ムーンショットから始めてはならない。
トーマス・H・ダベンポート、ラジーブ・ロナンキ 著 雑誌から(2018年1-2月号)
概要
実際、多くの経営幹部はAIが3年以内に企業を大きく変革すると考えています。しかし、最も野心的なAIプロジェクトの多くは挫折や失敗に遭遇しています。
自社のコグニティブテクノロジー活用に詳しい経営幹部250人を対象とした調査と、152のプロジェクトを調査した結果、AIを開発・導入するには、変革的なアプローチよりも漸進的なアプローチを取り、人間の能力を置き換えるのではなく、補強することに重点を置いた方が、企業はうまくいくことがわかりました。
大まかに言えば、AIは3つの重要なビジネス・ニーズをサポートすることができます。ビジネス・プロセス(一般的にはバックオフィスの管理・財務活動)の自動化、データ分析による洞察の獲得、顧客や従業員とのエンゲージメントです。AIを最大限に活用するためには、企業はどのテクノロジーがどのような種類のタスクを実行するかを理解し、ビジネスニーズに基づいて優先順位をつけたプロジェクト・ポートフォリオを作成し、全社的なスケールアップ計画を策定する必要があります。
2013年、MDアンダーソンがんセンターは、IBMのWatsonコグニティブシステムを使用して、特定の形態のがんを診断し、治療計画を推奨するという「ムーンショット」プロジェクトを立ち上げました。しかし2017年、コストが6,200万ドルを超え、システムがまだ患者に使用されていなかったため、プロジェクトは保留となりました。同時に、がんセンターのITグループは、患者の家族にホテルやレストランを薦めたり、請求書の支払いに手助けが必要な患者を判断したり、スタッフのIT問題に対処したりするなど、それほど野心的ではない仕事にコグニティブ・テクノロジーを活用する実験を行っていました。
これらのプロジェクトの結果は、はるかに有望でした。 新システムは、患者満足度の向上、財務実績の改善、病院のケアマネージャーによる退屈なデータ入力に費やされる時間の減少に貢献しています。ムーンショットの挫折にもかかわらず、MDアンダーソンはコグニティブテクノロジー、すなわち次世代の人工知能をがん治療の強化に活用することに引き続き取り組んでおり、現在、コグニティブ・コンピューティングのコンピテンシーセンターでさまざまな新しいプロジェクトを開発しています。
この2つのアプローチの対比は、AIイニシアチブを計画しているすべての人に関連します。コグニティブテクノロジーの活用に詳しい250人の経営幹部を対象とした当社の調査によると、その4分の3が、AIは3年以内に自社を大きく変革すると考えています。
しかし、ほぼ同数の企業における152のプロジェクトを調査した結果、非常に野心的なムーンショットは、ビジネスプロセスを強化する「低空飛行の果実」プロジェクトよりも成功する可能性が低いことも明らかになりました。これは驚くべきことではなく、企業が過去に採用した新技術の大多数がそうだったからです。しかし、人工知能を取り巻く誇大宣伝は特に強力で、一部の組織はそれに誘惑されています。
この記事では、採用されているAIの様々なカテゴリーを取り上げ、企業がビジネス目標を達成するために、今後数年間で認知能力をどのように構築し始めるべきかというフレームワークを提供します。
3種類のAI
企業がAIをテクノロジーではなく、ビジネス能力のレンズを通して見ることは有益です。大まかに言えば、AIはビジネス・プロセスの自動化、データ分析による洞察の獲得、顧客や従業員とのエンゲージメントの3つの重要なビジネス・ニーズをサポートすることができます。
タイプ別のコグニティブ・プロジェクト 我々は152のコグニティブ・テクノロジー・プロジェクトを調査し、それらが3つのカテゴリーに分類されることを発見しました: 棒グラフはプロジェクトの区分を示しています: 71はロボット工学とコグニティブ・オートメーション、57はコグニティブ・インサイト、24はコグニティブ・エンゲージメントに関するものでした。
1. プロセスの自動化
