2024-08-26 生成AI時代の戦略的機会：市場成功のための実践的アプローチ

※本記事は、スタンフォード大学オンラインで公開されているウェビナー「Identifying AI Opportunities: Strategies for Market Success」の内容を基に作成されています。講演者のAditya Challapally氏は、スタンフォード工学部およびスタンフォード専門能力開発センターの講師であり、機械学習エンジニアおよびプロダクトリードとしてMicrosoftで活躍されています。ウェビナーの詳細情報はスタンフォードオンライン（https://online.stanford.edu/ ）でご覧いただけます。本記事では、300人以上のユーザー調査と50人以上の幹部インタビューに基づく研究結果を含むウェビナーの内容を要約しております。なお、本記事の内容は原著作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。

1. 生成AIの技術的基盤

1.1. 生成AIの定義と種類

まず重要な点として、生成AI（Generative AI）は技術的な用語ではなく、マーケティング用語であることを理解する必要があります。生成AIは実際には、Generative Adversarial Networks（GAN）、Transformer、Variational Auto Encoders（VAE）など、様々な種類のモデルを包括する用語です。

ビジネスプロフェッショナルとして、特に注意すべき点があります。エンジニアリングチームと話をする際、「生成AIエンジニア」という言葉は使わないようにしてください。実際の現場では、誰も自分のことを生成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（ML Engineer）や機械学習専門家と呼ぶのが適切です。マーケティング目的以外で「生成AIビジネスプロフェッショナル」という呼び方も避けるべきです。代わりに、機械学習プロフェッショナルや技術プロフェッショナルという呼び方を使用します。

生成AIのアプリケーションは、主に3つのタイプに分類できます：

1. 協調型：アイデアが増幅され、あらゆる可能性が作業中に探求される形態。ユーザーと並行して作業するアシスタントのような形態です。
2. パーソナライズ型：すべてがユーザーのために作成される形態。市場が個人向けにカスタマイズされていく方向性を示しています。
3. プロアクティブ型：自動的にアクションを起こす形態。

これらの3つの分類が重要な理由は、将来的な展望と関係しています。将来、生成AIは私たちの生活のあらゆる場面に存在することになるでしょう。例えば、TikTokやInstagramで見るクリエイターのコンテンツは、将来的にすべて生成AIによって作成される可能性があります。協調型の場合、チームメンバーの多くが生成AIアシスタントになるかもしれません。プロアクティブ型では、日常的なタスクやチョアが自動的に実行されるようになるでしょう。

これらを支える技術には、テキスト、画像、音声、動画など様々なものがありますが、現在人々が考えている単純なチャットボットや文章作成ツールよりも、はるかに重要な進歩が5-10年先に待っています。生成AIの概念を正しく理解し、適切な用語を使用することは、この技術革新の波に乗るための重要な第一歩となります。

1.2. パラダイムシフト:データとインフラの民主化

生成AI領域で起きている最も重要なパラダイムシフトについて説明します。これまでのAI開発では、独自のモデルを構築するために大量のデータ、インフラストラクチャ、そしてアルゴリズムが必要でした。例えばFacebookやTikTokのような企業は、優れた推薦アルゴリズムを作るために、膨大なデータセンターと多くのデータサイエンティストを必要としていました。

しかし、現在では状況が劇的に変化しています。これらのモデルは、完全な機能を備えた状態でそのまま使用できるようになりました。人々はこの変化の劇的さを十分に理解していないと感じています。OpenAIをはじめとする企業が、高度な生成AIを一般に公開したことは、非常に画期的な出来事です。

これを理解するために、一つの比喩を使って説明させてください。この状況は、Facebookが突然「私たちの推薦アルゴリズムを自由に使ってください。あなたのコンテンツを提供してくれれば、それを最適にランク付けします」と言い出すようなものです。これは驚くべき変化です。

このパラダイムシフトがもたらす最も重要な点は、完全に無料のインテリジェンスが人々に提供されるようになったことです。もしこのセッションから一つだけ持ち帰っていただきたいポイントがあるとすれば、それは「完全に無料のインテリジェンスが人々に提供されている」という事実とその重要性を認識することです。

このパラダイムシフトは、新しい投資機会を生み出しています。従来のように大規模なインフラストラクチャやデータセンターへの投資を必要とせず、より小規模な投資でAIビジネスを展開できるようになりました。この民主化された技術基盤は、スタートアップや既存企業に関係なく、誰もが活用できる機会を提供しています。

