AIの活用とそれに基づく構築：境界線はどこにあるのか？

私たちは AI という言葉を、ブラウザで ChatGPT と会話することから、言語モデルがなければ現在の形で事業運営が成り立たなくなるような企業全体の運営まで、さまざまな事柄を指すために使います。AI の自動化を利用することと、AI が事業の核になることの境界はどこにあるのでしょうか？根本的な転換が起こるのはどの時点でしょうか？そして最も重要なのは、企業は AI を中心に据えるべきなのでしょうか？

企業はいつ AI ネイティブと呼べるのか？

今日、経営陣が AI への変革を正式に発表していなくても、従業員は Gemini で情報を検索し、ChatGPT でメールを書き、Grok でレポートを作成し、Claude でコードを書くなど、さまざまな LLM ツールを利用しています。LLM ツールへのアクセスがこれほどまでに広がったため、単にそれらを使用しているだけでは企業自体について多くを語ることはできなくなっています。

私にとっては、はるかにシンプルなテストがあります：AI をオフにしたらどうなるかです。

会計ソフトウェア会社を例に取ります。その開発者は機能を作成したり製品を保守したりする際に AI を使用しているかもしれません。もし明日それらのツールをオフにしたら、エンジニアはおそらく作業が遅くなるでしょう。しかしソフトウェアは依然として存在し、会計士は引き続き使用し、顧客は支払いを続けます。AI は会社の運営方法を改善しますが、事業そのものが AI に依存しているわけではありません。

次に、かつて1万人の従業員を抱えていた銀行のコールセンターを想像してください。その環境での第一世代の AI は、オペレーターの隣に座るプロンプターのように機能していました：会話を聞き、問題を理解し、回答を提案しました。多くの場合、そのプロンプターは現在ではエージェント自体になっています。顧客が誤った金額で請求されたと訴えると、システムは記録をチェックし、関連データを確認し、問題を特定し、場合によっては人を介さずに解決します。人間が介入するのは、ケースがエスカレーションを必要とする場合だけです。

これは技術との関係が大きく異なります。会計会社は AI がないと効率が低下しますが、コールセンターは運用モデルの大部分を再構築しなければならないかもしれません。その違いこそが、企業が多数の AI サブスクリプションを保有しているか、ホームページに「AI」と記載しているかということ以上に、私が AI ネイティブと呼ぶものに近いと言えるでしょう。

この傾向はどこで最も顕著か？

一部の企業は、他社がその移行を実現する手助けを事業の中心に据えています。Cohereは好例です。カナダの同社は、従来のソフトウェアやワークフローから AI への移行を支援することで大手企業へと成長しました。しかし他の業界では、AI がすでに製品に深く組み込まれており、両者を分離することはほぼ不可能です。

自動運転はおそらく最も明確な例です。もし車が道路を見て、物体を認識し、周囲の状況を理解し、独自に判断を下すことが期待されるのであれば、AI を除去することは製品の基本的なコンセプトを取り除くことと同義です。

医療や製薬も別の形で同じ点を示しています。特に創薬においてです。この規模で何が意味するかの最良の例の一つが、DeepMind のタンパク質構造に関する取り組みです。

Protein Data Bank は 1971 年に設立され、世界中の科学者が数十年にわたって実験的に決定された構造の大規模なコレクションを構築してきました。データベースは 1993 年に 1,000 件、2000 年頃に 10,000 件、2014 年に 100,000 件を突破しました。2023 年 1 月までに、実験的に決定された生体分子構造を 200,000 件超えました。言い換えれば、構造生物学の約 60 年間で、研究者はおよそ二十万件の実験的に決定された構造を蓄積したことになります。

次に登場したのが AlphaFold です。これは DeepMind が開発した、アミノ酸配列からタンパク質の三次元構造を予測するシステムです。2022 年、AlphaFold は 200 百万 件以上の予測タンパク質構造を公開し、当時科学界でカタログ化されているほぼすべてのタンパク質をカバーしました。これは AI が「存在するすべてのタンパク質を発見した」という意味ではありません。これらは既知のアミノ酸配列に基づく予測構造です。しかし規模の違いは依然として莫大です。

