※本記事は、カリフォルニア大学アーバイン校 ポール・ミラージュ・ビジネススクールのデジタルトランスフォーメーションセンター（CDT）所長であるVijay Gurbaxani教授による基調講演「AIのスピードでビジネスを再構築する」の内容を基に作成されています。 この講演は、Digital Leadership Agenda 2025の一環として行われたものです。講演の詳細情報はCDTのウェブサイト（www.centerfordigitaltransformation.org ）でご覧いただけます。 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、オリジナルの講演をご視聴いただくことをお勧めいたします。 講演者のVijay Gurbaxani教授は、ビジネスとテクノロジーの交差点における戦略的課題に取り組む第一人者であり、CDTは卓越した研究センターとして、AI時代におけるビジネス変革の最前線で活動しています。 最新の情報については、CDTのLinkedInアカウント（/ucicdt）やVijay Gurbaxani教授のソーシャルメディアアカウント（/vijaygurbaxani）もご参照ください。

1. AIの現状と企業の課題

1.1. Microsoftの大規模投資事例

AIの津波が押し寄せており、私たちはそれに対して準備ができていません。多くの経営者との対話を通じて、全員がAIは変革的な技術だと認識していることがわかりました。しかし、ほとんどの企業はAIを漸進的な技術として扱っているのが現状です。

このような状況の中で、特筆すべき事例がMicrosoftの取り組みです。ソフトウェア企業が原子力発電所の再開を委託し、20年間の電力購入契約を結ぶというのは前例のないことでした。Microsoftは、長年停止していたThree Mile Island原子力発電所をConstellation Energyと契約して再開することを決定しました。この発電所は70万世帯分の電力を供給可能で、私の試算では年間約10億ドルの電力費用、プラント再開に15億ドル、そして稼働までに4〜5年を要する大規模投資となります。

さらに注目すべきは、Microsoftが2050年を見据えてこの投資を行っているという点です。同時期に、OpenAIのSam Altmanは世界中を飛び回ってデータセンターやチップ工場建設のために数兆ドル規模の資金調達を試みています。

これらの動きから私たちは問わねばなりません - 彼らは将来に何を見据えているのか、そしてそれは私たち全員にとって何を意味するのか。このような前例のない規模の投資は、AIが単なる漸進的な技術ではなく、根本的な変革をもたらす技術であることを示唆しています。彼らの行動は、今後のAIインフラ需要の急激な拡大を見据えた戦略的な動きと解釈できます。

これは経営者に対して重要な問いを投げかけます。今日のAI技術の進歩のスピードを考えると、私たちは今後到来する変化に対して十分な準備ができているでしょうか？Microsoft等の大手テクノロジー企業の大規模投資は、AIがもたらす変革の規模と緊急性を如実に示しているのです。

1.2. 現代企業のAI導入状況

現在の企業のAI導入状況について、深刻な課題が明らかになっています。Census Bureauが実施している隔週の企業調査によると、AIを実際に活用している企業はわずか5.4%に留まっています。この数字は、私たちが想定する以上に低い水準です。

この調査結果は、多くの企業が大手テック企業のAIへの巨額投資とは対照的に、実際の導入においては極めて慎重な姿勢を示していることを表しています。私は、皆様の企業がこの5.4%に含まれていることを願っています。もし含まれていないのであれば、それは深刻な問題です。Census Bureauの調査リストに載せていただきたいと思います。

このような低い導入率は、企業がAIを変革的な技術として認識しながらも、実際の行動においては漸進的な技術として扱っているという現実を反映しています。AIが加速度的に進化している現在、この導入の遅れは企業の競争力に重大な影響を及ぼす可能性があります。

このデータが示唆するのは、多くの企業がAIの持つ潜在的な可能性を十分に活用できていないという現実です。特に従来型の企業において、この傾向が顕著に表れています。これは早急に対処すべき経営課題であり、AIの導入を戦略的に進めていく必要性を強く示唆しています。

1.3. 産業別の導入格差

Census Bureauのデータを詳しく分析すると、産業間で顕著な導入格差が存在することが明らかになっています。特にソフトウェア企業を含むテクノロジーセクターは、他の産業と比較して著しく高い導入率を示しています。

この格差で特に懸念されるのは、私たちの多くが属する従来型の企業におけるAI導入の遅れです。これらの企業は、まさに破壊的イノベーションの対象となる可能性が高いのです。なぜなら、より若い技術企業が伝統的な産業に参入してくることで、市場の構造が根本的に変わる可能性があるからです。

この状況は、テクノロジー企業と従来型企業の間で二極化が進んでいることを示しています。若いテクノロジー企業はAIを活用して伝統的な産業に参入し、革新的なビジネスモデルで市場を席巻しようとしています。一方、従来型企業の多くは、AIを漸進的な技術として扱い、その導入に慎重な姿勢を示しています。