我々が調査した152のプロジェクトのうち、最も一般的なタイプは、ロボティック・プロセス・オートメーション(RPA)技術を活用した、デジタルおよび物理的タスクの自動化でした。RPAは、「ロボット」(つまり、サーバー上のコード)が複数のITシステムから情報を入力し、消費する人間のように動作するため、以前のビジネスプロセス自動化ツールよりも高度です。タスクには以下が含まれます:
- 例えば、住所変更やサービス追加に伴う顧客ファイルの更新;
- 紛失したクレジットカードやATMカードを交換し、複数のシステムにアクセスして記録を更新し、顧客とのコミュニケーションを処理します;
- 複数の文書タイプから情報を抽出することにより、請求システム間でサービス料金の請求漏れを調整します。
- 法律や契約文書を「読み取り」、自然言語処理を使用して条項を抽出します。
RPAは、ここで説明するコグニティブ・テクノロジーの中で最も低コストで導入が容易であり、一般的に迅速かつ高い投資対効果(ROI)をもたらす。(開発者は徐々にインテリジェンスと学習機能を追加しているが、これらのアプリケーションは学習して改善するようにプログラムされていないという意味で、最も「スマート」でもありません)。特に、複数のバックエンドシステムにまたがって作業するのに適しています。
NASAでは、コスト削減の圧力から、買掛金と売掛金、IT支出、人事の4つのRPA試験運用を開始しました。この4つのプロジェクトはうまく機能し、例えば人事アプリケーションでは86%のトランザクションが人手を介さずに完了しました。NASAは現在、さらに多くのRPAボットを導入しており、中にはより高度なインテリジェンスを備えたものもあります。シェアード・サービス組織のプロジェクト・リーダーであるジム・ウォーカー氏は、「今のところ、ロケット・サイエンスではない」と指摘します。
ロボティック・プロセス・オートメーションは、すぐに人々を失業に追い込むと想像するかもしれません。しかし、我々がレビューした71のRPAプロジェクト(全体の47%)では、管理部門の従業員を置き換えることは主要な目的でもなければ、一般的な成果でもなかったのです。
人員削減につながったプロジェクトはわずかであり、ほとんどの場合、問題の業務はすでにアウトソーシング・ワーカーに移行していました。技術の進歩に伴い、ロボットによる自動化プロジェクトは、特にオフショアのビジネス・プロセス・アウトソーシング業界では、将来的にある程度の雇用削減につながる可能性が高いのです。タスクをアウトソーシングできるのであれば、おそらく自動化できるでしょう。
2. 認知的洞察
我々の調査で2番目に多かったプロジェクトタイプ(全体の38%)は、膨大なデータからパターンを検出し、その意味を解釈するためにアルゴリズムを使用していました。これは 「ステロイドのアナリティクス 」と考えてほしいです。これらの機械学習アプリケーションは、次のような目的で使用されています:
- 特定の顧客が購入しそうな商品を予測します;
- 信用詐欺をリアルタイムで特定し、保険金詐欺を検出します;
- 保証データを分析し、自動車やその他の製造プロダクトの安全性や品質の問題を特定します;
- デジタル広告のパーソナライズされたターゲティングを自動化します。
- 保険会社により正確で詳細な保険数理モデリングを提供します。
機械学習が提供する認知的洞察は、3つの点で従来のアナリティクスとは異なります: すなわち、新しいデータを使用して予測を行ったり、物事をカテゴリーに分類したりする能力が、時間の経過とともに向上することです。
関連ツール:最新研究:AI
機械学習(特に、パターンを認識するために人間の脳の活動を模倣しようとするディープラーニング)のバージョンは、画像や音声を認識するなどの偉業を成し遂げることができます。機械学習はまた、より良い分析のために新しいデータを利用可能にすることもできます。
