人工知能が経済全体とウォール街にもたらす脅威については、広く報じられてきた。しかし今週、AIソフトウェアツールの進歩がウォール街での売りを引き起こした。企業向けソフトウェアの存続可能性が問われている。
企業向けソフトウェア市場が危機に瀕しているという考えは、Anthropicが火曜日に発表した無料のソフトウェアプラグインツールによって引き起こされた。このツールは、企業がさまざまなビジネスプロセスを自動化できるようにするものだ。Anthropicのソフトウェアは「オープンソース」である。つまり、どの企業も無料でツールをダウンロードできる。これらのプラグインは、企業向けソフトウェア企業が現在企業に販売しているツールに取って代わる可能性がある。
サンフランシスコに本社を置くAnthropicは、AI分野をリードする企業だ。同社の主力ツールはClaude（クロード）として知られている。動画「Antropic Just Gave Claude 11 New Superpowers」は、このツールの機能を印象的に実証している。
例えば、営業プロセスをサポートするために、プロセスは4つの上位サブプロセスに分解される。見込み客調査、商談準備、案件管理、フォローアップだ。各サブプロセスには一連のステップがある。デモでは、エンドツーエンドの営業プロセスをサポートする、このツールのすぐに使える機能が実証されている。
このプラグインは、財務、営業、カスタマーサポート、マーケティング、法務のワークフローを自動化できる。サプライチェーンや人事領域向けのソリューションは提供されていない。
どのタイプの企業向けソリューションが最もリスクにさらされているのか
私の専門分野はサプライチェーンソフトウェアだ。どのソフトウェアが最もリスクにさらされ、その理由は何かを説明するために、2種類のSCMソリューションをレビューする。しかし、私の結論は、他のどのタイプの企業向けソフトウェアがリスクにさらされているかを読者が理解するのにも役立つだろう。
サプライチェーンソフトウェア市場で売上高の大部分を生み出しているソリューションは、倉庫管理、輸送管理、サプライチェーン計画だ。これらの市場はそれぞれ、年間10億ドル以上を生み出している。
最適化はソリューションの中核にどの程度組み込まれているか
すべての企業向けソフトウェアはプロセス中心である。ソフトウェアはエンドツーエンドのワークフローをモデル化し、それを実行する。プロセスのステップが完了すると、ソフトウェアはそれらの状態変化を記録し、データを収集する。そのデータを分析して、プロセスをさらに改善できる。
倉庫管理ソフトウェアを例に取ろう。高いレベルでは、プロセスは注文から始まる。顧客注文がWMSに入る。顧客注文は、ピッキング、ステージング、出荷が必要な製品、つまり在庫管理単位（SKU）で構成されている。WMSは、それらのSKUが倉庫内のどこにあるか、注文を完了するために各SKUが何個必要かを把握している。作業員はそれらの場所に誘導され、製品をピッキングして出荷ドックに移動する。一部のWMSソリューションは基本的で、最適化の面ではほとんど提供していない。これらのソリューションは容易に置き換え可能だろう。
しかし、生成AI（AnthropicはGenerative AIに基づいている）は、プロセスの最適化においてはるかに困難に直面するだろう。例えば、高度なWMSは倉庫の注文をグループ化し、作業員の移動時間を最小限に抑えるようにフロアにルーティングできる。高度なWMSは履歴データを使用して最も需要の高い製品を特定し、それらを積み込みドックの近くに配置することで、移動をさらに最小限に抑える。これは低レベルの最適化だ。生成AIモデルはこれを行うように訓練できるが、既製のソリューションの一部にはならない可能性が高い。
対照的に、サプライチェーン計画は数学的最適化に基づいている。供給計画モデルは制約ベースのモデルだ。サプライチェーンには、注文、サプライヤー、原材料、機械、顧客、その他のエンティティがある。注文には大きいものもあれば小さいものもある。したがって、注文の最小値と最大値は制約となる。注文には製品がある。異なる製品は異なる原材料とコンポーネントから作られる。部品表、つまり製品がどのように作られ、製品が工場をどのように流れるかは、新たな制約のセットを提供する。機械のセットアップにはどのくらいの時間がかかるか。異なる製品のスループットはどのくらいか。顧客の納期はいつか。これらも制約だ。他にも多くのタイプの制約がある。大規模な供給モデルには、100万を超える制約が含まれる場合がある。
最適化は、顧客サービス目標を達成しながらサプライチェーンを運営する最も安価な方法について完璧な答えを与えるわけではない。複雑なサプライチェーンにとって、それは不可能だ。一部の問題を完全に解決するには、計画エンジンが最良の答えを出すまでに何年も実行する必要がある。しかし、計画エンジンは非常に優れた答えを提供する。エンジンは、計画が実行可能になるのに十分な速さで優れた答えに収束する。
生成AIは、複雑な制約ベースの最適化を実行する能力を単純に持っていない。結論として、Kinaxisのようなサプライチェーン計画に焦点を当てている企業は、Manhattan Associatesのような倉庫管理システム企業よりも、Anthropic型ソリューションからのリスクが少ない。Manhattanに対して公平を期すと、同社のWMSソリューションが輸送管理ソリューションと組み合わされると、複雑な最適化が可能になる。しかし、Manhattanは主にWMSを販売している。
確率的な答えと決定論的な答え
コンピュータサイエンスにおいて、決定論的アルゴリズムとは、特定の入力が与えられると、常に同じ出力を生成するアルゴリズムだ。サプライチェーンソリューションは決定論的である。
対照的に、生成AIは確率的だ。一般読者向けにおそらく最良の生成AIに関する本を書いたカレン・ハオ氏は、それらを「統計的パターンマッチャー」と呼んでいる。例えば、生成AIが自動運転機能の開発に使用される場合、これらのソリューションは「奇妙に特定のパターンまたは完全に間違ったパターンに絞り込む。ディープラーニングモデルは、歩行者の下にある歩道によってのみ歩行者を認識し、横断歩道を無視して歩いている人を登録できない可能性がある。停止標識を道路の脇にあることと関連付けることを学習し、スクールバスの側面に延長された同じ標識や、横断警備員が持っている標識を見逃す可能性がある」。これらのソリューションは「トレーニングデータの変化に非常に敏感」だ。
したがって、問題は、答えがいつ決定論的である必要があり、いつ確率的ソリューションで十分なのかということになる。
顧客関係管理システムは、注文プロセスが複雑で、営業担当者がすべての機会に対応する時間がない場合に、受注の優先順位付けに使用できる。確率的な生成AIは、最前線の営業担当者が最良の機会に集中するのを支援できる。これらのソリューションは、決定論的でなくても、より高い売上高を促進できる。優先順位付けされなかった注文657が、対応された注文658よりも高い潜在的価値を持っていたとしても、ソリューションが大部分正しければ、これはあまり重要ではない。
それを、顧客サービス目標を達成しながらサプライチェーンコストを最小化するために使用されるサプライチェーン計画ソリューションと対比してみよう。大口顧客が重要な注文で遅延配送を受けた場合、長期的で収益性の高い関係を危険にさらす可能性がある。さらに、サービスレベル契約を満たさなかったことに対する多額の罰金が科される可能性がある。このシナリオでは、確率的ソリューションは十分ではない。
