※本記事は、CDTのDigital Leadership Agenda 2025における対談セッションの内容を基に作成されています。このセッションは、Insight PartnersのManaging DirectorであるGanesh Bell氏と、Hitachi DigitalのPresident & COOであるGajen Kandiah氏による対談形式で行われました。

本記事では、セッションの内容を要約しており、特にGanesh Bell氏の発言を中心に構成しています。内容は、企業AI、ディープテック、革新的なアプリケーションへの投資経験、および現在のイノベーションがNVIDIAの加速コンピューティングやOpenAIのトランスフォーマーモデルの開発などの進歩の上にどのように構築されているかについての見解を含んでいます。

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、オリジナルの動画をご覧いただくことをお勧めいたします。

1. 背景と導入

1.1. 登壇者の紹介

Ganesh Bellは、キャリアを開発者としてスタートさせ、現在までその技術力を維持し続けています。彼は「AIの時代になっても、なお開発者として快適な生活を送れる技術力がある」と自負しています。

キャリアの中で、起業家として複数のスタートアップを創業し、大規模なエンタープライズソフトウェア企業でも経験を積んできました。特に、急成長企業のIPOまでを経験するなど、多様な成長フェーズに関わってきました。

その後、シリコンバレーの多くの同僚から疑問視されながらもGEに参画し、エネルギー、ヘルスケア、航空など、それまで経験のなかった産業分野でMLとデータサイエンスの適用に取り組みました。この経験は、AIやデータサイエンスの産業応用における重要な知見となっています。

GEでの経験後、AI/ML企業の経営を経て、現在はInsight Partnersのマネージングディレクター兼パートナーとして、主にエンタープライズAI、ディープテック、そしてテクノロジースタック全般への投資を担当しています。

Bellの特徴は、開発者としての技術的バックグラウンド、起業家としての経験、大企業での産業応用の実績、そしてVC投資家としての視点を併せ持っていることです。これらの多面的な経験は、現在のAI投資における重要な判断基準となっています。この多様な経験を通じて、技術革新がもたらす実際のビジネスインパクトと、それを実現するために必要な要素を深く理解しています。

1.2. Insight Partnersの概要

Ganesh Bell：現在、私が所属するInsight Partnersは、グローバルなマルチステージのベンチャーキャピタル及びグロースエクイティファームです。一部の方々からはプライベートエクイティファームとして認識されることもありますが、これは私たちの幅広い投資範囲を反映しているためです。

私たちの投資活動は、シリーズAの初期段階投資から始まり、上場企業の非公開化まで、企業の成長サイクルの全段階をカバーしています。私が投資を行っているファンドの規模は200億ドルに達しており、この規模を活かして幅広い投資活動を展開しています。

特に、データとAIの分野において、私たちは最大規模の投資家の一つとして位置づけられています。私自身は主にエンタープライズAI、ディープテック、そしてテクノロジースタック全般への投資を担当しています。この領域では、既存のシステムや製品が再発明されている過程を注視しており、そこに大きな投資機会を見出しています。

私たちの強みは、単なる資金提供者としてではなく、技術とビジネスの両面から投資先企業の成長をサポートできる点にあります。特にAI分野では、技術の進化のスピードが極めて速いため、この包括的なアプローチが重要になってきています。

2. AIの急速な発展の要因

2.1. 従来の技術革新との比較

多くの人々が、AIは彼らのテクノロジーキャリアの中で最大の変革だと述べています。これまでの技術革新を振り返ってみると、クライアントサーバーからインターネット、ウェブ、SaaS、ASP、クラウドネイティブ、そしてモダンデータスタックに至るまで、全ての技術変革は企業が採用するまでに長い時間を要しました。

シリコンバレーに住む私の経験から、テクノロジー業界は他の業界よりも早く革新を取り入れる傾向にあります。デジタルネイティブ企業は、非デジタル企業よりも速く動きます。しかし、それでもイノベーションのペースに追いつくことに苦労してきました。