その変化の重要性は 2024 年にさらに明確になりました。Google DeepMind の Demis Hassabis と John Jumper が、タンパク質構造予測に対して化学賞ノーベル賞の半分を受賞しました。残りの半分は計算タンパク質設計で David Baker に授与されました。数年前までは印象的な AI のブレークスルーに見えたものが、非常に速く現代生物学の根本的な進歩として認識されるようになったのです。

DeepMind は世界的に注目を集める例ですが、AI ファーストの医療スタートアップはもはや珍しくありません。Keymakr に在籍していた私の期間中、私たちのチームはプロジェクトに取り組みました。そのプロジェクトは歯科や超音波画像からインターベンショナル・カーディオロジーまで多岐にわたり、手術中に心臓弁や大動脈、その他の構造を検出するようにモデルが訓練されました。また、脳外科のプロジェクトでも、モデルは脳組織、血管、手術器具、手術部位を区別できるよう学習しました。これらすべてのケースにおいて、AI は製品に付随する余分な機能ではなく、製品そのものでした。

タンパク質構造からコールドメールまで

同じことが、ビジネスのはるかに日常的な領域でも起きています。営業とマーケティングはおそらく最も急速に変化している例の一つです。かつては数時間かかっていた作業が、今ではほんの少しの追加労力で数百回、あるいは数千回繰り返すことができるようになりました。

CRM、キャンペーン、見込み客の発掘、リードリサーチは言語モデルを中心に構築されています。私たちはすでに、ChatGPTにコールドメールを書かせる段階をはるかに超えています。システムは誰かのLinkedInプロフィールを調べ、彼らの職務、関心事、投稿内容を把握し、その情報を使って非常にパーソナルに感じられる文章を生成できます。

かつて、次のようなメッセージを受け取ったことがあります。「Michael、4,000フィートの高さで飛び、ガラス越しに外を見るのは信じられないほど素晴らしいでしょう…」これは私のソーシャルメディア上の航空に関する話に言及したものでした。最初の反応は、誰かが実際に私のLinkedInプロフィールを詳しく読んだのだと思いました。もちろん、そんなことはありませんでした。そのシステムが情報を見つけ出し、自動的にアプローチ文を生成したのです。

ここからパーソナライズの経済性が変わり始めます。かつては人が長時間かけて行っていたリサーチも、公開情報をスキャンし関連する詳細を特定するツールによって支援できるようになりました。その後、人間が実際に有用かつ適切で、含める価値があるかを判断します。

同じ変化を Keymakrでも目にしましたが、私たちにとって目標は人間の判断や関係性を自動化することでは決してありませんでした。日々の業務の繰り返し部分に注目し、エージェントが時間を節約し、より一貫性をもたらし、あるいは大規模に作業を支援できる場所はどこか、と人々に促し続けました。 

でScryonでは、そのロジックがすでに会社に組み込まれた状態で始めました。マーケティング業務の多くは、記事、ブログ、LinkedIn、ウェブサイト全体で複数のエージェントが担当しています。

興味深い点は、彼らの最大の利点はしばしば執筆ではないことです。たとえば、ウェブサイトに新たに20ページを追加したとします。新しい記事を書く人はおそらくいくつかの内部リンクを追加するでしょうが、80件や800件の既存コンテンツを遡って新しいページへのリンクをチェックする人はほとんどいません。エージェントならできます。そのような作業では、エージェントが人より賢くある必要はありません。単に飽きないだけで、80ページと800ページの違いは人間にとっては重要ですが、エージェントにとってはそれほど重要ではありません。

しかし、ここが私にとって自動化の限界が見えるところです。優れたPRは単にエージェントに任せて放置することはできません。意見記事も同様で、ポジショニング、オーディエンスの理解、そして何を言うべきかを決める能力が極めて重要です。

したがって、かなり複雑なエージェントシステムを構築したとしても、依然としてそれを運用する人が必要です。出力を評価し、何が重要かを判断し、方向性を決める人が必要です。

