OpenAI: 先進企業7社の事例から学ぶ成功への教訓

OpenAI: AI in the Enterprise より
https://cdn.openai.com/business-guides-and-resources/ai-in-the-enterprise.pdf

企業のデジタル変革において、AIの導入は避けて通れない重要な課題となっています。しかし、どのようにAIを効果的に導入し、実際のビジネス価値に変換するかについては、多くの企業が試行錯誤を続けています。本記事では、OpenAIが公開した「AI in the Enterprise」レポートを基に、Morgan Stanley、Indeed、Klarna、Lowe'sなど7つの先進企業の事例から、成功するAI導入のための教訓を体系的に紹介します。

目次

1. はじめに
2. 企業AIの3つの価値領域
3. 成功するAI導入のための7つの教訓
   • 教訓1：評価（evals）から始める
   • 教訓2：AIを製品に組み込む
   • 教訓3：今すぐ始め、早期に投資する
   • 教訓4：モデルをカスタマイズし、微調整する
   • 教訓5：専門家にAIを提供する
   • 教訓6：開発者のブロックを解除する
   • 教訓7：大胆な自動化目標を設定する
4. AI導入プロセスの視覚化
5. 企業におけるAI導入のロードマップ
6. まとめ：AIの導入で組織が得られる価値

はじめに

企業のデジタルトランスフォーメーションが進む中、AIの導入は競争力を維持するために不可欠な要素となっています。特に、ChatGPTやGPT-4などの大規模言語モデル（LLM）の登場により、企業におけるAI活用の可能性は飛躍的に拡大しました。

しかし、AIの導入は従来のソフトウェア開発やクラウドアプリケーションの導入とは異なります。最も成功している企業は、AIを新しいパラダイムとして扱い、実験的なマインドセットと反復的なアプローチを採用しています。これにより、価値創出までの時間を短縮し、ユーザーや利害関係者からの支持を得やすくなります。

本記事では、OpenAIが公開した「AI in the Enterprise」レポートを基に、Morgan Stanley、Indeed、Klarna、Lowe's、BBVA、Mercado Libre、そしてOpenAI自身の事例から、企業がAIを成功裏に導入するための7つの重要な教訓を紹介します。

📚 前提知識
本記事を理解するために、AIやプログラミングの専門知識は必要ありません。AI導入の基本的な概念やビジネス価値に焦点を当てて説明します。

企業AIの3つの価値領域

企業がAIを導入することで、主に以下の3つの領域で大きな改善が見られることが報告されています：

1. 従業員のパフォーマンス向上 🚀

AIを活用することで、より短時間で質の高いアウトプットを生み出すことができます。例えば、データ分析や文書作成などの業務が大幅に効率化されます。

具体例：Morgan Stanleyでは、ファイナンシャルアドバイザーがAIを使用することで、資料へのアクセス率が20%から80%に向上し、検索時間が大幅に短縮されました。これにより、顧客との関係構築に多くの時間を割けるようになりました。

2. 定型業務の自動化 ⚙️

繰り返し行われる単調な作業をAIが代行することで、従業員は価値創造に集中できるようになります。例えば、カスタマーサポートの一次対応やデータ入力作業などが自動化されています。

具体例：Klarnaでは、AIアシスタントがすべてのサービスチャットの3分の2を処理するようになり、平均解決時間を11分からわずか2分に短縮しました。

3. 製品・サービスの強化 💎

AIを製品やサービスに組み込むことで、よりパーソナライズされた顧客体験を提供できます。例えば、レコメンデーションシステムの精度向上や、対話型インターフェースの実装などが可能になります。

具体例：Indeedでは、GPT-4o miniを活用して求職者と求人のマッチングを改善し、応募開始率が20%向上、採用成功率が13%向上しました。

これらの価値を最大化するためには、各企業の特性や課題に合わせたAI戦略の策定が重要です。次のセクションでは、その具体的なアプローチについて解説します。

成功するAI導入のための7つの教訓

教訓1：評価（evals）から始める 📊

AIモデルを本格的に導入する前に、そのパフォーマンスを体系的に評価するプロセスを確立することが重要です。この評価プロセスは「evals（イヴァルズ）」と呼ばれ、AIモデルが特定のユースケースに対してどの程度効果的かを測定します。

