業務におけるAIの導入：価値、Applications、コスト、そして今後の展望

産業の未来に関する議論では人工知能が中心的な話題となっていますが、実験段階から実際の運用段階へと移行するには時間がかかります。AIのパイロットプロジェクトの最大95％が本番環境に導入されないというデータからも明らかなように、多くの組織は依然としてAI導入の初期段階にあると言えます。

「Operations Calling」では、Tulip共同創業者兼CEOであるナタン・リンダー氏、Zebra 最高技術責任者（CTO）であるトム・ビアンクリ氏、そしてAWSの産業部門ビジネス開発エグゼクティブであるアレクサンドラ・フランソワ＝サン＝シル氏が、運用環境におけるAI導入の実態について対談を行いました。 実験的な取り組みは加速していますが、成果を上げている組織は、AIをワークフローに組み込み、運用ノウハウを蓄積し、現場での意思決定を改善することで、実用的な応用に注力しています。

この記事では、AIがすでに業務のどの分野で価値を生み出しているのか、製造現場のチームがどのようにAIを導入しているのか、そして業務向けAIの次の段階がどのようなものになるのかについて探っていきます。

組織が実稼働環境でのAIの活用を検討し始めると、エッジコンピューティングとインテリジェントオペレーションという2つの概念がしばしばセットで登場します。

エッジコンピューティングとは、データが生成される場所の近く、例えば機械、カメラ、センサー、あるいは製造現場の産業用デバイスなどでデータを処理することを指します。すべての運用データを集中型システムに送信するのではなく、エッジインフラストラクチャを活用することで、特定の分析や対応をローカルで実行できるようになり、遅延を低減し、生産現場での迅速な対応を可能にします。

同時に、クラウドプラットフォームは、高度な分析、機械学習モデル、および長期的なデータ保存に必要な拡張性を提供します。エッジシステムとクラウドシステムが連携することで、組織はリアルタイムの運用データと大規模な分析を組み合わせることが可能になります。

この組み合わせにより、多くの組織が「インテリジェント・オペレーション」と呼ぶものが実現されます。これは、機械、システム、現場の従業員から得られるデータを継続的に収集し、文脈に合わせて解釈し、業務上の意思決定の改善に活用する運用モデルです。

多くの企業がAIの導入を試みていますが、そうした試みを日常業務で活用できるシステムへと発展させることは、依然として困難です。運用環境は複雑であり、導入を遅らせる要因がいくつか存在します。

連携されていない運用データ
運用データは、多くの場合、機械、レガシーシステム、スプレッドシート、文書などに分散しています。こうした情報が連携されていないと、AIツールは現場で何が起きているのかという全体像を把握することが困難になります。

実務知識の喪失
経験豊富な従業員が退職するにつれ、組織は、体系化されたシステムや文書ではなく、従業員の経験の中にのみ存在する貴重な知識を失うリスクに直面します。

セキュリティ、コンプライアンス、および信頼性に関する懸念
産業環境において、新しい技術はセキュリティ、ガバナンス、および規制遵守に関する厳しい要件を満たさなければなりません。そのため、組織は本番システムへのAI導入に慎重になることがあります。

組織の躊躇
経営陣や従業員も、AIが仕事や業務の流れにどのような影響を与えるのかについて、不安を抱いている可能性があります。明確な指針や技術への信頼がなければ、導入のペースは鈍化する恐れがあります。

AIが価値を生み出している分野

AIの導入に成功している組織は、広範な変革イニシアチブではなく、具体的な業務上のユースケースから着手する傾向があります。最初から抜本的な変革を追求するのではなく、AIによって測定可能な成果が得られる、影響が大きく、範囲が明確に定義された課題に焦点を当てています。この現実的なアプローチにより、リスクを軽減し、価値創出までの時間を短縮するとともに、将来的にはより広範な変革に向けた基盤を築くことができます。

従業員の知識とトラブルシューティング

多くの業界で、経験豊富なオペレーターが退職するにつれ、人手不足に直面しています。AIツールを活用すれば、経験豊富な従業員から業務上のノウハウを引き出し、新入社員がそれを活用できるようにすることができます。

例えば、企業ではAI搭載のアシスタントを活用し、トラブルシューティングのドキュメントや業務上の知見を検索可能にすることで、オペレーターが生産中に必要な情報へ素早くアクセスできるようにしています。また、既存の標準作業手順書（SOP）や作業指示書を、構造化されたインタラクティブなワークフローに変換するためにAIを活用するケースも増えています。これにより、その知識を日常業務に直接組み込むことで、新入社員は静的なドキュメントだけに頼るのではなく、実際の業務の文脈の中で学ぶことができるようになります。

エンタープライズ検索とナレッジ検索

多くの組織では、AIシステムの普及以前から収集された膨大な量の業務データをすでに保有しています。

AIを活用した検索システムは、文書、過去のデータ、業務記録を横断して検索できるようにすることで、こうしたデータの活用を可能にします。AIコパイロットは、答えを一から生成するのではなく、関連する業務知識を検索し、必要な瞬間にそれを提示します。

