人間とAIのコラボレーション：概要と重要性

このコラボレーションの重要性は、人間とマシンが異なる補完的な能力を持っているという根本的な事実に由来します。McKinsey社による最近の調査によると、AIテクノロジーは、現在米国で行われている労働時間の半分以上を理論的に自動化できるレベルまで進化しています。

しかし、その価値を引き出せるかどうかは、人間がいかに効果的にこれらのテクノロジーとの連携を学び、それらが重要なワークフローにいかに適切に統合されるかに大きく依存すると、同社は主張しています。この調査は、世界経済フォーラムの調査結果とも一致しています。同調査では、雇用主は労働市場で求められる主要スキルの39％が今後4年間で変化すると予想していることが明らかになりました。

AIシステムは、膨大なデータの処理、パターンの特定、および反復的なタスクの継続的な遂行に優れています。一方で、人間は創造的思考、直感、文脈の考慮、感情的知性、道徳的推論、および共感に優れています。コラボレーションによるアプローチにより、組織は複雑な意思決定に必要な人間の判断力と創造的な問題解決能力を維持しながら、生産性を向上させることができます。

また、単調なタスクを自動化することで、人間にとってより有意義な業務を創出します。さらに、人間とマシンの配慮ある関係を設計することで、継続的な監視を通じてAIシステムの説明責任を維持し、人間の価値観に沿った状態を保つことが可能になります。

AIシステムの導入を目指す組織にとって、人間とマシンの相乗効果に向けたトレーニングは最優先事項となっています。IBM Institute for Business Valueによると、経営幹部は、AIとオートメーションの導入の結果、従業員の40％がリスキリングを必要とする（PDF）と予測しています。

この状況に最適に対応するため、IBMの最高人事責任者（CHRO）であるNickle LaMoreauxは、最近、エントリー・レベルの採用慣行を再設計しました。エントリー・レベルの職務はまもなく自動化によって消滅するとの推測もありますが、LaMoreauxは、IBMにおける下位レベルの募集職種数を3倍に増やしました。

例えば、ニューヨークで開催された「Charter Leading with AI」サミットにおいて、LaMoreauxは、エントリー・レベルのコーダーはコーディングに費やす時間を減らし、社内チームやお客様との対話により多くの時間を割いていると述べました。LaMoreauxは、エントリー・レベルの従業員に対し、新しいテクノロジーと効果的にコラボレーションするためのトレーニングを行い、早い段階で人間中心のスキルを育成することで、IBMが将来にわたって活躍できる人材を創出することを目指しています。

LaMoreauxは、次のように述べています。「今後3年から5年で最も成功を収める企業は、エントリー・レベルの職務を強化しています。ビジネス実績とは、過去に達成した成果のことです。スキルとは、将来において貢献できる能力のことです」。

この広範な変革の時期において、コラボレーション・システムに投資するビジネス・リーダーは、AIテクノロジーがもたらす恩恵を最大限に享受できる可能性が高まります。また、ビジネスの進め方を根本的に変える新しいオペレーティング・モデルを通じて、イノベーションを創出できる可能性も高くなります。

テクノロジーの進化に伴い、人間とAIの関係は劇的に変化しており、人間とマシンの間でよりきめ細かな形態のコラボレーションが求められています。初期のオートメーション・システムがルールに基づいた単純なタスクを処理していたのに対し、AIはますます複雑なタスクの遂行や、最小限の人の監視下での運用へと移行しています。

過去10年間で、高度なAIテクノロジーは、自然言語処理、機械学習、および生成AIの進歩を通じたコンテンツ生成など、より複雑なタスクを可能にしました。この期間にコラボレーションはよりインタラクティブになり、AIシステムが提示する推奨事項を人間が修正または拒否できるようになりました。

最新の進化にはエージェント型AIテクノロジーが含まれており、これは人間とAIのコラボレーションにおける根本的な転換を意味します。エージェント型AIシステムは、より大きな自律性と適応性を持って目標を追求し、複雑なタスクをサブタスクに分割して外部ツールやAPIを使用します。各ステップで人間の入力を必要としていた初期のAIチャットボットとは異なり、エージェント型システムは人間の監視と指示の下で動作しながら、独立して機能します。

