/w=3840,quality=90,fit=scale-down)
※本記事は、Aditya Challapally氏によるウェビナー「AI Revolution: Riding the Wave - Strategies and Best Practices for Market Success」の内容を基に作成されています。ウェビナーの詳細情報は https://online.stanford.edu/courses/x... でご覧いただけます。本記事では、ウェビナーの内容を要約しております。 本記事の内容は原著者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルのウェビナーをご視聴いただくことをお勧めいたします。また、より詳細な情報については、Aditya Challapally氏のオンラインコースをご参照ください。
1. はじめに
1.1 ウェビナーの概要と目的
本日のウェビナー「Identifying AI Opportunities: Strategies for Market Success」へようこそ。私の目的は、AIと生成AIに関する多くの誤解を解き、市場での成功戦略を皆さんと共有することです。最も頻繁に受ける質問の一つは、「AIや生成AIの世界で個人としてどのように成功するか」です。つまり、この分野にどのように参入し、ビジネスや技術の専門家としてどのように成功するかということです。我々はこのトピックについて広範な研究を行ってきました。本日は、その研究結果を皆さんと共有できることを非常に嬉しく思います。
このウェビナーは双方向性を重視しています。Q&Aセクションでは質問を投稿していただけます。また、プレゼンテーションの途中で定期的に質問に答える時間を設けます。さらに、皆さんの理解度を確認するために、プレゼンテーション中に質問をする機会も設けています。
本ウェビナーの情報源について少し説明させてください。この情報は、先ほど言及した新しいコースから得られたものです。このコースの情報を収集するために、我々は50人以上の経営幹部にインタビューを行い、300人以上のユーザーを対象とした調査を実施しました。これらの回答が正確で有効であり、多くのデータに裏付けられていることを確認するために、多大な努力を払いました。
1.2 講演者の紹介
私の名前はアディティア・チャパリです。現在の主な役割は、Microsoftでのマシンラーニングエンジニアおよびプロダクトリードです。この役割で、グローバルで何百万人もの人々に利用されている生成AIプロダクトの構築を支援しています。
また、シリコンバレーのいくつかのスタートアップやフォーチュン500企業のアドバイザーも務めています。この経験により、さまざまな規模や業界でのAI導入の課題と機会について、幅広い視点を得ることができています。
教育面では、スタンフォード大学工学部および専門能力開発センターで、プロダクトマネジメントとAIに関する講義を行っています。この経験は、理論と実践のバランスを取る上で非常に有益です。
今回のウェビナーは、7月29日に開始した新しいコースの一環として行われています。このコースについて詳しく知りたい方は、このプラットフォーム内にリンクがありますので、そちらをご覧ください。
私の経歴は、技術と実務の両面にまたがっています。この経験を活かし、今日は技術的な詳細から実践的なビジネス戦略まで、幅広い視点からAIの機会について語りたいと思います。特に、非技術系のビジネスプロフェッショナルがAIをどのように活用し、キャリアを発展させることができるかに焦点を当てていきます。
このウェビナーを通じて、皆さんがAIの世界で成功するための具体的な戦略と洞察を得られることを願っています。AI技術の現状、企業分類、非テクノロジー企業の機会、スタートアップ戦略、キャリア戦略、プロジェクト実装など、幅広いトピックをカバーしていきます。それでは、AIが提供する機会とその活用方法について、詳しく見ていきましょう。
2. AI業界の現状と将来の展望
2.1 インターネットの発展との類似性
AIの現状と将来を理解するために、私はある興味深い現象を示すグラフをお見せしたいと思います。このグラフは、実はインターネットの発展曲線を表しています。そして驚くべきことに、生成AI（GenAI）は現在、まさにこの曲線を辿っているのです。
インターネットの初期段階では、多くの人々がこれをバブルだと考え、実際の価値を生み出すのかどうか疑問視していました。その後、「他の優先事項がある」「内部ツールを構築した」といった反応が続きました。しかし、時が経つにつれて企業の破壊と新たな創造が始まり、現在我々はその新たなプロセスの只中にいます。
生成AIも、文字通り同じ道筋を辿っています。初期には多くの人々がバブルではないかと疑い、議論が交わされました。しかし今では、明らかに大きな価値を生み出すことが分かっています。現在、多くの企業は内部ツールを構築することで対応しようとしていますが、必ずしもユーザー向け製品の開発には至っていません。インターネットの時代と同様に、このアプローチを取る企業は結果的に機会を逃してしまうでしょう。
