メインコンテンツへジャンプ
Data AI

『データ+AI』戦略:人材に焦点をおいて

クリス・ダゴスティーノ
ロビン・スータラ
ダエル・ウィリアムソン
Share this post

この記事はシリーズの一部です。 パート1:データ+AIの三位一体:人材、プロセス、プラットフォームをご覧ください。

 

人工知能(AI)や大規模言語モデル(LLM)の導入を急ぐあまり、多くのビジネスリーダーやテクニカルリーダーは、根本的なITの見直しにばかり目を向け、このテクノロジーが従業員や将来の働き方にもたらす大きな変化を過小評価しがちです。

プロセスを調整し、適切なプラットフォームを導入する技術的な作業は不可欠ですが、企業内でデータとAIの文化を成功させるには、経営層からエントリーレベルの従業員に至るまで、従業員の賛同も必要です。

すべての従業員が、データとAIを最優先する戦略が各自の役割にもたらす価値、それが生み出すビジネス上の成果、そして最終的には、それが解き放つキャリアの可能性を理解できるようにすることで、ビジネスリーダーは、変化への抵抗を抑え、モダナイゼーションの旅が力強くスタートするよう支援する社内チャンピオンを生み出すことができます。

人材に関する計画について、心に留めておくべきいくつかの成功戦略をご紹介します。

技術革新への抵抗に対する戦略

どんなにクールな技術であっても、業績に大きな影響を与える技術であっても、従業員は懐疑的で、既存のプロセスから脱却する必要がある取り組みには抵抗するでしょう。現在使用しているツールに傾倒している社内技術者でさえ、抵抗を示す可能性があります。

しかし、多くの経営幹部は、技術革新に対する「免疫反応」を過小評価しています。感染症に対抗する体のように、組織は「新しい臓器」を拒絶するのです。全従業員に新しいアプリケーションやプロセスを即座に導入することを要求するのは、失敗への近道です。

従業員は、AIを搭載した新しいツールが自分の通常の業務にどのように適合するのか、さらに重要なのは、それがもたらす影響を発見しなければなりません。だからこそ、柔軟性が非常に重要なのです。例えば、多くの企業はジェネレーティブAIの長期的な戦略をまだ見極めていません。しかし、LLMが支援する市場で人気のあるチャットボットのいくつかを使って従業員が実験を始めることを、組織が止めることはありません。

これは微妙なバランスの取り方です。しかし、従業員に対して具体的な価値(従業員にとって何が有益かを含む)を早く示すことができれば、採用、実験、ビジネス成果の促進をより迅速に行うことができます。

データの民主化

データ+AIに価値を見出す最善の方法は、それを組織全体で利用できるようにすることです。

大企業では、数万人の従業員がさまざまな役割を担い、さまざまなツールやシステムを使用し、ばらばらのデータ出力を必要とします。 エンドユーザーが技術から何を必要とするかを考えなければ、プロジェクトはパイロット段階に留まり続けるでしょう。

リーダーは、誰がどの情報にアクセスすべきか(コントロール)、ユーザー間の違い(インターフェースとデータ形式)、投資対効果が明確な場所について、時間をかけて調整する必要があります。

多くの企業は、制限されたデータを保護しながら、より多くの従業員が企業情報にアクセスできるようにするため、的確なセキュリティ・プロトコルの導入に苦慮しています。 ガバナンスのための明確な戦略がなければ、CISOやその他のセキュリティ・リーダーは、エキサイティングな新しいAIへの投資を即座に止めてしまうかもしれません。 また、従業員がどのような成果を目指すべきかを理解しなければ、企業は誤ったAIプロジェクトにお金を浪費する危険性があります。