例えば、ある公益企業は、全顧客ベースにわたってエージェント型対話AIを導入しました。このシステムには、顧客の認証、通話目的の特定、予約の管理、およびセルフサービス・サポートの提供を行う特定の役割のエージェントが含まれていました。これらのエージェントは現在、通話の約40％を処理しており、そのうちの80％を人間の介入なしに解決しています。ただし、エスカレーションが必要な場合は、顧客とその対話履歴が、有人カスタマー・サービス・エージェントに転送されます。

エージェント型のアプローチは、人間が高レベルの目標と戦略的方向性を設定し、AIエージェントが実行と日常的な意思決定を担当するという、新しい形態のコラボレーションを可能にします。しかし、これらの自律性の高いAI駆動型システムには、人間の労働者とテクノロジーとの関係に対する細心の注意が必要です。

McKinsey社によると、AI搭載のエージェントは、米国で毎年2.9兆ドルの経済的価値を創出する可能性があります。しかし、その価値を生み出すには、組織は単に新しいテクノロジーを導入するのではなく、ワークフローを根本的に再設計する必要があります。

この根本的な転換の一環として、AIリテラシーへの需要は、わずか過去2年間で7倍に増加しました。人間とAIがコラボレーションする時代において、成功を収める企業は、人間とマシンのそれぞれの強みを活かすための全く新しい働き方を創出することになります。

最も成功している人間とAIのシステムは、AIを単なる人間の能力の代替品として扱うのではなく、互いの強みを補完し合うように設計されています。

IBM Institute for Business Value（PDF）によると、テクノロジー主導の職務の変化に対応した強力なリスキリング・プログラムを持つ導入企業は、より高い収益成長率を報告しています。単に新しいテクノロジーを採用している他の企業と比較して、これらの導入企業の収益成長率は15％高くなっています。AIによる付加価値はさらに大きく、これらの経営幹部は、同業他社よりも36％高い収益成長率を達成しています。

総合的に見て、これらの数字は、戦略的に業務を再構築し、従業員の強みを最大限に活かすべきであるという強力な指針を示しています。人間が共感や創造性を提供する一方で、AIは拡張性と処理能力をもたらします。

文脈の理解とニュアンス：人間は、意識を持つ動的な存在として、単に明示的な情報を処理するだけでなく、ニュアンスを把握し、状況を全体的に理解することができます。例えば、データの異常値が長期的なトレンドを示すものではなく、直近の休日によるものであると判断することなどが挙げられます。このような文脈に対する認識により、人間はより広い状況を考慮し、より高い精度でデータの状況を解釈することが可能になります。

創造的思考：AIは既存の要素の新しい組み合わせを生成することはできますが、人間は真の創造性やクリティカル・シンキングに優れています。例えば、異質な概念を結び付けたり、新しいパラダイムを創出したり、既成のパターンを打破するような思考を行ったりすることです。

倫理的推論と道徳的判断：対立するステークホルダーの利益のバランスをどう取るか、あるいは複雑な社会的影響をどう舵取りするかを決定するには、人間の説明責任が必要です。倫理的な意思決定には、最適化やパターン・マッチングを超えた、価値観に基づく思考が含まれます。

感情的知性と共感：関係を構築し、複雑な社会情勢を切り抜ける能力は、特にコラボレーション環境において、人間を際立たせる要素となります。医療従事者が不安を感じている患者に寄り添ったり、教師が批判よりも励ましを必要としている生徒に気づいたりすることがこれに当たります。このような感情面での同調は、人間が状況に対して適切に対応することを助け、信頼と結び付きを築きます。

人間の判断による曖昧さへの対応：異例の状況や不完全な情報に直面した際、人間はこれまでの人生経験を活かして、妥当な判断を下すことができます。AIツールが、このレベルの直感を再現することは容易ではありません。

常時稼働の可用性：AIシステムは、1日のうちいつでも同じタスクを実行します。多くの場合、疲労や注意散漫による変動がなく、一貫した方法で遂行されます。このような常時稼働の可用性は、ルーチン・モニタリングや品質管理に最適です。