従来のAI開発に必要だった巨大な参入障壁が大幅に低下したことで、革新的なアイデアを持つ個人や小規模チームでも、高度なAIアプリケーションを開発することが可能になりました。これは、AI市場における競争のダイナミクスを根本的に変えつつあります。

1.3. 生成AIモデルのアクセス方法

生成AIモデルへのアクセス方法は、主に2つの方法があります。第一の方法は、OpenAIやDeepMindなどのモデルクリエーターが提供するAPIを利用する方法です。これらの企業が提供するAPIを通じて、高度な生成AIモデルに簡単にアクセスすることができます。

第二の方法は、オープンソースモデルをセルフホスティングする方法です。例えばLlama 3などのオープンソースモデルは、非常に高性能で、クローズドソースの商用版に匹敵する性能を持っています。これらのモデルを自社のインフラ上で運用することで、より柔軟なカスタマイズや運用が可能になります。

特筆すべきは、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点です。完全に無料のインテリジェンスを自分でホストできる環境が整っていることは、ビジネスにおいて大きな機会を生み出しています。この状況は、新しい投資機会を多数創出しており、この点については後のセクションで詳しく説明します。

技術的な要件については、APIを利用する場合は比較的シンプルで、基本的なプログラミング知識があれば十分です。一方、セルフホスティングの場合は、インフラストラクチャの管理やモデルの運用に関する知識が必要になりますが、これらの技術的なハードルも、様々なツールやフレームワークの発展により、着実に低下しています。

このように、生成AIモデルへのアクセスは、これまでにないほど容易になっています。この技術の民主化は、新しいビジネスモデルや革新的なアプリケーションの開発を可能にし、市場に大きな変革をもたらしています。

2. 生成AI市場の機会

2.1. 生成AI企業の3つのタイプ分類

生成AIを活用する企業は、主に3つのタイプに分類することができます。これらの分類を理解することは、市場機会を把握する上で非常に重要です。

第一のタイプは「テイカー」です。これらの企業は、既存のモデルを取り入れ、その前にユーザーインターフェースを配置するだけです。このアプローチは、市場参入の最も簡単な方法であり、ビジネスを始めるのに最適な出発点となります。

第二のタイプは「カスタマイザー」です。これらの企業は、既存のモデルを取り込み、自社のデータを追加してモデルをカスタマイズします。長期的に見ると、これが最も収益性の高いポジションになると考えています。

第三のタイプは「モデルクリエイター」です。これらの企業は実際にモデルを開発する企業です。多くの人々は、このカテゴリーで最も多くの収益が上げられると考えていますが、実際にはそうではありません。

ここで重要な点は、多くの人々が誤解している収益性の構造です。一般的な認識では、モデルクリエーターが最も収益を上げられると考えられていますが、実際には異なります。モデルは次第にカスタマイズ化され、モデルクリエーターは競合するモデルとの競争にさらされています。彼らは収益を上げることに苦労しているわけではありませんが、市場が期待するほどの大きな収益を上げているわけではありません。

この民主化により、生成AIモデルはアプリケーション開発者に対して、非常にアクセスしやすい基盤モデルを提供しています。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可能になっています。

このような市場構造の理解は、投資判断や事業戦略の策定において非常に重要です。特に、テイカーとしての市場参入から始め、徐々にカスタマイザーとしての能力を築いていくアプローチは、多くの企業にとって実現可能で効果的な戦略となっています。

2.2. 技術スタックと投資機会の分析

生成AI技術の産業スタックを理解することは、投資機会を分析する上で非常に重要です。このスタックは以下の層で構成されています。

最下層は、コンピュートハードウェア層です。これはNVIDIAのような企業が提供する、AIモデルを動作させるためのチップを指します。次にクラウドプラットフォーム層があり、Google、Amazon（AWS）、Microsoft Azure などが提供するクラウドサービスが該当します。これらの上にモデル層が存在し、それらのクラウドやデータサービスを利用してモデルを構築する層です。最上位にはアプリケーション層があり、モデルをカスタマイズしたり、ユーザーインターフェースを提供したりする層です。

各層の収益性分析を見ていきましょう。コンピュートハードウェアを提供する企業は、非常に強固な防御可能性を持ち、大きな収益を上げることができます。クラウドプラットフォームは、これまでのクラウドビジネスと同様の収益性プロファイルを維持すると予想されます。つまり、かなり高い収益性ですが、ハードウェア層ほどではありません。

