Sobhan Daliry, CPO & AI Strategy Leader at Pipefy – インタビューシリーズ

Sobhan Daliry、PipefyのCPO & AI Strategy Leaderとして、2023年から同社のAI戦略を主導し、従来のビジネスワークフローをますますインテリジェントで自律的なプロセスへと変革しています。キャリアを通じて、Daliryはスタートアップから大手企業までで、プロダクト戦略、組織変革、テクノロジーリーダーシップを統合してきました。Pipefyに入社する前はPolen.meの創業者兼CEOを務め、NZNで5年以上CEO/CPOとして会社のターンアラウンドとプロダクト戦略を牽引しました。以前の職歴には、PSafeでのプロダクトマネジメントディレクター、Peixe Urbanoでのプロダクトマネージャー、そしてOi/Telemar、Claro、AIRCOM International、Planeta Tecnologiaでのデジタルサービス、通信、コンサルティング、事業開発のポジションが含まれます。

Pipefyは、組織がビジネスワークフローを自動化・オーケストレーションできるよう設計された、グローバルなプロセス管理およびAIプラットフォームです。2015年に設立され、同社はノーコードのプロセス自動化プラットフォームから、AIエージェント、ワークフロー、フォーム、ポータル、アプリケーション、データ、分析、メッセージング、統合を統合したAI中心のオーケストレーション環境へと進化しました。そのプラットフォームは、自然言語とノーコードツールを用いてAIエージェントを作成・管理できると同時に、エンタープライズレベルのガバナンス、セキュリティ、可視性を維持します。PipefyのAI機能には、文書を解釈し、ワークフロータスクを実行し、意思決定を支援し、外部システムと連携し、財務、人事、調達、顧客オペレーション、コンプライアンスなどの領域でプロセスをオーケストレーションするエージェントが含まれます。

あなたのキャリアは、ClaroやOiといった通信エンジニアリングの企業から、Peixe UrbanoやPSafeでのプロダクトリーダーシップ、NZNでのCEO/CPO、Polen.meの創業、そして現在のPipefyでのプロダクトとAI戦略のリーダーに至ります。このような経験の積み重ねが、単に新技術を披露するだけでなく、実際の業務課題を解決するAIプロダクトの構築に対する考え方にどのように影響していますか？

通信業界で学んだことは、インフラは常に、巨大なスケールで、‘ほとんどは動く’という余地なしに機能しなければならないということです。通話が切れることはデモの失敗ではなく、顧客が離れることです。この考え方—信頼性を新規性より重視する姿勢—は決して変わりませんでした。Peixe UrbanoとPSafeでは、逆の教訓を学びました。消費者向け製品は、理論的な問題ではなく、今日実際に感じられる課題を解決できるかどうかで、瞬時に成功か失敗かが決まります。NZNでCEO/CPOを務めたことで、両方の真実を同時に受け入れる必要があると実感しました—悪い仮説を実行で上回ることはできず、悪い実行を仮説で上回ることもできません。Polen.meを創業したことで、最も高価な教訓を得ました：資本と時間は有限であり、構築した機能は構築しなかった機能でもあります。印象的なデモを追い求めるコストは、実際のワークフローではなく、数か月後に現れます。Pipefyに入った頃には、すべてのAI機能に対して、セルタワーに対して自問するのと同じ質問をします。「実稼働環境で、実際の負荷下で、誰も見ていないときに機能し続けるか？」AIエージェントがキュレーションされたデモ環境でしか動作しないのであれば、それは製品ではなく、予告編に過ぎません。

あなたは2023年からPipefyのAI戦略の策定と実装を主導しています。生成AIやAIエージェントが成熟する中で、当初抱いていたエンタープライズAIに関する前提で、最も変化したものは何ですか？

私が排除しなければならなかった最大の前提は、モデルがボトルネックになるという考えでした。2023年、私を含むすべての人が「どのLLMが最も賢いか」を最適化していました。実際にボトルネックとなったのはコンテキストでした：エージェントはプロセスが何であるか、ガードレールは何か、特定の顧客の買掛金管理における「完了」の形はどうかを理解しているか。モデルの品質は誰もが予測できる曲線上で向上し続けましたが、プロセスコンテキストは自動的には改善しませんでした。誰もそれを構造化していなかったからです。次に覆された前提は自律性に関するものでした。市場はできるだけ速く完全に独立して動作するエージェントを求めていると想定していました。実際に企業が求めている—今も求めている—のは制限された自律性です。エージェントは破れないルールの中で実際の判断を行い、その後証拠となるトレイルを残します。ガバナンスなしの完全自律は野望ではなく、より良いUIを備えたリスクに過ぎません。市場は生の能力要件よりも信頼要件の成熟が速く進み、これが当初私が最も誤っていた点です。

Pipefyは、比較的シンプルなAI自動化と、曖昧な状況を推論し、複数ステップを計画し、ワークフロー全体でアクションを実行できるAIエージェントを区別しています。タスクが実際にAIエージェントを必要とするか、決定論的自動化が依然として最適な解決策であるかを、企業はどのように判断すべきでしょうか？