この産業間格差は、今後20年の間に、私たちが聞いたことのない企業が新たに時価総額1兆ドル企業として台頭し、一方で現在のフォーチュン500企業の一部が消滅するという予測にもつながっています。皆様の企業が次の1兆ドル企業になることを願っていますが、そのためには今すぐに行動を起こす必要があります。AIの導入を遅らせることは、競争力の低下に直結する深刻なリスクとなっているのです。

2. AIイノベーションの最新事例

2.1. KoBold Metalsの革新的な鉱物探査

現在のAIの可能性を示す印象的な事例として、カリフォルニア州バークレーに本社を置くKoBold Metalsの事例を紹介したいと思います。この会社は設立からわずか5年、従業員数200人未満の新興企業ですが、鉱業界初のユニコーン企業となりました。彼らは鉱業界に革新をもたらしており、数ヶ月前にザンビアで過去10年間で最大の銅鉱脈の発見を発表しました。この鉱脈は地下1マイルという深さに位置しています。

この発見の重要性を理解するために、鉱業界の現状について説明する必要があります。今日、これらの金属を発見するために必要な設備投資は、30年前と比較して10倍に増加しています。これは、地表近くの鉱脈がすでに発見されており、より深い場所を探査する必要があるためです。

では、なぜ小規模なスタートアップが、10年来最大の銅鉱脈を発見できたのでしょうか？彼らはAIを活用し、100年前の採掘報告書、レーダー画像、そしてミュー粒子と呼ばれる素粒子の観測データを組み合わせ、非常に小さな穴を掘って地中のデータを収集しました。彼らは金属発見において、再現可能な科学的手法を確立しているのです。

KoBold Metalsの特筆すべき点は、その従業員構成にあります。彼らは地球科学者が3分の1、AI専門家が3分の1、ソフトウェアエンジニアが3分の1という構成で運営されています。この企業は探査技術の最前線で活動しており、これこそが未来の企業の在り方を示しています。これは、私が「AIのスピードでビジネスを再構築する」と呼ぶものの典型的な例なのです。

2.2. DeepMindのタンパク質構造解析

2年前の講演で、私はDeepMindのAlphaFoldシステムについて言及しました。このシステムは、生物学における重大な課題、いわゆるタンパク質折りたたみ問題に挑戦したものです。この問題は、タンパク質のアミノ酸配列からその3次元構造を予測するというもので、世界最高の科学者たちが50年間取り組んできた課題でした。

DeepMindは生物学のグランドチャレンジに初めて挑戦した際、わずかな差で勝利を収めました。その2年後には、圧倒的な差をつけて優勝し、特定のタンパク質クラスについては、この問題は本質的に解決されたと宣言されました。その1年後、彼らは科学界で知られている2億のタンパク質全ての構造を予測し、そのデータベースを公開するという驚異的な成果を上げました。

その後、DeepMindは2年間沈黙していました。私は彼らが何をしているのか考え始めていましたが、もちろん何もしていないはずはありませんでした。先月、彼らは新システムAlphaProteoを発表しました。彼らは自身のタンパク質データベースを分析し、2億のタンパク質構造の予測方法から得られた知見を活用して、タンパク質構造についての理解を深めていったのです。

AlphaProteoの革新的な点は、体内の特定の分子をターゲットとする新規のタンパク質を設計できることです。これは創薬分野において極めて重要な進展です。現在、彼らはがんや糖尿病の原因となる分子をターゲットとしたタンパク質の設計に取り組んでいます。タンパク質構造の理解は一つの成果ですが、新規タンパク質の設計は創薬における全く新しい地平を切り開くものです。DeepMindはこの分野に革命を起こしつつあり、これによって創薬のスピードは劇的に加速することが期待されます。

2.3. AmazonのAI活用

ソフトウェア開発について話をしたいと思います。実はこの例を紹介することに少し躊躇がありました。なぜなら、これは皆様の世界であり、皆様の方がこの分野については詳しいからです。しかし、ソフトウェア開発はジェネレーティブAIの最も優れたユースケースの一つとして広く認識されています。

Amazonは典型的なシリコンバレー企業として、自社開発したAmazon Q developerを活用して、ソフトウェア開発ライフサイクル全体をサポートしています。Andy Jassy CEOが発表した結果は驚異的なものでした。わずか6ヶ月で、彼らはJavaプロダクションシステムの50%をアップグレードすることに成功しました。

この成果の規模を理解するために重要な点は、このコードベースのメンテナンスには1,000人の開発者が従事していたということです。6ヶ月間で4,500開発者年の工数を節約したことになります。さらに、このソフトウェアはより効率的で安全になり、2.6億ドルのコスト削減も実現しました。

