ビジネスにおけるAIとは

当初、ビジネスにおけるAIは、パイロット・プロジェクトやシンプルなオートメーションに重点を置いていました。今日、テクノロジーが成熟し、その採用が進むにつれて、組織は次の目的でAIを利用しています。

• 構造化データ・セットと非構造化データ・セットの分析
• 顧客体験の向上
• 最適化されたワークフロー
• サイバーセキュリティーを強化
• サポートコンテンツ作成
• アプリケーションのモダナイズ
• 予測の改善
• リアルタイムの意思決定を支援。

ビジネスにAIを活用する目的は、企業がより迅速に動き、手作業を減らし、従来のデータ分析だけでは見逃してしまうような実行可能な洞察を明らかにすることです。

同時に、AIの利用を成功させるには、スタンドアロンのアプリやチャットボットを導入するだけでは不十分です。企業には、適切なデータ基盤、効果的なガバナンス・モデル、従業員のスキル開発計画が必要です。また、AI機能と投資を特定のビジネス・ニーズと期待される成果に合わせて調整する必要もあります。

IBM® Institute for Business Value（IBV）の調査によると、79%の経営者が、AIが生産性を向上させ、2030年までに収益に大きく貢献すると答えています。しかし、その収益がどこから来るのかを明確に見通せるのはわずか24%です。このギャップは、今日のビジネスにおける人工知能の定義的な課題を浮き彫りにしています。企業は生産性やその他のメリットを享受していますが、AIの使用を財務上の成果や長期的な競争上の優位性に結び付けるための支援を必要としています。

人工知能（AI） とは、言語の理解、パターンの認識、予測、コンテンツ生成、アクションの推奨など、人間の知能に一般的に伴うタスクを遂行するコンピュータシステムのことを指します。ビジネス環境では、AIシステムはデータ、アルゴリズム、モデルを使用して、機能全体のプロセスをサポートまたは自動化します。これらのビジネス機能には、マーケティング、営業、カスタマー・サポート、財務、調達、IT、ソフトウェア開発、人事、サプライチェーン・オペレーションなどが含まれます。

主要なAIテクノロジーには以下が含まれます:

• 機械学習
• 自然言語処理（NLP）
• 生成AI
• 予測分析とデータ分析
• コンピューター・ビジョン

機械学習（ML）は、アルゴリズムを使用してデータ内のパターンを識別し、予測や分類を生成する人工知能のサブセットです。ビジネス現場では、機械学習は需要予測、不正アクセス検知、価格最適化、顧客セグメンテーション、チャーン予測、リスク・スコアリングに役立ちます。

例えば、小売業者は機械学習モデルを使用して、顧客データ、電子商取引行動、在庫レベル、季節的な購入パターンを分析し、特定の地域でどの製品が売るかを予測することができます。金融機関は機械学習を使用して、疑わしい取引にほぼリアルタイムでフラグを立てる場合があります。

自然言語処理（NLP）は、コンピューターがテキストや音声を理解、解釈、生成するのに役立ちます。NLPは、チャットボット、バーチャル・アシスタント、文書要約、感情分析、検索、翻訳、知識管理システムを強化します。

カスタマー・サポートでは、NLPは受信したサービス・リクエストの分類、以前のやり取りの要約、人間のエージェントへの次善のアクションの推奨に役立ちます。マーケティングでは、ソーシャルメディアでの会話、製品レビュー、通話記録などのソースを分析して、新たな顧客ニーズを特定できます。

生成AIは、プロンプトとコンテキストに基づいて、テキスト、コード、画像、要約、製品説明、レポート、Eメール、ソフトウェア・テストなどの新しいコンテンツを作成します。ビジネスにおいて生成AIは、コンテンツ作成、市場調査、ソフトウェア開発、知識発見、従業員の生産性向上などにますます使用されるようになっています。

主に情報を分類したり予測を行ったりする以前のAIツールとは異なり、生成AIはドラフト、アイデア、コード、ドキュメンテーション、推奨事項の作成に役立ちます。ただし、AIが生成したアウトプットは、人間による適切なレビュー、検証、ガバナンスが必要です。これは規制の厳しい業界では特に重要であり、組織は正確性、プライバシー、セキュリティー、知的財産、バイアス、および法律、規制、社内ポリシーの遵守を考慮する必要があります。