Morgan Stanleyの事例

金融サービスのグローバルリーダーであるMorgan Stanleyは、人間関係を重視するビジネスにAIをどのように活用できるか検討する際、まず徹底的な評価から始めました。

彼らの最初の評価は、ファイナンシャルアドバイザーの効率と効果を向上させることに焦点を当てました。アドバイザーが情報に素早くアクセスし、繰り返し行われる作業にかける時間を削減できれば、クライアントにより良い洞察を提供できるというシンプルな前提からスタートしました。

彼らは以下の3つのモデル評価から始めました：

1. 言語翻訳：モデルによって生成された翻訳の正確性と品質を測定
2. 要約：モデルが情報をどのように要約するかを評価し、正確性、関連性、一貫性について合意された指標を使用
3. 人間のトレーナーとの比較：AIの結果を専門家アドバイザーの回答と比較し、正確性と関連性について評価

これらの評価により、Morgan Stanleyはユースケースを本番環境に展開する自信を得ました。

現在、Morgan Stanleyのアドバイザーの98%が毎日OpenAIを使用しています。文書へのアクセス率は20%から80%に跳ね上がり、検索時間が大幅に短縮されました。また、タスクの自動化と迅速な洞察により、アドバイザーはクライアントとの関係構築に多くの時間を割けるようになりました。

評価（evals）の仕組み

評価とは、モデルが生成する出力を検証しテストするプロセスです。これは新しいソフトウェアのQAテストに似ていますが、AI特有の課題に対応しています。具体的には：

1. 基準の設定：何を「良い結果」とするかの明確な基準を設定
2. テストデータの準備：様々なシナリオを想定したデータセットの作成
3. 比較評価：AIの結果と理想的な結果（または人間の専門家の回答）との比較
4. 継続的な改善：評価結果に基づくモデルの調整と再評価

教訓2：AIを製品に組み込む 🔌

AIを活用して退屈で繰り返しの多い作業を自動化・加速することで、従業員は人間にしかできないことに集中できるようになります。また、AIは多くのソースから膨大なデータを処理できるため、より関連性が高くパーソナライズされたものになり、より人間らしい顧客体験を生み出すことができます。

Indeedの事例

世界No.1の求人サイトであるIndeedは、GPT-4o miniを使用して求職者と求人を新しい方法でマッチングしています。

求職者に素晴らしい求人を推薦することは、Indeedの体験の始まりに過ぎません。候補者になぜこの特定の求人が推薦されたのかを説明する必要もあります。

Indeedは、GPT-4o miniのデータ分析と自然言語機能を活用して、求職者へのメールやメッセージにこれらの「理由」ステートメントを形作っています。AIを使用することで、人気の「応募への招待」機能も候補者のバックグラウンドや以前の職務経験がなぜその職に適しているかを説明します。

Indeedチームは、以前の求人マッチングエンジンと新しいカスタマイズされたコンテキストを備えたGPTを搭載したバージョンをテストしました。パフォーマンスの向上は顕著でした：

• 求人応募開始が20%増加
• 下流の成功が13%向上—候補者が応募する可能性が高くなるだけでなく、雇用主が彼らを雇用する可能性も高まった

Indeedが毎月2000万以上のメッセージを求職者に送信し、毎月3億5000万人の訪問者がサイトを訪れることを考えると、これらの増加はビジネスに重大な影響を与えています。

しかし、拡大することはより多くのトークンを使用することも意味しました。効率を高めるために、OpenAIとIndeedは協力して、60%少ないトークンで同様の結果を提供できる、より小さなGPTモデルを微調整しました。