最も興味深いのは、私たちの調査が示すモデルアプリケーションユーザー、つまりテイカーやカスタマイザーの層です。これらの企業が実際に最も多くの収益を上げていることが分かってきています。

この収益構造は、多くの市場参加者の予想と異なっています。特に注目すべきは、モデルを作成する企業よりも、それらを活用するアプリケーション層の企業の方が高い収益性を示している点です。これは、技術の民主化により、基盤となるモデルへのアクセスが容易になった結果として解釈できます。

このような技術スタックの理解は、投資判断において重要な指針となります。特に、アプリケーション層での機会は、現在市場で過小評価されている可能性が高く、大きな投資機会を提供していると考えられます。

2.3. 研究結果:分配チャネルが最大の競争優位性

私たちの研究から、生成AI市場における最大の競争優位性（モート）が何であるかについて、興味深い発見がありました。一般的に考えられている「より優れたモデル」「より多くのGPU」「より良いユーザー体験」「より広い配信チャネル」のうち、最も重要なのは配信チャネル（ディストリビューション）であることが明らかになりました。

多くの人々は「データが新しい石油である」と言いますが、これは現在では完全に正しいとは言えません。以前は、独自のAIモデルを構築する必要があった時代には、大量のデータが必要不可欠でしたが、現在ではそうではありません。既存のモデルが非常に優れているため、必ずしもより良いモデルやより多くのデータは必要ありません。

ユーザー体験については、もし2番目に重要な要素を挙げるとすれば間違いなくこれになります。しかし、興味深いことに、私たちの研究では、たとえユーザー体験が多少劣っていても、多くのユーザーにアクセスできる配信チャネルを持っていれば、それで十分であることが分かっています。結果が少しでもユーザーの役に立つのであれば、ユーザーは必ずしも完璧なユーザー体験を求めていません。

この発見は、スタートアップや大企業の戦略に大きな影響を与えています。以前は、最高のモデルを持つこと、最高のデータを持つこと、または素晴らしいユーザー体験を作ることが成功への道でした。しかし現在、ゲームのルールは変わり、いかに素早く多くのユーザーに到達できるか、つまり残りの89億人のユーザーにどれだけ早くリーチできるかが重要になっています。

この変化は、競争優位性の構造を完全に逆転させました。現在、最も強力なモートは配信チャネルであり、最も弱いのはアルゴリズムです。具体的な順序としては、配信チャネル、ユーザー体験、そしてデータという順になっています。

これを具体的な例で説明すると、IBMとJPモーガンを比較した場合、JPモーガンの方が生成AIでの成功の可能性が高いと言えます。IBMは多くの人材、資金、GPUを持っていますが、JPモーガンはエンドユーザーへのより広い配信チャネルを持っており、そこからデータとユーザー体験を組み合わせたフライホイールを構築できる可能性があります。市場の多くはこれを理解していないため、生成AIの発表があるとIBMの株価が上昇しますが、実際にはJPモーガンの株価が上昇すべきなのです。

3. 非技術者のためのキャリア戦略

3.1. ビジネスプロフェッショナルの役割変化

生成AI時代において、非技術系の人材の役割が大きく変化しています。これまで技術者でなければできなかった多くの作業が、今では非技術者でも実行可能になっています。この変化は、ビジネスプロフェッショナルにとって大きな機会を提供しています。

例えば、プロダクトマネージャー（PM）に限らず、あらゆるビジネスプロフェッショナルが、データサイエンティストのような役割を担えるようになってきています。現代のデータサイエンティストや応用科学者は、新しいモデルを作成するのではなく、ChatGPTなどの大規模言語モデルに新しいデータを与え、ファインチューニングを行うことが主な仕事になっています。これは単にExcelファイルをアップロードするような簡単な作業であり、またプロンプトを調整して望む結果を得るための英語力が重要になってきています。これは比較的習得しやすいスキルです。

実際の例を挙げてみましょう。ある銀行員の事例では、顧客のローン承認情報をChatGPT（企業承認済みインスタンス）に入力し、承認の根拠について優れた回答を得ることができました。この銀行員は、その回答を使って顧客へのローン承認を行い、このユースケースは会社全体で承認されることになりました。結果として、その銀行員は地域の代表から全社的な生成AIイニシアチブのリーダーへと昇進することになりました。これは単にプロンプトを試すという小さな取り組みから始まったものです。

