はじめに

昨年末に生成AIがビジネス界で話題となって以来、AI導入は「未来に備える」ために不可欠なものと認識されています。この強力なテクノロジーを利用すれば、変化の激しい今日の環境で競争を勝ち抜くためのスピードとアジリティを高め、正確な意思決定を行うことができます。

生成AIの登場以前から、AIの導入は進んでいました。Economist Impactが最近実施した調査によると、回答者が未来への対応力を高めるためにすでに採用した、または採用を予定している技術のトップ6にAIと機械学習 (ML) が挙げられています (図1参照)。コグニザントは、未来に対応した企業になるために必要なこと、また、企業が未来にどの程度対応できているかを定義するために継続的な取り組みを行っています。その一環として、Economist Impactと提携し、さまざまな業界のグローバル企業幹部2,000人を対象に調査を実施しました。(調査の全文は「Ready for anything: what it means to be a modern business.」をご覧ください。

コグニザントのデータ分析によれば、10人中7人近くがAI/MLを最も需要な投資分野として挙げており、今日のビジネスを効果的に進めるためにはAI/MLが不可欠であるとの考えを示しています。

最も利用されているテクノロジーのトップ6

Q：企業で採用した、あるいは採用する予定のテクノロジーは次のうちどれですか？

1. クラウドコンピューティング (89%)

2. IoT (83%)

3. ビッグデータ分析 (80%)

4. RPA (74%)

5. アドバンストクラウドコンピューティング (69%)

6. AI/機械学習 (68%)*

*クラウドソーシング、5Gと同率 (68%)
対象: 経営幹部2,000人
出典: Economist Impact study
図1

しかし同時に、自社のAI/機械学習がすでに大きなビジネス価値を生み出していると答えた回答者はわずか39％でした。実際、最も多く採用されたテクノロジーとしては6位であったにもかかわらず、その価値の認識という点では最下位に次ぐものでした（図2参照）。

実際、生成AIであれ、他のタイプのAIであれ、AI/機械学習イニシアティブを成功させるためには、さまざまな不測の事態に対応する必要があります。幸いなことに、多くの企業がAI導入の価値を最大限に活用し始めています。AIに対する過度な期待を捨て、まずAIで成功するために何が必要なのかを理解することが必要です。

技術的価値をフル活用することの難しさ

Q: 導入したテクノロジーは、オペレーションにどの程度の戦略的価値をもたらしていますか？(大きな価値をもたらしていると答えた回答者の割合)

AI-ready化に必要な5つの要素

コグニザントの分析と経験に基づき、従来の企業がAIを積極的に取り入れるための5つの提言をまとめました。これら5つの提言が重視しているのは、データ、テクノロジー、人材、責任あるAIの実践、および組織文化を含む広範なエコシステムにAIを編成するということです。これらの要素を統合することで、企業はAIを成功の原動力に据え、未来への道を開くことができます。

1. データ・インフラストラクチャのモダナイゼーション

2. レガシーテクノロジーのオーバーホール

3. AI人材への投資

4. 責任あるAIの重要性

5. AIフレンドリーな企業文化の醸成

1

データ・インフラストラクチャのモダナイゼーション

多くの企業が、正確性、完全性、一貫性に欠けたデータへの対処に苦慮しています。低品質なデータはAIモデルのパフォーマンスを低下させ、リソースの浪費や機会の損失につながります。

データ品質に対処せずにAIに投資することは、不安定な基礎の上に家を建てるようなものです。AIシステムは、正確なインサイトを生み出し、情報に基づいた意思決定を支援するために、高品質なデータに大きく依存しています。データ品質を軽視すれば、AIが持つ真の可能性を引き出すことはできません。データ品質を軽視することで、AIシステムに対する信頼とステークホルダーの信頼が損なわれ、望ましい成果を得ることが難しくなります。

データモダナイゼーションは、データ資産を効果的に管理・活用するための鍵であり、AI主導のインサイトと変革的な意思決定を可能にする糸口となります。

>60%

AI/MLのプロジェクトは、多すぎるデータソースと一貫性のないデータが原因で失敗すると考えている人の割合

出典: O’Reilly

先見性のある企業によるAIへの取り組みと、データインフラのモダナイゼーションに不可欠な要素:

データ量よりもデータ品質を優先

価値はデータセットの大きさではなく、その品質にあります。質の高いデータセットを収集することで、イノベーションと成功を促進する価値あるインサイトと成果の基盤を築くことができます。

強固なデータガバナンス・フレームワークの確立:

明確な方針、手順、ガイドラインにより、一貫したデータガバナンスの基盤が確立されます。Economist Impactの調査によると、企業が遵守しているデータガバナンス・ガイドラインのトップ3は、データ品質の指標としきい値 (54％)、データプライバシー管理の手順 (53％)、データの収集・保存・利用に関するガイドライン (53％) でした。

データ仮想化の活用

データ仮想化は、複雑なデータ統合プロセスを必要とせずに、異なるデータソースの統合ビューを作成し、リアルタイムのアクセスと分析を可能にします。データ仮想化はデータのサイロ化を解消するため、アジリティの向上と迅速な意思決定を可能にし、AIイニシアティブの効果を大きく高めます。

外部ソースによるデータを拡張:

人口統計データ、ソーシャルメディアのインサイト、業界固有のデータセットなどの追加情報を統合することで、データの深さと幅が広がります。この拡張により、より堅牢なAIモデルの開発や、よりスマートな意思決定が可能になり、その過程でイノベーションが加速します。

データインフラのモダナイゼーションは、AIによる新たな機会を引き出し、イノベーションを促進し、実質的な利益をもたらします。ここでは、さまざまな業界のユースケースをご紹介します。

ヘルスケア

データの質を優先し、AIを活用することで、医療機関はより正確な診断、高精度医療、積極的な疾病管理、臨床的意思決定の改善を実現できます。

金融サービス

堅牢なデータガバナンスフレームワークを確立することで、規制コンプライアンスの遵守、顧客のプライバシー保護、データ漏洩リスクの軽減が可能になります。金融データを学習したAIモデルは、GDPRやPCI-DSSなどの基準を遵守し、金融サービス業界の機密情報を保護します。

保険

外部データソースを統合し、AIモデルを活用することで、保険会社はリスク評価の強化、保険金請求の合理化、エクスペリエンスのパーソナライズ、不正検出の改善、引受と価格戦略の最適化を行うことができます。

2

レガシーテクノロジーのオーバーホール

AIの導入が進むにつれ、企業は旧式ITインフラの硬直化という重大な課題への対応を迫られています。統合が複雑で標準化されたAPIを持たないレガシーシステムは、AIが要求する計算処理やリアルタイムデータの処理を円滑に行うことができません。

また、レガシーインフラは重大なセキュリティリスクをもたらします。デジタル時代以前の基盤の上に構築されたこれらのシステムは、今日の高度化した攻撃に耐えられるようには設計されていません。

未来を見据え、インフラの最新化に取り組むことで、効率性向上とイノベーションの加速を実現し、新しい可能性を見出すことができます。

1兆1,400億ドル

米国企業がレガシーシステムを含む既存のIT設備の保守にかける年間支出

出典: Mechanical Orchard, US-based cloud consultancy

AIに必要な計算量と膨大なデータ量を安全かつ確実にサポートする、アジリティとレジリエンスを備えたITインフラの構築に向けた提言:

クラウドをインフラ戦略の中核に:

レガシーシステムとアプリケーションをクラウドに移行することで、スケーラブルなコンピューティングリソースや事前構築されたAIサービスの活用が可能になります。クラウドは、企業に新たなレベルのアジリティを提供し、AIの可能性を最大限に引き出します。

アジャイル開発プラクティスの採用:

アジャイルプラクティスは、コラボレーション、継続的なインテグレーション、迅速なデプロイメントを促進します。これにより、企業は急速に進化するAI環境においても機敏に対応することができます。

ネットワークとコネクティビティのアップグレード:

高速ネットワーク、ソフトウェア・デファインド・ネットワーク (SDN)、信頼性の高いコネクティビティにより、AIシステム、データソース、ユーザー間のスムーズなデータ交換を促進します。ネットワーク機能をアップグレードすることで、最適なパフォーマンス、応答性、信頼性を確保することができます。