しかし、AIの革新は、これまでの技術革新と大きく異なります。この変革は史上最大規模であると同時に、最も導入が容易なものとなっています。その理由は、推論と認知機能がAPIコール一つで利用可能になったからです。

たとえば、Amazonがクラウドコンピューティングを生み出した時、クレジットカードを使って大規模なコンピューティングリソースにアクセスできるようになり、多くのスタートアップが誕生しました。しかし、それでもインフラの構築や管理は必要でした。

一方、現在のAIは、APIを通じて高度な機能を即座に利用できます。この容易さが、AIの急速な普及を後押ししているのです。これは、技術採用の新しいパラダイムを示しています。以前の技術革新では、企業は新しいインフラストラクチャやシステムを構築する必要がありましたが、AIでは既存のシステムに簡単に統合できるのです。

このアクセスの容易さは、技術採用の民主化をもたらし、企業の規模や技術的成熟度に関係なく、AIの恩恵を受けることを可能にしています。

2.2. 技術的ブレークスルー

AIの急速な発展の転換点は、2017年にOpenAIの研究者たちによってもたらされた予期せぬ発見から始まりました。当時、彼らはAmazonのレビューを理解し生成するためのLSTMモデルを構築していました。その過程で、彼らは意図的にプログラムしていなかったにもかかわらず、既存の最先端の感情分類器よりも優れた性能で感情を分類できる「創発的なニューロン」を発見しました。

この発見は、コンピューティングパワーを大幅に増強すれば、さらに重要なブレークスルーが得られる可能性を示唆していました。当初、研究者たちはアーキテクチャの制約により、この実現には1年以上かかると考えていました。

しかし、ここでNVIDIAの加速コンピューティングの登場が、状況を一変させました。さらに、GoogleがTransformerモデルに関する「Attention is All You Need」という論文を発表し、これが決定的な転換点となりました。NVIDIAの計算能力とTransformerモデルの革新的なアーキテクチャの組み合わせにより、OpenAIは予想をはるかに上回るスピードで、わずか3ヶ月でブレークスルーを達成することができました。

この一連の技術的進歩は、その後のGPT-3.5、GPT-4.0、そして最近のGPT-4.0の改良版へと続く、大規模言語モデルの急速な進化の基盤となりました。これは、モデルのスケーリングに関する議論はあるものの、研究者たちが異なるアプローチでスケーリングの課題に取り組んでいることを示しています。

Transformerモデルの登場は、特に推論能力と認知フレームワークの発展において革命的でした。このアーキテクチャは、AGI（人工汎用知能）への道筋において、新しい推論アーキテクチャや認知表現、知識表現を生み出すための重要な基盤となっています。

2.3. モデルの多様化

現在、大規模言語モデルの分野では、65から70以上の異なるモデルが存在しています。この状況は、一つの勝者が全てを独占する「ウィナーテイクオール」の様相を呈していないことを示しています。むしろ、まだ初期段階にあり、様々なアプローチが並行して発展している状況です。

大規模モデルと並行して、小規模言語モデルの開発も進んでいます。例えば、Appleは端末上で直接実行可能なモデルをリリースしました。また、私たちは非常に小規模な環境でも動作可能なAIを開発している企業にも投資を行っています。これは、全ての用途に大規模モデルが必要なわけではないという認識が広がっていることを示しています。

私たちはAGI（人工汎用知能）について理論的な議論をするのではなく、狭いAI領域での応用に注力しています。もちろん、AGIを追求する企業の存在は重要です。なぜなら、AGIへの道のりで、新しい推論アーキテクチャや認知表現、知識表現の方法が生み出されるからです。しかし、現時点では単純な狭いAI領域での応用に大きな可能性があり、そこに非常に大きな興奮を感じています。

この多様化は、異なる用途や環境に適したモデルの開発を促進し、AIの実用的な応用範囲を大きく広げています。それぞれのモデルが特定の目的や制約に対して最適化されることで、より効率的で実用的なAIソリューションが可能になっているのです。

