ArtefactのCTO兼マネージングパートナー、Victor Coimbra氏に聞く

Victor Coimbra氏はArtefactのCTO兼マネージングパートナーとして、南北アメリカ全域でAI、データサイエンス、エンジニアリングの業務を率いています。BainとAccentureで培った経営戦略の経験に加え、複雑な企業環境でAIや機械学習のシステムを実際に導入してきたリーダーシップ経験を持ちます。AIを大規模に展開するために必要なアーキテクチャ、ガバナンス、運用モデルを含め、技術力を測定可能な事業成果につなげる支援に注力しています。

Artefactは、企業の戦略策定、データプラットフォームの構築、AIソリューションの導入、組織変革の推進を支援する、データとAIを専門とするグローバルコンサルティング企業です。金融サービス、ヘルスケア、製造、小売など、幅広い業界で事業を展開しています。2026年12月3～4日にパリのグラン・パレで開催されるAdopt AI Summitを前に、Coimbra氏に、企業がパイロット段階を脱する方法、人とAIエージェントが協働するチームの構築、そして本番環境におけるAIの価値測定について話を聞きました。

あなたはAccentureでの経営戦略の仕事から、Artefactで南北アメリカ全域のAI、データサイエンス、エンジニアリングチームを率いる立場へとキャリアを重ねてきました。戦略コンサルティングと技術面での実践的なリーダーシップを組み合わせた経験は、企業がAIへの投資を測定可能な事業成果につなげる支援に、どのような影響を与えていますか？

AI戦略を常に実行につなげることの大切さを学びました。BainとAccentureでの戦略業務を通じて、経営幹部が投資するのは損益計算書の項目に変化をもたらすことだと知りました。一方、エンジニアリングの経験から、スライド上の計画と本番環境への導入の間で、その価値の多くが失われかねないことも学びました。

今日、AIで重要なのは、技術そのものよりも、中核事業の業務を守る強固な競争優位性を築くことです。個人の生産性向上を、企業全体で共有される真の認知能力を通じて、組織全体の価値へと転換するにはどうすればよいかが重要な問いです。

そのためには戦略と実行の両方が必要です。双方に携わるなかで、そのことを強く学びました。

人工知能に多額の投資を行っているにもかかわらず、多くの組織が、成功したパイロットプロジェクトから先へ進めずにいます。ご経験上、企業のAI施策が本番環境への導入に至らない主な障壁は何でしょうか。また、AIの導入を成功裏に拡大できる企業には、どのような特徴がありますか？

私の経験では、多くのパイロットが行き詰まるのは、人間だけを前提に設計された組織にAIを追加しているからです。技術自体はたいていうまく機能します。未解決のままになりがちなのは、仕事の分担です。どのタスクをエージェントに任せ、どれを人間が担うのか、誰が確認し、誰が結果に責任を持つのかが明確でないのです。

それに加え、規模拡大を遅らせる要因が3つあります。従量課金によって利用量に応じて膨らむトークン費用、セキュリティとガバナンス、そしてアクセス権を実際の利用につなげられないまま終わる導入です。

私が見てきたなかで、順調に拡大している企業は、AIを組織の再設計として捉えています。業務の実行を2つのループに分けるのです。内側のループでは、エージェントがコーディング、ビルド、テスト、プッシュ、レビューまでを一貫して実行します。外側のループでは、人間が意図を定め、結果を検証し、コストと品質を監視します。そして、その下に共通のプラットフォームを構築し、あらゆるユースケースで再利用します。

既存のシステムにチャットボットやコパイロットを追加するのではなく、AIネイティブな組織を構築する重要性について、これまで執筆されています。この移行を支えるには、企業のテクノロジーアーキテクチャにどのような根本的な変革が必要でしょうか。また、企業が現在、十分に投資できていない領域はどこですか？

