そして現実主義者は、そもそも学習ループを構築する必要があるのかと問う。APIを呼び出し、トークン課金で支払い、自動アップグレードに任せれば、間接負荷はゼロだからだ。
マイクロソフトが語らないジレンマ
本物の学習ループを構築するには、以下の3つの難題を同時に解かなければならない。
・インフラ：実運用の利用から学習データを取り込むパイプラインを作り、そこでファインチューニングし、結果をデプロイし、改悪していないかを監視する
・データガバナンス：機密性の高い会話やワークフローを、クリーンでコンプライアンスに準拠した、機械で読み込める学習データに変えること。多くのチームは数週間を費やした末に、データが使い物にならないと気づく
・規律：モデルがデータを丸暗記しただけではなく実際に成果が改善したことを確認するための、継続的な評価。企業コンサルタントのクマール・ガウラウ（Kumar Gauraw）は、このパターンを繰り返し記録している。それは、チームがファインチューニングを急ぎ、高価なGPUを借りるが、より良いプロンプトを書けば半日で解決したことに気づく、というパターンだ。
規制によって事態はさらに複雑化する。Anthropicのダリオ・アモデイは最近、フロンティアモデルに対して米連邦航空局（FAA）のような規制・監督機能を導入し、デプロイ前に独立監査を行うことを提案した。OpenAIやGoogleのようにコンプライアンスチームを抱える企業なら対応できるが、独自データに基づいて継続的にファインチューニングを回す中堅企業には難しい。こうした負担は、分散型の企業内ループよりも、集中型の研究所に有利に働くかもしれない。
それでもマイクロソフトの賭けが注目に値する理由
こうしたジレンマがあるとはいえ、ナデラの中核的な洞察は揺るがない。独自の学習ループを早期に構築した企業は、他社が模倣しにくい優位性を得る。
技術自体が魔法なのではなく、ループによって組織の知識がシステムに組み込まれ、使用するたびに改善されていくからだ。それは、より賢いモデルへのアクセス権を買うことではなく、資産を築くことに近い。
本当の問題は、学習ループが機能するかどうかではない。組織に学習ループを構築するためのインフラやガバナンス、規律を整える余裕があるかどうか、あるいは、ループが不要になるほどモデルが高性能になるのを待ったほうがよいのか、ということだ。
それは、その組織がどんな企業でありたいかという戦略的選択である。ナデラは答えは明白だと考えている。だが彼が主張しているのは、普遍的な企業の真理ではなく、マイクロソフトに親和的なビジョンである。