データ分析は、何が起こったのかを、組織が理解するのに役立ちます。予測分析は、過去のデータと現在のデータを使用して、次に何が起こる可能性があるかを推定します。これらを組み合わせることで、より精度の高い予測、生産能力計画、サプライチェーンの最適化、顧客エンゲージメント、およびファイナンシャル・プランニングを支援します。例えば、予測分析は、メーカーが設備の故障を予測したり、中小企業が販売傾向に基づいてキャッシュ・フローを見積もったりするのに役立ちます。

コンピューター・ビジョンにより、AIシステムは画像や動画を解釈し、視覚データから意味のある情報を引き出すことができます。医療画像診断、製造品質管理、小売棚の監視、保険請求処理、物流、職場の安全管理などに使用されています。

組織が効率性と成長の両方を向上させる方法を模索する中、AIはビジネス戦略の中核部分となっています。初期の使用では、反復的なタスクの自動化に重点を置いていました。現在、より高度な組織では、運用モデルの再設計、新製品の開発、意思決定の改善にAIを活用しています。

研究によると、AIは生産性と業種・業務トランスフォーメーションの中心的な存在になりつつあります。例えば、経営幹部の93%は、2026年のビジネス戦略にAI主権を考慮に入れる必要があると答え、53％は、2030年までにAIが業界のビジネスモデルを変革すると予想しています。また、AIが2030年までに生産性を42%向上させると予想しており、67%がその頃までにAIによる生産性向上の大部分が反映されると予想しています。

これらの調査結果は、より広範な変化を反映しています。ビジネスのためのAIは、実験から実行へと移行しつつあります。組織は「どこでAIを実装できるか」と尋ねているだけではありません。彼らは「コスト、セキュリティー、信頼、ガバナンスを管理しながら、AIを活用して競争上の優位性を築くにはどうすればよいか？」と問いかけています。

新しいテクノロジーが市場に参入し、既存のテクノロジーが改良されるにつれて、ビジネスにおける人工知能の応用可能性が高まっています。例には次のようなものがあります。

• 自動化とワークフローの最適化
• カスタマー・サポートと顧客エンゲージメント
• マーケティング、販売および研究
• サプライチェーンの計画と予測
• サイバーぜキュリティーとリスク管理
• ソフトウェア開発とアプリケーションのモダナイゼーション
• 財務、調達およびオペレーション
• 医療および規制業種・業務

AIは、データ入力、請求書の照合、Eメール分類、レポートの作成、スケジュール設定、文書レビュー、従業員のオンボーディングなどの反復的なタスクを自動化するためによく使用されます。このタイプのオートメーションにより、従業員は時間のかかる作業に費やす時間を減らし、より価値の高い作業に多くの時間を費やすことができます。

最新のAI搭載オートメーションは、個々のタスクにとどまりません。IBM® watsonx Orchestrateのようなツールは、従業員がアプリ、システム、チームを横断して業務を調整できるよう設計されています。Watsonx Orchestrateは、スタンドアロンのチャットボットとして動作するのではなく、タスク、データ、ビジネス・アプリケーションを連携してワークフローを合理化し、従業員がより迅速に作業を完了できるようにします。

AIは、企業がより迅速に対応し、サービス品質を向上させ、顧客体験をパーソナライズするために、カスタマー・サポートで広く使用されています。AI搭載のチャットボットは、一般的な質問に答え、複雑な問題を適切な人間のエージェントに振り分け、常時サポートを提供します。

より高度なAIシステムは、顧客の履歴を要約したり、感情を分析したり、顧客関係管理（CRM）プラットフォームと統合したりすることができます。これにより、従業員が顧客のニーズを事前に理解できるようになり、顧客エンゲージメントを向上させることができます。

例えば、サービス・エージェントはAIを使用して、顧客の最近の購入、オープン・チケット、サポート履歴、および会社に連絡した可能性のある理由の簡潔な概要を確認できます。その成果は、より迅速で適切なサポートが実現します。

マーケティング・チームは、AIツールを使用して顧客データを分析し、セグメントを特定し、新しいメッセージをテストし、キャンペーンのアイデアを生成し、ストラテジーを最適化します。AIは、どのオーディエンスがコンバージョンする可能性が最も高いか、どのチャネルが最もパフォーマンスが優れているか、Eメール、検索、eコマース、ソーシャルメディア、LinkedIn全体でどのメッセージが共感を呼んでいるかをチームが理解するのに役立ちます。

生成AIは、製品コピー、広告バリエーション、ソーシャル投稿、キャンペーン概要を下書きすることでコンテンツ作成をサポートできます。予測分析はキャンペーンのパフォーマンス、顧客の生涯価値、需要の予測に役立ちます。責任を持って使用することで、AIはチームがデータに基づいてより多くの情報に基づいた意思決定を行うのに役立ちます。

