AIプロジェクトが最後のステアリングコミッティ（運営委員会）の会合を迎える。システムは正常に稼働している。ユーザーにも定着した。導入チームは業務を完了した。
通常のプロジェクトの論理から言えば、これは喜ばしいニュースだ。プロジェクトを終了し、システムを運用フェーズに移行させ、チームを解散して、次の優先課題へと移行する。
しかし、その成功の瞬間に、もう一つの決断が存在する。一体、私たちは何を「終了」させようとしているのだろうか。
導入は完了したかもしれない。しかし、それによって生じた責任は、まだ終わっていないかもしれない。
AIシステムは、導入チームが去った後も長期にわたり、意思決定や顧客エンゲージメント、ワークフローを方向付け続ける。そのため、プロジェクトの終了は単なる事務的なマイルストーンにとどまらない。所有権、学習、測定、そして説明責任（アカウンタビリティ）を引き継ぐポイントにもなり得るのだ。
AIをプロジェクトとして管理すること自体が間違いというわけではない。プロジェクトという枠組みは有用だ。不確実性をコントロールし、予算を確定し、チームに実験を行うための実践的な手段を提供する。
リスクが生じるのは、リーダーが「AIを導入するための境界」がそのまま「AIが稼働し続けた後に果たす責任の境界」でもあると思い込んでしまうときだ。
AIプロジェクトの成功は、AIトランスフォーメーションと同義ではない
AIが個人のパフォーマンスを向上させ得るという、明確な証拠がある。
エリック・ブリニョルフソン、ダニエル・リー、リンゼイ・レイモンドは、5179人のカスタマーサポート担当者への生成AIアシスタントの導入について調査を行った。このツールへのアクセスにより、1時間あたりの問題解決数で測定される生産性は平均14％向上した。この恩恵は、初心者やスキルの低い労働者において特に顕著であった（Generative AI at Work）。
これは重要な事実だ。
しかし、個人の仕事を改善することと、組織の働き方を変えることとは別物である。
66社、計7137人のナレッジワーカーを対象とした、別のランダム化フィールド実験がこの違いを浮き彫りにしている。労働者は、メールや会議、文書作成などにすでに使用しているアプリケーションに統合された生成AIを利用できるようになった。このツールを使用した対象の労働者は、6カ月間に及ぶ実験の後半において、メール業務の時間が週に約2時間減少した。しかし、個人レベルでのAI提供からは、労働者のタスクの量や構成における、より広範な変化は検出されなかった。
これらの研究は、異なる環境、成果、介入を対象としている。そのため、直接的な比較として扱うべきではない。
しかし、これらを総合すると、真剣に受け止める価値のあるマネジメント上の明確な違いが浮かび上がる。
AIは、それを取り巻く業務システムそのものを変えることなく、特定のタスクを改善できるということだ。
つまりリーダーは、導入の成功や、測定可能な生産性の向上さえも、組織的なトランスフォーメーション（変革）が実現した十分な証拠であると誤認しないよう、注意しなければならない。
拙速にプロジェクトモデルを批判してはならない
安易な反応としては、プロジェクトというモデル自体が時代遅れであると結論づけることだ。
しかし、そのような結論を裏付ける証拠はない。
AIの取り組みが期待外れの成果に終わる原因としては、ユースケースの弱さ、技術の未熟さ、採算性の悪さ、非現実的な計画、定着率の低さ、あるいは実行力の欠如などが挙げられる。組織上の呼び名を変えたところで、これらの問題が解決するわけではない。
さらに重要なのは、短期的なプロジェクトが必ずしも一時的な組織学習しか生まないわけではないということだ。
ルネ・バッカーらは、一時的な組織間プロジェクトと恒久的な母体組織との間で行われた知識移転の12の事例を研究した。彼らの分析によると、知識移転を成功させるためには、プロジェクトを所有する組織側の高い吸収能力が必要不可欠であった。単一の要因だけで十分なものは存在しなかった（Managing the project learning paradox）。
プロジェクトが終了しても、そこから得られた学びは存続し得る。
プロジェクトチームが解散しても、恒久的な組織がその学びに対する責任を持ち続けることができるのだ。
一時的なデリバリーは、一時的な責任を意味しない
AIプロジェクトが終了するとき、何にまだ「所有者（責任者）」が必要なのかを問いかけよう。
6カ月後のビジネス成果に責任を持つのは誰か。
ユーザーや顧客からのフィードバックはどこに集約されるのか。
例外的な事態や失敗から学ぶのは誰か。
システムが意図した結果をもたらしているかどうかを測定し続けるのは誰か。
モデルやシステム、あるいはそれを取り巻くワークフローが変化する中で、ガバナンスに責任を持つのは誰か。
AIの影響を受けた重大な意思決定に対して、引き続き説明責任を負うのは誰か。
これらは現状を診断するための問いだ。すべてのAI導入において、これら6つの問いが等しく重要であると研究で立証されているわけではない。
