが確立された方針内で動作し続けることを保証します。また、CIOの役割も拡大すると考えています。数百のAIコワーカーを管理することは、他のエンタープライズインフラを管理することに似ています。どのコワーカーが何にアクセスできるか、どのように評価されるか、いつ更新されるか、価値を提供しているかを決定する必要があります。ビジネスチームは引き続き業務内容を定義し、ITはAIのHR、すなわちプラットフォーム、ガバナンス、運用コントロールを担当し、エンタープライズAIワークフォースを安全に運用できるようにします。素晴らしいインタビューをありがとうございました。詳しく知りたい読者はAtomicworkをご覧ください。
2026年8月12日 2026年8月12日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

シムプラーのチーフ・ナーシング・インフォマティクス・オフィサー、Ali Morin – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Ali Morin、シムプラーのチーフ・ナーシング・インフォマティクス・オフィサーは、看護とヘルスケア技術のリーダーです。ベッドサイドケア、臨床システム、ナーシングインフォマティクスにおける経験を持っています。2024年にチーフ・ナーシング・インフォマティクス・オフィサーになった前に、シムプラーのナーシングインフォマティクス担当副社長を務め、ハローの臨床コミュニケーション、導入、採用に関するシニアインフォマティクス役割を担いました。以前、モリンはシンシナティチルドレンズ病院メディカルセンターで臨床インフォマティクスと分析に従事し、ボストンチルドレンズ病院で主要な電子臨床ドキュメンテーションとコンピュータ化されたプロバイダーオーダーエントリーイニシアチブを主導しました。彼女の看護師としての経歴は、技術とワークフロー設計を使用して行政負担を軽減し、ケアの提供を改善するための臨床的視点を提供しています。シムプラーは、ヘルスケアの提供を支援する行政および運用システムを接続して簡素化することを目的としたエンタープライズヘルスケア運用ソフトウェア会社です。クラウドベースのオペレーション・プラットフォームは、ワークフォース管理、プロバイダー・データおよび資格認定、品質および安全性、臨床コミュニケーションおよび医師スケジューリング、タレント管理、支出管理、コンプライアンス、接続性、契約管理など、幅広い機能を提供しています。目標は、断片化されたポイント・ソリューションをより統合されたワークフローとデータで置き換えることです。同社はまた、自動化と意思決定をサポートしながら、ヘルスケア固有のデータ・ガバナンスを中心に、プラットフォーム全体で人工知能を採用しています。シムプラーによると、同社の技術は、米国の9割の病院と400以上の米国のヘルスプランで使用されています。看護師としてのキャリアを振り返ると、テクノロジー企業が看護師向けのAIを設計する際に最も頻繁に犯すミスは何ですか？また、看護師としての経験はAIの開発にどのように影響していますか？ヘルスケアは以前にも同様の状況にありました。電子ヘルスレコードは効率性を約束しましたが、初期段階では、ベッドサイドで使用することを予想していた臨床医が設計または導入に参加していなかったため、しばしばより多くの行政負担を生み出しました。私は最初のEMRをベッドサイドで使用したときにこれを経験しました。また、ワークフロー決定が取締役会で行われ、臨床医がクリックすることになる設計セッションではほとんどノードがなかったときにも経験しました。AIはこれを正しく行うチャンスを与えてくれますが、同じミスを繰り返さない限りではありません。私は25年以上前に、小児集中治療室の看護師としてキャリアを始めました。以来、看護インフォマティクスに携わってきました。技術が臨床医の視点と協力を得て構築された場合にどのように役立つか、またそうでない場合にどのように挫折するかを私は見てきました。まだ見られるミスは、ヘルスケア組織が、実際の環境ではなく、看護師が持つワークフローを想定してソリューションを設計することです。私のベッドサイドでの経験は、AIツールに適用するためのシンプルなテストを形作っています。看護師の仕事を有意義に支援するものなのか、それとも看護師の注意を奪うものなのかです。後者の場合、モデルがどれほど高度であっても、看護師のワークロードと時間を奪う別の優先事項にすぎません。臨床医の関与はAI開発において重要です。有意義な臨床医の参加とは何ですか？また、多くのヘルスケアAIイニシアチブがこれを間違える理由は何ですか？看護師の技術ガバナンスへの関与は、組織が技術を評価して導入する際の構造的な期待として組み込まれるべきです。そのためには、調達から導入まで評価に至るまでのすべてのステップで看護師が部屋にいることを保証する必要があります。看護師がソリューションを見る最初の機会は、決定が下され、スタッフがトレーニングを受けた後のことではありません。毎日これらのツールを使用する看護師は、管理者、開発者、ベンダーが見逃す可能性のある課題や機会を特定できます。看護師はワークフローの中に生きているからです。多くのヘルスケアAIイニシアチブは、臨床医の入力をチェックポイントではなく継続的なプロセスとして扱っていません。看護師はデモまたはパイロット中にフィードバックを求められることがありますが、それが「臨床医の関与」とみなされます。実際の関与は、私がシムプラーで行っているように、設計、開発、進化の際に部屋にいることです。臨床医の参加は、AONLのリーダーシップ、イノベーション、テクノロジー、変革委員会やHIMSSのベンダーCNO / CNIOワーキンググループなどのグループでも見られます。看護師は、ヘルスケア組織が技術を評価するために使用するコンペテンシーとガバナンスを定義しています。彼らは、すでに構築されたものに反応するだけでなく、反応しています。看護師マネージャーは、スケジュールの作成と調整に大量の時間を費やすことができます。AIはワークフォース管理をどのように根本的に変えているのでしょうか？また、効率とスタッフの満足度の面で、どのような測定可能な改善が見られますか？AI駆動のスケジューリングとワークロード管理ツールは、看護師リーダーに長年にわたって課せられてきた運用上の複雑さを多く除去します。スケジュールの作成、リアルタイムでの調整、遅刻のカバーなど、手動での調整が必要だったタスクは、代わりに自動化できます。効率の面では、影響を示すデータがあります。たとえば、シムプラーの既存のワークフォース・プラットフォームに統合されたスケジューリングでは、120日先まで96%の精度でスタッフィングのニーズを予測できます。これは、日々のスケジューリングから計画に移行するための測定可能なシフトです。スタッフの満足度を予測スケジューリングに結びつけることは難しいですが、システムをサポートする看護師は、職業に留まる可能性が高くなります。国家看護師免許委員会によると、5年以内に職業を辞めることを意図している看護師の41.5%が、ストレスとバーンアウトを辞める理由として挙げていました。次に、ワークロード、人員不足、不十分な給与が続きました。マネージャーの1日のスケジュールが占有されず、カバーギャップが事前に予測される場合、これは看護師の仕事に対する感覚に良い影響を与える可能性のある変化です。スケジューリングのほか、看護師のバーンアウトを軽減し、同時に患者結果を改善するためのAIの潜在的な最も未開拓の分野はどこでしょうか？ドキュメンテーションは、まだ成長する余地がある分野です。アンビエント・ツールは、歴史的に未記録のままだったケアの間の瞬間をキャプチャーし始めています。次の数年間に、看護師に時間を与え、患者との遭遇の記録をより完全に構築するための多くの余地があります。仮想看護は、成長するための別の分野です。現在、仮想看護は、患者の教育、入院ドキュメンテーション、退院計画、リモートモニタリングに主に使用されています。より大きな機会は、ベッドサイドの看護師がより多くのサポートを受け、紙工作にではなく、患者に集中できるように拡大することです。ただし、アンビエント・ツールと仮想看護は、臨床医の判断を代替するものではありません。技術は、競合するタスクを削減するだけです。将来を見据えて、看護師が推進するAI戦略を構築したいヘルスケアのエグゼクティブにアドバイスを与えたいと思います。看護師のリーダーシップは、次の世代の臨床AIを形作る上でどのような役割を果たすべきでしょうか？私のアドバイスは、技術の調達、導入、評価の最初から看護師を関与させることです。毎日これらのツールを使用する看護師は、管理者や開発者が見逃す可能性のある課題や機会を特定できます。また、現在ではなく、将来にデジタルリーダーシップの開発に投資することも重要です。看護師のリーダーが複雑な技術的決定を下すためのツールや知識を提供することは不可欠です。看護師のリーダーシップの役割は、臨床医の関与が意図的であることを保証することです。AONL委員会での私の仕事を通じて、看護師のリーダーが必要とするデジタルコンペテンシーを定義しました。デジタルリテラシー、利害関係者間のコラボレーション能力、技術の決定を実際の臨床ワークフローと結果に合わせる能力です。シムプラーがThe DAISY Foundationと共同で作成したKarlene Kerfoot Nursing Leadership in Technology Education Grantなどのプログラムは、看護師がこのような準備を受ける機会を提供することを目的としています。看護師のリーダーが本物の議席を得た場合、技術はケアの提供方法に密接に関連し、採用が改善され、行政負担が軽減され、患者安全と結果が改善されます。これが全てです。素晴らしいインタビュー、詳しく知りたい読者はシムプラーを訪問してください。
2026年8月11日 2026年8月11日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

パンチカードシステムズのマネージングパートナー、サム・ジェンキンス – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
サム・ジェンキンス、パンチカードシステムズのマネージングパートナーは、技術、起業、組織変革の交差点で2 десяти以上働いてきました。2016年にパンチカードシステムズを共同設立して以来、彼は会社の成長を導きながら、デジタルワークプレイス戦略、カスタムソフトウェア、人工知能、エマージングテクノロジーについて組織にアドバイスをしています。彼の以前の経験には、Startup EdmontonとWellnextの共同設立、iomer internet solutionsでのビジネス開発とMicrosoftワークプレイス技術イニシアチブのリーダーシップ、テクノロジー、ヘルスケア、公共安全、コミュニティ組織でのエグゼクティブおよび取締役職があります。この背景は、技術がどのように人々のコラボレーション、意思決定、仕事の方法を変えるかについて、幅広い視点を与えています。パンチカードシステムズは、カナダのソフトウェアおよびテクノロジーパートナーです。スケールアップおよび中規模企業と協力して、デジタルソリューションを設計、開発、実装し、計測可能なビジネス目標に結び付けています。カナダと米国で150以上のクライアントにサービスを提供する同社の機能には、カスタムWebおよびモバイルソフトウェア、人工知能、クラウドインフラストラクチャ、データおよび分析、ユーザーエクスペリエンス設計、Microsoft 365、Azure、Copilot、Teams、SharePoint、Power Platformなどのワークプレイステクノロジーが含まれます。パンチカードは、組織が運用を近代化し、従業員および顧客のエクスペリエンスを向上させ、新しいテクノロジーを実用的なビジネスプロセスに統合するのを支援することに重点を置いています。あなたのキャリアは、Microsoft SharePointベースの従業員プラットフォームやStartup Edmontonの共同設立からWellnextの構築、そして最終的にパンチカードシステムズの構築まで、ワークプレイス技術の進化に従ってきました。従業員が自分で操作するソフトウェアから、代わりに仕事を行うAIエージェントへの移行は、あなたの視点をどのように形作ってきましたか?私は2003年からSharePointのようなデジタルワークプレイステクノロジーと仕事をしてきました。当時は、従業員が情報を見つける、知識を共有する、コラボレーションを行うためのより良い方法を作ることに焦点を当てていました。最終的には、従業員が仕事を行い、システムをナビゲートし、出力を生成していました。今日、AIを個人の生産性ツールとして超えて、従業員の代わりに複雑なタスクを実行できるエージェントAIの新しい時代に入っています。これが変化している部分です。エコシステムとして、AIを個人用の生産性ツールとしてではなく、従業員の代わりに複雑なタスクを実行できるエージェントシステムとして扱うようになっています。Claude CoworkやChatGPT Workは、このエージェントアプローチをかなり一般的にしています。私はこれまでにいくつかのテクノロジーシフトを見てきましたが、パターンは毎回同じです。勝つ組織は、新しいテクノロジーを単に導入するのではなく、それを人、プロセス、テクノロジーの協力の機会として扱います。ChatGPT Workは、接続されたアプリケーションやファイルから情報を収集し、複数のステップを伴うタスクを完了し、完成したドキュメント、スプレッドシート、プレゼンテーションを生成できます。これは、従来これらの素材を自分で作成していたナレッジワーカーの日常的な責任をどのように変えるでしょうか?私は仕事が「出力の生成」から「成果物の管理」にシフトしているのを見ています。これはナレッジワーカーの役割を根本的に変えますが、人間の洞察と監督の必要性を置き換えるのではなく、補完するものです。従業員は、AIが生成した出力を管理、レビュー、オーケストレーションすることに重点を置くようになります。多くの繰り返し作業はエージェントに移行します。情報の収集、プレゼンテーションやドキュメントの作成、データの要約などです。これにより、人間は本当に必要な仕事に集中できるようになります。戦略、創造性、批判的思考、コラボレーションなどです。価値のあるスキルは、AIに適切なコンテキストを与え、答えが見かけ上は正しくても実際にはそうでない場合にそれを認識する方法を知ることです。あなたは「AIマネージャー」の必要性について説明しました。この役割は実践でどのようなものになり、IT管理者、プロダクトマネージャー、または従来のマネージャーの責任とどのように異なりますか?AIマネージャーは、組織がAIを責任を持って効果的に採用するのを助ける上で重要な役割を果たします。彼らの責任は、AIが生成した作業が正確で信頼性が高く、ビジネス目標と一致していることを保証することです。これは、インフラストラクチャや技術システムを所有する従来のIT、または製品の開発と改善に焦点を当てるプロダクトマネージャーとは異なる役割です。各部門は、AIがその特定の分野にどのように適用されるかを理解する必要があります。財務、法務、人事、運用などです。実際のシフトは所有権にあります。現在、ほとんどの組織は、これらのシステムが価値を生み出し、受け入れられるリスク内に留まることを明確に責任を持つ人物を指名していません。このギャップは、直接責任者を特定することです。