データ・キュレーションの活動は歴史的に非常に手間のかかるものであったが、現在では機械学習によって、データベース間で確率的に一致するデータ(同じ人物や企業に関連する可能性が高いが、わずかに異なる形式で現れるデータ)を特定することができます。GEはこの技術を使ってサプライヤー・データを統合し、これまで事業部単位で管理していた冗長な契約や交渉の手間を省くことで、初年度から8000万ドルのコスト削減を実現しました。
同様に、ある大手銀行はこのテクノロジーを使って、サプライヤーとの契約から条件に関するデータを抽出し、請求書番号と照合することで、供給されていないプロダクトやサービスを数千万ドル単位で特定しました。デロイトの監査業務では、コグニティブ・インサイトを使って契約書から条件を抽出しています。これによって、人間の監査人が丹念に目を通すことなく、監査がはるかに高い割合(多くの場合100%)の文書を扱うことができます。
コグニティブ・インサイト・アプリケーションは、通常、機械にしかできない仕事のパフォーマンスを向上させるために使用され、プログラマティック広告購入のような、高速データ処理と自動化を伴うタスクは、長い間人間の能力を超えていたため、一般的に人間の仕事を脅かすものではありません。
3. 認知的エンゲージメント
自然言語処理のチャットボット、インテリジェント・エージェント、機械学習を使用して従業員や顧客をエンゲージするプロジェクトは、我々の調査では最も一般的でないタイプでした(全体の16%を占めます)。このカテゴリーには以下が含まれます:
- パスワードの要求からテクニカル・サポートに関する質問まで、幅広い、そして増え続けている問題に、すべて顧客の自然言語で対応する24時間365日のカスタマーサービスを提供するインテリジェント・エージェント;
- IT、福利厚生、人事ポリシーなどに関する従業員からの質問に答える社内サイト;
- パーソナライゼーション、エンゲージメント、セールスを向上させる小売業向け商品・サービス推奨システム(通常、リッチ言語や画像を含む)。
- 患者の健康状態や過去の治療歴を考慮し、医療提供者がカスタマイズされたケアプランを作成するのを支援する健康治療推奨システム。
調査対象の企業は、コグニティブ・エンゲージメント・テクノロジーを、顧客よりも従業員との対話に多く使用する傾向がありました。しかし、企業が顧客とのやり取りを機械に委ねることに抵抗がなくなれば、この傾向は変わるかもしれません。例えば、ヴァンガードは、カスタマーサービススタッフがよくある質問に答えるのを助けるインテリジェントエージェントを試験的に導入しています。
最終的には、顧客が人間のカスタマーサービス・エージェントではなく、コグニティブ・エージェントと直接やりとりできるようにする計画です。スウェーデンのSEBankと米国の医療技術大手ベクトン・ディッキンソンは、本物そっくりのインテリジェント・エージェント・アバターであるアメリアを、ITサポート用の社内ヘルプデスクとして利用しています。SEBankは最近、アメリアの性能と顧客対応をテストするため、限定的に顧客にアメリアを提供しています。
企業が顧客向けのコグニティブ・エンゲージメント・テクノロジーに対して保守的なアプローチを取りがちなのは、その大部分が未成熟だからです。例えばフェイスブックは、同社のメッセンジャー・チャットボットが、人間の介入なしに顧客のリクエストの70%に答えることができないことを発見しました。その結果、Facebookや他のいくつかの企業は、ボットベースのインターフェースを特定のトピック・ドメインや会話タイプに制限しています。
我々の調査によると、コグニティブ・エンゲージメント・アプリは現在、カスタマーサービスや営業担当者の仕事を脅かしてはいありません。我々が調査したほとんどのプロジェクトでは、人員削減が目的ではなく、人員を増やすことなく、増え続ける従業員や顧客とのやり取りを処理することが目的でした。
組織によっては、定型的なコミュニケーションを機械に委ねる一方で、カスタマー・サポートの担当者を、エスカレートする顧客の問題への対応や、構造化されていない対話の延長、顧客から問題が寄せられる前の接触など、より複雑な業務に移行させることを計画していました。