3. 企業におけるAI採用の現状

3.1. スタートアップでの採用事例

スタートアップ全体でのAI導入は、非常に急速に進んでおり、ROI（投資収益率）は疑問の余地がないレベルに達しています。私たちが観察している具体的な成果として、単純なコパイロットの導入だけでも、企業のエンジニアリング生産性が15-20%向上しているケースが見られます。

特に注目すべき点は、この15-20%の生産性向上は、単なる人員削減や工数削減につながっているわけではないということです。スタートアップでは、製品ロードマップに関するアイデアが事実上無限にあり、開発者たちは継続的にイノベーションを行っています。生産性の向上により得られた余力は、これらの新しいアイデアの実現に向けられているのです。

この現象は、AIの導入が単なる効率化ツールではなく、イノベーションの加速器として機能していることを示しています。開発チームはコパイロットによって定型的な作業から解放され、より創造的で価値の高い開発作業に時間を費やすことができるようになっています。これにより、スタートアップの競争力が大きく向上し、より速いペースでの製品開発が可能になっているのです。

3.2. 大企業での導入状況

私たちはInsight Partnersで、Global 2000企業のAI導入状況に関する詳細な調査レポートを作成しました。このレポートは当社のウェブサイト（insightpartners.com）で公開していますが、その結果は私たちの予想を大きく上回るものでした。多くの企業が既にAIの実験段階を超えて、収益化フェーズに移行していることが明らかになりました。確かに、数多くのプルーフオブコンセプト（PoC）が進行中ではありますが、それと並行して、実際のビジネスに貢献する本格的なAIの導入も進んでいます。

特に注目すべきは、大手保険会社や銀行などの伝統的な金融機関での展開です。これらの企業は、外部から著名なAI人材の採用に成功しており、その規模は私たちの予想を大きく上回っています。彼らは当初、独自のモデル開発や学習に取り組んでいましたが、試行錯誤を経て、汎用モデルや専門家混合モデルが十分に実用的であることを理解しました。この学習プロセスを経験した企業が、現在最も急速にAI導入を進めています。

データ関連予算に関しても、顕著な増加が見られます。過去2年間で、モダンデータスタックやMLOps関連の予算は15-25%という大幅な増加を示しています。特筆すべきは、これらのAI関連予算が、従来のIT予算とは別枠で確保されている点です。なぜなら、これは単なるITの効率化ではなく、AIを活用した製品やサービスの根本的な再設計を目指すイノベーション予算として位置づけられているからです。

多くの企業で、AIアジェンダは取締役会レベルでも認識され、イノベーション予算の一部として扱われています。これは、AIが単なるIT効率化ツールではなく、製品やサービスを根本的に再創造するための戦略的ツールとして認識されていることを示しています。

4. AIの将来展望

4.1. 新モデルアーキテクチャ

私たちはフロンティアモデルへの投資は行っていません。確かに多くのフロンティアモデルと会談しましたが、当社のような投資家にとって適切な投資機会とは思えませんでした。むしろ、NVIDIAやMicrosoft、Googleのような企業にとって、コンピューティングリソースと資本を交換する形での投資が適していると考えています。

しかし、OpenAIの研究機関としての取り組みは、次世代のモデル機能や推論能力において重要なブレークスルーをもたらすと考えています。GPT-4における最大のブレークスルーの一つは、モデルが現在できることではなく、これから何ができるようになるかという点にあります。具体的には、モデルが回答する前に「考える」という能力を獲得したことです。

以前のモデルは、人間が一度に全てを書き出すようなやり方で、考えずに即座に応答を生成していました。バックスペースキーを使わずに一度で完璧な文章を書くことは、私たち人間にはできません。しかし、GPT-4は応答を生成する前に「考え」、「推論する」能力を持つようになりました。

これは単なる技術的な改良ではなく、AIの思考プロセスにおける根本的な変革を示しています。この進歩により、より深い理解と洞察に基づいた応答が可能になり、AIの実用的な応用範囲が大きく広がると考えています。

