LatentView AnalyticsのCEO、Rajan Sethuraman（LatentView Analytics）。
2025年のホリデー商戦において、AIがサンタ役を果たしたと言っても過言ではない。小売サイトでは、生成AI（GenAI）ツール経由のトラフィックがほぼ700%増を記録し、118億ドルに達したブラックフライデーのオンライン売上の相当部分を占めた。初めて本格的に、AIが購買意欲をリアルタイムで形成していたのである。
これはAIの前進が現実のものであることを示す一方で、AIがあらゆるビジネス課題を解決する魔法のような存在だという錯覚も助長していると私は考える。この季節の成功事例の1つであるAmazonのAIショッピングアシスタント「Rufus」を詳しく見ると、ブラックフライデーの購入セッション急増は、先進的なテックスタック、複数のモデル、そしてリアルタイムのデータ可視性に支えられていたことが分かる。
これらの能力が組み合わさることで、個別最適化されたレコメンデーションによる売上促進、オペレーションを支えるリアルタイムの在庫洞察、会話型の問い合わせを実行可能なサプライチェーンのシグナルへ変換する需要予測の最適化が可能になった。
ここでの転換点は、AIの統合である。縦割りの最適化から、企業がAIを自社のためにどう機能させるかを再考する段階への移行だ。そしてこの転換は、1つの賢明な意思決定にかかっている。AIへの投資は、エンドツーエンドのデータワークフローと結びついていなければならない。データがAIのための全社的なオペレーション上の優先事項として扱われるとき、この選択は力を倍増させる乗数効果を発揮する。
データ基盤が違いを生む理由
Deloitteの2026年レポート「The State of AI in the Enterprise」によれば、AIはあらゆる業界で効率性と生産性の広範な向上をもたらしている一方で、売上成長は74%の組織にとって「願望」にとどまっている。言い換えれば、多くの企業でGenAIによる収益はまだ実現しておらず、エージェント型AIによる大規模な変革という約束も、依然としていくつもの段階を残している。
つまり、多くの企業が熱心に実験している一方で、事業運営のあり方を変える水準でAIを本当にスケールできている企業はごく少数だ。この停滞の最大の要因の1つはAIに対応できるデータの欠如にあると私は考える。Gartnerは、データの問題によりAIプロジェクトの60%が2026年までに放棄され得ると予測している。
Fortune 500企業のデータ分析パートナーとして働いてきた経験の中で、どのステップを優先すべきかという企業側の理解におけるこのギャップを、私は何度も目にしてきた。
エンタープライズ・インテリジェンスを実現する3つの要因
全社規模でAIをスケールさせようとするCEOは、いずれ同じ一連の問いに直面する。モデルやツールの話ではなく、「準備が整っているか」という問いである。答えは、データに関する3つの基礎的な柱にある。データエンジニアリング、データガバナンス、データの説明可能性だ。これらは、AIがパイロットの寄せ集めにとどまるのか、企業能力として定着するのかを左右する。
1. データエンジニアリング：スケールでAIを構築できるか
AI対応データとは、スケーラブルで信頼できるデータ基盤を作ることに他ならない。すなわち、データが切り離された各所に縦割りで存在するのではなく、全社で使えるようにするためのパイプライン、プロセス、メタデータのフレームワーク、そして監視の仕組みである。このエンジニアリング層がなければ、組織はユースケースごとに同じデータを繰り返し作り直すことになり、時間、予算、信頼を削り取ってしまう。
優れたアナリティクスの実務家は、基幹システムからデータを統合し、フォーマットを標準化し、変換を自動化し、ソースからAIモデルに至るまでの系譜と可観測性を維持するプラットフォームを構築する。こうした設計された基盤は品質を担保し、重複作業を減らし、必要な場所に必要なタイミングでデータを提供する。予測モデル、適応型アナリティクス、リアルタイム意思決定は、すべて同じ基盤から引き出されるべきである。
2. データガバナンス：安全に管理・統制できるか
AIが実験段階から全社規模へ移行するにつれ、データガバナンスは、オーナーシップを定義し、AIの取り組みが減速しないようにするための中核になりつつある。効果的なデータガバナンスは、AIシステムの構築・評価・運用の方法そのものに織り込まれるべきだ。これは、モデルを本番投入する前に評価基準を定義し、人間の監督をワークフローに直接組み込み、フィードバックループを短縮してシステムが実際の本番条件に適応できるようにすることを意味する。
ガバナンスは実現要因と捉えるのがよい。信頼、透明性、責任をデータワークフローに直接埋め込み、AIシステムが実際の本番環境で安全に稼働できるようにするのである。
3. データの説明可能性：行動に移せるほど信頼できるか
AIは、アルゴリズムバイアス、公平性、データプライバシー、セキュリティといった重要な論点を突きつける。説明可能性の欠如は、隠れたリスクであり、あまりにもしばしば見過ごされていると、多くの業界リーダーは認識している。私の見方では、全社規模において説明可能性はコンプライアンスの問題というより、現場に最も近い人々がAIの出力をリアルタイムで信頼し、行動に移せるようにするための条件である。
このアプローチの有用な例として、トヨタが挙げられる。同社は工場の現場で、設備監視、品質チェック、生産性改善に向けたAI駆動のソリューションを従業員が開発・展開できるようにしている。AIの意思決定をすべて中央集権化するのではなく、データが生成され、意思決定がなされる場所にガバナンスを組み込んでいる。
AIが既存プロセスに新たな命を吹き込むとき
AIに関する議論の多くは、価値はプロセスの抜本的な刷新からしか生まれないという前提に立っている。しかし、完全な再発明を待つことは、特にAIがデータ分析のワークフローを着実に変えつつある現在、組織がインパクトの創出を先延ばしにすることにもつながる。
GenAIは、分析の高速化、データプラットフォームの近代化、パイプライン開発の自動化、診断に要する労力の削減を通じて、既存のワークフローを加速させ、静かに価値を解き放っている。この具体的な効率向上は、あらゆるものを再構想しようと急ぐ中で見過ごされがちである。
実験によって持続的な価値を生み出す
前進するために、複数の概念実証を展開してもなお組織がスケールできない理由を理解することが重要だと私は考える。AIの実験で良好な結果が出るのは、クリーンで、しばしば合成されたデータを用いた制御された条件で行われるからに過ぎない。しかし、スケーリングと本番運用の段階では、例外的なケースが表面化する。価値実現が明確でないことは、ROIを生まない比較的低コストで低リスクのパイロットに企業が資金を投じ続ける、終わりのない循環を生み出す。
ここで改めて、シンプルな真実に立ち返る。AIへの大胆な投資が機能するのは、組織が全体像を捉え、流行のツールよりも明確なビジネス成果を優先し、文脈に富むデータを十分に備えた「1つの賢明な意思決定」を下すときに限られる。