続きを読む:AIを活用した組織の構築
企業がコグニティブ・ツールに精通するにつれ、AIのメリットを享受するために、3つのカテゴリーすべての要素を組み合わせたプロジェクトを試みています。例えばイタリアのある保険会社は、IT組織内に「コグニティブ・ヘルプデスク」を開発しました。このシステムは、ディープラーニング技術(コグニティブ・インサイトのカテゴリーの一部)を使って従業員と連携し、よくある質問と回答、過去に解決した事例、文書を検索して従業員の問題に対するソリューションを導き出す。スマート・ルーティング機能(ビジネス・プロセス・オートメーション)を使用して、最も複雑な問題を人間の担当者に転送し、自然言語処理を使用してイタリア語でユーザーの要求をサポートします。
しかし、コグニティブ・ツールの使用経験が急速に拡大しているにもかかわらず、企業は開発と導入において大きな障害に直面しています。我々の研究に基づき、プロジェクトがムーンシュートであれ、ビジネスプロセスの強化であれ、企業が目的を達成するのに役立つAI技術を統合するための4段階のフレームワークを開発しました。
テクノロジーを理解する
AIイニシアチブに着手する前に、企業はどのテクノロジーがどのような種類のタスクを実行するのか、そしてそれぞれの強みと限界を理解する必要があります。例えば、ルールベースのエキスパート・システムとロボティック・プロセス・オートメーションは、その仕事の進め方において透明性があるが、どちらも学習して改善することはできありません。
一方、ディープラーニングは大量のラベル付きデータから学習することに長けているが、どのようにモデルを作成するのかを理解することはほとんど不可能です。この 「ブラックボックス 」の問題は、金融サービスのような規制の厳しい業界では問題となる可能性があり、規制当局は、ある特定の方法で意思決定が行われる理由を知ることを要求します。
私たちは、目の前の仕事に対して間違ったテクノロジーを追求し、時間とお金を浪費している組織に何度か遭遇しました。しかし、さまざまなテクノロジーについて十分な理解を持っていれば、企業は、特定のニーズに最も適したもの、どのベンダーと協力すべきか、またシステムをどれくらいの期間で導入できるかを判断することができます。このような理解を得るためには、通常IT部門やイノベーション・グループにおいて、継続的な研究と教育が必要です。
特に、企業はデータサイエンティストなど、これらのテクノロジーの勘所を学ぶのに必要な統計やビッグデータのスキルを持つ重要な従業員の能力を活用する必要があります。主な成功要因は、従業員の学習意欲です。このチャンスに飛びつく者もいれば、使い慣れたツールに固執する者もいます。前者の割合が高くなるように努力しましょう。。
社内にデータサイエンスやアナリティクスの能力がない場合、おそらく短期的には外部のサービスプロバイダーとエコシステムを構築しなければならないでしょう。長期的なAIプロジェクトの実施を想定しているのであれば、社内に専門的な人材を採用したいでしょう。いずれにせよ、適切な能力を持つことは進歩に不可欠です。
コグニティブ・テクノロジーの人材が希少であることを考えると、ほとんどの組織では、リソースのプール(おそらくIT部門や戦略部門などの一元化された機能)を確立し、組織全体で優先度の高いプロジェクトにエキスパートを利用できるようにする必要があります。ニーズや人材が急増するにつれて、特定のビジネス機能やユニットにグループを特化させることは理にかなっているかもしれないが、その場合でも、中央の調整機能はプロジェクトやキャリアを管理する上で有用です。
プロジェクト・ポートフォリオの作成
AIプログラム立ち上げの次のステップは、ニーズと能力を体系的に評価し、優先順位をつけたプロジェクトのポートフォリオを作成することです。私たちが調査した企業では、これは通常、ワークショップや小規模なコンサルティング契約を通じて行われていました。我々は、企業が3つの大まかな分野で評価を実施することを推奨します。
