最ものAIへの投資は期待を裏切るか失敗する

人々や企業は、AIの潜在能力に夢中になっているが、80%のAIプロジェクトは失敗に終わる——それは意欲や熱意の欠如によるものではない。

AIはあらゆる業界やセクターに浸透しているが、問題は、企業がこの技術革新に十分に備えていないことにある。

ボストン・コンサルティング・グループによると、世界の3分の1の企業は、AIに2500万ドル以上を費やす予定である。したがって、企業が計画なしにAIソリューションに飛び込んでいく限り、数百万ドルが無駄になるだろう。

しかし、強力な変化管理イニシアチブと、新しいイノベーションを支援し、計測可能なKPIを備えたシステムがあれば、企業はAIの成功物語を変えることができる。

では、AIイニシアチブが失敗する上位3つの理由をみてみよう。

ビジネスよりテクノロジーを優先する

数多くの報告書や研究、特にジェネレーティブAIに関するものは、AIアルゴリズムやプログラムのスピードと印象的な知的敏捷性を示している。

AIには多くのイノベーションが行われており、企業は新しいAIシステムを利用し、ビジネスプロセス全体に統合しようとする。しかし、企業は、明確なビジネス目標がないか、計測可能な影響がないソリューションに数百万ドルを費やすリスクがある。

実際、ガートナーは、低質なデータ、不十分なリスク管理、増加するコスト、または不明確なビジネス価値により、ジェネレーティブAIプロジェクトの少なくとも30%が2025年末までに放棄される予想である。

低質なデータは、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、企業が克服しがたい障害である。シロされたデータは最も顕著な問題であり、無視できないビジネス上の問題である。チームは、戦略的意思決定に不可欠な欠けている情報を追跡しようとして数時間を浪費する可能性がある。

そして、チームだけではなく、ツールも損なわれている。マシンラーニングモデルは、例えば、データが断片化され、エラーで満ちている場合、適切に機能できない。

投資に対する正のROIを確保するには、技術的な作業が始まる前に、企業は、AIソリューションが解決しようとしている特定のビジネス上の問題を特定する必要がある。これには、コスト削減、収益増加、効率性の向上（例：データの取得時間の短縮）などの計測可能なKPIや目標を設定することが含まれる。

具体的には、ビジネス戦略が最初に来て、技術の実装はそれに従う。最終的には、技術的なソリューションはビジネス成果を推進するための手段として機能するはずである。また、ビジネス上のニーズは、AIやその他の技術的実装の背骨である。

例えば、AIを利用したい物流会社は、AIソフトウェアを使用して需要予測を最適化し、車両管理を強化するための計測可能な目標を設定する可能性がある。最初の6ヶ月で、使用されていないトラックの数を25%削減し、利益を5%増加させることが目標となる。

企業は、AIが効率を向上させているだけでなく、それが計量可能であることを確認するために、計測可能な目標が必要である。これは、会社の利害関係者に、高額なAI投資が価値があったことを証明するデータがあることを説明する際に不可欠である。

過度なAIの実装

AIがすべてを革命的に変えるという約束は、メディアで繰り返し述べられており、銀の弾丸として誤って表現されることが多い。これにより、ビジネスリーダーは、新しいAIシステムを利用し、ビジネスプロセス全体に統合できるという、偽りの自信を抱くことがある。

しかし、問題を一挙に解決しようとする過度な試みは、通常、失敗に終わる。代わりに、企業は小さなステップから始めて、戦略的に拡大することで、より良い結果を達成できる。

例えば、ウォルマートは、在庫管理を最適化するために、段階的にマシンラーニングアルゴリズムを導入した。結果は、過剰在庫の30%削減と、棚上在庫の20%増加であった。

これを支援するために、企業は、AIの実装に『勝利ゾーン』フレームワークを適応させるべきである。このフレームワークは、チームが現在の運用と将来のイノベーションのバランスを取る必要があることを理解するのに役立つ、実証済みの方法論である。