しかし、私が強調したいのは、これがストーリーの本質ではないということです。効率化とコスト削減は重要ですが、真の焦点は別のところにあります。最も重要な点は、この取り組みによって解放された人材をどのように活用するかということです。既存システムのメンテナンスではなく、競争優位性をもたらす独自のソフトウェア開発に、これらの人材をどのように活用していくのか。それこそが、より成功した企業となるための鍵となるのです。

3. AI市場の現状分析

3.1. 大手テック企業の投資競争

現在、大手テクノロジー企業は1兆ドル規模のAI開発競争に突入しています。この状況について冷静に分析する必要があります。

この競争の規模を示す象徴的な出来事として、OpenAIの企業価値評価が昨日1,570億ドルに達したことが挙げられます。この評価額は、企業の将来性に対する市場の期待の大きさを如実に示しています。大手テック企業は、AIインフラへの大規模な設備投資を行っており、その企業価値評価もそれに応じて上昇しています。

しかし、ここで興味深いのは、企業のAI導入における二極化現象です。一方では大手テック企業が巨額の投資を行い、急速に開発を進めているのに対し、一般企業のAI導入率は依然として低い水準にとどまっています。

Census Bureauの調査でも明らかになっているように、実際にAIを活用している企業の割合はわずか5.4%です。この数字が示すように、AIへの投資と実際の導入には大きな乖離があります。これは特に従来型の企業において顕著で、テクノロジー企業と比べて導入が遅れています。この格差は、将来の市場競争力に重大な影響を及ぼす可能性があります。

このような大規模投資競争は、AIが単なる補助的技術ではなく、企業の競争力を決定づける核心的な技術として認識されていることを示しています。しかし、投資の規模と実際の導入状況の差は、私たちに重要な警鐘を鳴らしているのです。

3.2. 市場価値予測の変動

昨年、私たちはMcKinseyによる生成AIの経済的インパクト予測について議論していました。彼らは生成AIが4.4兆ドルの影響を及ぼすと予測しており、この数字が大きな注目を集めました。しかし、興味深いことに、彼らは同時に従来型AIについても11兆から18兆ドルの経済的インパクトを予測していたのです。

私が特に注目したいのは、なぜ4.4兆ドルの予測が大きな見出しとなり、11兆から18兆ドルという予測が注目を集めなかったのかという点です。これは理にかなっているでしょうか？この現象は、新しい技術への過度な注目、いわゆる「光る新しいおもちゃ」症候群を示しているのではないでしょうか。

今年に入り、私たちは新たな議論に直面しています。Goldman Sachsが著名な経済学者らの意見を引用しながら、これらの予測は楽観的すぎるのではないかという報告書を発表しました。彼らは、予測されているほどの便益が実現するとは考えにくいと指摘しています。

これは重要な指摘ですが、同時に、私たちはこのような状況を過去の基盤技術の導入過程でも経験してきました。馬車から鉄道へ、蒸気から電気へと移行する際にも、同様のパターンが見られました。新しい基盤技術からの便益を得るまでには常に時間がかかるものです。なぜなら、技術を効果的に活用するためには、多くの補完的な要素が必要となるからです。

予測の変動はありますが、最も重要なのは、これらの予測値の絶対的な大きさではなく、AIが経済と社会に対して重大な変革をもたらすという点です。その変革の具体的な規模や時期については議論の余地がありますが、変革そのものが起こることは間違いありません。

3.3. 投資対収益の課題

Sequoia Capitalが実施した分析について、私たちは注目すべき結果を目にしています。彼らは、企業がAIに投資する1兆ドルに対して、この技術を提供する企業の収益が600億ドル不足するという試算を発表しました。これは、AIへの投資を行う企業にとって深刻な課題を示唆しています。

この投資と収益のギャップについて、私は特に懸念すべき点があると考えています。これほどの巨額の投資に対して、もし収益が予測通りに実現しなければ、この技術を提供する企業にとって大きな問題となります。しかし、ここで興味深いのは、こうした状況は新しい基盤技術の導入時には常に見られる現象だということです。

馬車から鉄道へ、蒸気から電気への移行期においても、同様のパターンが観察されています。新しい基盤技術から利益を得るまでには、相当の時間を要するのが一般的です。多くの補完的な要素を整備し、技術を実際に活用可能な形にしていく必要があるからです。

この状況において注目すべき点が二つあります。一つは、供給側の企業の中には、ポジションを確保するための競争が激しすぎて倒産する企業が出てくるであろうということです。もう一つは、技術の導入に出遅れた企業も同様に淘汰される可能性が高いということです。

今後20年の間に、私たちが聞いたことのない企業が新たに時価総額1兆ドル企業として台頭し、一方で現在のフォーチュン500企業の一部が消滅するという予測があります。この予測は、投資対効果の時間軸の問題を超えて 、AIがもたらす市場の根本的な変革を示唆しているのです。収益化までの時間はかかるかもしれませんが、いずれ収益は実現すると私は確信しています。ただし、その過程で、予想以上に時間がかかる可能性があることを認識しておく必要があります。