さらに驚くべきは、インターネットが1999年のピーク時の予測を1000倍も上回る価値を創出したという事実です。バブル期のピーク時でさえ、人々はそれ以上の成長はないと考えていました。しかし、約20-25年後の現在、その予測を遥かに上回る価値が生まれています。我々は、生成AIも同様の曲線を辿ると予想しています。
この類似性から学べる重要な点がいくつかあります。まず、我々はまだ生成AIの初期段階にいるということです。新しいプラットフォームであるため、誰が勝者になるかはまだ分かりません。技術は極めて急速に進化しており、ユーザー自身も確固たした選好を持っていない状況です。
これらの情報は、我々の初期の研究に基づくものですが、正しい方向性を示していると確信しています。そして、最も興奮させられるのは、このゲームを制する機会が皆さんの手の中にあるということです。
2.2 生成AIの定義と技術的背景
生成AIの技術的背景について掘り下げてみましょう。多くの人々が生成AIの一般的な能力についてはよく理解していますが、いくつかの誤解も存在します。
まず、「生成AI」や「GenAI」という言葉は、実際には技術用語ではなくマーケティング用語であることを理解することが重要です。生成AIは、実際には様々な種類のモデル、例えば敵対的生成ネットワーク（GANs）、トランスフォーマーモデル、変分オートエンコーダーなどを指す総称です。
非技術系のビジネスプロフェッショナルの方々は、自分が「生成AI」の分野で働いているとは言わないほうがいいでしょう。実際、誰も自分を「生成AIエンジニア」とは呼びません。代わりに、「機械学習エンジニア」や「MLエンジニア」と呼びます。ビジネス側の人間も「生成AIビジネスプロフェッショナル」ではなく、「機械学習プロフェッショナル」や何らかの技術プロフェッショナルと呼ぶべきです。エンジニアリングチームと話をする際は、「生成AI」という言葉ではなく「機械学習」という言葉を使うことをお勧めします。
生成AIアプリケーションには、主に3つのタイプがあります：
- 協調型：あなたが作業する傍らでアイデアを増幅し、あらゆる可能性を探索します。
- パーソナライズ型：すべてがあなたのために作成されます。
- 先行型：あなたの代わりに行動を起こします。
これらの3つのタイプが重要な理由は、将来を予測すると、生成AIがあなたの生活のあらゆる場面を取り巻く世界が見えてくるからです。例えば、TikTokやInstagramのコンテンツが全て生成AIによって作成される可能性や、チームメンバーの多くが生成AIアシスタントになる可能性、日常のタスクが自動的に処理される可能性などが考えられます。
これらを可能にする基盤技術には、テキスト、画像、音声、ビデオなどがありますが、ここでは詳しく触れません。重要なのは、現在人々が生成AIについて考えるとき、単純な文章作成チャットボットのようなものを想像しがちですが、最も重要な進歩は実際には5年から10年先にあるということです。
2.3 AIモデルへのアクセス方法
生成AIに関連する重要なパラダイムシフトの一つは、AIモデルへのアクセス方法の変化です。以前は、自前のモデルを構築するために膨大なデータ、インフラストラクチャ、アルゴリズムが必要でした。FacebookやTikTokのような企業は、素晴らしいレコメンデーションアルゴリズムを作るために、多くのデータセンターとデータサイエンティストを抱えていました。
しかし、現在ではこれらのモデルが完全に機能した状態でボックス外で提供されています。多くの人々は、この変化がいかに劇的なものであるかを認識していません。生成AIは非常に優れているだけでなく、OpenAIなどの企業がこれらを公開で利用可能にしました。これは、Facebookがレコメンデーションアルゴリズムを無料で提供し、「あなたのコンテンツを提供してください。私たちがそれをランク付けします」と言っているようなものです。
これらのモデルにアクセスする方法は主に2つあります：
- モデル作成者のAPIを呼び出す：OpenAIやDeepMindなどの企業のAPIを利用する方法です。
- オープンソースモデルを自身でホストする：LLaMA 3.1のような、クローズドソースのバージョンに匹敵する多くのオープンソースモデルが存在します。
この点で最も重要なのは、これらのリソースがかつてないほど民主化されているということです。完全に無料のインテリジェンスが人々に提供されており、自分でホストすることさえできます。これは多くの人々が認識していない大きなパラダイムシフトであり、多くの新しい投資機会を生み出しています。
このように、AI業界は急速に変化し、成長しています。インターネットの発展との類似性を理解し、生成AIの技術的背景を把握し、AIモデルへのアクセス方法を知ることで、我々はこの革命的な技術がもたらす機会をより良く活用することができるのです。
3. AI企業の分類と成功要因
3.1 AIを活用する企業の3つのタイプ
生成AIを活用する企業は、主に3つのタイプに分類されます。これらのタイプを理解することは、AIビジネスの成功要因を把握する上で非常に重要です。
- テイカー（Takers）：これらの企業は、既存のAIモデルをそのまま取り入れ、ユーザーインターフェースを付加するだけです。このアプローチは、AIビジネスを始める上で最も簡単な方法です。