KPMGカナダによると、AIエージェントはすでに、エントリーレベルの従業員だけでなく経験豊富な従業員の採用方法に影響を与えています。雇用主が候補者をAIに仕事を割り当て、出力を評価し、必要に応じて介入する能力で評価し始めたときに、どのようなスキルがより価値があるようになりますか?価値のあるスキルは、人間だけが持つことができるスキルです。批判的思考、判断、コミュニケーション、創造性、問題解決、リーダーシップなどです。技術的なAIリテラシーは重要ですが、雇用主はビジネスの環境全体にAIがどのように適合するかを理解している人を探しています。変更管理、リスク管理、戦略的思考などのスキルが含まれます。技術的な役割と非技術的な役割の間の境界は薄れてきています。組織は、すでにスキルを持っている人を採用するのではなく、学習し、適応し、継続的にスキルを身につける人を採用する方向にシフトしています。最も価値のある従業員は、AIの機能を使用しながら、人間の判断がどこで必要かを理解する人です。従来、多くの従業員は繰り返しのエントリーレベルのタスクを通じてプロフェッショナルな判断力を身につけていました。AIエージェントがその基礎となる仕事の大部分を吸収する場合、組織はどのようにして若い従業員が効果的な意思決定者になるために必要な経験を得ることができるようにトレーニングとキャリア開発を再設計するでしょうか?これは私が少し心配している真実です。人々はエントリーレベルのタスクを通じて判断力と経験を積み上げてきました。エージェントがその仕事をしている場合、ランクのいくつかが失われます。組織は、ジュニアタレントをメンターシップ、コーチング、意思決定の演習、早期のキャリアステージでのより高価値のプロジェクトへの露出を通じて意図的に構築する必要があります。逆メンターシップの機会もあります。AIツールに精通している若い従業員がチームにこれらのテクノロジーがどのように適用できるかを理解するのを助け、経験豊富な従業員がビジネスコンテキストとAIが複製できない判断を提供し続けることができます。目標は、人間とAIが協力する職場での学習プロセスを再設計することです。パンチカードはMicrosoft 365や関連するワークプレイス技術の実装で豊富な経験を持っています。ChatGPT Workは、Microsoft CopilotやGoogle Geminiの競争環境をどのように変えるのでしょうか? また、組織は日常的な作業にAIプラットフォームを選択する際にどのような要素を考慮するべきでしょうか?風景は急速に進化しています。組織には以前よりも多くの選択肢があります。決定は、組織の既存のテクノロジー環境、ワークフロー、セキュリティ要件、ビジネス目標に最も適合するソリューションに基づいて行うべきです。Microsoft 365に既に投資している組織の場合、Copilotなどのツールは既存のアプリケーションやデータとの統合による利点を提供する可能性があります。他の組織は、自分のニーズに最も適した別のプラットフォームを見つける可能性があります。私は、リーダーが尋ねるべき質問は「どのツール?」ではなく、「どの問題を解決するのですか? どのプラットフォームがそれを責任を持って解決するのを助けますか?」であるべきだと考えています。私たちが最初に学んだことは、採用の成功はツールだけでは決まらないことです。私たちは、カスタムモデルを実装し、会社が実際にどのように機能するかを調整しました。すべての従業員がそれを使用していますが、それは正しい製品を選択したことによるものではありませんでした。強力なデータ基盤、ガバナンス、AIを会社の運営方法に組み込むことによるものでした。モデルパフォーマンスは、ワークプレイスAIについての会話を支配していますが、組織は、パーミッション、データアクセス、監査可能性、説明責任についても考慮する必要があります。AIエージェントが電子メール、ドキュメント、内部データベース、ビジネスアプリケーション全体で動作する前に、どのようなガバナンスコントロールを確立する必要がありますか?組織が犯す最大の間違いは、AIガバナンスをあとまわしにすることです。AIシステムがより能力が高くビジネスデータに接続されるようになるにつれて、組織はこれらのツールを広く採用する前に、使用方法に関する明確な原則を確立する必要があります。それは、AIシステムがどのような情報にアクセスできるかを理解し、パーミッションが適切に範囲指定されていることを確認し、監視と説明責任に関するコントロールを確立することから始まります。組織はまた、AIが独立して動作できる場所と人間の監督が必要な場所について明確な指針を確立する必要があります。データとセキュリティの基盤を最初から正しく構築することで、企業はAIの価値を解放しながら、より自律的なシステムがもたらすリスクを管理することができます。AIエージェントが単に答えを提供するのではなく、アクションを実行するようになると、間違いが運用上の結果をもたらす可能性があります。企業は、エージェント生成の作業をどのように検証し、人間の承認が必要なアクションを決定し、エージェントが不正確な結果を生成したり予期せぬアクションを実行したりした場合に責任を割り当てる必要がありますか?AIが回答からアクションに移行すると、リスクプロファイルが変わります。すべてのタスクが同じ結果をもたらします。人間の承認の基準は、結果の重要性とともに拡大するべきです。単純に言えば、これには明確な所有権が必要です。AIは意思決定をサポートするべきですが、責任を置き換えるべきではありません。組織は、AIのパフォーマンスを監視し、出力を検証し、結果に対して最終的に責任を負う人物を定義する必要があります。目標は、AIの効率性と人間の判断力を組み合わせて、拡張性と信頼性の両方を備えたシステムを作成することです。多くの組織は、AIを採用していますが、まだそれを計測可能なビジネス成果に結び付けてはいません。リーダーは、エージェント型の使用例をどのようにして見つけ、投資収益率を測定し、パイロットが組織全体に拡大する準備ができているかどうかを判断するでしょうか?通常、ギャップはシーケンシングに戻ります。チームは最初にテクノロジーを選択し、そこにどこか適合させるために探します。実際の勝利は、最初にフローを選択し、エージェントが本当に適切なツールかどうかを尋ねることから来ます。最良のフィルタは可変性です。プロセスがルールエンジンに十分に予測可能な場合、エージェントは必要ありません。プロセスが誰も良い結果を説明できないほど開放的である場合、エージェントは苦労し、信頼できない結果になります。価値はその間、複数のシステムをまたいで判断が必要な作業にありますが、まだ境界付きで監査可能なルール内で実行されます。私は1つのスクリーン質問を追加します。間違いをした場合のコストは境界付きで可逆的ですか? 可逆的であれば、エージェントが動作し、迅速に進みます。間違いが高価または元に戻せない場合、人間が決定に参加します。投資収益率については、一般的な間違いは、間違ったものを測りすぎ、遅すぎることです。時間の節約はデフォルトのメトリックですが、影響を過小評価します。より大きなリターンはサイクルタイムの圧縮、エラーレートの低下、以前は制限されていた容量が利用可能になるという形で現れます。サポートチームが半分のチケットしか対応できない場合、すべてのチケットに対応できるようになれば、ビジネスは変わります。パイロット開始前にクリーンなベースラインを取得する必要があります。そうでない場合、逸話で議論することになります。コストを数える際には、完全な絵を数える必要があります。統合作業と人間の監督時間は実在する行項目であり、監督は慢性的に過小評価されています。拡大するかどうかを決定するのは、規律が最も重要なステップです。これは、チームが急ぐステップです。クリーンな入力でのデモはあなたにあまりにも少なすぎることを伝えます。パイロットは、長い尾の汚い、現実的な入力で持続するとき、失敗モードが理解され境界付けられているとき、観察可能性が配置されており、顧客によってではなくサイレントな失敗が捕捉されるとき、そして名前の付いた人物が生産で責任を持っているときに準備ができています。ユニットエコノミーのチェックも実行します。エージェントのコストは、ソフトウェアシートとは異なり、使用量に比例して増加します。エージェントシステムは、従来のソフトウェアとは異なる方法で失敗します。確率的に、そしてしばしば静かに失敗します。先行する組織は、評価と監視を最初から組み込み、後で修正するのではなく、最初から組み込む必要があります。パンチカードシステムズは、組織がAIの実験から実際のビジネスプロセスへの統合へと進むのを支援します。組織のAIへの準備度を評価し、AIが測定可能な価値を提供できるワークフローを特定し、チームがこれらのシステムを責任を持って実装し、既存の運用を混乱させないようにする方法は何ですか?最初に、組織の現在の状態を理解することが重要です。AIの採用は単に正しいツールを選択することだけではないという最大の誤解があります。実際には、強力な基盤、データの質、明確なプロセス、定義された所有権に依存しています。そこから、組織はAIが最も価値を生み出す場所を特定するのを助けます。通常は、影響に比べて時間がかかるワークフロー、または情報が不十分な決定です。組織は、役割と意思決定がテクノロジーとともにどのように進化するかについて考える必要があります。テクノロジーと従業員の採用と変化管理を組み合わせることで、企業はAIを責任を持って効果的に統合し、既存のものを壊すことなく測定可能な価値を生み出すことができます。素晴らしいインタビュー、ありがとうございます。読者がもっと学びたい場合は、パンチカードシステムズを訪けてください。
2026年8月11日 2026年8月11日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

ライトランのMoshe Sambol氏 – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
モーシェ・サンボル氏は、Lightrunのカスタマー・ソリューションのVPであり、ソフトウェア・エンジニアリング、建築、クラウド・インフラストラクチャ、カスタマー・ファーシング・テクニカル・リーダーシップを含む20年以上の経験を持っています。2022年にLightrunに参加する前に、彼はほぼ10年間Googleで勤務し、クラウド・カスタマー・エンジニアリング・マネージャーを含む複数のリーダーシップ・ポジションを歴任し、組織がGoogle Cloudテクノロジーを採用してスケールするのを支援しました。彼のキャリアの初期には、Oracle、Sun Microsystems、BMC Software、JPモルガン・チェースでエンジニアリングと開発リーダーシップの役割を果たしました。Lightrunでは、当初グローバル・ソリューション・エンジニアリングを率いてから、カスタマー・ソリューションのVPに就任し、カスタマーが同社のランタイム・インサイト・テクノロジーを採用し、その機能を測定可能なビジネスと開発者生産性の向上に変換するのを支援しています。Lightrunは、開発者とAIエージェントがソフトウェアが実行されている間にどのように動作するかを直接見ることができるようにするために設計された、AIネイティブのエンジニアリング・信頼性・プラットフォームです。同社のテクノロジーは、コードの変更や再配置を必要とせずに、実行中のアプリケーションからログ、スナップショット、メトリクス、トレース、変数の値、実行コンテキストを動的にキャプチャできます。同社はこのランタイム・インテリジェンスを、Lightrun MCPを通じてAI支援のソフトウェア開発に拡大しています。MCPは、モデルのコンテキスト・プロトコルを使用して、コーディング・アシスタントやエージェント・ツールに静的なソース・コードではなく、実行中のアプリケーションのコンテキストを提供します。これにより、AIシステムは、実際の実行動作に対して仮説を検証し、ルート・コーズ・アナリシスをサポートし、企業コントロールを組み込むことができます。あなたのキャリアは、ハンズオンのソフトウェア開発とアーキテクチャ、Googleでのクラウド・カスタマー・エンジニアリング、グローバル・ソリューション・エンジニアリング、そして現在のLightrunでのカスタマー・ソリューションまで幅広い分野にわたります。この経験は、印象的なAIエージェントのデモンストレーションと、実稼働環境で信頼できるシステムの違いについての理解をどのように形作ってきましたか。印象的なAIエージェントのデモンストレーションと、実稼働環境で信頼できるシステムの違いは大きいです。これは、エージェントはただひとつの部分であり、周りのフレームワークも同等に重要だからです。最小権限アクセスを強制し、活動を監視し、監査証跡を保持し、受け入れられないリスクのあるアクションを防ぎ、必要に応じて人間を関与させる必要があります。エージェント・システムは、伝統的なソフトウェアとは根本的に異なります。開発者は、システムがどのように動作するかを正確に指定しません。目標を設定し、ツールとガイダンスを提供し、モデルがどのように進むかを決定します。その柔軟性は強力ですが、システムの動作を予測することも難しくなります。企業、特に規制された業界では、通常は動作するか、完了するまでに予測不可能な時間がかかるプロダクション・ワークフローは、スタートラインにすら立てません。プロダクション環境には、機密データ、ソース・コード、知的財産が含まれており、組織はエージェントがその情報を公開したり、目標を達成するために受け入れられないルートを取ったりしないようにする必要があります。これは、毎週、目標を達成するために脆弱性を利用したり、セキュリティの脆弱性を引き起こしたりするAIシステムの例が見られるため、ますます重要になっています。私が話す多くのリーダーは、依然としてエージェントを新しい従業員のように評価しています。能力、判断力、出力に基づいてです。実際の質問は、エージェントが十分に賢いかどうかではありません。エージェントの周りのシステムが、エージェントが賢くない瞬間を捕捉して制限できるかどうかです。多くの企業は、AIエージェントを構築することは、基本的に効果的なプロンプトを書くことであると考えていました。組織は、プロダクション・レディなエージェントの背後にあるエンジニアリング、建築、運用の要件について何を誤解していましたか。私は、最も大きな誤解は、AIの力に対する、ある種のナイーブな信仰であったと考えます。適切なプロンプト、関連のあるコンテキスト、適切なツールが与えられれば、AIは課題を解決するために正確に推論することができると考えられました。チームはLLMをコード、ドキュメント、チケット、歴史的なテレメトリに接続し、そこから正しい決定に到達することを期待しました。しかし、彼らはAIの推論の各ステップに対する検証モデルを構築しませんでした。AIの強みの一つは、確率的な推論を使用して、目的地に到達するための可能なルートの一つを見つけることです。複雑で相互接続されたプロダクション環境では、その強みは重大なリスクをもたらします。単一の決定が、ダウンストリームの後退、サイレント・ファイル、またはシステムの運用上の回復力を脅かす他の予期せぬ動作を引き起こす可能性があります。これは、決定的なステアリングが不可欠な理由です。エージェントの推論は確率的なままですが、そのアクションのチェックポイントはそうではありません。エンジニアリング・ワークフローに参加するエージェントの場合、これには、生産現場の現実に対して仮説の次のアクションを検証するステップが必要です。