4.2. 既存システムの再構築

私が過去30年間のキャリアを通じて構築に関わってきたすべてのシステムは、現在、再構築と再発明の時期を迎えています。実際のところ、これらの従来型システムは、現在の基準からすると時代遅れで機能が限られていると言わざるを得ません。

例えば、私自身がCRMソフトウェア企業を立ち上げた経験がありますが、そのようなシステムは現在の観点から見ると、かなり原始的で限定的な機能しか持っていません。Salesforceやこの分野のリーダーであるHubSpotでさえ、CEOが数ヶ月間AIの実装に没頭しているという事実は、既存システムの限界を明確に示しています。

しかし、この変革において重要な疑問が生じています。それは、既存の大手企業と新興企業のどちらが勝者となるのかという点です。現状では、既存企業が初期段階で優位に立っているように見えます。これは、彼らが既に確立された配信チャネルを持っており、AIを素早く組み込むことができるためです。

私たちがビジネスリーダーとして注目すべき重要なポイントは、あらゆるシステムを再構築する際に、インテリジェンスとリーズニング、認知能力を第一級の機能として組み込むことです。これは、過去のデジタルトランスフォーメーションとは根本的に異なるアプローチです。従来は静的なソフトウェアコードにビジネスロジックを組み込んでいましたが、現在ではAIとモデルを通じてビジネスをコード化できるようになっています。

これは単なる機能の追加ではなく、インテリジェンスファーストの考え方に基づく完全な再設計を意味します。企業は今、組織の意思決定プロセスをAIモデルに教え込み、より動的で適応的なシステムを構築することが可能になっているのです。

4.3. AIコワーカー

スタートアップの世界では、デジタルワークフローの形態が急速に進化しています。特に注目すべき傾向として、一部の企業ではコパイロット段階を完全にスキップし、直接「オートパイロット」の開発に移行していることが挙げられます。これらのオートパイロットは、タスクを完了まで導く能力を持ち、計画を立て、選択肢を生成し、人間にそれらの選択肢を提示することができます。

この発展に伴い、デジタルエージェントと人間の相互作用の新しい形態が現れ始めています。私たちは、より複雑なタスクを完了できる「AIコワーカー」の出現を目の当たりにしています。このAIコワーカーは、単なる支援ツールではなく、独立して作業を進め、必要に応じて人間と協力する存在として機能します。

例えば、ローン処理担当者の場合、AIがどのように意思決定を行うかを学習し、組織の意思決定プロセスを理解することができます。銀行の顧客対応においても、AIは顧客とのインタラクションレイヤーを完全に再設計することが可能です。

現在、私たちはAIコワーカーの初期の例を見始めています。特に注目すべきは、タスクの完了から、より複雑な業務の遂行へと能力が拡大していることです。これらのAIシステムは、人間の介入が必要な場合に適切なタイミングで連携を取り、作業の選択肢を提示することができます。

この変化は、人間とAIの協働の本質を変えつつあります。従来の支援ツールとしてのAIから、より対等なパートナーとしてのAIへと、その役割が進化しているのです。これにより、仕事の fabric（構造）自体が変化し、デジタルエージェントと人間のエージェントの間の新しい形態の相互作用が生まれつつあります。

5. 企業のAI戦略

5.1. データエコシステム

企業のAI戦略において、データエコシステムの整備は極めて重要な要素となっています。私たちが企業のCIOやデジタルトランスフォーメーション責任者、あるいはAI責任者と議論する際、最も重要なポイントとして浮かび上がってくるのは、企業のデータエコシステムの整備状況です。

まず、モダンデータスタックとクラウドネイティブの環境に移行している企業は、明確な優位性を持っています。これらの企業は、AIの導入においても一歩先を進んでいます。なぜなら、彼らのインフラストラクチャは、AIシステムが必要とする大規模なデータ処理と柔軟な拡張性をすでに備えているからです。

データエコシステムの整備において特に注目すべき点は、データの保存と活用の方法です。従来のように、データを第三正規化形式で保存する必要性が減少しています。なぜなら、現代のAIシステムは、より大きなコンテキストウィンドウを持ち、非構造化された高忠実度のデータから必要に応じてスキーマを推論できるようになっているからです。

