人工知能ツールの市場がますます混雑する中、企業顧客はさまざまな面で優れたソリューションを求めています。
組織は、ユーザーが真に受け入れられる価値を生み出す AI を提供するシステムを望んでいます。
彼らは、遡及的なアドオンではなく、信頼、ガバナンス、擁護を第一級の要件として扱うシステムを望んでいます。
iManage のエンジニアリング担当副社長。
組織はどのようにしてこれらの要求に最適に対処し、ユーザーや組織がこれなしでは生きていけない AI 機能を提供できるでしょうか?
適切なユースケースから始める
ほとんどの組織は AI の初期導入段階を超えていますが、多くの企業が依然として同じ根本的な間違いを犯しています。つまり、明確で慎重に定義されたユースケースを持たずに AI を導入しているということです。これは、これまでのデータ サイエンスや機械学習のプロジェクトを悩ませてきたパターンであり、今日の失敗と同じくらい有害です。
適切なユースケースに規律を持って焦点を当てることで、AI システムが実際の具体的な価値を生み出す可能性が大幅に向上し、それがユーザーの採用を促進します。
専門家がすでに知っている情報を伝えたり、専門家が十分に認識している状況を自動的に警告したりする人工知能システムを考えてみましょう。たとえば、2 年間未処理の請求は問題のある請求であると保険査定人に伝える人工知能システムを考えてみましょう。専門家はすでにそれを知っています。
これを、請求フォームから主要なフィールドを抽出し、それらを請求確認レターに自動的に入力するシステムと比較してください。これにより、狂気を排除し、リスクを軽減できます。
前者のユースケースは永続的で実際の価値はなく、エンドユーザーの間で AI への取り組みに対する無関心を引き起こす可能性があります。後者のユースケースは、実際的な現実世界への影響において、境界線上の変革をもたらします。ユーザーが事前に認識する影響と価値を定義することは、AI システムを成功への道に導くための大きな部分を占めます。
アプリケーションとユーザーエクスペリエンスについて深く考える
ユースケースを定義したら、次の重要なステップは実装を慎重に検討することです。最初からユーザー エクスペリエンスとセキュリティを確実に考慮するために、製品、マーケティング、情報セキュリティ、プラットフォーム、バックエンド、API チームを同じ部屋に集めているベンダーの AI 製品を選択しますか?同じ考慮事項が、独自の人工知能システムを社内で構築するあらゆる組織に当てはまります。エンジニアリング チームだけが単独で人工知能システムを開発することはできません。
AI 製品が運用しなければならない規制環境を考慮する場合、開発プロセスの死角を回避することが重要になります。 EU の高リスク AI システム義務 (2026 年 2 月 3 日発効) では、AI プロバイダーに対して明確な安全性、透明性、監視要件が定められており、システムが EU 内で運用する場合、これらの要件を超えない場合でも満たすことを計画する必要があります。 EU 内で活動する AI ベンダーやエンタープライズ チームは、これらの要件を満たす計画を立てる必要があり、コンプライアンスを計画する時期は、立ち上げ後ではなく、アーキテクチャ段階にあります。
地理では、別の考慮事項が導入されます。組織が使用する予定の主要な言語モデルは、組織が事業を展開するすべての地域で利用可能か?著名なモデルの一部は世界中で利用できません。つまり、早期に対処しなければ、地域およびデータ主権の要件が障害になる可能性があります。
純粋にエンジニアリングの観点から見ると、アプリケーションの設計ではスケーラビリティの問題にも対処する必要があります。たとえば、AI ワークロードは「バースト」として知られています。ユーザーがエージェントにタスクを送信すると、大量の計算量が必要となり、ほぼ瞬時の結果が期待されます。エンジニアリング チームは、キャパシティと可用性を考慮し、稼働後ではなく稼働前に厳密にテストする必要があります。運用環境では、単純な ping だけではインフラストラクチャの健全性を監視するのに十分ではありませんが、テストでは複雑な自然言語のクエリとリクエストの例を参照する必要があります。
「良い」とは何かを定義し、集中力を維持する
実用的な AI の 3 番目の段階は、成功とはどのようなものかを知ることです。これは、AI の結果を組織の既存の North Star 指標に直接結び付けることを意味します。収益の増加を優先する場合は、収益に貢献することが証明されている AI を選択して定義します。目標が運用効率である場合は、システムによって実現される時間の節約を定量化し、その数値に対して責任を負います。
人工知能の導入は、組織をすでに導いているパフォーマンス指標を放棄することを意味するものではありません。最も永続的な AI の取り組みは、AI の結果を確立された組織の目標にマッピングするものです。リスクの軽減、生産性の向上、熟練した専門家を価値の低いタスクから解放するなどです。
これらの指標が満たされたら、ターゲティングが不可欠です。スコープクリープが発生し、ユースケースが断片化すると、AI 導入は横道に逸れる傾向があり、チームは核となる価値提案を見失います。答えは厳格であることではなく、測定可能な効果が得られる可能性が高い取り組みで勢いを維持することに規律を保つことです。
柔軟性を保つ
最後に注意事項を 1 つ。人工知能を取り巻く環境は驚くべきスピードで変化しています。モデルはどんどん良くなっていきます。ユニットエコノミーは変化しています。 18 か月前には境界線上にあったユースケースが、今では一般的になっています。
この環境では、実験の余地が十分にあるはずです。これは、学びながら ROI 指標を喜んで再検討することを意味します。それは、ユースケースにおけるちょっとした調整を受け入れること、そして適応されたバージョンがオリジナルよりもはるかに大きな価値を引き出すことを発見することを意味します。これは、チームが勢いを失うことなく反復し、間違いを犯し、軌道を修正する許可を与えることを意味します。これはほとんどの組織にとってギリギリの作業です。
ユースケース、実装、「良い」とは何かについて、事前にできる限り明確にするよう努めますが、状況の変化に応じて柔軟に対応してください。この厳格さと機敏性の組み合わせが、組織が許容できる AI システムと、それなしでは動作することを想像できない AI システムを分けるものです。
最適なロボットオートメーション（RPA）ソフトウェアをご紹介します。
この記事は年に作成されました TechRadar プロの視点今日のテクノロジー業界で最も優秀な人材を紹介するチャンネルです。
ここで表明されている見解は著者の見解であり、必ずしも TechRadarPro または Future plc の見解ではありません。寄付に興味がある場合は、こちらで詳細をご覧ください: https://www.techradar.com/pro/perspectives-how-to-submit