- モデルカスタマイザー（Model Customizers）：これらの企業は、既存のモデルを取り入れた後、自社のデータを追加してモデルをカスタマイズします。長期的に見れば、このアプローチが最も有望だと考えています。
- モデルクリエイター（Model Creators）：これらの企業は、独自のAIモデルを一から作成します。
3.2 AIスタックの構造
AIビジネスの成功要因を理解するためには、AIスタックの構造を把握することが重要です。AIスタックは、次の層から成り立っています：
- コンピューティングハードウェア：NVIDIAのような企業が提供するチップ。
- クラウドプラットフォーム：Google、Amazon、Azureなどの企業が提供。
- モデル作成層：クラウドサービスやデータサービスを利用してモデルを作成する企業。
- モデル利用層：オープンソースモデルをカスタマイズしてユーザーに提供する企業。
3.3 競争優位性の変化：データからディストリビューションへ
AIビジネスにおける競争優位性は大きく変化しています。以前は、データと優れたインフラストラクチャを持つ大手テクノロジー企業が圧倒的に有利でした。しかし、現在ではモデルはカスタマイズ可能になり、状況が変わっています。
重要なのは、これらの生成AIモデルが、アプリ開発者に非常にアクセスしやすい基盤モデルを提供していることです。これにより、開発者は自社のデータサイエンスセンターに多額の投資をすることなく、10倍以上のビジネスを展開することができるようになりました。
この変化は、各層の収益性にも影響を与えています：
- コンピューティングハードウェア企業（NVIDIAなど）：非常に防御可能な立場にあり、多くの利益を上げるでしょう。
- クラウドプラットフォーム：これまでと同様の収益性プロファイルを維持するでしょう。
- モデルアプリユーザー（テイカーとカスタマイザー）：これらの企業が実際に最も多くの利益を上げています。
最大の誤解は、ChatGPTや大規模言語モデル（LLM）の上にユーザーインターフェースを乗せるだけのアプリ（「ラッパー」）は利益を上げないというものです。実際、これらのアプリは多くの利益を上げています。その理由は、ChatGPTやLLMを定期的に使用しているのは世界で最大でも約1億人に過ぎず、残りの89億人にアクセス可能にすることが非常に収益性の高い機会だからです。
また、データが本当の「石油」だと指摘する人もいますが、これは完全に正しいわけではありません。大企業が持つ別の種類の競争優位性、つまりディストリビューション（配信力）がさらに重要です。
3.4 事例研究：IBM vs JPモルガン
この競争優位性の変化を具体的に理解するために、IBMとJPモルガンの例を見てみましょう。
多くの人は、IBMの方が生成AIで成功する可能性が高いと考えるかもしれません。IBMは多くの才能、資金、GPUを持ち、技術的なリソースが豊富です。しかし、実際にはJPモルガンの方が生成AIで成功する可能性が高いのです。
JPモルガンの方がより多くのエンドユーザーに対する幅広い配信力を持っているからです。JPモルガンは、そのデータとユーザー体験を活用して、反復的なモデルでフライホイール効果を生み出すことができます。
これは市場が十分に理解していない点です。生成AIの発表があるたびに、IBMの株価が上昇する傾向がありますが、実際にはJPモルガンの株価が上昇すべきなのです。事実、JPモルガンやその同等の企業の株価は、生成AIの潜在的可能性と比較すると過小評価されている可能性があります。
この例は、AIビジネスにおける勝者が変わりつつあることを示しています。かつては、多額の資金、優れたモデル、専門的な従業員を持つ大手テクノロジー企業が主要なAI勝者でした。しかし今や、非テクノロジー企業が主要な生成AI勝者になる可能性があります。
これらの非テクノロジー企業自身も、この可能性を十分に認識していない場合があります。彼らは内部ツールの構築に注力し、この新しい世界の利点を十分に活用していない傾向があります。しかし、実際の価値は、AIを既存のシステムに統合して強化することにあります。これらの企業は既に多くのデータと大規模なユーザーベースを持っているため、テクノロジー企業よりも有利な立場にあるのです。
結論として、AIビジネスにおける成功の鍵は、単にAIモデルを作ることではありません。重要なのは、AIを効果的に配信し、既存のビジネスプロセスに統合することです。そして、この点において、多くの非テクノロジー企業が予想以上に有利な立場にあるのです。
4. 非テクノロジー企業のAI活用機会
4.1 既存システムへのAI統合の重要性
非テクノロジー企業にとって、AIの真の価値は既存のシステムにAIを統合することにあります。多くの企業がこの点を見逃しており、内部ツールの構築に注力しています。しかし、実際の価値は既存のシステムにAIを統合して強化することにあるのです。
非テクノロジー企業がAIを活用する上で重要なのは、以下の点です：
- 大規模なユーザーベース：これらの企業は既に多くのユーザーを持っています。
- 豊富なデータ：長年の事業運営を通じて蓄積された貴重なデータを保有しています。
