長年にわたり、B2Bの購買担当者は、情報が少なすぎると不満を漏らしてきた。
今日では、彼らはその正反対の問題に直面している。
ChatGPT、Claude、Perplexity、そしてAIを活用した検索ツールのおかげで、購買担当者は、数週間ではなく数分でベンダーの比較、要件の分析、候補リストの作成、代替案の評価を行うことができます。市場の概要、機能比較、調達チェックリスト、あるいはベンダーの推薦などを尋ねれば、ほぼ即座に確かな回答を得ることができます。
その結果は明らかです。情報が増えれば、より良い意思決定につながるはずです。
しかし、果たしてそうでしょうか？
それとも、私たちは「情報へのアクセス」と「情報の正確さ」を混同しているのでしょうか？
この区別は、これまで以上に重要になっています。AIは、購入者がソリューションを調査、評価、候補選定する方法を変化させています。AIは労力を軽減し、発見を加速させ、複雑な市場をより理解しやすく感じさせることができます。 しかし、AIが生成した回答の根底にある情報は、不完全であったり、古かったり、偏っていたり、あるいは単に何度も繰り返されることで信憑性があるように聞こえてしまうだけの場合もあります。そのような場合、調査が速くなっても、より良い意思決定にはつながらない可能性があります。
単に、より自信に満ちた意思決定につながるだけかもしれません。
実在しなかったレストラン
数年前までは、ネット上で偽の店舗を見抜くのは比較的簡単でした。ウェブサイトが怪しく見えたり、写真が不自然だったりしたからです。あるいは、SNSでの存在感が薄かったり、そのストーリーに矛盾があったりしたのかもしれません。
しかし、今日では必ずしもそうとは限らない。
オースティンにあるAI生成のレストラン「Ethos」を例に挙げよう。実在しないレストランにもかかわらず、広く注目を集めた。そこには、人々が「本物」とみなす要素――オンラインでの存在感、プロ並みの料理写真、ソーシャルメディアでのエンゲージメント、メディアの注目、そしてInstagramでの数万人のフォロワー――が揃っていた。 多くの人があたかも実在するかのようにそのコンテンツに反応していたにもかかわらず、複数のメディアがこのレストランは実在しないと報じました。
人々が単に騙されやすいと早合点するのは簡単かもしれませんが、ここでの教訓はそれではありません。教訓は、デジタル世界において、可視性が真実と誤解されがちだということです。
「Ethos」が信頼できるように見えたのは、私たちが信頼するように訓練されてきたシグナル――洗練さ、活動量、注目度、リーチ――を備えていたからだ。しかし、それらのシグナルが証明していたのは、このレストランが極めて説得力のある幻想に過ぎないということ以外には何もなかった。
今や、この同じ問題が、より重大な意思決定の場面にも波及しつつある。
AIは実際には「知っている」わけではない
購入者は、AIが何かを言ったら、その答えを検証済みだと決めつけてしまうかもしれない。
しかし、大規模言語モデル（LLM）はそうは機能しません。
AIツールは、情報の検索、情報源の比較、さまざまな視点の統合、パターンの特定、そして調査結果の要約において強力な能力を発揮します。これらは、個々のバイヤーが単独で合理的に処理できる速度をはるかに上回る速さで、大量のコンテンツを統合することができます。
しかし、すべての情報源が事実上正確であるか、最新であるか、客観的であるか、あるいは特定のビジネス状況に関連しているかを、独自に判断できるとは限りません。
十分な数の情報源が同じ主張を繰り返している場合、AIシステムはその主張を信頼できるものとみなす可能性があります。 例えば、比較サイト、リスト記事、パートナーコンテンツ、レビューページ、ブログ記事などで特定のベンダーが頻繁に言及されている場合、LLM（大規模言語モデル）からはそのベンダーが市場をリードしているように見える可能性があります。あるいは、時代遅れの主張が複数の場所に現れている場合、市場がすでに変化した後でも、その主張が将来の回答に影響を与え続ける可能性があります。
要するに、AIはコンセンサスを特定することには優れています。しかし、真実を特定することに関しては、必ずしも優れているとは限りません。
そして、この違いは重要です。なぜなら、B2Bの購買担当者は、購買プロセスのより早い段階でAIを利用するようになってきているからです。
