パトリック・エスポジト氏は、ACME General Corpの社長兼最高技術責任者である。
これまで、人工知能に関する議論は主に誰が置き換えられるか、どの役割が縮小するか、自動化がどこを担うかに焦点を当ててきた。しかし、本当の問題は、組織が感知、学習、適応する能力を強化する方法でAIと協働する方法を学べるかどうかだ。
私が公共・民間セクターで協働している組織の中で、前進している組織と停滞している組織の違いは、AIを運用モデルの戦略的特徴として扱うか、単独のツールとして扱うかにある。
ツールは人々がタスクを実行するのを助ける。特徴は組織が学習するのを助ける。AIをフィードバックループ、意思決定システム、知識フレームワークに組み込んでいる組織が成功する可能性が高い。学習や行動の方法を変えずにAIを「使用」するだけの組織は、データ、洞察、期待される意思決定のスピードに圧倒される傾向がある。
アーカイブ型知識管理からの脱却
最近まで、知識管理は記録保持の作業だった。従業員はリポジトリに情報を入力し、文書を更新し、情報ストアを維持していた。知識はアーカイブされていたが、活性化されていなかった。組織の行動を形作ったり、リアルタイムで意思決定に影響を与えたりするために使用されていなかった。そして、システムが継続的な入力や学習のために設計されていなかったため、人々は最終的にそれらとの関わりをやめてしまった。
今日、従業員、顧客、デバイス、業務、外部システムからの信号やデータが絶えず企業に流れ込んでいる。AIモデルはその情報を統合し、人間が通常は認識しないパターンを見つけることができる—しかし、組織自体が継続的な学習のために設計されていない限り、これらは価値を生み出さない。AIは、人間と機械が知識を共生的に収集、解釈、適用できるとき、学習を加速させる。
4層モデル学習スタック
私たちの仕事では、私のチームと私は4層モデル（感知、統合、意思決定、適応）を使用して、各層が人間の洞察とAI対応の知性を活用しながら、学習がどのように行われるべきかを説明している。
感知
組織は従業員調査、顧客フィードバック、運用指標を通じて膨大な量の情報を収集している。しかし、このデータのほとんどは、実際に何が起きているのか、あるいはどのような行動を取るべきかを理解するのに役立っていない。多くの調査質問は曖昧な評価を生み出す。フィードバック疲れが起こる。そして、何年も同じ観察を共有しても変化が見られないため、人々はしばしば発言をやめてしまう。感知層を改善するには、より良い質問をし、フィードバックチャネルを簡素化し、意味のある実用的なデータを生成する入力を構築することが必要だ。
統合
AIは統合層で最も即時的な価値を提供する。モデルは何千もの信号を処理し、新たな問題を浮き彫りにし、人々が見逃す可能性のある相関関係を提案できる。
しかし、AIは常に正しいわけではない。その結論はデータの質とモデルの前提条件に依存している。統合は、人間がAIの洞察を検討し文脈化するときに最も効果的だ。
意思決定
組織はしばしば意思決定層で勢いを失う。意思決定は歴史的に、人間がデータを収集・分析し、判断を下すことを必要としてきた。AIは情報収集と分析を迅速化するが、人間の判断に取って代わることはできない。リーダーはまだ洞察の論理を検証し、影響を判断し、いつどのように行動するかを決定する必要がある。ここでの目標は、環境が要求するペースで組織が情報に基づいた決定を下せるようにすることだ。
適応
適応は最終層だ。組織は学んだことを使って行動し、新たな入力を集め、サイクルを洗練させる。これは四半期ごとや年次のレビューではなく、絶え間ないプロセスでなければならない。適応がなければ、チームは大きな前進なしに、より多くのダッシュボード、データ、推奨事項を蓄積するだけになる。
組織が行き詰まる理由
チームは、データから知識、そして行動へのチェーンが予測可能な方法で崩壊するため、システム全体の知性を発展させるのに日常的に苦労している。
最初の崩壊はデータ品質にある。入力は頻繁に評価スケールや設計の悪い質問によって歪められる。あまりにも頻繁に、第一線の従業員からの貴重な洞察が、それに基づいて行動できる人々に届かない。そしてフィードバックを収集するシステムは、意思決定を形作るのに十分な具体的な情報を生み出すことはめったにない。
2番目の崩壊はシステムの断片化だ。データは通常1つのプラットフォームに保存され、知識は別のプラットフォームで維持され、意思決定はさらに別のプラットフォームで行われる。これらのシステムはどれも互いに通信するように構築されていない。その結果、洞察は計画、リソース配分、プロセス改善に反映されるのではなく、孤立したままになる。
3番目の崩壊は人的なボトルネックだ。AIはデータをより速く分析できるが、組織のプロセスは遅く直線的なままである傾向がある。リーダーはデータの量とAIが生成する推奨事項の殺到に圧倒される。組織はAIが生成した結論で溢れかえるが、それに対応する構造になっていない。
高パフォーマンス組織の違い
私の経験では、システム全体の知性を持つ組織はまだ例外であり、ルールではない。しかし、彼らが使用する実践はますますアクセスしやすくなっている。
高パフォーマンス組織はデータ品質を戦略的資産として扱う。彼らはAIシステムに入ってくるデータが真に意味のあるものになるように、感知メカニズムを再設計する。彼らはAIと人間を共同学習者として位置づけ、それぞれがパターンを特定し結論を検証する能力を強化する。
彼らはまた、フィードバックループを意図的に設計する。フィードバックチャネルと計画システムを統合する軽量なシステム、より明確な人間介在のレビューステップ、繰り返しの学習サイクルでさえ、システム全体の知性を大幅に向上させることができる。これらの組織を際立たせているのは、継続的な組織学習へのコミットメントだ。
リーダーはシステム全体の知性を持つ組織の構築を開始するために、5つの実践的なステップを取ることができる：
1. 入力の監査：どのようなデータを収集しているか、誰がそれを提供しているか、それが実際の意思決定に結びついているかを評価する。
2. データ品質の向上：質問を書き直し、フィードバック経路の複雑さを減らし、回答を歪める要因を排除する。
3. 洞察とアクションを結びつける：データ収集システムが計画と意思決定プロセスに直接フィードされるようにする。
4. AIの出力に人間の文脈を追加する：AIからの洞察を検証、洗練、文脈化するために人間をループに保つ。
5. 継続的な学習ループを確立する：感知、統合、意思決定、適応を繰り返しの運用リズムにする。
AIは組織がこれまで以上に大規模に、優れたデータを収集し、より速く処理し、洞察を開発する力を与えている。しかし、それだけでは十分ではない。究極の差別化要因は、洞察を意味のあるアクションに何度も繰り返し変換することだ。真のシステム全体の知性を持つ企業は、学習を中核的な運用機能として扱い、人間と機械が協力して何が重要かを判断し、データから意味を引き出し、次回さらに良い決定を下すために行動を継続的に洗練していく。
