ここ数年、米連邦政府機関は人工知能（AI）の実験に取り組むよう促されてきた。その実験からは、有望なパイロット、実用的なプロトタイプ、そして数多くの大胆な予測が生まれている。
より難しい問いは、その次に何が来るのかである。
パイロットは、AI機能が作動することを示せる。しかし、機関全体のミッションにまたがって、それを安全かつ手頃なコストで、信頼性高く運用できることを証明するものではない。実証から本番運用へ移行するには、ワークロード、データ、インフラ、ガバナンス、経済性を最初から結びつける基盤が必要になる。
そこに、期待感を生むAIと、ミッションを前進させるAIの違いがある。目標は、あらゆる場所にAIを導入することではない。適切なAIを、適切な環境で、適切な統制のもとに導入し、ミッション価値への明確な道筋を持たせることである。
パイロットはミッションではない
連邦政府のリーダーたちは、AIの可能性をすでに認識している。2025年の調査では、連邦政府の最高AI責任者（CAIO）の85%が、AIは2030年までに自機関の業務を変革すると回答した。しかし同時に、限られたリソース、不十分な内部専門知識、データの課題、レガシーシステムとの統合といった、拡大に向けた現実的な障壁も指摘している。
孤立した実験から脱却するには、優先度の高いユースケースを、ガバナンスの効いた本番ワークロードへ転換するための再現可能な道筋が必要だ。それはワークロードを起点とした戦略から始まる。
モデルやプラットフォームから始めるのではなく、各機関はこう問いかけるべきだ。改善しようとしているミッション成果は何か。そのワークロードにはどのようなデータが必要か。その機密性はどの程度か。ミッションはどのレベルのレイテンシー（遅延）と人間による監督を求めているのか。ワークロードはどこで稼働させるべきか。導入が広がるにつれて、利用率とコストはどう変化するのか。
優先ワークロードには、行政ワークフローや意思決定支援のためのエージェント型AI、地理空間インテリジェンス、ハイパフォーマンスコンピューティング（HPC）とシミュレーション、ミッションデータエンジニアリング、サイバーセキュリティやゼロトラストのアプリケーションなどが含まれ得る。
共通項はモデルではない。ミッション成果である。
ガバナンスの効いたミッションデータを基盤にする
AIの有用性は、責任ある形でアクセスできるデータに左右される。
連邦政府機関の場合、その情報はデータセンター、エッジ環境、クラウドプラットフォーム、レガシーシステムに分散している可能性がある。AIを本番環境に移すには、データがどこに存在し、どのように分類され、誰がアクセスでき、どのAIワークロードに利用が認められているのかを可視化する必要がある。
したがって、データガバナンスは単なるコンプライアンス対応ではなく、運用上の要件となる。
ここでソブリンAIも実践的な意味を持つ。問題は、すべてのワークロードを同じ環境で稼働させる必要があるかどうかではない。どのワークロードが、データ、コンピュート、モデル、ポリシーに対して最も高い統制を必要とするのかである。
共有環境、ハイブリッド環境、クラウド接続環境に適したワークロードもあるだろう。一方で、機密データやモデルを、より統制されたインフラ境界の内側にとどめる必要があるものもある。目的は、各ワークロードを、ミッション要件を最もよく満たせる場所に意図的に配置することである。
エージェント型AIの経済性を考慮する
エージェント型AIは、もう1つの考慮事項を加える。AIを大規模に運用する際の経済性である。
従来型のチャットボットとは異なり、AIエージェントは計画を立て、情報を取得し、ツールを呼び出し、結果を評価し、目標に向けて作業を継続できる。こうした能力は大きな生産性向上の機会を生み出し得るが、同時に推論要件を大きく変える可能性もある。
エージェント型ワークロードは、標準的なチャットのやり取りと比べて4〜15倍のトークンを消費する可能性があり、自律性が高まるシステムでは推論需要がはるかに大きくなる場合がある。ミッションワークフローを支える常時稼働のエージェントは、時折使われるプロンプト・応答型アプリケーションと同じようにコストを見積もるべきではない。
そのため、AIトークンの生成と消費の経済性であるトークノミクスは、本番運用計画の重要な一部となる。
クラウドサービスは、実験、専門的な機能、変動する需要に対して柔軟性を提供できる。持続的で大容量のワークロードでは、異なる計算が必要になる場合がある。ある2年間のモデル分析では、継続的なAIエージェント展開向けのインフラは、展開シナリオに応じて、クラウドベースのAI APIと比べてコストを28%から90%超削減した。
これは、すべてのAIワークロードをオンプレミスに置くべきだという意味ではない。データの機密性、レイテンシー、利用率、推論需要、コストを考慮しながら、ワークロードが拡大した場合の経済性を機関が評価すべき理由を示している。