機会の特定
最初のアセスメントでは、コグニティブ・アプリケーションから最も恩恵を受けることができるビジネスの分野を決定します。一般的には、「知識」、つまりデータ分析やテキストのコレクションから得られる洞察が重要であるが、何らかの理由で利用できない会社の部分です。
ボトルネック:場合によっては、コグニティブな洞察力の欠如は、情報の流れのボトルネックによって引き起こされます。例えば、医療では、知識が診療所、診療科、または学術医療センター内でサイロ化される傾向があります。
スケーリングの課題:知識は存在するが、それを利用するためのプロセスに時間がかかりすぎたり、規模を拡大するにはコストがかかりすぎたりする場合もあります。ファイナンシャル・アドバイザーが開発した知識は、しばしばこのようなケースに当てはまります。多くの投資会社や資産管理会社が、AIがサポートする「ロボ・アドバイス」機能を提供し、顧客に日常的な金融問題についてコスト効率の高いガイダンスを提供しているのはそのためです。製薬業界では、ファイザーがIBMのワトソンを使って、免疫腫瘍学における創薬研究の手間のかかるプロセスを加速させることで、スケーリングの問題に取り組んでいます。免疫腫瘍学の新薬は、上市までに12年かかることもあります。ワトソンは、広範な文献レビューとファイザー独自のデータ(検査報告書など)を組み合わせることで、研究者が関係を表面化し、隠れたパターンを見つけるのを助けています。
不十分な生産力:最後に、企業が収集するデータは、既存の人間やコンピュータの能力では十分に分析・適用できない場合もあります。例えば、企業は消費者のデジタル行動に関する大量のデータを持っているかもしれないが、それが何を意味するのか、どのように戦略的に適用できるのかについての洞察が不足しています。これに対処するため、企業は機械学習を使って、パーソナライズされたデジタル広告のプログラマティック・バイイングなどのタスクをサポートしたり、シスコシステムズやIBMの場合は、どの顧客がどのプロダクトを購入する可能性が高いかを判断するための何万もの「傾向モデル」を作成したりしています。
ユースケースの決定
評価の 2 番目の領域では、コグニティブ・アプリケーションが実質的な価値を生み出し、ビジネスの成功に貢献するユースケースを評価します。次のような重要な質問をすることから始めます: 全体的な戦略にとって、対象となる問題への対処はどの程度重要か?
提案されたAIソリューションの実装は、技術的にも組織的にもどの程度困難か?アプリケーションを立ち上げることで得られる利益は、その労力に見合うものでしょうか?次に、最も短期的・長期的な価値を提供し、最終的に幅広いプラットフォームやコグニティブ機能スイートに統合して競争優位性を生み出す可能性のあるユースケースに優先順位をつけます。
技術の選択
評価すべき3つ目の領域は、各ユースケースに対して検討されているAIツールが、本当にそのタスクに適しているかどうかを検証することです。例えば、チャットボットやインテリジェント・エージェントは、そのほとんどが単純なスクリプトのケースを超える人間の問題解決にはまだ及ばないため、一部の企業を苛立たせるかもしれません(ただし、急速に改善されています)。
請求書発行のような単純なプロセスを合理化できるロボティック・プロセス・オートメーションのような他のテクノロジーは、かえって複雑な生産システムを遅らせるかもしれません。また、ディープラーニングによる視覚認識システムは、写真や動画の画像を認識することができるが、ラベル付けされたデータを大量に必要とするため、複雑な視覚野を理解できない可能性があります。
やがてコグニティブ・テクノロジーは、企業のビジネス手法を一変させるでしょう。しかし今日では、現在利用可能なテクノロジーで段階的なステップを踏みながら、そう遠くない将来の変革に向けた計画を立てる方が賢明です。例えば、最終的には顧客とのやり取りをボットに任せたいと考えるかもしれないが、今は最終的な目標に向けたステップとして、社内のITヘルプデスクを自動化する方が現実的で賢明でしょう。