データ処理と分析：AIの演算能力により、人間の能力を超えた膨大なデータセットの処理と分析が可能になります。人間が単独で発見することは不可能なパターンや相関関係を特定できます。このプロセスを通じて、数百万ものデータ・ポイントを精査し、人間のアナリストには見えない微細な関係性やトレンドを検知できます。

最適化：AIシステムは、複雑な問題に対して最適なアプローチを見つけるために、何千もの解決策を評価することに長けています。例えば、配送車両のルーティングや製造プロセスのスケジューリングなどが挙げられます。この最適化能力は、リソース配分やロジスティクス・プランニングにも及び、AIは無数の選択肢の中から最善の解決策を見つけ出すことができます。

スピードとリアルタイム処理：AIは、計算の実行、情報の取得、および特定の種類の意思決定を、ほぼリアルタイムで行うことができます。これらの能力により、AI搭載ツールは、人間が手動で管理することが困難な、タイム・クリティカルなタスクを処理することが可能になります。

人間が迅速にブレインストーミングを行い、新しいコンセプトやプロトタイプを構築・テストできる環境では、イノベーションが加速します。人間の創造性とAIの迅速なイテレーション能力を組み合わせることで、コンセプトから実装までの時間が短縮されます。

AIシステムにより、組織は即時性、パーソナライズ、および常時利用可能なサポートに対する現代のお客様の期待に応えることが可能になります。同時に、これらのシステムと人間との効果的なコラボレーションは、カスタマー・エクスペリエンスをより価値のあるものにする共感的なアプローチを提供します。AIのスケーラブルな一貫性と人間の関係構築スキルを組み合わせることで、組織は効率的かつ満足度の高いカスタマー・エクスペリエンスを同時に提供できます。

カスタマー・サービス機能にAIを導入・最適化している「成熟した」導入企業は、顧客満足度スコアが17％向上したと報告しています。また、全米経済研究所（NBER）の調査によると、カスタマー・サポート担当者がAIエージェントを活用できる環境では、生産性が約14％向上することが明らかになりました。

AIの分析能力に裏打ちされた人間の判断は、あらゆる業界でより適切な意思決定をもたらします。例えば、ビジネス・リーダーは、AIが統合したインサイトにアクセスすることで、より情報に基づいた戦略的決定を下すことができます。また、財務アドバイザーは、アルゴリズムによる分析と顧客のニーズに対する個人的な理解を組み合わせることで、より強固なポートフォリオを作成できます。

AIのスケーラブルな一貫性と人間による監視の組み合わせは、信頼性と適応性を兼ね備えたシステムを構築します。電力網管理のような極めて重要なアプリケーションは、AIによる常時モニタリングと、例外的な状況における人間の判断を組み合わせることで恩恵を受けます。このコラボレーションにより、ルーチン業務において高い水準を維持しながら、特殊な状況に対して必要な注意を払うことが可能になり、システム・パフォーマンス全体の向上が実現します。

AIシステムは障壁の克服を支援し、スキルや情報へのアクセシビリティーを高めることができます。例えば、翻訳AI機能はグローバル・コラボレーションを可能にし、AI搭載ツールは専門的なトレーニングを受けていない人々にとっても複雑なシステムをより利用しやすいものにします。

個人がやりがいを感じにくい、退屈で反復的なタスクをAIが引き受けることで、仕事の満足度やウェルビーイングを向上させることが可能です。また、人間はより創造的で対人関係を重視した業務に多くの時間を割けるようになります。こうした業務は、より意欲を高め、有意義なものになる傾向があります。

医療従事者は事務作業よりも患者のケアに、アナリストはデータ処理よりも解釈により多くの時間を費やすことができます。AIが日常的な業務を処理することで、人間はより価値を感じられる職務要件に取り組むことが可能になります。

適切なAI活用を組み込んだ、緻密に設計されたワークフローは、生産性を劇的に向上させます。このシナリオでは、AIが時間のかかるルーチン・タスクを処理する一方で、人間は高付加価値な活動に集中できます。