また、ビジネスプロフェッショナルの重要な役割の一つとして、技術的な実現可能性の評価があります。従来であれば「これは技術的に実現可能か？」「アプリを作るのにどれくらいの時間がかかるか？」「何人のエンジニアが必要か？」といった質問をする必要がありました。しかし今では、ChatGPTに直接質問することで、これらの答えを自分で得ることができます。

さらに、技術隣接領域で働く人々にとって、ビジネス要件のコミュニケーション方法も大きく変化しています。プロンプトと出力コンテンツの例を示しながら、生成AIがシナリオをどのように制限または拡張できるかについてリーダーシップを発揮できるようになっています。

このように、ビジネスプロフェッショナルは、生成AI時代において、より技術的な役割を担えるようになっており、それによってキャリアの可能性が大きく広がっています。企業のリーダーたちは、従業員がこのような取り組みをもっと行うことを期待しており、小さな努力でも大きく評価される機会が増えています。

3.2. 50名の幹部へのインタビュー結果

私たちは、50名以上の幹部やプロダクトリーダー、ビジネスリーダーに対して、この新しい生成AI時代において、プロダクトマネージャーや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インタビューを実施しました。

調査結果から、4つの重要な要素が浮かび上がってきました：

1. 技術の深い理解
2. プロダクトビジョン
3. PRs（Pull Requests）の貢献、つまりコーディングの能力
4. 要件の収集と防衛能力

特に注目すべき点は、これらの要素の重要度の変化です。3年前から継続的に実施しているこの調査において、今年は「技術の深い理解」が圧倒的に重要視されていることが明らかになりました。以前はそれほど重要視されていなかった技術理解が、現在では最も重要な要素となっています。

私たちのリーダーシップ調査では、ビジネスプロフェッショナルの中でも、技術をより深く理解している人材を積極的に求めていることが分かりました。これは、たとえプロンプトエンジニアリングのような比較的新しいスキルであっても、重要視されているということです。

特筆すべきは、コードの貢献（PRs）に関する評価です。完全なコーディングスキルがなくても、プロンプトを使用した簡単なコード作成でも、技術チームからの信頼を獲得できることが分かっています。これは、従来のプログラミングスキルの概念が変化していることを示しています。

要件の収集と防衛に関しては、生成AIの特性を理解した上で、適切な要件を定義し、それを技術チームと効果的にコミュニケーションできる能力が重要視されています。これは単なる機能要件の定義だけでなく、生成AIの特性や制限を理解した上での要件定義が求められているということです。

この調査結果は、ビジネスプロフェッショナルが技術的な理解を深めることの重要性を強調しています。特に、生成AI時代においては、技術理解がキャリアの成功において決定的な要因となっていることが明確になっています。

3.3. 技術習得の3段階

生成AI技術の習得は、3つの段階に分けることができます。もしこのセッションに参加されている方々は、おそらく既に初級レベルは達成されていると思います。

初級レベルでは、生成AIツールの基本的な理解と、それらが持つ大まかな影響力を把握することが主な目標となります。具体的には、どのようなツールが利用可能で、それらが何をできるのかという概要レベルの理解です。

中級レベルには約4-6週間かかりますが、ここで本当のビジネス価値が生まれ始めます。中級レベルでは、プロンプトエンジニアリングの深い理解が必要です。まず、ChatGPTの基本的な使用方法を深いレベルで理解し、さらにシステムレベルのプロンプトとマルチプロンプトの例を扱えるようになります。これは、一貫した結果を得るために複数の指示を組み合わせる能力を意味します。

上級レベルでは、マルチチャネルプロンプティングで一貫した結果を得ることに焦点を当てます。例えば、ChatGPTが最初に正しい結果を出さない場合、別のLLM（大規模言語モデル）をチェッカーとして使用し、特定の条件をチェックします。具体例を挙げると、「腰痛持ちの人のためのワークアウトプログラム」を依頼した際に、チェッカーLLMを使って「腰痛があると言っているのに、スクワットを推奨していないか」といった確認を行います。

また、上級レベルではJSON形式の構造化された出力の理解や、Chain of Thought（思考の連鎖）といったテクニックも習得します。これは、LLMに推論過程を説明させる方法です。これらの高度なスキルは、多くの企業が収益を上げている主要な要因となっており、特にラッパー型のアプリケーションで重要です。

