※本記事は、Ronald den Elzen氏へのインタビューを収録した「Me, Myself, and AI」ポッドキャストの内容を基に作成されています。このポッドキャストはMIT Sloan Management ReviewとBoston Consulting Groupの共同制作で、Sam RansbothamとShervin Khodabandehがホストを務めています。ポッドキャストの詳細情報と完全な文字起こしはMIT Sloan Management Reviewのウェブサイトでご覧いただけます。本記事では、ポッドキャストの内容を要約・構造化しております。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、オリジナルのポッドキャストをお聴きいただくことをお勧めいたします。AIに関するリーダーシップについて更に学ぶには、LinkedInグループ「AI for Leaders」（mitsmr.com/AIforLeaders ）にご参加いただくか、LinkedInで「Me, Myself, and AI」をフォローしてください。
1. はじめに
1.1. ポッドキャストとホストの紹介
「Me, Myself, and AI」は、人工知能とビジネスをテーマにしたポッドキャストで、各エピソードでAIを活用したイノベーションに取り組む人物を紹介しています。このポッドキャストは、MIT Sloan Management ReviewとBoston Consulting Group（BCG）が2017年から共同でAIに関する研究と発表を行ってきた成果の一部です。両組織は何百人もの実務家へのインタビューと何千もの企業へのアンケート調査を通じて、AIの能力を構築・展開・拡大し、組織の運営方法を変革するために必要な要素を研究してきました。
ホストを務めるのは、ボストンカレッジの分析学教授であり、MIT Sloan Management ReviewのAIとビジネス戦略のゲスト編集者でもあるSam Ransbotham氏と、BCGのシニアパートナーでAIビジネスのリーダーの一人であるShervin Khodabandeh氏です。二人は共同でこのポッドキャストを進行し、ゲストとのインタビューを通じてAIの実務的な活用事例や洞察を引き出しています。
1.2. Ronald den Elzenの紹介
今回のエピソードのゲストはハイネケンカンパニーのチーフテクノロジー＆デジタルオフィサーを務めるRonald den Elzen氏です。den Elzen氏は自身の紹介の中で、ハイネケンでの30年に及ぶキャリアについて言及しています。長いキャリアの中で、彼はハイネケンUSAの社長兼CEOを務めた経験も持っています。また、データと変革に関する役職も歴任してきました。
den Elzen氏は株式市場に挑戦した後、代わりにテクノロジーリーダーシップのキャリアを追求しました。現在は、チーフテクノロジー＆デジタルオフィサーとして、グローバル規模で複数のブランドを展開し、80以上の市場で事業を行う同社を「160年の歴史を持つスタートアップ」と位置づけ、チームにそのような考え方を促しています。彼は、チームメンバーが俊敏性を持ち、失敗を恐れずに働くことで、新しいテクノロジーイニシアチブの展開においてより成功することを発見しています。
den Elzen氏はオランダ在住で、1996年からハイネケンという国際的な醸造会社に勤務しています。彼のリーダーシップの下、ハイネケンはAIを収益管理、プロモーション最適化、物流など多岐にわたる分野で広範囲に活用していますが、彼は価値の多くが依然として従来型AIから得られていると考えており、ジェネレーティブAIのような最新のトレンドを追いかけるよりも、予測分析や機械学習モデルといった基盤的なツールに焦点を当てています。
2. ハイネケンカンパニーの概要
2.1. 「160年の歴史を持つスタートアップ」としての自己定義
Ronald den Elzen氏はハイネケンカンパニーを「160年の歴史を持つスタートアップ」と表現しています。これは単なる言葉遊びではなく、同社の長い歴史と革新的な姿勢を併せ持つ企業文化を表しています。ハイネケンはアムステルダムで創業されたブランドであり、den Elzen氏は「アムステルダムで生まれ、世界に育てられた」と表現しています。
この「スタートアップ」という表現には、同社が持つ起業家精神や革新への姿勢が反映されています。160年という長い歴史を持ちながらも、新興企業のように俊敏な意思決定と行動力を維持しようとする企業姿勢が表れています。den Elzen氏自身、30年間ハイネケンに勤務していますが、この企業文化は同社の長所であると同時に、グローバル企業としての規模拡大に伴う課題も生み出していると指摘しています。
アムステルダムで創業されたハイネケンは、現在では世界中で愛されるグローバルブランドへと成長しました。「アムステルダムで生まれ、世界に育てられた」という表現は、ローカルな起源から国際的なブランドへと発展した同社の歴史を簡潔に表しています。この起源と成長の物語は、同社のアイデンティティの重要な部分となっており、グローバルな規模でありながらも起業家精神を持ち続ける企業文化の基盤となっています。
2.2. グローバル展開（190カ国での販売、80カ国での生産・販売拠点）
ハイネケンカンパニーは驚異的なグローバル展開を実現しています。Ronald den Elzen氏によると、同社のブランドは世界190カ国以上で販売されており、実質的に地球上のほぼすべての国々で入手可能です。このような広範な市場展開はグローバル企業の中でも特筆すべき規模といえます。
さらに重要なのは、単に製品を販売しているだけでなく、80カ国において大規模な生産設備（醸造所）や強力な販売組織を構築していることです。den Elzen氏はこの状況を表現して「基本的にどこにでも存在している（omnipresent）」と述べています。この「omnipresent（遍在する）」という表現は、ハイネケンが単なる国際的な企業を超えて、真の意味でグローバルに統合された組織であることを示しています。
北米からヨーロッパだけでなく、南アフリカ、ナイジェリア、ブラジル、インドネシアなど、あらゆる大陸の多様な市場で事業を展開しています。これほど広範な地理的展開は、同社の流通ネットワークの強さと、多様な市場環境への適応能力を示しています。
このようなグローバルな存在感は、ハイネケンの製品だけでなく、その企業文化や経営手法も世界中に広めることに貢献しています。しかし同時に、den Elzen氏が後に言及するように、この広範な地理的展開は、ローカルな運営の自律性とグローバルな効率性のバランスをとるという課題ももたらしています。
2.3. ローカルブランドの重要性
ハイネケンカンパニーは単に「ハイネケン」というグローバルブランドだけでなく、各地域に根付いた多様なローカルブランドを保有していることが大きな特徴です。Ronald den Elzen氏は、この多様なブランドポートフォリオの重要性を強調しています。