AIネイティブ企業はプラットフォームを基盤として運営されます。そのプラットフォームは、ハーネス、コンテキスト、モデル、インフラという4つの層で構成されます。ハーネスは、人間とエージェントが出会い、協働する場であり、モデルを取り巻くアプリケーション全体を指します。コンテキストは、エージェントが知っていることと、与えられている権限を定めます。モデルの層は、適切なコストでモデルにアクセスし、ルーティングし、ガバナンスを行う仕組みです。インフラは、モデルが実際に稼働する場所であり、誰が鍵を管理するかに関わります。

当然ながら、注目の大半は、目に見える20％、つまりコパイロットやチャットツールに集まります。見えにくい80％の部分に、エンジニアリングの大半があり、コスト、セキュリティ、制御のあり方が左右されます。

私の提案はシンプルです。汎用的なハーネスは購入し、業界特化型のものは自社で構築する。モデルとインフラは四半期ごとに変化するため、利用しながら実験する。そして、コンテキストは完全に自社で保有するべきです。そこは真に自社独自のものとなる層であり、私が最も投資を増やす機会があると考えている領域です。

AIが従業員を支援する段階から、複雑なワークフローを自律的に実行する段階へと進化するなか、組織はどのプロセスがエージェントによる自動化に適しているかを、どのように判断すべきでしょうか。AIエージェントにより大きな意思決定権限を与える前に、どのような技術面・運用面の安全策を整える必要がありますか？

私の見方では、エージェントは過去に目を向ける仕事に非常に優れ、人間は未来に目を向ける仕事に優れています。エージェントは、分析、コーディング、テスト、文書作成、照合作業など、既存の情報を基に行うあらゆる業務で力を発揮します。人間が担うのは創造性を必要とする仕事です。創造性は定義上、未来に向かうものであり、審美眼、ビジョン、計画、意思決定、そして成果が本当に優れているかどうかの判断が含まれます。

実際には、これは2つのループに対応します。エージェントは内側のループで実行を担います。人間は外側のループを維持し、意図の設定、検証、監視を行います。

安全策はプロンプトで指示するのではなく、設計段階で組み込んでいます。6つのハーネス層を設けています。タスクの取り込み、メモリ、サンドボックス化された実行環境と権限管理を備えたセキュアな作業環境、チェックポイントと確認を挟むループ、モデルのルーティング、そして人間の承認、ポリシーチェック、PII管理など、エージェントだけではできないことを定めるガードレールです。その後、新入社員と同じように、実績に応じて自律性を高めていきます。

AIエージェントを従来のソフトウェアツールではなく、チームメイトとして捉えているとおっしゃっています。この見方によって、組織はチームの編成や責任の割り当て、そして自律性が高まるAIシステムとの協働に向けた従業員の育成を、どのように変えるべきでしょうか。

私たちはすでに、人間とエージェントが共に働く組織の中にいます。今、私が最も重要だと考えているのは、労働力を人間とエージェントにどう配分するかという問題です。これがスケールを実現する鍵だと考えています。

人間とエージェントが共に働くチームでは、組織図が示すのは人員数ではなく、認知能力の配分です。成熟したテックチームでよく見られる配分は、人間だけで行う業務が15％、AIによる支援を受ける業務が25％、エージェントが担う業務が60％です。IT責任者は方針を定め、能力を配分し、成果とコストに責任を持ちます。シニア開発者はエージェントの成果物を検証し、アーキテクチャを決定します。オーケストレーターエージェントはタスクを振り分けてコストを報告し、レビューエージェントはすべての成果物を確認します。

効果は3段階で積み重なります。AIの支援を受ける従業員の生産性は約5倍になります。合成従業員として一連の業務を最初から最後まで担うエージェントの生産性は約10倍です。そして両者を一つの労働力として統括することに、1000倍の可能性があると考えています。

人材育成も同じ考え方に基づきます。人々は、構造化されたコンテキストと明確な成果目標を示し、若手エンジニアに指示するようにエージェントへ依頼する方法を学びます。そして、自分の時間を判断力や計画、意思決定に充てるようになります。