典型的な例を挙げましょう:ある大手小売企業のオペレーションチームは、リアルタイムで在庫を更新するダッシュボードを求めています。

  • エキサイティングな話に聞こえますが、チームは週に1度しか新しい在庫を発注しないため、リアルタイムの更新や関連するインフラ投資がすぐに必要なわけではありません。 貴重なリアルタイム・コンピューティング費用の無駄遣いです。
  • その代わりに、将来の需要予測を支援するAIシステムによって、オペレーションチームは在庫の必要性をよりよく計画し、需要が急増した場合に備えることができます。
  • 一方、マーケティングチームは、超パーソナライズされた顧客プロファイルの構築を開始することをお勧めします。 しかし、機密性の高いユーザー情報を保護するための計画や、最終的な利用が現地のプライバシー規制をどのように遵守するのかが示されなければ、このプロジェクトにゴーサインは出ないでしょう。

導入を計画する際には、これらの新機能をどのように導入するかを考えてください。単一の事業部門から始める場合もあれば、全社的な展開を試みる場合もあります。どこから着手するかは、多くの要因に左右されます。

たとえば、Unity Catalogのデータリネージツールのように、基盤となるプラットフォームが堅牢なデータとコンプライアンス機能を提供している場合、企業はより広範な立ち上げに安心感を覚えるかもしれません。

しかし、あまり技術に精通していない組織の場合は、段階的なアプローチによって、ITセキュリティなどに関する懸念を和らげることができます。また、小規模なプロジェクトを成功させることで、企業全体でデータとAIに深く投資するために必要な自信を築くことができます。

私たちは、ほとんどの企業が「退屈なAI」、つまり、一見エキサイティングではないかもしれませんが、生産性を大幅に向上させることができる、ありふれたタスクの自動化に焦点を当てたアプリケーションから始めることを推奨しています。例えば、Databricksの顧客の多くは、数千のドキュメントを数時間ではなく数秒で分析できるようになったことを、このプラットフォームを使用した最もインパクトのある成果の1つとして挙げています。

組織にAIを導入する際、より静かで舞台裏のアプローチを取ることで、従業員はほとんど努力することなく、技術がもたらすメリットを実感できるようになります。これはハイテク業界で試行錯誤された戦術であり、最近ではこのアプローチによってRPA(ロボティック・プロセス・オートメーション)が企業で採用されるようになりました。

そして、企業がより大規模なプロジェクトに取り組もうとするとき、AIがもたらすゲームチェンジのようなインパクト(そして社内での認知度)をすでに目の当たりにしているため、従業員は既存のプロセスからの脱却をより積極的に行うようになるでしょう。

一貫性、能力、説明責任のための整理と追跡

また、企業がデータとAIをビジネスに導入するには、いくつかの異なるアプローチがあります。

将来的なAIの取り組みをより成功させるために、一般的な障害やベストプラクティスを突き止めることができる、迅速なAIプロジェクトを遂行するチームが必要かもしれません。 並行して、特定の優先プロジェクト(長期的な焦点、スキル、深い技術開発を必要とする特注のユースケース)の推進に特化したチームを編成することもできます。

しかし、そうしたアプローチも企業によって大きく異なります。 データエンジニアとサイエンティストで構成される中央チームが、専門知識と価値を組織全体に広げる適切なアプローチである場合もあります。

さまざまな事業部門と連携している中核的なデータサイエンスチームは、それらのチームの業務知識を活用して、カスタマイズされたソリューションを構築することができます。 一方、一元化されたデータエンジニアリングチームは、より広範なデータハイジーン、ガバナンス、キュレーションに集中することができます。 これにより、コントロールと自主性のバランスがうまく取れています。

一元化されたチームを持つことで、進行中のプロジェクトをすべて追跡することも容易になり、社内の支持者は、最も有望な試験的イニシアチブを容易に昇格させ、それらのプロジェクトへの継続的投資を裏付ける証拠を得ることができます。 また、新しいテクノロジーが登場すれば、重要な業務により迅速に導入できるようになります。

