スティーブン・バーズオール氏、Alteryx最高収益責任者
大半の企業は、市場開拓におけるAI活用に向けて、誤った運用モデルで準備を進めている。
一般的なアプローチでは、この技術は技術チームがビジネスワークフローをモデルが作動できるシステムに変換して初めて価値を提供すると想定されている。しかし収益組織においては、その結果、ビジネスを最もよく理解している人々と、ビジネスの運営方法を形作るロジックが分離されてしまう。そのため、重要なビジネスコンテキストは、チーム、システム、手動判断の間で断片化されたままとなる。筆者の経験では、この分断こそが、市場開拓においてAIが期待通りの成果を上げられない主な理由の1つである。
大半のAI戦略は運用の複雑性を考慮していない
収益組織は、企業内で最もダイナミックな運用システムの1つである。CRM、マーケティングオートメーション、カスタマーサクセスプラットフォーム、製品利用データ、パートナーエコシステム、価格設定、請求処理にまたがっている。表面的には、失敗するAI戦略はシステム統合の問題のように見える。しかし実際には、運用上の現実の問題なのだ。
すべての最高収益責任者（CRO）は、数字の背後にあるロジックが絶えず変化していることを知っている。担当地域は変わり、定義は進化し、取引構造は変化し、パートナーの影響力は必ずしも明確に把握されない。状況が安定したように見える頃には、ビジネスはすでに異なる現実の中で動いている可能性がある。
だからこそ、収益エンジンの真の理解は、システム内よりもそれを運用する人々の中に存在する。RevOps（収益オペレーション）リーダー、財務パートナー、営業リーダー、カスタマーサクセスチームは、データの背後にある例外、判断、コンテキストを理解している。そして、それこそがAI戦略に必要なコンテキストとビジネスロジックなのだ。
パターンは運用上の真実とは異なる
市場開拓における多くのAI施策は、妥当だが不完全な前提から始まる。モデルをCRMとデータウェアハウスのデータに接続すれば、行動が続くというものだ。しかし収益データは、自明であることはほとんどない。パイプラインのステージは、取引が実際にどう進んでいるかを教えてくれないし、予測カテゴリは判断の背後にある根拠を捉えていない。クリーンなデータでさえ、運用上は不完全である可能性がある。
ビジネスコンテキストがなければ、AIは単にパターンを見つけ、技術的には正しいが運用上は誤った答えを生み出す。例えば、モデルは観察可能なシグナルが強いため、取引が成立する可能性が高いと示唆するかもしれない。しかしCROは、それが調達部門で停滞していることを知っている。予測モデルがパイプライン速度の低下を特定しても、RevOpsは実際の原因が担当地域の再設計であることを知っている。AIシステムは、収集するシグナルを解釈できるほどビジネスを理解していなければならない。そうでなければ、戦略は破綻する。
運用型AIモデルはリーダーの専門知識を活用すべきだ
この戦略的ギャップを埋めるため、多くの企業は技術チームを事業部門に組み込むモデルの実装を試みる。一部の環境ではうまく機能する。しかし収益組織では、しばしば新たな制約を生み出す。ビジネスの運用ロジックがエンジニアリング能力に依存するようになる。パイプラインルール、価格設定、カバレッジモデルが変化すると、適応が遅くなる。
モデルへのアクセスを解決するのではなく、企業のAI戦略は運用上の適応性を解決すべきだ。幸いなことに、これに必要な専門知識はすでに存在する。それは収益オペレーション、財務、戦略、営業リーダーシップ、カスタマーサクセス、そして顧客ライフサイクル全体で実行を管理するチームの中にある。これらのリーダーは、数字の背後にある例外、トレードオフ、判断を理解している。
歴史的に、これらのチームは問題を診断できたが、変更の実装には依然として技術チームがビジネスロジックをコードに変換する必要があった。AIはこのモデルの経済性を変える。今や組織は、データを使用可能にし、意思決定を実行可能にする方法で運用ロジックを表現することに注力する必要がある。
適切なAI戦略はデータを信頼できる意思決定と行動に変える
AI時代において、目標は単にモデルを構築することではない。企業データを、ビジネスが信頼し行動できる運用上の意思決定に変えることだ。残念ながら、ほとんどの組織はその作業に適した体制になっていない。エンジニアリングはインフラを所有し、アナリティクスはレポーティングを所有し、ビジネスチームはアウトプットを消費する。そのため、AIがライブワークフロー内で動作し、ビジネスの進化に適応することが期待されると、物事は破綻する。
CROにとって、この変化は重要だ。クラウドデータプラットフォームとデータレイクは、もはや単なる技術インフラではない。意思決定のための運用基盤の一部になりつつある。単にデータを収集するのではなく、これらのリソースはデータを形成し、接続し、収益に関する意思決定に使用可能にするビジネスロジックを組み込む。
勝利する企業は異なる行動を取らなければならない
市場開拓においてAIを成功裏に拡大する企業は、必ずしも最も多くのエンジニアを雇用する企業ではない。データインフラ、ビジネスコンテキストとロジック、運用上の意思決定という3つを規律を持って結びつける企業だ。ワークフローロジックと意思決定ルールはビジネス資産となり、AIが抽象的なデータセットではなく、実際のビジネスプロセス内で動作することを保証する。
それが実験と導入を分けるものだ。市場開拓におけるAIに関する議論の多くは、ツールに焦点を当てている。どのコパイロットを有効にするか、どのアシスタントを展開するか、どのベンダーから購入するか。これらの決定は重要だが、二次的なものだ。より重要な問いは、企業がビジネスが要求するペースで企業データを運用上の意思決定に変える体制を持っているかどうかだ。そうでなければ、AIを追加しても問題は解決しない。今日すでに存在するデータとビジネスの間の同じ断絶を自動化するだけだ。