同社はイタリアではBirra Moretti（ビッラ・モレッティ）、スペインではCruzcampo（クルスカンポ）、東南アジアではTiger（タイガー）、メキシコではTecate（テカテ）など、各国・各地域の文化や嗜好に合わせたローカルブランドを展開しています。これらのブランドは単なる製品ラインの拡張ではなく、それぞれの市場において強い文化的つながりと消費者ロイヤルティを持っています。
ハイネケンのグローバルフットプリントは、北米、ヨーロッパだけでなく、南アフリカ、ナイジェリア、ブラジル、インドネシアなど、様々な経済発展段階にある多様な国々に広がっています。これらの地域では、グローバルブランドの「ハイネケン」とローカルブランドを組み合わせることで、異なる消費者セグメントや価格帯に対応できる強みを持っています。
このローカルブランドの保有と育成は、ハイネケンのビジネスモデルの中核をなしています。各地域の消費者の好みや文化的背景を理解し、それに適応することで、世界中の消費者との深いつながりを構築しています。しかし、den Elzen氏が後に指摘するように、この多様性はデータ標準化やグローバルな効率性の追求において課題ももたらしています。
3. スタートアップとしてのマインドセット
3.1. 家族経営による起業家精神とDNA
私たちはまだ家族支配の会社であり、ハイネケンのDNAと世界中の私たちの経営陣の多くの人々の中に、この起業家精神を感じることができます。このcan-doメンタリティ、ローカルな状況に素早く反応する俊敏性を感じることができます。私たちは世界中の市場でかなりシニアなリーダーシップを持っていて、その起業家精神やcan-doメンタリティ、俊敏性は、私たちのDNAの一部です。
私はこの起業家精神を、スタートアップ企業の特徴だと考えています。もっとも、それには良い面もあれば悪い面もあります。80のスタートアップを持っているような感じで、それとグローバルな規模のバランスを取ることが、私たちの課題の一つです。
3.2. 「can-do」メンタリティと適応力
ハイネケンでは、特別なcan-doメンタリティが組織全体に浸透しています。私たちの世界中の経営陣の中で、このメンタリティを感じることができます。これは単なる態度ではなく、実際の行動につながるもので、私たちの組織文化を形作っています。
このcan-doメンタリティの重要な側面は、ローカルな状況に素早く反応する俊敏性です。私たちは世界中の市場でかなりシニアなリーダーシップを持っており、彼らには現地の状況に応じて迅速に意思決定し、行動を起こす権限が与えられています。この地域に根ざした意思決定能力は、さまざまな市場環境に適応するための重要な強みとなっています。
このcan-doの姿勢と適応力は、私たちが160年にわたって成功を収めてきた理由の一つです。変化する市場やテクノロジーの進化に対応する能力は、常に私たちの企業文化の中心にありました。これはスタートアップのように敏捷であるという私たちの自己認識の核心部分を形成しています。
3.3. 80の「スタートアップ」とグローバル規模のバランス
私たちは80の「スタートアップ」を持っているような感じで、それとグローバルな規模のバランスを取ることが、私たちの課題の一つになっています。私たちの企業文化には良い面もあれば悪い面もあります。というのも、80の市場それぞれでスタートアップ的な運営をしているような状態だからです。
これはハイネケンの長所であり短所でもあります。各市場でのスタートアップ的な起業家精神とローカルな理解は、私たちが各コミュニティに密着し、現地の消費者ニーズに応えるのに役立っています。しかし同時に、80の異なる事業体がそれぞれ独自の方法で運営されていると、グローバル企業としての規模の利点を最大限に活かすことが難しくなります。
特にデータやテクノロジーの領域において、このバランスを取ることは複雑です。グローバルなスケールを活かすためには、標準化された手法やデータ定義が必要ですが、各市場の独自性を尊重することも重要です。私のような役割を持つ者にとって、この80の「スタートアップ」とグローバル規模の間で最適なバランスを見つけることが継続的な課題となっています。
4. AIと分析技術の活用
4.1. Ronaldの個人的なAI・データ分析への関心の歴史
私がAIを好きな理由は、信じがたいかもしれませんが、1995年に大学を卒業した時、ニューラルネットワークを使って株式市場を予測しようとしたことがあったからです。私はそれほど成功しませんでしたが、常に私の中には、データを愛し、この予測を愛し、分析を愛し、データの構造を愛する何かがありました。
現在の私の仕事はAIだけではなくもっと広いものですが、これは本当にエキサイティングな時代だと思います。技術的な面でのバックグラウンドがあまりない私でさえ、データやニューラルネットワークへの興味があったことで、今のデジタル領域でのリーダーシップの役割がより自然なものになっています。
私の株式市場予測の試みは私の最初の失敗の一つでした。私は投資銀行で働きたかったのですが、うまくいきませんでした。しかし、この早期の挫折にもかかわらず、データと予測への関心は常に私のキャリアの一部であり続けてきました。私は人生で多くの失敗をしてきましたが、それが今日の私の成長につながっています。
このような背景があるからこそ、ハイネケンでのAIと分析技術の活用について熱心に取り組んでいます。私自身の経験から、データ分析の価値と、それが企業の意思決定にもたらす可能性を深く理解しています。
4.2. 従来型AI（予測分析・機械学習）の価値
ハイネケンでは、AIを様々な方法で活用しています。時には大きな価値をもたらすAIもあれば、より実証実験的なものもあります。現在、私たちは95%の会話がジェネレーティブAI（GenAI）についてのものである時代に生きていますが、実は、ハイネケンが価値を得ている分野の95%、そして投資の大部分は、古典的な分析AI、機械学習モデル、予測分析などです。
私たちが二つに分けるならば、かなりの量の予測モデルを収益管理周辺で作っています。もちろん、食料品店での消費者向けプロモーションや企業間取引プロモーションの最適化にも取り組んでいます。想像できるように、ハイネケンのような企業には広告やプロモーションがたくさんあるので、広告マーケティングミックス、商業ミックスの最適化、営業実行、次に取るべき行動、製品推奨など、コマース側での活用は多いです。なぜなら、それは私たちが勝つ必要があり、勝ちたいと思っている場所であり、競争力を持つ必要がある場所だからです。
私たちがBCG（ボストン・コンサルティング・グループ）と様々な産業で見ていることは、古き良き - 古いというと語弊がありますが、実際にはこれらの技術は本当に古いわけではありません - 最適化や予測に本当に優れている予測AIにはまだたくさんの価値があるということです。時々、企業はそれを忘れてしまい、ジェネレーティブAIにあまりにも焦点を当てすぎます。
さらに悪いことに、私はBIにもまだたくさんのお金がある - つまり、過去に何が起こったかを記述的に理解するだけでも価値があると思います。私たちは皆、自分たちの鼻先にあるものを過小評価し、新しい輝くものを好む傾向があります。
4.3. ジェネレーティブAIへの過度な注目への懸念