したがって、有用なパイロットはモデル精度だけを測定するべきではない。同時実行性、レイテンシー、利用率、トークン需要、完了した成果1件あたりのコストを測ることで、AI機能が動作するかどうかだけでなく、持続可能かどうかをリーダーが理解できる。常時稼働のAIにとって、コストの予測可能性はミッション即応性の一部である。
信頼を再現可能にする
本番AIでは、実証段階では見えにくいガバナンス上の問いが生じる。モデルはどのデータにアクセスできるのか。どのタイミングで人間が出力を確認すべきか。エージェントの行動はどのように記録されるのか。エージェントはどのツールを呼び出せるのか。ワークロードがポリシー上の境界に達したとき、何が起こるのか。
安全なAI基盤は、データ保護、モデル監督、監査可能性、アクセス制御、ゼロトラスト原則、オブザーバビリティ（可観測性）を統合する。機関がエージェント型システムを採用するにつれ、そのガバナンスはエージェントの振る舞い、ツールアクセス、ワークロード利用率にも及ぶべきである。
有望なユースケースが現れるたびに、機関が新たなアーキテクチャを設計し直す必要があってはならない。共通化され、検証済みの基盤は、エッジ展開からデータセンター規模の推論、ハイパフォーマンスコンピューティング、モデリング、シミュレーションに至るまで、複数のAI経路を支えられる。目標は、AIを機関のデータに近づけ、多様なミッションワークロードを支え、要件の進化に応じて拡張できる、柔軟で再現可能なインフラ基盤を提供することである。
Dell AI Factory with NVIDIAは、このアプローチを軸に設計されており、インフラ、アクセラレーテッドコンピューティング、ネットワーキング、AIソフトウェア、モデル、サービスを統合する。政府機関やセキュリティ上機微なワークロード向けには、NVIDIA AI Factory for Government reference designが、AI展開全体にセキュリティ、コンプライアンス、オーケストレーション、オブザーバビリティの要件を適用するための枠組みを提供する。目標は、1つのAIプロジェクトだけでなく、その先に続くミッションワークロードに向けても、信頼できる道筋をつくることである。
パイロットを超えるための4つの行動
連邦政府のリーダーは、次の4つの実践的なステップによって、ミッション規模の本番運用に向けた構築を始められる。
1. 優先ワークロードを棚卸しする。ミッション価値、データ要件、機密性、準備状況に基づいてユースケースの順位をつける。
2. 統制要件を分類する。各ワークロードがどのデータにアクセスできるのか、どのような監督を必要とするのか、どこで運用できるのか、機関がデータ、モデル、インフラに対してどの程度の統制を必要とするのかを判断する。
3. パイロットを計測可能にする。精度に加えて、同時実行性、レイテンシー、利用率、トークン消費量、人間によるレビュー率、完了した成果1件あたりのコストを測定する。
4. 本番運用への道筋を早期に設計する。成功したワークロードがミッションクリティカルな依存関係になる前に、それをどのように保護し、ガバナンスし、監視し、支援し、資金を確保するのかを決める。
ミッションにもたらすリターンを測る
最終的に、連邦政府のAI投資は、その技術が機能するかどうかよりも重要な問いに答える必要がある。すなわち、それによって何が良くなったのか、という問いである。
ミッションにもたらすリターンとは、職員の時間を取り戻すこと、研究者がより早く洞察に到達できるよう支援すること、信頼できる情報へのアクセスを改善すること、公共サービスを強化すること、リスクを減らすこと、コストを管理すること、あるいはリーダーがより十分な情報に基づいて意思決定できるようにすることかもしれない。
経済性もまた測定できる。プライベートAIインフラに関するあるモデル化分析では、4年間で最大1,225%のリターンが見込まれ、評価された前提のもとでは初年度中に完全に投資回収されると予測された。重要なのは、すべての組織が同じ結果を達成するということではなく、リーダーがワークロード、その運用要件、そして生み出すべき成果を理解したときに、AIの経済性がより測定可能になるということである。
連邦政府におけるAIの機会は、パイロット段階に閉じ込めておくにはあまりに重要だ。移行に成功する機関は、必ずしも最も多くのAIパイロットを持つ機関ではない。適切なワークロードを特定し、それを適切な環境に置き、ミッションにとって重要な成果を軸に責任ある形で拡張できる機関である。
詳細はこちら
ワークロードファーストの計画、ガバナンスの効いたミッションデータ、トークンを意識したAIの経済性、ソブリン展開、安全なインフラ、測定可能なミッションへのリターンについてさらに詳しく知るには、AI That Moves Missions Forwardを参照してほしい。eBookを読む。AIをパイロットからミッション規模の展開へ移行する際の主要な検討事項を短く把握するには、1ページ資料を参照してほしい。
