なぜエンタープライズAIは大規模展開で停滞するのか――そして、なぜデータこそがリーダーたちが解決すべき障壁なのか

企業のリーダーたちは、AIが価値を生み出せるかどうかという問いをすでに乗り越えています。より難しい問いは、自組織がその価値を一貫して、責任を持って、かつ大規模に再現できるかどうかということです。

あらゆる業界において、各組織は生産性、効率性、意思決定、顧客体験の向上を報告している。これらは心強い（そして多くの場合、著しい）成果である。

しかし、そうした組織の多くは、パイロット段階で機能したものが、必ずしも企業規模での実用的なソリューションとして機能するとは限らないことに気づき始めています。AIの出力が不安定になったり、地域によって異なる推奨事項が提示されたり、ビジネスユーザーが結果に疑問を抱いたり、ガバナンス上の懸念が表面化したりするのです。

しかし、さらに重要なのは、信頼が損なわれ始めることです。そうなると、AIイニシアチブは急速に勢いを失ってしまいます。

問題は、AIモデルが突然機能しなくなることではありません。より根本的な課題は、企業がAIを自信を持って本番環境に導入するためのデータ基盤、ガバナンスモデル、そして運用規律を備えているかどうかという点にあります。

パイロットプロジェクトの限界

企業向けAIにおける最大の誤解の一つは、パイロットプロジェクトの成功が、その技術が企業のユースケースに対応できる証拠であるという考えです。

その違いは、ほとんどのパイロットプロジェクトでは条件が厳密に管理されている点にあります。データは手作業で精選され、範囲は限定され、責任の所在も明確です。さらに、関与するステークホルダーが少数であるため、ガバナンスに関する意思決定も単純明快です。

こうした点から、パイロットプロジェクトは価値あるものですが、経営陣がそれを「同じソリューションが企業での本格導入に準備ができている」という証拠として扱ってしまうと、誤解を招く恐れもあります。

現実のシナリオでは、AIは機能、地域、システム、データ領域を横断して同時に稼働しなければなりません。製品情報はサプライヤーのデータと連携し、それが財務構造と結びつきます。顧客、市場、規制に関する情報はすべて、意思決定に影響を与えます。

したがって、AIモデルが完璧に構築されていたとしても、企業環境では必然的に複雑さが生じ、それがシステムに即座に負荷をかけ、パイロット段階では決して表面化しなかった弱点を露呈させることになる。

限定された環境では良好なパフォーマンスを発揮していたシステムも、突然、長年にわたり蓄積された定義の不統一、重複レコード、競合する標準、そして連携の取れていないガバナンスモデルが存在する、断片化されたデータエコシステムの中で稼働することを余儀なくされるのです。

これは、管理されたプロジェクト環境においてAIのユースケースを実証することと、日々のビジネスを運営するための企業プロセス、責任体制、データフローにそれを組み込むこととの違いである。

スケールアップによって、信頼できないデータが露呈する

その複雑さは、エンタープライズシステムの進化の過程に根ざしています。

多くの企業は、数十年にわたり、自社の特定の業務機能に最適化されたシステムを構築してきました。例えば、取引管理のためのERPシステム、製品開発管理のためのPLMプラットフォーム、製品コンテンツ管理のためのPIMソリューション、調達を支援するサプライヤーポータル、そして地域ごとの業務を支援する地域別システムなどを導入してきました。

これらはいずれも重要な役割を果たしていますが、課題は、AIがこれらすべてにわたって正確に推論できるようにすることです。

AIは、従来の分析手法よりも文脈に依存します。データエンティティ間の関係、ビジネスルール、分類、階層、およびデータリネージを確実に理解することが求められます。

これらの関係性がシステム間で一貫していない場合、AIは矛盾する「真実」に直面することになります。その結果、必ずしも導入の失敗やシステムの不具合につながるわけではありません。むしろ、より危険な事態、すなわち、一見信頼できそうに見えても一貫して信頼できないAIの出力が生じるケースの方が頻繁に見られます。

多くのスケーリングの取り組みが、この点で行き詰まってしまうのです。

断片化されたデータに基づいて追加のパイロットプロジェクトを構築するたびに、いわゆる「AIガバナンス債務」が増大する可能性があります。つまり、まだ解決されていない不整合に依存するモデル、ワークフロー、自動化された意思決定がさらに増えるということです。

この時点で、チームはパイロットを支えるデータ基盤が、企業全体での意思決定を支えきれないことに気づきます。そして、データを信頼できなければ、AIを信頼することなど到底できません。

そこでチームは、次のような厳しい問いを投げかけ始めます。「なぜシステムはこの推奨を行ったのか？」「なぜ他のチームとは異なる回答が得られたのか？」「この意思決定の根拠となったデータソースは何か？」「出力結果を検証することは可能か？」

突然、「正しい」答えを得るだけでは不十分になってしまいます。その代わりに、組織はその答えがどのように導き出されたのかを理解することを求めるようになるのです。

説明可能性がなぜそれほど重要なのか

つまり、説明可能性は今や企業にとって戦略的な要件となっており、特に実験段階から実運用段階へと移行するAIにおいてはなおさらです。経営幹部は、AIシステムが何を推奨したかだけでなく、その理由も理解する必要性がますます高まっています。

