ソートリーダー10 months ago
なぜAI投資の大半は期待外れに終わるのか、あるいは失敗するのか
人々や企業はAIの可能性に夢中ですが、AIプロジェクトの80%は失敗に終わります。それは意欲や熱意が足りないからではありません。AIがあらゆる産業や分野に浸透している一方で、問題は企業がこの技術的変化に対して十分に準備を整えていないことにあります。ボストン コンサルティング グループの報告によると、世界の企業の3社に1社がAIに2,500万ドル以上を支出する計画を立てています。したがって、企業が事前の計画なくAIソリューションに飛びつき続ければ、数百万ドルが無駄になるでしょう。しかし、強力なチェンジマネジメントの取り組みと、新たなイノベーションと測定可能なKPIを支える仕組みがあれば、企業はAIの成功確率を逆転させることができます。AIイニシアチブが失敗する主な3つの理由について詳しく見ていきましょう。技術を優先し、ビジネスを二の次にすること特に生成AIに関する数百ものレポートや研究が、AIアルゴリズムやプログラムの速度と印象的な知的な機敏性を示しています。AIには多くのイノベーションが注ぎ込まれており、企業は足元を確かめずに飛び込み、最先端のプロトタイプを活用することに投資したがります。しかし、リスクとしては、不明確なビジネス目標や測定可能な影響をもたらさないソリューションに数百万ドルを費やす可能性があることです。実際、ガートナーは、データ品質の低さ、不十分なリスク管理、コストの増加、あるいは不明確なビジネス価値により、30%以上の生成AIプロジェクトが2025年末までに放棄されると予測しています。データの質の低さは、特にAIソリューションの効率と有効性を最大化する際に、ほとんどの企業が克服できない特有の障壁です。サイロ化されたデータは最も顕著な問題の一つであり、無視できないビジネス上の問題です。チームは、戦略的意思決定に不可欠な欠落情報を追いかけるのに何時間も無駄にしてしまう可能性があります。そして、損なわれるのはチームだけではありません。ツールも同様です。例えば、機械学習モデルは、データが断絶されエラーだらけの場合、適切に機能することができません。投資に対する正のROIを確保し、技術的な作業を開始する前に、組織はAIソリューションが解決を意図している具体的なビジネス上の問題を特定しなければなりません。これには、コスト削減、収益増加、データ取得にかかる時間の短縮などの効率改善といった、測定可能なKPIと目標の設定が含まれます。具体的には、ビジネス戦略が最初に来るべきであり、技術の実装はそれに従って行われます。究極的には、技術的ソリューションはビジネス成果を推進する手段として機能すべきです。さらに、ビジネスニーズは本質的にAIやその他の技術実装の背骨となります。例えば、AIを活用したい物流会社は、需要予測を最適化し、車両管理を強化するためのAIソフトウェアに対して、最初の6か月間で未使用トラックの数を25%削減し、利益を5%増加させるのに役立つといった測定可能な目標を設定するかもしれません。企業は、AIが効率を改善しているだけでなく、それが定量化可能であることを一貫して確認するために、測定可能な目標が必要です。これは、高価なAIへの賭けが価値があっただけでなく、それを証明するデータを持っていることを会社のステークホルダーに説明する際に不可欠です。野心的すぎるAI導入AIがあらゆるものを革命するという約束は、メディアで一貫して繰り返し述べられ、しばしば特効薬として誤って表現されます。これはビジネスリーダーに誤った自信を植え付け、新しいAIシステムを活用し、それらをすべて同時にビジネスプロセスに統合できると信じ込ませる可能性があります。しかし、問題を一気に解決しようとする野心的すぎる試みは、通常、失敗に終わります。代わりに、企業は小規模から始め、戦略的に拡大することで、より良い結果を得るべきです。例えば、ウォルマートでは、機械学習アルゴリズムを段階的に導入して在庫管理を最適化することで、大規模な成功が示されています。その結果は？過剰在庫が30%削減され、棚在庫率が20%向上しました。これを支援するために、企業はAI導入において「ゾーン・トゥ・ウィン」フレームワークに適応すべきです。これは、現在の運営と将来のイノベーションのバランスを取らなければならないことをチームが理解するのに役立つ実証済みの方法論です。このフレームワークは、ビジネス活動を4つのゾーンに分けます：パフォーマンス、生産性、インキュベーション、トランスフォーメーションです。