強固なセキュリティ対策

AIは機密データに依存しているため、データとAIモデルを不正アクセスから保護するための堅牢なセキュリティ対策を導入することが極めて重要です。暗号化、アクセス制御、高度な脅威検知を導入してAIイニシアティブを安全に進めることで、プライバシー規制への準拠を確保し、ステークホルダー間の信頼を築くことができます。

モダナイゼーションは、成果の向上、イノベーションの推進、AIを活用したデジタル環境における競争優位性の確立に効果を発揮します。ここでは、さまざまな業界のユースケースをご紹介します。

患者転帰の改善

レガシーシステムをクラウドに移行することで、ヘルスケアプロバイダーはスケーラブルなコンピューティングリソースを活用し、AI主導の診断モデルをサポートすることができます。膨大な患者データから得られるリアルタイムのインサイトにより、医療従事者はより正確な診断を下し、個々の患者に対応した治療計画を立て、患者転帰を改善することができます。

小売業のモダナイゼーションを実現

アジャイル開発により、小売企業は需要予測モデル、レコメンデーションエンジン、ダイナミックプライシング・アルゴリズムなどのAI主導型ソリューションを迅速に導入することができます。これにより小売企業は、変化する市場ダイナミクスに迅速に対応し、パーソナライズされたショッピング体験を提供し、在庫管理を最適化し、顧客満足度を高めることができます。

バンキングにおける安全なAI

銀行・金融業界は、不正検知、リスク評価、顧客認証においてAIに大きく依存しています。暗号化、アクセス制御、高度な脅威検知を導入することで、顧客の信頼を築き、規制コンプライアンスを遵守し、リスクを軽減することができます。

3

AI人材への投資

多くの企業が、機械学習、自然言語処理、コンピュータービジョンといった分野の人材や、創造性や問題解決力といったソフトスキルを持つAI人材の確保に苦慮しています。そういった人材を見つけたとしても、高額な報酬を支払わざるを得ないことが多いのが実情です。

AIの急速な進化に対応するには、既存のスキルだけでなく、継続的な学習意欲と適応能力を備えたプロフェッショナル人材が必要です。

しかし、有能なAIプロフェッショナルは、常に新しくエキサイティングな機会に恵まれているため、このような人材を維持することもまた同様に困難です。

62%

AI戦略を実現するための重要なスキルが不足していると答えたビジネスリーダーの割合

4%

AIに必要なスキルはすべて持っていると信じている人の割合

50%

AIスキルの年間需要増加率

20%

AIスキルの年間供給増加率

出典: Google

出典: 世界経済フォーラム

これらの課題を克服するには、イノベーションを推進し、AIの価値を引き出せる有能な人材を確保する必要があります。そのためには多面的なアプローチにより、AI人材を獲得・育成することが必要です。

社内の人材育成:

人材育成への投資の一環として、AIに対する強い関心を持つ有望な人材を特定し、AIスキルの向上につながる包括的なトレーニングプログラム、メンターシップ、その他リソースを提供することが重要です。

ダイバーシティの力を引き出す:

多様な人材の労働参加により創造性と革新性が生まれ、異なる発想に溢れた協力的な環境が作り出されます。潜在的な候補者を幅広く確保することで、さまざまな専門分野における人材不足を解決することができます。

戦略的パートナーシップを通じて、膨大な人材プールにアクセス:

戦略的パートナーは、組織の枠を超えた専門知識とネットワークを提供します。パートナーと協力することで、その広範な人材プールを活用し、専門的なスキルと経験を持つ多様なAIプロフェッショナルを見出すことができます。

AI人材の課題を克服するための3社の取り組みをご紹介します。

LinkedInは、従業員がAIスキルを学び開発する場として、社内にAIアカデミーを設立しました。従業員の能力を高めることで、同社は人材不足の解決に社内から取り組んでいます。