4. 汎用技術としてのAI

4.1. AIの3つの特性

AIは、蒸気機関、電気、インターネットと同様に「汎用技術」として位置づけられます。経済学的な用語としての汎用技術は、3つの重要な特性を持っています。

第一の特性は、広範な使用例の存在です。AIには明らかに数多くの用途があり、あらゆる分野での活用が可能です。私たちが想像できる多くの領域でAIの活用可能性が見出されています。

第二の特性は、技術の急速な改善です。AIは非常に速いペースで進化しており、この点についても疑問の余地はありません。性能は日々向上し、新しい可能性が次々と開かれています。

第三の特性は、専門的な用語で「イノベーショナル・コンプリメンタリティ」と呼ばれるものです。この用語自体は30秒後に忘れていただいて構いませんが、その意味する内容は極めて重要です。この特性は二つの要素から成り立っています。

一つ目は、これらの技術は単独では機能せず、多くの周辺技術やインフラストラクチャーを必要とするという点です。二つ目は、私たちがこの技術を自分たちのものにしていく必要があるという点です。つまり、業界や企業に合わせて技術を適応させ、プロセスを再発明し、仕事を創出し、人材をアップスキルし、タスクを再定義する必要があるのです。

これらの特性は、AIが単なるツールではなく、企業と社会全体を変革する基盤技術であることを示しています。そのため、AIの導入と活用には包括的なアプローチが必要となり、技術だけでなく、組織の変革も同時に進めていく必要があるのです。

4.2. Mercedes-Benzの事例

Mercedes-Benzは、AIを既存のテクノロジーと効果的に統合した優れた事例を示しています。彼らは、生成AI、特にChatGPTを、すでに保有していた「Mercedes-Benz User Experience」というソフトウェアシステムに組み込みました。

この事例が重要なのは、単にAIを導入しただけではないという点です。Mercedes-Benzは、すでに存在していた技術インフラストラクチャーにジェネレーティブAIソリューションを統合することで、より優れた成果を生み出しました。その結果、現在のMercedesの顧客体験は他の追随を許さないレベルに達しています。

これは汎用技術を自社のものとして適応させ、既存の技術インフラストラクチャーに組み込んだ好例です。企業がAIを効果的に活用するためには、このように自社の特性や既存システムを活かしながら、AIを組み込んでいく必要があります。Mercedes-Benzの事例は、AIが単独で価値を生むのではなく、既存のシステムやプロセスと統合されることで、より大きな価値を生み出すことを示しているのです。

4.3. AI基盤インフラ

広範なAIシステムを支えるインフラストラクチャーの構築が急速に進んでいます。このスタック構造を見てみると、半導体から産業用サプライヤー層、そしてデータセンターに至るまで、多岐にわたる開発が進められています。

特に注目すべきは、産業用サプライヤー層が非常に活発に発展していることです。私たちがかつてゴールドラッシュで「つるはしとシャベル」と呼んだように、これらはAI時代における基礎的なツールとなっています。現在、この層に多くの投資と注目が集まっており、ビジネスの機会が生まれています。

インフラ面では、データセンターの電力供給に関する取り組みが象徴的です。先ほど触れたMicrosoftのThree Mile Island原子力発電所の再開プロジェクトは、AIインフラへの大規模な投資の一例です。こうしたインフラ整備は時間とともに進化し、成長を続けていくでしょう。

このインフラ構築は、一朝一夕には完成しませんが、着実に進展しています。今後も技術の進化とともにインフラはさらに発展し、より高度な要求に応えていくことになるでしょう。これは、AIの実用化と普及に向けた重要な基盤となっているのです。

5. AI技術の進化トレンド

5.1. モデルの能力向上

過去1年間、私たちはChatGPTをある種のおもちゃのように扱ってきた面がありましたが、AIモデルの進化には注目すべき傾向が見られます。まず、AIモデルが急速に増殖していることです。生成AIシステムには、大規模モデル、小規模モデル、ドメイン特化型モデルなど、さまざまな設計思想を持つモデルが登場しています。

しかし、最も重要な傾向は、これらのモデルがすべて右上、つまりより高性能な方向へ向かって収束していることです。各社のモデル間には依然として差異は存在しますが、全体的な能力は急速に向上し、その性能は収束する傾向にあります。

この進歩は主に2つの要因によってもたらされています。1つ目は、アルゴリズムの改善です。より効率的なアルゴリズムの開発により、以前よりも少ない計算リソースで同等以上の性能を実現できるようになっています。

モデルは特に推論タスクにおいて著しい進歩を見せています。私は「これらのモデルが本当に推論できる」と言うことには慎重である必要がありますが、LSATやMCAT、さまざまな上級者向けテストにおいて、これらのモデルは人間のような推論能力を非常にうまく模倣しています。