AIはすべてを一度に混乱させることはできず、インキュベーションゾーンは、中核事業を混乱させることなくAI技術を実験するための専用スペースを作り出します。例えば、冷蔵倉庫物流会社がAIを導入する際に「ゾーン・トゥ・ウィン」フレームワークがどのように適用されるかを以下に示します： パフォーマンスゾーン： 会社の中核的な事業運営、例えば倉庫のスケジューリングや商品の配置は、収益を生み出すための鍵です。滞留時間を削減し配送を増やすための倉庫効率の改善に関するKPIが優先事項となります。 生産性ゾーン： ここでは、予測分析やリアルタイム分析ツールなどのデータサイエンス機能を統合して、滞留料金などのコストを削減し効率を高めるために、内部プロセスに取り組みます。 インキュベーションゾーン： 会社は特定の倉庫でデータ駆動型ツールをパイロット運用する時間を割き、どのイノベーションが将来の収益源になり得るかをチームが判断できるようにします。 トランスフォーメーションブゾーン： ここでは、会社はデジタルトランスフォーメーションを組織全体の規模に拡大し、繰り返しビジネス成果を保証する包括的なデジタルインフラに従います。 このフレームワークは、現在の運営を維持することと、AI駆動の将来の能力に投資することの間でのリソース配分について、リーダーシップが意思決定するのに役立ちます。この認識は、AI投資があまりにも多くの部門やプロセスに薄く広がってしまった際の問題と必然的な失敗を回避するのに役立ちます。ユーザー採用の欠如企業は、それらを使用する人々をまず考慮することなく、AIと機械学習が提供するすべての利点を活用しようと急いでいます。エンドユーザーが技術を理解していなければ、最も洗練されたAIソリューションでさえ失敗します。すべては信頼と包括的なトレーニングにかかっています。AIを統合するための重要な根本的要因は、それを運用化することです。つまり、AIツールがワークフローに組み込まれ、ビジネスプロセスの主流となるようにすることです。CRMなどの他の業務ツールは、プロセス全体を最初から最後まで最適化し制御します。これにより、プロセスの各ステップを示し説明できるため、トレーニングが容易になります。しかし、生成AIはプロセス全体を包含するのではなく、より細かい「タスクレベル」で動作します。それはさまざまな方法の様々なステップ内で散発的に使用される可能性があります。完全なワークフローをサポートするのではなく、各ユーザーは特定のタスクに対してAIをわずかに異なる方法で適用するかもしれません。KPMG UKのパートナーであるルース・スヴェンソン氏はフォーブスに次のように語っています：「生成AIはプロセスレベルではなくタスクレベルで動作するため、トレーニングのギャップを簡単に見ることができません。」その結果、従業員はAIツールがより広範なビジネス目標にどのように適合するかを理解せずにAIツールを使用している可能性があり、隠れたトレーニングギャップにつながります。これらのギャップには、AIの能力を完全に活用する方法、システムと効果的に対話する方法、またはそれが生成するデータが正しく使用されることを保証する方法の理解不足が含まれる可能性があります。この場合、効果的なチェンジマネジメントがユーザー採用にとって極めて重要になります。チェンジマネジメントにより、組織は従業員が単に新しい技術を採用しているだけでなく、彼らのタスクやビジネスプロセスに対するその完全な意味合いも把握していることを確実にすることができます。適切なチェンジマネジメントがなければ、企業はAIツールのユーザー採用において的外れになりながら、技術ギャップを悪化させるリスクを負うことになります。これは、より多くの非効率、ミス、AIソリューションの可能性を最大化できないことへの滑りやすい坂道です。チェンジマネジメントの取り組みが機能するためには、その動きを主導するために指定された資格のあるリーダーシップチームが必要です。リーダーはタスクレベルでのトレーニングギャップを特定し、従業員がAIを使用する特定のタスクに基づいて、彼らに合わせたトレーニングを提供または組織しなければなりません。その考え方は、従業員が新しいシステムに対してより大きな理解と自信を持つように力を与え、励ますことです。その時初めて理解と受容が生まれ、企業は技術の広範な採用とより良い応用を享受できるようになります。AIがこの10年を定義する技術であることは明らかですが、運用化がなければ、その影響は無駄にされ続けるでしょう。チェンジマネジメントの取り組みをアップグレードし、AIイニシアチブをゆっくりと実施し、測定可能なKPIを使用することで、企業は単にAIに支出するのではなく、それから利益を得ることになるでしょう。
