過去2カ月の間に、3人の異なる保険会社のCEOから、本質的に同じ質問をされた。「当社に売り込んできているすべてのAIベンダーの中から、どのようにして選べばよいのか」と。彼らは行動を起こすことを決めた。そして今、誰と組むべきかを決めようとしている。
だが、その2つ目の決定は、最初の決定より難しい。最初の決定は単純だ。行動するか、待つか。2つ目は構造的な問題である。CEOが今日選ぶベンダーは、今後数年にわたって再構築されるワークフローと、企業が引き継ぐ前提を形づくる可能性が高い。
前回の記事で、私はK字カーブ（K-curve）について議論した。これは経済学者が、一部の企業が急成長する一方で、他の企業が取り残されていく様子を説明する際によく用いる言葉だ。この言葉は、CEOの姿勢によって彼らを二分するだけでなく、AI市場をその「深さ」によって二分するものでもある。
「ジェネラリスト・プレミアム」の逆転
この2年間、標準的な選択肢は、利用可能な中で最大かつ最も汎用的なAIベンダーを選ぶことだった。その論理はシンプルだった。最大手のベンダーは最強のモデルと最も厚い研究陣を擁していた。彼らを選ぶことは、取締役会に対するリスクを管理する手段でもあった。賭けが外れたとしても、少なくとも「無名の相手を選んだ」とは言われないからだ。
このデフォルトの選択は、静かに崩壊しつつある前提に基づいていた。それは、「モデルの能力こそが競争優位性（モート）である」という信念だ。最強のモデルを選びさえすれば、あとは実装の細部にすぎないという考え方である。しかし、私が過去18カ月間に観察したところでは、最上位の横断的（ホリゾンタル）なモデルと、それに次ぐ階層のモデルとの差は実質的に縮まっている。すべてのベンダーが売り文句にしていた「当社のモデルは他社よりも賢い」という部分は、今やAIスタックの中で最も半減期の短い要素となっている。
コモディティ化していないのは、「業務の深さ（operational depth）」だ。複雑な業界の内部でAIを応用するために必要な組織的推論を習得するには、通常、何年もかかる。業務が極めて複雑な業界においては、ジェネラリスト・プレミアムは逆転した。それは今や「ジェネラリスト・ディスカウント」となっている。
汎用ベンダーが実際に解決するもの
横断的なAIベンダーが役に立たないわけではない。彼らは、コンテンツの下書き、汎用的なコーディング、一般的な生産性の向上といった、明確なカテゴリーの業務には適している。どのような業界でも同じように見え、間違いの代償が小さいワークロードだ。
しかし、それは複雑な業務産業を定義する仕事ではない。複雑な業界は通常、小さな誤りが下流で大きな結果へと積み上がる意思決定によって特徴づけられる。保険金請求における1つの補償解釈が、複数州にまたがる契約ポートフォリオ全体に適用されれば、訴訟に何年もかかる過失・不作為（E&O）エクスポージャーになり得る。料率の十分性における1%の見誤りは、コンバインド・レシオに表れる前に、保険会社の契約ポートフォリオ全体で積み上がる可能性がある。同じ構図は、臨床意思決定支援やマネーロンダリング対策といった領域にも見られる。発生頻度は低いが結果の重大性が高い意思決定であり、ベンダーのエラー許容度が業界のそれと一致していなければならない。
ジェネラリストは、誤ったカテゴリーのエラーに対して最適化を行っている。彼らは、自社の消費者向け製品が前提としているような、広く分布する、リスクの低い間違いに合わせて調整されている。この分野における私の経験では、複雑な業界を定義する意思決定は、そのようなものとはまったく異なる。
真の「ドメインの深さ」とは
ドメインの深さは観察可能なものであり、単なるマーケティング上の主張ではない。ベンダーがその深さを備えているかどうかを判断するための、いくつかの指標を以下に紹介する。
• ベンダーの担当者が、AIを販売する前にその実務を行っていた。 製品を構築しているチームは、自らが自動化しようとしているワークフローによって「傷を負った」経験を持っている。彼らは厳しい市場や監査を生き抜いてきた。彼らはどの数値が積み重なり、どの数値がノイズにすぎないかを理解している。なぜなら、誤った決断が現実の損失をもたらした会議に、自ら出席していたからだ。
• ベンダーが細部について議論する。 ジェネラリストはフレームワークを売り込む。ドメインに深く特化したベンダーは、具体的な数値やエッジケースについて議論する。ジェネラリストにとっては四捨五入の誤差に見える2％のミス率も、実務家にとっては「5年のテールリスク（テール問題）」と読み解ける。具体的に反論すべき点を何一つ見いだせないベンダーは、その業界にAIを導入できるほど業界を理解していないということだ。
このパターンは、過去にも繰り返されてきた。例えば、パランティア（Palantir）が防衛インテリジェンス分野で大きな成功を収めた理由の1つは、彼らが現場配備型エンジニアを同じ部屋に配置し、顧客のアナリストや実務家とともに、彼らが業務をより良く遂行するために本当に必要なものを学んだからだ。保険、銀行、ヘルスケアの分野における次の成功企業のサイクルは、同様のパターンを踏襲する企業によって構成されると私は信じている。
5分でできる簡易テスト
ベンダーがこの境界線のどちら側に属しているかを見極めるのに、面倒な調達プロセスは不要だ。ベンダーに以下の3つの質問を投げかけるだけで、必要な情報の大部分を得ることができる。
1. エラー感度に関する質問： 「御社の財務成果のうち、モデルのエラーに最も敏感なものはどれか。また、どのような意思決定クラスがその感度を左右しているか」。ドメインに深い知見を持つベンダーであれば、初日からこれに答えることができるはずだ。その回答は、モデルの知識ではなく実務家の知識に基づいている。ジェネラリストはおそらく、機能の紹介ツアーを提案し、どれを検討したいかを尋ねてくるだろう。
2. 規制に関する深い知識を問う質問： 「当業界特有の規制上または法的なリスクに、どのように対処するか」。回答の中に具体的な失敗モードと、それを防ぐために構築するものが含まれているかどうかが分かれ目となる。「専門家（サブジェクト・マター・エキスパート）と提携する」という答えが返ってきたら、その相手はジェネラリストだ。
3. 業務チェーンに関する質問： 「上流のこの業務変数は、下流のあの結果にどのような影響を与えるか」。このような質問を1つ投げかけ、ベンダーが連鎖を追跡するか、あるいは目の前にあるワークフローだけで思考を止めてしまうかを見てみよう。ジェネラリストは個別に分離し、実務家は追跡する。
私の業界では、これら3つの質問は次のようになる。
• 「コンバインド・レシオにとってより痛手となるのは、誤って支払われた保険金か、それとも誤って引き受けられた契約か」
• 「保険金請求で表面化した補償のギャップに対し、複数州にまたがる専門職業賠償責任（E&O）リスクにどう対処するか」
• 「初期事故受付（FNOL）の遅延は、不正請求による損害率にどのような影響を与えるか」
正しい回答は、その業務の現場を経験してきた人物から、具体的な内容で返ってくる。誤った回答は、曖昧なものになる。
複利的に効く意思決定
CEOが下す最初のAIに関する決定は、「行動するか、待つか」という二者択一だ。2つ目の決定は構造的である。今日選ぶベンダーが、引き継ぐ前提条件や、チームがその過程で身につける筋肉反射（マッスルメモリー）を形成する。私の経験では、この選択を後から簡単に修正することは通常できない。その後の数年間、その選択を回避しながらだましだまし業務を進める羽目になる。