例えば、CRMシステムの場合、実際の業務では10以上の異なるアプリケーション（Gongコール、売上予測など）が接続され、それぞれが独自のデータを生成しています。現代のAIシステムは、これらの異なるシステムからのデータを統合し、より豊かなコンテキストを持つ分析や予測を可能にします。単純な売上パイプラインデータの取得だけでなく、過去の成功事例や失敗事例を基に、特定の営業案件にいつ個人的に関与すべきかといった高度な判断まで可能になっています。

このように、データエコシステムの整備は、単なるデータの保存や管理を超えて、AIによる高度な推論と意思決定を可能にする基盤として機能しているのです。

5.2. マルチモデル

賢明な企業では、単一のモデルに依存しない開発アプローチを採用しています。現在、多くのフレームワークがモデルを抽象化しており、企業は今日のモデルの能力やコストに縛られることなく、将来を見据えた開発が可能になっています。

私たちが企業と議論を行う中で、最も成功している企業は、モデルの最適化が今後も進み、コストが低下することを前提に設計を行っています。彼らは、今日のモデルの制約にとらわれず、複数のモデルを組み合わせた「エキスパートミックスモデル」が十分に実用的であることを理解しています。

たとえば、多くの企業は独自のモデル開発や学習を試みましたが、その過程で汎用モデルや専門家混合モデルの有効性を理解しました。これらの反復的な学習を経験した企業が、現在、最も急速にAIを展開できています。

このアプローチの重要な点は、単にモデルを選択することではなく、将来の最適化とコスト低下を見据えた柔軟な設計を行うことです。これにより、新しいモデルや技術が登場した際に、スムーズな移行や統合が可能になります。このような柔軟性は、急速に進化するAI技術の世界では特に重要な戦略的優位性となっています。

5.3. 開発フレームワーク

私たちは現在、従来のアプリケーション開発スタック、モダンデータスタック、そしてAIスタックが融合していく過程を目の当たりにしています。これは、モデル自体が各イテレーションでより多くの機能を取り込んでいく「沈殿化」プロセスの結果です。

しかし、これらのモデル上に構築する層は、過去のフレームワークと多くの共通点を持っています。具体的には、以下のような新しいフレームワークが重要になってきています：

• エージェントシステムを構築するためのフレームワーク
• 複数の言語モデルを抽象化するフレームワーク
• 状態を保持するためのフレームワーク
• 新しい方法で知識を表現するためのフレームワーク
• リトライとログ生成を管理するフレームワーク
• 推論エンジンを構築するためのフレームワーク

これらのフレームワークを使用して、企業は様々なタイプのビジネスプロセスに対応する推論エンジンとオーケストレーターを構築できます。この新しいアプローチにより、開発者はより高次の抽象化レベルで作業することが可能になり、AIシステムの構築がより効率的になっています。

特に重要なのは、これらのフレームワークが単なる技術的な抽象化層を超えて、ビジネスロジックとAIの能力を効果的に結びつける橋渡しの役割を果たしていることです。これにより、企業は自社のビジネス固有の推論プロセスをAIシステムに効果的に実装できるようになっています。

6. 革新的なAI応用事例

6.1. 仮想患者シミュレーション

私たちの投資先の一つであるUnlearnは、革新的な仮想患者シミュレーションの開発に成功しています。この技術は、NVIDIAのOmniverseに匹敵する、製薬業界向けの仮想環境を実現しています。

Unlearnのアプローチは、実際の医薬品試験の前に、完全な仮想環境で患者集団全体をシミュレーションすることを可能にしています。これは単なるデータ分析の域を超え、実際の臨床試験の代替となり得る精度で患者の反応をシミュレートできるのです。

このアプローチの最大の革新点は、実際の医薬品試験を開始する前に、仮想世界で完全な臨床試験を実施できることです。その結果、実際の物理的な薬剤試験にかかる時間を大幅に短縮することができます。なぜなら、仮想環境での試験により、多くの潜在的な問題や最適化ポイントを事前に特定し、解決できるからです。