GitLabは、場所を問わないリモートワークでの人材活用により、多様でグローバルなAIプロフェッショナルチームの構築に成功しています。

テスラは、AIのプロフェッショナルに対して、自律走行やAIベースの製造に関連する最先端のプロジェクトに参加する機会を提供しており、インパクトのある機会を求める優秀なAI人材を集めています。

4

責任あるAIの重要性

アルゴリズムバイアスからプライバシーへの懸念まで、企業は、AIシステムの公正性・公平性を担保する方法から、有害な目的に使用されることを防ぐ方法、透明性と説明可能性を確保する方法まで、新しい倫理的ジレンマを抱えています。

アルゴリズムバイアス、プライバシーの侵害、自律システムによる倫理的な意思決定への対処を怠れば、予期せぬ結果を招きかねません。AIに倫理的側面があることを受け入れることは、もはや必須といえます。

84%

責任あるAIは経営上の最優先事項であるべきだと考える人の割合

25%

十分に成熟した責任あるAIを導入している企業の割合

出典: MIT Sloan Management Review

企業は、こうした倫理的課題を障害ではなく、成長のきっかけとして捉えるべきです。責任あるAIに確固たる姿勢で取り組むことで、安全・安心な未来への道を切り拓くことができます。ここでは、AIとの協業を強化するために必要な5つの重要なステップをご紹介します。

AIモデルの活用

AIモデルを活用することで、AIシステムに内在する不確実性を評価することができます。このアプローチにより、企業はAIによる予測の信頼性と確実性を測ることができます。またそれと同時に、ビジネスリーダーは包括的な視点から不確実性を捉え、情報に基づいた意思決定を行うことができます。

AIシステムに必要な透明性と説明可能性:

企業は、ルールセットの進化などのアプローチを採用し、AIシステムの意思決定プロセスを理解・説明することはできますが、先ずはAIモデルの透明性と説明可能性を確保することが必要です。こうしたアプローチにより、AIの「ブラックボックス問題」に対処できるだけでなく、責任ある倫理的なAI導入の先駆者としてのポジションを築くことができます。

望ましくない偏見を定義・測定し、それを最小限に抑えるための目標を設定する:

AIモデルが持つバイアスを数値化し、公平な結果を確保するためには、明確なガイドラインと指標を定めることが不可欠です。バイアスを最小限に抑えることをAIシステム最適化の主要目標にすることで、企業は倫理的な慣行と公平な意思決定へのコミットメントを示すことができます。

以下に紹介する企業は、責任あるAIを取り入れ、顧客、従業員、そしてより広い社会に貢献できるよう努めています。

ジョンソン・エンド・ジョンソンは、創薬と開発の分野において責任あるAIを活用しています。同社は、AIアルゴリズムを使って膨大な臨床試験データを分析し、より効率的かつ正確に新薬候補を特定しています。患者のプライバシーや公正なデータ利用といった倫理的配慮を優先することで、治療の選択肢と患者の転帰を改善することを目指しています。

マスターカードは、不正行為の検知を強化するため、責任あるAIを導入しました。同社のAIシステムは取引データをリアルタイムで分析し、不正行為を検出して顧客資産を保護します。マスターカードは、透明性と倫理的なデータの取り扱いへの取り組みにより、不正検出アルゴリズムの正確性と公平性を確保しています。

ウォルマートは、カスタマーエクスペリエンスをパーソナライズするために責任あるAIを活用しています。同社はAIアルゴリズムを活用して顧客の嗜好や行動を分析し、パーソナライズされた商品を推奨しています。ウォルマートは透明性とプライバシー保護を重視し、顧客データの取り扱いには責任を持って対応しています。

5

AIフレンドリーな企業文化の醸成

AI-ready化に向けて必要なのは、決して技術力だけではありません。変化を受け入れ、誤解や恐れを払拭する文化的な変容が求められているのです。

例えば、雇用の喪失や先行きが見えないことへの不安は、AIの可能性に対する疑念を駆り立てます。また、AIに対する理解が不十分だと、AIの洞察に対する信頼の欠如や疑念から、AIの採用が阻害される可能性もあります。

責任あるAI利用のためのガイドラインや枠組みの確立、オープンな議論や多様性の奨励など、企業がAIに関連する複雑な倫理的ジレンマに対処するためには、強固な文化的基盤を構築することが必要です。

