小売企業を率いているなら、「AI部門はいつ立ち上がるのか」と誰かに尋ねられたことがあるだろう。
私の仕事の大部分は、無駄が大きなコストとなる小売および消費財の分野である。これらの業界は極めて薄い利益率で運営されており、粗利益率がわずか1ポイント違うだけで、好調な年になるか苦しい年になるかの分かれ目となる。そのため、意思決定の誤りはほとんど許されない。だからこそ私は、AI部門がどのように構築されるかに強い関心を寄せている。
Anthropic（登録が必要）、OpenAI、Microsoftはいずれも、AIに関する実践ガイドを発表している。これらの企業が示した助言と、私が長年にわたり企業がAI活用に成功する（そして時に失敗する）姿を見てきた経験に基づき、AI部門を構築するブランドへの推奨事項を以下に紹介する。
1. 新たなオペレーティングモデルとして捉える
新しいツールを購入するのは簡単だが、Microsoftのレポートが「吸収」と呼ぶ、人間とエージェントを取り巻く業務プロセスの変更こそが、より困難な部分である。ある食品小売企業がマーチャンダイジングチーム向けのツールを導入したいと考えた際、私はこれを目の当たりにした。成功の要因はソフトウェアではなく、モデルが導入された後にバイヤーと需要計画担当者がどのように意思決定を分担するかについて、リーダーシップが変化をいとわなかったことだ。クライアントが既存のプロセスをそのままにしてAIを上乗せするだけの場合、私は大抵、1年後にそれを元に戻すために再び現場に呼ばれることになる。
2. 構築する前に「卒業基準」を定義する
行き詰まるAIプロジェクトの多くは、何をもって「成功」とするのかの合意ができていないために失敗している。Anthropicは、その解決策にふさわしい言葉として「卒業基準（graduation criteria）」を挙げている。パイロット運用を始める前に、チームと共に1つの問いに対する答えを文書化することをお勧めする。それは、「どのような測定可能な成果が得られれば、自信を持ってスケールアップできるか、そしてその決定を下すのは誰か」という問いだ。これを書き出すことができないのであれば、まだ準備ができていない。見栄えの良いデモと本質的な成功を区別することができないからだ。
3. 最初からガバナンスを組み込む
ガバナンスがあなたの歩みを遅らせることはない。むしろ、その不在こそが足を引っ張る。自動化された各プロセスの責任者を明確にし、問題が発生した際の対応を決めておくべきだ。責任者を指名できないのであれば、それはいつ表面化してもおかしくない負債を抱えていることになる。初期段階から組み込まれたガバナンスは、ブレーキではなく、より速く走るためのシートベルトなのだ。
4. 中央プラットフォーム型か推進者主導型かを選択する
ここには明確な分岐点があり、どちらの道も正解となり得る。標準化を管理する中央プラットフォームを構築することもできれば、顧客に最も近い現場の従業員に権限を分散させることもできる。
消費財業界ではその両方の事例が見られる。例えば、PepsiCoは社内プラットフォームを構築した一方で、Lowe’sは、一日中顧客と接する店舗スタッフにAIアシスタントへのアクセス権を与えた。自社にとってどちらに重点を置くべきかは、既存の専門知識がどこに存在するかに依存する。そのため、成り行き任せにするのではなく、意図的に選択する必要がある。
5. AIの活用流暢性を高め、出力の評価者を意識する
OpenAIのレポートには、「従業員は業務プロセスや課題に最も近いため、AIを活用したソリューションを見出すのに最も適した立場にあることが多い」と記されている。言い換えれば、実務を理解している人々にAIを委ねるべきだということだ。彼らこそが、真に価値のある用途を見つけ出すのに最適な立場にいる。
しかし、判断力を伴わない流暢さは危険であることを忘れてはならない。私はその危うさを間近で見てきた。ある消費財チームは、AIが作成したワンシーズン分のコピーをあやうくそのまま世に出すところだったが、カテゴリーマネージャーが、AIモデルがでっち上げた製品のメリットに気づき、直前で食い止めた。こうした虚偽の主張は、規制当局の介入を招く。あるいは、Coca-Colaがホリデーシーズンの広告にAIを採用したものの、多くの視聴者から「魂がこもっていない」と批判されたケースも記憶に新しい。
私の見解では、今や稀少なスキルは「AIを使うこと」ではなく、AIがもっともらしく誤った情報を出力したときに「それを見破ること」である。
6. アーキテクチャのパターンを早期に決定する
土台が固まったら、システム全体がどのように統合されるかを決定する。私が有効だと感じているパターンは、シンプルなハブ＆スポーク型だ。これは、中央チームが共通サービスを所有し、各事業ユニットがその上にシステムを構築する形態である。私はチームにこれを1ページの図に描くよう求めるが、誰も描けない場合は、それこそが最初に解消すべきギャップである。明確なパターンがあれば、毎回再構築することなく、既存の成果を再利用できる。
7. 測定を優先する
OpenAIは「評価（evals）から始める」ことを提唱している。最初に身につけるべき習慣が1つあるとすれば、それは「測定」だと確信している。テストしたことのないものを信頼することはできない。ある専門店チェーンと協働した際、私たちはAIシステムを店舗で最も優秀なサービスリーダーの横で2週間稼働させ、すべての回答を比較検証した上で、ようやく顧客からの質問への対応をそのツールに任せることにした。
「良い」の定義を技術チームだけに委ねてはならない。不満を抱えた顧客の前で責任を負う人物の基準を用いるべきである。
8. セキュリティを多層防御として扱う
システムが単に回答するだけでなく、自律的にアクションを実行できるようになると、セキュリティのあり方は一変する。私が推奨するベストプラクティスは、すべてのシステムやエージェントに対して必要最小限のアクセス権のみを付与し、パスワードの共有ではなく検証可能な固有のIDを与え、その行動履歴を記録することだ。複数のエージェントで1つのログイン情報を共有していれば、ある不運な午後に大惨事を招くことになるだろう。
9. アクセラレーター・フレームワークは慎重に選ぶ
その期に誰もが話題にしている最新のフレームワークに飛びつきたくなるものだが、そこは踏みとどまるべきだ。代わりに、自社のチームが本当に使いこなせるものは何かを自問してほしい。不十分な理解のまま導入したツールに溺れて頓挫したAIの取り組みを、私はあまりにも多く見てきた。シンプルすぎて失敗することよりも、その方がはるかに多い。退屈でもよく理解されたものは、まばゆくても脆いものに必ず勝るのである。
10. 組織が学習できるループを構築する
最後のこの問いは非常に重要であり、じっくりと考える価値がある。それは、「あなたの組織は、AIを使うたびに賢くなっているか。それとも、単に出力物を増やして次へと進むだけになっているか」という問いだ。Anthropicが示しているように、企業は事後検証（ポストモーテム）を実施して、何がうまくいき、何が失敗したのかを確認し、そこから学び、反復し続ける必要がある。初期段階から評価とモニタリングの仕組みを組み込んでおくことをお勧めする。そうすれば、すべての部門が自律的に改善できるようになる。これを怠れば、すべてが順調であると自分に言い聞かせている間に、組織は静かに衰退していくかもしれない。
AI部門の構築は、ゴールの決まったプロジェクトではない。慎重に導入し、誠実に検証し、確実にセキュリティを担保し、絶えず改善し続けなければならない新しい業務のあり方である。業界で最も技術力の高い企業である必要はない。小売や消費財の分野において、勝者はめったに派手な存在ではない。自らが知っていることに誠実であり、サプライチェーンから店頭に至るまでの業務の流れを進んで変革しようとする企業こそが勝者となるのだ。