エンタープライズAIシステムは信頼性の高いデータ基盤に大きく依存していますが、多くの組織では、データの分断やガバナンスの不整合、レガシーテクノロジーへの対応に依然として苦慮しています。エージェント型AIに備えてデータプラットフォームを整備する際、企業はどのような基盤能力を優先すべきでしょうか。また、既存の業務を妨げずに近代化を進めるには、どうすればよいでしょうか。

エージェントという新しい利用者を想定して、データプラットフォームを設計してください。ダッシュボードに誤った数値があれば、人間は疑問を呈します。一方、エージェントは誤った数値に基づいて行動し、それを大規模に実行します。

4つの能力を優先してください。すべてのエージェントとチームが「アクティブ顧客」の意味を共通に理解できるよう、ビジネス上の定義を統一すること。認証とMCPのような標準プロトコルを備えた統合ゲートウェイを設け、エージェントが代行する役割に付与された権限でデータにアクセスできるようにすること。品質とデータの来歴を可視化すること。そして、非構造化データを重要な資産として扱うことです。契約書、チケット、会議メモには、実際の知識の大半が含まれているからです。

業務を妨げずに近代化するには、まずレガシーシステムをラップし、ユースケースごとに移行してください。ここでもエージェントによって経済性が変わります。複数のエージェントを使った移行パイプラインにより、人間がアーキテクチャを決定しながら、数十万行に及ぶレガシーコードを数カ月で近代化できるようになっています。

構造化データへのアクセスに加え、AIエージェントには、組織に蓄積された知識やビジネスプロセス、組織の背景を理解することがますます求められています。企業はこうした知識を効果的に収集し、AIシステムに取り込むにはどうすればよいでしょうか。また、十分な業務上のコンテキストがないままエージェントが動作すると、どのようなリスクが生じるでしょうか。

コンテキストがあることで、モデルは同僚のような存在になります。ツールはタスクを理解し、エージェントはコンテキストを理解します。若手エンジニアに仕事を頼むとき、目標や制約、何をもって良い成果とするかを説明せずに任せることはありません。エージェントも同じです。

最新の状態を保つのが難しい大規模なドキュメント作成プロジェクトに頼るのではなく、仕事そのものから知識を取り込みます。あらゆる会議、チケット、決定、修正が、ファイル、テーブル、ベクトル、関係性を示すグラフを組み合わせたコンテキスト層に反映されます。完了したタスクはすべてメモリに書き戻されるため、組織は成果を上げるたびに学習します。また、コンテキストにも独自のガバナンスが必要です。評価、権限管理、コスト管理が欠かせません。

コンテキストがなければ、エージェントはいくつかの典型的な問題に直面します。書かれたルールには従っても、誰もが知っている暗黙のルールを見落とします。誤った情報を取得しながら、まったく疑いのない口調で回答します。前四半期の事実に基づいて作業します。また、厳格な権限管理のないコンテキスト層は、機密データを危険にさらすおそれがあります。

多くの企業は、生産性の向上、導入率、あるいは立ち上げたパイロットの数を基準にAIの成功を測っています。特に、インフラコストや継続的な保守、自律型エージェントの運用の複雑さを考慮する場合、CIOやビジネスリーダーは、真のAI投資収益率を評価するためにどのような指標を用いるべきでしょうか。

ツールではなく、人間とエージェントが共に働く労働力全体を測定してください。導入は4段階のうち最初の段階にすぎず、常に導入前に設定した基準値と比較します。導入では、人々が実際に使っているかを確認します。生産性では、リードタイム、処理量、解決時間を見て、より速く成果を出せているかを確認します。品質では、流出不具合、変更失敗率、手戻りを通じて、成果物が改善しているかを評価します。価値とコストでは、削減できた工数、市場投入までの時間、タスクあたりの総コストを見て、投資に見合うかを判断します。

