時には、一歩下がって全体像を見ることが重要だ。新技術の可能性への熱狂の中、そしてデジタル投資を何年も続けてきたにもかかわらず、生産性は停滞または低下している。自動化によって一部の領域ではチームの作業スピードは上がったが、必ずしも効果的になったわけではない。生成AIのパイロットプロジェクトはこれまでのところ、限定的な効果をもたらしているが、多くは本番環境に進むことなく、パイロット段階の夢の世界にとどまり、スポンサーにはほとんど利益をもたらしていない。
徐々に明らかになりつつある避けられない真実が、過度な楽観論を抑制している。AI、機械学習、自動化の可能性を実際の、ポジティブなビジネス成果に変えるためには、組織は単なる段階的なタスク効率化以上のもの、つまりシステム的な再創造が必要なのだ。別の言い方をすれば、企業がこれらのテクノロジーから利益を得るには、プロセス、人材、組織構造に対する再創造とビジネス主導の変革が不可欠なのである。
タスクからジャーニーへ
テクノロジーは長い間、データ入力やパスワードリセットなどの反復的なタスクの自動化で優れた成果を上げてきた。最近では、新しいアーキテクチャによって自然言語の理解と生成が可能になり、メールの下書き作成や複数ステップのフローの実行などのタスクを支援できるようになった。エージェントAIはさらに一歩進んで、あるいはその目標を持って、ワークフロー全体や顧客ジャーニー全体にわたって計画、行動、観察、学習ができる自律型エージェントを実現しようとしている。
多くの人にとってまだ理解されていないのは、この2つの区別だ。自動化はレバーであり、エージェントAIは新しい運用モデルである。インテリジェントエージェントは単に賢いボットではなく、さまざまな領域にわたって調整できる複合的で再利用可能な作業リソースとして機能する。この意味で、その影響はエージェントやモデル、アーキテクチャだけからくるのではなく、問題を推論する方法や内部・外部システムへのアクセスからもたらされる。MCPやA2Aなどの基盤となるプロトコルは、多くの場合目に見えないが基礎的なものとして、この変化を静かに推進している。
スケールアップが難しい変化
インフラ、統合、そして飛躍に必要な人材の高いコストが、今日ほとんどの企業が何らかのエージェント型ワークフローを展開している一方で、真の自律型AIエージェントを展開している企業はほとんどない理由の一部である。これは、生成AIの個人レベルでの採用率が顕著に高いにもかかわらずだ。最近のProsper Insights & Analyticsの調査によると、米国の18歳以上の3分の1以上がすでに生成AIを使用しており、さらに事業主の44%、経営幹部の50%、従業員の31%が使用している。
企業の従業員は10代の若者よりも低い率で生成AIを使用しているだけでなく、生成AIプロジェクトをパイロット展開した企業では、MITの最近の研究によると、パイロットが驚くべき率で失敗していることがわかっている。マッキンゼーの戦略・オペレーションパートナーであるオアナ・チェタ氏は、一部の企業が生成AIの実装に苦戦していることを認めつつも、その困難の原因はテクノロジー自体とはほとんど関係がないと主張している。
「実装の成功率の低さはAIの問題ではなく、企業の問題だ。AIは過大評価されているわけではない。企業が十分に配線されておらず、装備が不十分なのだ。数年後には、AIは目に見えないインフラになるだろう。勝者となるのは、終わりのないパイロットに足止めされている企業ではなく、時代遅れのプロセスを廃棄し、AIを完全に統合する勇気を持った企業だ」
魔法のツールではなく、構成要素
AIの進展が成功しない理由として、よくある（そしてあまり知られていない）要因をいくつか挙げる価値がある。組織には、特に初期の「設計図」段階でのエンドツーエンドのジャーニー再設計が欠けている。この段階は、現状の定義、解決すべき問題の明確化、解決策の策定、そして（その後に初めて）ビジネス基盤の再定義で構成される。このような厳密さの欠如は、採用を促進する取り組みが断片的になりがちで、全体的な調整のない孤立した実験の場が生まれることにつながる。また、基本的なアーキテクチャ設計よりもモデル選択に過度に重点が置かれ、意味のある進歩に必要なオーケストレーションやメモリ層の側面への投資が慢性的に不足している。
この分野で成功を収めているリーダーたちは、AIを魔法のツールではなく、モジュール式で再利用可能な構成要素として扱っている。最新のモデルを追いかける代わりに、オーケストレーション層、エージェントライブラリ、決定プロトコルなど、再利用可能なパターンを構築している。マッキンゼーのオアナ・チェタ氏は、参考になる最近の事例研究を指摘している。
「私たちは複数のグローバル医療技術リーダー企業のためにエージェントAI製品の設計図を加速させた。モジュール式のエージェントAIは、今日のサービス課題を解決するだけでなく、医療技術リーダーに成長を促進し、コンプライアンスを保護し、企業全体で消費者信頼の新基準を設定するための拡張可能なアーキテクチャを提供する。そして、コードの再利用可能な性質により、将来の展開を推進する」
「さらなる取り組みでは、AIネイティブの大手テクノロジーサービスプラットフォームが、雇用主へのアウトリーチを最大化し、戦略から、テスト、動的なパフォーマンス管理と追跡の開発・展開まで、3つのフェーズで成長を促進するのを支援した。これは、強力なパフォーマンス管理と従業員の新しい働き方と合わせて、収益の測定可能で大幅な向上、スピードの増加、生産性の向上をもたらした」
二速度の変革
戦略的には、決して単純ではないが、短期的な成果と構造的な再創造の両方に同時に焦点を当てることが、リーダーや組織がより多くの、そしてより良い結果を得始める方法だ。
要約、意図予測、コンテンツ生成を強化するための原子的エージェントの使用は、勢いをつける良い例だ。実践による学習を配信チームに組み込むことも、大きな資本投資なしに短期的な取り組みを発展させることができる例だ。ここでの不変の法則は、設計原則を守ることでパイロットの拡散を避けることだ。実際、これを行わないことは変革の取り組みに対する最大のリスクであり、ほぼ確実な失敗を意味する。
同時に、より長期的な構造的再創造にも取り組む必要があり、例えば従業員や顧客のオンボーディング時や、フィールドサービス作業の管理時のジャーニー、プロセス、ワークフロー、タスクの再設計が含まれる。これらはビジネスの中核で行われるべき大規模な再配線の例だ。そしてそれは難しい。例えば、モデルやプロバイダーのメリットを詳細に議論する方が簡単だが、最終的に持続的な配当をもたらすのは、コアプロセスの再創造だ。エージェントベースのソリューションを構築し所有できる小規模な学際的チームを立ち上げることは、成功への一つの道だ。ビジネスチームとテクノロジーチームの連携も重要だ。彼らは異なるものを求める傾向がある。
では、一歩下がって見ると何がわかるだろうか？
単なるデモではなく、より広範な構造的変化の一部として、測定可能で調整された成果を提供する時が来ている。エージェントAIは、より良い意思決定システムと運用モデルの設計図として機能することができ、またそうあるべきだ。そして、そのより良いシステムを管理し、操作し、刺激し、命を吹き込むことができる組織が、仕事とビジネスの未来を体現する組織となるだろう。オアナ・チェタ氏が言うように、「適切なツールを選び、テクノロジースタックだけでなく運用モデルを再考する企業が、生産性と明日のビジネスと顧客体験を大規模に解き放つだろう」