AIは、需要予測、在庫計画、物流ルート設定、サプライヤーリスク監視、価格分析を改善することで、企業のサプライチェーン業務の最適化を支援できます。

サプライチェーンは複雑であり、天候、地政学的な出来事、労働力不足、輸送の遅延、需要の急激な変化などから混乱が生じる可能性があります。AIシステムは社内外のデータ・セットを分析してパターンを検知し、アクションを推奨できます。例えば、企業はAIを使用して、遅延のリスクがあるサプライヤーを特定したり、地域の需要を予測したり、商品の在庫切れが発生する前に在庫のバランスを調整したりすることができます。

これは、需要の変動や運用の複雑さが収益、コスト、顧客満足度に影響を与える可能性がある小売、製造、ヘルスケア、消費財などの業種・業務では特に価値があります。

AIは、サイバーセキュリティー・チームが異常を検知し、疑わしい動作を特定し、アラートに優先順位をつけ、インシデントを調査し、脅威に迅速に対応するのに役立ちます。

組織がクラウド・サービス、接続デバイス、AIツールをより多く利用するようになるにつれて、セキュリティー・チームは増加するアラート、イベント、テレメトリのデータ量を管理しなければならなくなります。AIは、重要なリスクを示す可能性が最も高いイベントを特定することで、アラート疲労を軽減できます。また、不正アクセス検知、本人確認、脆弱性管理もサポートできます。

しかし、AIは新たなリスクももたらします。従業員が機密データを不正なツールと共有してしまう可能性があり、攻撃者が生成AIを使用してより説得力のあるフィッシングメッセージを作成する可能性があり、AIモデル自体が攻撃の標的になる可能性もあります。そのため、企業はAIガバナンス、アクセス制御、監視、そして責任あるAI利用のための明確なポリシーを必要としています。

ソフトウェア開発者はAIを使用して、コードの記述、テストの生成、レガシー・システムの説明、APIの文書化、エラーのトラブルシューティング、アプリケーションのモダナイズを行っています。

市場は、単純なコード補完から、ソフトウェア開発ライフサイクルの多くをサポートするAI搭載エンジニアリング・システムに移行しています。例えば、IBM® BobはAI開発パートナーとして設計されたツールであり、チームがソフトウェア開発の計画、コーディング、テスト、ドキュメント作成、モダナイズ、ガバナンスを行うのを支援します。Javaのモダナイゼーション、COBOLやRPGアプリケーションの理解、DevOpsの自動化、ポリシー認識型開発、コストの透明性といった企業の開発ニーズを支援します。

大規模な組織にとっては、多くのミッションクリティカルなシステムが依然としてレガシー・コードとハイブリッド環境で実行されているため、このモダナイゼーションは重要です。汎用コーディング・アシスタントは一般的なプログラミング・タスクを支援できますが、企業は複雑なアプリケーション資産に対するより深いコンテキスト、監査可能性、ガバナンス、サポートを必要とすることがよくあります。IBM® Bobは、チームが認知負荷を軽減し、一貫性を向上させ、品質を犠牲にすることなくモダナイゼーションをサポートできるように設計されています。

AI支援開発は、組織の知識へのアクセスを容易にすることで、開発者のスキルアップを支援します。AIがコードを説明し、ドキュメンテーションを生成し、安全なパターンを推奨すれば、ジュニア開発者はより早く学ぶことができます。上級開発者は、アーキテクチャー、セキュリティー、ビジネス・ロジックにより多くの時間を費やすことができます。

大量の構造化データによってオートメーションが実用化される、財務やバックオフィス・オペレーションにおいて、AIはますます使用されるようになっています。例えば、受注から入金までのプロセスでは、AIは例外を特定し、アクションを推奨し、制御を改善することで請求書発行、売掛金管理、発注管理をサポートします。

財務チームは、予算編成、予測、異常検知、コンプライアンス・サポート、シナリオ・モデリングにもAIを使用できます。調達チームは、サプライヤーの性能、契約条件、料金体系、支出パターンを分析して、コスト削減の機会を特定します。

ヘルスケア分野では、AIは臨床ドキュメンテーション、画像解析、患者の予約管理、請求処理、人口ヘルス分析、運用予測を支援します。AIは患者データのパターンを識別するのに役立ちます。しかし、医療組織は強力なガバナンス、プライバシー管理、人間による監督を行う必要があります。

銀行、保険、官公庁・自治体、その他の規制対象業種・業務においても状況は同じです。AIソリューションは、説明可能で、安全で、監査可能であり、法的および倫理的な要件に準拠する必要があります。