決定的なゲートではなく、別の確率的な推測です。エージェントは、その決定の結果を確認し、安全であると判断した場合にのみ承認する必要があります。最初の波の中で内部的に開発されたエンタープライズ・エージェントを見て、最も一般的なアーキテクチャのミスは何ですか。どのような問題は、完全な再構築ではなく、インクリメンタルに修正できますか。私が繰り返し強調する核心的な懸念は、検証です。エージェントはブラックボックスになる可能性があります。さまざまなソースから情報を収集し、原則として妥当-lookingな決定を下しますが、複雑で汚いプロダクション環境の現実に適切ではない可能性があります。これは、根本的なシフトを示唆しています。これは、Lightrunで顧客がエンジニアリング・オーガニゼーション向けのエージェント・オートメーションを構築するのを支援する際に、常に話し合うものです。エージェントのフローを再構築し、エージェントのアクションにゲートを設ける必要があります。エージェントがツールを使用することを、監督、監査、レビューの対象にする必要があります。エージェントに強力なフィードバック・ループを提供することで、生産中の観察可能性を含む、エージェントのコンテキストを現在起こっていることの実際の状況に焦点を当てることができます。そのアクセスは、エージェントが、静的なコード分析や古いテレメトリに基づく仮定ではなく、生産現場の現実に対して、自分の設計上の決定、ルート・コーズ・アナリシス、エラー・ミトゲーションの推奨事項を検証することを可能にするものです。劇的な再構築は唯一の選択肢ではありません。インクリメンタルにできることは、エージェントの動作を導くスキルの投資です。慎重に作成され評価されたスキルは、エージェントを決定的なワークフローの方向に導きます。チームは全体的なシステムを再構築する必要はありません。スキル設計に、他のプロダクション・ロジックと同じ厳格さを与える必要があります。何故、一部のエージェントは制御されたテストではうまく動作しますが、実際のユーザー、変化するデータ、外部ツール、複雑なプロダクション環境にさらされると、不一致、不完全、または誤解を招く結果を生み出すことがありますか。制御されたテストでは、プロダクション・リアリティでエージェントが直面するほとんどの変数が除去されます。データはキュレーションされ、ツールの動作は予測可能であり、権限は既知であり、カバーするパスは予測されます。実際のユーザーとその影響と共にエージェントをリリースするとき、同じようなものを比較するのではありません。ユーザーは、曖昧なリクエストを導入し、同時実行アクションを実行し、システム状態は常に変化し、エージェントはしばしば部分的なデータで作業し、外部ツールはそれ自身の待機時間と障害モードを追加します。モデルは確率的であるため、新しい各変数は、ワークフローが逸脱したり、以前のミスの複合を引き起こしたりする別の場所を作成します。危険なのは、エージェントが部分的なデータや古い情報に基づく仮定に基づいて、不正確だが妥当-lookingな応答を生み出すと見せかける可能性があることです。エージェントは、ランチ後に継続的な評価を必要とし、明示的な欠損データとツールの障害の処理、および決定の実行前に生産中の検証が必要です。Lightrunは、AIシステムにランタイム・コンテキストへのアクセスを提供することに大きな重点を置いています。ランタイム・コンテキストは、従来のログ、メトリクス、トレースでは見逃される情報を提供しますか。エージェントの障害を診断する上で、これらの情報は特に重要です。従来の観察可能性は、システムの動作の外部の症状を示し、しばしば、開発者がコードを書いたときに決定したものに基づいて、ダッシュボードやアラートによって集約され、サンプリングされ、またはフィルタリングされます。ランタイム・コンテキストは、事前に何が将来に関心を持たれるかを知る必要性から、可視性を切り離します。ランタイム・コンテキストは、実行中のコードの下で何が起こっているか、そこにどうやって到達したかを示す、粒度の細かいデータを提供します。実際のギャップは、静的データと動的データの違いです。従来のログ、メトリクス、トレースは静的であり、過去のアカウントを提供します。Lightrunのランタイム・コンテキストは動的です。エージェントに、実行中のコードに新しいインストルメンテーションを配置し、変数の値、関数の引数、オブジェクトの状態、コール・スタック、またはブランチの条件を発生したときに観察する能力を与えます。この区別は、エージェント生成のコードの障害を診断する上で特に重要です。エージェントは、間違ったツールを選択したり、間違った引数を渡したり、古い仮定に基づいて動作したりする可能性がありますが、エラーをトリガーせずにタスクを完了する可能性があります。静的なテレメトリでは、そのような障害は表示されません。なぜなら、誰も事前にそのような障害をインストルメント化することを知らなかったからです。予期せぬ動作には、静的な分析ではなく、実行中のシステムに対する動的な調査が必要です。これが、エンジニアリングにおけるAI生成の決定に対する自然な検証レイヤーであるランタイム・コンテキストの重要性の理由です。モデル・コンテキスト・プロトコル（MCP）や同等の統合レイヤーは、エージェントが実行中の動作から学びながら、プロダクション・システムへの過度な、または安全でないアクセスを許可せずに、コーディング・エージェントをどのように可能にしますか。MCPや外部ツールへの制御されたアクセス（たとえば、CLIラッパー）により、エージェントは特定のスコープされた機能を呼び出すことができ、システム全体への広範なアクセスを許可する必要はありません。ランタイム・コンテキストのMCPサーバーに接続されたエージェントは、書き込みアクセス、再配置、基本的な環境へのスタンディング・クレデンシャルを必要とせずに、読み取り専用の証拠、変数の値、コール・パス、またはしきい値を超えたかどうかを要求できます。最初の世代のエージェントを再設計する際に、企業はツールの権限、メモリ、データの取得、評価、人間の監督、フォールバック・手順を、個別の機能ではなく、まとまりのあるアーキテクチャの一部としてどのようにアプローチするべきですか。これらのピースを個別に追加することはできません。各ピースは他のピースを変更します。開始する最良の場所は、エージェント・ループを制御するハーネス、エージェントと他のアクターをまとめるワークフロー・オーケストレーション、そして全体的なフレームワークです。ルート・コーズ・アナリシス・ワークフローでは、チームは必要な証拠を決定し、エージェントが調査できるシステムを決定し、エージェントが結論を公開するか、またはそれをドラフトするだけかを決定し、人間が次のステップを承認する必要があるタイミングを決定し、ランタイムの証拠が利用できない場合に何が起こるかを決定する必要があります。一度その契約が明確になると、ハーネスとフレームワークは、ガイドラインを適用するためのメカニズムを提供します。MCPゲートウェイを利用して、エージェントのアクセスを目的の特定の機能に制限できます。ツールは最小権限で付与できます。メモリは、機密データを決定的に消去するように、監督できます。取得は、ワークフローが必要とする証拠を中心に設計できます。評価、監督、フォールバックはループを閉じます。システムは、結論が正確で裏付けられているかどうかを測定し、リスクまたは不確実性が定義されたしきい値を超えたときに人間を関与させ、証拠を十分に収集できない場合はアクションを停止または読み取り専用の推奨に切り替えます。共有監査レコードは、トリガー、権限、証拠、ツールの呼び出し、承認、アクション、結果を結び付けます。那が、これらのコンポーネントを一つのプロダクション・アーキテクチャにします。生産性のあるアプリケーションを検査したり、サイトの信頼性のエンジニアリング・ワークフローに参加したりするエージェントを取り巻くべきセーフガードは何ですか。特に、規制された環境では、アクセス・コントロール、プライバシー、監査可能性、運用の安定性が重要です。これは、Lightrun AI SREを構築する際の中心的な設計上の質問でした。AI SREは、組織の中で最も機密性の高いシステムの近くで動作するため、特権のある運用アクターとして設計され、チャット・アシスタントではありません。重要な決定のひとつは、検査面とアクション面を分離することでした。AI SREは、読み取り専用の統合とLightrunのサンドボックス化されたランタイム・インストルメンテーションを通じて証拠を収集し、ID、テナント、サービス、環境によってアクセスが制限されます。生産中の実行を検査し、不足している証拠を生成できますが、ランタイム・インスペクション・レイヤーはアプリケーションの状態を変更できません。規制された環境では、その境界は、RBAC、SSO、テナントの分離、PIIの消去、保持の制御、および各結論を裏付けるツールと証拠を示す監査証跡によってサポートされる必要があります。また、収集できるデータの量、ランタイムが問い合わせられる頻度、承認を必要とするアクションに関する運用上の制限も必要です。証拠が不足しているか、結論が検証できない場合は、AI SREはそうであると示し、決定を人間に渡すべきであり、自分がもっと知っているように振る舞うべきではありません。目標は、制御された自律性です。調査を加速するのに十分に役立つが、生産システムのために安全である程度です。企業が実験的なエージェントを超えると、エージェントが真正にプロダクション・レディであるかどうかを判断するための指標は何ですか。人間のエンジニアとAIエージェントの関係は、次の数年でどのように進化すると思いますか。私は、エージェントのアクションが望ましい結果を生み出す頻度、結論が実際の生産現場の現実と一致する頻度、裏付けられていない結論がアクション前に捕捉される頻度、およびエージェントが証拠がない場合に明示的に失敗する頻度で、プロダクション・レディを判断します。エンジニアリング・エージェントの場合、検証された結果の精度、証拠のカバレッジ、ルート・コーズの確認時間、成功したフォールバックの頻度、およびアクション後の結果は、我々が注目すべき核心的なメトリクスです。次の数年で、エージェントは証拠の収集と最初の調査、エージェント・ワークフローへの監督、経験とフィードバックからの継続的な学習を担うようになるでしょう。エンジニアは、ポリシーを設定し、曖昧さを解決し、高リスクのアクションを承認し、自己改善型のエージェント・システムを導く役割を果たすでしょう。信頼は、ワークフローごとに拡大します。生産現場の証拠に基づいて結論を導き出せるエージェントは、検証できないものを明確に開示するエージェントは、より大きな自律性を獲得します。そうでないエージェントは、どれほど流暢に聞こえても、狭い、低リスクのタスクに限定されます。素晴らしいインタビュー、ご覧になりたい読者はLightrunを訪問してください。
2026年8月10日 2026年8月10日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Buzz SolutionsのCTO、COO、共同創設者であるVikhyat Chaudhry：リターン・コンベルゼーション
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Vikhyat Chaudhry、Buzz SolutionsのCTO、COO、共同創設者は、人工知能、機械ビジョン、予測分析をエネルギーインフラストラクチャーの検査とメンテナンスに適用する会社の技術開発と運用を主導しています。彼は、2017年にデータサイエンス、機械学習、組み込みシステム、コンピュータビジョン、自律技術の経験を積んだ後、Buzz Solutionsを共同創設しました。会社にフルタイムで取り組む前に、Chaudhryは、Ciscoでデータサイエントリストとして働き、Altitude Co.で機械学習とセンサー基盤のシステムを開発し、スタンフォード大学で、自律ドローン、風速センシング、風力発電所のコンピュータビジョンに関する研究を行いました。彼の以前の研究では、インドの国防研究開発機構で、シミュレーションとリモートセンシングソフトウェアを使用した地滑り予測を探究し、インフラリスク、地理空間分析、応用人工知能に関する技術的背景を得ました。現在、Buzz Solutionsは彼を共同創設者、CTO、COOとして紹介しています。Buzz Solutionsは、エネルギー会社が送電、配電、変電所、発電インフラストラクチャーを検査、メンテナンス、セキュリティ保護するのを支援するために設計されたビジュアルインテリジェンスソフトウェアを開発しています。同社のPowerAIプラットフォームは、ドローン、ヘリコプター、固定翼航空機、地上検査から収集された画像を分析し、視覚データを診断に変換し、ユーティリティーが欠陥を特定し、資産の状態を評価し、修理の優先順位を決定し、既存の地理情報システム、資産管理、ワークフローに結果を統合するのに役立ちます。同社は、インフラリスクを早期に検出するための方法として、手動で検査画像を分析する必要性を減らし、機器故障によって停電、停止、または山火事につながる可能性を低減するために、技術を位置付けます。Buzz Solutionsは、変電所の監視とセキュリティのためのツールも提供し、より安全で、より堅牢で、よりデータ駆動型のグリッド運用を構築するという、より広範な目標を反映しています。2024年に私たちがあなたにインタビューしたとき、会話は、ユーティリティーが手動検査から予測メンテナンスへと移行するために人工知能を使用することに焦点を当てていました。過去2年間で、エネルギー部門とあなたの考え方で最も大きな変化は何ですか？それがあなたを「Powering Intelligence」という本を書かせ、電気を人工知能の未来の潜在的な制約として位置付けることに何が影響しましたか？私たちが最後に話したとき、会話は主にグリッドのバックオフィスについてでした。ユーティリティーを手動検査から予測メンテナンスへと移行させることについてでした。それが今でも仕事です。しかし、2年間で、私たちの下で何かが変わりました。それは、ほとんどの人が予想していたよりも早く変わりました。当時、人工知能は、抽象的に話す需要の話でした。今、人工知能は、ユーティリティーにとって大きな負荷増加数として現れます。私は、同業者から同じことを聞きました。考えられないほど大きな負荷の相互接続要求、単一の施設が小さな都市が引くほどの電力を要求し、グリッドが実際に構築されるタイムラインとは関係のないタイムラインで要求することです。那が私に気づかせた瞬間でした。私たちは、どのくらいの能力を持つことができるかについて議論するのにすべてのエネルギーを費やしていますが、ほとんどの人がそれらを供給することができるかについては議論していません。私は、人工知能と電気の2つの世界を結ぶ本を探しましたが、存在しませんでした。ほとんどの人は人工知能モデルについて書いていましたが、ほとんどの人は電子について書いていませんでした。私は、人工知能側に近く、野心を理解し、グリッドに近く、実際に新しい送電線と発電所の開発にどれくらいの時間がかかるかを知っていたため、ギャップを1つの場所に置くことにしました。人工知能業界は数ヶ月で拡大しますが、電力グリッドは10年単位で変化します。現在、最も直近のボトルネックはどこにありますか？電気生成、送電容量、変電所、変圧器、相互接続キュー、許可、または熟練した労働者の可用性ですか？