「AIで何をすべきか分からない」
これは今年初め、ある中堅上場企業のCEOが私にこっそり漏らした言葉だ。彼はすでに全社員に対してAIリテラシー研修の受講を義務付けていた。自身もオンラインコースを受講し、大規模言語モデル（LLM）への指示出しにも自信がついていた。しかし、もっと多くのことをすべきだと感じていた。また、チームにAIを単なる強化版検索エンジン以上のものとして活用するよう促すべきだとも理解していた。
10カ月後、彼とチームにカスタムボットの作成方法、プロンプトとの対話方法、そして実際に解決しようとしている問題について有意義な議論を行うための深い対話セッションを数回実施した結果、彼らは全く異なる段階に到達した。
しかし、多くのリーダーたちは依然として「自分が何を知らないのかも分からない」という混乱の中にいる。彼らは自分たちが解決しようとしている問題や効率化したい現状のワークフローを特定するためにツールを深く掘り下げ、チームと協力するよりも、この立場を隠すことに多くの時間を費やしている。ある経営幹部は最近、「これらすべてが消えてしまえばいいのに」と願い、「以前のやり方に戻りたい」と私に語った。
私たちは今やAIが消えることはないと知っている。むしろ、その逆で、AIはますます強力になっている。しかし、今年を振り返って私が気づいたのは、彼のようなリーダーたちが苦戦しているのは情報不足が原因ではないということだ。
彼らが苦戦しているのは、探索できたはずの時に実験ばかりしていたからだ。
マリア・ポポヴァは、彼女のニュースレターThe Marginalian（ザ・マージナリアン）でこの違いを明確に示してくれた：「私たちは実験と探索を混同し続けている。実験は既存の理論を証明または反証するものであり、その成果はデータであり、固定的で二元的なものだ。探索は未知の領域、あなたが存在すら知らなかった風景を横断することであり、それには勇気、脆弱性、そして経験に対する開放性が求められる。その成果は発見だ」
ほとんどの企業は2025年に実験を行うことに費やした。彼らはあらかじめ設定したKPIでパイロットプロジェクトを立ち上げ、節約された時間を測定し、結果を上層部に報告した。しかし、彼らは証明したい仮説から始め、その仮説を指標、特にビジネスがより速く進んでいることを示す指標と一致させることができる場所を探していた。彼らは戦略を実行するのではなく、戦略を演じているのだ。
多くの企業が多くの実験を行ったが、彼らがどれだけ学び、変化したかは定かではない。
リタ・サラム氏（ガートナーのディスティングイッシュト・VPアナリスト）は、このギャップを追跡している。彼女の最新の調査によると、2027年までに、生成AI（GenAI）プロジェクトの60%が、AI対応データの不足、効果的なガバナンスとリスク管理の欠如、コストの増加、あるいはビジネス価値の不明確さにより、概念実証後に放棄されると予測している。
2025年に探索の時間を取った企業は、2026年に向けて自社のビジネスとその方向性について、予測していなかった方法でより多くのことを学んだ。これは彼らが指標やガバナンス委員会を持っていなかったという意味ではない。ただ、そこで止まらなかったということだ。テストされ、熟考される時間があり、最終的に即時的または明白な問題ではなく、根本的な問題を解決する必要があると気づいたプロジェクトを覚えているだろうか？それが探索だ。
「素早く失敗する」からAIの効果的活用へ
私が一緒に仕事をしたチームの多くは、私がシリコンバレーの言い回しを嫌っていることを知っている。「素早く失敗する（Fail fast）」はそのリストのトップに近い。私は自分の仕事の中で静かにそれを「素早く学ぶ（Learn fast）」に変えてきたが、それでもまだ十分ではない。私たちが実際に試みているのは、より効果的に実行することだ。そして実行には、「素早く失敗する」が都合よく省略しているものが必要だ：学んだことに基づいて行動を変えることだ。
私は組織が印象的なペースで洞察を蓄積するのを見てきた。彼らはパイロットプロジェクトを実行した。従業員にアンケートを取った。競合他社とベンチマークした。資料を作成した。取締役会に調査結果を報告した。そして彼らは既にやっていたことを続けた。AIのおかげで、今ではより速く仕事をしている企業もある。しかし、より速いことがより良いことと同じではない。
ある企業は、エージェントAI（Agentic AI）に取り組みたいと私に語った。企業向けChatGPTライセンスをどのように使用しているか尋ねると、使用していないと答えた。だからこそ、今エージェントAIに焦点を当てたいのだという。その論理は驚くべきものだった：基礎をスキップし、次のものを追いかけ、それが定着することを期待する。これは素早く学ぶことではない。素早く失敗することすらない。それは単に次のツールが前のツールが解決できなかったことを解決してくれることを期待しているだけだ。
実験して失敗することは、組織全体の行動やプロセスを変えない。探索と、その学びと行動の変化に基づく実行が変えるのだ。
最近、私はこれを異なる方法で行っている3人のリーダーと話をした。
AIの実行とは何か
では、実行とは実際にどのようなものだろうか？ステイシー・テイラー氏（Visaの実装・変革担当VP）は、Microsoft 365 Copilotを使用した企業全体の生成AI展開をどのように主導したかを私に共有してくれた。結果：98%の採用率と測定可能な生産性向上を達成した。しかし、その成果は素晴らしいものの、彼女とチームがどのようにしてそこに到達したかはさらに興味深い。
