成否の分かれ道にある生成AIプロジェクト、ガートナーの失敗要因からみる成功への道筋

データ整備から実行しコスト最適化の仕組みを初期から構築する

　まずは自社のデータ整理を実行する。「AI技術に独自の価値を持たせるうえで自社データの活用は不可欠だ。だが特に日本企業は、データを整理していない」（桂島氏）

　例えば、ExcelやPowerPointのデータ、PDF、会議の議事録といった非構造化データがファイルサーバーや個人のPCなどに保存され「どこに何のデータがあるのか」を把握していない。結果、品質の低いデータを活用することになり、信頼性の低い出力結果やRAG（Retrieval-Augmented Generation：検索拡張生成）の失敗につながる。

　そのことを理解した企業が「データはビジネス価値の“宝の山”だとの認識に変わり始めた」と桂島氏は話す。そこでは、どのデータにアクセスできるか、AIにも人間にも許可するのかといった権限設定も実施する。

　TCO、つまりコスト管理への取り組みも重要だ。PoCから本番運用に移った途端、コストが深刻な問題に発展するケースは少なくない。生成AI技術を活用する従業員が増えれば増えるほど、計算リソースの消費量が増え、コストがどんどん増えるからだ。あるITベンダーの役員は「エンジニアにふんだんに使わせる」とするが投資対効果を考えざるを得ないだろう。

　そうした事態を想定し、コストを最適化する仕組みを初期段階から構築する必要がある。生成AI技術の利用は、エンジニア中心ではなく、全従業員が対象になる。PoCでは問題にならなかった利用料が、全社展開により想定の数倍から数十倍にも膨れ上がる。PoC段階から、業務プロセスを改革し、どの程度のコスト削減や生産性向上を図れるかなどを見積ることも肝要だ。継続的なコスト管理も忘れてはならない。

　「責任あるAI」による信頼性の担保も成功への道につながる。ハルシネーション（幻影）などのリスクを覚悟し、初期段階から安全性やプライバシー、説明責任、公平性の観点から対応し監視する。AI技術による回答が倫理的・社会的に正しいかなど、従業員が安心してAI技術を利用できる環境を整える。技術的にどれだけ優れていても、信頼性や安全性が確保されていなければ利用率は低下する。

現場力が高い日本では特定業務で成果を見せ現場の活用を後押しする

　AI技術による自動化・省力化に対し、日米企業の間には考え方の違いがあり、それが生成AIプロジェクトの成否に影響する。米国企業は一般に、投資家を重視し、AI技術の導入により大胆な人員削減を積極的に実施する傾向がある。異なる見方をすれば「AIに仕事を奪われる」と考える従業員の不安の広がりが、AI活用の大きな壁になる。

　一方で日本企業は、人材不足という大きな課題の解決にAI技術を活かすとともに、浮いた時間を新たなビジネスに振り向けようとする。現場力も高い。まずは特定の業務に特化して適用し、効果を上げる策から展開する。生成AI技術の活用によるビジネスインパクトを速やかに実現できるからだ。従業員に安心感を与え、プロジェクトへのAI技術適用を後押しする。

　AI技術は週単位で陳腐化するだけに、変化に対応できるアーキテクチャーにするとともに、特定のツールやサービスに依存せず、変化が起きてもダメージを受けないようにする。それが長期的なコスト最適化にもつながる。