人間と機械のコラボレーションの研究には長い歴史があり、研究者はAIシステムと人間の労働者が相互作用する新しい方法を絶えず模索しています。最近、McKinsey社は、受動的なアシスタントから仮想同僚への移行を調査した論文を発表しました。また、将来の働き方には、AIに支援された人間、エージェント、およびロボット間のパートナーシップが含まれると予測しています。人間とAIのコラボレーションの可能性は、以下を含むAIの能力の全範囲にわたって存在します：

• オートメーション（例：データ入力や抽出など）
• 分類（例：オーディエンス・セグメンテーションやスパム・フィルターなど）
• 生成（例：コンテンツ作成やコード作成など）
• インタラクション（例：チャットボットやアシスタントなど）
• 予想（例：予測やパーソナライゼーションなど）
• 推奨（例：SNSのニュースフィードやアルゴリズムなど）
• 認識（例：予測分析など）

テクノロジーの進化に伴い、各機能はより複雑になっています。例えば、生成AIによってコンテンツ作成能力が拡張され、要約やコンテキスト化といった機能が含まれるようになりました。エージェント型AIにより、エージェントが最小限の介入で多段階のアクションを実行できるようになり、オートメーションは新しい形態へと移行しています。

人間とマシンのコラボレーションは、動的で絶えず拡大し続けている分野ですが、最も基本的な導入方法には以下が含まれます：

アドバイザー・モデルでは、人間が最終決定を下す一方で、AIが推奨事項やインサイトを提供します。AIはデータを分析し、行動指針を提案することもありますが、最終的な成果物に対する全権限は人間が保持します。例えば、医療現場では、AIが潜在的な疾患を特定する一方で、医師が治療方針を決定します。採用活動においては、AIが履歴書のスクリーニングを行う一方で、人間が面接を実施し、採用内定を出します。

AIが人間の労働者を拡張する場合、リアルタイムで人間の能力を強化します。個別に推奨事項を提示するのではなく、AIは人間と連携してそのパフォーマンスを向上させます。改善の一例として、多言語コミュニケーションをより自然にする翻訳ツールや、従業員が業務をブラッシュアップするのを支援するライティング・アシスタントが挙げられます。カスタマー・サービスの現場では、顧客データをリアルタイムで提示し、コンタクト・センターの担当者に行動指針を提案するためにAIが活用されるケースが増えています。

委任とは、人間がAIシステムに特定のタスクを割り当て、AIシステムが定義されたパラメーター内で自律的に動作するワークフローを指します。人間は目標と制約を設定しますが、すべてのアクションを監視することはありません。最新のエージェント型AIシステムはこのパターンに優れており、調査の実施、設備の保守スケジューリングの最適化、日常的な顧客からの問い合わせ対応などの複雑な多段階タスクを処理します。

これまで見てきたように、AIの「同僚」は業界や機能を問わず、多くの形態をとっています。現在、AIツールがチーム・メンバーとして機能する最も一般的な方法には以下が含まれます。

AIは、大量のデータを処理・統合してインサイトを提示し、人間の意思決定を支援するアナリストとして機能します。こうしたやり取りでは、人間が重要な問いを定義し、インサイトをアクションへと変換します。極めて重要なのは、AIは人間の分析的思考を置き換えるものではなく、むしろそれを高めるものであるということです。例えば、財務アナリストは、AIを使用して数百万ものデータ・ポイントからパターンをスキャンし、人間としての理解を適用して、それらのパターンが実行可能であるかどうかを評価できます。

人間とAIのコラボレーションにおいて最も顕著な役割の一つは、AIがクリエイティブ・ジェネレーターとして機能することです。例えば、ドラフト、コード、コンテンツ、デザインの作成などが挙げられます。その後、人間がAIのインプットを改善、指示、評価します。この種のやり取りにおいて、AIが膨大な量の素材を生成する一方で、人間はクリエイティブ・ディレクターや品質保証の技術者としての役割を果たします。

例えば、マーケティング・ディレクターがAIに50通りの広告コピー案を作成させたり、ソフトウェア・エンジニアがAIに特定のタスクのためのコード生成を依頼したりすることが可能です。