私たちが今生きている時代では、会話の95%がジェネレーティブAI（GenAI）についてのものになっています。しかし実際には、ハイネケンが価値を得ている分野の95%、そして私たちが投資している大部分は依然として古典的な分析AI、機械学習モデル、予測分析などなのです。
私はジェネレーティブAIが非常に速いスピードで成長し、価値を生み出すと確信していますが、多くの組織が抱える問題は、新しい輝くオブジェクトに飛びつく傾向があることです。しばしば私たちは、単に過去に何が起こったかを理解する記述的なBIのような、私たちの目の前にある基本的なツールの価値を過小評価しています。
過度にジェネレーティブAIに焦点を当てることで、より直接的で実証済みの価値を提供できる従来の分析技術への投資が不足する危険性があります。これは業界全体で見られる現象で、新しい技術ブームが起こるたびに繰り返されています。
私は革新的な技術の採用を支持していますが、それは既存のデータ資産やテクノロジーの基盤を無視してはならないと考えています。ジェネレーティブAIが多くの可能性を持っていることは間違いありませんが、基本的なデータ分析の優れた実践を置き換えるものではなく、それを補完するものとして見るべきです。
データに関する基本的な理解と能力がなければ、どんなに高度なAIも価値を最大限に発揮することはできません。だからこそ、私たちは新しい技術に興奮しながらも、基本的なデータの質と分析能力に引き続き投資しているのです。
5. AIの具体的な活用事例
5.1. 売上管理（Revenue management）
私たちがAIを使っているいくつかの例をご紹介しますと、ハイネケンではかなり広範囲にAIを活用しています。時には大きな価値をもたらすAIもあれば、より実証実験的なものもあります。
当社では特に収益管理の分野において多くの予測モデルを構築しています。このような予測モデルは、私たちの売上と利益の最適化に直接貢献しています。収益管理モデルによって、様々な価格帯、市場セグメント、流通チャネルにおける製品のパフォーマンスを予測し、それに基づいて意思決定を行うことができます。
これは特に重要な領域で、なぜなら収益の最適化は私たちのビジネスの中核だからです。AIを活用した収益管理システムにより、市場の変化に素早く対応し、価格戦略を調整することが可能になります。これは私たちが勝つ必要があり、勝ちたいと思っている場所であり、競争力を持つ必要がある領域のひとつです。
このような取り組みは古典的なAI、機械学習モデル、予測分析などの技術に基づいており、現在私たちが得ている価値の大部分はこれらの「従来型AI」から生まれています。新しいジェネレーティブAIに注目が集まる中でも、収益管理におけるこれらの予測モデルは、私たちのビジネス戦略において継続的に中心的な役割を果たしています。
5.2. プロモーション最適化
私たちハイネケンでは、プロモーション最適化の分野でもAIを積極的に活用しています。具体的には、食料品店での消費者向けプロモーションの最適化と、企業間取引（B2B）におけるトレードプロモーションの最適化の両方に取り組んでいます。
消費者向けプロモーションにおいては、どのような割引や特典が最も効果的か、またどのタイミングでそれらを提供すべきかを予測するモデルを開発しています。これにより、プロモーション予算を最適に配分し、消費者の反応を最大化することができます。
一方、B2Bのトレードプロモーションでは、卸売業者や小売業者に対するインセンティブの最適化に焦点を当てています。これらのプロモーションが売上や市場シェアにどのような影響を与えるかを予測し、最も効果的なプロモーション戦略を特定するためにAIを活用しています。
ハイネケンのようなグローバル企業には、大量の広告費とプロモーション予算があります。これらの投資からリターンを最大化するためには、どのプロモーション活動が最も効果的かを理解することが不可欠です。AIを活用したプロモーション最適化により、無駄な支出を削減し、投資対効果を高めることができています。
これは私たちが市場で勝つために非常に重要な分野であり、競争力を維持するためにも欠かせない取り組みです。プロモーション最適化のためのAIモデルは、私たちのコマース戦略の中核をなしており、実質的なビジネス価値を生み出しています。
5.3. 広告・マーケティングミックス最適化
ハイネケンのような企業では、広告とプロモーションに多額の投資をしています。そのため、広告マーケティングミックスや商業ミックスの最適化は私たちにとって非常に重要な分野です。AIを活用して、これらの活動の効果を最大化するための取り組みを進めています。
具体的には、様々なマーケティングチャネル（テレビ、デジタル、屋外広告など）への投資配分を最適化するモデルを開発しています。これらのモデルは、各チャネルの効果や相乗効果を分析し、リターンを最大化するための最適な予算配分を提案します。
また、営業実行においては、次に取るべき行動（next best actions）の予測や、顧客に対する製品推奨の最適化にもAIを活用しています。例えば、特定の小売業者や飲食店にどの製品を重点的に提案すべきか、あるいはどのような販売アプローチが最も効果的かを予測するモデルを構築しています。
これらの取り組みはすべてコマース側、つまり市場での競争に直結する分野で行われています。なぜなら、それは私たちが勝つ必要があり、勝ちたいと思っている場所であり、競争力を持つ必要がある場所だからです。
私たちのマーケティングミックスモデルは、従来型のAIや機械学習を活用した予測分析に基づいており、ジェネレーティブAIへの注目が高まる中でも、これらのモデルは実質的なビジネス価値を生み出し続けています。
5.4. 物流最適化（トラック配送・積載）
私たちには製造やロジスティクスにおいても大きなコスト基盤があります。実は、機械学習はトラックの動きやトラックの積載を最適化するためのかなり良いツールです。ハイネケンのような企業では、世界中の市場で非常に多くのトラックを運用しており、これらの動きを最適化することが収益性に大きな影響を与えます。
機械学習モデルを使用して、配送ルートの最適化、トラック積載の効率化、および配送スケジュールの最適化に取り組んでいます。例えば、どのような順序で顧客を訪問すべきか、各トラックにどのように製品を積み込むべきか、あるいは需要の変動に応じてどのように配送計画を調整すべきかなどを予測するモデルを開発しています。
これらのモデルによって、燃料消費を削減し、配送時間を短縮し、トラックの積載率を向上させることができます。物流の最適化は、環境負荷の低減にも貢献するため、サステナビリティの観点からも重要な取り組みとなっています。
特にハイネケンのような消費財企業にとって、製品を効率的に市場に届けることは非常に重要です。AIを活用した物流最適化により、コスト削減と顧客サービスの向上を同時に実現できるため、これは私たちがデータと分析技術から大きな価値を得ている領域の一つです。
5.5. 製造プロセスの最適化（IoTとデータ分析）
製造分野においても、私たちは多くのAI活用の取り組みを進めています。特にIoT（モノのインターネット）を活用して、世界中の私たちの醸造所にある機械からデータを取り出し、これを分析しています。このデータを使って機械の動作を予測し、生産量を最適化する取り組みを行っています。