- 既存のビジネスプロセス：AIを統合することで、これらのプロセスを大幅に改善できる可能性があります。
これらの要素を活かすことで、非テクノロジー企業はテクノロジー企業よりも有利な立場に立つことができます。
4.2 事例研究：CarMaxの車両レビュー要約機能
CarMaxの事例は、非テクノロジー企業がAIを効果的に活用する方法を示す良い例です。CarMaxは中古車の売買を行う企業ですが、AIを活用して顧客体験を大幅に向上させました。
CarMaxが行ったのは、車両レビューの要約機能の実装です。この機能は一見シンプルですが、非常に効果的でした。彼らは高度なチャットボットや複雑な車選択システムを作るのではなく、既存の車両レビューをAIで要約するという機能を実装したのです。
この機能の実装により、CarMaxは以下のような成果を得ることができました：
- 顧客満足度の向上：顧客は必要な情報を迅速に得られるようになりました。
- 意思決定プロセスの改善：要約された情報により、顧客の購買決定が容易になりました。
- 競争優位性の獲得：この機能は、CarMaxを競合他社と差別化する要因となりました。
CarMaxの事例から学べる重要なポイントは、AIの実装に際して必ずしも複雑な解決策が必要ではないということです。彼らは既存のデータと業務プロセスを活用し、それにAIを統合することで大きな価値を創出しました。
この事例は、非テクノロジー企業がAIを活用する際の重要な戦略を示しています。それは、顧客体験の向上に焦点を当てることです。CarMaxは、AIを用いて直接的に売上を増やそうとするのではなく、顧客が情報を得やすくすることに注力しました。
非テクノロジー企業がAIを活用する際には、このようなアプローチが効果的です。つまり、既存の強み（CarMaxの場合は豊富な顧客レビュー）を活かし、それをAIで増幅させることで、顧客に新たな価値を提供するのです。
重要なのは、AIを単なる技術的なソリューションとしてではなく、ビジネス価値を創出するツールとして捉えることです。非テクノロジー企業は、自社の強みや独自のデータを活かしつつ、AIをそれらと連携させることで、テクノロジー企業にはない独自の価値を生み出すことができるのです。
CarMaxの事例は、非テクノロジー企業がAIを効果的に活用するための青写真を提供しています。複雑な実装や大規模な投資を必要とせず、既存のリソースを活用しながら、顧客に直接的な価値を提供する。これこそが、非テクノロジー企業がAIで成功するための鍵なのです。
5. スタートアップのAI活用戦略
AI技術の急速な進歩は、スタートアップにとって大きな機会を提供しています。多くの人は、大企業が配信力で優位に立っているため、スタートアップには勝ち目がないと考えるかもしれません。しかし、実際にはスタートアップこそがAI市場で成功する絶好の機会を持っているのです。
5.1 既存産業へのアプローチ
スタートアップがAIを活用して成功するための鍵は、既存の産業、特に法律、金融、医療などの分野にアプローチすることです。これらの産業には、独自のデータセットや特殊な要件があり、AIによる革新の余地が大きいのです。
なぜこのアプローチが効果的なのでしょうか。それは、大企業、特に非テクノロジー企業がこの機会に対して極めて遅い動きをしているからです。彼らは莫大なリソースを持っているにもかかわらず、AIの導入に慎重で、動きが鈍いのです。
スタートアップが取るべきアプローチは次のようなものです：
- 法律、金融、医療などの独自のモードや独自のデータセットを持つ産業をターゲットにする。
- これらの産業向けに、本当に優れた体験や優れたツールを構築する。
- 大企業が全く動いていない、あるいは非常に遅い動きをしているこの機会を活用する。
このアプローチを取ることで、スタートアップは大企業が見逃している、あるいは対応が遅れている隙間市場で成功を収めることができるのです。
5.2 事例研究：Harvey - 法律profession向けのカスタマイズされたChatGPT
このアプローチの成功例として、Harveyという法律profession向けのAIツールを開発したスタートアップの事例を見てみましょう。
Harveyは、法律profession向けにカスタマイズされたChatGPTのようなツールです。このスタートアップは、法律業界特有のニーズに焦点を当て、AIを活用して法律家を支援するツールを開発しました。
Harveyの成功の秘訣は以下の点にあります：
- 特定の業界への特化：一般的なAIチャットボットではなく、法律profession向けに特化したツールを開発しました。
- 業界特有の知識の活用：法律の専門家と協力し、法的な正確性と関連性を確保しました。
- 既存の大手企業の隙間を狙う：WestlawのようなツールはAIを十分に活用していないという事実に着目しました。
- 迅速な開発と展開：若い起業家たちによって設立され、素早く市場に参入しました。
Harveyの成功は、既存の大手法律情報プロバイダーであるWestlawとの対比で特に際立っています。Westlawは素晴らしいデータと素晴らしい多くのユーザーへのアクセスを持っているにもかかわらず、生成AIを活用した実質的な取り組みを行っていません。一方、Harveyは完全にスタートアップで、若い20代の起業家たちによって設立されましたが、この分野を完全に破壊しつつあります。