ガートナーの調査によると、テクノロジー購入者はすでにAIを活用して購入決定を下しており、生成AIは探索段階や評価段階で広く利用されている。しかし、同社は重要な点として、優れた購入者は単に意思決定を迅速化するだけでなく、より良い意思決定を行うためにAIを活用していると指摘している。
架空のレストランからソフトウェアの推奨まで
さて、ここで「エトス」の問題をB2Bテクノロジー分野に当てはめて考えてみましょう。
あるバイヤーがAIに対し、マスターデータ管理（MDM）プラットフォームの比較、小売業界向けの最適なソリューションの提案、あるいは複雑なデジタルトランスフォーメーションプロジェクトのベンダー候補リストの作成を依頼するとします。
このようなB2Bテクノロジーに関する意思決定には、AIとの日常的なやり取りでは通常必要とされないレベルの複雑さが伴います。 レストラン選び、旅行の計画、製品の比較などは、多くの場合、限られた変数だけで済みます。しかし、企業の購買には、複数のステークホルダー、競合する優先事項、長期的なビジネス成果、統合要件、ガバナンス上の考慮事項、将来的なトレードオフなど、挙げればきりがありません。この複雑さによって、意思決定プロセスにおけるAIの役割は変化します。
例えば、MDMソリューションを調査しているとしましょう。次のような質問を投げかけるかもしれません：
- 最適なMDMプラットフォームはどれか？
- 小売業界にはどのソリューションが最適か？
- ベンダーAとベンダーBを比較してください。
- 自社に適した候補リストを作成してください。
得られる回答は、体系的で説得力のあるものに見えるかもしれません。そこにはベンダー名、長所、短所、推奨事項などが含まれている可能性があります。客観的に聞こえることさえあるでしょう。
しかし、もしそれらの回答の根拠となる情報源に、古い製品情報、記載漏れのある機能、偏ったランキング、不正確なポジショニング、ベンダー側が作成した主張、あるいは独立した検証を経ていない比較コンテンツが含まれていたとしたらどうでしょうか？
人間のアナリストなら、こうした弱点に気づくかもしれません。調達コンサルタントなら、その前提に疑問を呈するかもしれません。その分野の専門家なら、どの主張がもはや正確ではないかを知っているかもしれません。
しかし、AIが生成した要約は、権威ある情報源にその情報が掲載されているという理由だけで、その情報をそのまま取り込んでしまう可能性があります。
とはいえ、これが購買プロセスにおいてAIを完全に避けるべき理由になるわけではありません。むしろ、AIの長所と限界を理解し、AIがまだどこで信頼を勝ち取る必要があるのかを知るための理由なのです。
なぜなら、AIがソフトウェアの評価を迅速化できることは事実ですが、そのスピードが自動的に判断の精度を高めるわけではないからです。そして場合によっては――おそらく私たちが思っている以上に頻繁に――、不十分な情報や誤った情報がさらに広まってしまう可能性もあるのです。
フィードバックループの問題
その表面の下には、さらに大きなリスクが潜んでいる。
AIは今や、説得力のあるコンテンツを大規模に生成できるようになりました。これには、製品の概要、比較ページ、レビュー、市場解説、ベンダー分析などが含まれます。こうしたコンテンツが公開されると、他のサイトがそれを参照したり、検索エンジンがインデックスに登録したり、AIシステムがそれを処理したりするようになります。その結果、将来的なレコメンデーションも、同じ情報に基づいて行われることになるのです。
時間が経つにつれて、その繰り返しが専門知識のように見なされるようになる可能性があります。
研究により、消費者向けコンテキストにおいてこれがいかに困難であるかがすでに示されています。ある研究では、人間は本物のレビューとAIが生成した偽のレビューを確実に区別できず、その正確性は53.2％にとどまることが明らかになりました。別の論文では、LLMによって生成された偽の製品レビューを、人間も機械も本物のレビューと見分けるのが困難であり、人間の正答率は全体で平均50.8%にとどまったことが明らかになりました。
B2B分野においても、同様の事態が起こり得ることは容易に想像できる。
AIがコンテンツを生成し、ウェブサイトがそれを公開し、他のサイトがそれを参照し、LLMがそれを処理し、そして将来AIが生成する推奨事項は同じ情報に依存することになる。こうしてループは永久に続き、可視性と反復が徐々に専門知識と見なされるようになる。
ある推奨事項は、文章が巧みで、筋が通っており、さらには有用である可能性さえあります。しかし、それがAIによって生成されたものであるからといって、実際の意思決定を支えるための最良の証拠に基づいているとは限らないのです。