そして、そのプレッシャーはますます高まっています。規制当局の期待が高まり、内部ガバナンス基準も厳格化されています。また、AIエージェントは、単に提案を行うだけでなく、自ら行動を起こし始めているのです。

エージェントが記録を更新したり、購入手続きを開始したり、下流のワークフローを起動したりできるようになると、データの不整合はもはや単に疑わしい推奨事項を生み出すだけにとどまりません。人間が介入する前に、エラーが企業全体に波及してしまう可能性があるのです。

説明可能性の強さは、その基盤となるデータの強さに比例します。ガバナンスが施され、追跡可能なデータがなければ、説明可能性はすぐに機能しなくなります。

企業全体で、同じ製品、サプライヤー、顧客、あるいは財務階層について複数のバージョンが存在する場合、AIが特定の結論に至った経緯を再構築することは困難になります。

これが信頼を損なう原因です。モデル自体に欠陥があるからではなく、そのモデルを構築したデータに対して組織が確信を持てないからです。

結局のところ、AIへの信頼はデータの完全性に基づいて築かれるものです。

つまり、モデルの性能だけに焦点を当てていても、AIの潜在能力を最大限に引き出すことはできない。真の成長とイノベーションへの道は、AIが信頼され、説明可能であり、拡張可能かどうかを決定づける、根底にあるデータとガバナンスの課題に取り組むことにある、と説明された。

大規模AIのための新たな基盤

AIにおける真の進歩は、より高度なモデルを導入するだけでは実現しません。それは、データ、ガバナンス、プロセス設計、そして説明責任を、大規模AIのための企業の中核能力として位置づけることから生まれるのです。

つまり、孤立したデータ領域の枠を超え、ガバナンスが確立され、相互に連携した全社的なデータ基盤を構築し、以下のことを実現できる必要があります：

• ドメインを横断してビジネスに不可欠なデータを整合させる
• 一貫した定義と関係を確立する
• 反復可能なプロセスを通じてポリシーをガバナンスする
• 説明可能性のためにデータリネージとトレーサビリティを提供する
• AI、分析、自動化のための信頼性の高い入力データを作成する

しかし、テクノロジーは全体の一部に過ぎません。最新のデータアーキテクチャと、所有権、ガバナンスプロセス、説明責任の枠組み、およびAIの監督体制を明確に定義した運用モデルを組み合わせることが、依然として極めて重要です。

テクノロジーは基盤の一部を提供します。ガバナンスは、AIのユースケースが拡大し、データが変化し、自動化された意思決定が日常業務の一部となる中で、その基盤が信頼され続けるかどうかを決定づけるものです。

企業規模では、ガバナンスは単なるポリシー文書にとどまってはなりません。組織には、データドメイン全体にわたる明確な責任の所在、ワークフローを通じて実施可能な再現性のあるルール、そしてAIがいつ提案、決定、または行動を行うかを明確に制御する仕組みが必要です。こうした仕組みがなければ、AIがマシンの速度で稼働する一方で、ガバナンスは単なる理想に留まってしまいます。

データの障壁を取り除くための3つのステップ

1. パイロットプロジェクトを成功に導いた、精選されたデータ、手動による修正、および人的介入を特定する。
2. AIが横断しなければならないすべてのドメインにわたる、信頼できる情報源、関係性、および責任の所在をマッピングする。
3. AIを運用上の意思決定に拡大する前に、トレーサビリティ、ガバナンスルール、および例外処理を確立する。

データこそが、AIの次の戦場である

同様のAI機能を利用できる組織がますます増えています。つまり、次の競争優位性は、より大規模で優れたモデルへのアクセスから生まれるものではないということです。

そうではなく、差別化の鍵となるのは、企業全体でそれらの機能を確信を持って実用化できる能力である。

成功を収めるのは、大規模なAIを支援できる、ガバナンスが確立され、説明可能な、マルチドメインのデータ基盤を構築した企業です。こうした企業は、AIの出力を信頼し、ガバナンス要件を満たし、ますます重要になるビジネスプロセスへとAIを拡大していくことができるでしょう。

AIが機能することは、すでにわかっています。

真の課題は、自社のデータ基盤が、エンタープライズ規模でAIを信頼性高く、責任を持って、繰り返し機能させる準備ができているかどうかです。

この問いをさらに深く掘り下げるには、当社のホワイトペーパー（全文）をご覧ください。本ホワイトペーパーでは、AI イニシアチブが管理されたパイロット段階を脱するとしばしば停滞してしまう理由、データガバナンスが信頼性と説明可能性にどのように影響するか、そして大規模な AI を支えることができる企業基盤を構築するために何が必要かについて検証しています。このホワイトペーパーをダウンロードして、貴社がAIのパイロット段階を乗り越え、企業全体で自信を持ってAIを拡大できる準備が整っているかどうかを評価してください。