見落とされがちな指標の一つは、人間とエージェントの間で認知能力がチームごとにどう移っているかです。人間に生まれた余力は、意図を持って将来を見据えた業務に振り向けなければなりません。そうしなければ、得られた効果の一部が失われます。

コスト面では、料金体系が定額制から従量制へ移行しており、請求額を予測しにくくなる可能性があります。そのため、モデルの振り分けとFinOpsを初日からプラットフォームに組み込む必要があります。AIへの支出はクラウド支出と同じように扱い、可視化してチームごとに配賦し、価値と結び付けましょう。

Artefactは、金融サービス、医療、製造、小売をはじめ、AI導入にそれぞれ異なる課題があるさまざまな業界の企業を支援しています。こうした業界での実際の導入事例から、どのような教訓が得られていますか。また、組織はイノベーションと規制遵守、信頼性、人間による監督のバランスをどのように取るべきでしょうか。

どの業界でも、人間とエージェントの間で仕事をどう分担するかという同じ問いに直面します。異なるのは、外側のループのどの程度を人間が担い続ける必要があるかです。小売や消費財では、ミスによる損失が小さいため、エージェントがより多くの仕事を、より速く担うようになります。製造業では、信頼性とオペレーションシステムとの統合が導入のペースを左右します。金融サービスや医療では、すべての判断に説明可能性が求められるため、検証や意思決定のより多くの部分を、より長い期間にわたって人間が担います。

あらゆる場面で私が得ている教訓は、コンプライアンスは最初から組み込まれたプラットフォームの特性として機能させるのが最も効果的だということです。ガードレール、監査ログ、人間による承認がハーネスに組み込まれていれば、新たなユースケースにもそれらが引き継がれます。コンプライアンスへの対応が最後になって初めて行われると、新しいプロジェクトのたびに、また一からその話し合いを始めなければなりません。

監督はリスクに応じて段階的に行うべきです。低リスクのタスクではエージェントが単独で対応し、中リスクでは例外が発生した場合に確認を受け、高リスクでは判断材料の準備にとどめます。信頼が築かれるにつれて、各段階の範囲も変わっていきます。

今年12月にパリで開催されるArtefactのAdopt AI Summitを前に、AIの主権、ガバナンス、産業競争力をめぐる議論がますます重要になっています。欧州のAI導入に対する姿勢は、世界の企業戦略にどのような影響を与えるとお考えですか。また、今後数年間で、企業におけるAIの次の段階を形作るのはどのような動きだとお考えでしょうか。

欧州は主権をめぐる問いをいち早く提起しました。そして今では、それが世界的な設計原則になりつつあると私は考えています。多国籍企業は規制ごとに異なるアーキテクチャを用意したいわけではありません。そのため、最も厳しい規制に合わせて設計します。自社のコンテキストは自ら保有し、モデルは外部から利用し、モデルをどこで実行するか、誰が鍵を管理するかについては自社で主導権を保つのです。欧州にとって次の好機は、AI導入にも同じ熱意を注ぐことです。競争力は、大規模な活用によって生まれるからです。

次の段階は、人間とエージェントが共存するハイブリッド型の組織であり、これが仕事の未来だと私は考えています。企業は従業員数を数えることから、人間とエージェントが共有する認知能力を管理することへと移行していくでしょう。エージェントは、分析、コーディング、レポート作成など、過去を振り返る仕事の大半を担います。人間は、審美眼、ビジョン、計画、意思決定など、未来を見据える仕事へと移っていくでしょう。

仕事の分担をいち早く実現した企業が、先頭に立つと私は考えています。次の時代を形作るために、パリでぜひ議論したいのはそのことです。

素晴らしいインタビューをありがとうございました。企業におけるAI導入、エージェント型ワークフロー、データ変革についてさらに知りたい方は、Artefactをご覧ください。