アビームコンサルティング デジタルテクノロジービジネスユニット AIセクター ダイレクターの杉本慶は、「日本企業の多くはテクノロジーと向き合う際、できることの検証や活用そのものが目的になってしまっているケースが多い」と指摘する。
杉本は同社のアナリティクス・チームを率いるコンサルタントでありながら、自身がデータサイエンティストでもある。ビジネスゴールの達成や新たな価値創出のために、AIの変革シナリオへの組み込みから実装の伴走までを担い、その役割は多岐にわたる。自身の業務について杉本はこう考えている。
「『AI』、『ディープ・ラーニング』の導入を検討する際、どうしても、どのデータを読み込ませ、どのようにシミュレーションし、その精度を上げるか……という方法論にばかりに気を取られてしまいます。しかし、企業がAIを活用する本来の目的は、ビジネス課題の解決や新たな価値創出です。私たちにとっても、クライアントのビジネスバリューを向上することが目的であり、AIは“HOW”でしかありません。クライアントのビジネスの“エンドバリュー”の理解とその向上こそが、私たちが本領を発揮できる領域です」
杉本慶 アビームコンサルティング デジタルテクノロジービジネスユニット AIセクター ダイレクター
AIを経営の中核に実装できない大きな課題
外部機関のさまざまな調査でも示されているとおり、欧米と日本とではAI活用における認識に大きな隔たりがある。欧米では新サービスや製品開発といった収益向上に直接寄与する分野にAIを活用すると答える企業が多数派を占める。対する日本では業務効率化、生産性向上と答える企業がいまだ多く、AIがもたらす変革の力をビジネスの成長や新たな価値創出に向けられているとはまだまだ言えない状況だ。その要因はどこにあるのだろうかーー。
AI技術でできることを理解しビジネスにひも付けることができる人財が、日本の企業には不足していると杉本は指摘する。そうした人財が不足しているがゆえに、アナログデータをデジタル化するデジタイゼーションまでは進めたが、集めたデータをどのように活用するかまでは見通せないと言うのだ。
「以前はデータサイエンティスト育成のための分析研修の依頼が企業から多く寄せられましたが、現在はデータがあるだけでは役に立たず、データサイエンティストがいるだけでも厳しい。求められているのは、ビジネスそのものを全体から俯瞰し、そこにどうAIを組み込むかを考察し、その活用シナリオの構築と実装をデザインできるチームやデータサイエンティストの存在であり、そのことに企業も気づき始めています。そこでAIを活用してビジネスゴールを達成していくためにはどのような人財が必要かというところから、研修制度そのものを再構築して実施するケースが増えています」
人財の需要が移り変わるなか“ビジネス戦略とデータサイエンスの双方を理解する人財”への需要は今後ますます高まっていくと杉本は予見している。
「例えば、AIを使って営業活動を円滑化したい……と企業からリクエストされるケースがありますが、それだけでは何がビジネス上の課題なのか、達成したいゴールは何かが把握できません。まず『解決したい課題は何か』と『営業活動のどの部分をAI化するとよいか』、そこから一緒に考え企画を提案していかなければなりません」
つまりは、AIを技術側面から捉えるのではなく、ビジネスそのものにどう適用するのか。いまはそれを実現できる能力が問われているのだ。ここで杉本に、ある企業の取り組み事例を紹介してもらった。
「全国に何万といる営業部員とその顧客との接点となる、電話、メール、LINE、SMSなどのコミュニケーションをデジタル・データ化し、人では気づきにくい顧客の興味・関心、商品に対する潜在的ニーズを抽出し、先んじて（クライアントにとっての）顧客に商品提案したいというご要望をとあるクライアントからいただきました。具体的にどんなデータを収集し、どういうAI技術を駆使して、どのようにそのビジョンを具現化するか……実現に向けて多くの課題がありました」
こうしたケースでは、活用するデータが多岐にわたり、AIモデル開発の難易度も上がる。加えてビジョンの具体化と実現に向けた計画策定はクライアント先の社内人財だけでは難しい。そこで杉本はハンズオンによる支援を決断した。
クライアントは当初、「データも用意した、分析環境も準備した、データサイエンティストもいる。だから、社内の分析チームだけでプロジェクトを進める」想定だった。しかし、ビジョンを具現化するためには、それだけでは不十分だった。最終的には、どのようなデータを利活用してどのようなアルゴリズムでAIを開発するのかといった具体的な議論の前に、まずは体制再構築の議論から始めなければならないという結論に行き着いたという。
では、杉本はどのような体制を構築したのだろうか。
「そもそも実現したいビジョンやビジネス上のエンドバリューは何かを理解したうえで、その実現に向けどのようなAI技術を活用し、そのためにどのようなデータが必要で、AI導入後の業務の中でどのように精度を上げていくのかといった変革のシナリオを描く必要があります。データサイエンティストは当然必要ですが、データマネジメントを前提としてアーキテクチャ全体をどう描くのかといったことや、業務要求を理解してAI要求に落とすことも必要です。
AI開発チーム、AI分析・基盤構築チーム、またビジネス要件とAI要件をつなぐ業務チーム、さらにこの３つを束ねるAI PMOチーム……といった体制が求められます。まずはそういった検討から入り、プロジェクトを推進していきました」
当初は、クライアント側のデータサイエンティスト・チーム内のみで賄ってほしいというリクエストだった。大きな会社の場合、どうしても他部署を巻き込むとそれ相応の労力が必要とされるため、自チームだけで「やりきりたい」となりがちだ。