このような進歩の速さと広がりは、多くの予測や期待が、モデルの実際の能力の向上スピードを過小評価している可能性を示唆しています。特に、これらのモデルが推論タスクでどれほど高い性能を発揮できるようになってきているかは、十分に認識されていないのが現状です。

5.2. 計算能力の拡大

AIモデルの進化を支える計算能力の拡大は、驚異的な速度で進んでいます。この状況を理解するために、具体的な数字を見てみましょう。GPT-4の学習には1万個のGPUが使用されました。これは当時としては驚くべき規模でした。

現在トレーニング中のモデルは、その10倍の10万個のGPUを使用しています。このモデルは2024年に実用化される見込みです。なぜなら、これらのモデルの学習には約1年半から2年かかるからです。

さらに注目すべきは、2026年に向けた予測です。100万個のGPUを使用するモデルの開発が計画されているのです。これは、2年ごとに10倍のスケールで計算能力が拡大していくことを意味します。

現在のAIにおける興味深い賭けの一つは、これらのモデルがスケールするという考え方です。つまり、より多くのハードウェアを投入すれば、それだけモデルの性能が向上するという仮説です。これは必ずしも正しいとは限りませんが、現在の大規模な投資はこの仮説に基づいて行われています。

この急速な計算能力の拡大は、多くの予測や推測が、これらのモデルがどれほど急速に、そしてどれほど高い能力を獲得していくかを十分に理解できていない可能性を示唆しています。特に、推論タスクにおける性能向上は著しいものがあります。

5.3. エッジAIの発展

AIの全体像を語る上で、エッジAIの発展について触れないわけにはいきません。データが収集され、分析され、そしてその分析に基づいて行動を起こすまでの間に遅延が許されないシナリオが多数存在するからです。これらのケースでは、リアルタイムあるいはそれに近い処理と対応が必要となり、そのためにはAIをエッジデバイス上で動作させる必要があります。エッジデバイスには、私たちのスマートフォンや自動車、さらには列車なども含まれます。

この文脈で、日立とNVIDIAの協業は注目に値します。彼らは先週、列車向けのエッジソリューションの開発を発表しました。この取り組みは、列車の信頼性向上、安全性の確保、そして予知保全の改善を目指すものです。

このような取り組みが重要なのは、データの収集から分析、そして行動までの一連のプロセスにおいて、クラウドへの往復による遅延が許されないケースが増えているからです。エッジAIは、このような即時性が求められる状況において、極めて重要な役割を果たすことになります。

このように、AIはクラウドだけでなく、エッジデバイスにも急速に展開されており、これによってリアルタイム処理を必要とする新たなユースケースが次々と可能になっているのです。

6. AIの課題と未来

6.1. 信頼性とセキュリティ

私は決してバラ色の眼鏡をかけているわけではありません。AIには非常に深刻な信頼性の問題があることを十分に認識しています。AIが私たちを失望させる可能性がある側面は多岐にわたります。

まず、プライバシーに関する懸念があります。AIシステムは大量のデータを扱うため、個人情報の保護は重要な課題となっています。セキュリティリスクも高まっており、従来のシステム以上に慎重な対応が必要です。

また、バイアスと公平性の問題も深刻です。AIシステムが特定のグループに対して不公平な判断を下す可能性があり、これは倫理的な観点から重要な課題となっています。これらの問題に対して、私たちは適切な対策を講じていく必要があります。

特に今年は選挙の年であり、誤情報の問題にも注目する必要があります。ソーシャルメディア上の誤情報は、AIによってさらに助長される可能性があります。しかし同時に、AIは誤情報対策の一部にもなり得ます。この問題に対しては、AIが問題の一因となると同時に、解決策の一部にもなり得るという両面性を認識する必要があります。

これらの課題は解決されなければなりませんが、それは決してAIの発展を止めるものではありません。むしろ、これらの課題に真摯に向き合い、適切な対策を講じることで、AIの健全な発展を促進することができるのです。信頼性とセキュリティの問題は、AIの進化とともに継続的に取り組むべき重要な課題として位置づけられます。

6.2. 自動運転タクシー

数年前まで、サンフランシスコでの自動運転タクシーの実用化については多くの懐疑的な声がありました。しかし、現在の状況は、その懐疑論を覆すものとなっています。特に注目すべきは、Waymoの実績です。現在、サンフランシスコにおいて週10万件もの配車サービスを提供しており、自動運転技術の実用化が着実に進んでいることを示しています。

また、規制当局との問題で一時サービスを停止していたCruiseも、市場への再参入を果たしています。この事例は、自動運転技術が直面する課題を示すと同時に、その解決に向けた進展も示しています。

