Igor Rikalo氏はo9 Solutionsの社長兼COOである。
人間の知性であれAIであれ、知性について議論するとき、通常は記憶力、計算速度、データ規模といった純粋な能力に話が及ぶ。しかし、もう一つの、しばしばより重要な指標がある：サンプル効率性だ。
サンプル効率性とは、少ないデータから素早く学ぶ能力のことである。人間はこれに優れている。新しいゲームを学んだり、限られた視覚情報からでも物体を識別したりするのに、それほど時間はかからない。幼い子どもは語彙や文法を理解していなくても言語を理解する。10代の若者は100時間未満で運転を学ぶ。対照的に、自動運転車は2025年5月時点で1億4500万マイル以上を走行しているが、雪道や渋滞などの複雑な状況での完全な信頼性を実現するにはまだ取り組みが必要だ。
サンプル効率性と非効率性の差は重要である。進化は人間が限られた信号から決断を下すよう最適化した。生存がそれに依存していたからだ。今日の変動の激しいビジネス環境では、効率的なプロセスが競争優位性となり、企業が市場の変化に適応し、改善を行い、事業を拡大することを可能にする。
なぜサンプル効率性が重要なのか
従来の企業計画システムは過去のデータに基づいて構築され、何年分ものデータが投入されると最も効果を発揮する。しかし市場環境は歴史的な確実性を待ってはくれない。消費者の嗜好は一夜にして変化する。混乱は予告なく襲いかかる。
行動を起こす前に「十分な」データを蓄積して評価するのを待つ企業は、すでに手遅れだ。以下の3つの計画シーンを考えてみよう：
• 新製品の発売：安定した販売データを6カ月待っていては、企業は発売のタイミングを逃してしまう。インテリジェントな計画システムは、発売後わずか数週間で予測を再調整し、初期の販売速度とソーシャルメディアの話題や競合他社の活動などの外部シグナルを組み合わせることができる。
• サプライヤーリスク：企業が脆弱性を認識するために複数回の配送遅延を必要とすると、顧客の信頼を失うことになる。サンプル効率の高い計画システムは、最初の出荷遅延をシグナルとして扱い、ストライキの警告や物流のボトルネックと関連付けて供給のバランスを取り直す。
• プロモーション：効果がプロモーションキャンペーン終了後にのみ測定される場合、企業は資金と勢いの両方を失う。アジャイルな計画は、販売の最初の週末から学び、成功した戦術をリアルタイムで拡大する。
これらの例はそれぞれ、サンプル効率性の異なる側面を明らかにしている。これらを合わせると、ビジネスがいかにアジャイルで、回復力があり、競争力を持つことができるかが定義される。
経験から学んだ教訓
私は数年間、望むよりもはるかに少ないデータで重要な決断を下す絶え間ないプレッシャーの下にある製造業のリーダーたちと仕事をしてきた。サンプル効率性は静かな革命となっている。なぜなら、AIモデルは膨大なデータセットに依存するのではなく、少数の例から優れたパフォーマンスを学ぶことができるからだ。需要予測、流通計画、製造最適化において強力なアプリケーションが見られる。
例えば、ある小売業者は店舗レベルの予測と補充を改善したいと考えていたが、新しい小規模店舗のデータが限られていた。従来のモデルは地域の需要パターンを予測するのに苦戦していた。サンプル効率の高いAIモデルが導入され、店舗ごとにわずか数週間のデータから学習でき、同時に類似店舗からの洞察や外部シグナルを活用できた。数カ月以内に、このシステムは驚くべき精度で需要を予測し、SKUと場所ごとに補充量を自動的に推奨できるようになった。これにより、棚の可用性が向上し、過剰在庫が減少し、在庫保有コストが削減された。プランナーたちはこのモデルを受け入れた。なぜなら、それは彼らの直感に取って代わるのではなく、彼らが最大の影響を与える場所を示すことで、その直感を増幅させたからだ。
もう一つの例は、成熟市場からの洞察を「借用」するサンプル効率の高い予測モデルを使用して新しい地域に参入した消費財企業である。その結果、予測精度が大幅に向上し、過剰在庫に縛られていた運転資金が解放された。
小さなデータセットでも、インテリジェントに活用すれば素晴らしい結果をもたらすことができる。しかし、それには規律も求められる。すべてのデータポイントが重要な場合、データ品質がすべてとなる。誤って記録された1つの取引が、モデル全体を狂わせる可能性がある。私は入力を二重チェックし、モデル設計を簡素化し、複雑さよりも透明性を重視することを学んだ。また、多くのプランナーが「少なすぎる」データで訓練されたモデルに当然ながら懐疑的であることも指摘しておく必要がある。私は彼らを早期に関与させ、モデルがどのように学習するかを示し、結果を一緒に検証し、AIをアシスタントとして扱うことを重視している。プランナーがワークショップ、サンドボックス環境、実際のAIプロジェクトへの組み込みを通じて実践経験とスキルアップを得ると、彼らはスプレッドシートのオペレーターからAIのコパイロットへと進化するのを見てきた。プランナーがモデルが正確に予測しているか、少なくともその理由を明確に説明しているのを見ると、時間とともに信頼が高まる。
私が学んだことの一つは、サンプル効率性は技術的能力と人間の能力の両方であるということだ。アルゴリズムはより速く学習するかもしれないが、真の効率性は人々がそれらと協力して働くことを学ぶときに生まれる。それが起こるとき、データと決断の境界線は消え、計画は本来あるべき姿になる：迅速で、インテリジェントで、深く人間的なものに。
明日の勝者たち
一部の理論家は、真の知性はサンプル効率性にほかならないと主張している：最小限から最大限を学ぶ能力だ。それが完全に正確かどうかにかかわらず、それはビジネスリーダーにとって強力なレンズである。
明日の勝者は、必ずしも最大のデータセットを持つ企業ではないだろう。それは、最小のシグナルから意味を抽出し、自信を持ってそれに基づいて行動できる企業だ。
私はこれが企業知性の真の定義であり、次のフロンティアだと信じている。