AIを製品に組み込む際のポイント

製品にAIを組み込む際の重要なポイントは以下の通りです：

1. ユーザー体験の向上に焦点を当てる：AIはそれ自体が目的ではなく、ユーザー体験を向上させる手段
2. 「なぜ」の説明を提供する：AIの判断や推薦の理由を説明することで信頼性が向上
3. 効率とコストのバランス：モデルの大きさと性能のトレードオフを考慮
4. 継続的な測定と改善：実際のユーザー行動データに基づいて常に改善

教訓3：今すぐ始め、早期に投資する ⏱️

AIはほとんどの場合、プラグアンドプレイのソリューションではありません。ユースケースは反復を通じて洗練され、影響力が増していきます。早く始めるほど、組織は改善の複合効果からより多くの恩恵を受けることができます。

Klarnaの事例

グローバル決済ネットワークおよびショッピングプラットフォームであるKlarnaは、カスタマーサービスを合理化するための新しいAIアシスタントを導入しました。数ヶ月以内に、このアシスタントはすべてのサービスチャットの3分の2を処理するようになり、何百人ものエージェントの仕事をこなし、平均解決時間を11分からわずか2分に短縮しました。この取り組みは、人間のサポートと同等の満足度スコアを維持しながら、4000万ドルの利益改善をもたらすと予測されています。これらの結果は一夜にして起こったわけではありません。Klarnaはアシスタントを継続的にテストし改良することでこのパフォーマンスを達成しました。

同様に重要なのは、Klarnaの従業員の90%が現在、日常業務でAIを使用していることです。組織全体でAIに対する親しみやすさが高まったことで、Klarnaはより迅速に行動し、社内の取り組みをより効率的に立ち上げ、顧客体験を継続的に改善することができました。早期に投資し、幅広い採用を奨励することで、Klarnaはビジネス全体で収益を生み出すAIの恩恵が複合的に現れていることを実感しています。

早期導入のリスクと対策

AI導入を早期に始めることには多くのメリットがありますが、いくつかのリスクも伴います：

1. 未熟な技術への依存：急速に進化する技術に依存することのリスク
2. 過度な期待：初期段階での過度な期待によるプロジェクト失敗

これらのリスクを軽減するために：

• 小規模パイロットから始める
• 明確で測定可能な成功指標を設定する
• 失敗から学ぶ文化を育てる
• 技術的負債を許容する用意をする

教訓4：モデルをカスタマイズし、微調整する 🔧

AIの導入から最も成功を収めている企業は、多くの場合、独自のAIモデルをカスタマイズしトレーニングすることに時間とリソースを投資しています。OpenAIは、セルフサービスアプローチでもツールとサポートを使用する場合でも、モデルをカスタマイズし微調整しやすくするためにAPIに多大な投資を行っています。

Lowe'sの事例

Fortune 50のホームインプルーブメント企業であるLowe'sは、eコマース検索機能の正確性と関連性を向上させるためにOpenAIと緊密に協力しました。数千のサプライヤーを抱えるLowe'sは、多くの場合、不完全または一貫性のない製品データを扱わなければなりません。

鍵となるのは、正確な製品説明とタグ付けです。しかし、それには買い物客がどのように検索するかという理解も必要であり、これは製品カテゴリーによって変化するダイナミクスです。そこで微調整（fine-tuning）の出番です。

OpenAIモデルを微調整することで、Lowe'sチームは製品タグ付けの精度を20%向上させることができました—エラー検出は60%改善されました。

微調整（Fine-tuning）とは？

もしGPTモデルが既製のスーツなら、微調整はテーラーメイドのオプションです—モデルを組織の特定のデータとニーズにカスタマイズする方法です。

微調整の技術的解説（初心者向け）

微調整とは、すでに学習済みの大規模AIモデルを、特定の業務や目的に合わせて追加学習させることです。例えば：

1. 事前学習モデル：一般的な知識を持つベースモデル（GPT-4など）から始める
2. 特定データでの追加学習：企業固有のデータ（製品カタログ、内部文書など）を使って追加学習
3. パラメータ調整：特定のタスクに最適なパフォーマンスを発揮するようモデルの内部パラメータを調整
4. 評価と改善：微調整したモデルの性能を測定し、必要に応じて再調整