しかし、他の企業にとっては、異なる部門が独立してデータやAIイニシアチブを追求する権限を与えられた分散型アプローチの方が良いかもしれません。 そのような場合でも、中央のチームが、コントロール、ポリシー、フレームワーク、ベストプラクティスの確立を支援するかもしれません。 そして、いったんその土台ができれば、社員は自由に自分たちで土台作りを始めることができます。

これは、企業が従業員の創造性と専門知識を活用する一方で、異なるデータやAIプロジェクト間で標準化を確保するための方法です。

何を期待するかを伝えること

データとAI戦略を成功に導くには、行動を変える必要があります。 そして、人々の働き方を変えることは、基本的にコミュニケーションの上に成り立っています。

リーダーは、変革が起こる理由、業務への影響、そしてその過程で従業員がどのようにフィードバックを提供できるかを、組織に理解させる必要があります。 後者は非常に重要で、単に技術の変更を組織に押し通そうとする努力は、社内の厳しい抵抗に直面する可能性があるからです。

コミュニケーションは、リーダーシップのすべてのレベルで共有される必要があります。 すべてのコミュニケーションにおける2つの基本的な要素は、組織にとってのデータ+AIの戦略的関連性と、ベストプラクティスや学んだ教訓を思い出させることです。 しっかりとしたコミュニケーション計画は、良い行動を強化し、うまくいっていないところを軌道修正するのに役立ちます。

コミュニケーション・プランは、時間をかけて頻繁に、複数のチャネルで共有されるべきです。 私たちは、組織がたった一通のEメールを送信しただけで、全員が乗り気だと思い込んでいるのをよく見かけます。 しかし、それだけではありません。 データとAIの戦略は、Eメール、ニュースレター、全員参加型、ナレッジ・マネジメント・システム、データ準備イベントなど、可能な限りあらゆる場所に反映させ、変革リーダーが、従業員が学びたいと思う場所で、従業員と出会えるようにしなければなりません。

そして、さまざまな従業員がデータやAIの価値をどのように得るかを考えて、コミュニケーションを調整する必要があります。 例えば、営業リーダーは、このテクノロジーによって新規ビジネスのリードをより簡単に特定できるようになることを中心に戦略を組み立てたいと考えるかもしれません。 一方、採用チームは、データとAIが、何千もの求人応募の中から最適な候補者をいかに迅速に見つけ出すのに役立つかに、より大きな関心を寄せています。

チームのスキルアップと活性化

技術革新のスピードが速いということは、企業も従業員も学び続けるということです。 企業が新しいデータやAIテクノロジーに対して継続的に学習する文化を構築する能力は、短期的な成果を生み出すと同時に、長期的な採用に向けてビジネスを準備します。

このような教育活動は、さまざまな形で行われるべきです。

  • AIによるAI教育:企業は、実際に従業員のAI教育を支援する技術を使用することで、AIの旅を始めることができます。 1つの学習コンセプトを、様々なオーディエンスに響く様々なアウトプット(インフォグラフィック、ホワイトペーパー、TikTok動画など)に変えることができるモデルを活用することで、様々なオーディエンスの共感を得ることができます。
  • コミュニケーションが鍵:リーダーは、データとAIについて定期的にビジネスで話し合う必要があります。 つまり、テクノロジーに特化した社内コミュニティやグループ、社員がベストプラクティスを共有したり、一般的な質問に対する回答を得たりできるフォーラム、データとAIに関する興奮を持続させるための成功事例の定期的な紹介などを作ることです。
  • さまざまな教育経路を提供しましょう:セルフサービスのモジュールをクリックするだけの社員もいれば、インストラクターによるコースを好む社員もいます。 基本的なスキルを身につけるための簡単なワークショップを希望する人もいれば、上級資格を取得したい人もいるでしょう。 企業は、成功を確実にするために、このようなさまざまな経路をすべてサポートする必要があります。
  • 文化の強化と安全性:すべてのデータとAIのプロジェクトが成功するわけではありません。 企業は、従業員が安全かつ経済的に責任ある方法で技術を試すことを許可する必要があります。 例えば、ハッカソンは"青空" 研究を奨励する素晴らしい方法です。 データやAIを活用している従業員を表彰し、その成果やイノベーションを紹介することで、他の従業員に刺激を与えます。 データとAIに重点を置くよう職務内容を調整することで、企業におけるテクノロジーの役割をより強固なものにすることができます。
  • 大企業へ:データやAIを業務に活用するための訓練を受けるのは、C-Suiteレベルの経営幹部や最も技術的な知識を持つ従業員だけではありません。 成功するかどうかは、トップから現場のスタッフまでが使いこなせるかどうかにかかっています。 そして、トレーニングと教育の努力はそれを反映したものでなければなりません。

