AI投資のほとんどが期待を裏切るか失敗する理由

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する——それは熱意や情熱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的変化に十分に対応でき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の企業が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場合、数百万ドルが無駄になることになる。

しかし、強力な変革管理イニシアチブと、新しいイノベーションを支援するシステム、そして計測可能なKPIを備えることで、企業はAIの成功ストーリー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。

ビジネスよりも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能力を示している。

AIには多くのイノベーションが行われており、企業は最新のプロトタイプを利用して投資したいと考えている。しかし、リスクは、企業が明確なビジネス目標や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可能性があることにある。

実際、ガートナーは、2025年末までに、ジェネレーティブAIプロジェクトの少なくとも30%が、データの品質の低さ、リスク管理の不十分さ、コストの増加やビジネス価値の不明確さにより放棄される予想である。

データの品質の低さは、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、多くの企業が克服できない障害である。シロード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情報を追跡するのに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、ツールも損なわれる。マシンラーニングモデルは、データが断片化されエラーで満ちている場合、適切に機能しない。

ROIを確保するために、技術的な作業を開始する前に、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と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、テクノロジーの実装はそれに従うべきである。最終的には、テクノロジー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べきである。また、ビジネス上のニーズは、AIやその他のテクノロジー実装の背骨である。

例えば、AIを利用したい物流会社は、需要予測の最適化と車両管理の強化を目的としたAIソフトウェアの計測可能な目標を設定することができる。最初の6ヶ月で、未使用トラックの数を25%削減し、収益を5%増加させることが目標となる。

企業は、AIが効率性を向上させているだけでなく、量的に評価でき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ために不可欠である。

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、すべてのビジネスプロセスに同時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、問題を一気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、企業は小さなところから始めて、戦略的に拡大することで、より良い結果を得ることができる。

例えば、ウォルマートは、在庫管理を最適化するために、マシンラーニングアルゴリズムを段階的に導入した。結果は、過剰在庫が30%削減され、棚上在庫が20%増加した。

これを支援するために、企業は、ビジネス活動を4つのゾーン（パフォーマンス、生産性、インキュベーション、変革）に分ける『勝利ゾーン』フレームワークを採用することができる。これは、チームが現在の運営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、企業がAI技術の実験を、コアビジネスを妨げることなく、専用のスペースで行うことを可能にする。AIはすべてを同時に変えることはできないため、インキュベーションゾーンは、AI技術の実験を、コアビジネスを妨げることなく行うためのスペースを提供する。

例えば、冷蔵倉庫物流会社がAIを実装する場合、次のように『勝利ゾーン』フレームワークを適用できる。

• パフォーマンスゾーン： 会社のコアビジネス運営、例えば倉庫スケジューリングや商品配送は、収益を生み出す上で重要である。倉庫効率の向上、滞在時間の短縮、配送の増加に関する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性を高めるために最適化され、データサイエンス機能、例えば予測分析やリアルタイム分析ツールを統合することで、滞在時間の短縮やコスト削減が行われる。
• 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のパイロットを実施する時間を割き、チームは、どのイノベーションが将来的に収益ストリームになる可能性があるかを判断することができる。
• 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確立して、ビジネス成果を繰り返し生み出す。

このフレームワークは、リーダーシップが、現在の運営とAI駆動の将来の能力へのリソース配分についての決定を下すのを支援する。AI投資があまりにも薄く広がりすぎて、多くの部門やプロセスに分散し、失敗すること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利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、エンドユーザーがテクノロジーを理解していない場合、失敗することになる——すべては信頼と包括的なトレーニングに依存する。

AIを統合する上で重要な根本的な要因は、運用可能にすることである。つまり、AIツールがワークフローに接続され、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、例えばCRMは、プロセス全体を最適化し、制御する。トレーニングは容易である。各ステップを示し、説明することができる。しかし、ジェネレーティブAIは、プロセス全体を包含するのではなく、より粒状の「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内で間欠的に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見つけることができない」と述べた。結果として、従業員は、AIツールを使用しているが、どのようにしてビジネス目標に貢献しているかを理解していない可能性がある。隠れたトレーニングギャップが生じる可能性があり、これには、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AIが生成するデータを適切に使用する方法についての理解不足が含まれる。

この場合、ユーザーの採用のために変革管理が不可欠となる。変革管理により、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、そのタスク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。

適切な変革管理なしで、企業はAIツールのユーザー採用を逃し、テクノロジーギャップを悪化させ、非効率性、ミス、AIソリューションの潜在能力を最大限に活かせないリスクを冒すことになる。

変革管理イニシアチブが機能するためには、変化を主導するために資格のあるリーダーシップチームを指定する必要がある。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。

目標は、従業員を新しいシステムでより大きな理解と自信を持たせることである。理解と受け入れが得られるのは、その時点でこそである。ビジネスは、広く採用され、テクノロジーをより適切に適用することになる。

明らかに、AIはこの10年を定義するテクノロジーであるが、運用可能化されなければ、その影響は継続して無駄になる。変革管理イニシアチブを強化し、AIイニシアチブを段階的に実装し、計測可能なKPIを使用することで、企業はAIにだけお金を費やすのではなく、利益を生み出すことができる。