このレベルに到達すると、企業がどのように大きな収益を上げているのかを理解し、そのような世界にアクセスできるようになります。実際、このようなスキルを身につけた人々が、年収50万ドル以上を稼ぐようになった例も見てきました。これは、技術的な理解と実践的なスキルの組み合わせが、現代のビジネス環境でいかに価値があるかを示しています。

4. 生成AIのビジネスモデル

4.1. 従来のSaaSとの違い

生成AIのビジネスモデルは、従来のソフトウェアやサービスのモデルとは大きく異なります。この違いを理解することは、生成AI製品を開発・展開する上で非常に重要です。

最も重要な違いは、従来型の定額制サブスクリプションモデルが生成AI製品には適していないという点です。一般的なソフトウェアでは、ユーザーあたり月額8ドルといった固定料金を設定し、その範囲内でサービスを提供することができました。このような価格設定では、通常、ユーザーが新しい製品を使用するたびにコストが発生することはありませんでした。

しかし、生成AIの場合、使用量に応じてコストが発生します。さらに重要なのは、このコストが使用量に応じて直線的ではなく、指数関数的に増加する傾向があることです。このため、従来型のSaaSビジネスモデルでは収益性を維持することが困難になっています。

たとえば、ユーザーあたり月額の固定料金を設定した場合、ヘビーユーザーのコストが収益を大きく上回ってしまう可能性があります。これは、生成AIモデルの使用量が増えるにつれて、計算コストやAPI利用コストが急激に上昇するためです。

この課題に対応するためには、使用量ベースの課金モデルの採用が不可欠です。しかし、単純な従量制だけでなく、基本使用量の設定や使用量に応じた段階的な価格設定など、より洗練されたビジネスモデルの開発が必要とされています。

この新しいビジネスモデルへの移行は、多くの企業にとって大きな課題となっていますが、同時に新しい収益機会も生み出しています。特に、使用パターンの分析や最適化、コスト管理の仕組みづくりなど、新たなビジネス領域が生まれています。

4.2. コスト構造の特徴

生成AIのビジネスにおいて、最も重要な特徴の一つはコスト構造です。従来のSaaSビジネスとは異なり、生成AIの利用コストは使用量に応じて指数関数的に増加していきます。この特徴は、ビジネスモデルの設計に大きな影響を与えています。

典型的なソフトウェアやサービスのビジネスモデルでは、ユーザー数に応じて定額のサブスクリプション料金を設定することで収益を上げることができました。しかし、生成AIの場合、ユーザーの利用が増えるにつれてコストが指数関数的に上昇するため、この従来型のモデルは機能しません。

この課題を具体的に示す例として、Perplexityの事例が挙げられます。Perplexityは、プレミアムプランでユーザーに課金していますが、ユーザーの使用量が増加すると、すぐにコストの損益分岐点を超えてしまう状況に直面しています。ユーザーがサービスを使用すればするほど、会社の損失が増大するという paradoxical な状況が生まれているのです。

このようなコスト構造は、多くのSaaSやソフトウェアサービスのビジネスモデルを機能させない原因となっています。ユーザーあたりの定額料金制では、高頻度利用者のコストを吸収できず、結果として収益性が著しく低下してしまいます。

このため、生成AI製品を提供する企業は、使用量に基づく段階的な料金体系や、使用制限の設定など、より洗練されたコスト管理戦略を導入する必要があります。また、利用パターンの分析や最適化、効率的なリソース配分など、コスト管理に関する新しいアプローチの開発も重要になっています。

5. 生成AI実装の優先順位付け

5.1. 研究結果:内部向けツールvsユーザー向け機能

生成AIの実装において、企業が直面する最も一般的な選択肢は以下の3つです：

1. 社内向けツールの構築（内部の専門知識とケイパビリティを構築しながら、効率性を向上させる）
2. ユーザー向け機能の開発
3. 生成AIチャットボットソフトウェアの購入やホワイトラベル化

私たちの分析によると、ほとんどの企業は内部向けツールを構築する選択をしていますが、これは間違った選択であることが明らかになっています。実際のデータを見ると、生成AIを実装した製品のうち、約95%がチャットボット（60%）または内部ツール（35%）のいずれかに該当します。

さらに懸念すべきは、内部ツールの効果に関する調査結果です。内部ツールを導入した企業の75%が「役に立たない」と回答し、残りの25%も「やや役立つ」程度と評価しています。つまり、内部向けツールの95%が期待された効果を得られていないのです。