AIはあらゆる業界や職務における調査を革新し、強力なコラボレーターとして機能します。従来の調査では、人間が長い時間をかけて資料を読み込み、統合する必要がありましたが、AIは膨大な量の情報をほぼリアルタイムで処理します。すべての情報を要約し、パターンの特定や情報間の関連性を明示することで、調査担当者の時間を節約できます。

ますます、AIシステムは過去のデータを分析するだけでなく、将来のシナリオをモデル化し、戦略的な選択肢を比較検討するようになっています。この役割において、AIシステムは市場拡大計画や医療介入などの複数の戦略的シナリオを迅速に評価します。

これらのAIツールは、人間のストラテジストには一目では分からないリスクや依存関係を顕在化させることがあります。そのため、利用可能なデータが膨大で、一人の人間では取り込むことが不可能な創薬のような場面で、真価を発揮します。AIは独自に価値や優先順位を推測することはできないため、こうしたコラボレーションにおける人間の役割は依然として不可欠です。現実世界のダイナミクスや倫理的な配慮に関連する人間の判断は、引き続き重要な鍵となります。

ライター、アーティスト、デザイナーは、AIをコラボレーターとして活用する機会を増やしており、ブレインストーミング・パートナーや初期段階のアイデア・ジェネレーターとしてこのテクノロジーを導入しています。その後、人間のクリエイターが自身の創造性と判断力を活用し、AIが生成したコンテンツを信頼できる独自の成果物へと作り上げます。デザインにおいては、アーティストがAIツールを使用して、クリエイティブ・ビジョンを最終決定する前に、デザイン・コンセプトのモック・アップやバリエーションを生成します。

マーケティング・チームは、AIとのコラボレーションを活用して、より効果的なキャンペーンを作成するとともに、オーディエンスに効率的にアプローチしています。AIシステムは消費者行動データを分析し、複雑なデモグラフィックス・データに基づいてオーディエンス・セグメントを特定します。マーケティング担当者はこれらのインサイトを活用して、戦略を策定し、キャンペーンの方向性に関するクリエイティブな意思決定を行います。AIは広告コピーやソーシャル・メディアの投稿について複数のバリエーションを生成でき、人間のマーケティング担当者はそれらを改良してブランド・ボイスやキャンペーンの目標に適合させます。

インテリジェントなカスタマー・サービス業務は、AIエージェント、AIアシスタント、および人間のエージェントによる高度なコラボレーションへと進化しました。自律型のAIエージェントが日常的な問い合わせに対応し、一般的な質問に対して即座に回答を提供します。従業員向けのAIアシスタントは、顧客との対話を通じてカスタマー・サービスの担当者をコーチングし、関連データの提示やトラブルシューティング機能の提案を行う場合があります。このコラボレーションにより、人間のエージェントは複雑な問題や感情的な配慮が必要な状況に集中できるようになります。

理想的には、このコラボレーションは顧客の視点から見てシームレスであるべきです：AIが初期対応を行い、関連情報を収集して、単純な問題を解決します。人間の判断が必要な状況では、AIが人間のエージェントにスムーズに取り次ぎ、対話履歴や関連するコンテキストを提供するため、顧客が同じ説明を繰り返す必要はありません。

医療機関が人間とマシンのコラボレーションを取り入れるなか、ヘルスケア分野ではテクノロジーの極めて有望なユース・ケースが示されるようになっています。有力な例として、Mayo Clinic病院は放射線科全体にAIを導入しました。分析を支援するために数百のAIモデルを追加し、2016年以降、スタッフを50％以上増員しました。同病院では、AIが腎容積の測定などのルーチン・タスクで放射線科医を支援し、医師が結果を解釈する間に異常なスキャン画像を分析します。

創薬において、AIシステムは分子構造を分析し、特定の疾患を効果的に標的とする可能性のある化合物を予測します。これは、人間の研究者であれば数年を要する可能性のあるプロセスです。その後、研究者は科学的な専門知識を適用して有望な候補を検証し、臨床試験を設計します。

