かつてこんな話を聞いたことがある。仮に1950年代に電話会社が全国の電話網を近代化しなかったとしたら──当時の電話網は、人間のオペレーターが手動でスイッチを差し込んで通話をつなぐ仕組みだった──電話会社は国内の全成人を雇用する必要があっただろう、というものだ。これは自動化を支持する極めて説得力のある事例だ。
この例えが頭に浮かんだのは、DVxベンチャーズのCEOで、テスラ元社長、Lyft元最高執行責任者のジョン・マクニール氏と話をしていたときだった。電話会社が電話網を自動化したとき、その後に起きたのは「80万人が職を失うのではないかという恐怖と、それに伴う大きな懸念」だったと、同氏は振り返る。
それが一次的効果だった、と同氏は説明する。「当時の人々には見えなかったのは、その裏側だ。起業家たちはそれを見て、コールセンターという全く新しい産業を生み出した。結果的に、はるかに多くの雇用が生まれ、GDPの創出と価値創造がはるかに大きくなった」
マクニール氏の新著『アルゴリズム：テスラ、ルルレモン、ゼネラル・モーターズ、スペースXを変革した超成長の方程式』で、マクニール氏はテクノロジーが企業や市場に与える影響、そしてテクノロジーがすぐには見えにくい機会をいかに生み出すかについて論じている。同時に、自動化を無闇に適用してはならない理由も示している。
マクニール氏は、AIによる雇用の大量喪失という考え方に強く反論する。長期的には、AIのようなテクノロジーの発展は新世代のイノベーションをもたらし、人間のための新たな役割を生み出すという。「『今回は違う』『この発明は我々より賢い』という主張を耳にする」と同氏は語る。「発明は常に我々より優れている。これが人類史上初めて起きたことだという証拠は見当たらない。我々には裏側が見えない。裏側が見えることは稀だ。そして、それが生み出す機会も見えない」
テクノロジーにおける「一次的な雇用破壊」は明確に見えるのが一般的だ、とマクニール氏は続ける。「しかし、人間は二次的効果や三次的効果を見るのが非常に苦手だ。悲観論者が見ることができるのは、終末のシナリオだけだ」
例えば、かつては手作業で計算を行う人々で満たされた超高層ビルがあった、と同氏は言う。スプレッドシートが登場し、それらの仕事はすべて消滅した。しかし、ウォール街で大量失業は起きなかった。スプレッドシートは、あらゆる種類の異なる取引戦略や二次的効果を可能にし、実際には人々がはるかに興味深い仕事に就くことにつながった。
組織がAIを最適化できるよう準備するには、ここでも長期的に考えることが重要だ──二次的効果ほど先ではないかもしれないが、ビジネスプロセスへの影響まで考える必要がある。「まず、このビジネスプロセスから何を得たいのかを決めることだ」とマクニール氏は助言する。「最初にAIを求めるのは、『ハンマーが欲しい』と言うのとよく似ている」
要するに、「解決しようとしている問題の性質や、自分たちの目標が何かを理解していなければ、あらゆる問題にハンマーを適用し始めることになる。壁に穴を開けるだけに終わるだろう」と同氏は述べる。
最善のアプローチは、「『これを構築してほしい』と説明することだ。そして、それをどう実現するかについて話し合う。機械学習が適切なアプローチか？AIが適切なアプローチか？決定論的コードが適切なアプローチか？」
チームに何を構築するよう求められているかを考えることだ、と同氏は続ける。「そして目標から始める。そして、その目標に到達するために何が最善かをチームに教えてもらう」例えば、経営幹部は「『これを構築してほしい。そして、コストベースの50％を削減してほしい』と言うべきだ」と同氏は例示する。「それは異なる種類の指示だ。そうすれば、人々はそれを実現するためにどんな新しいツールセットが必要かを創造的に考え始める。それがAIを前進させることができる」
マクニール氏の著書には、いくつかの指針となる原則がある。「あらゆる要件に疑問を持つ」ことから始まり、シンプルさを重視し、最後にこの意外なアドバイスで締めくくられる：「自動化は最後に」。同氏は、自身の監督下にあったテスラが、自動化された製造プロセスの遅さによって受注残を抱えていた経緯を語った。彼が見つけた解決策は、テスラのカリフォルニア州の組立工場の外に長いテントを設置し、完全に人間による組立ラインで各部品を手作業で組み立てることだった。そこでチームは、各段階に自動化を賢く適用する方法を特定することができた。
鍵は、まずシステムを学び、簡素化し、最適化することだ。「ソフトウェアであれロボットであれ、自動化は最後に来なければならなかった」とマクニール氏は書いている。同氏はこのプロセスを家の建築に例え、建築家がまだ設計中なのに請負業者が建築を始めるようなものだとした。あまりにも頻繁に、ビジネスプロセスが成熟する前にソフトウェアが適用されている。
「人々は本当に理解する必要がある。『これが解決しようとしている問題だ。これがAIがこれに適している理由だ。そして、これがAIを展開するステップだ』と」と同氏は述べた。これには、データのクリーンアップ、データでのモデルのトレーニング、モデルが正確で最新の結果を提供することを保証するための事後トレーニングが含まれる可能性がある。