データとAIをビジネス全体に拡大することは、組織が直面する最も困難な現代のテクノロジー課題の1つです。 それはリーダーを疲弊させ、ITチームを正気かどうかの瀬戸際に追いやることになりかねません。

AIインフラだけでなく、組織のニーズについても考える時間を最初に取ることで、企業はデータとAIをよりシームレスに業務全体に織り込み、新たなレベルの成功を実現することができます。

CIOが組織内でデータやAIを活用する他の方法について知りたいですか? MIT Tech Reviewとの共同レポートでは、経営陣がデータとAIの成長のためにどのような基盤を築いているのかを紹介しています。

Databricks 無料トライアル

関連記事

Data AI

データとAIに関する三位一体とは:ピープル、プロセス、プラットフォーム

翻訳:Ryo Hasegawa. - Original Blog Link ビジネスリーダーは皆、同じ質問をしています: データとAIに関する自社の計画を加速させるにはどうすればいいのか?ビジネスをリスクにさらすことなく、大規模な言語モデル(LLM)を活用するにはどうすればいいのか?そして、これらのシステムからできるだけ早く価値を得るにはどうすればいいのか? 誰もが、誇大広告による混乱を回避し、自社のデータをどのように収益化し、前例のないスピードのテクノロジーを活用できるかを把握したいと考えています。より多くの業務を自動化し、より付加価値の高い業務に集中できるようにしたいからです。古いデータの照会にとどまらず、より良い未来像を得たいと考えています。セキュリティ・リスクを最小限に抑えながら、可能な限りコストを削減したい。そしてもちろん、今すぐ結果を出したいのです。 しかし、データとAIに関しては、成功のための戦略は企業ごとに異なるでしょう。私たちはDatabricksのフィールドCTOとして、データスタックをモダナ
Data AI

How CIOs are laying the foundation for AI-led growth

October 16, 2023 Min Yang による投稿 in データ戦略
We are at the outset of the next industrial revolution, powered by AI. Unlike the past four revolutions that stretch across three centuries...
Data AI

データとAIにおけるオペレーティングモデルと実践

October 22, 2023 Fabian Lanz による投稿 in データ戦略
翻訳:Ryo Hasegawa. - Original Blog Link このBlogシリーズの パート1 では、Databricksがどのように企業のデータとAIから価値を引き出すプロセスを開発、管理、運用を可能にするかについて説明しました。今回は、チーム構成、チームダイナミクス、責任について焦点を当てます。ターゲット・オペレーティング・モデル(TOM)を成功させるためには、組織内のさまざまな部署やチームが協力し合う必要があります。 Databricksに入社する前、私はコンサルティングに携わり、クラウドネイティブからオープンソースまで、様々な業界や様々なテクノロジースタックを使ってAIプロジェクトに携わってきました。基礎となるテクノロジーは異なりますが、これらのアプリケーションの開発と実行に関わる役割はほぼ同じでした。チーム内の1人が、作業の規模や複雑さに応じて複数の役割を担うことができることも事実です。 エンジニアリング、データサイエンス、アナリストのような異なるチームや異なる役割を持つ人々が、同じツール
データリーダー一覧へ