この問題を解決するために、私たちは以下のアプローチを推奨しています：

1. 機能をプライベートプレビューの状態に保つ
2. チャットボットや自由形式の対話を避ける（不適切な情報や倫理的な問題を引き起こす可能性があるため）
3. 製品内の機能として実装する
4. 定期的なテストを実施する

これらの方針に従うことで、必要な能力を構築しながら、優れたユーザー向け機能を開発することができます。私たちの研究からは、ユーザー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。

重要なのは、内部ツールの構築に時間を費やすのではなく、直接ユーザーに価値を提供する機能の開発に注力することです。内部ツールは組織の学習には役立つかもしれませんが、実際のビジネス価値の創出という観点では、ユーザー向け機能の方がはるかに効果的です。

プライベートプレビューの段階を設けることで、リスクを最小限に抑えながら、実際のユーザーからのフィードバックを得ることができます。これは、製品の改善サイクルを確立する上で非常に重要です。

5.2. 研究結果:コンテンツ作成vsコンテンツ消費

生成AI製品を開発する際、多くの人々が誤って判断する重要な選択があります。それは、コンテンツ作成機能とコンテンツ消費機能のどちらに注力するかという選択です。

私たちの研究では、ユーザーはコンテンツ作成機能よりもコンテンツ消費機能を圧倒的に好むことが明らかになっています。具体的には、1から4までのスケールで評価した場合、コンテンツ消費機能は平均3.5という高い満足度を示しているのに対し、コンテンツ作成機能は1から2という低い満足度にとどまっています。

例えば、「数回のプロンプトで簡単にメールや文章を作成できる製品」と「文書やメールを簡単に読んで重要なポイントを理解できる製品」を比較した場合、ユーザーは後者を明らかに好んでいます。これは、最初の生成AI製品の波が、ChatGPTとの素朴な対話形式の質問応答だったことから生まれた誤解を修正する必要性を示しています。

具体的な成功事例を見てみましょう：

• 法律分野では、法的文書を作成する機能よりも、過去の判例結果を分析して法的戦略のアドバイスを提供する機能の方が高い評価を得ています。
• 営業分野では、提案書を作成する機能よりも、市場トレンドを分析して営業戦略を洗練させる機能の方が効果的です。
• 製品開発では、製品仕様書の作成支援よりも、ユーザーフィードバックを集約して次の製品開発方針を提案する機能の方が重宝されています。

ユーザーのニーズは、単なる文書作成の効率化から、より深い洞察や理解を得ることへと変化しています。つまり、生成AIに求められているのは、大量の情報を消化し、重要なポイントを抽出して、意思決定をサポートする能力なのです。

こうした調査結果は、開発の優先順位付けに大きな影響を与えるべきです。新しい生成AI製品を開発する際は、コンテンツ消費機能、特に情報の理解と分析に重点を置くべきでしょう。

5.3. チャットボット実装の課題

チャットボットに関する研究結果は、かなり衝撃的なものでした。私たちの調査では、ユーザーの99%がチャットボットの使用に消極的か、まったく使用する意思がないことが判明しました。さらに、チャットボットを使用している場合でも、80%のユーザーが「役に立たない」と評価しています。

これに対して、製品に直接組み込まれた生成AI機能は、90%のユーザーが使用に前向きで、55%が「有用」と評価しています。この違いは約10倍もの開きがあり、実装方法の選択が非常に重要であることを示しています。

チャットボットの主な課題は、自由形式の対話を許可することによる不適切な入力のリスクです。ユーザーが意図的であれ偶然であれ、不適切な情報や倫理的に問題のある内容を入力する可能性があり、これは法的問題やブランドリスクにつながる可能性があります。

このような課題に対する代替アプローチとして、以下のような実装方法を推奨しています：

1. チャットボットではなく、製品の機能として生成AIを直接統合する
2. 自由形式の対話を避け、特定の機能に特化した実装を行う
3. プライベートプレビューで機能をテストし、段階的に展開する
4. 定期的なテストとモニタリングを実施する

実際の例として、カスタマーサービス用のチャットボットを作成するのではなく、カスタマーサービスの通話を分析して改善点を提案する機能を実装する方が効果的です。あるいは、営業チャットボットを作るのではなく、営業通話から重要なインサイトを抽出する機能を提供する方が有用です。