これらの実績は、私たちが10年後に見る世界が、今日とは大きく異なるものになることを示唆しています。自動運転技術は、単なる実験段階を超えて、実用的なサービスとして市場に定着しつつあります。この変化は、都市交通の在り方を根本的に変える可能性を秘めており、AIがもたらす具体的な社会変革の一例として注目に値します。

6.3. 将来予測

私たちが今考えるべきことは、将来に向けたロードマップについてです。1962年、ハンナ・バーベラは『ジェットソン家』というアニメーションを制作しました。このアニメは100年後の2062年の世界を描いたものでしたが、興味深いことに、彼らは多くの点で正確な予測を行っていました。

このアニメのオリジナルスケッチを3点見ましたが、それらは彼らが未来をどのように考えていたかを知る上で非常に興味深いものでした。これは、将来を見据えることの重要性を示す良い例です。

皆さんにとって重要なのは、自社の未来像についてのビジョンを持つことです。100年先を考える必要はありませんが、少なくとも20年後の未来について、シナリオプランニングに時間を割くことは極めて重要です。特に、皆さんの会社や業界に特化した形で、将来がどのように展開していくのかを具体的に描く必要があります。

理想化や思考実験を行うことは重要です。それは単なる空想ではなく、未来への準備として不可欠なプロセスです。皆さんの会社や業界に特化した形で、AIがもたらす変革をどのように活用していくのか、具体的なシナリオを描く必要があります。このような将来予測と計画なしには、来たるべき変革に適切に対応することはできないのです。

7. 企業の対応戦略

7.1. 新しい運用モデル

これからの時代に向けて、企業は新しい運用モデルを構築する必要があります。その中核となるのは、AIを単なるツールではなく、組織の完全なパートナーとして位置づける考え方です。AIは労働力と同じように、そしておそらくはそれ以上に、組織の重要な構成要素となっていくでしょう。

企業は、よりリアルタイムな組織へと転換していく必要があります。AIを組織のインプットとして活用し、人材と同様に、あるいはそれ以上に重要なファクターとして考えていく必要があります。

特に注目すべきは、AIの開発企業が人間レベルの知能にとどまることを意図していないという点です。彼らは超人的な知能の開発を目指しています。このことは、私たちの組織のあり方に根本的な変革を迫るものです。

このような新しい運用モデルへの移行には、5つの重要な次元があります。これらについては後ほど詳しく説明しますが、重要なのは、こうした変革がハイプに基づくものではなく、体系的な分析に基づいて進められなければならないということです。企業は、AIをパートナーとして受け入れ、リアルタイムな対応が可能な組織へと進化していく必要があります。

このような変革は、従来の組織運営の考え方を大きく変えるものですが、これは避けて通ることのできない課題です。AIが超人的な能力を持つ可能性を見据えながら、組織の在り方を根本的に再考する必要があるのです。

7.2. 組織全体のAI教育

興味深いことに、すべての研究結果が示しているのは、組織全体でAIに関する教育を行うことの重要性です。AIを大規模に導入し、活用していくためには、組織全体の支援を得る必要があり、そのためには全員がAIに関する知識を持ち、賢明なユーザーとなる必要があるのです。

しかし、これは単なる教科書的な学習では不十分です。私の講義を受講しただけでAIに精通したと考えるのは間違いです。実際にAIを使用する経験が不可欠なのです。

この点で、PIMCOの取り組みは示唆に富んでいます。彼らは生成AIソリューションを構築する際、組織全体の支援を得るために、全従業員にAI技術を実際に使用させる取り組みを行いました。これは一見、当たり前のように見えるかもしれませんが、AIの導入において極めて重要な要素なのです。

組織全体の教育において重要なのは、AIがどのように進化し、どのような可能性を持っているのかを理解することです。これは単なる技術的な理解だけではなく、AIが組織にもたらす変革の可能性についての理解も含みます。

このような組織全体の教育は、AIの効果的な導入と活用のための基盤となります。それは、組織の全メンバーがAIの可能性と限界を理解し、その活用に積極的に関与できるようになることを目指すものなのです。

7.3. 知的財産戦略

企業にとって最も重要な課題の一つは、ノウハウをどのように再考するかということです。私は、ソフトウェア開発の効率化やカスタマーサービスのためのインテリジェントなチャットボットの導入を支持していますが、これらは将来への準備としては不十分です。

未来に向けて準備するには、異なる問題を考える必要があります。ここで、皆さんに特許の壁を想像していただきたいと思います。決して国境の壁ではありません。皆さんの特許の壁に何を掲示するのか、という単純だが答えるのが難しい質問を自問する必要があります。どのような投資が必要で、どのような発見をしなければならないのか、それが皆さんの企業を前進させる鍵となるのです。

