Anshima Raj Genpact AVP｜デジタル＆テクノロジーリーダー
いま私たちは、デジタルと認知が切り離せないかたちで結び付いた、特異な転換点に立っている。数十年にわたるテック領域での経験から言えるのは、表層的なプロンプトとコピー＆ペーストに象徴される生成AIの初期「ゴールドラッシュ」は、公式に終わったということだ。私たちは、導入のフェーズから、アーキテクチャとして適応させるフェーズへと移行している。
現代のリーダー、経営者、エンジニアにとって、単にAIを使うだけではもはや差別化要因にはならない。それは最低限の基準に過ぎない。真の成長は、これらのモデルの基盤を理解し、自社のワークフローや業界固有のDNAに適応させることにある。成長を駆動するには、構文（単に言葉を正しく並べること）からシステムへと移行しなければならない。
文脈知能へのシフト
多くのユーザーはAIを魔法の箱のように扱う。だがテックリーダーであれば、それが可塑的なアーキテクチャであることを理解している。そして企業にとっての真の価値は汎用モデルではなく、特化モデルにある。
いまの環境では、AIを『マトリックス』のネオのように捉える人が少なくない。違いがあるとすれば、多くの人がデフォルトのUIを使って「シミュレーションの中で生きている」のに対し、アーキテクトは「コードを見ている」という点だ。
私たちは赤い薬を飲んで真実を見るだけではない。ワークフローに合うように、シミュレーションのルールそのものを書き換えている。Genpactでは、構造化されたRAG（検索拡張生成）フレームワークによってこれを実現している。一般的な学習に基づいてモデルに推測させるのではなく、プロジェクト履歴や技術仕様といった自社データに基づいて応答を固定する。これにより、汎用ツールは、特定のビジネスロジックを理解する文脈の専門家へと変わる。
エージェント型ワークフローの構築
次の成長段階では、「human-in-the-loop（人間の関与を前提とする運用）」を超え、エージェント型AIへと向かう必要がある。プロンプトに反応するだけのシステムとは異なり、エージェント型システムはワークフロー全体にまたがって動作し、自律性を高めながらタスクを調整できる。
日々の業務では、要約を求めるだけでなく、1つ目のエージェントがデータを分析し、2つ目が誤りをチェックし、3つ目がアウトプットを戦略目標に紐付ける、といったワークフローを構築したい。産業界では、human-in-the-loop型の管理へと移行しつつある。AIが反復的なロジック実行を担い、私たちは高次のビジョンと倫理的なガードレールを提供する。
完全統合までの4段階
実験からスケールした成長へ移るため、私はAIを最適に活用してソリューションとワークフローを推進するための戦略的フレームワークを開発した。
第1段階：知能の基盤を固める
価値の高いプライベートデータをクレンジングし、「チャンク化」してベクトルデータベースに格納する。これによりAIのアウトカムは信頼性を獲得し、組織の記憶に根差したものになる。
第2段階：マルチエージェントシステム（MAS）を展開する
Stanford AI IndexおよびMIT Sloanの最近の研究は、特化エージェントを協調させることが効率を大幅に高めることを示している。彼らの研究によれば、複雑な役割を目的特化のエージェントに分解することで、タスク成功率は12%から66%超へと高まり得る。このシフトにより、データアナリストやコンプライアンスチェッカーのように各エージェントが狭い領域に集中でき、システムドリフトを抑え、単一モデルのアーキテクチャでしばしば起きる「コンテキスト汚染」を防げる。
第3段階：APIファーストの思考を採用する
AIを到達点として扱うのをやめよ。SlackやCRMのような既存スタックに知能を直接統合し、仕事が行われる場所にロジックを置くべきだ。独自データをサードパーティプラットフォームと安全に橋渡しするためには、Slack Bolt SDKを介したミドルウェア層を使って、ユーザー入力が社内データベースに到達する前にサニタイズし、Socket Modeを用いてプライベートなWebSocket接続を確立し、企業ファイアウォールの内側で安全に通信する。このアーキテクチャにより、Slackが「UIレイヤー」として機能しつつも、知的財産は自社が管理するインフラ内に留まり、自社のリアルタイムアクセス制御によって統制される。
第4段階：AIを監視し、改善する
システムはドリフトするため、「groundedness（根拠性）」のような指標を用いて、モデルが適切なソースを使っていることを確認する。根拠性とは、AIの応答が、提供したソースデータによってどれだけ正確に裏付けられているかを測る指標であり、システムが特定の参照コンテキストの外側で情報を幻覚（ハルシネーション）しないようにする「ファクトチェック」として機能する。こうしたシステムは、私たちが常にプログラムするとは限らない方法で学習する。私たちの役割はガードレールを与えることだ。
参入障壁（モート）を築く
いまの企業が優位性を得られるのは、誰もが同じモデルにアクセスできる以上、どのAIモデルを使うかではない。鍵は独自データと、固有のバリューチェーンにAIをどれほど深く統合しているかにある。
ChristianとGriffithsが『アルゴリズム思考術』で論じるように、複雑なシステムを管理する最も効率的な方法はしばしば、「priors（事前情報）」、すなわち真であると分かっている確立済みのデータに焦点を当てることにある。AIの文脈では、最新モデルの誇大宣伝を追いかけるよりも、シンプルさと堅牢なデータ基盤を優先するという意味だ。「決して検索しないものを仕分けるのは無駄であり、仕分けていないものを検索するのは単に非効率なだけだ」
結びに
未来を手にするのは、AIに答えを求めるだけのプロフェッショナルではない。その答えがいかに見いだされるかを定義するシステムを構築するプロフェッショナルだ。プロンプトで遊ぶのはやめ、エンジンをつくる時である。
