powered by TechFeed
表示モード
Deep Dive

86%の企業がAIのパイロット段階を抜け出せない — データ基盤・ガバナンス・ユースケース選定の3つで差がつく全社展開の条件

11月16日、MIT Technology Reviewが「Building AI that can work across the enterprise」と題した記事を公開した。エンタープライズAIをパイロット段階から全社展開へ移行するために必要なデータ基盤・ガバナンス・戦略の再構築について、SAPとInfosysの幹部2名の対談をもとに詳しく論じている。

11月16日、MIT Technology Reviewが「Building AI that can work across the enterprise」と題した記事を公開した。エンタープライズAIをパイロット段階から全社展開へ移行するために必要なデータ基盤・ガバナンス・戦略の再構築について、SAPとInfosysの幹部2名の対談をもとに詳しく論じている。


なぜ86%の企業はAIをスケールできないのか

InfosysとHFS Researchが世界の大企業500社以上を対象に調査した結果、AIをスケールさせることに成功した企業はわずか14%であり、残る86%は初期探索・PoC・断片的なパイロットの段階にとどまっている。BCGのレポートでも同様の傾向が確認されており、74%の組織がスケールへの道筋なくパイロット段階で停滞しているとされる。さらにAnthropicの調査では、42%がAI能力をスケールするためのデータアクセスとデータ品質の確保に苦労していると回答している。

これらの調査はそれぞれ調査設計・対象・時期が異なるが、「パイロット止まり」という構造的な課題については一貫して同じ結論を示している点は注目に値する。

なかでも注目される数字が、Infosys Knowledge Instituteが独自に定義するAI Maturity Indexから得られた知見だ。同指数では、AIをビジネスの中核に組み込み、全社的に活用できている企業を「AIネイティブ」と定義している。現時点でこの水準に達している企業はわずか8%にとどまるが、そうした企業は遅れを取る企業と比べてAIからの収益貢献が4倍に達しているという。

この記事はMIT Technology ReviewのPodcast「Business Lab」の書き起こしを元にしており、SAP Business AI Platform EcosystemのSVPであるThorsten Leiduck氏と、InfosysのAssociate VP(North America)であるSatinder Pal Singh氏が出演している。


最大の障壁は「AIを部門の仕事にしてしまうこと」

Singh氏が指摘する構造的な失敗パターンは明確だ。企業がAIチームやCenter of Excellenceを作り、それをビジネス部門から切り離してしまう「AI as a department trap(AIの部署化トラップ)」である。技術的には優れたパイロットが作られても、ビジネス部門がそこに自分たちの課題を見出せず、「問題を探しているAIソリューション」になってしまう。

必要なのは、AIを「ITが業務のためにやること」から「組織全体が一緒にやること」へと転換するマインドセットだとSingh氏は言う。すべての機能、すべてのワークフローに最初から組み込む姿勢が求められる。


データ基盤なきAIはスケールしない

Leiduck氏が繰り返し強調するのがデータ基盤の優先度だ。「AIはデータ基盤に完全に依存している」と述べ、組織内の構造化・非構造化データを統合し、ビジネスの実態を反映した「セマンティックに豊かな接続データ層」を確立することが先決だと主張する。

この文脈で特に重要なのが精度の閾値の問題だ。メールの下書きやプレゼン資料の作成であれば「80%の精度で十分」かもしれない。しかしサプライチェーン管理や決算処理のようなミッションクリティカルな業務では、80%の精度は「非常にひどい結果」だとLeiduck氏は言い切る。ビジネスプロセスの文脈に根ざした精度要件の定義が、ユースケース選定の起点になる。


ユースケース評価の3つのレンズ

Singh氏はInfosysが提供するAI戦略フレームワーク「Topaz AIファーストフレームワーク」を通じ、ユースケースを以下の3軸で同時に評価することを推奨している。Topazとは、Infosysが企業のAI全社展開を支援するために体系化した独自のアプローチであり、ユースケース選定から実装・スケールアップまでの一連のプロセスをカバーするものだ。

  1. Impact(インパクト):エージェントを導入することで、売上・コスト・運転資本リスクなど実際の数字を動かせるか。Infosysは300以上のエンタープライズユースケースライブラリを保有しており、白紙から始めることはない。
  2. Feasibility(実現可能性):現在のデータ基盤・プラットフォーム・人材で実行できるか。「データ基盤が壊れた状態での高インパクトユースケースは実行不可能」とSingh氏は明言する。実際にInfosysの支援により、SAP仕様書の作成工数を86人時から6人時(92%削減)に短縮した事例もある。
  3. Scalability(スケーラビリティ):ROIが確認されたユースケースを再現できるアーキテクチャがあるか。「スケールできないパイロットは単なる実験だ」とSingh氏は言う。

また、AIポートフォリオを投資ポートフォリオのように扱うことも提言している。プログラムを継続させる「クイックウィン」、中期的な賭け、そして1〜2件の大胆な長期ポジションを組み合わせ、ステークホルダーのエンゲージメントを3年後だけでなく各段階で維持する設計が必要だ。


ガバナンスは「スピードを殺すもの」ではない

スケールが進むにつれ、ガバナンスの重要性も増す。Singh氏はアクセス制御・監視・説明責任の体制を整えることを「スピードを下げる障壁」ではなく必須要件として位置づける。「ガバナンスの不在はAI導入を加速させない。リスクの負債を積み上げ、最終的にはより破壊的な停止と監査を強いることになる」と述べる。

この観点は、EUのAI規制(EU AI Act)や各国で進むAIガバナンスフレームワークの整備とも連動しており、コンプライアンス対応の観点からもガバナンス構築を後回しにするリスクは高まる一方だ。具体的には、AIが参照するデータへのアクセス権限の設計、出力の監査ログ、判断根拠の説明可能性確保といった仕組みを、パイロット段階から組み込んでおくことが求められる。


AIが「意思決定パートナー」になる日

両氏が描く中期的な展望では、AIエージェントが複数のアプリケーションを横断して作業を調整し、企業固有のナレッジグラフとガバナンスされたデータが重要な企業資産になる。この段階では、AIはもはや単一ツールとしてではなく、業務オペレーション全体に織り込まれたインフラとして機能することになる。

Singh氏はさらに長期的な姿として、AIが「生産性ツール」から「意思決定パートナー」へと移行すると見ている。今何が起きているかを理解し、次に何が来るかを予測し、どう対応するかを判断する支援役としてのAIという構想だ。その実現には、本稿で繰り返し論じられてきたデータ基盤・ユースケース選定・ガバナンスの三位一体の整備が前提条件となる。パイロット段階で止まっている86%の企業にとって、この三点が全社展開への分岐点になる。


詳細はBuilding AI that can work across the enterpriseを参照していただきたい。