AI搭載の診断支援システムは、症状を分析し、検討すべき潜在的な疾患を提示することで医師を支援します。IBM Institute for Business Valueによると、ヘルスケア業界の経営幹部の10人中4人が、すでに入院患者のモニタリングや早期警告サインの提示にAIを活用しています。医師はこれらの提案を臨床検査や患者の健康状態の包括的な理解と統合し、最終的には人間だけが提供できる共感的できめ細かなケアを実現します。

テクノロジー・セクター自体が、人間とAIのコラボレーションにおける主要な舞台となっています。AIは、ソフトウェアの記述方法やレガシー・システムの最新化の手法を根本的に変えています。AIと人間のコラボレーションにより、エンジニアはより野心的なプロジェクトに迅速に取り組み、より効率的にソリューションを提供できるようになります。

日々のソフトウェア開発において、AIコーディング・アシスタントは多くの開発者にとって極めて重要なコラボレーション・パートナーとなっています。これらのAI同僚は、従来の「ペア・エンジニア」のシナリオを反映しており、大きなメリットをもたらします。エンジニアは、すべてのコードを一行ずつ手動で記述する代わりに、必要な要件を説明し、AIが生成した機能コードを人間がレビューおよびブラッシュアップします。

最近、Gartner社は、2028年までにエンタープライズ・ソフトウェア・エンジニアの75％が、このようなAIコード・アシスタントを使用するようになると予測しました。同社が以前述べていたように、この構成により「開発者がバックエンドおよびフロントエンドのコンポーネントやインテグレーションの検証者およびオーケストレーターとして機能する」シナリオが生まれます。このコラボレーションは開発を大幅に加速させる一方で、人間の開発者の役割は引き続き中心的なものとなります。

「生成AIが世の中のすべてのコードを構築するわけではありません」と、IBM ConsultingのパートナーであるGerry Leitãoは述べています。「人間とペアを組むことで、生産性を飛躍的に向上させます」。例えば、IBMでは、Ansibleプレイブック開発エンジニア向けにAI生成による推奨事項を導入した結果、初期構築の生産性が最大45％向上しました。

多くの近代的な製造工場で、人間とAIのコラボレーションが取り入れられています。AIシステムは製造ラインをリアルタイムで監視し、エネルギー消費を最適化するとともに、機器の故障が発生する前に予測します（PDF）。一方で、人間のオペレーターやエンジニアは、複雑な問題のトラブルシューティングやプロセスの改善に注力しています。

サプライ・チェーン・マネジメントにおいて、AIシステムはサプライヤー・パフォーマンスや気象パターンを含む膨大なデータを処理することで、需要を予測し、在庫レベルを最適化して、効率的な配送ルートを設定します。また、AIシステムはコンプライアンスや記録保持の負担も軽減します。

最近、グローバル製造企業であるChannell社は、プランナーがプロジェクトごとの部品表（BOM）レポートを自動生成できるツールを導入し、人間による意思決定時間を数日間から数時間へと短縮しました。日常的な手作業の効率化とエラーの解消が進むことで、人間のサプライ・チェーン・マネージャーは、より戦略的な方向性の提示や、創造的な問題解決を必要とする混乱への対応に注力できるようになります。

実社会において効果的な人間とマシンのパートナーシップを維持するために、組織はAIツールに対するリテラシーを高め、信頼を築くための投資を行う必要があります。この信頼を築くには、AIの能力と意思決定プロセスの透明性を確保するとともに、ユーザーがいつAIを信頼し、いつより詳細な精査を行うべきかを判断できるようなフィードバック・メカニズムを構築することが求められます。通常、こうしたAIリテラシーはトップダウンで醸成されるものであり、ビジネス・リーダーはAIシステムが得意とする領域と不得意とする領域を明確に伝える必要があります。

また、人間とAIのコラボレーションはAIモデルのための高品質なトレーニング・データに依存するため、強固なデータ・ガバナンスが不可欠となります。組織は、AIシステムがアクセスできるデータ、データの収集および保存方法、そしてAIとのコラボレーションを通じて生成されたデータの所有権に関する明確なポリシーを策定しなければなりません。