より本質的な問題は、AIシステムが導入先の組織内で生き続ける限り、継続的な責任が必要とされることだ。
それらの責任が明確に定義されていれば、従来のプロジェクト管理手法でも十分に機能するだろう。
しかし責任が曖昧な場合、プロジェクトの終了によって隙間が生じる。テクノロジーは稼働し続ける一方で、所有権、学習、測定、あるいは説明責任が不明確になってしまうのだ。
これこそが、経営陣の議論を変えるべきポイントだと私は考えている。
導入作業自体は終わらせることができる。
しかし、必要な責任は、その根底にある責任が実際に終わるときにのみ終了すべきであり、単にプロジェクトが終わったからという理由で終わらせてはならない。
組織は何を学んだのか？
AIの活用規模を拡大することと、組織としてのAIケイパビリティ（能力）を構築することは同じではない。
パトリック・ミカレフとマンジュル・グプタは、組織のAIケイパビリティの測定基準を開発し、実証的にテストした。彼らの研究は、AIケイパビリティ、組織の創造性、そして組織のパフォーマンスの間に正の相関関係があることを明らかにした（Artificial intelligence capability）。
彼らの研究は、あるAIプロジェクトから別のプロジェクトへと能力が蓄積されていくことを証明しているわけではない。また、恒久的なチームがプロジェクトチームよりも優れていることを立証しているわけでもない。そして、私がここで主張している「責任の境界」に関する議論を検証したものでもない。
この研究が支持しているのは、経営陣が組織のAIケイパビリティを考える際、パイロットプロジェクトの数、導入実績、あるいはユーザー数といった数値の先を見るべき理由がある、という点だ。
大規模なAIの取り組みが完了した後に、以前はできなかったことで、今組織ができるようになったことは何かを問いかけよう。
どのような知識が再利用可能になったか。
別のチームが継承できるインフラは何か。
一から決め直す必要がなくなったガバナンス上の決定はどれか。
どの評価手法が改善されたか。
人間の意思決定が依然として不可欠な領域について、組織は何を学んだか。
そしておそらく、最も本質を突いた問いはこうだ。
次のAIの取り組みにおいて、再び発見しなくて済むことは何か。
もしその答えが「ほとんどない」であるならば、AIの取り組みをどれだけ増やしても、組織のケイパビリティが向上しているとは言えない。
変革の真の単位は、業務そのものであるかもしれない
問題をプロジェクトの構造だけに矮小化すべきではないもう一つの理由は、ボトルネックが別の場所にあるかもしれないからだ。
ボトルネックが、AIを取り巻くワークフローや意思決定システムそのものである場合がある。
予測、推奨、あるいは下書きの精度が上がったからといって、誰に権限があるのか、部門間でどのように業務が流れるのか、システムが不確実なときに何が起こるのか、フィードバックが次の意思決定をどう変えるのか、といったことが自動的に変わるわけではない。
だからこそ、経営陣は次の3つの問いを切り離して考えるべきだ。
AIは機能しているか？
タスクは改善されたか？
業務のシステム（仕組み）は改善されたか？
これらの問いは、それぞれ異なるレベルに位置している。
企業はすべてのAIプロジェクトを恒久的なプロダクトチームに置き換えることもできるが、それでも取り巻くワークフローを放置したままにすることは可能だ。これでは、テクノロジーの生み出し方を変えただけで、組織がそこから価値を創出する方法は必ずしも変わらない。
したがって、「プロジェクトかプロダクトか」という議論は狭すぎる。
より有用な問いは、デリバリー（提供）の限界が、そのAIによって影響を受ける業務、意思決定、および責任の境界と一致しているかどうかだ。
AIプロジェクトが、本当に単なるプロジェクトにすぎないこともある
すべてのAIへの取り組みに、恒久的なチーム、新しいオペレーティングモデル、あるいは全社的なガバナンスが必要なわけではない。
モジュール化された業務もある。終了させるべき実験もある。既存の組織構造の中に無理なく収まる、明確な所有者と測定可能な効果を持つアプリケーションもある。
そして時には、期待外れに終わったAIの取り組みが、単に不出来なプロジェクトにすぎないこともある。
採算性の悪さ、未熟な技術、不十分な導入、あるいは定着率の低さで十分に説明がつく状況において、リーダーはそれを組織設計の問題だと誤診すべきではない。
現在のところ、組織がプロジェクト型のデリバリーを完全に放棄すべきだとする普遍的な基準を示す証拠はない。
目的は、プロジェクト思想をプロダクト思想に置き換えることではない。どちらかを選択する前に、現状の診断精度を向上させることにある。
まず、責任の境界を診断する
組織図を変更する前に、4つの次元を検討すべきだ。
- 相互依存性：何をつなぎ留めておく必要があるか？ ワークフロー、データ、チーム、意思決定、管理体制、および下流の成果に注目する。
- 持続性：誰が所有し続ける必要があるか？ 導入完了後も継続する責任を特定する。
- 蓄積性：何を再利用可能にすべきか？ 別の取り組みが継承すべき知識、インフラ、標準、評価手法、および導入時の教訓を探し出す。