パイロットの立ち上げ
現状と希望するAI機能のギャップは必ずしも明らかではないため、企業はコグニティブ・アプリケーションを企業全体に展開する前に、パイロット・プロジェクトを立ち上げるべきです。
概念実証のパイロットは、潜在的なビジネス価値が高いイニシアティブや、組織が同時にさまざまなテクノロジーをテストできるイニシアティブに特に適しています。テクノロジーベンダーの影響を受けた上級幹部によるプロジェクトの「注入」を避けるよう、特に注意すること。経営幹部や取締役会が「コグニティブなことをしなければならない」というプレッシャーを感じているからといって、厳密な試験的プロセスを回避すべきだということにはなりません。注入されたプロジェクトはしばしば失敗し、組織のAIプログラムを大幅に後退させる可能性があります。
あなたの会社がいくつかのパイロットを開始する予定がある場合、それらを管理するためにコグニティブセンターオブエクセレンスまたは同様の構造を作成することを検討してください。このアプローチは、組織内に必要なテクノロジー・スキルと能力を構築するのに役立つと同時に、小規模なパイロット・プロジェクトを、より大きな効果をもたらすより広範なアプリケーションに移行させるのにも役立つます。ファイザー社では、何らかの形でコグニティブ・テクノロジーを採用したプロジェクトが全社で60以上あり、その多くはパイロットであり、一部は現在生産中です。
ベクトン・ディッキンソン社では、IT組織内の「グローバル・オートメーション」機能が、インテリジェント・デジタル・エージェントやRPAを使用する多くのコグニティブ・テクノロジーのパイロットを監督しています(一部の作業は、同社のグローバル・シェアード・サービス組織と提携して行われています)。グローバル・オートメーション・グループは、エンド・ツー・エンドのプロセス・マップを使用して、導入の指針と自動化の機会を特定しています。
同グループはまた、AI介入に最も従順な組織活動を示すグラフィカルな「ヒートマップ」も使用しています。同社は、ITサポート・プロセスへのインテリジェント・エージェントの導入に成功しているが、受注から現金化までのような大規模な企業プロセスをサポートする準備はまだ整っていありません。医療保険会社のアンセムは、コグニティブ・ケイパビリティ・オフィスと呼ぶ同様の集中型AI機能を開発しました。
ビジネス・プロセスの再設計
コグニティブ・テクノロジー・プロジェクトを開発する際には、人間とAIの役割分担に特に焦点を当てながら、ワークフローをどのように再設計するかを考え抜く。コグニティブ・プロジェクトでは、意思決定の80%を機械が行い、20%を人間が行うものもあれば、逆の比率になるものもあります。人間と機械が互いの長所を補い、短所を補うようにするには、ワークフローを体系的に再設計する必要があります。
例えば、投資会社バンガードは、自動化された投資アドバイスと人間のアドバイザーによるガイダンスを組み合わせた新しい「パーソナル・アドバイザー・サービス」(PAs)を提供しています。この新しいシステムでは、コグニティブ・テクノロジーが、カスタマイズされたポートフォリオの構築、長期的なポートフォリオのリバランス、タックス・ロス・ハーベスティング、節税効果の高い投資選択など、投資助言の伝統的なタスクの多くを実行するために使用されています。
バンガードの人間のアドバイザーは「投資コーチ」として、投資家の質問に答えたり、健全な金融行動を促したり、バンガードの言葉を借りれば「感情的な回路ブレーカー」として、投資家が計画通りに投資できるようサポートする役割を担っています。アドバイザーは、これらの役割を効果的に果たすため、行動ファイナンスについて学ぶことが奨励されています。PASのアプローチは、すぐに800億ドル以上の運用資産を集め、コストは純粋に人間ベースのアドバイスよりも低く、顧客満足度も高いのです。
ある企業の役割分担