具体的には、IoTセンサーを通じて製造設備から大量のデータを収集し、このデータを機械学習アルゴリズムによって分析します。このアプローチにより、設備の異常を事前に検知したり、生産プロセスのボトルネックを特定したり、あるいは品質パラメータの最適化を行ったりすることが可能になります。
これらの取り組みは、製造からの最終出力を最適化するだけでなく、設備のダウンタイムを減らし、メンテナンスコストを削減することにも貢献しています。また、エネルギー消費や原材料の使用量を最小化することで、サステナビリティ目標の達成にも役立っています。
このように、消費者に見えない製造領域においても、AIとデータ分析は大きな価値を生み出しています。バリューチェーン全体、つまり消費者から顧客エンゲージメント、そして機械の最適化まで、AIは私たちのビジネスのあらゆる側面で活用されています。これらの取り組みを通じて、測定可能で追跡可能、そして推進可能な価値を実現しています。
6. スタートアップメンタリティとAI導入の課題
6.1. レガシーシステムとデータの分断
1年目のスタートアップであれば素晴らしいでしょう。なぜなら、デジタルネイティブでゼロから始められるからです。しかし、160年の歴史を持つスタートアップには多くのレガシーがあります。ハイネケンのような多くの大企業と同様に、私たちはテクノロジーの風景、プロセスの風景、そしてデータ定義において、まだかなりの断片化が見られます。
これは長い間問題ではありませんでした。地域社会に非常に近く、ローカルであることは会社の強みでした。しかし、いかにしてこのローカルな強み、地域への理解を維持しながら、グローバルな規模のメリットとバランスを取るか、そしてビッグデータは比較可能なデータにアクセスできるときに非常に価値が出てくるため、これが課題となっています。
スタートアップのメンタリティは、長い間市場での俊敏性、迅速さ、適応性において役立ってきましたが、ここ数年では、標準的なデータ定義と標準的なデータアクセスの欠如が、より速いスケーリングを妨げるようになりました。そのため、私たちは立ち止まり、「世界中で介入を行う必要がある」と言わなければなりませんでした。データ品質に本当に取り組む必要があったのです。
160年の歴史の中で蓄積されてきたレガシーシステムとデータの分断は、AIの導入において重大な課題となっています。新しいテクノロジーを採用するためには、まずこの基盤的な問題に取り組む必要があったのです。これは単なる技術的な問題ではなく、長年にわたって形成されてきた組織文化や働き方にも関わる複雑な課題です。
6.2. ローカルの強みとグローバルな規模のバランス
長い間、コミュニティに非常に近く、ローカルであることは私たちの会社の強みでした。各市場における深い理解と地域に根ざした意思決定は、ハイネケンの成功の重要な要素でした。しかし現在、私たちは新たな課題に直面しています。それは、このローカルな強みと地域への理解を維持しながら、どのようにグローバルな規模のメリットとバランスを取るかということです。
特にデータの分野において、このバランスは複雑です。ビッグデータは比較可能なデータにアクセスできるときに初めて真の価値を発揮します。各市場が独自のデータ定義や方法論を持っていると、グローバルな分析や洞察の導出が困難になります。しかし、あまりにも厳格な標準化を押し付けると、ローカル市場の独自性や俊敏性が失われる恐れがあります。
この課題に対応するため、私たちは「グローバルに考え、ローカルに行動する」という原則を進化させています。共通のデータ基盤とAIフレームワークを構築する一方で、各市場の特殊性に適応できる柔軟性も確保しています。例えば、グローバルなデータ定義を持ちながらも、ローカル市場特有の要素を取り込むことができるモデルを開発しています。
このバランスを取ることは容易ではありませんが、私たちのスタートアップメンタリティと160年の歴史から学んだことを組み合わせることで、両方の世界の最良の部分を活用しようとしています。ローカルな理解とグローバルな規模を組み合わせることで、より強力で効果的なAI導入を実現できると考えています。
6.3. データ標準化の必要性と経営幹部の認識変化
私たちは本当にデータ品質に取り組む必要がありました。そして私は言わなければなりませんが、これまで私が見たことがないほど、私たちの総支配人や市場の責任者たちが、データ品質に投資する必要性を理解し始めていることに気づきました。彼らが独自のデータ、つまりファーストパーティデータが市場で競争するために関連性があることを理解し始めているのを見るのは、大きな勝利です。これはゲームチェンジャーです。
私たちの幹部たちは、データの重要性についてだけでなく、その価値についても語り始めています。これは非常に上級な人々が、何かに投資することが単に重要だというだけでなく、その実際の価値を認識していることを意味します。これは、会社のリーダーシップにおける大きな考え方の変化を示しています。
以前は、データは主にIT部門やアナリストの領域と見なされていましたが、今では戦略的資産としての認識が高まっています。市場の責任者たちが、高品質なデータへの投資がビジネスパフォーマンスにどのように直接貢献するかを理解し始めていることで、データ標準化の取り組みに対するサポートが大幅に増加しました。
特にAIの文脈では、データ品質と標準化が成功の鍵となります。どんなに洗練されたAIアルゴリズムも、低品質のデータや標準化されていないデータでは良い結果を生み出すことができません。この認識が広がり、ビジネスリーダーがデータを戦略的な差別化要因と見なすようになったことで、私たちはデータ品質の向上とデータ標準化の取り組みを加速することができています。
この考え方の変化によって、データの標準化に関するグローバルな取り組みに対する抵抗が少なくなり、AIとデータに基づく意思決定の基盤を強化することができています。
7. 資源配分の意思決定
7.1. 伝統的AIとジェネレーティブAIのバランス
これは簡単なことではありません。私は、私たちが最も多くの間違いを犯す領域がここだと思います。私たちは、どちらかを選んで取り組むという時代には生きていないと思います。両方のバランスを取る必要があります。短期的に得られる利益と長期的な投資のバランスを取ることが重要なのです。
私はこう言いたいところです。「新しいものはすべて待って、まず次の5年間で後方のシステムを整理し、調和させ、標準化し、クリーンアップし、集中化し、クラウドに移行して、すべてを完璧にしましょう。」しかし、そうすれば私たちは事業から撤退することになるでしょう。同時に、もし私がフロントエンドや市場だけに投資し、それがクラシックAIであれジェネレーティブAIであれ、非常に革新的なAIモデルを開発したとしても、私たちは過去のデータセットのマッピングにおいて、スパゲッティのような混乱に陥ることになります。