これまで紹介した事例を振り返ってみましょう。CathWorksの知的財産は、血管造影画像から心臓病を診断するAIです。これは前例のない革新的な技術です。KoBold Metalsの革新は、利用可能なデータを使ってAIで銅やリチウム、ニッケルなどの鉱床を発見する能力です。DeepMindの知的財産は、新規タンパク質を設計するAIです。

これらの企業は全て、生産フロンティアを前進させています。皆さんにお聞きしたいのは、AIを活用して、どのような独自のノウハウを進化させ、開発できるのか、ということです。これこそが、成功への中核的な要素となるのです。

効率化は重要ですが、それだけでは不十分です。企業は、AIを活用して独自の知的財産を創造し、競争優位性を確立する必要があります。これは単なる既存プロセスの改善ではなく、新たな価値の創造を意味します。

7.4. Lions Gateの事例

企業が独自の能力を獲得するためには、必ずしもすべてを社内で開発する必要はありません。パートナーシップを結んだり、企業を買収したりする方法もあります。その一例として、Lions Gate Entertainmentの事例を紹介したいと思います。

Lions Gateは、『ジョン・ウィック』、『ハンガー・ゲーム』、『トワイライト』シリーズなどで知られる映画スタジオです。彼らは生成AI企業のRunwayとパートナーシップを結び、自社の映像アーカイブ全体をRunwayに提供し、プリプロダクションとポストプロダクションの両方で協力しています。

彼らの目標は、これらの人気フランチャイズに基づく新しいストーリーラインを展開する高品質な映像コンテンツを生成することです。この試みは、クリエイティブ産野での興味深い拡張の例です。監督、プロデューサー、脚本家といったクリエイターたちが、この技術を活用することで創造性を拡張できるのです。

例えば、特定のシーンを撮影したものの、期待通りの効果が得られなかった場合を考えてみましょう。「もし登場人物がここに立っていたら？あそこに立っていたら？」といった試行錯誤を、実際に再撮影することなく、AIを使って検証することができます。これにより、新しいアイデアを生み出し、検証することが可能になります。

このように、AIはクリエイティブな産業においても、人間の創造性を増幅し、新しい可能性を開くツールとして機能し始めているのです。

8. 雇用への影響と対応

8.1. 仕事の変革

AIに関する議論で、誰もが雇用喪失について語っています。しかし、私はこの問題を異なる視点から見ることを提案したいと思います。むしろ、これは「仕事の変革」として捉えるべきだと考えています。

この見方を支持する重要な根拠の一つは、人口動態の変化です。アメリカでは、近い将来、生産年齢人口が不足する状況に直面します。そのため、私たちはこれらの労働者を必要としているのです。したがって、今後10年は、雇用喪失の時代というよりも、職務変革の時代になると考えています。

確かに、一部の雇用が失われることは否定できません。しかし、より重要なのは、仕事のレベルではなく、タスクのレベルで考えることです。なぜなら、私たちは仕事全体を自動化するのではなく、タスクを自動化するからです。このような視点で考えると、必要なのは労働者のアップスキルであり、AIとともにより価値の高い仕事ができるように人材を育成することです。

この変革は必然的にスキルの転換を必要とします。しかし、これは単なる技術的なスキルアップではありません。AIと協働し、AIの能力を最大限に活用しながら、人間ならではの価値を付加できる能力の開発が求められます。私たちは、より価値の高い仕事ができる労働者を育成することに注力する必要があります。

このように、AIの導入は雇用の終焉ではなく、仕事の質的な転換をもたらすものとして捉えるべきです。この変革を成功させるためには、組織的な取り組みと、個人のスキル開発への投資が不可欠となります。

8.2. タスクレベルの自動化

雇用の将来を考える上で重要なのは、私たちが職務全体を自動化するのではなく、タスクを自動化するという事実です。この視点の転換は、AIと雇用の関係を理解する上で極めて重要です。

KoBold Metalsの例を思い出してください。彼らは従業員の構成を、地球科学者が3分の1、AI専門家が3分の1、ソフトウェアエンジニアが3分の1という比率で構成しています。この事例は、AIがタスクを自動化することで、人材がより高度な価値を生み出す仕事に集中できることを示しています。

私たちはタスクレベルで考える必要があります。なぜなら、AIは特定のタスクを自動化しますが、それは必ずしも職務全体の消滅を意味しないからです。むしろ、これは労働者がより価値の高い仕事に集中できる機会を生み出します。例えば、ルーティンワークや反復的なタスクをAIに任せることで、人間は創造的な問題解決や戦略的な意思決定に注力できるようになります。

このような変化に対応するには、組織は人材の価値を向上させる取り組みを積極的に行う必要があります。つまり、AIと協働しながら、より高度な判断や創造的な業務を遂行できる人材の育成が求められます。これは単なるスキルアップではなく、AIと人間それぞれの強みを活かした新しい働き方の確立を意味します。