不適切なデータ・ガバナンスは、AIシステムが不完全なデータや古いデータに基づいて意思決定を行う要因となります。また、企業には、AIシステムがデータを適切に使用し、明確で信頼性の高い説明可能なAI（XAI）モデルを提供することを確実にするためのメカニズムが必要です。

組織にAIコラボレーションを導入するには、技術的なトレーニングに留まらない、緻密なチェンジ・マネジメントが必要です。従業員は、自身の役割の変化を明確に理解し、AIが業務にどのような影響を与えるかについて、透明性の高いコミュニケーションを受ける必要があります。また、取り組みの成功を測定するための、関連性が高く実用的なメトリクスも不可欠です。

効果的なチェンジ・マネジメントには、AIとのコラボレーションの成功モデルを示せる役割をチーム内に設けることや、継続的なフィードバック・チャネルを構築することが含まれます。リーダーは、AIとのコラボレーションが人間のユーザーの業務を損なうのではなく、いかに強化するかについて、説得力のあるビジョンを明確に示さなければなりません。

AIの機能が拡張されるにつれて、効果的なコラボレーションに必要なスキルは絶えず進化しており、継続的なアップスキリングが不可欠となっています。従業員は、プロンプト・エンジニアリングやAI出力の評価などの分野で、新しい能力を身に付ける必要があるかもしれません。アップスキリングへの取り組みは、一度限りのイベントではなく継続的であるべきです。AIの機能が今後も進化し続けることを認識しなければなりません。学習を継続的なプロセスとして捉える組織は、テクノロジーの発展に適応するアジャイルな従業員を育成できます。

ますます、効果的な人間とAIのコラボレーションへの道は、テクノロジーの採用と同様に、組織のオペレーティング・モデルにかかっています。一部のプロセスを自動化するだけでは、大幅な生産性の向上や、AIが支援できる広範なビジネス・トランスフォーメーションを促進することは困難です。

IBM Institute for Business Value（PDF）によると、オペレーティング・モデルを企業変革の究極の推進力（ドライバー）と見なす組織は、収益性、収益成長、イノベーション、および従業員の定着率において同業他社を上回っています。多くの場合、この競争上の優位性は、エコシステム全体での大規模なコラボレーションを可能にするインフラストラクチャーやプラットフォームへの投資によってもたらされます。

最近、Open Machine社のCEOであるAllie K. Miller氏は、IBMのDavid Levyに対し、AIを単に人間の行動を再現するだけの単純な生産性ツールと見なすことに異議を唱えました。同氏は次のように述べています。「些細な効率や生産性ばかりを考えているのであれば、例えば、Eメールをより速く書くことや、SQLクエリーをより速く書くことだけを考えているのであれば、結局は依然としてそのEメールを書き、そのSQLクエリーを書いていることになります。」また、同氏は次のように付け加えました。

「もしかしたら、そもそもそのEメールを書く必要さえない、という世界線があるかもしれません。そして、そもそも、そのSQLクエリーを書く必要さえないはずなのです」。

真の価値を獲得するには、企業の組織化および運営方法における根本的な変革が求められます。純粋に人間のワークフローに基づいて設計された従来のオペレーティング・モデルは、組織がAIとのコラボレーションを統合しようとする際、しばしば障害となります。この状況により、ビジネス・リーダーには、ワークフローや意思決定プロセスの再設計が求められています。これにより、AIシステムが日常的な意思決定を自律的に処理できるようにする一方で、極めて重要な選択については人間による適切な監視を確保する必要があります。

AIが従来人間が行っていたタスクを担うようになるにつれ、チームや役割の再編が必要になる可能性があります。しかし、先見の明のある組織は、職務を削減するのではなく、人間ならではの貢献を重視するように役割を再定義することになります。

こうした課題に取り組むには、何よりもリーダーが、実験と学習の文化を育むことが求められます。イノベーションの気運を高め、成果に重点を置くことで、企業は長期にわたって人間とAIのコラボレーションから価値を引き出せるようになります。

あるいは、Miller氏がIBMのポッドキャスト・番組「AIの活用」に出演した際に述べたように、「馬をより速く走らせることだけに集中していると、自動車の登場を見逃してしまうことになります」。