投資サービス会社であるバンガードは、コグニティブ・テクノロジーを利用して、顧客に投資アドバイスを低コストで提供しています。同社のパーソナル・アドバイザー・サービス・システムは、投資アドバイスの伝統的なタスクの多くを自動化し、人間のアドバイザーはより価値の高い業務を担当します。この新しいシステムを最大限に活用するために、バンガードがどのように作業プロセスを再設計したかを紹介しましょう。。
コグニティブ・テクノロジー
- ファイナンシャル・プランを作成
- 目標に基づいた予測をリアルタイムで提供
- ポートフォリオを目標構成に再バランス
- 税金の最小化
- 集約された資産を一箇所で追跡
- バーチャルにクライアントに関与
アドバイザー
- 投資目標を理解
- 実行計画をカスタマイズ
- 投資分析とリタイヤメント・プランニングの提供
- 退職所得と社会保障の引き下げ戦略の策定
- 行動コーチとしての役割
- 説明責任を果たすために支出を監視
- 継続的な資産およびファイナンシャル・プランニングのサポート
- 財産設計の考慮事項への対応
出典 バンガード・グループ
バンガードはPAS導入時の業務再設計の重要性を理解していたが、特にRPA技術を利用する場合、多くの企業は既存の業務プロセスを自動化することで「牛歩を進める」だけでした。既存のワークフローを自動化することで、企業はプロジェクトを迅速に実施し、ROIを達成することができるが、AI機能をフルに活用し、プロセスを実質的に改善する機会を逃してしまいます。
コグニティブ・ワークの再設計の取り組みは、多くの場合、デザイン思考の原則を適用することで利益を得ることができます。すなわち、顧客またはエンドユーザーのニーズを理解すること、作業が再構築される従業員を参加させること、デザインを実験的な「最初のドラフト」として扱うこと、複数の選択肢を検討すること、デザイン・プロセスにおいてコグニティブ・テクノロジーの能力を明示的に考慮すること、などです。ほとんどのコグニティブ・プロジェクトは、反復的でアジャイルな開発アプローチにも適しています。
スケールアップ
多くの組織がコグニティブのパイロット版の立ち上げに成功しているが、組織全体への展開にはそれほど成功していありません。目標を達成するために、企業にはスケールアップのための詳細な計画が必要であり、これには技術の専門家と自動化されるビジネスプロセスの所有者とのコラボレーションが必要です。
コグニティブ・テクノロジーは通常、プロセス全体ではなく個々のタスクをサポートするため、スケールアップにはほとんどの場合、既存のシステムやプロセスとの統合が必要となります。実際、我々の調査では、経営幹部は、このような統合がAIイニシアチブで直面する最大の課題であると回答しています。
企業は、必要な統合が可能かどうか、実現可能かどうかを検討することから、スケールアップのプロセスを始めるべきです。例えば、調達が困難な特殊なテクノロジーに依存するアプリケーションの場合、スケールアップは制限されます。ビジネス・プロセス・オーナーが、パイロット・フェーズの前ま たは最中に、スケーリングに関する検討事項をIT部門と話し 合っていることを確認します: RPAのような比較的単純なテクノロジーであっても、IT部門を回避することは成功しにくいのです。
例えば、医療保険会社のAnthem社は、既存システムの大規模な近代化の一環として、コグニティブ・テクノロジーの開発に取り組んでいます。
Anthem社は、新しいコグニティブ・アプリケーションをレガシー・テクノロジーにボルトで固定するのではなく、コグニティブ・アプリケーションが生み出す価値を最大化し、開発と統合にかかる全体的なコストを削減し、レガシー・システムにハロー効果をもたらす全体的なアプローチを採用しています。同社はまた、CIOのTom Miller氏が言うように、「コグニティブを利用して次のレベルに進む 」ために、同時にプロセスの再設計も行っています。
続きを読む ビッグ・アイデア:The Business of Artificial Intelligence, Inside Facebook's AI Workshop, AI Can Be a Troubling Teammate