ですから両方を行う必要があり、それを意図的に、非常に計画的に行う必要があります。私たちがハイネケンで行ったことの一つは、プログラムボードと呼ばれるものを作ることでした。これは私たちの執行チームのサブコミティであり、すべてが非常に相互依存しているため、何に最初に焦点を当て、次に何をすべきかを決定するのに役立ちます。これらすべてのことが互いにどのように関連しているかを理解し、賢く意図的に行動すれば、小さな成果の積み重ねが将来の目標につながるのです。
このバランスを取ることは難しいですが、私たちは伝統的なAIの基盤をしっかりと確立しながら、ジェネレーティブAIの探求も進めています。投資配分の決定は常に難しいものですが、短期的な成果と長期的な可能性の両方を見据えた戦略的なアプローチをとっています。
7.2. レガシーシステム対応と将来構築のデュアルアプローチ
私たちのような企業では、歴史的な資産（レガシーシステム）と新たな技術の両方に対応する必要があります。私はこう言いたいところです。「新しいものはすべて待って、まず次の5年間でバックエンドを整理し、調和させ、標準化し、クリーンアップし、集中化し、クラウドに移行して、すべてを完璧にしましょう。」しかし、そうすれば私たちは事業から撤退することになるでしょう。
一方で、もし私がフロントエンドや市場だけに投資し、それがクラシックAIであれジェネレーティブAIであれ、非常に革新的なAIモデルを開発したとしても、私たちは過去のデータセットのマッピングにおいて、スパゲッティのような混乱に陥ることになります。
この状況に対処するために、私たちは二重のアプローチを採用しています。一方では、レガシーシステムの整理、データの標準化、インフラのモダナイゼーションに投資しています。これは地味ですが不可欠な作業です。同時に、新しいAI技術やデジタルイニシアチブにも投資し、市場での競争力を維持しています。
このデュアルアプローチは、短期的な成果を生み出しながら長期的な基盤を構築するものです。大切なのは、これらの取り組みをバラバラに行うのではなく、互いに補完し合うように調整することです。例えば、新しいAIモデルを開発する際に、それが将来のデータ標準化の取り組みと整合するようにしています。
私たちの戦略は、効率と革新の両方を同時に追求するものであり、これによって、160年の歴史を持つ企業でありながら、スタートアップのような俊敏性を維持することが可能になっています。
7.3. プログラムボードによる戦略的決定プロセス
私たちがハイネケンで行ったことの一つは、プログラムボードと呼ばれるものを作ることでした。これは私たちの執行チームのサブコミティです。すべての要素が非常に相互依存しているため、最初に何に焦点を当て、次に何をすべきかを決定するのに役立っています。
このプログラムボードの設立は、デジタル変革とAI導入の複雑さに対応するために不可欠でした。私たちが直面している課題は、さまざまな取り組みがどのように互いに関連し、影響し合うかを理解することです。例えば、特定の市場でのAIプロジェクトがデータ標準化の取り組みにどのように依存しているか、あるいはレガシーシステムの更新がどのように新しいイニシアチブの成功に影響するかなどを把握することが重要です。
プログラムボードでは、これらの相互依存性を明らかにし、最も戦略的な優先順位を設定します。賢く意図的に行動すれば、小さな取り組みの積み重ねが将来の大きな目標につながることを私たちは理解しています。例えば、今日の小規模なデータクリーニングプロジェクトが、明日の高度なAIモデルの基盤となるかもしれません。
このように戦略的な視点で決定を行うことで、私たちはリソースを最も効果的に配分し、短期的な成果と長期的な目標のバランスを取ることができます。私たちのプログラムボードは、このプロセスを体系化し、全社的な視点から最適な決定を下すための仕組みとなっています。
8. 失敗への姿勢
8.1. 「FF賞」の設立と失敗を受け入れる文化
私たちは文化的に失敗を認めることが難しいと感じています。実際、私たちは「FF賞」と呼ばれるものを立ち上げました - このポッドキャストではそう言ってよいのかわかりませんが - 私たちが試す文化を刺激したいからです。勝つためには、時には負けることをいとわない姿勢が必要だからです。
私は今の位置に至るまで、人生で多くの失敗をしなければここにいなかったでしょう。失敗から学び、それを認めることは、真の成長と革新の鍵です。しかし、多くの組織では失敗は避けるべきものとして扱われ、結果として新しいアイデアを試みることへの恐怖文化が生まれます。
私たちのFF賞は、この考え方を変え、失敗を恥ずべきものではなく、価値ある学習経験として祝うためのものです。チームメンバーが「これを試しましたが、うまくいきませんでした。ここから何を学べるでしょうか？」と言えるようにすることが重要です。
良いニュースは、失敗のコストが劇的に下がってきていることです。以前より小さな実験をより多く同時に行うことができます。これにより、リスクを取ることのハードルが低くなり、より多くのイノベーションが可能になります。
失敗を受け入れる文化を作ることで、私たちはAIのような新技術の実験と採用を加速することができます。特にAIの分野では、試行錯誤が不可欠であり、最初から完璧なソリューションを期待するのは現実的ではありません。FF賞のような取り組みを通じて、私たちはチームに「大胆に失敗し、素早く学ぶ」ことを奨励しています。
8.2. 失敗コストの最小化アプローチ
良いニュースは、失敗のコストが劇的に下がってきていることです。以前より小さな実験をより多く同時に行うことができるようになっています。そのため、私の役割として、失敗のコストを最小化することが重要だと考えています。また、できるだけ早く「はい、止める必要がある」と理解し、「新しい決断をして、またやり直そう」と言えるようにすることも私の役割です。
テクノロジーの進化により、私たちは以前より低コストで実験を行うことができるようになりました。クラウドコンピューティング、アジャイル開発手法、そしてAI自体が、より迅速かつ経済的な方法で新しいアイデアをテストする能力を向上させてきました。これにより、10年前に比べて失敗のコストが大幅に低下しています。
私がチームに促しているのは、「失敗しないこと」ではなく、「より小さく、より速く失敗すること」です。大規模なプロジェクトを一度に立ち上げるのではなく、小さな実験を通じて仮説を検証し、素早くフィードバックを得て、方向性を調整することを奨励しています。
例えば、新しいAIモデルを開発する際には、まずプロトタイプを作成し、限られたデータセットでテストし、早期にフィードバックを集めます。このアプローチにより、大規模な投資を行う前に潜在的な問題を特定し、解決することができます。
私は失敗コストの最小化を、リスク回避とは異なるものとして考えています。リスクを取ることは依然として重要ですが、それらのリスクを構造化し、学習を最大化しながらコストを最小化する方法を見つけることが鍵です。このバランスを取ることで、イノベーションを促進しながら、組織を保護することができます。
8.3. リスク許容度の促進と人材保護
私は自分の役割として、リスク回避ではなくリスク許容度のレベルを促進することも重要だと考えています。もし人々が失敗することを本当に恐れていて、自分のキャリアを積むことができないと思っているなら、それは間違いです。私たちは失敗をいとわない人々を保護する必要があります。