私が使うテストはシンプルです：ルールを書けるなら、ルールを書きます。決定木が事前に分かっていて変わらないものに対しては、決定論的オートメーションが依然として最適な答えです――たとえば、金額がこの上限以下ならこの承認者に請求書を回す、といった具合です。これはエージェントの仕事ではなく、そう装うとすでに解決済みの問題に余計な遅延と予測不可能性を加えるだけです。状況に曖昧さがあり、固定ルールでは解決できない瞬間にエージェントは価値を発揮します――請求書が発注書と完全に一致しない、項目が欠落している、顧客の要望が既存のカテゴリに当てはまらない、などです。ここで推論が実際に価値を持つのは、「次に何をすべきか」が既に書き下ろされていないときです。企業が常に犯す間違いは、すでに決定論的であったケースの80％に対してエージェントを構築し、見栄えが良いからという理由で、曖昧な20％――実際に難しい部分――を人間が手作業で解くままにしてしまうことです。その比率を逆転させれば、本当に価値あるものが作れます。

単体のコパイロットから「エージェント指向のオーケストレーション」へのシフトが進んでいます。ここでAIは複数システムにまたがるプロセスを調整できるようになります。真のエージェント指向オーケストレーションと、既存のオートメーションプラットフォームに大規模言語モデルを単に追加しただけの違いは何でしょうか？

既存のオートメーションフローにLLMノードを組み込むだけで、より賢い単一ステップが実現します。真のオーケストレーションとは、AIがプロセス全体を永続的かつ構造化された視点で把握していることを意味します――単なるタスクだけでなく、シーケンス内での位置、上流で何が起きたか、下流で何が成立すれば完了とみなすか、という全体像です。違いは、インテリジェンスがプロセス全体の記憶を持つか、単にプロンプトの記憶だけかにあります。コパイロットは質問されたことに答えるだけです。オーケストレーションは、ERPやCRM、パートナーのAPIなど、ネイティブに連携しないシステム間のアクションを調整し、プロセス全体がすでに使用しているルール、権限、監査トレイルを継承します。もし、下位のオートメーションプラットフォームにガバナンス層がなく、AI機能の周りに別途ガバナンス層を構築しなければならない場合、それはエージェント指向オーケストレーションではなく、APIアクセスを持つチャットボットに過ぎず、リスクプロファイルも全く異なります。

ノーコードAIエージェントは、エンジニアリングリソースを待たずにビジネスチームがますます複雑なプロセスを自動化できる可能性を提供します。この能力を、シャドーAIや設計不良のエージェント、セキュリティリスクといった新たな問題を生み出さずにどのように民主化すべきでしょうか？

ビジネスユーザーに注意深くなるよう求めるだけでは安全な民主化は実現できません――それは

ガードレールを別個のレーンではなく、舗装そのものの一部として組み込むことです。ビジネスユーザーが構築するすべてのエージェントは、同じロールベースのアクセス、同じ監査トレイル、そしてすでにプロセス全体を支配しているビジネスルールを継承します――これらはオプションの設定ではなく、構造的な要素です。これがシャドーAIへの実質的な回答です：問題はポリシーではなくアーキテクチャです。シャドーAIは、許可されたツールが非許可ツールより使いにくいときに発生し、結果として人々は個人のChatGPTアカウントや可視性のないランダムなオートメーションツールでエージェントを作成します。ノーコード体験が本当に高速で、ガバナンスが自動的に行われて見えない形で実装されていれば、ビジネスチームがそれを回避する理由はありません。ガバナンスを手動ステップとして残すと、誰かが覚えておく必要が生じ、すでに失われた状態になります。

AIエージェントが単に提案するだけでなく、意思決定やアクションの実行まで行えるようになるにつれ、組織はどこで完全自律性を許容し、どこで人間をループに残すべきかをどのように判断すべきでしょうか？

私が用いる軸は「エージェントの賢さ」ではなく、可逆性と影響範囲です。誤った決定が検出しやすく、取り消しも容易な場合――ルーティングや分類、ドラフト作成など――はエージェントに任せて集計的にレビューします。誤った決定が高コストで、取り消しが困難、あるいは金銭、コンプライアンス、顧客関係に直接影響する場合は、その特定のステップで人間をループに残します。たとえエージェントが過去千件の決定を正しく行っていてもです。自律性をワークフロー全体に対して一律に上げるのは間違いです。実際のプロセスはリスクプロファイルが大きく異なるステップの連続であり、正しい設計はミスが高コストになるステップにだけ人間を配置し、すべてのステップや全く配置しないという極端な選択を避けます。これが、人間インザループが正しく実装された場合に速度への税金ではなく、低リスクステップから徐々に自律性を除去できる自信を構築する方法です――エージェントが一貫して正しい判断を下す証拠があるからです。

Pipefyは、監査トレイル、ロールベースのアクセス制御、ビジネスルール、そしてワークフロー自体内でのトレーサビリティといったメカニズムを通じてガバナンスを強調しています。AIエージェントを実験段階から本番環境へ移行する際、ガバナンスをオーケストレーション層に直接組み込むことは必須となってきているのでしょうか？