私は、複数のボトルネックがあると思いますが、答えはそれらがすべて絡み合っていることです。しかし、私に最も緊密な結びつきを指すように強いられたら、それは相対的に電気を生成することよりもそれを配達することについてです。送電と相互接続プロセス、変圧器やその他の電気機器がすべてを結びつける物理的な部分です。多くの人が軽視することは、電力変圧器を存在させることができないことです。いくつかの変圧器には、導入期間が年単位で測定され、多くの変圧器は国内で製造されていません。したがって、意志と資本があっても、コンポーネントの供給チェーンの壁に当たることがあります。次に、多くの地域で複数年間の行列となる相互接続キューが重なります。すべての下にあるのは、電力業界の労働者問題です。実際にこの機器を構築して維持する方法を知っている人は、より速く退職しています。したがって、それは1つのボトルネックではありません。それは、最も遅く動く物理的な部分、変圧器、送電コリドー、トレンドワーカーが、ソフトウェアやお金だけでは加速できないものであるということです。那が難しいことを作ります。人工知能データセンターは、グリッドが設計されていないレベルの需要をもたらすことができます。歴史的にユーティリティーが管理してきた大きな工業用負荷とこれらの施設はどのように異なりますか？それらは信頼性と容量計画のためにどのような新しいリスクを生み出しますか？ユーティリティーは、1世紀にわたって大きな負荷を処理してきました。鋼鉄工場、アルミニウム精錬所、自動車製造工場などは、巨大な負荷ですが、グリッドプランナーはそれらについて考える方法を知っています。したがって、データセンターを別の大きな顧客のように扱うという直感はあります。私は、その直感が間違っていると思います。違いは、新しいリスクを生み出すものです。3つの点が私にとって際立っています。最初は集中と速度です。従来の重工業用負荷は通常、地域のグリッドとともに数十年かけて成長しました。これらの施設は、すべて一度に巨大なものになり、地元のグリッドが計画されていない場所に着陸します。2番目は負荷プロファイルです。これらの多くは滑らかな負荷ではなく、急激に増加し、工場よりも異なる方法で機器をストレスさせることができます。3番目は、計画者が最も心配するものです。投機的な積み重ねです。これは、実際にあなたの次の質問です。生み出されるリスクは、ユーティリティーが、歴史的なモデルとは異なる動作する需要を計画する必要があり、人工知能業界のタイムラインで、グリッドのタイムラインではなく、資本とインフラストラクチャーをコミットする必要があるということです。計画仮定が100年間のある種の負荷に基づいて構築されている場合、人工知能業界の負荷はそれらの仮定を破壊し、信頼性計画が真正に難しくなります。那は、否定する理由ではありません。那は、異なる方法で計画する理由です。ユーティリティーは、データセンター開発者から雄大な電力要求を受けていますが、すべての提案された施設が必ずしも完成するとは限りません。ユーティリティーは、コミットされた需要と投機的な要求を区別し、到着しないまたは実現しないプロジェクトのために高価なインフラストラクチャーを構築することを避けるためにどうすればよいですか？これは、現在のスペースで最も重要な運用上の質問の1つです。私は、それが十分に注目されていないため、直接質問することを嬉しく思います。開発者は、同じプロジェクトのために、複数の地域で相互接続要求を提出できます。いくつかのプロジェクトは実際的で資金提供されています。いくつかのプロジェクトはオプションです。いくつかのプロジェクトは、行列の中で位置を保持する方法です。いくつかのプロジェクトは、決して実現しない「幽霊負荷」である可能性があります。ユーティリティーがすべての要求を実際のものとして扱い、すべてのために発電と送電を開始すると、高額なコスト、到着しないデータセンターのために構築されたインフラストラクチャーを残すリスクがあります。既存の料金を支払うのは、既存の料金支払い者です。反対に、ユーティリティーが少なく構築すると、到着する負荷の需要を満たすことができない可能性があり、グリッドの信頼性の問題につながる可能性があります。方法は、投機を高くし、コミットメントを安くすることです。那は、ユーティリティーが資本をコミットする前に、実際の金融的利害関係を必要とすることを意味します。建設のマイルストーンに結び付けられた、重要な預かり金、コミットメント、リスクを要求側に負わせる契約条項です。いくつかの管轄区域は、この方法に移行し始めています。私が繰り返し出会う原則は、電力を要求するエンティティが電力が必要ないリスクを負うべきであるということです。現在、リスクはあまりにも多く、他のすべての人の上に静かに落ち着いています。人工知能データセンターに必要な発電、送電、変電所のアップグレードの費用は、誰が最終的に負担するべきですか？料金構造や契約上の安全対策は、世帯や既存の事業が、主にハイパースケール技術会社のために構築されたインフラストラクチャーを補助するのを防ぐためにどうすればよいですか？これは、次の10年間のグリッドの政治を定義する質問であり、技術的な答えだけではありません。私は、費用は、可能な限り、負荷を引き起こすものに座るべきであると考えています。ハイパースケーラーの施設が新しい変電所と送電アップグレードを必要とする場合、施設が引き起こすものを支払うべきです。退職者が住む地域の料金が秘密裏に上昇するのではなく、世界で最も価値のある会社の1つである施設が支払うべきです。那は、当たり前のように聞こえるかもしれませんが、歴史的に料金構造が機能してきたように、巨大な新しいインフラストラクチャーは、顧客ベース全体に社会化されることが多いです。那は、町を雇用する工場の場合には意味をなしますが、世界で最も価値のある会社の1つであるベネフィシャリーの場合には、あまり意味をなさないです。ツールは存在します。特にこの顧客クラスに設計された大きな負荷料金。データセンターがインフラストラクチャーを構築してから歩みを止めることができない最小取引契約。長期コミットメントは、構築される資産の寿命と一致します。重要なことは、規制当局とユーティリティーがそれらを使用することです。構築の前に、構築の後ではありません。構築が完了し、コストが料金ベースに組み込まれると、コストを取り戻すことは非常に難しいです。私は本でそれについて書いています。なぜなら、私は、それが、ユーティリティーと人工知能業界の両方に対する公衆の信頼を深刻に損なう可能性がある、インセンティブをわずかに間違える場所の1つであると考えるからです。人工知能データセンターは、ワークロードのシフト、需要応答、バッテリー、熱蓄熱、オンスाइट発電によって、柔軟なグリッド資産ではなく、柔軟性のない需要源になることができますか？どのような人工知能ワークロードは、パフォーマンスを損なうことなく、異なる時間や場所に移動できますか？はい、私はそれが、このトピックで最も希望的であるアイデアの1つであると思います。人工知能のコンピューティングは2つに分かれています。1つは、インファレンス（推論）です。これは、モデルがすでにトレーニングされた後のコンピューティングです。これは、モデルに質問をして答えが必要なときに発生します。これは、待ち時間に敏感で、簡単に移動できないものです。他の1つは、トレーニング（学習）です。これは、モデルを構築するための大量のバッチスタイルのワークロードです。これは、遅延に敏感ではありません。2時または2時に実行されるか、ある州または別の州で実行されるかは関係ありません。長いとしても、実行されるだけです。柔軟性はそこにあります。大量のデータセンターの負荷が柔軟なタイプである場合、グリッドが余剰のクリーン電力を持っている時間にシフトし、システムがストレスを受けているときに後退することができます。次に、バッテリー、熱蓄熱、オンスाइट発電を重ねると、データセンターは、グリッドのバランスをとるのを助けるリソースのように振る舞うことができます。中間の日中に余剰の太陽光を吸収し、ピーク時間に保存されたエネルギーで乗り切ることができます。技術的部分は簡単な部分です。しかし、インセンティブ設計は難しい部分です。しかし、データセンターがグリッドの協力者ではなく、敵対者である世界よりも、データセンターがグリッドの柔軟なパートナーである世界の方が良いでしょう。人工知能の電力需要を次の10年間で満たすことができるエネルギー源の組み合わせは何ですか？再生可能エネルギーとストレージ、天然ガス、従来の原子力発電、SMR、小型モジュラー原子炉、地熱エネルギーは、どのように組み込まれるでしょうか？私は、人工知能の需要を満たすために必要なすべてのものが必要であると考えています。再生可能エネルギーとストレージは、実際に展開できる最も速いものです。太陽光とバッテリーは、ほとんどの他のものよりもはるかに速く構築できます。そのスピードは、需要がこのように急速に増加している場合に、非常に重要です。実際、多くのBuzzのユーティリティーの顧客（Dominion、Ameren、AEP、NYPA、Southernなど）は、データセンターの負荷の需要を満たすために、継続的に太陽光の足跡を増やしています。しかし、再生可能エネルギーは変動し、ストレージが必要です。これらの負荷は24時間実行されるためです。天然ガスは、dispatch可能であるため、橋渡しとして存在します。天然ガスは、すでに存在します。原子力発電は現在、興味深いものです。廃止される予定だった発電所が、データセンターがその出力を長期契約で購入したため、再び活用されるのを見ています。SMRや地熱エネルギーは、長期的なプレイです。これらは、10年後半以降に物語に大きな役割を果たすことになりますが、2027年に私たちを救うものではありません。現実的な混合物は、層状のものです。再生可能エネルギーとストレージが成長を支え、ガスが堅実なギャップを埋め、既存の原子力が拡大され、新しいソースが成熟するにつれてオンラインになります。間違いは、どちらかの方向へのイデオロギー的な純粋さです。グリッドは、私たちの好みについて心配していません。グリッドは、信頼性と時間に従って配達されたキロワット時について心配しています。あなたの本の中心的な考えの1つは、グリッドに圧力をかけるのと同じ人工知能業界が、グリッドを近代化するために必要なツールも提供できるということです。人工知能は、負荷予測、予測メンテナンス、送電最適化、植生管理、停電復旧、デジタルツイン、自律グリッドコントロールで、最も近い利益をもたらす可能性がありますか？これは本の心であり、実際に最も希望的である部分です。グリッドに圧力をかけるのと同じ業界が、私たちに最も優れたツールを与えてくれるのです。如果私は、今日現実的なものであるものをランク付けするなら、予測メンテナンス、継続的な監視と検査から始めます。これは、Buzzが数年間で行ってきたことであり、私はそれが機能するのを見ました。コンピュータビジョンと視覚的人工知能を使用して、コンポーネントが故障する前に欠陥を見つけます。クラックした絶縁体、過熱した変圧器、さびたフックなど、これは推測ではありません。これは、実際に展開され、実際の金銭を節約し、実際の停電を防いでいます。負荷予測と需要応答は、データセンターの問題を扱いやすくするために、すぐに続きます。如果ユーティリティーが需要をより正確に予測できるなら、盲目的に計画するのではなく、送電最適化は、すでに持っている送電線からより多くの容量を絞り出すことができるため、重要です。植生管理と停電復旧は、AIが何かを遅くて手動で行うのを速くて効率的に行うことができるため、近いです。デジタルツインと完全に自律的なグリッドコントロールは、遠い地平線にあります。それらは来ますが、信頼と安全性に関する質問を伴いますので、私は次の質問がそれであると思います。あなたは以前、Buzz Solutionsが実際のユーティリティーデータと人間のループ内のレビューに依存していることを説明しました。電力システムがより自律的になるにつれて、AIに安全に委ねられる決定はどれですか？人間の判断が必須となる場所はどこですか？ユーティリティーは、不透明なモデル決定、サイバー攻撃、または重要なインフラストラクチャーにわたる障害に対してどう準備するべきですか？私たちが最後に話したとき、私は、専門家がAIモデルにフィードバックを提供する、人間のループ内アプローチについて説明しました。私は、その見解が軟化するのではなく、強化されたと思います。AIは、パターン認識と推奨事項のタスクに優れています。すべてのデータを見て、異常を発見して、リスクをフラグして、注意が必要なものをランク付けます。そうすることは、安全であり、人間が単独で行うよりも優れています。しかし、重要なインフラストラクチャーとミッションクリティカルなプロジェクトの決定における行動については、私はより慎重です。間違えることによって、病院の電力を止めたり、地域にわたる障害を引き起こしたりする決定は、人間の責任者が必要です。モデルは、平均的な場合には、人間よりも悪くないかもしれませんが、重要なインフラストラクチャーは、稀な悲惨なケースが全ての話です。したがって、私の意見では、準備は3つあります。第一に、重大な決定については、人間を意味のある方法でループ内に保ちます。第二に、重要な運用に触れるものについては、説明可能性を要求します。如果モデルがなぜそうしたのかわからない場合、あなたはそれに対して責任を負うことができません。「AIが決定した」というのは、停電のときには受け入れられない答えです。第三に、私は、業界が危険にさらされていると思いますが、これらの自律システムを、最初の日から拡大された攻撃面として扱う必要があります。グリッドを走らせるソフトウェアを許可するにつれて、グリッドはソフトウェアの脆弱性を継承します。自律制御システムへのサイバー攻撃は、データ漏洩ではありません。物理的な出来事です。私たちは、その現実を、完全に自律的になる前に設計する必要があります。良いニュースは、ユーティリティーが現在、データセキュリティ、情報セキュリティ、AIガバナンスを非常に真剣に受け止めていることです。また、組織内にAIとデータガバナンス委員会を設立し始めています。Buzzでは、業界がAIシステムを安全に、規模的に展開する方法について学ぶためのサイバーセキュリティとAIガバナンスのプレイブックを公開しています。5年先を見て、人工知能の拡大を支援できる国や地域と、電力の可用性によって制約される国や地域を区別するものは何ですか？2031年までに、人工知能の開発とグリッドの近代化を整列させるための成功戦略は何ですか？私は、5年後には、人工知能の制約がチップや才能ではなかったことを振り返るでしょう。それらは世界中で簡単に移動します。移動できないもの、実際に勝者を決定したものは、電力とインフラストラクチャーでした。電力は、人工知能の時代の戦略的な資源となり、石油が過去の世紀のためにそうであったのと同じように、私はそれが過剰ではないと思います。私たちは、電力グリッドの能力が、人工知能の拡大を支援できる国や地域と、電力の可用性によって制約される国や地域を区別することになるでしょう。先行する地域は、グリッド容量を競争上の資産として扱い、早くから構築して改革し始めた地域になるでしょう。相互接続を合理化し、安全を損なうことなく許可をmodern化し、需要が完全に到着する前に送電を投資した地域です。後退する地域は、野心や資本が不足しているわけではありません。データセンターの発表や投資ドルがありますが、単に電気を配達できないのです。プロジェクトは、配達できる場所に移動します。2031年までに成功した戦略は、2つの時計（本で説明している）が、ついに協力して動くことです。人工知能の野心のスピードと、エネルギーインフラストラクチャーのタイムラインの現実を、AI自体を使用して、持っているグリッドからより多くのものを得るために、構築する必要のあるグリッドを構築しながら、コストの割り当てを正しく行い、電力のコストに関する公衆の世論が非常に否定的なものにならないようにし、労働者問題を真剣に受け止めて、次の世代のシステムを構築して運用する人々を訓練することです。技術的な問題ではありません。調整と意志の問題です。私は、それが、私たちが解決する方法を知っている問題であると思います。素晴らしいインタビュー、ありがとうございます。読者がもっと学びたい場合は、Buzz Solutionsを訪問するか、Powering Intelligence：人工知能の未来は電力グリッドに依存するを読んでください。