責任を持って導入することで、AIは組織に次のような成果をもたらします。

• 繰り返し作業を自動化し、手作業を減らすことで生産性を向上させる。
• より良い予測、スケジューリング、リソース配分を通じて業務を最適化する。
• より迅速かつパーソナライズされたサービスで顧客体験を向上させる。
• 大規模で複雑なデータ・セットから、実行可能な洞察を生成する。
• リアルタイムの推奨と予測モデルで意思決定を改善する。
• 異常検知、サイバーセキュリティー監視、コンプライアンスサポートを通じてリスクを軽減する。
• チームがアイデアをテストし、アプリをビルドし、システムをモダナイズすることをより迅速に行えるよう支援することで、イノベーションを加速する。
• 新しいビジネスモデル、サービス、ワークフローを実現することで、競争上の優位性を生み出す。

小規模ビジネスチームにとって、AIは大規模な部門を必要とせずにキャパシティを拡大できるため、特に価値があります。中小企業であれば、カスタマー・サービス用チャットボット、eコマースの製品説明、記帳サポート、CRMの更新、SNS計画、料金体系分析などにAIを活用するかもしれません。

このような機会にもかかわらず、AIの導入にはいくつかの課題が伴います。

• コスト管理と料金体系
• データ品質とアクセス
• セキュリティーとコンプライアンス
• スキルとチェンジ・マネジメント
• 信頼とガバナンス

AIの利用が拡大するにつれ、コスト管理がより重要になります。企業は、AIを広範囲に拡大する前に、価格設定モデル、使用管理、ROI測定を評価する必要があります。

AIシステムの有用性は、アクセスできるデータの質にかかっています。品質の低いデータや不完全なデータ、またはサイロ化されたデータは、不正確な推奨事項につながる可能性があります。企業は、機密情報を保護しながら、関連データを利用できるようにするデータ・ガバナンス、統合、セキュリティー対策が必要です。

ツールが適切に管理されていない場合、AIは機密データを漏洩させる可能性があります。組織は、データがどこで処理されるか、誰がモデルにアクセスできるか、どのログが保持されるか、AIによって生成されたアウトプットがどのようにレビューされるかを評価する必要があります。

AIの導入により、人々の働き方が変化します。企業はAIツールを効果的に使用できるよう従業員のスキルを向上させる必要があります。

AIが生成する出力は、不正確だったり、偏っていたり、不完全だったりすることがあります。組織には、許容できるAIの使用、人間によるレビュー要件、モデル監視、データ保護、監査証跡を定義するポリシーが必要です。

AIツールをビジネス・オペレーションに統合するプロセスは、組織の目標とビジネスの状況によって異なります。標準的なプロセスには、多くの場合、次が含まれます。

1. ビジネス・ニーズを特定する。定義されたビジネス上の問題から始めます。AIが摩擦を減らし、意思決定を改善し、収益を増やすことができるワークフローを探してください。
2. 高価値のユースケースを優先する。顧客応答時間の短縮、処理コストの削減、予測の精度の向上など、測定可能な成果が得られる領域に焦点を当てます。
3. データの準備状況を評価する。必要なデータ・セットが利用可能で、正確かつ安全であるかを判断します。
4. 適切なAIソリューションを選択する。ユースケース、データ要件、リスクレベル、コンプライアンスのニーズに合ったツールを選択してください。
5. 小さく始めて、徐々にスケールアップする。限られたビジネス環境でAIを試験運用し、成果を測定し、証拠に基づいて拡張します。
6. 最初からガバナンスを構築する。セキュリティー、法務、コンプライアンス、リスク、ビジネスの利害関係者を早期に含める
7. 従業員のトレーニングとスキルアップ。AIを使用するタイミング、アウトプットを検証する方法、ワークフローがどのように変化するかをチームが理解できるように支援します。
8. ROIと価値を測定する。生産性、コスト、品質、顧客満足度、収益への影響、リスク軽減を追跡します。

ビジネスにおける人工知能は、孤立したツールから統合された運用モデルへと進化しています。次の段階は、AIエージェント、オーケストレーション、信頼できるデータ、業種・業務固有のモデル、日常業務に組み込まれたガバナンスです。

AIを活用して成功する企業は、従来のプロセスの自動化にとどまらず、人間とAIシステムの相互補完的な強みを活かして、業務をより広範に再設計することになるでしょう。AIはより日常的な分析、調整、生成を処理し、人間は判断、創造性、倫理的監視、関係管理、戦略的方向性を提供します。