この記事は、Dataikuのエグゼクティブプログラムのホストであるマーク・パーマーによって書かれました。マークは、Warburg PincusのデータおよびAI業界のアナリストであり、6つのAI、データ管理、データサイエンス企業の取締役会メンバーでもあります。タイム誌は彼を「あなたの人生を変える技術のパイオニア」と名付けました。また、マークはLinkedInのデータ分析分野におけるトップボイスにも選ばれています。

10ヶ月前、生成AI（GenAI）は疑問符でしたが、今では財務報告書において感嘆符となっています。最近のマッキンゼー＆カンパニーによるAIリーダーシップ調査では、「生成AIのハイパフォーマー」グループが、生成AIの活用によってEBITDAの最大10%、従来型AIの活用によって20%の影響を与えることができると報告されています。つまり、生成AIは実験室から帳簿へと移り始めています。

10か月前、生成AIは懐疑的に思われていました。今は財務報告書からもそのインパクトを実感できるほどです。最近の McKinsey & Company AI リーダーシップ調査の「生成AIハイパフォーマー」コホートは、EBITDAの10%を生成AIの使用に結びつけ、20%を従来のAIに結びつけることができることを発見しました。したがって、生成AIはラボから台帳への移行を開始しました。

残念ながら、同時に70%のリーダーが、自分たちのチームがAIに対して準備ができていないと述べています。課題としては、AIのバイアス理解、データプライバシー、データ品質、モデルのスコアリングコスト、そしてハルシネーションなどが挙げられます。そのため、AIの利用が急増し、ビジネスへの影響が証明され始めている一方で、多くの企業は依然として準備が整っていません。

リーダーシップはこのギャップを埋めなければなりませんが、どうすればよいのでしょうか。マッキンゼー＆カンパニー、MIT、Databricks、そしてDataikuの研究がいくつかの手がかりを示し、生成AIのハイパフォーマーたちのベストプラクティスを明らかにしています。

1. AIを人工知能ではなく拡張知能と見なす

MITの研究によると、生成AIは人間が複雑な意思決定を行う速度を44%速め、精度を20%向上させることがわかっています。これは良いニュースです。しかし、MITの研究は問題も明らかにしました。参加者の68%がAIの出力を修正せずにそのまま使用していたのです。これは、生成AIの利用に対する未熟なアプローチを示しており、AIを人間の能力の延長として扱い、単なる代替品ではないとするリーダーシップが必要であることを示しています。

シンガポールの国立大学健康システム（NUHS）で導入されているエンデバーAIシステムは、拡張知能がどのように機能するかを具体的に示しています。シンガポールの診療所に患者が訪れると、最前線の医療スタッフがデジタルメモを取り、そのデータはAIエージェントに安全に送信され、数十万人の患者データと比較して、十数種類の病気（癌、心臓病、虫垂炎など）の可能性を予測します。

AIエージェントは「この患者が虫垂炎である確率は92%です」といった予測を、最前線のスタッフが使用するアプリに返します。これらのAI予測は医療チームの洞察を拡張し、AIの予測を彼らの経験、直感、状況と組み合わせて、最適な次の行動を決定することができます。

エンデバーは、AIの予測と人間の判断をどのようにバランスさせるかについての模範的なケーススタディです。AIは人間の共感、判断、患者との協力を置き換えるのではなく、前線のスタッフを補強し、彼らが見逃したかもしれない盲点を特定し、人間にはできない方法で患者データの履歴やより広い視点を迅速に活用します。
生成AIのハイパフォーマーたちはこれを理解しており、意思決定のバランスをこのように再考する「エンデバー（努力）」を行っています。

2. 生成AIを定期的かつ個人的に活用する

賢明なリーダーたちは、生成AIを実際に使いこなしています。マッキンゼーの調査によれば、生成AIのハイパフォーマー企業の幹部は、日常的に生成AIを使用する割合が2倍（15%対8%）に達していることがわかりました。彼らは、生成AIを効果的にリードするためには、自ら生成AIを活用することが不可欠であると理解しています。ですから、もしあなたがCレベルのリーダーであり、生成AIを1日に数回使用していないのであれば、今すぐに始めるべきです。

