Vishal Marria氏、Quantexa創業者兼CEO。
機械学習や生成モデルを用いたパイロットプロジェクト、概念実証、実験を何年も重ねた後、ますます多くの組織がAIを意思決定ワークフローに組み込むようになっている。これらのAIシステムは、情報を分析し、複数の入力を横断して推論し、人間の意思決定を補強するために使用されることが増えている。
期待は高い。AIは生産性を大きく解放するものとして位置づけられ、分析を加速し、一貫性を向上させ、組織全体でより良い意思決定を支援できるとされてきた。しかし、他のCEOたちとの会話の中で、私は同じ懸念を聞き続けている。誇大宣伝と支出にもかかわらず、あまりにも多くのAI施策が、信頼性の高いエンタープライズグレードの結果を提供するのに苦戦しているのだ。モデル機能における実質的な進歩にもかかわらず、多くの組織は依然として、AIを印象的なデモンストレーションから信頼できる本番システムへと移行させることに困難を感じている。一貫した成果を上げている企業はさらに少ない。
しかし私の経験では、これは野心や先進技術へのアクセスの失敗ではない。制約はしばしばより根本的なものだ。AIが信頼できる企業の意思決定を支援するために必要な文脈を、単に欠いている可能性があるのだ。
AIの約束と企業の現実とのギャップ
AIへのコミットメントは強いものの、本格的な導入は期待に遅れ続けている。あまりにも多くの施策が管理された環境では良好に機能するが、実際の業務、特に規制された、複雑な、あるいはリスクの高い環境では失敗する。
このギャップは、企業向けAIにおけるより広範な転換点を反映している。多くの組織がモデル、クラウドプラットフォーム、統合パイプラインに多額の投資を行ってきた。しかし、文脈インテリジェンス分野における私の会社の業務を通じて、AIシステムが企業データが実際にどのように組み合わさっているかを理解できるようにする共有基盤の構築に投資している組織は少ないことがわかった。
ほとんどの企業データは、意思決定の自動化や補強のために設計されたものではない。システム間で断片化され、チーム間で異なる定義がなされ、長年の運用上の妥協によって形作られている。重複したレコード、不完全なプロファイル、古い関係性は、文脈を推測できる人間にとっては管理可能かもしれないが、AIシステムにとっては、これらの不整合が出力を歪め、信頼を損なう可能性がある。
なぜ文脈が真の差別化要因なのか
文脈とは、より多くのデータを収集することではない。データが現実世界にどのようにマッピングされるかを理解することだ。企業の意思決定は、単一のデータポイントに依存することはほとんどない。それらは関係性に依存する。顧客がアカウントにどのように接続されているか、ベンダーが取引にどのように関連しているか、人々、組織、イベントが時間の経過とともにどのように互いに影響を与えるか。「誰が誰とつながっているのか」「この決定は他に何に影響するのか」といった質問は、経営判断の中心である。しかし、関連データが孤立して存在する場合、AIが答えるのに苦労するのは、まさにこれらの質問なのだ。
AIシステムが参照できる文脈データレイヤーを作成することで、この課題に対処できる。これは、エンティティと関係性を現実の一貫した表現に接続することによって実現される。一部の企業がこれを行う方法の1つは、ナレッジグラフを通じてであり、これにより組織は現実世界の関係性を、切り離されたテーブルに平坦化するのではなく、直接モデル化できる。（完全開示：私自身の会社を含む多くの企業が、このタイプのグラフツールを提供している。）
信頼できる企業データをグラフに投入することで、AIシステムに関連エンティティのネットワーク全体で推論する能力を与えることができる。これにより、AIを表面的な検索を超えて、ビジネスが実際にどのように運営されているかに沿った意思決定支援へと移行させることができる。組織は、高度なAI機能を強力なデータ基盤と文脈モデリングと組み合わせることで、AI投資からより大きな効果を得られる可能性がある。
実際の意思決定ワークフローでの実例
私の経験では、文脈の価値は、AIが実際の企業の意思決定ワークフローに適用されるときに最も明確になる。顧客リスクスコアリングや不正介入を考えてみよう。シグナルが孤立していることはほとんどない。リスクは、アカウント、取引、取引相手、過去の行動にわたるパターンから生じる。文脈がなければ、AIは明白な異常を検出するかもしれないが、間接的または新たな脅威を見逃す可能性がある。
同じことが、適格性や給付金の決定にも当てはまる。そこでは、意思決定は個人、世帯、ポリシー、イベントが時間の経過とともにどのように関連するかに依存する。規制コンプライアンスワークフローでは、文脈は管轄区域、エンティティ、進化する規則にわたる義務を理解するために重要である。調達とベンダーリスク管理では、エクスポージャーは単一の契約ではなく、サプライヤーのネットワークに存在することが多い。
これらのシナリオ全体で、私は一貫したパターンが現れるのを見てきた。AIが強力な文脈なしで動作する場合、シグナルが明白なときは適切に機能するかもしれないが、シグナルが弱い、間接的、またはシステム全体に分散している場合は苦戦する。しかし、文脈化されたデータに基づいている場合、AIシステムは明白でないリスクを特定し、関係性パターンに基づいて中程度のリスクと高リスクの状況を区別し、より完全で一貫性があり説明可能な出力を生成することがより得意になる。同様に重要なことに、文脈はシステムの意思決定の背後にある推論をより可視化することで、効果的な人間の監視を可能にする。
AIシステムの整合性
これらの初期展開を観察して学んだ重要な教訓は、企業はAIを準備されたデータに追加されたレイヤーとして扱うことから脱却する必要があるということだ。代わりに、AI戦略をこれら3つの相互依存する機能と整合させる必要がある。
1. 現実世界のエンティティを中心に企業情報を統合、管理、解決できる信頼できるデータ基盤。
2. これらのエンティティをビジネスの一貫したビューに接続する文脈インテリジェンスレイヤー。
3. 人間とAIの意思決定を共にサポートするAIシステム。
このモデルでは、AIは人間の判断を置き換えるのではなく、補強することができる。しかし、それは強力なデータの上に構築される必要があり、弱いデータを補償するよう求められるべきではない。
実験から意思決定インテリジェンスへ
私は、企業向けAIの次の段階は信頼によって定義されると信じている。AIシステムは強力だが、正確で、説明可能で、現実世界の条件と整合している必要もある。文脈はその信頼を構築する上で中心的な役割を果たすことができ、AIを印象的なデモンストレーションから、人間の判断を覆い隠すのではなく支援する信頼できる意思決定インテリジェンスへと変革する。
現在AI戦略を評価している場合は、モデルの革新は依然として重要だが、もはや制限要因ではないことを覚えておいてほしい。最も重要な意思決定に文脈を適用できるようにする、強力で信頼できるデータ基盤を構築することだ。