これは料理に例えると、既製のソースを基本として使い、自分のレストランの味に合わせて調味料を加えて調整するようなものです。

これが重要な理由：

• 精度の向上：製品カタログや社内FAQなどの固有のデータでトレーニングすることで、モデルはより関連性が高く、ブランドに沿った結果を提供します。
• ドメイン専門知識：微調整されたモデルは、業界の用語、スタイル、コンテキストをよりよく理解します。
• 一貫したトーンとスタイル：小売業者の場合、すべての製品説明がブランドの声に忠実であることを意味します。法律事務所の場合、それは適切にフォーマットされた引用を常に意味します。
• より迅速な成果：手動での編集や再チェックが少なくなるため、チームは高付加価値のタスクに集中できます。

教訓5：専門家にAIを提供する 👩‍💼👨‍💻

従業員はプロセスや問題に最も近く、多くの場合、AI駆動のソリューションを見つけるのに最適な立場にあります。これらの専門家の手にAIを届けることは、汎用的または水平的なソリューションを構築しようとするよりもはるかに強力です。

BBVAの事例

グローバルバンキングリーダーであるBBVAには、それぞれが独自の課題と機会を持つ125,000人以上の従業員がいます。彼らは責任ある使用を確保するために法務、コンプライアンス、ITセキュリティチームと緊密に協力しながら、従業員の手にAIを届けることを決定しました。彼らはChatGPT Enterpriseをグローバルに展開し、その後、人々に独自のユースケースを発見させました。

「通常、私たちのようなビジネスでは、プロトタイプを構築するだけでも技術的リソースと時間が必要です」とBBVAのグローバルAI採用責任者であるElena Alfaroは言います。「カスタムGPTを使えば、誰でも独自の問題を解決するためのアプリを作成できます—始めるのは非常に簡単です。」

5ヶ月で、BBVA従業員は2,900以上のカスタムGPTを作成しました—そのうちのいくつかは、プロジェクトやプロセスのタイムラインを数週間から数時間に短縮します。その影響は多くの分野や部門で感じられました：

• 信用リスクチーム：ChatGPTを使用して、より迅速かつ正確に信用力を判断します。
• 法務チーム：ポリシー、コンプライアンスなどに関する年間40,000の質問に答えるために使用します。
• カスタマーサービスチーム：NPSサーベイの感情分析を自動化します。

そして、マーケティング、リスク管理、オペレーションなど、勝利は引き続き広がっています。すべては、自分の専門分野でAIを適用する方法を知っている人々の手にAIを届けたからです。

AIの民主化とは？

AIの民主化とは、技術的専門知識がなくても、組織内の誰もがAIツールを利用できるようにすることです。これには以下の要素が含まれます：

1. ノーコード/ローコードツール：プログラミングスキルがなくてもAIを活用できるインターフェース
2. カスタムAIアシスタント：特定の業務に特化したAIツールを簡単に作成できる機能
3. セルフサービスプラットフォーム：ITの助けなしに部門ごとにAIを利用できる環境
4. 適切なガバナンス：安全で責任あるAI利用を確保するガードレール

これにより、業務知識とAI技術を組み合わせた革新が組織全体から生まれやすくなります。

教訓6：開発者のブロックを解除する 💻

開発者リソースは、多くの組織における主要なボトルネックと成長阻害要因です。エンジニアリングチームが圧倒されると、イノベーションが遅くなり、アプリやアイデアの取り組めない作業が山積みになります。

Mercado Libreの事例

ラテンアメリカ最大のeコマースおよびフィンテック企業であるMercado Libreは、その問題を解決するための開発プラットフォーム層を構築するためにOpenAIと提携しました。それはVerdiと呼ばれ、GPT-4oとGPT-4o miniによって駆動されています。現在、それは彼らの17,000人の開発者がAIアプリケーションの構築を統一し加速するのを支援しています。