8.3. 新しい職種

タスクレベルの自動化と並行して、私たちは新しい職種の創出についても考える必要があります。例えば、KoBold Metalsの事例で見たように、地球科学者、AI専門家、ソフトウェアエンジニアという従来は一つの組織で協働することが少なかった専門家が、同じ目標に向かって協力する新しい形態が生まれています。

新しい職種を創出するには、それに見合うリソース投資が不可欠です。これはAIの技術的な側面だけでなく、AIと人間が効果的に協働するために必要な新しいスキルセットの開発にも投資する必要があります。

具体的な例として、KoBold Metalsのような企業では、AI技術と従来の専門知識を組み合わせた新しい職種が生まれています。また、Lions Gateの事例で見たように、クリエイティブ産業においても、AIツールを使いこなしながら創造性を発揮できる新しいタイプのクリエイターが必要とされています。

これらの新職種は、単にAIを理解するだけでなく、それを特定の領域で効果的に活用し、人間ならではの判断や創造性を付加できる人材を必要としています。このような職種の創出は、AIと人間が補完し合う未来の働き方を示唆しているのです。

9. リーダーシップの変革

9.1. 攻めの戦略

企業は防御的な姿勢から攻めの姿勢へと転換する必要があります。現状では、あまりにも多くの企業がリスク管理に偏重しすぎています。企業の年次報告書や四半期決算発表を分析すると、ほとんどの企業がAIや生成AIについて言及していますが、その内容をより詳しく見ると、多くは単にAIのリスクをどう管理するかについて語っているだけです。

このような防御的な姿勢は、AIを活用して勝利を収めるための方策について語っていないという点で問題があります。経営陣はAIを活用してどのように勝利を収めるのか、より積極的な戦略を示す必要があります。

取締役会も経営陣に対して、より強く働きかける必要があります。AIを活用した戦略の策定を支援し、その実行を促進する役割を果たすべきです。取締役会は単にAIのリスク管理を監督するだけでなく、AIを活用した価値創造の戦略を推進する必要があります。

このような攻めの戦略は、単なるリスク管理を超えて、AIを活用した競争優位性の構築を目指すものでなければなりません。そのためには、経営陣と取締役会が一体となって、AIを企業の成長エンジンとして位置づけ、積極的な投資と活用を推進していく必要があるのです。

9.2. 取締役会の役割

経営陣の方々、そして取締役会のメンバーの皆様、AIの戦略的活用において、取締役会の果たすべき役割は極めて重要です。リーダーシップの要としての経営陣が戦略を実行する一方で、取締役会はその戦略の策定と実行を支援し、監督する立場にあります。

特に重要なのは、取締役会が単なる監督機関としてではなく、経営陣とともにAI戦略を形作る積極的な参画者として機能することです。今日、多くの企業で経営陣がAIのリスク管理に注力していますが、取締役会はそれを超えて、AIを活用した価値創造の可能性を追求するよう、経営陣を後押しする必要があります。

取締役会は、経営陣がAIをどのように活用して勝利を収めようとしているのか、具体的な戦略について問いかけ、その実現を支援しなければなりません。同時に、AIに関する投資判断や戦略的意思決定において、適切な監督と指導を提供する必要があります。

このように、取締役会は監督と支援の両面で重要な役割を担っています。AIがもたらす変革の規模と速度を考えると、取締役会の積極的な関与なしには、企業は競争力を維持することができないでしょう。取締役会は、企業のAI戦略が十分に野心的であり、かつ実行可能であることを確認する責任を負っているのです。

9.3. 新しいビジネスロジック

Peter Druckerの言葉を引用させていただきたいと思います。「激動の時代において最大の危険は、その激動自体ではない。昨日のロジックを使うことだ」。これは今日のAI時代において、極めて重要な示唆を与えてくれます。

私たちは、新しい種類のリーダーを必要としています。これまでのビジネスロジックでは、今日の変革に対応することはできません。AIは知識労働を標的とする基盤的な技術であり、社会と経済を非常に深い次元で変革しています。

リーダーには、新しいビジネスロジックを見出すことが求められています。これは単なる戦術的な変更ではなく、ビジネスの本質的な在り方を再考することを意味します。リーダーは、AIがもたらす変革の本質を理解し、それに適応した新しいビジネスモデルを構築する必要があります。

このアプローチには困難が伴いますが、これは避けて通れない道のりです。それは、ケースの理論を明確に示し、AIを活用して価値を創造する具体的な方法を見出すことを意味します。これは簡単な作業ではありませんが、皆様の前途に幸運があることを願っています。

AIへの適応は、単なる技術の導入以上のものです。それは、組織とビジネスの根本的な再考を必要とする旅路なのです。この変革の過程で、リーダーには新しいビジネスロジックを見出し、実践する勇気と知恵が求められているのです。