生成AI導入を｢コンサルに丸投げ｣する会社の盲点
企業の生成AI導入が失敗してしまう主な理由を解説します（写真：Graphs／PIXTA）
2022年11月にChatGPTがリリースされてから、劇的なスピードで進化してきた生成AIも、いよいよ本格的な社会実装のフェーズへ。大手を中心に企業における生成AI活用も進みつつありますが、従来のシステム導入と同じように考えていては、失敗に終わってしまうケースも少なくありません。
『ビジネスに魔法をかける 生成AI導入大全』の著者で、国内外トップ企業のAI導入を指南する元東大大学院松尾研究室のAIコンサル・上田雄登氏が、企業の生成AI導入が失敗してしまう主な理由を3つ解説します。
生成AIは「なんでもできる」わけではない
企業の生成AI導入が失敗してしまう理由の1つ目は、「生成AIは万能ではない」ことを理解しておらず、過度な期待を抱いてしまうことです。
生成AIの登場により、ビジネスの世界に大きな変革の波が押し寄せています。しかし、「インパクトの大きさ」と「万能性」とはイコールではないことを、冷静に理解しておく必要があります。何ができて、何ができないのか。生成AIはどういったことに向いていて、どういったことに向いていないのか。そこをしっかり見極めてこそ、実際のビジネスの現場にその技術を具体的に活用していくことができます。
たとえば、社内問い合わせ業務に生成AIを導入する際、「なんでも対応できるチャットボット」を目指すのは現実的ではありません。
社内データを参照しながら、あらゆる質問に回答できるチャットボットを作るというサービスを見聞きしたことがある方もいるでしょう。しかし、現実の業務であらゆる質問に対して的確に答えられる人間というのは、残念ながら存在しません。皆さんの周りでもきっと同じでしょう。それを生成AIに求めるのは、あまりにも非現実的です。
私自身、これまで多くの企業から相談を受けてきましたが、汎用的なチャットボットを構築しようとして失敗したという事例を多数見聞きしました。この失敗の原因の一つに、生成AIの検索性能の限界があります。生成AIは膨大な情報を保持していても、適切な情報を検索することが非常に難しいのです。結局のところ、あらゆる質問に対応できるチャットボットを作ることは非常に難しく、多くの場合は期待された効果を得られないまま終わってしまうのです。
生成AIを効果的に活用するためには、インプットする問い合わせの範囲を限定し、生成AIが的確な情報から回答をできるようにすることが重要です。たとえ単純な業務であっても、その会社や部署特有の「やり方」が存在しているはずです。この「やり方」こそが、生成AIに教えるべき重要な情報なのです。
たとえば、経費精算業務では、申請書の記入方法や承認のルールは会社ごとに異なります。この「やり方」を生成AIに学習させることで、適切な判断を下すことができるようになります。また、顧客対応業務では、よくある質問や回答の例を生成AIに提供することが有効です。
ただし、その際も、自社の業務に特化した内容である必要があります。汎用的な「やり方」や知識を生成AIに提供しても、実際の業務で役立つことは少ないでしょう。生成AIに求めるのは、あくまでも自社の業務に特化した知識と判断基準なのです。
最初に要件を固めすぎてはいけない
2つ目は、「最初に過度な要件定義や計画立案してしまう」ことです。
従来のソフトウェア開発プロジェクトにおいては、当初の要件定義や計画立案がプロジェクトの成否を決めるといった考え方が主流でした。システムの機能や非機能要件を細部にわたり定義し、それに基づいて開発スケジュールや必要な工数を綿密に計算して、完璧に見える計画を立てるという、いわゆるウォーターフォール型のプロジェクト進行が一般的でした。
しかし、生成AIの世界は常に進歩しているため、最初に形や中身を決めすぎてしまうと、変化に対応できなくなってしまいます。新たに開発されたAIモデルが登場することで、プロジェクト開始時に想定していたモデルよりも優れた性能を持つものが出現し、当初の要件が適さなくなることがしばしばあります。
また、生成AIの場合、個別のユースケースに対して、簡単なプロトタイプを作り、クイックに試せるという大きな利点があり、固定的な要件定義をしすぎないほうが、その利点を活かすことができるのです。
では、生成AI導入プロジェクトにおいて、要件定義や計画立案は具体的にどのように実行すればよいのでしょうか。
要件定義においては、大まかな方向性を示す程度にとどめ、詳細な仕様はプロジェクトの進行に合わせて柔軟に固めていくアジャイル型のアプローチがよいでしょう。たとえば、「顧客サービス部門の文書自動生成機能を強化する」という大枠の目標を設定し、具体的な機能やパフォーマンスの指標はプロジェクトが進むにつれて定義していけば、新たに登場する生成AIモデルやツール、そして技術を取り入れやすくなります。
また、計画立案においては、短期的なサイクルを設定して定期的に見直しを行っていきます。1〜2週間といった短い期間で具体的な目標を設定し、その達成状況を評価しながら次のステップの計画を立てます。こうすることで、変化する市場環境や技術の進歩に迅速に対応し、プロジェクトの方向性を柔軟に調整することが可能になります。
生成AI導入のPDCAサイクル（図表：『ビジネスに魔法をかける 生成AI導入大全』より）
「ベンダー・コンサルに丸投げ」はNG
3つ目は、「過度なベンダーやコンサルへの依存」です。
生成AIの企業への導入は、実際のところまだ始まったばかりで、社内にAI、特に生成AIに関する知見やノウハウがあるという企業はごく稀です。したがって、導入当初にベンダーやコンサルの支援を受けるのは一般的ですし、その支援なしに始めることはむしろ難しいでしょう。しかし、過度にベンダーやコンサルに依存すると、かえってリスクを負うことにもなります。
生成AIの導入にあたって、社内のプロジェクトメンバーが十分な知識を持っていない場合、生成AIに関する豊富な知識や経験を持つベンダーやコンサルは、大きな助けとなります。彼らは、他社の導入事例や最新の技術動向に詳しく、プロジェクトの立ち上げや初期の課題解決に役立つアドバイスを提供してくれるでしょう。
ただし、そんな導入初期段階でもプロジェクトの「主導者」は自分たちであることを忘れてはいけません。なぜなら、生成AIの導入・活用の目的は、自社ビジネスの拡大・効率化であり、「自分たちはどうありたいのか」「自分たちはどうなりたいのか」を描くのは自分たちだからです。その姿をベンダーやコンサルにしっかりと伝え、理解してもらったうえで、生成AIという手段を用いて実現する支援をしてもらうというのがあるべき形です。
ベンダーやコンサルはクライアント企業の業務に詳しいわけではないので、ビジネスの実態に対する理解がないまま、汎用的なソリューションを押し付けられてしまう可能性があります。
生成AIは、業務の効率化を目的として活用するため、当然のことながら、自社の業務にフィットするようにカスタマイズする必要があります。そのためには、業務の文脈（フローや内容）に沿った自社の業務知識やノウハウをプロンプトに載せたり、参照情報として提供したりすることで、出力をコントロールすることが重要です。
それを叶えるには、現場の社員が主体となってカスタマイズしていく必要があります。現場の社員こそが業務の詳細を最も理解しており、生成AIをどのように活用すべきかを判断できるからです。そのため、ベンダーやコンサルに丸投げするのではなく、彼らの知見は活用しつつも、内製化を視野に入れ、あくまで自社主導で進めることが成否を大きく左右するのです。
（上田 雄登 ： GenerativeX 取締役CSO ）