それは重要になりつつあるのではなく、すでに重要であり、苦い経験を通じてそれに気付く企業は、最初にエージェントを本番環境に投入し、事後に監査トレイルを構築している企業です。これは逆であり、遡って修正するのは高コストです。監査トレイル、ロールベースのアクセス制御、トレーサビリティがオーケストレーション層に組み込まれていなければ、導入するたびにガバナンスが静かに失敗する新たな場所が生まれ、監査人や規制当局、あるいはインシデントが問題を提起するまで気付かれません。ガバナンスをオーケストレーション層に埋め込むことで、エージェントのあらゆるアクションは自動的に同じルールを継承し、人間のアクションと同様の証拠を残します。別途設定を覚えておく必要はありません。AI実験から本番運用へ移行する企業は、パイロットの成功基準と本番の成功基準が異なることに気付いています。パイロットは機能すればよく、本番は防御可能でなければなりません。ガバナンスこそがその二つの間の差です。

多くの企業は印象的なAIパイロットを示すことができますが、測定可能なビジネス価値に変換するのに苦労しています。AI自動化イニシアチブが本当にROIをもたらしているかを判断する際、リーダーはどの指標に注目すべきでしょうか、また有望なパイロットがスケールしない最も一般的な理由は何でしょうか？

「節約された時間」から始まるAI ROIの議論は信用できません。誰がどのように節約したのか、どう検証するのかが不明だからです。CFOの目を通す際に実際に耐える指標は、監査人が独立して確認できるものです：特定プロセスのサイクルタイム（前後比較）、エラーまたはリワーク率、現在人手を介さずに完了するワークフローの割合、そして監査系譜のカバレッジ――すべてのエージェント決定について、なぜそれが行われたかを示せます。そのトレイルを提示できなければ、ROIの数値はなく、単なる逸話にすぎません。パイロットがスケールしないのはほぼ常に同じ理由です。モデルが機能することを証明するために作られ、プロセスがエンドツーエンドで本番環境で機能し、企業全体が依存するシステムと統合されていることを証明するためではないからです。実際の記録システムと切り離されたサンドボックス内にあるパイロットは、すべての既存システムに接続された後の実績よりも常に見栄えが良いです。スケールはAIのコスチュームをまとったシステム統合の問題です。

Pipefyで新しいAI機能を導入しながら、組織変革イニシアチブも主導されましたね。ご経験から見ると、エンタープライズAI導入の成功は技術的課題と比べて、プロセス・文化・チェンジマネジメントの課題がどれほどの比重を占めていると考えますか？

正直に言うと、エンタープライズAI導入の成功は技術が20%、残りの80%がその他すべてです。技術自体はほとんど機能しています――それが私の不安材料ではありません。AIイニシアチブが定着するかどうかを決めるのは、仕事が変わる人々が10年間行ってきた手作業のチェックをシステムを信頼して手放せるか、そしてリーダーシップが単にAIを既存プロセスに貼り付けるのではなく、プロセス自体を再設計する意思があるか、です。私たちも社内で独自のエンジニアリングツールを構築する過程でこの課題を経験しました――ソフトウェア構築の一部を自動化する技術は、チームが手作業の二重チェックをやめるほど信頼する以前から存在していました。突破口となったのは、より優れたモデルではなく、システムの判断が人間と合致することを十分に繰り返し示す可視的な証拠でした。AIのチェンジマネジメントはコミュニケーションの演習ではなく、証拠を蓄積する演習です――小さく検証可能なバッチで信頼を獲得し、タウンホールで宣言するのではありません。

今後、従来のワークフローや業務プロセスソフトウェアが、人間、AIエージェント、エンタープライズシステムが継続的に協働するオーケストレーション層へと進化すると予想しますか？もしそうなら、企業が業務を設計・管理する方法で根本的に変わるのは何でしょうか？

はい、そしてこの変化は多くの人が見積もっている以上に大きいと考えています。かつてワークフローソフトウェアは、作業がどのように行われるべきかを文書化する場所でした。現在は、実際に作業が行われる場所—人間、エージェント、エンタープライズシステムが同時に同一のガバナンスされたプロセス内で動作するライブランタイム—へと変わりつつあります。根本的に変わるのは「記録システム（system of record）」の所在です。以前は、何かが外部で起きた後にデータベースが更新される形でしたが、オーケストレーション層では記録と実行が同一であり、プロセス自体がインターフェースとなります。画面だけでなくAPI、MCPサーバー、CLIを通じてもアクセスでき、内部エージェントでもパートナーのエージェントでも、人間と同じルールの下で内部で動作できます。この変化を「既存ツールにAIを追加する」だけと捉える企業は、先に述べた上限にぶつかり続けるでしょう。プロセス層を実際の製品—適切に構築すべき投資対象—として捉える企業だけが、同じAIモデルを購入しただけでは真似できない優位性を積み重ねることができます。

素晴らしいインタビューをありがとうございました。さらに詳しく知りたい読者は Pipefy をご覧ください。