人工知能（AI）がもたらす恩恵への期待から、ベンチャー投資を受けたスタートアップからフォーチュン500企業まで、あらゆる企業の取締役会や経営幹部が、リーダーたちに同じ質問を投げかけている。「あなたのチームはAIをどう活用しているのか」と。
このトップからの圧力と、最新のAIツールや効率化の可能性に関するソーシャルメディア上の絶え間ない喧騒が、企業内部に不安な雰囲気を生み出している。大規模言語モデル（LLM）への支出は増加し、時には追加の人員採用を犠牲にしてまで投資が行われているが、導入は断片的だ。
典型的なやり方はこうだ。企業がClaude（クロード）、ChatGPT（チャットGPT）、CoPilot（コパイロット）、Gemini（ジェミニ）、あるいはこれらすべてのLLMライセンスを購入し、ランチタイムの勉強会を数回開催して、何がうまくいき、何がうまくいかないかを共有する。その結果、明確な方向性もなくAIの可能性の限界に挑戦しようとする少数のスーパーユーザーと、「これは実際に自分にとってどう役立つのか」と疑問を抱く大勢の懐疑派が生まれる。
数十人の機能部門リーダーや個人の貢献者と話をした結果、AI導入と、経営幹部が求める測定可能な成果を阻む3つの真の障壁があることがわかった。それは、技術的セットアップの欠陥、ユースケース教育、ガバナンスの明確性である。
技術的セットアップの欠陥
チームがプロンプト入力を超えて進もうとすると、データアクセスと品質、基本的な統合と権限に関して、すぐに壁にぶつかる。自動化が可能になるのは、エンジニアリングチームによる接続されたAPIや、ZapierやMake.comのようなノーコードワークフロー自動化ツールを通じて、社内システムが相互に通信できる場合のみだ。さらに、我々が話を聞いたチームの中には、CRM（顧客関係管理システム）や文書管理システムのデータクリーンアップという苦痛を伴うプロセスを経て、AIが接続するシステムがビジネスの現実を反映するようにしているところもある。
ユースケース教育
単発のワークショップや週次セッションでさえ、基本的な認識向上と、社内全体でのAIツール実験の開始点としては良いスタートだ。しかしリーダーたちは、明確な役割ベースの指示がなければ、従業員の大半を何よりも欲求不満にさせてしまうことにすぐに気づく。これは人事部門や人材開発チームが簡単に解決できる問題でもない。真の導入には、各チーム内の専門知識が必要だからだ。
次のステップは、各チームがどの手作業を最初に自動化すべきかを定義し、営業、マーケティング、カスタマーサクセス、オペレーションなどの「AIエキスパート」がソリューションを自ら開発してからチームの他のメンバーに教えるという形で、チームごとに内部専門知識を育成するか、他社で既に実施したことを教える外部の機能領域専門家を招くかのいずれかだ。School16のような企業が、この種の役割ベースのトレーニングを提供し始めている。
ガバナンスの明確性
企業がライセンスと基本的な導入義務を提供している一方で、多くの企業は、どのデータをどのツールに入力できるか、従業員がどこで自律性を持ち、どこで持たないかについて、明確に定義されたルールを欠いている。従業員にとって最も安全な選択は、AIを低リスクのタスクにのみ使用し、機密データに触れるものは避けることだ。
セキュリティは現実的な懸念事項だが、従業員がAIを使用するたびに解雇されるリスクがあると感じるべきではない。企業が取れる最初のステップの1つは、どのデータをパブリックAIツールに入力でき、エンタープライズグレードのライセンスで何が許可されるかを概説するデータ分類ガイドを作成することだ。これに続いて、副社長や他の企業リーダーが、自分の業務で企業データをAIツールとどのように使用しているかを示す具体的なユースケースを提示し、社内の他の人々が自ら同様に行えるよう力を与えるべきだ。
大規模言語モデルの普及から3年余りが経過したが、多くの場合、AIが取締役会での議論に与えた影響は、真の企業効率への影響よりも大きい。とはいえ、企業の運営ルールはリアルタイムで書き換えられており、文化的・構造的観点から、これらには時間がかかる。
従業員に対して正しく対応し、あらゆる分野にわたって起こりうる重大な移行を円滑にしたいのであれば、義務主導のアプローチから能力重視のアプローチへと移行しなければならない。そこでは、従業員が真の方向性と、将来に向けて企業を変革する自信を与える情報への容易なアクセスによって力を得られるのだ。