2026年8月7日 2026年8月7日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

イラン・グラック、デジタル・マターの北米マーケティング担当VP – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
イラン・グラック、デジタル・マターの北米マーケティング担当VPは、IoT、人工知能、サプライ・チェーン・テクノロジー、データ・アナリティクス、エンタープライズ・ストラテジーを背景に持つ、経験豊かなテクノロジーおよび商業リーダーです。デジタル・マターに入社する前、彼はコックス・2Mおよびギア・トラックで5年以上働き、ゼネラル・マネージャーおよびチーフ・レベニュー・オフィサーとして、リアルタイム・アセット・トラッキングおよびサプライ・チェーン・ビジビリティ・ソリューションの進歩に貢献しました。以前、グラックはウェイストレス・AIのゼネラル・マネージャーで、食料小売業者が廃棄物を削減するために設計されたAI駆動のダイナミック・プライシング・テクノロジーに取り組み、ワイス・ビアガーのようなIoTおよびデータ・アナリティクス企業（AB InBevに買収された）で上級製品および商業役割を担っていました。彼はデロイト・コンサルティングでの戦略および運用のキャリアを始め、製品、商業化、戦略の経験をエマージング・テクノロジー全体で得ました。デジタル・マターは、ロングライフ・アセット・トラッキング、センサー・モニタリング、テレマティクス・ソリューションを専門とするグローバルIoTハードウェア企業です。同社は、ロジスティクス、車両および設備トラッキング、サプライ・チェーン・モニタリング、農業、環境アプリケーションなどの分野で展開される、頑丈で低消費電力の接続デバイスを開発しています。同社のハードウェアは、GNSS、Wi-Fi位置情報、Bluetooth Low Energy (BLE)、セルラーIoT、LoRaWAN、衛星接続などの位置情報および接続テクノロジーをサポートしています。デジタル・マターはまた、デバイス・マネージャー・プラットフォームを提供し、顧客およびパートナーが接続デバイスをリモートで構成、監視、プロビジョニング、管理できるようにします。ギア・トラック、ウェイストレス・AI、ワイス・ビアガーで、リアルタイムの運用データを使用してサプライ・チェーンを改善し、廃棄物を削減し、より良い商業上の決定を下すことができました。そうした経験は、IoTがエンタープライズ・AIの基盤となるというあなたの見方をどのように形作ってきましたか。ギア・トラック、ウェイストレス・AI、ワイス・ビアガーで、最も優れたテクノロジーは、背後にあるデータだけに依存していることを私は実際に見てきました。各企業は異なる問題を解決しようとしていましたが、共通するのは、物理的な世界からのリアルタイム情報を使用して、より良い決定を下すことでした。つまり、在庫の場所を理解すること、廃棄物が発生する前にそれを特定すること、またはビジネスが地上での変化に迅速に対応できるようにすることなどです。その経験は、IoTとAIについての私の考え方を形作ってきました。多くの価値のある運用情報はまだ従来のビジネス・システムに捕捉されていません。それは車両、設備、在庫、施設、サプライ・チェーンの中に存在しています。IoTは、物理的な活動を利用可能なデータに変換するものです。私にとって、それはIoTがエンタープライズ・AIの基盤となることを意味します。IoTはAIに、実際のビジネス運用についてより明確で現在的な画像を提供します。過去の歴史的なレポートだけを見てきたのではなく、会社はパターンを特定し、問題を予測し、リアルタイムでより良い決定を下すことができます。多くの企業は、同じパブリック・データセットを使用してAIモデルをトレーニングしています。なぜ、独自の運用データがAIの差別化要因となるより重要なソースになっているのでしょうか。同じデータを入力すると、同じ洞察が出力されます。AIモデルへのアクセスがより広く利用できるようになると、モデル自体はよりコモディティ化し、実際の差別化要因は、モデルに供給されるデータの品質、独自性、関連性にあることになります。2つの競合する小売業者が同じAIプラットフォーム、市場予測、歴史的な需要データを使用している場合、どちらか一方が倉庫、トレーラー、パレット、設備にIoTセンサーを展開している場合、継続的に地上の真実のデータをAIに供給しています。リアルタイムの在庫移動、滞在時間、資産利用率、ボトルネック、運用上の混乱に関する情報です。彼らのAIは、先月の出来事だけから学習していないのです。ビジネス全体で現在起こっていることから継続的に学習しています。その違いは時間の経過とともに実際のアドバンテージに変わります。彼らのAIは、歴史的な傾向や第三者のベンチマークだけに依存していません。会社自身の運用からリアルタイムに学習しています。競合他社が購入したり、スクラップしたり、複製したりできない、独自のインテリジェンスの源となります。車両、施設、設備、サプライ・チェーンにセンサーを展開すると、会社はどのような運用インテリジェンスを取得できるでしょうか。それは、通常、見逃しているものですか。多くの組織は、物理的な運用について継続的な可視性を持っていないまま、重要な決定を下しています。彼らは在庫の量や出荷の予定日時を知っているかもしれませんが、資産、設備、ワークフローが実際にどのように動いているかについては、よくわかっていないことがあります。車両、施設、設備、サプライ・チェーンにセンサーを展開することで、組織はボトルネックを特定し、資産の利用率を追跡し、在庫の移動を監視し、実際の状況がパフォーマンスに与える影響を理解できます。たとえば、小売業者は在庫が配送センターに到着し、最終的に店舗に配達されたことを知っているかもしれませんが、特定のパレットが配送センターで一貫して数日間滞在していることに気付いていないかもしれません。センサー・データがなければ、その遅延はほとんど見えません。IoTでは、それが測定可能で、対処可能になります。チームは根本原因を特定し、在庫の流れを改善し、在庫の可用性に関する問題を軽減できます。IoT生成データと伝統的なエンタープライズ・データを比較した場合、AIシステムのトレーニング、ファイン・チューニング、グラウンドにどのような違いがありますか。伝統的なエンタープライズ・データは、通常、トランザクション的で歴史的なものであり、すでに発生したイベント（注文、請求書、在庫レコード、または完了したビジネス・プロセスなど）を捉えています。そうした情報は貴重ですが、主に過去のスナップショットを反映しています。市場が以前より速く動いている現在、前シーズンの出来事は今シーズンについてあまり教えてくれません。IoT生成データは異なります。リアルタイムに何が起こっているかを捉えています。資産の位置、移動、利用率、環境条件、その他の運用シグナルに関する継続的な洞察を提供します。これらのシグナルは、通常、伝統的なエンタープライズ・システムでは利用できないものです。AIアプリケーションの場合、その違いは重要です。歴史的なデータは何が起こったかを説明しますが、IoTデータは何が今起こっているかを説明します。組織が両者を組み合わせると、AIシステムを現在の運用現実に基づいて構築できます。より正確な洞察が可能になり、より迅速で情報に基づいた決定が可能になります。デジタル・マターは、長期のアセット・トラッキングとセンサー・モニタリングのために設計された、低消費電力で耐久性のあるデバイスを強調しています。IoTデバイスが複雑な環境で信頼性を持って数年間にわたってデータを生成し続けるという最大の技術的な課題は何ですか。IoTデバイスは、予測や制御が難しい環境に展開されることがよくあります。単一のデバイスは、施設、車両、顧客サイト、リモート・ロケーション、接続性が一貫性のない地域を経て、数年間移動する可能性があります。最も大きな課題の1つは、可視性と電力消費のバランスを取ることです。デバイスがデータを収集して送信する頻度が高くなるにつれて、エネルギー消費も増えます。有意義なイベントを収集し、動的な運用条件に適応し、数年間でバッテリー寿命を最大化するデバイスを設計することは、信頼性の高いデータを提供する上で重要です。耐久性も同様に重要です。デバイスは、振動、衝撃、温度変化、湿気、数年間の日常使用に耐えながらも、維持不要で一貫したパフォーマンスを維持できなければなりません。わずかな故障率でも、展開が数千または数万のデバイスに拡大すると、重大な運用上の課題になる可能性があります。AIは、企業がアセットの位置を追跡するだけでなく、障害を予測し、ルートを最適化し、廃棄物を削減し、利用率を改善するようにどのように支援できますか。アセットの位置を知ることは重要ですが、位置だけでは物語の半分しかわかりません。実際の機会は、アセットがどのように使用されているかを理解し、手動では難しいパターンを特定することから来ます。組織がIoTデータとAIを組み合わせると、イベントに反応するだけでなく、それを予測し始めます。移動、利用率、滞在時間、環境条件、その他の運用データの傾向を分析することで、AIは非効率性を特定し、潜在的な問題を予測し、改善の機会を浮き彫りにすることができます。那は、より良いアセットの利用率、より効率的な運用、廃棄物の削減、迅速な意思決定につながります。アセットの現在の位置だけが重要ではなく、アセットが生成するデータを使用して、次に何が起こるかについてより賢い決定を下すことができます。ロジスティクス、コールド・チェーン、ヘルスケア、建設、または設備管理などの業界では、IoTデータとAIを組み合わせることで、近い将来にどのような機会がありますか。最も強い機会は、複雑な運用を跨いで分散アセットを大量に管理している業界にあります。したがって、ロジスティクス、コールド・チェーン、ヘルスケア、建設、設備管理はすべて、プロファイルに適しています。これは理論的なものではありません。大企業、主要な小売業者から自動車メーカー、重機製造業者まで、すでにこの戦略を実行しています。彼らの取締役会は、AIを使用しているかどうかではなく、測定可能なビジネス価値がどこから来ているかを尋ねています。答えは運用上のものです。スループットの改善、品質のインシデントの削減、より良い納期、より良い顧客体験です。近い将来、最も大きな価値は、会社がすでに毎日生成している活動を使用して、より良い運用上の決定を下すことから来ます。企業がより多くのセンサーと接続デバイスを展開するにつれて、IoTデータを戦略的なAIアセットとして扱う場合、データの品質、信号の信頼性、セキュリティ、ガバナンスについてどう考えるべきですか。AIモデルは、背後にあるデータだけに依存しています。組織はデータの収集に重点を置きますが、データが不完全、不一致、または信頼できない場合、AIの洞察もそうになります。クラシックな「ゴミ入力、ゴミ出力」の問題です。企業レベルでは、高価なミスになります。データの品質は最初から優先事項でなければなりません。データが一貫して収集され、安全に送信され、物理的な世界を正確に反映していることについて、組織は自信を持たなければなりません。データの出所、管理方法、解釈方法についても、明確なガバナンスが必要です。最終的には、価値はデータを生成することではなく、信頼性の高い、高品質のデータを生成することです。信頼できる基盤となるデータは、意思決定のためのものです。すでにIoT展開を持つ企業にとって、AIアプリケーションで使用するためにそのデータをより利用可能にするためのステップは何ですか。最初のステップは、ビジネス上の問題から始めることです。目的が明確になると、どのデータ、ワークフロー、AI機能が必要かが簡単にわかります。多くの組織はすでに大量の運用データを収集していますが、それは断片化されたシステムに留まっていて、意思決定には影響しません。2番目のステップは、多くの企業が軽視しているものです。つまり、変更管理です。拡大した展開は、技術のせいで失敗することはありません。データが何を伝えているかに対して、誰も行動を起こさない場合に失敗します。ストックが不足しているステージング・エリアのアラートは、誰かが実際に在庫を移動しない限り、価値を生み出しません。データから洞察に、洞察から行動へのプロセスを構築することは、最も難しいですが、最も重要な作業です。最終的には、最も成功している会社は、運用データを測定可能なビジネス成果と結び付け、人々がそれを使用するようにしている会社です。今後、独自の運用インテリジェンスが、AIのリーダーと、単に他の会社と同じツールを使用している会社を区別する最大の障壁になることを信じますか。はい。AIがより広く利用できるようになると、技術だけが差別化要因ではなくなります。優れた組織は、独自の環境から独自の運用インテリジェンスを生成し、それを使用してより良い決定を下す組織です。多くの業界では、最も価値のある情報はまだ物理的な世界にあり、資産、設備、在庫、サプライ・チェーンの中にあります。競合他社が購入したり、スクラップしたり、複製したりできないものです。その情報を継続的に捉え、理解し、活用できる会社は、他の会社よりもはるかに強い立場にあります。素晴らしいインタビュー、ありがとうございます。詳細については、デジタル・マターを訪れてください。
2026年8月6日 2026年8月6日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

