コンスタンティン・クリャギンは、RedwerkおよびQAworkの創業者で、2005年からカスタムソフトウェア開発と品質保証の分野でイノベーションを推進しています。
「AI優先」であることへのプレッシャーは否定できません。あらゆるピッチデッキ、取締役会、競合他社の発表がAIを叫んでいるようです。しかし、それは間違ったレースに参加しているのではないでしょうか？
CTO、創業者、プロダクトマネージャーとして、あなたはAIの膨大な可能性と、実際に機能し、現実の問題を解決し、ムーンショットにあなたの予算を浪費しない製品を提供することの間で板挟みになっています。
この記事では、AI優先の組織であるとはどういう意味か、あなたのビジネスが本当にそうである必要があるのか、そしてこの変化があなたの顧客やパートナーにどのような影響を与える可能性があるのかを探ります。
「AI優先」とは実際には何を意味するのか？
AIに全面的に取り組む前に、AI優先であるとはどういう意味かを定義しましょう。組織によって解釈は異なるかもしれませんが、いくつかの重要な基準があります：
• AIがあなたの価値提案、製品、ユーザー体験を推進している。
• AIによって組織が同じリソースでより多くのことを達成できるようになる。
• AIは特定のタスクを自動化するだけでなく、時代遅れで煩雑なワークフローを完全に再設計するために使用される。
• AIが測定可能な変革をもたらす。
簡単に言えば、AI以前では不可能だったペースで顧客に新しい機能を提供するためにAIを使用しているなら、あなたはAI優先の企業と呼べるでしょう。
AI優先であることは成功と同義ではない
企業はAIの採用を急いでいます。最新の技術的ブレークスルーで投資家を感動させたいという思いが強すぎて、ビジネスの人間的側面を忘れてしまいます。最近の教訓をいくつか紹介します：
• Duolingoへの反発：Duolingoは、人間の契約社員をAIに置き換える計画を発表した後、公の反発に直面しました。同社は財政的に安定していたものの、この動きは悪く受け止められ、成長は予想をわずかに下回りました。
• Klarnaの方針転換：Klarnaは、AIチャットボットが700人のエージェントの仕事をこなしていると自慢しましたが、この発表は2年前に約700人の従業員を解雇した後だったため、無神経だと見なされました。同社はその後、AIの限界を認め、サポートスタッフを再雇用するという方針転換を余儀なくされました。
つまり、技術的な修正のためにAIを早急に使用するビジネスは、結果として生じるエラー、脆弱性、ダウンタイムを修正するために最終的により高いコストに直面しています。
「AI優先」よりも「課題優先」であることの方が良い
最も成功しているテクノロジー企業は、「AIをどのように使えるか？」と問うことから始めるのではなく、「ユーザーの最大の、最もコストがかかる、最もイライラする問題は何か？」と問うことから始めます。以下は、私の会社がAIを持続可能な形で採用することを可能にしたプレイブックです：
1. 問題と価値提案
まず、シンプルな質問に答えましょう：「この問題を解決するには、標準的なロジックとプログラミングを超える能力が必要ですか？」
自然言語の理解、膨大なデータセットの微妙なパターンの識別、複雑な予測などの課題に取り組んでいる場合、AIが必要かもしれません。決定論的なロジックで仕事ができるなら、まずそれを提供しましょう。
次に、AIのための具体的で測定可能な重要業績評価指標（KPI）を定義します。具体的に考えてください：「手動データ入力を80%削減する」、または「レコメンデーションからの販売コンバージョンを15%増加させる」など。測定できないものは改善できません。
2. データの準備と実現可能性
データのないAIは、ただの空っぽで高価なアルゴリズムです。大規模で関連性があり、適切にラベル付けされたデータセットへのアクセスが必要です。また、このデータをトレーニング目的で使用する法的および倫理的権利があることを確認する必要があります。GDPRやCCPAなどの規制がある中で、訴訟は成長戦略ではありません。
最後に、データフライホイールの計画はありますか？ユーザーが製品と対話するとき、モデルを継続的に改善するために使用できるより多くのデータを収集していますか？これは持続可能な競争優位性を生み出すための鍵です。
3. 技術的および財務的実行可能性
あらゆるデジタルトランスフォーメーションと同様に、常に最もシンプルな道を最初に選びましょう。非AI解決策で問題を解決しようとしてください。注文の配送状況を確認したり、Jiraのアップデートをメッセージングアプリに受け取ったりするためにAIは必要ありません。通常のプログラミングで十分に仕事をこなせます。
しかし、より優れた不正検出、医療画像からの疾病診断、欠陥の視覚的品質検査などにはAIが必要かもしれません。AIが必要な場合、古典的なジレンマに直面します：購入するか、微調整するか、構築するか。以下はその取り組み方です：
• 購入：APIを通じて既存のモデルへのアクセスを購入します。これは、タスクが広範（言語理解など）で、価値までの時間が重要であり、大規模な独自データセットがない場合に意味があります。
• 微調整：既存のモデル（オープンソースまたは独自）を取り、特定のニーズに合わせてそのトーン、推論、精度を調整します。この選択は、法的コンプライアンスや医療診断などの専門分野で運営し、高品質のドメインデータを持っている場合に最適です。
• 構築：モデルをゼロから訓練するか、大幅にカスタマイズされたアーキテクチャを作成します。これは、スケールが決定的な要因であり、既製のモデルがあなたのレイテンシー、コスト、品質要件を満たせない場合にのみ意味があります。膨大な投資を正当化するには、他の誰も持っていない本当にユニークなデータが必要です。
あなたが下す決断は、あなたの収益性に直接影響します。一般化すると、内訳は次のようになります：
• 短期的に最も安価：購入
• 短期的に最も高価：構築
• 長期的に最も安価：構築（大規模に運用し、あなたのモデルがAPI呼び出しあたりのコストを上回る場合のみ）
• 長期的に最も高価：購入（トラフィックが増加し、永久に呼び出しごとに支払う場合）
4. ユーザーエクスペリエンスとリスク管理
「AI優先」であろうと単に「AI対応」であろうと、あなたの努力が裏目に出ることは望まないでしょう。AIが間違っている場合に何が起こるかを明確にする必要があります。なぜなら、AIは間違えるからです。「人間を介在させる」プロセスやユーザーがAIを修正するための優雅な方法はありますか？フォールバックなしで失敗するAIは、壊れた機能です。
企業は、AIがバイアスを導入したり、有害なコンテンツを生成したり、誤用される可能性を考慮しない場合、大きなブランドリスクに直面します。独自の倫理的AIフレームワークを設計しましょう。
すべてか無かではない
課題優先であることは、AIを無視することを意味するわけではありません。それは、AIを慎重に適用することを意味します。最も革新的な企業は、あらゆる新しいトレンドを追いかける企業ではありません。それらは、顧客の問題に焦点を当て続け、AIであれ、シンプルでエレガントなコードであれ、最適なツールを使用してそれらを解決する企業です。