この事例から学べる重要な教訓は、スタートアップがAIを活用して成功するためには、特定の業界や職種に深く入り込み、その分野特有の問題を解決することが重要だということです。Harveyは法律という専門性の高い分野で、AIの力を最大限に活用しました。
結論として、AIの時代におけるスタートアップの成功戦略は、特定の業界や職種に深く入り込み、その分野特有の問題をAIで解決することにあります。大企業が動きの遅い今こそ、スタートアップにとってはAI市場で成功するチャンスなのです。Harveyの事例が示すように、適切な戦略と実行力があれば、スタートアップでも既存の大企業に挑戦し、市場に革新をもたらすことが可能なのです。
6. AIキャリアにおける成功戦略
6.1 非技術者のAI活用機会
AIの世界では大きなパラダイムシフトが起きています。以前は、非技術者が何かを構築することは困難でした。コーディングやシステムアーキテクチャの知識が必要だったからです。しかし、現在では状況が大きく変わっています。
例えば、プロダクトマネージャー（PM）の場合、以前よりもデータサイエンティストのような役割を果たすことができます。データサイエンティストやapplied scientistは、新しいモデルを作成するのではなく、ChatGPTのような大規模言語モデル（LLM）に新しいデータを与えて微調整したり、プロンプトを調整したりします。これは、Excelファイルをアップロードするくらい簡単な作業です。
また、ビジネスプロフェッショナルとして、アプリケーションの構築が可能かどうかを技術チームに確認する必要がなくなりました。ChatGPTに直接質問し、回答を得ることができます。これにより、技術的な実現可能性や必要なリソースについて、自分で素早く理解することができます。
6.2 プロダクトマネージャーに求められるスキルの変化
AIの台頭により、プロダクトマネージャー（PM）に求められるスキルセットも大きく変化しています。私たちは50人以上の幹部やプロダクトリーダー、ビジネスリーダーに、この新しい世界でPMや非技術系のビジネスプロフェッショナルがどのように尊敬と正当性を獲得し、組織を成長させることができるかについて調査を行いました。
その結果、以下の要素が重要であることが分かりました：
- 技術の深い理解
- プロダクトビジョン
- PRを出す能力（PRはプルリクエストの略で、コードの変更を提案する能力を指します）
- 要件の収集と擁護
興味深いことに、3年前に同様の調査を行った際には、これらの要素の重要性はほぼ均等でした。しかし、今回の調査では「技術の深い理解」が圧倒的に重要になっています。リーダーたちは、技術をより深く理解しているビジネスプロフェッショナルを積極的に探しています。
6.3 技術力向上の3段階：初級、中級、上級
非技術者がAIの技術力を向上させるには、3つの段階があります：初級、中級、上級です。
初級レベル： このウェビナーに参加している方々は、おそらく既に初級レベルは超えているでしょう。初級レベルでは、生成AIに関連する大まかなツール、影響、できることを理解していることが求められます。
中級レベル： 中級レベルは、本当にお金を稼ぎ始めるレベルです。ここでは、プロンプティングに非常に長けていることが求められます。これには4〜6週間ほどかかります。
- 基本レベル：ChatGPTをかなり深いレベルで使用する能力。
- 中級レベル：システムレベルのプロンプティングと複数プロンプトの例の使用。つまり、一貫して価値のある結果を得るためにAIをコーチングする方法を理解すること。
上級レベル： 上級レベルでは、以下のような高度なスキルが求められます：
- マルチチャネルプロンプティングで一貫した結果を達成する能力。
- JSONフォーマットやチェッカーLLMsの使用。
例えば、最初のLLMが正しい結果を出さない場合、別のLLMに特定の条件をチェックさせて応答を確認し、必要であればやり直すといった方法を使います。OpenAIなどからの構造化された出力を理解し、Chain of Thoughtのようなテクニックを使用する能力も含まれます。
6.4 事例研究：地方銀行員からAIイニシアチブリーダーへ
ある地方銀行の支店で働いていた銀行員がいました。彼は、ローン承認のために顧客情報をChatGPT（会社が承認したインスタンス）に入力してみました。ChatGPTは、なぜその人物がローンを承認されるべきかについて素晴らしい回答を提供しました。
この銀行員は、ChatGPTの回答を使ってローン承認の根拠を作成し、顧客にローンを提供しました。この取り組みが非常に有効だったため、会社はこのユースケースを全行員が使用できるように承認しました。
その結果、この銀行員は地方の代表者から、全社的な生成AIイニシアチブのリーダーへと昇進しました。彼のキャリアは、単にプロンプトを調整していただけの地域の代表から、全社的な技術イニシアチブのリーダーへと劇的に変化したのです。
このような成功事例は珍しいものではありません。多くの企業のリーダーたちは、従業員がAIをもっと活用してくれることを望んでいます。そのため、AIスキルを身につけ、積極的に活用する人材は大きな価値を認められる可能性が高いのです。