創業者を自動化できますか？

初期段階のスタートアップでは、創業者はしばしば技術的、運営的、そして経営的な役割を同時に担っています。したがって、エージェントがチームの多くの作業を肩代わりできるなら、創業者の仕事の一部も任せてみようという考えが自然に浮かびます。

Scryon Businessに接続された別個のエージェントがあり、会社について多くを知っています。例えば「来月、5,000人のユーザーを獲得したい」と尋ねることができます。それは現実的でしょうか、それとも私が思いついただけの良い数字でしょうか？

エージェントはデータを取得し、市場を見渡し、競合や関連システムをチェックしたうえで、5,000はおそらく多すぎる、2,000でもこの段階では積極的すぎると返答します。これにより自分の考えを検証できますが、エージェントは依然として助言を提供しているに過ぎません。

最終的な決定は依然として自分にあります。すべてのデータと計算が揃った後でも、時には外に出て公園を散歩し、会社をどこへ導くかを自分で決める必要があります。

私にとって、本当の負荷軽減は、誰かに所有権を委ねて「これは君のものだ」と言い、1か月後に自分が関与しなくても機能し続けていることを確認できたときに始まります。現時点では創業者の役割でそれが実現できるとは思えません。

同様のことはCレベルの役職にも当てはまります。彼らの仕事は方向性を設定することです。たとえば、6か月後に自動車市場に参入したい、あるいは業界の人々にブランドを認知させたい、といった目標です。その後、VPや部門長、チームリーダーがそれを具体的な目標や業務に落とし込みます。

AIツールキット：個人と企業のコスト

私は「最良」のモデルが一つだけあるとはあまり考えていません。むしろ、特定のタスクに最適に機能するモデルと、スケールで使用する際のコストの方が重要です。私はしばしばコーディングにCodexを使用し、当時のニーズに応じて内部のモデルを切り替えます。ある日はデザインにClaudeを試し、別の日には言語関連のタスクにChatGPTに切り替えることもありますが、これらの選択は月単位で変わり、時にはタスクの途中でも変わります。

最終的に、誰もが時間をかけて自分自身のスタックを構築し、特定の目標に最適なモデルを判断します。もし自ら多くコードを書く技術系創業者であれば、月額約1,000ドルを自分のスタックに投資すると予想します。しかし、はるかに積極的に自動化を進めているために月額1万〜1.5万ドルを費やす人もいます。

AIがコアビジネスの一部になると、数字は再び変わります。Scryonを使うと、収益の30〜40％が製品が稼働するインフラやサービスに直接投入されるという考えに安心感があります。人件費をカウントする前です。

まずビジネス目標、次にテクノロジー

自動化と「AI企業」というラベルを巡る競争において、”どのようなAIを実装すべきか”という問い自体が危険だと思います。出発点が間違っているのです。

私たちは最近、かなり標準的なビジネス目標――コスト削減――を設定しました。そのためにエージェントを作成し、会社がどこに費用を使っているか（Amazon、Google、その他のサービスを含む）に関する情報へのアクセスを与え、定期的に異常を検出し、何かおかしいと感じたら赤信号を上げるよう指示しました。

最初の1週間で、約30％のコスト削減に成功しました。システムがすぐに、ほとんど忘れていた支出先を示したからです。エージェント自体は月額50ドル程度で済みますが、節約額は数万ドル規模になることがあります。

Keymakrでは、AIは主に人と個々のプロセスを強化しました。Scryonでは、すでに会社のアーキテクチャに組み込まれています。自動運転ではAIがなければ製品は消滅し、創薬では探索の範囲が変わります。

私にとって、根本的な目標を問うことは、AIネイティブ企業になる欲求よりもはるかに健全な出発点です。まずビジネス目標が生まれなければなりません――売上増、スピード拡大、コスト削減、新製品の実現、既存プロセスの根本的変革などです。その上で、どの技術がそれを実現できるかを考えるのが理にかなっています。