「ＡＩ開発プロジェクトを成功させるためには、データサイエンティスト・チームだけではなく、ＩＴ部門や業務部門など部門横断的な取り組みにする必要があります。とくにデータ分析チームはAIを活用する現場業務の実態を把握しきれていないケースが多いですし、現場部門の社員はデータ分析に詳しくない場合がほとんどです。私たちが第三者として入れば、ビジネス課題とAI要求をつなぎ、部署の垣根を超えた調整もある程度しやすいという発想もありました」
AIを活用する現場業務を理解した部署とデータ分析専門部署、分析環境を構築するIT部門などを横断的に巻き込む。他部署の調整をAI技術と業務の双方を理解したコンサルタントが行うことで、AIによるエンドバリューの実現方法は見えてくる。社内で横断的にビジョン、目的を一致させ、全社が同じ方向を見てプロジェクトのゴールにこだわる。これが大事だったのだ。
だが、こうした社内での合意形成は、現場のリーダー層だけでは難しく、やはり経営層を巻き込み、「私たちは顧客体験をこう変えたいから、そこにAIを実装する」という明確なビジョンやビジネスのゴールを全社で共有してもらう必要があるという。
「私たちアビームコンサルティングの強みは、こうしてお客様と一体となってゴールを達成する、“共創”にあると思っています。AIプロジェクトの難しさは、ビジネスの理解に立脚した変革シナリオの設定力、データマネジメントを踏まえたアーキテクチャのデザイン力、そして日々進化するAI技術への目利きと統計学の知識、そのすべてが必要になることです。
さらには、企業内のデータだけで得られる気づきは限られるため、外部のデータとの連携も必要になります。導き出された結果により、分析対象とするデータの見直しも必要で、プロジェクトは必然的にアジャイル型になります。
誰か一人が担えるはずもなく、またクライアント側でこういった体制をすぐに整えるのは現実的ではないでしょう。
だからこそ、私たちのように、長年のコンサルティング経験に裏打ちされたビジネスへの理解力とデジタルテクノロジーに精通した人材がチームで伴走し、クライアントと役割分担しながら実現していくことが重要なのです」
本当に必要とされるのは「クライアントのビジネスを理解したうえで、実装したAIを活用し、エンドバリューを向上させること」と杉本は強調する。AIの実用化が進むなかで、実際にAIを活用した事業を持続可能とするのが次のテーマであり、そのうえで、時代はもはやAIガバナンスを利かせたX-AIへと移っていると杉本は分析している。
AIのアウトプットを可視化するX-AIとは
X-AIとはExplainable AIの略。ほかにもInterpretable AIまたはExplainable Machine Learning(XML)とも言われ、直訳すると「説明可能なAI」となる。つまり、これまでは「AIからこういう回答が出た」ということで納得していたAIサービスの利用者や管理者から、「なぜAIからそういう回答が導き出されたのか」の説明責任をも求められる時代に移ってきたということだ。
「ただしX-AIはあくまでAIガバナンスのひとつに過ぎません。経済産業省、産総研、さらに『QA4AI』という外郭団体もAIのガイドラインをリリースしています。また、一部の企業では、AIを開発するためのガイドラインの作成をスタートさせており、弊社にはその作成支援の依頼もすでに入ってきています」
杉本が実例を挙げて解説する。
「あるクレジットカードの審査において男女の性別差が露呈し世界的に大きな問題になりました。学習させるデータそのものにバイアスがかかっていたことが判明したのです。このケースのように、学習データにバイアスがかかっていないか、そのチェックはどうやって、そしてどのタイミングで行うのかを整理しなければなりませんし、その運用プロセスまで構築してこそはじめて機能します。AI開発のガイドラインをつくったとしても、それはまだガバナンスの取り組みの初歩に過ぎません。そのガバナンスが効いたオペレーションが実行できてこそ、有益となります。AIガバナンスは機械学習モデルの継続的な運用（MLOps）とセットで検討すべきであり、今後もAIでなんらかの判断を実施する場合、そのアカウンタビリティ（説明責任）が求められるような業界では、間違いなく対応しなければならない案件だと思います」
もはや、AIがブラックボックスでいられる時代は終わっているのだ。こうした潮流のなかで、ビジョンを描いて終わりではなく、クライアントのビジネスを理解し、課題やゴールを共に設定し、その解決や変革のためのAI技術を目利きできる、そしてそのために必要なデータをマネジメントしガバナンスの効いた効率的な機械学習のオペレーションを実現し、その前提で全体のアーキテクチャをデザインする、実際にモデルを構築しデータを収集・検証し、インサイトを導き出し、PDCAを回す……この繰り返しをクライアントと伴走することが、求められるようになるだろう。クライアントに足りない”いま”のピースを埋めながら、ビジネスの変化に合わせてアップデートし続けなければならない。
「AIはあくまで手段」
データ収集からの“AIによるPDCA”をできるだけ早いサイクルで回していくことが、AIとデータ利活用のポイントだと最後に杉本は締めくくった。
「顧客体験を変え、ビジネスモデルそのものを変えていく」。アビームコンサルティングが目指す企業変革の理想形はまだまだ先にあると実感。AIを活用した事業を持続可能にしていくのが今後のテーマ。その推進のために、クライアントの伴走者となるのが、アビームコンサルティングのレーゾンデトールだ。