この研究結果は、生成AI実装の方向性を大きく変える可能性があります。ほとんどの企業がチャットボットの実装を検討していますが、それは誤った方向性である可能性が高いのです。代わりに、既存の製品やワークフローに生成AI機能を直接組み込むアプローチを検討すべきでしょう。

6. 実践的な導入戦略

6.1. プライベートプレビューの重要性

生成AI機能を実装する際は、プライベートプレビューの段階を設けることが極めて重要です。これは単なる慎重さからではなく、実践的な戦略として重要な意味を持っています。

リスク管理アプローチとしては、プライベートプレビューを通じて、不適切な情報や倫理的な問題が発生するリスクを事前に特定し、管理することができます。生成AIの特性上、予期しない出力や不適切な入力のリスクは常に存在します。そのため、限定された環境で十分なテストを行い、潜在的な問題を特定することが重要です。また、問題が発生した場合の影響を最小限に抑えることができ、レピュテーションリスクの管理も容易になります。

フィードバック収集においては、機能の有用性に加えて、以下の点に特に注意を払う必要があります。ユーザーの実際の使用パターン、予期しない入力や使用方法、パフォーマンスの問題、そしてセキュリティやプライバシーに関する懸念です。特に重要なのは、限定されたユーザー群からの詳細なフィードバックを得ることで、より深い洞察を得ることができる点です。

段階的な展開計画では、まず限定的な機能セットから開始し、小規模なユーザーグループでのテストを行います。このアプローチにより、フィードバックに基づく改善を迅速に行うことができ、段階的にユーザー数を拡大していくことが可能になります。私たちの研究では、この段階的なアプローチを取った企業の方が、直接一般公開した企業と比べて、はるかに成功的な導入を実現できています。

プライバシーとセキュリティの考慮は特に重要です。生成AI機能は従来のソフトウェア機能と比べて、より多くのデータアクセスと処理を必要とします。プライベートプレビュー期間中に、データの取り扱いに関する明確なガイドラインを確立し、適切なセキュリティ対策を実装することが必要です。また、ユーザーのプライバシー保護に関する懸念にも適切に対応する必要があります。

実際の導入例として、CarMaxのケースでは、車のレビュー要約機能を最初は限られたユーザーグループに提供し、そこでの成功を確認してから段階的に展開を拡大しました。この慎重なアプローチにより、機能の有用性を確実に検証し、必要な改善を加えることができました。

プライベートプレビュー期間中は、チャットボットや自由形式の対話を避け、製品内の特定の機能に焦点を当てた実装を行うことが推奨されます。これにより、リスクを最小限に抑えながら、実際のユーザーからの有用なフィードバックを得ることができます。

私たちの調査では、プライベートプレビューを設けた企業は、初期の問題を早期に発見し修正できるだけでなく、ユーザーの期待値を適切に管理することができています。これは長期的な成功につながる重要な要素となっています。定期的なテストと改善のサイクルを確立することで、より安全で効果的な展開が可能となり、最終的には製品の成功につながっています。

6.2. ユーザー体験の継続的なテスト

生成AI機能の実装において、継続的なユーザーテストは成功の鍵となります。私たちの研究から、効果的なテスト方法論には以下の要素が不可欠であることが分かっています。

テスト方法論はプライベートプレビューの段階から始める必要があります。単なる機能テストではなく、実際のユーザーシナリオに基づいたテストを実施することが重要です。例えば、機能をプライベートプレビューの状態に保ち、チャットボットや自由形式の対話を避け、製品内の特定機能として実装することで、より正確なフィードバックを得ることができます。テストは定期的に実施し、ユーザーの実際の利用パターンや問題点を継続的に把握する必要があります。

フィードバックの収集と分析においては、私たちの研究では定量的なデータと定性的なデータの両方を収集することの重要性が明らかになっています。具体的には、ユーザーの実際の使用パターン、機能の有用性評価（1-4のスケール）、予期しない使用方法や問題点、そして改善要望や新機能の提案などを体系的に収集します。これらのデータは、製品開発チームが具体的なアクションを取れるように整理・分析する必要があります。

特に重要なのは、ユーザーがどのように機能を使用しているかを詳細に観察することです。例えば、生成AI機能がユーザーの既存のワークフローにどのように組み込まれているか、どの時点で困難を感じているか、どのような場面で最も価値を感じているかなどを把握することが重要です。これらの洞察は、機能の改善だけでなく、新たな機会の発見にもつながります。