メトリクールのJuan Pablo Tejela氏、CEO兼共同創設者 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Juan Pablo Tejela氏は、メトリクールのCEO兼共同創設者です。ソフトウェアエンジニアであり、テクノロジー起業家として、2014年から同社を率いてきました。同社は、デジタルコンテンツの管理と測定を総合的に行うプラットフォームに成長しました。メトリクールを立ち上げる前に、オプティマイスソフトウェアで約9年間勤務し、製品管理、アプリケーション開発、ユーザーインターフェイス設計、プレセールス、カスタマーサポート、およびKiuwanソフトウェアアナリティクスプラットフォームのオンラインマーケティングを担当しました。彼のキャリアの初期には、スイスリスク、インドラ、EADS-CASA、FEDETECでソフトウェアエンジニアとして働き、Java、C++、組み込みシステム、通信技術、Linuxカーネル開発に携わりました。メトリクールは、マドリードを拠点とするソーシャルメディア管理プラットフォームで、クリエイター、ブランド、エージェンシーがコンテンツを計画し、投稿を公開し、会話を管理し、パフォーマンスを分析し、競合他社を監視し、統合ワークスペースからレポートを生成できるように設計されています。同プラットフォームは、Instagram、Facebook、TikTok、LinkedIn、YouTube、X、Bluesky、Pinterest、Google、およびMeta Adsを含む主要なソーシャルネットワークと広告チャネルをサポートし、AI支援のコンテンツ作成と最適化ツールも提供しています。メトリクールは、Forbes、Adidas、Volvo、H&M、Warner Music グループを含む200万以上のユーザーにサービスを提供しています。あなたのキャリアはソフトウェアエンジニアリング、組み込みシステム、アプリケーションの品質、製品開発から始まりました。メトリクールを創設したとき、これらの経験はどのように役立ったでしょうか。また、ソーシャルメディアの専門家が新しいタイプのアナリティクスプラットフォームを必要としていることをあなたはどうやって気づきましたか。正直に言えば、メトリクールは多くの人よりも小さく始まりました。私の妻Lauraと私は2015年にサイドプロジェクトとして作りました。当時、ブログはインターネットで最大のものでしたが、数字を一か所で見る方法がなかったことを私たちは気づきました。すべてが5つの異なるツールに散在しており、どれも技術的な人以外のために作られていませんでした。私の組み込みシステムとQAのバックグラウンドは、1つの習慣を私に叩き込みました。自分で測定していないものは信頼できない。そこで、私たちが存在したかったシンプルなバージョンを作りました。アイデアを検証したのは、ブログではなく、すぐにその後に登録したソーシャルメディアの専門家たちでした。彼らはプロフェッショナルなクライアントレポートが欲しかったのです。これが重要な部分でした。彼らは支払う用意がありました。ブログはほとんどそうではありませんでした。私は、趣味のツールを作っているのではなく、未提供の職業に向けて作っているのだと気づきました。私たちは、2017年1月まで仕事を続け、正式に雇用を開始しました。以来、すべては最初の直感の延長線上にありました。ノイズを取り除き、アナリティクスを透明にし、他人のためにソフトウェアを購入する人ではなく、仕事をする人を作ることです。メトリクールは、アナリティクス製品から、4百万以上の専門家、エージェンシー、クリエイター、ブランドが使用するソーシャルメディア管理プラットフォームに成長しました。成長の背後にある最も重要な製品の決定は何でしたか。また、会社の元のビジョンを再考する必要がある瞬間はありましたか。いくつかの決定が重要でした。スケジューリングに注力しているHootsuiteやBufferとは異なり、アナリティクスに注力したことが最初で、現在でも私たちの差別化要因です。2つ目は、スペイン語やその他の言語をアメリカのツールの余分なものとして扱わないことであり、これにより私たちはヨーロッパやラテンアメリカで早期に優位性を得ることができました。3つ目は、最近のものですが、ソーシャル広告が有機コンテンツとは別のツールに存在できないという決定です。ソーシャルメディアマネージャーは、実際にはそれらを別々に考えることはありません。ビジョンは変化しましたか。常に変化し、悪いことだとは思っていません。私たちは、エージェンシー向けにビルドすることを意図していませんでした。個々の専門家やブログ向けにビルドしました。エージェンシーは自分で現れ、必要なもの（ホワイトレーベルレポート、複数クライアントダッシュボード、チームシート）を私たちに伝え、そして私たちは対応しました。同様に、後にブランドも同様でした。メトリクールの「元のビジョン」をあまりにも固执に守っていたら、より小さな製品をニッチなオーディエンス向けにビルドしたでしょう。計画は決して神聖なものではありませんでした。ユーザーが基本的にロードマップを私たちに示しました。メトリクールの調査によると、96%のソーシャルメディアの専門家がAIを使用していますが、36%はAI生成コンテンツが人間が作成したコンテンツと比較してどのように機能するかを測定または把握していません。なぜAIの採用は、その実際のビジネスへの影響を評価する能力よりも速く進んだのでしょうか。AIを使用することは簡単ですが、適切に測定することは労力が必要です。ツールを開き、キャプションを取得し、投稿するのはまったく摩擦がありません。実際にそれが何かに役立ったかどうかを知るには、比較を設定し、1つの良い投稿後に勝利を宣言する誘惑に抵抗し、辛抱強く待つ必要があります。ほとんどのチームはまだその規律を身につけていません。正直に言えば、なぜそうする必要があるでしょうか。18か月前までは、誰も「AIバージョンは人間のバージョンよりも優れているかどうか」を尋ねる必要はありませんでした。誰かがそれを書き、投稿の価値を判断するだけです。その36%は、私が思っているほど心配事ではありません。人々が無謀であるということではありません。測定は常に採用に遅れています。有料ソーシャル、インフルエンサーマーケティングでも同じことが起こりました。今回も同様です。AIを使用するためのツールは急速に改善されました。判断するための習慣はまだ追いついていません。だが、いつかはそうなるでしょう。生成的なAIにより、ブランドはコストを削減しながらより多くのコンテンツを生成できます。しかし、リーチや発行量の増加は、成功の誤った感覚を生み出す可能性があります。信頼、ブランドの健康状態、顧客関係を強化するAI支援コンテンツであるかどうかを判断するために、チームはどのような指標を優先するべきでしょうか。リーチは、AIが最も膨張させやすく、最も説明しにくい指標です。ただその数字だけを見ていると、数か月間は素晴らしい気分になります。実際に注目しているのは、コンテンツを保存したり共有したりしている人、ただスクロールして投稿を見ているのではなく、コンテンツを保存して友達に送ったりしている人です。その違いは「見た」と「価値がある」ということです。また、ブランドは3百のAI支援投稿の後でも、1人の人間のように聞こえるかどうかを確認する必要があります。声が投稿ごとに変化していないか、誰も気づかないままに変化していないかです。その最後の点は、うすくのびているものです。信頼は一度に崩壊するのではなく、静かに侵食されます。リーチや売上がそれを示すまでに、すでに数か月間失われていることになります。メトリクールの調査によると、66%の回答者がコンテンツの少なくとも半分にAIを使用していますが、6人に1人がAI生成コンテンツが人間が作成したコンテンツと同等かそれ以上であると考えています。ブランドは、相関関係、プラットフォームのアルゴリズム、コンテンツの品質を混同することなく、AI支援コンテンツと人間が作成したコンテンツを比較する実験をどのように設計するべきでしょうか。テストするのは1つのことだけにします。同じブリーフ、同じプラットフォーム、同じ日と時間、同じ人が最終編集を行うという条件で、最初の草案を書く人だけを入れ替えます。そのだけです。大多数の「AI対人間」の比較はそうではありません。3か月前の別のトピックの人間の投稿と、火曜日のAI投稿を比較し、結論を導き出します。ペアで実行し、数週間実行します。1つの投稿のパフォーマンスはほとんど運とアルゴリズムの気分です。1日のパフォーマンスを見過ごすのに十分なボリュームが必要です。人間の作成したコンテンツと「同等」ということは、インプレッションが似ているがコメントの品質が悪いか、保存が少ないという警告信号ではないことを意味します。6人に1人の自信の多くは、表面の数字だけを見てそこで止まっている人たちだと思います。現在、自動化はソーシャルメディアチームに最も価値を提供する場所はどこですか。また、ブランドの声の確立、コミュニティの管理、または危機時の対応などの責任は、人間の管理下に留めるべきでしょうか。面白くない、高ボリュームの作業 — スケジューリング、初稿、6つのプラットフォーム用のビデオのサイズ変更、月次レポートの作成 — これらはすべて自動化によってチームに返還される時間です。2026年現在、誰も手動で行うべきではありません。私にとってのラインは、判断です。声、コミュニティ、そして特に危機的な状況 — これらはすべて人間が必要です。AIが妥当なものを草案できるかもしれませんが、デリケートな瞬間に間違ったトーンを出すコストは公開され、即時のものです。ブランドの評判は、A/Bテストできるものではありません。以前にも言ったことがありますが、ソーシャルメディアで半分存在するか、存在感が悪いことは、壊れた店の窓のようです。危機対応を人間が30秒で確認できるようにAIが草案を作成するのは素晴らしいことですが、AIが独自に公開することは絶対にありません。メトリクールスタジオでは、ユーザーはレポートを生成し、パフォーマンスを比較し、競合他社を分析し、投稿パターンを特定するために自然言語プロンプトを使用できます。AIがコンテンツの生成からパフォーマンスの解釈に移行するにつれて、ソーシャルメディアマネージャーとマーケティングアナリストの日常の役割はどのように変化するでしょうか。仕事の内容が変わります。ソーシャルメディアマネージャーの1週間の多くは、数字をスライドにまとめることと、何が起こったかを説明する文を書くことに費やされます。何かを尋ねて、数秒で実際の答えが得られるようになれば、その週の大部分が消えます。残るのは、実際に価値のある部分です。答えに対して何をするかを決めることです。どの形式に注力するか、クライアントに説明する方法、データが何かに言及しているが直感と反するときにどうするかです。私は、役割が縮小するのではなく、2つのグループに分かれると思います。実際の分析を行っていた人と、主にデータ入力を行っていた人です。最初のグループだけが成長します。メトリクールは、Model Context Protocolを採用し、AIアシスタント、自動化プラットフォーム、カスタムエージェントがソーシャルメディアデータとワークフローとやり取りできるようにしました。どのような機会が生まれますか。また、企業は、自律システムが不適切なコンテンツを公開したり、アナリティクスを誤読したり、ブランドに損害を与える行動を取ったりしないようにどうすればよいですか。私たちは、ClaudeのMCPを基盤に構築した最初のソーシャルメディアプラットフォームの1つでした。理由は簡単です。メトリクールのデータが私たちのインターフェイス内にしか存在しないことを意味しないからです。ブランドのエージェント、自動化プラットフォーム、チームがすでに使用しているものが、パフォーマンスデータを直接取得したりワークフローをトリガーしたりできるようになります。私たちがすべての統合を自分で構築する必要はありません。まだ考えることのできないワークフローが開かれます。リスクは、最初から設計する必要があります。実際に公開する場合は、デフォルトで人間の承認ステップが必要です。特にクライアント向けのものについては、サイレントな自動投稿ではありません。許可は厳密に範囲を指定する必要があります。エージェントがレポートを取得するように構築されている場合、投稿をトリガーすることはできません。エージェントが行うすべてのアクションには、人間が後に確認できるトレイルが必要です。プロトコルは接続を提供します。ガードレールは、会社が故意に決定するものです。メトリクールの調査によると、伝統的なパブリックなやり取りは減少する可能性がありますが、クリック、スワイプ、ビュー、リンクタップなどの行動によって全体的なエンゲージメントが増加する可能性があります。企業は、最も重要な注目度の信号が公共に不可視になる場合にどう対応するべきでしょうか。いいねやコメントは、注目度の良いプロキシではありませんでしたが、さらに悪くなっています。今日のほとんどの真正の関心は、誰も見ることができない場所で発生しています。誰かがカラーページのすべてのスライドをスワイプしたり、ビデオを最後まで見たり、友達に秘密に送るために何かをスクリーンショットしたりします。どれも公共に表示されません。すべてが真正の注目度であり、たとえ反射的なダブルタップよりも価値があると言えるでしょう。したがって、企業は、完了率、スワイプスルー率、クリックスルー率を主要な数字として扱う必要があります。実際のシフトは、質問自体を変えることです。得られたエンゲージメントの量ではなく、実際に獲得した注目度を尋ねることです。多くの場合、後者の数字は誰にも見えません。自分のダッシュボード内でしか見ることができないからです。今後、AIはソーシャルメディアの専門家が使用するアシスタントのコレクションのままですか。あるいは、キャンペーンを計画し、リソースを割り当て、パフォーマンスを解釈し、決定を推奨するオペレーショナルレイヤーとして発展しますか。オペレーショナルレイヤーであり、多くの人よりも早く発展するでしょう。AIに1つのことを尋ねるモデルは、段階的なものであり、最終目標ではありません。私たちが構築しようとしているものは、パフォーマンスをすべてのプラットフォームで継続的に監視し、人間が気づく前に何が機能しているかを把握し、次のステップを推奨するAIです。決定ではなく、推奨です。AIがキャンペーンを実行し、誰も見ていないことを私は考えていません。AIが、チームが時間がない徹底的な監視を行い、人間に役立つ短いリストを渡すことです。専門家がその世界でうまくやっていくのは、レイヤーと戦う人ではなく、指し示す人です。素晴らしいインタビュー、ありがとうございました。さらに詳しく知りたい読者は、メトリクールを訪れてください。
2026年8月5日 2026年8月5日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

インナ・ブラヴェルマン、Eco Wave Powerの創設者兼CEO – インタビュー・シリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