Verdiは言語モデル、Pythonノード、APIを統合して、自然言語を中心的なインターフェースとして使用するスケーラブルで一貫したプラットフォームを作成します。開発者はソースコードに触れることなく、一貫して高品質なアプリをより速く構築できるようになりました。セキュリティ、ガードレール、ルーティングロジックはすべて組み込まれています。

その結果、AIアプリケーション開発は劇的に加速し、Mercado Libre従業員は以下を含む素晴らしいことを実現できるようになりました：

• 在庫容量の改善：GPT-4o mini Visionが製品リストにタグを付け、完成させ、Mercadoが100倍多くの製品をカタログ化できるようにします。
• 不正検出：毎日何百万もの製品リストのデータを評価し、フラグが立てられたアイテムの不正検出精度を約99%まで向上させています。
• 製品説明のカスタマイズ：ニュアンスのあるスペイン語とポルトガル語の方言に適応するために、製品タイトルと説明を翻訳します。
• 注文の増加：ユーザーが製品フィードバックを素早く把握できるようにレビューの要約を自動化します。
• 通知のパーソナライズ：より高いエンゲージメントを促進し、製品推奨を改善するためにプッシュ通知をカスタマイズします。

次のステップ：Verdiを使用して物流を改善し、配送の遅延を減らし、組織全体でより多くの高インパクトなタスクに取り組むことです。

開発者の生産性向上のためのAI活用法

AI時代の開発者生産性を向上させるアプローチ：

1. コード生成と補完：AIがコードスニペットを提案し、繰り返し作業を自動化
2. バグ検出と修正：一般的なエラーパターンの特定と修正案の提示
3. ドキュメント生成：コードからの自動ドキュメント作成
4. コードレビュー支援：ベストプラクティスに基づく改善提案
5. ローコード/ノーコードプラットフォーム：専門家以外でも開発できる環境の提供

これらを組み合わせることで、開発チームはより創造的で高付加価値な作業に集中できるようになります。

教訓7：大胆な自動化目標を設定する 🎯

OpenAIでは、毎日AIと共に生活しているため、独自の業務を自動化する新しい方法をしばしば見つけています。

例：サポートチームは、システムへのアクセス、コンテキストの理解、回答の作成、顧客のための適切なアクションの実行に時間を費やしていました。

そこで、OpenAIは内部自動化プラットフォームを構築しました。既存のワークフローやシステムの上に構築され、単調な作業を自動化し、洞察とアクションを加速します。

最初のユースケース：Gmailの上に構築して顧客の回答を作成しアクションをトリガーします。自動化プラットフォームを使用することで、チームは顧客データや関連するナレッジ記事に瞬時にアクセスし、その結果を応答メールや特定のアクション（アカウントの更新やサポートチケットのオープンなど）に組み込むことができます。

既存のワークフローにAIを組み込むことで、チームはより効率的で応答性が高く、顧客中心になっています。このプラットフォームは毎月何十万ものタスクを処理し、人々がより高インパクトな仕事をする自由を与えています。予想通り、このシステムは現在、他の部門にも広がっています。

これは、非効率なプロセスをビジネスのコストとして受け入れるのではなく、最初から大胆な自動化目標を設定したために実現しました。

効果的な自動化目標の設定方法

自動化目標を設定する際の重要なアプローチ：

1. 現状の徹底分析：まず現在のプロセスを詳細に理解する
2. 具体的な数値目標：「効率化」ではなく「処理時間を50%削減」など具体的に
3. 段階的導入計画：全体を一度に変えるのではなく、段階的に自動化
4. 人間の関与領域の再定義：自動化により人間が集中すべき新たな価値領域を特定
5. 継続的な評価と調整：自動化の効果を定期的に測定し改善