マシンビジョンと業務の自動化

AIは、次のような分野でも活用されています：

• 品質検査のためのマシンビジョン

• 反復的なワークフローの自動化

• 業務プロセスのリアルタイム検証

• 在庫および資産の可視性の向上

これらのユースケースでは、AIを独立した分析機能として扱うのではなく、業務ワークフローに直接組み込んでいます。

業務へのAI導入を成功させるには、通常、いくつかの実用的な原則に従う必要があります。

「技術について考える前に、まず解決しようとしている問題をしっかりと理解することから始めるべきです」— アレクサンドラ・フランソワ＝サン＝シール、AWS 産業部門 ビジネス開発エグゼクティブ

まずは1つのユースケースから始めましょう

成功を収めている組織は、多くの場合、単一の運用ユースケースから始め、そこから拡大していきます。あるワークフローにおいて価値を実証することで、信頼が築かれ、チームは他のプロセスにもAIを拡大できるようになります。

現場の従業員と共にソリューションを構築する

AIツールは、実際に使用する人々と共に開発された場合に最も効果を発揮します。既存のワークフローに合わせてシステムを設計することで、使いやすさが向上し、信頼が築かれ、導入が進みます。

適切なテクノロジーパートナーを選びましょう

運用AIの導入には、インフラ、産業システム、データプラットフォームにまたがる専門知識が必要となるため、パートナー選びが成功の鍵となります。これらすべての分野にわたる能力を社内で一から構築しようとするよりも、技術的な専門性と特定分野での経験を兼ね備えたパートナーと協力することで、リスクを大幅に軽減し、プロジェクトの進展を加速できると、多くの組織が認識しています。実際には、これには、類似の運用上の課題をすでに解決しており、その経験を新たなユースケースに直接応用できるパートナーを優先することが含まれる場合が少なくありません

「その分野で特定のユースケースを持つパートナーを選べば、自社だけで開発しようとする場合と比べて、成功の可能性が2倍になります」— トム・ビアンクリ、Zebra

リーダーシップが導入文化を牽引します

リーダーシップの在り方も、AIの導入において重要な役割を果たします。リーダーが積極的にAIツールを活用し、実験的な取り組みを奨励することで、これらの技術が組織の将来の運営モデルの一部であることを示すことになります。

「リーダーとしてこの場にいらっしゃる方なら、自組織にAIを導入してほしいと願っているはずです。もしご自身が率先して実践しなければ、誰もあなたについてきてはくれません。それだけのことです。」 — ナタン・リンダー、Tulip

AIの導入には、コストやインフラに関する重要な課題も伴います。

組織は、コンピューティングリソースの使用状況、トークンの消費量、モデルの選択といった要素を監視する必要があります。ガバナンスがなければ、AIの利用は急速に拡大し、コストがかさむ恐れがあります。

多くの企業が、エッジコンピューティングとクラウドインフラを組み合わせたハイブリッドアーキテクチャを通じて、この課題に取り組んでいます。データをローカルで処理しつつ、大規模な分析にはクラウドシステムを活用することで、パフォーマンスとコストのバランスをとることができます。

AIの導入が進むにつれ、これらの技術を支えるインフラも拡大しています。

大規模なAIモデルには膨大な計算リソースが必要であり、現代のデータセンターでは、冷却や運用に多量の電力と水を消費しています。ハードウェアやインフラ設計の進歩により効率化が進んでいますが、こうした課題は、AIの導入をめぐるより広範な議論の一部となりつつあります。

実用AI分野における最も有望な進展の一つは、ドメイン特化型モデルの登場です。

「ドメイン特化型LLMというこの概念……これが次の大きなトレンドになるでしょう。なぜなら、汎用的な世界モデルでは、こうした実務環境において何が『良い状態』なのかを正確に把握できないからです」 — トム・ビアンクリ、Zebra 最高技術責任者

インターネット規模のデータで学習された汎用AIシステムは、複雑な産業環境を完全に理解できない可能性があります。運用データや産業ワークフローで学習されたドメイン特化型モデルであれば、こうしたシステムの動作についてより深い理解を得ることができます。

また、実世界のデータセットが限られている場合、組織ではモデルの学習を改善するために、合成データの生成といった手法も模索しています。

こうした進展により、将来的には、運用上の状況を把握し、生産環境全体においてより賢明な意思決定を支援するAIシステムが実現する可能性があります。

Tulip 、現場のデータ、ワークフロー、および企業システムを統合された運用環境に結びつけることで、組織がAIを実務に活用できるようTulip 。機械、デバイス、現場の従業員からコンテキストデータを収集することで、Tulip 実際の業務上の意思決定を支えるAI対応アプリケーションを構築するために必要な基盤をTulip 。

このコンテキスト層を構築することで、チームはガバナンスと人的な監督を維持しつつ、コパイロット、分析、自動化といったAI機能を業務ワークフローに直接導入することができます。組織は、孤立した実験を行うのではなく、既存のプロセスと統合し、本番環境全体に拡張可能なソリューションを構築することができるようになります。

このアプローチにより、組織はAIの試験運用段階を乗り越え、最も重要な場面である日々の業務においてAIを活用し始めることができます。