結論として、AIキャリアにおける成功戦略の核心は、技術力の向上にあります。非技術者であっても、AIの基本的な理解から始めて、徐々にスキルを向上させていくことで、大きなキャリアチャンスをつかむことができます。重要なのは、AIを単なる技術としてではなく、ビジネス価値を創出するツールとして捉え、積極的に活用していく姿勢です。
7. AIプロジェクトの優先順位付けと実装
7.1 内部向けツールvs顧客向け機能
AIプロジェクトを始める際、多くの企業が直面する最初の選択肢は以下の3つです：
- 内部向けツールを構築する
- 顧客向け機能を開発する
- AIチャットボットソフトウェアやその他のソフトウェアを購入して白ラベル化する
多くの企業は内部向けツールの構築を選択しますが、これは誤った approach です。常に顧客向け機能を構築すべきであり、内部ツールの構築はほとんど推奨されません。
私たちが行った分析によると、生成AIプロダクトを実装した企業のうち、ほぼ全て（95%）がチャットボットか内部ツールを選択しています。具体的には、60%がチャットボット、35%が内部ツールです。しかし、内部ツールの有用性を尋ねたところ、75%が「有用でない」、25%が「やや有用」と回答しました。つまり、95%の企業が内部ツールを有用だと感じていないのです。
したがって、内部向けチャットボットや内部ツールを構築している場合は、それを止めるべきです。なぜなら、それはあなたが必要とするスキルを構築するのに役立たないからです。
では、どのようなアプローチを取るべきでしょうか。以下が推奨される方法です：
- 開発する機能をプライベートプレビューの状態に保つ
- チャットボットや自由形式の対話を避ける（不適切な情報や潜在的に非倫理的な内容が入力される可能性があるため）
- 常に製品内機能を開発する
- 定期的にテストを行う
このアプローチを採用することで、優れた顧客向け機能を構築するために必要なケイパビリティを構築することができます。私たちの研究では、顧客向け機能に焦点を当てた企業が最も成功を収めていることが明らかになっています。
7.2 コンテンツ作成vsコンテンツ消費
AIプロジェクトを実装する際、多くの人々が間違えるのがコンテンツ作成とコンテンツ消費の優先順位付けです。一般的に、人々はコンテンツ作成を重視する傾向にありますが、実際にはコンテンツ消費に焦点を当てるべきです。
例えば、多くの人々は「数回のプロンプトでメールやエッセイを書けるプロダクト」が人々に好まれると考えます。しかし、実際に人々が好むのは「ドキュメントやメールを簡単に読み、主要な概念を要約してくれるプロダクト」なのです。
私たちの研究によると、ユーザーは後者のオプション、つまりコンテンツ消費を支援するプロダクトを好む傾向にあります。コンテンツ作成に焦点を当てたプロダクトは推奨されません。
なぜ多くの人々がコンテンツ作成側に傾倒するのでしょうか。それは、生成AIプロダクトの第一波が、ChatGPTとの単純な対話、つまり質問と回答のセットアップだったからです。しかし、ユーザーはこのような対話に飽きてきています。
現在、人々が本当に求めているのは、大量の情報から主要なインサイトを抽出するためのAIです。私たちの研究によると、1から4のスケールで、コンテンツ消費は平均して3.5の有用性があるのに対し、コンテンツ作成は1か2程度の有用性しかありません。つまり、人々はコンテンツ消費のための生成AIを愛し、コンテンツ作成のためのAIを嫌う傾向にあるのです。
具体例を挙げてみましょう：
- 法律文書の作成を支援するのではなく、過去の判例の結果を分析して法的戦略をアドバイスする
- 潜在的なクライアント向けにパーソナライズされた文書や提案書を作成するのではなく、市場動向を活用して営業のピッチを洗練させる
- 製品仕様やプロダクトメールを生成するのではなく、ユーザーフィードバックを集約してプロダクトチームに次に何を構築すべきかを伝える
7.3 チャットボットの限界と製品機能としてのAI統合
チャットボットの構築は避け、代わりに製品にAI機能をネイティブに組み込むべきです。私たちの研究によると、ユーザーはチャットボットの使用を嫌う傾向にあります。
具体的な数字を見てみましょう：
- チャットボットを使用する意欲がある、またはやや意欲があるユーザーはわずか1%です。
- チャットボットを使用した場合、80%のユーザーが「有用でない」と感じています。
一方、製品にAI機能を組み込んだ場合：
- 90%のユーザーがその製品の使用に非常に興奮しています。
- 55%のユーザーがその機能を有用だと感じています。
これは、チャットボットと比較して10倍以上の有用性があることを示しています。
したがって、AIプロジェクトを実装する際は、スタンドアロンのチャットボットを作成するのではなく、既存の製品やサービスにAI機能を統合することを強く推奨します。これにより、ユーザーの受容性が高まり、より大きな価値を提供することができます。
7.4 事例研究：法律文書作成支援vs過去の判例分析による法的戦略アドバイス
具体的な事例を通じて、コンテンツ消費に焦点を当てたAIアプリケーションの価値を見てみましょう。法律分野での2つのアプローチを比較します：