組織文化において、イノベーションを促進するためには、リスクを取る人々を支援し守ることが不可欠です。特に新しい技術領域では、すべての取り組みが成功するとは限らないことを理解しなければなりません。私は、失敗から学び、その学びを次の挑戦に活かせる環境を作ることに注力しています。
例えば、あるAIプロジェクトが期待した結果を出せなかった場合、そのチームを責めるのではなく、何が学べたか、どう改善できるかを一緒に考えます。これにより、チームメンバーは次回により良いアプローチを試みる自信を持つことができます。
リスクを許容する文化を作るもう一つの側面は、適切なガバナンスを確立することです。つまり、無謀なリスクではなく、計算されたリスクを奨励することです。私たちは明確な境界と安全策を設けながらも、その中で革新と実験を奨励しています。
私はハイネケンでの30年のキャリアを通じて、リスク許容度の低い環境では真のイノベーションは生まれないことを学びました。特にAIのような急速に進化する分野では、試行錯誤と学習のサイクルが不可欠です。私自身も多くの失敗を経験してきましたが、そのおかげで今の私があります。同じようにチームメンバーが安全に失敗し、成長できる環境を提供することが、私の重要な役割だと考えています。
9. 内製 vs 外部調達 vs パートナーシップ
9.1. 重要なデジタル人材の内部育成
これも変化してきました。私たちは過去4〜5年ほどの間に、特定の能力が突然ハイネケンにとって重要または競争上重要になってきたという結論に達しました。私たちはいつも、最高のマーケティング担当者になりたい、最高の消費者インサイトを持ちたい、完璧なハイネケンを醸造したいと思ってきました。そして今では、機械学習エンジニア、データサイエンティスト、ソフトウェアエンジニア、サイバーセキュリティのスペシャリストが会社にとって非常に重要になっています。
これらのデジタル人材の確保と育成は、私たちのAI戦略の成功に不可欠です。以前は、これらの領域は完全に外部パートナーに依存していましたが、現在では競争優位性を確立するためには、これらのスキルを社内に持つことが重要だと認識しています。
一つの大きな変化は、これらの役割の戦略的重要性に対する認識です。以前は、技術的な仕事は主にサポート機能と見なされていましたが、今ではビジネスの中核となる競争力の源泉として認識されています。完璧なハイネケンを醸造することを重視してきたのと同じように、今では優れたデータサイエンティストやAIエンジニアを育成することも同様に重視しています。
私たちは、単に人材を雇用するだけでなく、彼らが成長し、発展できる環境を作ることにも注力しています。これには、継続的な学習の機会を提供すること、最新のテクノロジーへのアクセスを確保すること、そして彼らがビジネスに真の影響を与えられるプロジェクトに取り組めるようにすることが含まれます。
デジタル人材の内部育成への投資は、長期的な視点に立ったものです。市場でこれらのスキルを持つ人材の獲得競争は激しいですが、自社でこれらの能力を構築することが、持続可能な競争優位性を確立する唯一の方法だと確信しています。
9.2. AI開発の4ステップ：設計（外部）、構築（内部）、展開、採用
私たちはAIモデルを開発する際に、ある種のプロセスに従うようにしています。まず、ビジネスの観点から、大きな価値がどこにあるかを特定することから始めます。コマース部門やサプライチェーン部門、財務部門に「どこに大きな価値があると思いますか？」と尋ねます。そして、その特定を手伝ってくれる外部のパートナーを頻繁に活用します。
例えば、パートナーが「収益管理をこのように見てはどうですか？このようなことを考えましたか？」と提案してくれることがあります。そうして設計段階に入り、次に私たちは自社で構築します。自分たちでコード化して所有したいと考えています。私たちが自分たちでコードを所有していれば、時間の経過とともに維持することがはるかに容易になります。
私たちは必然的に一度に一つの製品を構築することはありません。時間の経過とともにリリースを追加し、新機能や新しい機能性を加えていきます。そして展開段階に入ると、採用の問題に直面します。「ここにAIモデルやアプリケーションやソフトウェアがあります」と言って終わりではないのです。
実際の変化と本当の努力、そして私たちが常に過小評価するのは、ユーザーの行動を変えることです。ユーザーは顧客かもしれませんし、消費者かもしれませんが、多くの場合、私たち自身の従業員です。この点では、まだ多くの外部の助けを借りています。
その後、プロジェクト全体のサイクルを私たちが運営し、継続的な改善を行い、DevOpsに移行します。私たちはこの点でもっと上手くなれますが、これを一緒に行うことが不可欠だと思います。
このプロセスは、外部パートナーの専門知識を活用しながらも、重要なコア能力を内部に構築するという私たちの戦略を反映しています。設計段階での外部の視点は、新しいアイデアや業界のベストプラクティスをもたらしますが、実際の構築と所有権を内部に保持することで、長期的な持続可能性と柔軟性を確保しています。
9.3. ユーザー行動変容の重要性
AIモデルやアプリケーション、ソフトウェアを開発する際に私たちが常に過小評価するのは、ユーザーの行動を変えることの難しさです。「ここにAIモデルやアプリケーションやソフトウェアがあります」と言うだけでは不十分なのです。実際の変化と本当の努力は、人々の行動パターンを変えることにあります。
ユーザーは顧客かもしれませんし、消費者かもしれませんが、多くの場合、私たち自身の従業員です。テクノロジーを導入することと、人々がそのテクノロジーを効果的に使用することの間には大きなギャップがあります。最も洗練されたAIシステムでも、ユーザーがそれを採用し、日常的な意思決定プロセスに統合しなければ価値を生み出すことができません。
私たちは行動変容をサポートするために、まだ多くの外部の助けを借りています。これには、変更管理の専門家との協力、ユーザーが新しいツールに適応するのを助けるためのトレーニングプログラムの開発、そして変化に対する抵抗を克服するための戦略の実施が含まれます。
例えば、新しい予測モデルを営業チームに導入する場合、単に優れたツールを提供するだけでは不十分です。私たちは、彼らの仕事をどのように改善するか、どのように使用するか、そしてなぜこの変化が重要なのかを彼らに理解させる必要があります。これには多くの場合、個別のコーチング、継続的なフィードバック、そして成功事例の共有が含まれます。
行動変容の課題は技術的な課題よりも大きいことが多いため、私たちのAI開発プロセスでは、技術的な側面と同じくらい人的な側面にも重点を置いています。最終的に、技術の成功は人々がそれをどのように使うかによって決まるからです。
10. ラピッドファイヤー質問
10.1. AIの最大の機会：自動化と迅速な意思決定
ポッドキャストの最後には一連の短い質問がありました。まず、現在のAIの最大の機会は何かと尋ねられました。これに対して私はすぐに「自動化と非常に迅速な意思決定」と答えました。