テイラー氏は、この展開を単なる変更管理プロジェクトではなく、マーケティングキャンペーンのように扱った。彼女は「ACT」フレームワークと呼ぶものを使用した：Audience（対象者）、Connect（つながる）、Tune（調整する）。つまり、誰に話しかけているのかを知り、透明なコミュニケーションを通じて信頼を構築し、聞いていることに基づいて聞き、反復するということだ。変革リーダーシップは理想的には反復的であり、特に今日の変革リーダーシッププレイブックはそうだ。しかし、ステイシーのマーケティングアプローチは常に反復についてのものだった。彼らはキャンペーンを立ち上げて立ち去るのではなく、何が機能しているかを観察し、機能していないものを削除し、週単位、時には日単位で調整する。テイラー氏はAI採用にも同じ規律をもたらした。彼女のチームは、予測された時間節約ではなく、実際の時間節約を定量化するためにA/Bテストを実施した。彼らはリアルタイムでコース修正できるフィードバックループを構築した。
シンディ・ハウソン氏（ThoughtSpotのチーフ・データ・AIストラテジー・オフィサー）は、これを「完璧よりも進歩」の哲学と呼んでいると私に語った。どのLLMが正しい選択かを延々と議論するのではなく、一つを選んで結果から学ぶのだ。初期の成功が後の決断をより良く導く。彼女はThoughtSpotでは「AIはAIについてではなく、ROIについてだ。生成AIであれエージェントAIであれ、それはスライドの中の予測ROIについてではなく、実際のビジネス問題を解決するプロジェクトからの具体的な成果についてだ」と考えていると語った。
しかし、そのループを可能にするのは、知らないことを罰しない文化だ。ハウソン氏は、それが欠けている場合に何が起こるかを見てきた：「古い学校のプロセスに戻ると、恐怖と変化への抵抗があなたを遅らせ、邪魔をするかもしれない」。2025年に実行した企業は、最高のAI戦略を持っていた企業ではなかった。彼らは、大声で学び、素早く調整し、許可を待たずに素早く変化するという文化的な筋肉をすでに構築していた企業だった。
必要とされるAIシフト
ペースは遅くなっていない。ツールはより良くなっている。採用への圧力は強まっている。しかし、先に進む企業は最も多くを学ぶ企業ではなく、実験を実行するのをやめて探索を始める企業だろう：反復し、調整し、実行する筋肉を構築することだ。
それには、どこに行くかを決める前に、実際にどこにいるのかを理解することが必要だ。テイラー氏はVisaの展開を命令から始めなかった。彼女は対象者を理解することから始めた：彼らがどこにいるのか、何を恐れているのか、何を必要としているのか。探索は望ましい状態からではなく、現在の状態から始まる。
そして、それはあなたのリーダーたちを妨げているものを認識することを必要とする。ハウソン氏は、多くの経営幹部がAIに対する「闘争か逃走か」の反応に陥っていると指摘する：「一部は真っ向から抵抗し、他の人は変動の中で新しい役割に逃げ、多くは単に凍りつき、リスクよりも無行動を選ぶ」
その麻痺は、データにも表れている。サラム氏はまた、AIパイロットの95%が失敗するというMITの話題の研究について、誰もがポイントを見逃していると指摘した。失敗はテクノロジーではなかった。それは不明確なビジネス価値の実現と、成功に必要な基盤能力への過小投資だった：AI対応データ、意図的なプロセスと職務の再設計、そしてトレーニングとガバナンスだ。
2026年にAIを効果的に活用する方法
では、2026年に探索するには実際に何が必要なのか？いくつかのポイントを挙げよう：
望ましい状態ではなく、現在の状態から始める。チームに他のことを求める前に、まず人々が実際にどこにいるのかを理解しよう：彼らが何を恐れているのか、何を必要としているのか、そしてどのワークフローやプロセスを変えたいのか。どのようなデータがあるのか？すでに機能していて変更する必要がないものは何か？そして、何を変更する必要があるのか、または変更したいのか？
自分自身でツールを使ってみる。距離を置いたまま探索をリードすることはできない。どこから始めればいいか分からなかったあのCEOは、自ら手を動かし、同じツールを使用するさまざまな方法を探索した。
四半期ではなく週単位で動くフィードバックループを構築する。AIの進捗を四半期ごとの全体会議や、さらに悪いことに取締役会でしか確認していないなら、それは実験だ。探索にはリアルタイムの調整が必要だ。
ROIだけでなく、学びも測定する。唯一の指標が6カ月後のP&L（損益）への影響だけなら、成果が出る前に作業を放棄してしまうだろう。何を発見しているか、どのように反復しているか、何が変化しているかを追跡しよう。他の3つの問題に対処する新しい問題を特定できればボーナスだ。
知らないことを報酬とする。あなたの文化が不確実性を罰するなら、リーダーたちは凍りつくだろう。「まだ分からない」と大声で言うことを安全にしよう。
テイラー氏は対象者を理解することから始めた。ハウソン氏はThoughtSpotの顧客に、学びに報いる方法で生成AIを採用するようコーチングしている。サラム氏は、データが実際に示していることに私たちの注意を向け続けている。3人とも異なる文脈で同じことを説明している：実験ではなく探索することがどのようなものかということだ。
これは、冒頭のCEOの話に戻る。
解決策はより多くの知識ではない。それは彼が私にこっそり漏らしたことを大声で言う意欲だ：「AIで何をすべきか分からない」
それは告白ではない。それはAI探索の出発点なのだ。