3. AIはアルゴリズムだけではないことを理解している

遅れをとっている企業はAI技術に固執しがちですが、リーダーたちはAIを行動変革の手段として捉えています。例えば、ターゲットの「ストアコンパニオン」は、店舗スタッフが顧客の質問に答えたり、ロイヤルティカードの申し込み方法を思い出したり、停電後にレジを再起動したりするのを支援することで、意思決定のバランスを変えました。彼らは、AIを店舗運営の体験に取り入れ、スタッフのスキルを向上させることで、顧客との対話のあり方を変え、店舗スタッフの業務効率を改善しました。これらの生成AIの応用により、従業員の仕事の進め方が向上しました。
こうした行動の変革を促進するために、必ずしも最新のアルゴリズムに焦点を当てるわけではありません。Dataikuの「AI, Today」調査によると、彼らはデータへの容易なアクセスを提供し、チームにモデルをより迅速に効率的に運用させることに注力しています。

4. LLM メッシュを活用する

生成AIのリーダーたちは、AIの良し悪しを見極めるために高度な技術を使用する割合が2倍（42%対19%）に達しています。つまり、企業が直面している課題はモデルの不足ではなく、モデルが多すぎることです。2024年6月時点で、AIモデルのリポジトリであるHugging Faceには70万ものモデルが登録されており、毎日新しいモデルが追加されています。この圧倒的な選択肢の多さは、データサイエンティストにとっても非常に混乱を招くものであり、ましてやAIを利用する技術に詳しくないユーザーにとってはさらに難解です。例えば、PowerBI、Tableau、Spotfireなどのツールは、ビジネスインテリジェンスのアナリストや技術研究者に、数回のクリックでビジネスダッシュボードに予測モデルを組み込む能力を提供しています。

成功の鍵は、どのAIモデルを選ぶかを理解することにあります。生成AIのハイパフォーマーたちは、「LLMメッシュ」というアイデアを採用しており、これにより、適切なLLM（大規模言語モデル）サービスを自動化、拡張、および簡素化しています。LLMメッシュは、リソースに対する抽象化レイヤーを提供し、リソースの選択肢を統合的に管理・分析し、LLM関連のオブジェクトに関する中央の発見およびドキュメントリポジトリを維持します。
LLMメッシュは、モデル資産を理解しやすく、見つけやすく、利用しやすくすることで、チームが迅速かつ自信を持って作業できるように支援します。

5. より多くの機能部門に生成AIの活用を促進する

マッキンゼーの調査によれば、遅れをとっている企業は、生成AIをマーケティングや営業などの1つか2つの機能に限って利用する傾向があります。一方で、ハイパフォーマーたちはより多くの部門に生成AIを広く導入し、法務やITオペレーションといった部門も、ソリューション開発の初期段階から関与させています。例えば、生成AIのハイパフォーマーは、マーケティング、営業、IT、オペレーション、法務といった複数の部門で生成AIを積極的に活用する傾向にあります。つまり、生成AIをリードするには、「多ければ多いほど良い」ということを忘れないでください。

6. AIの学習開発プログラムにプロジェクトベースの学習（PBL）を採用している

生成AIのハイパフォーマーたちは、遅れをとっている企業よりもはるかに多く（43%対18%）、厳選された学習プロセスを推進しています。また、トレーニングのスタイルも重要です。

生成AIスキルを習得するための最適なトレーニングスタイルに関する研究によると、プロジェクトベースの学習（PBL）は、従来の教室型学習に比べて2～3倍効果的であることが示されています。これは、生成AIを学ぶには実際に生成AIを使う必要があるためです。

プロジェクトベースの学習（PBL）アプローチの効果を測定した研究では、生成AIスキルの向上に効果的な4つの要素が明らかになりました：

協働学習（Collaborative Learning, CL）：教師と生徒が対話の中で知識を共有し、発展させる。
専門分野の学習（Disciplinary Subject Learning, DSL）：プロジェクトが特定のユースケースに焦点を当てる。
反復学習（Iterative Learning, IL）：繰り返し質問し、意味を見出し、振り返り、共有するという教育スタイル。
本物の学び（Authentic Learning, AL）：学生が新しいアイデアを積極的に生み出し、共有し、互いの考えを発展させ、自分自身や仲間の学問的な考えを評価することを奨励する。

このように、リーダーたちは、学習と開発（L&D）を遅れている企業よりも優先し、彼らのプログラムは協働的、専門的、反復的、そしてアクティブであることを重視しています。