私はAIが提供する最大の機会は、繰り返し行われる意思決定プロセスを自動化し、人間が行うよりもはるかに速く実行できるようにすることだと考えています。これは単なる効率性だけの問題ではありません。速度が競争優位性となる多くの状況があります。特に市場状況が急速に変化する場合、AIは人間の能力を超えた速さで適応できます。
例えば、価格設定、在庫管理、マーケティングキャンペーンの最適化などの分野では、リアルタイムでのデータに基づく意思決定が重要です。AIはこれらの決定を継続的に評価し、必要に応じて調整することができます。人間の分析官なら数日または数週間かかるかもしれないプロセスを、AIは瞬時に実行できます。
また、私たちが人間として価値を付加するのに時間を費やすべき領域と、AIに任せることができる領域を区別することも重要です。自動化を通じて、私たちは創造的思考や戦略的計画など、人間が本当に優れている活動により多くの時間を割くことができます。
この自動化と迅速な意思決定の力こそが、AI技術が企業にもたらす最も変革的な機会だと私は確信しています。
10.2. AIに関する最大の誤解：AIは一部の人だけのものではない
AIに関する最大の誤解についての質問に対して、私は「AIは非常に少数の人のためだけのものであり、座って様子を見ていればよいということ」だと答えました。私はこれが非常に緊急性の高い問題だと考えています。誰もが好奇心を持ち、できる限り多くを学ぶべきです。なぜなら、AIはすべての人の生活に影響を与えるからです。
この認識は、私が見てきた組織内でのAIに対する態度にも当てはまります。多くの人々は、AIは専門家だけのものであり、自分たちには関係ないと考えています。しかし、これは技術の急速な進化と広範囲にわたる影響を考えると、危険な誤解です。
AIはもはや単なる実験的な技術ではなく、ビジネスのあらゆる側面に統合されつつあります。マーケティング担当者、営業担当者、製造エンジニア、人事マネージャー、そして組織のほぼすべての役割において、AIがどのように彼らの仕事を変えるかを理解することが不可欠です。
待って様子を見るという姿勢は、競争上の立場を失うリスクがあります。代わりに、私たちは継続的な学習と適応の文化を育む必要があります。これは必ずしも全員がAIの技術的な詳細を理解する必要があるということではありません。しかし、少なくともそれがどのように価値を創造できるか、そして自分の役割にどのように影響するかについての基本的な理解は持つべきです。
私たち全員が好奇心を持ち、AIについて学び、それが組織と社会全体にもたらす可能性について探求することが重要です。これは少数の専門家だけのものではなく、私たち全員に関わる変化なのです。
10.3. AIの過剰使用：人間のつながりが失われる時
人々がAIを過剰に使用しているときはいつか、という質問に対して私は、「人間の交流がなくなったとき」と答えました。私たちの会社には「真のつながりの喜び」という目的があります。AIとビールを飲みながら会話するようなことは、私は決してしたくありません。もし人間の真のつながりが私たちの生活から失われるなら、それは行き過ぎです。
ハイネケンは人々を結びつけるブランドであり、社会的な飲み物です。私たちのビジネスは人間同士のつながりに基づいています。だからこそ、私はAIの役割が人間の相互作用を促進することであって、それに取って代わるものではないと強く感じているのです。
テクノロジーが進歩するにつれて、私たちは効率性と人間性のバランスをとる必要があります。AIは情報の整理、プロセスの最適化、そして意思決定の支援において素晴らしいツールですが、人間の創造性、共感、そして真の関係を代替できるものではありません。
私は、AIを使用する際に常に自問すべき重要な質問は「これは人間のつながりを強化しているのか、それとも減少させているのか？」だと考えています。テクノロジーが私たちを引き離すのではなく、結びつけるために使われる限り、それは健全な使用と言えるでしょう。
真のつながりの喜びを経験できるガラスが半分満たされていることを、私は楽しみにしています。これはハイネケンの価値観の中心であり、AIの使用においても指針となるべき原則です。
10.4. AIの限界：社会の理解とスピード
AIの限界は何かという質問に対して、私は技術的な限界ではなく社会的な側面に焦点を当てました。限界は私たち自身の理解と、AIに対処する能力にあると考えています。今日の社会における最大の課題の一つは、変化のスピードです。
物事があまりにも速く進むと、それが社会の分極化につながる可能性があります。AIの技術的な可能性と社会がそれを理解し、受け入れる能力の間にはギャップがあります。人々をこの旅に連れ出すことは時に困難であり、特に変化が急速である場合はなおさらです。
AIの影響を理解し、その結果を予測することは複雑な課題です。AIは時にブラックボックスのように感じられ、その決定プロセスを完全に理解することは困難です。これが社会的な受容と信頼の問題をもたらします。
これは単に技術の問題ではなく、人々が技術をどのように認識し、それとどのように関わるかという問題です。私たちが直面している課題は、技術的な制約よりも、社会的な適応の速度にあるのです。社会や組織がAIの進歩に追いつくためには、継続的な教育、透明性、そして意思決定におけるバランスの取れたアプローチが必要です。
11. AI導入の実践的アプローチ
11.1. AIモデルの3つの要素：分解機能、シミュレーター、オプティマイザー
私たちはAIモデルを展開する際に、3つの要素からなるアプローチを開発しました。これはユーザーの採用と信頼構築を助けるために不可欠だと気づいたものです。
まず、私たちが「分解機能」と呼ぶものを作ります。これは基本的に過去に何が実際に起きたかを振り返るものです。この部分をハイネケンで30年の経験を持つ人に見せると、「ああ、なるほど。これは理解できる」と言うでしょう。これにより、モデルの基盤となる履歴データの分析を提供することで、ユーザーが信頼を構築する助けになります。
次に、「シミュレーター」と呼ぶ第二の要素を作ります。これはユーザーが「もしハイネケンにもっとお金をかけたり、DOSイーキスにもっとかけたり、ウォルマートに少なくしてクローガーにもっとかけたりしたら？」というような「what-if」のシナリオをテストできるものです。そうすると人々は「そうだね、こんな風に動くと思う」と言うでしょう。
そして最後の部分が「オプティマイザー」です。これが実際のブラックボックスです。最初の2つの要素を通じて信頼を構築することで、ユーザーは本当に中で何が起きているかを完全に理解せずとも、このオプティマイザーを信頼するようになります。
この3つの要素からなるアプローチにより、AIモデルのブラックボックス的な性質による採用の障壁を乗り越えることができます。分解機能とシミュレーターはユーザーが実際にはあまり使わないかもしれませんが、モデルを信頼するために重要です。それらがモデルを理解し、それがどのように機能するかを直感的に把握するための窓を提供するからです。
11.2. 透明性の確保と信頼構築
私たちがAIモデルを導入する際に直面する大きな課題の一つは、AIがブラックボックスとして認識されることです。そこで私たちは、透明性を確保し、ユーザーの信頼を構築するための具体的なアプローチを開発しました。
