取締役会はAIを求めている。従業員はAIを使っている。そして誰もがAIについて語っているようだ。誇大宣伝やバブルについての懸念はあるものの、AIは定着しつつある。
経営幹部はAIを競争優位性への道と見なしている。従業員は生産性向上の約束や、単調な作業を手放す機会として受け入れるかもしれない。しかし、最先端の新技術を展開し、既存のワークフローを改訂または置き換え、その結果得られる成果や洞察について決定的な行動を取ることは容易ではない。期待が高まる中、リーダーは機会を受け入れると同時に、すべての課題に正面から取り組まなければならない。
期待値ギャップを解消する
コーン・フェリーの「Workforce 2025」調査によると、78%のリーダーが自社には明確で長期的なAI戦略があると考えているが、自社がAIを協調的かつ効果的な方法で導入していると考える従業員はわずか39%だった。戦略と準備態勢の間のこのギャップは、期待される成果に影響を及ぼす。最近のエコノミスト・インパクトの調査では、67%の経営幹部がAIは1年以内に成果を上げると期待しているが、若手リーダーで同意するのは45%にとどまった。リーダーはこれらの緊張関係を解決しなければならない。
重要なのは、リーダーがAI戦略とその実施計画を伝えることだ。これには、特に取締役会メンバーが経営幹部に圧力をかける場合、すべてのレベルへの対応が含まれる。スノーフレークの「効果的なAIのためのデータリーダーガイド」で、欧州の大手エネルギー企業の元最高データ責任者（CDO）は次のように述べている。「取締役会メンバーはAIを愛している。しかし、それはマジック8ボールではない。振って答えを得ることはできない。私たちは、メリットを実現するために必要な能力とスキルについて、取締役会を教育し続けている」
同時に、リーダーは従業員が特定した課題を理解し、現場との期待値ギャップ、そして実装ギャップを埋めるためのAI準備態勢を確保しなければならない。従業員のスキルアップと期待値の調整を行う企業全体の教育プログラムを持つことは、あらゆる規模の企業、あらゆる業界にとって必須だ。これは極めて重要である。米国の大手食品流通企業のデータ担当上級副社長は次のように述べた。「AIイニシアチブを実行するとき、あなたは自分のキャリアをそれに投資している。キャリアが作られる場所だ」スノーフレークの2025年グローバル調査「生成AIの劇的なROI」では、59%の回答者が、間違ったユースケースを提唱することで職を失う可能性があることを懸念していた。「正しい」ユースケースを知る鍵は、イニシアチブがビジネス目標と整合していること、そしてリソースとスキルの観点から実現可能であることを確保することだ。
現実的な期待値を設定し、整合性を確保することは、単にあった方が良いというものではなく、雇用の安定、あるいは少なくとも心の平穏の問題である。
コラボレーションの溝を埋める
テクノロジーチームとビジネスチーム間のギャップは長い間観察されてきた。公式チャネルは慎重なアプローチを取るかもしれないが、コンシューマライゼーションはしばしば裏口からテクノロジーをもたらす。これはAIでも再び起こっている。「生成AIの劇的なROI」調査では、ITチームは組織の生成AI利用の全範囲を把握できていないことがわかった。例えば、69%のマーケティング担当者が生成AIを使用していると報告した（ペルソナの調査、メッセージの下書き、コンテンツの作成など）が、IT専門家でマーケティングのユースケースに技術が使用されていると報告したのはわずか42%だった。この数字はビジネス機能全体で続いた。73%の人事担当者が生成AIを使用していると答えたのに対し、人事のユースケースを知っていたIT回答者は44%のみだった。製造およびサプライチェーン業務では、ビジネス回答者の70%に対してITは47%だった。これらの大きなギャップは、かなりの程度のシャドーAIを示唆している。