7. 昨年は使わなかったデータを積極的に活用する

生成AIのハイパフォーマーたちは、過去に無視されていた新しい種類のデータを活用するための基盤となるデータ戦略を持つ割合が2倍（43%対15%）に達しており、これらの新しいデータソースを遅れをとっている企業よりも迅速に導入しています。

例えば、これまで多くの企業は、大規模なコールセンターでの顧客との会話データをほとんど無視してきました。音声からテキストへの翻訳技術が安価であるにもかかわらず、会話型AI、大規模言語モデル（LLMs）、ベクターデータベースの発展により、このデータを利用することが比較的容易になっています。会話データは、顧客の考えを明らかにしたり、ビジネスの問題点を見つけたり、コールセンターのエージェントが何を言っているのかを理解したりするのに役立ちます。

会話データは、リーダーたちが遅れている企業よりも積極的に活用するデータの一例に過ぎません。柔軟な基盤を持つことで、新しいデータタイプにより迅速に適応できるようになっています。

8. 生成AIソリューションに科学的方法を活用する

生成AIのハイパフォーマンスリーダーたちは、スタートアップのようなマインドセットを持っています。これは、生成AIのユースケースがまだ大規模に証明されていないためです。スタートアップは実験し、計画を調整し、失敗を受け入れます。研究によると、科学的方法を使用することは、このスタートアップマインドセットの中で最も基本的なベストプラクティスの1つであることが示されています。『A Scientific Approach to Entrepreneurial Decision-Making: Large-Scale Replication and Extension』という研究によると、科学的方法を使用する企業は、使用しない企業に比べて平均で49万2000ユーロ多くの収益を生み出しています。

科学的方法が効果的なのは、それが研究者の呼ぶ「方法的懐疑（methodic doubt）」という態度を養うからです。これは、意思決定者がより意識的になり、過信を避けるのに役立つ批判的思考の態度です。方法的懐疑は、リーダーが仮説を立て、テストし、調整するプロセスを助け、ROIをもたらす生成AIのユースケースを開発するのに役立ちます。

9. 法務およびリスクチームをAIソリューションに早期に関与させる（シフトレフト）

生成AIのハイパフォーマーたちは、遅れをとっている企業に比べて、法務チームを早い段階で関与させています。法務チームをパイロットプロジェクト、要件収集、実験段階に早期に参加させることで、プライバシー、知的財産権、権利、セキュリティ、適切性に関する重要な問題をプロセスの初期段階で解決できるようにします。これにより、ビジネスおよび技術チームは、これらの問題を自分たちの業務の一部として考慮することができるようになります。

まず従来のAIでROIを達成し、その後生成AIを構築する
マッキンゼーの調査によれば、ハイパフォーマーの42%が、EBITの20%以上が非生成型の分析AIの利用によるものであると答えています。つまり、彼らはEBITの10%を生成AIに結びつけることができますが、研究は従来のAIの活用が重要な第一歩であることを示しています。
実際、生成AIに関する上記の10のベストプラクティスの多くは、従来のAIにも当てはまります。もし生成AIに遅れを感じているなら、まず従来のAIから始めることを検討してみてください。

AIをラボからビジネスの現場へ移行させるための10ステップ

AIはラボからビジネス現場での活用へと進化しており、これらの10の研究結果は、リーダーが意思決定を切り離し、AIを組織の文化や業務に浸透させるために適応すべき方法を示しています。

生成AIのリーダーたちは、AIを単なる人工知能ではなく、拡張知能として認識しています。Cレベルのリーダーは、日常的に個人的にAIを活用しています。また、AI技術にこだわるのではなく、AIを行動変革の触媒として活用することに焦点を当てています。さらに、AIの取り組みを導くために科学的方法を活用しています。

これらの生成AIのハイパフォーマンスリーダーの10の習慣を採用することで、AI時代を成功裏に乗り切り、チームがAIの変革的な可能性を最大限に活用できるように準備を整えることができます。

生成AIをスケールするためにAIプラットフォームが必要な理由

このFlipbookでは、生成AIをスケールするための4つの主要なアプローチを紹介し、それぞれの利点と課題を解説します。また、将来を見据えた生成AI戦略を確実にするための最も論理的なアプローチについてのおすすめも提供します。

原文: 10 Things High-Performing GenAI Leaders Do