- 法律文書作成支援： このアプローチでは、AIを使用して法的文書の下書きを作成したり、既存の文書をテンプレートに基づいて修正したりします。これはコンテンツ作成に焦点を当てたアプローチです。
- 過去の判例分析による法的戦略アドバイス： このアプローチでは、AIを使用して大量の過去の判例を分析し、現在の事例に関連する洞察を提供します。これはコンテンツ消費に焦点を当てたアプローチです。
私たちの研究によると、2番目のアプローチ、つまり過去の判例分析による法的戦略アドバイスの方が、はるかに高い価値を提供することが分かっています。
このアプローチは、単なる文書作成の自動化ではなく、戦略的な意思決定を支援し、より深い法的洞察を提供します。弁護士は文書作成よりも、戦略的なアドバイスを得るために時間を費やすことを好みます。また、このアプローチは弁護士の分析スキルを補完し、向上させるとともに、クライアントの満足度も高めます。
結論として、AIプロジェクトの優先順位付けと実装において、以下の点を強調したいと思います：
- 顧客向け機能に焦点を当てる
- コンテンツ消費を支援するAIアプリケーションを優先する
- チャットボットではなく、製品機能としてAIを統合する
- 単なる自動化ではなく、戦略的な価値を提供するAIソリューションを開発する
これらの原則に従うことで、AIプロジェクトの成功率を大幅に向上させ、より大きなビジネス価値を創出することができるでしょう。
8. AIビジネスモデルの特殊性
AIビジネスモデルは、従来のソフトウェアビジネスモデルとは大きく異なる特殊性を持っています。ここでは、AIビジネスモデルの特殊性について、特に従来のサブスクリプションモデルとの違いと、使用量に応じたコスト増加という観点から説明します。
8.1 従来のサブスクリプションモデルとの違い
AIビジネスモデルの最も顕著な特徴は、従来のソフトウェアサブスクリプションモデルとは全く異なる構造を持っていることです。多くの人々は、AIビジネスモデルを典型的なサブスクリプションモデルのように考えがちです。つまり、一定のサブスクリプション価格があり、そのソフトウェアは常にその価格内で動作すると考えています。
しかし、生成AIの場合、状況は全く異なります。生成AIの使用量が増えるほど、コストも上昇していきます。これは、多くのSaaSやソフトウェアサービスのビジネスモデルとは大きく異なる点です。
例えば、典型的なSaaSビジネスモデルでは、ユーザーあたり月額8ドルといった料金体系を設定します。この場合、ユーザーがそのソフトウェアをどれだけ頻繁に使用しても、提供する企業側のコストはほとんど変わりません。
しかし、AIビジネスモデル、特に生成AIを活用したサービスの場合は、状況が大きく異なります。AIモデルの使用量が増えるほど、サービス提供者側のコストも増加していくのです。
8.2 使用量に応じたコスト増加
AIビジネスモデルの特殊性をさらに詳しく見ていくと、使用量に応じたコストの増加が特徴的です。生成AIの使用量が増加すると、それに伴って必要な計算リソースも増加します。
このコスト増加は、多くの場合、指数関数的な関係にあります。つまり、使用量が増えれば増えるほど、コストが急激に上昇していくのです。
この現象は、多くのAIスタートアップや既存企業にとって大きな課題となっています。例えば、Perplexityのような企業は、ユーザーに課金してサービスを提供していますが、使用量が増えるにつれて、急速に赤字に陥る可能性があります。なぜなら、ユーザーが支払う料金以上に、AIモデルの運用コストが増加してしまうからです。
このような状況は、従来のSaaSやソフトウェアサービスのビジネスモデルでは見られなかったものです。通常のソフトウェアサービスでは、ユーザー数が増えても、それに比例して大幅にコストが増加することはありませんでした。
AIビジネスモデルのこの特殊性は、サービス提供者に新たな課題を突きつけています。使用量に基づく料金体系を設計する必要がありますが、同時にユーザーにとって魅力的で競争力のある価格設定を維持しなければなりません。
この特殊性は、AIサービスの提供方法にも影響を与えています。例えば、無制限の使用を許可するフリーミアムモデルは、AIサービスでは持続可能でない可能性が高いのです。
結論として、AIビジネスモデルの特殊性、特に使用量に応じたコスト増加は、AIサービスを提供する企業に大きな課題をもたらしています。しかし同時に、この特殊性を理解し、適切に対応することで、持続可能で収益性の高いAIビジネスを構築することが可能です。適切な料金設定、効率的なリソース管理、そして継続的な技術革新が、AIビジネスの成功の鍵となるでしょう。
9. AIプロジェクト実装のベストプラクティス
AIプロジェクトを成功させるためには、適切な実装戦略が不可欠です。ここでは、私たちの研究から得られたAIプロジェクト実装のベストプラクティスについて説明します。
9.1 プライベートプレビューの活用
AIプロジェクトを実装する際の最初のステップとして、プライベートプレビューの活用を強くお勧めします。これは、開発中の機能を限られたユーザーグループに公開し、フィードバックを得る手法です。