77%

今後1年以内にAIによって雇用が失われることを懸念している消費者の割合

出典: Forbes Advisor

AIの成功を目指す企業文化を築くためのステップ：

リーダーシップの重要性:

AIフレンドリーな企業文化を築くために、リーダーシップは欠かせません。リーダーがAIイニシアティブを推進して、オープンな対話を奨励し、成功事例を共有することで、従業員の士気を高めることができます。

透明性の大切さ:

目的を明確にしてコミュニケーションを図ること。なぜAIの導入が不可欠なのかを明確に示すこと。AIは従業員に取って代わる存在ではなく、従業員の価値を高める存在だと伝えること。移行期間中、企業が万全のサポートを提供すると約束すること。

AIリテラシーの促進:

研修プログラム、ワークショップ、知識共有セッションを実施し、AIの概念や用語をわかりやすく説明することや、従業員の理解を促進し、AIシステムと上手く付き合うためのスキルを習得させることが重要です。

AI導入における文化的な課題に対して効果的な取り組みを進めている企業をご紹介します。

mRNA治療薬とワクチンを製造するバイオテクノロジー企業であるモデルナ社は、あらゆるレベルの従業員の教育と能力向上を目的として、カーネギーメロン大学との提携のもと、AIアカデミーを設立しました。モデルナのあらゆるシステムとプロセスにAIと機械学習ソリューションを取り入れ、mRNA医薬品を患者に届けることを目指しています。今では、すべてのチームメンバーにAIトレーニングが義務付けられています。

ジョンソン・エンド・ジョンソンは、従業員が自分のスキルを公開し、自分の適性に合った学習・仕事・指導を探すことができる人材マーケットプレイスをl立ち上げました。従業員は自分の習熟度、ギャップ、習得したいスキルを公開することができます。この人材マーケットプレイスには、ジョンソン・エンド・ジョンソンの従業員15万人が利用できる学習コンテンツが新規に追加され、毎月数千人ペースで参加者が増えています。

シーメンスは、近代的な学習環境の構築を目指し、「デジタル・インダストリー・アカデミー」を設立。産業部門における知識構築を実践し、学習する企業への移行を図っています。このアカデミーでは、初心者から専門家までを対象に、シーメンスの産業用製品に関する包括的な知識をメーカーから直接、社内外の顧客に提供しており、あらゆる産業や用途について学ぶことができます。

最初に何をすべきか?

AIが持つ変革の力はますます明らかになっています。先見性のある企業はAIが単なるバズワードではなく、イノベーション、効率性、成長の鍵を握る戦略的ツールであることを認識しつつあります。AIの価値を最大限に引き出すために、AIをどのように活用するかが問題です。

以下は、コグニザントが推奨する確実に将来に備えるための方法です。

差別化を図る

まずは、市場における自社の立ち位置を理解することが必要です。競合他社との違いは何か?AIはどのようにバリュープロポジションを高めるのか?これらの重要な差別化要因を特定することで、AIが将来、自社の強みをどのように高めるのかを、論理的かつ明確に理解することができます。これにより、競合他社に打ち勝ち、進化する顧客の要求に応え、他の追随を許さない成功への道を切り開くことができます。

価値とKPIの重要性

明確なビジョンが定まれば、次のステップは、AIを活用した未来を実現するために必要な戦略的ステップとマイルストーンを記したロードマップを作成することです。まず、組織の目標やAIを活用した差別化要因に沿った主要業績評価指標 (KPI) を特定します。これらのKPIは、AIイニシアティブの成功と影響を測定する指標になります。

AIによるビジネスプロセスの変革

AIテクノロジーを活用することで、インテリジェントな自動化、データドリブンなインサイト、高度な分析をワークフローにシームレスに統合することができます。AIによって強化されたプロセスは、データに基づいたインサイトを生み出します。さらに、意思決定者はリアルタイムの情報に基づいた迅速な意思決定を行うことができます。AIによる効率化を図ることで、生産性とアジリティに優れた比類ない成功の新時代を切り開くことができます。