前述の3つの要素からなるモデル（分解機能、シミュレーター、オプティマイザー）は、この透明性の課題に対処するために特別に設計されています。特に最初の2つの要素は、ユーザーがモデルの内部動作を理解するための「窓」として機能します。
例えば、分解機能は過去のデータや結果を明確に示すことで、「これが実際に起こったことです」という事実に基づいた視点を提供します。これにより、30年のハイネケン経験を持つベテラン社員でも、データに基づいた洞察を自分の経験と照らし合わせて検証することができます。
シミュレーターは、異なるシナリオをテストする能力を提供することで、さらに信頼を構築します。ユーザーが「もしこの変数を変更したら何が起こるか」を見ることができると、モデルの反応が彼らの直感や経験と一致するかどうかを確認できます。これが彼らの期待と一致するとき、それはオプティマイザー（本当のブラックボックス部分）への信頼を深めることにつながります。
私たちの経験では、完全な透明性よりも、「ユーザーが理解できる透明性」の方が重要です。すべてのアルゴリズムの詳細を説明するのではなく、ユーザーが意味のある方法で結果を検証し、直感的に理解できるツールを提供することが、信頼構築の鍵となります。
このアプローチにより、ユーザーはモデルの内部動作のすべての詳細を理解していなくても、それを信頼し、その推奨に基づいて行動することができるようになります。これが、AIの採用と実際の価値実現に不可欠な要素です。
11.3. 採用が鍵
私たちの経験から、採用が鍵となることが明らかになっています。最初の2つの要素（分解機能とシミュレーター）は、ユーザーが実際にはあまり使わないかもしれません。しかし、それらはモデルへの信頼を構築するのに役立ちます。
採用とは、単にAIツールを提供することではなく、ユーザーがそれを日々の業務に実際に統合し、その推奨に基づいて行動することを意味します。これはとりわけ重要な点です。最も洗練されたAIモデルであっても、誰も使わなければ、それは単なる理論的な演習に過ぎません。
フードのことが本当にわからなくても、AIモデルを信頼することは可能です。私たちのアプローチでは、ユーザーがモデルの内部動作を完全に理解していなくても、それを信頼できるようにすることが重要です。分解機能とシミュレーターが提供する検証可能な結果を通じて、ユーザーはモデルの推奨が信頼できることを確認できます。
採用の課題は、技術的な問題だけでなく、文化的で人間的な側面も持っています。私たちは長年の経験や直感に基づいて意思決定を行うことに慣れているため、アルゴリズムの推奨に委ねることは、多くの人にとって大きな変化です。
私たちがAIモデルの設計で学んだ重要な教訓は、技術的な複雑さよりも人間の心理学と行動変容に焦点を当てることの重要性です。最終的に、採用こそが成功を左右する要素であり、それは人々がモデルを理解し、信頼し、日常的に使用するようにするための意図的なアプローチを必要とします。
12. ホストの振り返り
12.1. 失敗コスト最小化の重要性
私たちはRonaldとの会話を終えたばかりですが、彼の話は本当に啓発的で刺激的でした。私は特に、彼が失敗について話していた部分が印象的でした。彼の失敗へのアプローチ、特に失敗を避けるというよりは失敗のコストを最小化するという考え方は非常に価値があると思います。これは私たちがAIについても言っていることと非常に密接に結びついています。
この考え方は、組織的な学習と実験の重要性についての私たちの議論とも直接関連しています。ポッドキャストで彼が「失敗から学ぶ」文化について話していましたが、それは単に失敗を許容するだけでなく、それを通じて学び、前進する方法を見つけることに関するものです。
プログラムボードの話、つまり異なるプロジェクトや取り組みについて人々が一緒に話し合う場を持つという考えも、とても示唆に富んでいました。単なる情報の断片化ではなく、より統合的なアプローチを持つことの重要性を強調しています。
彼のFFailure Award（FF賞）の話も興味深かったです。失敗を認め、祝うという、文化的な側面からの興味深いアプローチです。しかし同時に、彼は失敗のコストを最小化する方法として、小さく早く失敗することの重要性も強調していました。私はこの考え方が本当に実践的で現実的だと思います。
12.2. 複雑なグローバル企業での地域性とスケールのバランス
そして、彼の話の中でもう一つ興味深かったのは、これが非常に複雑な会社だということです。実に多くの異なるブランド、非常に多くの異なる地理的地域があります。そこには地域の重要性、地域の知識、地域の専門知識、地域の背景があり、同時にグローバル企業として規模を持って運営する必要もあります。
このバランスを取ることは容易ではありません。それが彼が「80のスタートアップを持っているような」と表現した部分です。それぞれの地域が異なる市場条件、消費者の好み、規制環境に対応する必要がある中で、どのようにグローバルな規模の利点を活かすかという課題です。
生活はそれほど単純ではなく、物事は複雑であり、複雑であっても問題ないのです。彼がこの複雑さを認め、それをどのように管理するかについて考えていることを、私は評価しています。複雑さを否定したり、単純化しすぎたりするのではなく、それを理解し、それに対処するための構造を構築しています。
これはAIとデータの文脈において特に関連性があります。各地域で異なるデータ定義や方法論を持つことの課題と、グローバルな分析と洞察を可能にするための標準化の必要性のバランスを取る方法です。彼のアプローチは、複雑なグローバル組織が直面する微妙な現実を認識したものであり、私はこれが多くの企業にとって価値のある洞察だと思います。
12.3. 従来型BIの継続的な価値
彼はBIについても言及していました。私たちはすべてジェネレーティブAIについて話していますが、彼は「いや、実はBIにまだたくさんのお金があるんだ」と言っていました。つまり過去に何が起こったかを記述的に理解することには、非常に多くの価値があるのです。
これは非常に良い部分だと思います。私たちは良く、目の前にあるものの価値を過小評価し、新しい輝くものを好む傾向があるからです。しかし、基本的な部分を理解していない限り、何が起こっているのかを本当に理解することは難しいでしょう。
彼が自分の分解機能について話していたことも、この点と関連しています。AIの分解機能は、実際には過去に何が起こったかを理解するためのものです。そして、AIモデルを採用してもらうために、まず人々に過去の出来事を理解させることは、とても賢明なアプローチだと思います。
私たちがAIの導入について話すとき、よくBIのような基本的なことを飛ばして、最新の最も先進的なツールに直接移行したいと考えがちです。しかし実際には、堅実なBI基盤の上に構築することが、AIの成功には不可欠なのです。AIはデータから学習しますが、そのデータの質と、基本的な記述的洞察の品質がAIの効果を左右します。
この古き良きBIの価値に対する彼の認識は、ハイネケンがテクノロジーの新しい流行に飛びつくのではなく、価値に焦点を当てた多層的なアプローチを取っていることを示しています。