このフレームワークは、ビジネス活動を4つのゾーンに分割する：パフォーマンス、生産性、インキュベーション、変革。AIはすべてを同時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、コアビジネスを混乱させることなく、AI技術を実験するための専用のスペースを作成する。

例えば、これは、冷蔵倉庫物流会社がAIを実装する際の『勝利ゾーン』フレームワークの適用方法である。

• パフォーマンスゾーン: 会社のコアビジネス運用、たとえば倉庫のスケジューリングや商品の配送は、収益を生み出す上で重要である。倉庫の効率を向上させて滞在時間を短縮し、配送を増やすことを目的としたKPIが優先される。
• 生産性ゾーン: ここでは、内部プロセスが効率を向上させてコストを削減するために、データサイエンス能力を統合する。予測分析やリアルタイム分析ツールを使用して、滞在時間や配送を削減することが含まれる。
• 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して、将来的に収益を生み出す可能性のあるイノベーションを特定する時間を割く。
• 変革ゾーン: ここでは、会社はデジタル変革を組織全体に拡大し、包括的なデジタルインフラストラクチャを整え、継続的なビジネス成果を確保する。

このフレームワークは、リーダーシップが、現在の運用の維持とAI駆動型の将来の能力への投資の間でリソースを割り当てる決定を下すのを支援する。

これにより、AI投資があまりにも多くの部門やプロセスに薄く広がることによる問題や、必然的な失敗を避けることができる。

ユーザーの採用不足

企業は、AIとマシンラーニングの利点を活用しようとしているが、最初にこれらの技術を使用する人々を考慮していない。最も洗練されたAIソリューションでも、エンドユーザーが技術を理解していない場合、失敗する。すべては信頼と包括的なトレーニングに依存する。

AIを統合するための基本的な要因は、運用化することである。つまり、AIツールがワークフローに組み込まれ、ビジネスプロセスに主流化されることを意味する。

他のツール、たとえばCRMは、プロセス全体を開始から終了まで最適化し、制御する。各ステップを示し、説明することが容易であるため、トレーニングも容易である。ただし、ジェネレーティブAIは、プロセス全体をカバーするのではなく、よりグランラな『タスクレベル』で動作する。さまざまな方法のさまざまなステップで使用される可能性があり、各ユーザーは特定のタスクに対してAIを少し異なる方法で適用する可能性がある。

KPMG UKのパートナーであるルース・スヴェンソンは、フォーブスに「ジェネレーティブ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、トレーニングギャップを簡単に検出できない」と語った。結果として、従業員は、ビジネス目標全体にどのように適合するかを理解することなく、AIツールを使用する可能性がある。これにより、AIの機能を完全に活用する方法、システムと効果的にやり取りする方法、または生成されたデータを適切に使用する方法についての理解不足などの、隠れたトレーニングギャップが生じる可能性がある。

この場合、ユーザーの採用には、変化管理が極めて重要となる。変化管理により、組織は、従業員が新しいテクノロジーを採用するだけでなく、その業務とビジネスプロセスへの影響を完全に理解することを保証できる。

適切な変化管理なしでは、企業はAIツールのユーザー採用を逃し、さらに技術的なギャップを拡大するリスクを冒す。これは、非効率性、ミス、AIソリューションの潜在能力を最大化する失敗への滑りやすい坂道となる。

変化管理イニシアチブが機能するためには、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ある。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、カスタマイズされたトレーニングを提供または組織する必要がある。

アイデアは、従業員を新しいシステムでより強化し、自信を持たせることである。そうすれば、理解と受容がもたらされ、企業は広範囲にわたる採用と技術のより良い適用を享受できるようになる。

明らかに、AIは今週の定義技術であるが、運用化なしでは、その影響は無駄になる。変化管理イニシアチブを強化し、AIイニシアチブをゆっくり実装し、計測可能なKPIを使用することで、企業はAIに投資するだけでなく、利益を上げることができる。