なぜ、ほとんどの企業のAI投資は失敗に終わるのか

最近の人工知能（AI）の広まりを受け、企業の幹部は、AIがビジネスを根本から変える可能性があると考えるようになりました（PwCの2019年のCEO意識調査では、85％のCEOがそのように回答しています）。バックオフィスのプロセスの自動化から顧客満足度の向上まで、企業がAIの活用を検討できる分野は至るところにあります。コロナ禍の現在、従来のビジネスやオペレーション業務が継続できなくなったことの穴埋めとして、AIテクノロジーの採用が進められています。

企業がAIテクノロジーの導入に熱心な姿勢を示しているにもかかわらず、PwCが支援しているカーネギーメロン大学のDigital Transformation and Innovation Center（デジタル変革・革新センター）と共同で実施したAnalytics Maturity Model（アナリティクス成熟度モデル／AMM）調査によると、対象企業の76％は、AIに投資してもほとんど採算が取れていないという状況が判明しました。また、AIへの取り組みを全社的に導入している企業はわずか6％でした。

これほどAIが盛り上がっている中で、なぜ多くの企業のAIへの投資は失敗に終わるのでしょうか。

現実的には、多くの企業が考えている、あるいは準備しているより、AIの本格活用ははるかに難しいのです。AIに期待通りの価値を発揮させるには、これまでとはやり方を変えてスピーディーに対応する必要があります。

AIにフィットしたアジャイルアプローチを適用する

企業が犯しがちなミスは、ソフトウェア開発に適したアジャイルアプローチを使ってAIモデルを作成・展開してしまうことです。こうしたアプローチでは迅速かつ独立した形で開発に取り組めるよう、大規模なプロジェクトを小さなコンポーネントに分割し、建物をフロアごとに建設していくように反復的かつ安定したリリースを行います。

しかしAIは、建物というより科学実験に近いものです。実験主導型で、独立したコンポーネントから構築するだけでなく、データ処理からモデル開発、最終的にはモニタリングまで、モデル開発のライフサイクル全体を繰り返す必要があります。これらのプロセスは互いにフィードバックし合うので、モデルが完全に「完成」することはありません。

したがって、チームがAIの構築・展開を成功させるためには、アジャイル開発の厳格なプロセスを、AI開発に合う適切な形に調整することが求められます。スクラムマスターや、その他のアジャイルのスペシャリストは、AIとソフトウェアの違いを理解し、AI開発という名の「実験」に必要な反復プロセスを確立するためのトレーニングを受けなければなりません。

技術的コストの見積り不足

AIの主なコスト要因と言うと、単にデータサイエンスの博士号取得者を雇用するのに高額な費用がかかることだと多くの人が考えてしまいます。その結果、モデルの構築とスケールアップに必要になるデータ、インフラ、テクノロジーのコストと要件の見込みが甘くなるケースがよく見られます。

AIに学習をさせるには、大量のラベル付きデータが必要です。データは解決しようとしている問題を代表するものであると同時に、予想されるさまざまな複雑性を含んでいなければなりません。例えば、請求書処理の自動化の場合には、過去にラベルを付けた請求書サンプルが数多く必要になるだけでなく、未知のタイプの請求書についても効果的に予測できるモデルになるよう、サンプルデータの多様性も十分に確保しなければなりません。

データ以外の面でも、AIアプリケーションの構築と実行では（特に大量のデータで学習した複雑なモデルでは）しばしば多大な計算リソースが必要になる場合があります。企業は、構築または展開するアプリケーションのビジネスバリューを正確に見積もるためには、こうした計算リソースにかかるテクノロジーコストを前もって考慮しなければなりません。多くの組織は利益を創出する前にコストが増加し続けるのを容認するわけにいかず、AI活用による利益の創出まで待てずにAI活用推進のイニシアチブを中止しています。

AIの開発・構築と、他の領域でのケイパビリティ構築のどちらがビジネスにとって理にかなっているかを評価するには、AIアプリケーションのビジネスバリューと、効果的な実装に必要となるコストを正確に見積もる必要があります。