このように、AIを活用した仮想患者シミュレーションは、創薬プロセス全体を変革する可能性を持っています。これは、医薬品開発の時間とコストを劇的に削減しながら、より効果的な臨床試験の実施を可能にする画期的なアプローチとなっています。

6.2. 物理シミュレーション

私たちの投資先のBeyond Mathは、数学と物理学の基本原理をAIに教え込むという興味深いアプローチを取っています。多くの数学教師が「数学が上手くなると他の多くのことも上手くなる」と言いますが、これは基盤モデルにおいても同様であることが分かってきました。

Beyond Mathのアプローチは、まずAIに数学と物理の第一原理を教え込むことから始まります。モデルが物理学を理解できるようになると、次のステップとしてマルチフィジックス（複数の物理現象の相互作用）の理解へと進むことができます。これにより、複雑な物理シミュレーションが可能になります。

最も革新的な点は、従来数日を要していたシミュレーションを数分で実行できるようになったことです。さらに、AIは単にシミュレーションを高速化するだけでなく、より多くの可能性を生成することができます。これは、製品開発や工学設計において、より多くの選択肢を短時間で評価できることを意味します。

このように、数学と物理の基本原理を理解したAIは、従来の計算手法では実現できなかった新しいシミュレーションの可能性を切り開いています。これは、工学設計やシミュレーション分野に革命的な変化をもたらす可能性を秘めています。

7. 成長への障壁と課題

7.1. 想像力と創造性

AIの成長を妨げる要因について質問されたとき、私は「想像力の欠如」だと答えました。確かに、エネルギー消費の問題や、加速コンピューティングの能力、モデルをスケールする能力など、技術的な課題は存在します。これらはすべて真実です。しかし、最も大きな障壁は、私たちの想像力と創造性の不足にあると考えています。

企業がAIを導入する際、多くの場合、現在のモデルの能力に基づいて計画を立てています。しかし、これは重大な機会損失につながる可能性があります。最も成功している企業は、現在の制約にとらわれることなく、より大きな可能性を追求しています。

例えば、OpenAIやGoogleのモデル開発チームと対話すると、彼らは現在のモデルの能力を基準にしてプロジェクトを計画していません。代わりに、近い将来にモデルが100倍以上強力になることを前提に、何を構築すべきかを考えています。この想像力と創造性に富んだアプローチこそが、真のブレークスルーを生み出す源泉となっています。

このように、AIの成長を制限しているのは技術的な制約以上に、私たちの思考の枠組みなのです。より大胆な発想と創造的なアプローチを採用することで、AIの潜在能力を最大限に引き出すことができると考えています。

7.2. 長期的視点

私たちがOpenAIやGoogleのモデル開発チームのリーダーたちと対話すると、彼らは常に現在の能力の制約を超えた視点で考えています。彼らは現在のモデルの能力に基づいて構築するのではなく、近い将来にモデルが100倍以上強力になることを前提に、何を構築すべきかを考えているのです。

このアプローチは、短期的な技術的制約に縛られることなく、より大きな可能性を追求することを可能にします。例えば、Andrew Ngの研究では、GPT-3.5に対してエージェントアーキテクチャを適用することで、GPT-4よりも優れたコーディング能力を引き出せることが示されています。これは、現在のモデルの能力を超えた可能性を追求することの重要性を示す具体例です。

また、最近OpenAIが発表した機能では、フロンティアモデルの出力を使って、より小規模なモデルを教育することが可能になりました。これは、モデルの能力向上を前提とした開発アプローチの一例です。

長期的な視点に立つことで、私たちは現在のAIの限界に囚われることなく、より革新的なソリューションを構築することができます。単にモデルの現在の能力に合わせてシステムを設計するのではなく、将来の飛躍的な進歩を見据えた設計を行うことが重要なのです。これにより、技術の進化に合わせてスムーズにスケールアップできるシステムを構築することが可能になります。