つまり、ここには単なる誤情報よりも潜在的に危険なリスクが存在するのです。それは、「見当違いの信頼」です。
なぜ今、これが重要なのか
とはいえ、リスクの有無にかかわらず、AIはB2Bのリサーチや評価において、すでに欠かせない要素になりつつあります。
あるアナリストの調査によると、購買決定は現在、AIによって行われているか、あるいはAIによって補完されており、意思決定やビジネスアーキテクチャを含むあらゆる取り組みにおいて、AIの導入が戦略的な必須要件になりつつあることが明らかになった。フォレスター社もこの見解を支持しており、AIを活用した検索がB2Bのオーガニック検索トラフィックを急速に牽引していること、また購入者がソリューションの発見、評価、決定といった購入の各段階で生成AIを活用していることを報告している。
AIは強力な購買ツールとなり得ますが、その回答に対する信頼は依然として築き上げなければならないものです。
AIが購買プロセスの最初の立ち寄り先の一つとなるにつれ、購買担当者は、AIが推奨する内容だけでなく、その推奨が信頼に足る十分な根拠に基づいているかどうかを評価するための、より優れた方法を必要としている。
AIの導入規模を決定する前に、すべての企業が実施すべき5つのこと
これは、AIを活用したあらゆる購買において重要なことです。しかし、購入対象が、ガバナンスが確立され、正確で、主体性のある企業の基盤となるものである場合には、その重要性はとりわけ高まります。
そこが落とし穴なのです。 購入担当者は、将来のAIをより信頼性の高いものにするためのソリューションを調査・比較・候補選定する際に、AIを利用するかもしれません。しかし、これまで見てきたように、AIは「可視性」を「真実」と、「合意」を「正確さ」と誤認してしまう可能性があります。したがって、購入担当者が「確信を持って間違っている」可能性のあるシステムに過度に依存してしまうと、その後のあらゆるAIイニシアチブにおいて、誤った基盤を選んでしまう恐れがあります。
その結果、他のすべてが依存する層に脆弱性が組み込まれてしまうことになる。しかし、こうした購入者にとって、批判的思考は「あれば良い」というものではない。それこそが、すべてを左右する鍵なのだ。
したがって、AIが生成した候補リストに意思決定を左右される前に、以下の5つのことを実行してください。
1. 候補リストを鵜呑みにする前に、徹底的に精査する
AIが生成した候補リストは信頼性が高く見えるかもしれませんが、それこそが精査すべき理由です。そのリストは、情報源全体で最も目立つベンダーを反映しているかもしれませんが、必ずしも、ガバナンスの行き届いた正確なAIを大規模にサポートする能力が最も高いベンダーを反映しているとは限りません。
ChatGPT、Claude、Perplexity、その他のAIツールすべてに同じ質問を投げかけてみてください。ランキングがどのように変化するかを確認しましょう。その後、各ツールに対して、何が除外されたのか、どのような前提に基づいているのか、そしてなぜ特定のベンダーがリストに挙がり、他のベンダーは挙がらなかったのかを尋ねてみてください。
回答間の相違点は、単一の候補リストが示す情報よりも多くのことを明らかにすることがよくあります。それらは、実際の適合性よりも、可視性、繰り返し、情報源の入手可能性が推奨内容を左右している可能性のある点を浮き彫りにするのです。
2. AIが実際に何を測定しているのかを尋ねる
AIがある解決策を「最良」と評価したとき、当然の疑問として「何において最良なのか？」と問うべきです。
AIが生成する多くの推奨事項は、人気、市場での存在感、機能の幅広さ、あるいはオンラインで入手可能なコンテンツの量といった要素を、表立っては明言せずに最適化しています。こうした指標は有用かもしれませんが、そのソリューションが企業データを正確かつ適切に管理し、文脈に沿った状態で、大規模な環境でも利用可能な状態に保てるかどうかは、教えてくれません。
評価基準を明らかにさせましょう。その推奨は、データガバナンスに基づいていますか？信頼性に基づいていますか？AIシステムに信頼できる文脈を提供できる能力に基づいていますか？ドメイン間の整合性に基づいていますか？実証済みの導入成果に基づいていますか？それとも、単に利用可能な情報源にどれほど頻繁に登場するかという基準でベンダーをランク付けしているだけなのでしょうか？