改善サイクルの確立については、収集したフィードバックを迅速に分析し、製品開発にフィードバックする仕組みが必要不可欠です。生成AI製品の場合、従来の製品と比べてユーザーの期待値や要求が急速に変化する傾向があるため、より短いサイクルでの改善が求められます。具体的には、2週間から1ヶ月程度の短いサイクルで改善を繰り返すことが推奨されます。

成功指標の設定においては、単なる利用数や満足度だけでなく、実際のビジネス価値との関連付けが重要です。内部ツールの場合は業務効率の向上、外部向け機能の場合はユーザーエンゲージメントの向上など、具体的な価値指標を設定する必要があります。例えば、CarMaxの例では、車のレビュー要約機能の導入により、ユーザーの意思決定時間が短縮され、購買検討プロセスが改善されたことが具体的な成功指標となりました。

これらのテストと改善のプロセスは、製品の改善だけでなく、組織の学習にも貢献します。ユーザーの実際の使用パターンから、当初想定していなかった有用な使用方法が発見されることも少なくありません。そのため、テストプロセスは単なる品質管理ではなく、製品イノベーションの源泉として位置づけることが重要です。

フィードバックの分析結果は、開発チームだけでなく、経営陣や他の関係者とも共有し、組織全体での学習を促進することが推奨されます。これにより、生成AI機能の価値や可能性についての理解が深まり、より戦略的な製品開発が可能になります。

6.3. 製品への機能統合のベストプラクティス

生成AI機能を既存の製品に統合する際は、シームレスな統合が非常に重要です。私たちの研究から、最も成功している実装では、ユーザーが生成AI機能を使用していることを意識せずに、自然な形で機能を利用できるようになっています。

シームレスな実装とUI設計においては、既存のワークフローに自然に機能を組み込むことが重要です。ユーザーが新たな操作方法を学ぶ必要がないよう、直感的なインターフェースを設計する必要があります。また、機能はプライベートプレビューの状態から開始し、段階的に展開することで、リスクを最小限に抑えることができます。特に重要なのは、汎用的なAI機能ではなく、特定の目的に特化した実装を行うことです。チャットボットのような自由形式の対話は避け、明確な目的を持った機能として実装することで、ユーザーの混乱を防ぎ、期待値を適切に管理することができます。

信頼性とスケーラビリティの確保も重要な要素です。モデルが適切な結果を生成できない場合に備えて、代替手段を用意しておく必要があります。不適切な入力に対しては適切なエラーメッセージを表示し、従来の機能でのフォールバックメカニズムも実装しておくべきです。また、予期しないエラーに対しては、適切なログ収集と分析の仕組みを構築し、継続的な改善に活かすことが重要です。使用量の増加に備えたインフラストラクチャの設計や、コストの管理・最適化の仕組みも、長期的な成功には不可欠です。

CarMaxの事例は、このアプローチの効果を示す好例です。彼らは車のレビューを要約する単純な機能を実装しましたが、これは最も成功した生成AI機能の一つとなっています。複雑な機能や高度な対話型インターフェースよりも、明確な目的を持った単機能の統合の方が、ユーザーの受け入れやすさと実用性の両面で優れた結果を示しています。

このようなベストプラクティスは、300人以上のユーザー調査と50人以上の幹部インタビューから得られた知見に基づいています。シームレスな統合と適切なエラー処理の組み合わせが、ユーザーの信頼獲得と長期的な成功につながることが明らかになっています。特に重要なのは、機能の段階的な展開とモニタリングを通じて、継続的な改善サイクルを確立することです。これにより、ユーザーニーズの変化や技術の進化に柔軟に対応することができます。

Stanford Webinar - Identifying AI Opportunities: Strategies for Market Success

Crafting an AI product strategy? Don’t waste time chasing the latest hype. Aditya Challapally (Stanford Online instructor, machine learning expert, and product manager) debunks myths and shares what truly works with Generative AI, backed by insights from over 300 users and 50+ executives. In this practical, data-driven webinar, you will: - Uncover the truth behind common AI misconceptions - Learn how industry leaders are setting the standard for AI innovation - Explore the most promising AI opportunities on the horizon Want more? Check out Aditya's online course: https://online.stanford.edu/courses/xapro210-mastering-generative-ai-product-innovation?utm_source=youtube&medium=social&utm_content=webinar #genai #aiopportunities

youtu.be