- 適応性：変化し続けなければならないものは何か？ 新たな証拠が現れるにつれて進化させるべきモデル、ワークフロー、管理体制、あるいは人間の慣行を特定する。
これら4つの次元は、研究に基づいたヒューリスティック（発見的方法）であり、検証済みの予測システムではない。
リーダーにどの組織構造を選ぶべきかを指示するためのものではない。目的は、その選択の前に行う問いの質を高めることだ。
「これはプロジェクトにすべきか、プロダクトにすべきか？」と始めるのではなく、以下のように始めよう。
導入後に、何をつなぎ留め、所有し、再利用可能にし、適応させていく必要があるか？
その上で、許容可能な調整コストでそれらの責任を担うことができる組織構造を選択するのだ。
持続させることにはコストがかかる。より永続的な所有権、ガバナンス、および部門間の調整は、官僚主義、遅延、そして意思決定権限の曖昧さを生む原因にもなり得る。モジュール化されたAI業務においては、構造を追加することのコストが、それがもたらす貢献を上回る可能性がある。
組織再編の前に、継続性をテストする
リーダーは、新たなトランスフォーメーションプログラムを立ち上げることなく、このアイデアをテストできる。
プロジェクトの終了が近づいている、意義あるAIの取り組みを1つ選択する。
次の90日間、5つの領域において継続的な責任を明示的に割り当てる。それは、ビジネス成果、運用パフォーマンス、フィードバックと例外への対応、再利用可能な学習、そして意思決定またはガバナンスの説明責任だ。
その上で、何が起こるかを観察する。
導入チームが去った後も、誰かがビジネス成果を測定し続けているか？
例外的な事態が捕捉され、対応がなされているか？
別の取り組みが、インフラ、評価手法、あるいは教訓を再利用しているか？
経営陣は、システムがもたらす結果の責任者が誰であるかを特定できているか？
そうすべきだという証拠が示されたときに、ワークフローが適応しているか？
可能であれば、それらの観察結果を、プロジェクト後の責任が明示的にマッピングされていなかった、類似の完了済みの取り組みと比較してみるとよい。
これは管理された対照実験ではない。継続性がビジネスパフォーマンスの向上をもたらしたと立証することはできない。
これは、プロジェクトが終了した際に重要な責任が曖昧になるかどうかを明らかにするために設計された、マネジメント学習のエクササイズである。
仮に、責任の継続性を明示することによって、曖昧さ、車輪の再発明、あるいはフィードバックの見落としが減少したとしよう。同時に、プロジェクトベースのデリバリー自体は維持されているならば、プロジェクトそのものが必ずしも問題だったわけではないという、より限定的な議論を支持することになる。
もしほとんど変化がないのであれば、その環境における継続性の仮定は揺らぐことになる。
そして、継続的な所有が、目に見える利益をもたらすことなく調整コストだけを発生させるのであれば、リーダーはその介入を制度化するのではなく、範囲を狭めるべきだ。
テストの目的は、そのアイデアが適しているかどうかを学ぶことであり、それが絶対に正しいと証明することではない。
組織が学んだことをスケールさせる
AIのスケールは、導入規模の観点から議論されることが多い。すなわち、ユーザーの増加、ユースケースの増加、エージェントの増加、自動化の促進などだ。
これらの測定基準は、リーダーに重要な事実を教えてくれる。
しかし、それがすべてではない。
第2の問いは、相次ぐAIへの投資によって、組織が次の投資から価値を生み出すための備えをより強固にできているかどうかだ。
重要な取り組みの完了時に、経営チームは以下のように問いかけることができる。
私たちは今、何を理解しているか？
誰が引き続き責任を負うのか？
私たちは何を測定し続けるのか？
どのようなガバナンス能力が向上したか？
私たちは今、何を改善できるか？
私たちは何を再利用するのか？
これらの問いによって、組織のケイパビリティが確実に蓄積していくと立証されるわけではない。それは依然として実証的な課題である。
しかしこれらの問いは、企業が個々のAIの取り組みを単発の導入作業として扱っているのか、それとも有益な知識や責任が取り組みの間で受け継がれる仕組みを構築できているのかを明らかにしてくれる。
それこそが、より永続的な教訓となるかもしれない。
「プロジェクト対プロダクト」の議論は、どのような構造で業務を遂行すべきかを問うものだ。
経営陣がすべきより深い問いは、業務が遂行された後、責任がどこに置かれるべきかを問うものだ。
それらの境界が一致することもある。
一致すべきではないこともある。
したがって、ステアリングコミッティが次のAIプロジェクトの完了を宣言するとき、最後の問いは「プロジェクトに関連するすべてを今、終了できるか」であってはならない。
より正確な問いはこうだ。「このプロジェクトが完了したことで、プロジェクトだけでなく組織全体がより良くなるために、引き続き所有し、測定し、そこから学び、ガバナンスを効かせ続けるべきものは何か？」