規模を拡大する際、企業は大きなチェンジマネジメントの課題に直面する可能性があります。例えば、米国のあるアパレル小売チェーンでは、一部の店舗でのパイロット・プロジェクトで、オンライン商品の推奨、最適在庫の予測、迅速な補充モデル、そして最も困難なマーチャンダイジングに機械学習が使われました。
直感に基づいて商品を注文することに慣れているバイヤーは脅威を感じ、「これを信用するつもりなら、何のために私が必要なのか?」といったコメントを発しました。試験運用の後、バイヤーたちは集団でチーフ・マーチャンダイジング・オフィサーのもとを訪れ、プログラムの中止を要請しました。
その幹部は、結果は良好であり、プロジェクトを拡大する正当性があると指摘しました。彼はバイヤーたちに、特定のマーチャンダイジング業務から解放されれば、若い顧客の欲求を理解したり、アパレルメーカーの将来計画を決定したりといった、機械よりも人間の方がまだ優れている、より価値の高い仕事を引き受けることができると断言しました。同時に、マーチャンダイザーには新しい働き方についての教育が必要であることも認めた。
スケールアップが望ましい結果をもたらすには、企業は生産性の向上にも注力しなければなりません。例えば、多くの企業は、スタッフを増やすことなく、顧客と取引を増やし、生産性を向上させることを計画しています。AIへの投資を正当化する主な理由として人員削減を挙げる企業は、人員削減やアウトソーシングの廃止を通じて、時間をかけてその目標を実現することを計画するのが理想的です。
未来のコグニティブ企業
我々の調査とインタビューによると、コグニティブ・テクノロジーの経験豊富な経営者は、その将来性に強気です。初期の成功は比較的控えめなものであったが、これらのテクノロジーは最終的に仕事を一変させると予測しています。現在、AIを適度に導入し、将来に向けて積極的な導入計画を立てている企業は、早くからアナリティクスを導入している企業と同様に、利益を享受できる立場にあると我々は考えています。
AIを活用することで、マーケティング、医療、金融サービス、教育、専門サービスなど、情報集約的な領域は、社会的価値の向上とコスト削減を同時に実現できるでしょう。
あらゆる産業や機能において、定型的な取引を見たり、同じ質問に繰り返し答えたり、無限にある文書からデータを抽出したりといったビジネス上の雑務は機械の領域となり、人間の労働者はより生産的で創造的な仕事に解放される可能性があります。コグニティブテクノロジーはまた、自律走行車、モノのインターネット、モバイルやマルチチャンネルの消費者技術など、他のデータ集約型技術を成功に導く触媒でもあります。
コグニティブ・テクノロジーに関する大きな懸念は、大量の人々が失業してしまうことです。もちろん、スマートマシンが従来人間が行っていた特定のタスクを引き継ぐことで、多少の雇用喪失はあり得ます。
しかし、現時点ではほとんどの労働者はほとんど恐れることはないと我々は考えています。認知システムはタスクを実行するのであって、仕事全体を実行するわけではありません。私たちが目にした人間の雇用喪失は、主に、代替されなかった労働者の減少や、外部委託された仕事の自動化によるものでした。現在実行されているコグニティブ・タスクのほとんどは、人間の活動を補強したり、より幅広い仕事の中で狭いタスクを実行したり、ビッグデータ解析のようにそもそも人間が行っていなかった仕事を行うものです。
つまり、人間を完全に置き換えるのではなく、人間と機械の仕事を統合するのです。我々の調査では、AIの主な利点として従業員数の削減を挙げた経営幹部はわずか22%でした。
我々は、すべての大企業がコグニティブ・テクノロジーを探求すべきであると考えています。道中にはいくつかの凸凹があるだろうし、労働力の置換やスマート・マシンの倫理といった問題に自己満足する余地はありません。しかし、適切な計画と開発によって、コグニティブテクノロジーは生産性、働きがい、繁栄の黄金時代の到来を告げるかもしれません。