プライベートプレビューを活用する主な理由は以下の通りです：
- 不適切な情報や潜在的に非倫理的な内容が入力されるリスクを軽減できます。
- 法的な問題を回避できます。
- ユーザーからのフィードバックを得て、製品を改善する機会を得られます。
9.2 自由形式の対話の回避
AIプロジェクトの実装において、自由形式の対話を避けることは非常に重要です。特に、チャットボットや対話型AIシステムを開発する場合、この点に注意が必要です。
自由形式の対話を避けるべき主な理由は、不適切な情報や潜在的に非倫理的な内容が入力されるリスクを軽減できることです。また、法的な問題を回避することもできます。
9.3 製品機能としての実装
AIを実装する際、独立したツールやチャットボットとしてではなく、既存の製品機能の一部として統合することを強くお勧めします。これは、AIの採用率と有用性を大幅に向上させる方法です。
製品機能としてAIを実装する主な利点は、ユーザーがAI機能を使用する可能性が高くなることです。また、AIの機能がより有用になる可能性も高くなります。
9.4 定期的なテストの重要性
AIプロジェクトの実装において、定期的なテストは非常に重要です。特に、製品内の機能として実装する場合は、定期的にテストを行うことが重要です。
定期的なテストが重要な理由は以下の通りです：
- AIモデルの性能を確認できます。
- ユーザーのフィードバックを得ることができます。
- 製品の改善点を特定できます。
これらのベストプラクティスを適切に実施することで、AIプロジェクトの成功率を大幅に向上させることができます。プライベートプレビューの活用、自由形式の対話の回避、製品機能としての実装、そして定期的なテストの実施。これらはいずれも、AIプロジェクトの品質、信頼性、そしてユーザー受容性を高めるための重要な要素です。
AIの分野は急速に進化しているため、これらのベストプラクティスも常に見直し、更新していく必要があります。しかし、これらの基本原則を守ることで、多くの一般的な落とし穴を避け、より効果的かつ責任あるAIシステムを構築することができるでしょう。
10. 結論
本日のウェビナーでは、AIの現状、将来展望、そしてAIを活用したビジネス戦略について幅広く議論してきました。ここで、主要な学びをまとめたいと思います。
10.1 主要な学びのまとめ
- AIの発展はインターネットの発展と非常に似ています。現在、我々はAI革命の初期段階にいます。
- AIを活用する企業の分類と成功要因について学びました。特に重要なのは、データからディストリビューションへの競争優位性の変化です。
- 非テクノロジー企業のAI活用機会については、CarMaxの事例が示すように、既存のシステムにAIを統合することで大きな価値を生み出せることを学びました。
- スタートアップにとっては、既存の産業にアプローチし、その業界特有のニーズに応えるAIソリューションを提供することが成功への近道となります。
- AIキャリアにおける成功戦略としては、技術力の向上が極めて重要であることを強調しました。
- AIプロジェクトの優先順位付けと実装に関しては、内部向けツールよりも顧客向け機能の開発に注力すべきであること、そしてコンテンツ作成よりもコンテンツ消費を支援するAIアプリケーションの方が価値が高いことを学びました。
- AIビジネスモデルの特殊性については、従来のサブスクリプションモデルとは異なり、使用量に応じてコストが増加することを理解することが重要です。
- AIプロジェクト実装のベストプラクティスとして、プライベートプレビューの活用、自由形式の対話の回避、製品機能としての実装、そして定期的なテストの重要性を学びました。
10.2 AIを活用した成功への道筋
これらの学びを踏まえ、AIを活用して成功するための道筋を以下のように提案します：
- AIの潜在的な影響を認識し、早期に行動を起こす。
- 既存の強みを活かしたAI戦略を立てる。非テクノロジー企業であれば、既存の顧客基盤やデータを活用し、AIを既存のシステムに統合することで価値を創出できます。
- 顧客中心のアプローチを取る。内部向けツールではなく、顧客向けの機能開発に注力してください。
- コンテンツ消費を支援するAIアプリケーションに注力する。
- 継続的な学習と技術力の向上に投資する。特に、プロンプティングスキルの向上は、多くの場面で価値を生み出すでしょう。
- 適切なビジネスモデルを設計する。AIサービスの特殊性を理解し、使用量に応じたコスト増加を考慮したビジネスモデルを設計してください。
- ベストプラクティスを遵守する。プライベートプレビュー、自由形式の対話の回避、製品機能としての実装、定期的なテストなど、AIプロジェクト実装のベストプラクティスを遵守することで、プロジェクトの成功確率を高めることができます。
これらの道筋に従うことで、AIがもたらす機会を最大限に活用し、競争力のある位置を確保することができるでしょう。AIの世界は急速に変化していますが、それは同時に無限の可能性も秘めています。この変革の波に乗り、AIを活用して成功を収める企業や個人が、次の10年間で大きく台頭してくることでしょう。
本日のウェビナーが、皆さまのAIジャーニーの一助となれば幸いです。ありがとうございました。