AIが何を測定しているのかを説明できない場合、その推奨事項は重要な要素を測定していない可能性があります。
3. 「類似品」では提示できない証拠を要求する
Ethosは、人々が正当性と結びつける多くの兆候を備えていたため、信頼できるように見えました。ベンダーの主張も同様に機能する可能性があります。「統制された」、「正確」、「AI対応」といった洗練された言葉遣いや広範なポジショニング、繰り返されるフレーズだけでは不十分です。
類似製品では容易に偽造できない証拠を求めましょう。
つまり、具体的な企業顧客の事例、測定可能な成果を示すケーススタディ、アナリストによる検証、確認可能な製品ドキュメント、そしてガバナンスが実際にどのように機能しているかを示す明確な実例などです。AI基盤においては、ガバナンスの証明、特にデータリネージ、品質管理、所有権モデル、検証プロセス、および監査可能性が特に重要です。
どのベンダーも「信頼」について語ることはできますが、実際の企業環境において、その信頼がどのように構築され、維持され、拡大されるかを証明できるのは、適切な基盤を持つベンダーだけです。
4. ソリューションが単なるデータだけでなく、その意味を理解しているかどうかを検証する
正確なAIには、クリーンなデータ以上のものが必要です。文脈、関係性、そしてビジネス上の意味を持つデータが必要なのです。
単にレコードやフィールド、属性をあるシステムから別のシステムへ移行するだけのソリューションでは、AIは依然として推測に頼らざるを得ない可能性があります。その結果、そもそも自動化された意思決定を信頼できないものにしてしまうような、曖昧さ、重複、不整合がそのまま引き継がれてしまう恐れがあります。
意味を捉える層を探り出してください。そのソリューションは、2つのレコードが同じ顧客を表していることを認識できますか？ 製品の適切な使用方法に影響を与える規制、サプライヤー、市場、チャネルと製品を結びつけることができますか？ 用語、エンティティ、関係性がビジネス全体でどのように結びついているかを示すことができますか？
その意味論的な基盤は重要です。これは、管理された文脈から推論できるAIと、断片的なデータから即興的に判断するAIとの違いなのです。
5. 機能一覧ではなく、基盤を評価する
機能はデモでは見栄えがよいものです。しかし、基盤こそがスケールします。
制御されたユースケースにおける単一のAI機能に目を奪われてしまいがちです。しかし、真に問われるべきは、ガバナンスが施され、正確で、文脈が豊富なデータが、次のAIイニシアチブ、そしてその次のイニシアチブにおいても、信頼され、再利用可能かどうかという点です。
新しいユースケースごとに、同じ信頼の基盤が自動的に引き継がれるのか、それともチームが毎回、ガバナンス、コンテキスト、検証を一から構築し直さなければならないのか、自問してみてください。そのソリューションが、目の前のユースケースだけでなく、ドメイン、部門、ワークフロー、そして将来のエージェンティックな取り組みにわたってAIをサポートできるかどうか、検討してください。
機能一覧は、そのソリューションが現在何ができるかを示すものですが、基盤こそが、AIが規模を拡大しても信頼性を維持できるかどうかを決定づけるのです。
情報量が多いからといって、必ずしも準備が万全であるとは限りません
AIは数秒で買い手に候補リストを提示できます。しかし、そのリストにあるソリューションが、大規模な信頼できるAIに必要な、ガバナンスが施され、正確で、文脈豊かな基盤を提供できるかどうかは、必ずしも判断できないのです。
この違いは重要です。特に、購入の決定が単一のワークフローだけでなく、企業が今後構築するあらゆるAIシステムの品質にも影響を及ぼす場合にはなおさらです。
これを正しく行うには、AIを活用して購入プロセスを加速させつつ、評価プロセスをAIに置き換えてしまわないようにする必要があります。すべての推奨事項は、依然として厳格な検証を経る必要があります。すなわち、それを裏付ける証拠は何か、どのような仮定に基づいて形成されたのか、どのような文脈が欠けているのか、そしてその基盤が将来のAIの意思決定をより信頼性の高いものにするかどうか、といった点です。
AIによる提案がより迅速かつ確信を持って行われるようになるにつれ、真の利点は、どの回答が次の行動を導くのに十分な根拠を持っているかを把握することにあるのです。
なぜなら、即座に確信に満ちた推奨が行き交うこの時代において、どの答えが次の展開を形作るにふさわしいかを理解している者こそが、真の優位性を手にするからです。