野心的な目標を設定しつつも、現実的な実装計画を立てることがポイントです。

AI導入プロセスの視覚化

企業がAIを効果的に導入するためのプロセスを視覚化すると、以下のようになります。

企業におけるAI導入のロードマップ

成功事例から学んだ教訓を基に、企業がAIを導入するための実践的なロードマップを以下に提案します。

フェーズ1：基盤構築（1-3ヶ月）🏗️

• AI戦略の策定：組織全体のAI導入ビジョンとゴールを定義
• 優先ユースケースの特定：投資対効果が高く、実現可能性の高い分野を選定
• 評価（evals）フレームワークの確立：AIの成果を測定する基準と方法の確立
• セキュリティとガバナンスポリシーの策定：データ保護とモデル利用のガイドライン整備

フェーズ2：小規模実装と学習（3-6ヶ月）🧪

• 限定的なユーザーグループでのパイロット導入：専門家チームによる初期テスト
• モデルのカスタマイズと微調整：特定のユースケースに向けたモデル最適化
• 開発者向けツール整備：AIを活用した開発環境の構築
• 初期成果の測定と共有：組織内での成功事例の共有と学習

フェーズ3：組織的展開と深化（6-12ヶ月）🚀

• 全社的なAIアクセスの提供：適切なアクセス制御の下でのAIツール展開
• 専門職向けAIトレーニングの実施：各部門の専門家がAIを活用するための教育
• 自動化目標の設定と推進：反復的な業務の自動化率目標設定
• 製品・サービスへのAI組み込み：顧客向けオファリングへのAI機能統合

フェーズ4：最適化とイノベーション（12ヶ月以降）💡

• AIの活用度と効果の継続的測定：KPIの定期的な評価と改善
• 組織文化としてのAI活用の定着：日常業務へのAIの浸透
• 新たなビジネスモデルの探索：AIを活用した新規ビジネス機会の発掘
• AIケイパビリティの継続的な高度化：最新技術やモデルの導入と活用

まとめ：AIの導入で組織が得られる価値

この記事で紹介した7つの教訓は、AIを導入する企業にとって貴重な指針となります。成功している企業の共通点は、AIを既存のすべてのワークフローに急いで注入するのではなく、高リターン・低労力のユースケースを中心に据え、反復しながら学び、その学びを新しい領域に活かしていることです。

その結果はすでに明確に測定可能です：より速く、より正確なプロセス、よりパーソナライズされた顧客体験、そして人々が最も得意とすることに集中できるため、より充実した仕事が実現しています。

現在、企業はますます高度なプロセスを自動化するためにAIワークフローを統合し、多くの場合、ツール、リソース、他のエージェントを使用してタスクを完了しています。

企業がAIを導入する際には、以下の点を心に留めておくことが重要です：

1. 評価（evals）から始める 📊：新しいAI機能の導入前に、その性能を徹底的に評価する文化を構築しましょう。

2. 製品にAIを組み込む 🔌：顧客体験を豊かにし、より関連性の高い対話を実現するためにAIを活用しましょう。

3. 今すぐ始め、早期に投資する ⏱️：AIの学習は複合的に蓄積されるため、早く始めるほど価値が高まります。

4. モデルをカスタマイズし、微調整する 🔧：汎用モデルから始め、特定のニーズに合わせて微調整することで、大きな価値向上が実現します。

5. 専門家にAIを提供する 👩‍💼👨‍💻：プロセスに最も近い人々がAIを活用することで、最大の効果が得られます。

6. 開発者のブロックを解除する 💻：ソフトウェア開発ライフサイクルを自動化することで、AI導入の効果を増幅させることができます。

7. 大胆な自動化目標を設定する 🎯：ほとんどのプロセスには自動化できる定型作業が含まれています。高い目標を設定しましょう。

AIの真の価値は単なる効率化だけではありません。それは人間の創造性と専門知識を解放し、これまで時間や資源の制約で実現できなかった新しい可能性を探求する機会を提供することにあります。