これらのギャップを解消する最善の方法は、部門間のコラボレーションを促進することだ。そしてそれを行う最善の方法は、組織全体の透明性を向上させることだ。例えば、AIモデルレジストリとデータカタログの採用により、何が起こっているかの可視性が高まる。どのユースケースが対処されたか、どのようなタイプのモデルが構築されたか、他の人が使用できるデータ製品は何か。その可視性は、「彼らはクールなツールを持っている。自分のデータに適用したらどうだろう？」や「データをプールして精度を向上させたらどうだろう？」といった新しい思考につながる。例えば製造業では、欠陥予測モデルは異なる製品チームからのデータから恩恵を受けるかもしれない。データチームと彼らが管理するカタログは、組織全体でこのようなつながりを作るのを助け、シャドーAIを削減するだけでなく、プロジェクトを加速し、コラボレーションさらには再利用を促進することができる。
スノーフレークの「CDOガイド：AIのビジネス価値の測定」にある米国の大手食料品チェーンの例を見てみよう。オンライン注文の「ピッキング」用のモデルが開発された。これは、小売店の従業員が店内の通路を歩いてオンラインで注文された商品でショッピングカートを満たすときのものだ。アルゴリズムは店内の最適なルートを決定して歩数を減らし、注文をピッキングするために移動する距離を10%削減し、顧客のピックアップまでのリードタイムを短縮することが多い。実証されると、このモデルは製品化され、他の店舗や、配送センターからのトラックルーティングなど、ビジネスの他の領域でも使用できるようになった。最初の店内モデルの開発には6〜9カ月かかったが、トラックルーティング版は数カ月で稼働し、移動距離を8.3%削減した。今では、ビジネスユニット全体で価値を提供するルーティングモデルを持っている。コラボレーションと再利用は増分価値を提供する。
価値測定チームを構築する
AIの価値に対する楽観主義は高い。スノーフレークの2025年調査レポートでは、92%が生成AIプロジェクトでプラスのROIを報告した。しかし、回答者の3分の1は実際にはリターンを測定していなかった。このギャップに注意：価値測定は重要だ！リターンを推定することは、リソースのより良い配分と戦略目標との整合に役立つ。
リーダーは多くの潜在的なユースケースを報告しているが、限られたリソースについて懸念している。実際、71%の早期採用者は、資金を提供できる以上に追求したい潜在的なユースケースがあることに同意した。54%の回答者にとって、客観的な指標（コスト、ビジネスへの影響、実行能力）に基づいて適切なユースケースを選択することは困難だった。外部的にも内部的にも競争圧力が高まり、賭け金が上がる。71%が間違ったユースケースを選択すると自社の市場地位を損なうことを懸念し、前述のように59%が雇用の安定を恐れていた。
ピーター・ドラッカーは「測定できないものは管理できない」と言ったことで知られているが、ほぼ1世紀前のケルビン卿からのより洞察に満ちた知恵がある。「測定できなければ、改善できない」ユースケース、モデル、その他のAIツールを探求する際、改善は成功に不可欠だ。測定は必須である。そしてチームの努力だ。
サノフィの最高データ・AI責任者（CDAIO）であるカウタール・スギウール氏がスノーフレークの「CDOガイド：AIのビジネス価値の測定」で指摘したように、「ビジネスは『顧客』ではない。ビジネスとデータまたはデジタルのリーダーは対等だ」AI価値測定において、最初のステップの1つは「価値測定チーム」を特定することだ。ビジネスインパクトの所有者からコストを負担する人まで。次に、インパクト指標について合意する。マーケティングコンバージョン、販売注文、製品欠陥、トラック不足など。現在の値をベンチマークしてベースラインを知り、インパクトを予測する。これが測定チームのゴールポストだ。そして、成果を監視、測定、報告する。上級リーダーシップへの定期的なコミュニケーションは期待値を設定し、継続的な投資のケースを構築する。企業全体へのコミュニケーションは将来のイニシアチブを生み出し、草の根の支持を構築し、健全な程度のFOMO（取り残される恐怖）を引き起こす。
そのFOMOは、スキルアップへの欲求を引き起こし、組織全体の理解レベルを高める。インパクトは重要だが、コストは依然として重要だ。そして、データリーダーは、生成AIプロジェクトを実現するために必要な人材を求めて競争する中で、人的資本コストの超過を報告している。その人材は依然として不足している。