インナ・ブラヴェルマン、Eco Wave Powerの創設者兼CEO – は、波エネルギーを商業的に実現可能な再生可能電力源として確立するために働いているテクノロジー・エントレプレナーです。彼女は2011年に24歳でEco Wave Powerを設立しましたが、その動機は、チェルノブイリ原子力災害との個人的なつながりと、汚染を減らすというコミットメントに部分的に由来していました。彼女のリーダーシップの下、同社はグリッド接続波エネルギー施設を開発し、国際プロジェクトパイプラインを構築し、国連、欧州連合、イスラエルのエネルギー省などからの認識を獲得しました。ブラヴェルマンはまた、複数のTEDxトークを発表し、CNN、Wired、Smithsonianによって再生可能エネルギーと起業家精神に関する彼女の仕事で取り上げられました。Eco Wave Powerは、ナスダック上場の再生可能エネルギー会社で、海洋と海の波の運動を電気に変換する技術を開発しています。同社のシステムは、防波堤、突堤、桟橋などの既存の沿岸構造物にフローターを取り付け、多くの発電装置を陸上に安全に保つことができます。同社はイスラエルの最初のグリッド接続波エネルギー発電所を運営しており、ロサンゼルス港でパイロット施設を立ち上げ、ポルトガル、台湾、インドでプロジェクトを進めており、404.7メガワットのグローバルプロジェクトパイプラインを報告しています。あなたはチェルノブイリ原子力災害のわずか数週間前に生まれましたが、この経験はあなたのエネルギーと環境に対する見方を深く形作っています。Eco Wave Powerを共同設立することを決めたのはどうしてですか？波エネルギーが成功する可能性を信じる理由は何ですか?私はチェルノブイリ原子力災害のわずか数週間前にウクライナで生まれました。私はそれを覚えていないかもしれませんが、その結果を直接見てきました。1つのエネルギー関連の災害がどのように多くの人々、コミュニティ、環境に影響を与えるかを理解しました。その経験から、私はクリーンで信頼性が高く安全なエネルギー源の開発の重要性を深く理解しました。数年後、さまざまな再生可能エネルギー技術を研究し探求している間、私は海洋波エネルギーが最も未発達の再生可能資源の1つであることに気づきました。同時に、多くの波エネルギー会社が、海上に大規模で高価なシステムを配置したために苦労していたことに気づきました。設置とメンテナンスは非常に困難で高価です。その観察から、私は別のアプローチにたどり着きました。海と戦うのではなく、既存の沿岸インフラと協力するのです。Eco Wave Powerの技術は、陸上または人工の海洋構造物に設置され、発電装置の多くを陸上に安全に保つことができます。海上への配置を避けることで、運用の複雑さを大幅に削減し、波エネルギーを商業的に実現可能にします。私がこのアプローチが成功する可能性を信じる理由は、そのシンプルさです。イノベーションは常に複雑なものを作ることを意味するわけではありません。多くの場合、不要な複雑さを取り除くことを意味します。今日、エンジニアリング、テスト、グリッド接続プロジェクトの運用を経て、私たちは波エネルギーが実用的な再生可能エネルギー源になることを実証しました。電力需要が増加するにつれて、特にAIインフラストラクチャーとデータセンターの拡大により、波エネルギーは最も必要な場所で予測可能な再生可能電力を提供する役割を果たすことができます。NVIDIAは最近、Eco Wave PowerのAIインフラストラクチャーとOmniverseデジタルツインを使用した波エネルギーシステムの最適化を強調しました。AIは、従来のエンジニアリングアプローチと比較して、波エネルギープロジェクトの設計、展開、運用方法をどのように変えましたか?AIは、再生可能エネルギーインフラストラクチャーの設計と運用方法を根本的に変えています。波エネルギーも例外ではありません。従来、エンジニアリング上の決定は静的なモデル、歴史的なデータセット、多くの手動分析に基づいていました。AIにより、反応的なエンジニアリングから予測的なエンジニアリングへと移行できます。Eco Wave Powerでは、AIを技術の複数の層に統合しています。NVIDIAのAIインフラストラクチャーとOmniverseデジタルツインを使用して、実際の運用データと海洋データを継続的に組み込むことができます。さまざまな海洋条件をシミュレートし、フローターの位置とパフォーマンスを最適化し、故障が発生する前にメンテナンスの必要性を予測し、運用を中断せずにシステムの効率を改善できます。AIはまた、波と環境に関する膨大な量のデータを従来の方法では不可能な速度で分析することができます。サイトの選択の決定を改善し、将来のプロジェクト設計を最適化し、開発のタイムラインを短縮することができます。将来、AIは再生可能エネルギーインフラストラクチャーの不可欠なコンポーネントになるでしょう。医療、製造業など、多くの業界でAIが変革をもたらしているように、クリーンエネルギーシステムもスマートで信頼性が高く効率的なものになるでしょう。私たちのビジョンは、エンジニアリングの予測可能性とAIの適応性を組み合わせ、波エネルギーシステムを継続的に学習し改善するものです。その組み合わせは、波エネルギーの商業化を加速し、グローバルエネルギー転換を強化する可能性があります。AIデータセンターは、特に沿岸地域で電力需要を前例のないレベルで生み出しています。波エネルギーが、電力需要の増加を満たすために必要なクリーンエネルギー源の1つになることを信じますか?それが過去のクリーンエネルギーサイクルと異なる点は何ですか?私は、AIが電力需要を前例のないレベルで生み出していることを信じています。データセンターは、単にメガワットを消費するのではなく、百メガワット、さらにはギガワットのクリーンで信頼性の高い電力を必要としています。多くのこれらの施設は、冷却水、ファイバーコネクティビティ、利用可能な土地へのアクセスがある沿岸地域に建設されています。波エネルギーは、ちょうどその場所で自然に利用可能です。これが過去のクリーンエネルギーサイクルと異なるのは、AIが電力需要の急増を生み出しているという事実です。AI企業は電力なしでは拡大できません。毎回、クリーンで予測可能な電力源が戦略的に重要になります。波エネルギーは、他の再生可能エネルギー源と補完的な関係にあります。太陽光発電は昼間にのみ発電し、風力発電は天候条件に依存しますが、波エネルギーは風が収まってからもエネルギーを生み出します。波エネルギーは、太陽光発電や風力発電と組み合わせて、よりバランスの取れた耐久性のある再生可能エネルギーポートフォリオを作成します。私は、業界が成熟していることも重要だと考えています。技術が改善され、AIが最適化と予測メンテナンスを可能にし、デジタルツインがテストと改良を可能にし、政府とインフラ所有者がイノベーションを求めているためです。私たちは、太陽光発電や風力発電と競合するのではなく、再生可能エネルギーミックスに重要な層を追加することを目指しています。AIが海岸沿いのクリーンエネルギーインフラストラクチャーへの投資を加速するのであれば、波エネルギーは大幅に利益を得るでしょう。私は、これが過去のクリーンエネルギーサイクルとは異なる時期であると信じています。波エネルギーは技術的に有望ではあるが、商業的に課題があると見なされてきました。過去10年間で、波エネルギーの商業的実現可能性を最も改善したのは、エンジニアリング、インフラストラクチャー、経済のどのブレークスルーでしたか?私は、最も大きなブレークスルーは、実際には哲学の変化であると考えています。波エネルギー業界は、長年にわたり、海上に大規模で複雑なシステムを配置することに焦点を当てていました。海洋が最も強力な場所ですが、同時に最も厳しい場所でもあります。海上の構造物の設置、メンテナンス、耐久性のコストが非常に高く、商業化が非常に困難でした。Eco Wave Powerでは、別の道を選択しました。海上に大規模な構造物を建設するのではなく、既存の沿岸インフラストラクチャーに取り付けます。既存のインフラストラクチャーを利用することで、設置コストを大幅に削減し、メンテナンスを簡素化し、効率を改善することができます。エンジニアリング以外に、デジタル化、AI、予測メンテナンス技術が波エネルギーの商業的見通しを改善するのに役立っています。センサー、制御システム、シミュレーションツールの進歩により、設計をより迅速に改良することができます。港湾や沿岸インフラ所有者は、既存の資産からクリーン電力を生成する方法を探しています。最も重要なのは、再生可能エネルギーの経済が変化したことです。10年前、波エネルギーは他の再生可能エネルギー源と競合していました。今日、電力需要が急増しているため、世界はより多くのクリーンエネルギー源を必要としています。波エネルギーは、再生可能エネルギーミックスを強化し、エネルギーの耐久性を高めることができます。商業的成功は、顧客が正当化できるコストで信頼性の高いエネルギーを提供することです。私は、既存のインフラストラクチャー、技術の進歩、そして今日のクリーン電力需要の前例のないニーズが、波エネルギー業界が今までに経験したことのない商業的基盤を創り出しています。Eco Wave Powerの技術は、波エネルギーを既存の沿岸インフラストラクチャーに取り付け、重要な機器を陸上に保つことで、メンテナンス、信頼性、拡張性、プロジェクトコストの面でどのような利点を提供しますか?私たちの技術は、1つの質問を中心に設計されています。波エネルギーを実用的で、可能なものにするにはどうすればよいのか?複雑な電気機器や油圧機器を海上に配置するのではなく、既存の沿岸インフラストラクチャーにフローターを取り付け、重要な変換機器を陸上に保ちます。そのアーキテクチャーは、重要な利点をもたらします。メンテナンスは、陸上から行うことができるため、はるかに簡単で費用もかかりません。テクニシャンは、専用の船やダイバー、好ましい天候を必要とせずに、陸上から機器をメンテナンスできます。これにより、運用コストとダウンタイムが削減されます。信頼性も向上します。機器の最も敏感な部分が、厳しい海洋環境から保護されるからです。塩水、腐食、極端な嵐が海上の機器にとって大きな課題となります。重要なシステムを陸上に配置することで、リスクを軽減し、機器の寿命を延ばすことができます。拡張性も大幅に向上します。世界中には、既存の沿岸インフラストラクチャーが数千キロメートルにわたってあります。私たちの技術を既存の資産に取り付けることで、許可や建設を待たずに、プロジェクトを迅速に展開できます。最後に、経済的利益もあります。設置コストが低減し、メンテナンスが簡素化され、機器のアクセス性が向上することで、電気の生成コストが削減されます。那が重要です。商業的成功は、技術が機能することだけではなく、経済的に競争力のあるものであることです。私たちは、陸上のアーキテクチャーが、Eco Wave Powerが概念からグリッド接続運用まで進むことができた理由の1つであると考えています。那は、波エネルギーが商業的に実現可能になるための重要なステップです。デジタルツインは、産業用AIの分野でますます重要性を増しています。シミュレーションの改善を超えて、AI駆動の予測メンテナンス、環境予測、運用の最適化は、再生可能エネルギープロジェクトの経済をどのように変えますか?私は、AIが再生可能エネルギーに与える影響が、まだ始まったばかりだと思います。デジタルツインは、先進的なシミュレーションツールと見なされることが多いですが、私は、それが再生可能エネルギー資産を継続的に学習するシステムにすることができることを信じています。デジタルツインとAIを組み合わせることで、問題に対して反応するのではなく、問題を予測することができます。予測メンテナンスにより、故障が発生する前に、機器の故障の兆候を特定できます。運用コストとダウンタイムを削減し、機器の寿命を延ばすことができます。環境予測も大きな機会です。波、天候、海洋条件の予測がより正確になるにつれて、エネルギー生成を最適化し、メンテナンスを計画し、グリッド統合を管理することができます。環境に反応するのではなく、環境を予測することができます。AIはまた、運用の最適化を可能にします。データが収集されるにつれて、アルゴリズムは人間が見逃す可能性のあるパターンを特定し、制御戦略を改善し、エネルギー生成を増加し、将来のプロジェクトの設計に情報を提供することができます。各インストールは、次のインストールに利益をもたらす知識の源となります。より広い意味では、私はAIが再生可能エネルギーインフラストラクチャーの知能レイヤーになっていることを信じています。再生可能技術がクリーン電力を生成するのと同様に、AIは電力が効率的に、信頼性が高く、低コストで生成されることを保証するのです。Eco Wave Powerでは、デジタルツインとAIを、商業化を加速するための重要なツールと見なしています。それらは、技術的リスクを軽減し、運用パフォーマンスを改善し、投資家の信頼を高め、再生可能エネルギープロジェクトをより予測可能で効率的で魅力的なものにします。世界のAIインフラストラクチャーの大部分は、港湾や沿岸地域に建設される予定です。AIデータセンターと波エネルギーを直接ペアにするというビジョンは、どの程度現実的ですか?そのようなペアリングを一般的なものにするには、まだ克服しなければならない技術的または規制上のハードルは何ですか?私は、それが非常に現実的であると信じています。AI革命は、電力需要の前例のない増加をもたらしています。多くの新しいデータセンターは、冷却水、海底ケーブル、港湾、利用可能な土地へのアクセスがある沿岸地域に建設されています。波エネルギーは、ちょうどその場所で自然に利用可能です。私たちの技術は、既存の沿岸インフラストラクチャーに取り付けられ、陸上の重要な機器を保つことで、波エネルギーを商業的に実現可能にします。約18〜24ヶ月で、既存の沿岸インフラストラクチャーを利用することで、グリッド接続波エネルギー発電所を建設できます。エネルギー業界では、それは非常に速い展開です。私は、波エネルギーが直接、沿岸施設、包括してAIデータセンターに電力を供給することを視覚化しています。波エネルギーは、太陽光発電や風力発電と組み合わせて、よりバランスの取れた耐久性のある再生可能エネルギーポートフォリオを作成します。波エネルギーは、太陽光発電や風力発電と比較して、より予測可能なエネルギー源です。残っている課題は技術的なものではなく、展開のスケールアップです。波エネルギーは、既存のインフラストラクチャーを利用することで、迅速に展開できます。顧客やインフラ所有者が、私たちの技術の成功を繰り返し実証するにつれて、採用が加速します。私が最も興奮しているのは、波エネルギーが、将来のデジタル経済を支える電力源として、重要な役割を果たすことです。AIが電力需要の増加をもたらすにつれて、波エネルギーは、沿岸地域のクリーンで予測可能な電力源として、ますます重要性を増すでしょう。再生可能エネルギーの議論は、太陽光発電、風力発電、核エネルギーで占められていることが多いです。波エネルギーは、特にAIが電力需要を大幅に増加させる中で、将来のグローバルエネルギー構造の中でどのような位置付けになるでしょうか?私は、波エネルギーが、将来のグローバルエネルギー構造の中で重要な役割を果たすことを信じています。太陽光発電や風力発電と比較して、波エネルギーは、より予測可能なエネルギー源です。波エネルギーは、太陽光発電や風力発電と組み合わせて、よりバランスの取れた耐久性のある再生可能エネルギーポートフォリオを作成します。AIが電力需要を増加させるにつれて、波エネルギーは、沿岸地域のクリーンで予測可能な電力源として、ますます重要性を増すでしょう。波エネルギーは、太陽光発電や風力発電と比較して、より安定したエネルギー源です。私たちは、波エネルギーが、将来のグローバルエネルギー構造の中で重要な役割を果たすことを目指しています。波エネルギーは、太陽光発電や風力発電と組み合わせて、よりバランスの取れた耐久性のある再生可能エネルギーポートフォリオを作成します。波エネルギーは、将来のデジタル経済を支える電力源として、重要な役割を果たすことです。次の10年間に、波エネルギーがエネルギー源として成功したとあなたが確信するための、どのようなマイルストーンがありますか?私が成功と見なすのは、波エネルギーが、太陽光発電や風力発電と同様に、グローバルエネルギー源として認識されることです。波エネルギーが、将来のグローバルエネルギー構造の中で重要な役割を果たすことを目指しています。私たちは、波エネルギーが、太陽光発電や風力発電と組み合わせて、よりバランスの取れた耐久性のある再生可能エネルギーポートフォリオを作成することを目指しています。波エネルギーは、将来のデジタル経済を支える電力源として、重要な役割を果たすことです。私が最も興奮しているのは、波エネルギーが、将来のグローバルエネルギー構造の中で重要な役割を果たすことです。波エネルギーは、太陽光発電や風力発電と組み合わせて、よりバランスの取れた耐久性のある再生可能エネルギーポートフォリオを作成します。波エネルギーは、将来のデジタル経済を支える電力源として、重要な役割を果たすことです。あなたの素晴らしいインタビューに感謝します。読者がもっと知りたい場合は、Eco Wave...
2026年8月4日 2026年8月4日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Googleのシニアプリンシパルアーキテクト、Sathya AG – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Sathya AGは、テクノロジー・エヴァンジェリストであり、”Enterprise-Grade Hybrid and Multi-Cloud Strategies“の著者であり、Google（Retail Strategic Industries）のシニアプリンシパルアーキテクトです。彼は、19年以上のエンタープライズアーキテクチャとAIの経験を持つ、グローバルな思想家であり、Top AI Influencer AwardとGoogleのPresident’s Awardを受賞しています。また、CAIO Circleのアドバイザリーボードメンバーであり、British Computer Societyのフェロー、IEEEのシニアメンバー、Stanford LEADの卒業生でもあります。AI Forward、Google Next、NRFでの講演者としても活躍しています。免責事項：以下に記載された考えや意見は、著者の個人的なものであり、必ずしも彼が所属する組織や企業の見解を反映しているわけではありません。オラクルで10年以上働いた後、Googleに移り、現在は大手小売企業と協力しています。企業が従来のデータ近代化プロジェクトからジェネレーティブAIやエージェントAIへの取り組みに移行したことで、エンタープライズAIに対するあなたの見解はどのように変化しましたか。オラクル時代、エンタープライズアーキテクトとして、私の主な焦点は、組織がビジネスを運営するために依存する、高度な複雑性を持つシステムを構築することでした。私たちは、統合、ガバナンス、Master Data Managementの課題を解決して、エンタープライズが単一の、高度に堅牢な真実の源を持つことを目指しました。従来のデータ近代化は、基本的に、受動的な観察、セマンティックレイヤーとデータパイプラインの設計、人間の意思決定者への信頼できる洞察の提供でした。ジェネレーティブAIとエージェントAIの進化は、受動的な観察から自律的なシステムへのアクションへのパラダイムシフトをもたらしました。現在、焦点は、システムが私たちの代理で行動を取ることができるか（そして、正しく、監督なしで）、スケールで行うことができるかということです。これは、データ品質、コンテキスト、コントロールのためのより高い基準を必要とします。なぜなら、悪いデータ仮定は、単に誤ったダッシュボードを生み出すのではなく、誤った行動を生み出すからです。インベントリデータを誤って読み取ったエージェントは、誰かを誤って情報するのではなく、誤った注文を出します。ここで、厳格なエンタープライズアーキテクチャが、AIシステムの基盤として極めて重要な役割を果たします。自律的なシステムを安全に構築するには、決定論的なエンタープライズシステムと確率論的なAIの間のギャップを無視して埋める必要があります。現在、私がリードするアーキテクチャの会話は、信頼できるデータファブリックを構築し、リアルタイムの自律的な推論が厳格なガバナンス、堅牢な観察可能性、エンタープライズシステムが常に要求してきたトランザクションの完全性によって束縛されることを保証することについてです。あなたは、多くのAIプロジェクトがモデルではなく、データとアーキテクチャの決定のために失敗することを主張しています。AIプロジェクトを後で損なう早期アーキテクチャの選択肢の中で、最も一般的なものは何ですか。最も見られるのは、企業がウェアハウスやレイクを単一の真実の源として扱うことです。ただし、それは単一の真実の源を提供するのではなく、単に意見の相違を集中させます。3つのソースシステムがそれぞれアクティブな顧客を異なる方法で定義している場合、それらを1つの場所にパイプすることで、1つの間違った答えが得られるのではなく、3つの間違った答えが得られます。次に、目の前のものだけに焦点を当てて構築する罠があります。パイプラインが1つのダッシュボードに完全に調整され、6か月後には新しいモデルが同じデータをより迅速に、または新鮮に必要とするときに、全体を破壊して再構築する必要があります。そして、いつも人々を悩ませるのは、データの血統とメタデータを省略することです。これは、誰も要求しなかったオーバーヘッドのように見えます。しかし、誰かがモデルが特定の呼び出しを行った理由を尋ねたときに、そこに辿り着くことができないときに、修正するのが高額になるのではなく、安価な設計上の決定であるべきです。フォーチュン500企業と協力する際に、組織が真にAIをパイロット以外のスケールで実現できるかどうかを判断するためのシグナルは何ですか。正直に言えば、最初の数回の会話の中で判断できます。企業がAIを実験することと、エンタープライズスケールで運用する準備ができていることの違いは、数多くの兆候にあります。私は、3つの主要なカテゴリにわたる準備度を探しています。戦略的信念、ビジネス統合、運用的成熟度です。スケールアップの準備ができていることを示すシグナルは次のとおりです。1. 戦略的整合とエグゼクティブの信念明確なAI戦略、ただの「AIへの欲求」ではない：組織のリーダーシップは、AI戦略に対する真正な信念を示しています。これは、ビジネス目標にAIをどのようにマッピングするかについてのいくつかのリーディング質問を尋ねることで簡単に判別できます。彼らが、たとえば、収益の成長、利益率の改善、または顧客体験の向上などの具体的なビジネス価値を明確に述べることができれば、準備ができています。コミットされたエンタープライズファンディング：彼らは、研究開発の予算から超えて、AIプロジェクト、変化管理、インフラストラクチャ、MLOpsのための、機能横断的な予算を割り当てています。2. 問題解決の適合とビジネス統合正しい問題を解決する：大きな警告信号は、標準的なワークフロー自動化またはロボティックプロセス自動化（RPA）とAIを混同し、レガシープロセスにAIを強制的に適用することです。準備ができている組織は、AIの独自の価値提案を理解しています。彼らは、AIが新しい能力のパラダイムシフトを提供するユースケースに焦点を当てていますが、単に技術のチェックボックスを満たすのではなく、レガシープロセスにAIを適用するのではなく、ビジネスユニットがAIソリューションを共同で開発し、最終的なビジネス成果を所有していることを示しています。3. 運用的成熟度とガバナンス最初の日からのセキュリティとコンプライアンスの関与：セキュリティとガバナンスチームの関与が欠けている、または重要なAIユースケースをセキュリティとガバナンスから隔離しようとすることは、デプロイメントの失敗の要因となります。成熟した組織は、最初の日からセキュリティとガバナンスチームを関与させ、AIを安全にスケールアップできるようにするガードレールを構築します。最終的に、AIをITの科学実験ではなく、ビジネス変革の機能として扱う組織が、AIを成功させるでしょう。彼らは、スポンサー、ガードレール、ビジネスへの整合のバランスをとった、適切なビジネスへの整合をとったAIを実現します。AIが利用できるデータ基盤は、実際にはどのようなものでしょうか。特に、ERP、CRM、コマース、クラウド、レガシーシステムなど、断片化されたデータを持つエンタープライズの場合にはどうでしょうか。大多数のエンタープライズは、データの量の問題ではなく、データの信頼性の問題を抱えています。これは、AIを重ねるとさらに悪化します。新しいプラットフォームが必要なのは、むしろ、システム全体で真実性が保持される、数多くの地味な特性を持つことです。たとえば、同じ顧客、製品、または店舗は、レガシーのERP、モダンなCRM、またはコマースプラットフォームに存在するかに関係なく、同じエンティティとして認識される必要があります。システムが顧客が誰であるかについて同意できない場合、AIのパーソナライゼーションと予測モデルは、断片化されたデータで動作し、歪んだ画像を生み出します。顧客の生涯価値を予測することはできません。AIは、1人の顧客を3人の異なる人として扱うからです。2つ目は、決定に合ったデータの新鮮さです。ソースシステムが行っていることだけに既定されるのではなく、決定に合ったデータの新鮮さです。夜間の在庫更新は、長期的な計画には適していますが、リアルタイムの履行には役に立たないため、基盤は両方の速度をサポートする必要があります。3つ目は、数分で「この数字はどこから来たのか」を答えることができる血統層です。大多数の断片化されたエンタープライズは、データが不足しているのではなく、信頼できるデータと追跡可能なデータを持っていないのです。これが実際の基盤であり、上に付加されるツールではありません。あなたは、データの5つのV（ボリューム、速度、バラエティ、真実性、価値）についてよく議論します。エンタープライズリーダーは、AIのためにデータを準備する際に、どれを最も過小評価する傾向がありますか。データの真実性、そしてそれに続いてデータの価値です。ボリュームは、今日のビッグデータエコシステムでは当然のことです。誰でもデータに溺れています。バラエティと速度は、ロードマップに可視化できるため、予算を割り当てています。新しいソース、パイプライン、リアルタイムフィードです。真実性は、誰もがコストを払うまで、不可視です。モデルが明らかに間違った出力を生み出し、誰かがそれを二重に登録された顧客レコードや、3つのチームが3つの異なる方法でフィールドを入力していることに遡及するまでです。最後に、価値は、異なる方法で過小評価されます。リーダーは、データが存在する場合、それには価値があると想定しますが、実際には意思決定に貢献するかどうかを尋ねません。大多数のエンタープライズは、実際に効果的な仕事をするデータの小さな部分しか持っていませんが、誰もがどの部分がどれだけの価値があるかを把握していません。小売業界では、AIのユースケースは、パーソナライゼーション、予測、在庫、サプライチェーン、顧客サービス、店舗運営などに及ぶことがあります。AIの野心とデータ準備度の間で、最大のギャップはどこにあると思いますか。AIの野心は小売業界全体に均等に分散していますが、データの準備度は非常に非対称です。パーソナライゼーションと予測には、比較的合理的な準備度があります。小売業者は、長年にわたってトランザクションデータと閲覧データを収集してきました。大きなギャップは、サプライチェーンとオムニチャネル、特にオンラインストアと物理ストアの接続です。オムニチャネルは、統一された顧客IDと流動的な在庫をリアルタイムで解決することを強いられるため、非常に複雑です。大多数の小売業者は、リアルタイムの電子コマース在庫を持っていますが、店舗レベルの在庫については、終日、または時々、終日のみの可視性しかありません。顧客サービスと店舗運営はまだ初期段階にあります。野心は高くありますが、基礎となる運用データ、たとえばスタッフ、タスクの完了、リアルタイムの店舗状況は、ビジネスの最もデジタル化されていない部分です。野心は、これらのユースケースに均等に分散していますが、準備度はそうではありません。企業は、ミッションクリティカルなシステムを混乱させずにレガシーデータインフラストラクチャを近代化するには、どうすればよいですか。レガシーデータプラットフォームは、運用上のボトルネック、深刻なデータ品質の問題、組織的スケーラビリティの制限に苦しんでいます。データプラットフォームの近代化プロセス中に日常の運用を保護する最も効果的な方法は、単一の、高リスクの大規模な移行を避けることです。データプラットフォームの近代化の主な目的は、データを組織の意思決定にさらに役立つものにすることであり、純粋なITプラットフォームの交換として扱うのではなく、データメダリオンとデータメッシュアーキテクチャを採用する必要があります。AI時代に対応するために、組織はデータメダリオンとデータメッシュアーキテクチャを採用する必要があります。この戦略では、データを生の状態からビジネスに適した状態に段階的に洗練する構造化パイプラインを作成し、低品質のデータが意思決定に影響を与えることを防ぎます。データを明確な論理層に分離することで、組織は明確な血統を確立し、情報がソースから宛先に変換される方法を簡単に追跡できます。検証されたデータを利用可能な製品にパッケージ化することで、組織はチームが戦略的で、証拠に基づいた意思決定を行うことを可能にします。重要なのは、エンタープライズAIに必要なデータ信頼の基盤を確立することです。キュレーションされたデータ製品の上にAIエージェントを構築することで、モデルが安全で正確な情報から学習することを保証します。ガバナンスは、AIプロジェクトがすでに進行中である後に追加されることがよくあります。ガバナンス、プライバシー、セキュリティ、データ品質が最初からアーキテクチャの要件として扱われる場合に、どのようなことが変わりますか。すべてが速くなり、壊れにくくなり、スケールアップしやすくなります。ジェネレーティブAIの確率的な性質により、ガバナンスは極めて重要ですが、多くの組織では最も見落とされる側面です。これらの要素を、最後の瞬間の監査チェックリストではなく、最初の日にアーキテクチャの要件として扱うと、ダメージコントロールから速度へのシフトが起こります。ここで何が変わるのか:最初に、「破壊して再構築する」フェーズを避けることができます。完全に構築されたAIプロジェクトが、コンプライアンスまたはプライバシー標準に違反するため、却下されるのを避けることができます。次に、セキュリティとデータ品質は、パッチオンではなく、パイプラインに組み込まれています。モデルは信頼できるデータで実行され、出力はリーダーシップとユーザーが実際に信頼するものになります。最後に、プロトタイプから本格的な導入への道がすでにクリアされており、自動化されています。簡単に言えば、ガバナンスは、イノベーションを妨げるブレーキではありません。安全に速く走ることができるステアリングシステムです。CAIO Circleのアドバイザーとして、Chief AI Officerの役割はどのように進化すべきか、また、CIO、CDO、ビジネスユニットのリーダーとの関係で、その責任はどこからどこまであるべきか。CAIO...

More Posts

Page 1 of 6412 3 4 5 Next ›Last »