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イズし、AIを活用して効率性を高め、財務的な成果を上げ、顧客により良いサービスを提供するために、何千もの企業をガイドしてきました。

私たちの経験では、テクノロジーおよびビジネスリーダーは、データとAIを実際に活用するために必要な変更の範囲を過小評価しがちです。それは、単にいくつかの新しいITツールを採用したり、AIアプリケーションをテストしたり、クラウドに移行したりするだけのものではありません。

では、データとAI戦略を成功させる方程式は何でしょうか？　多くのことがそうであるように、すべては「適切な人材」、「プロセス」、「プラットフォーム」に行き着きます。

ピープル（人材）：　ユーザーを強化し、変換を推進

最終的に、データとAI戦略の成功は、提供される洞察と効率性を従業員がどれだけ受け入れ活用し、自らの行動を変化させて仕事を完了させるかにかかっています。

つまり、第一線のスタッフからCXOに至るまで、データとAIの活用を強化し、リスキルし、支持する必要があるということだ。

そのゴールは、データへのアクセスを民主化し、責任ある従業員であれば誰でも簡単に正確でタイムリーな情報を入手し、成果を上げることができるようにすることです。しかし、データをビジネスの基礎とし、その基礎となるデータによって可能になる文化を構築することは、組織構造を変えるかもしれません。また、機械学習とAIが解き放つ利点とイノベーションを活性化することで、各部門に新たな業務プロセスが生まれることは間違いありません。多くのチームは、この変革を導くAI コパイロットや信頼できるアドバイザーを必要とするでしょう。

生成系AIのような分野で起こっている急速な進歩に伴い、企業は次のような重要な質問を自問自答し始める必要があります：

• 従業員がデータにアクセスし、インテリジェントな洞察力を活用できるようにするために、役割や専門性に基づいて、従業員が今いる場所でどのように対応するのか？
  また、グローバルな変化のペースに対応し、変革、能力開発とフィードバックのサイクルを競合他社を凌駕するペースで生み出す必要があります。
• 競合他社に打ち勝つために、変革、能力開発、フィードバックのサイクルを生み出すにはどうすればいいのだろうか？
  何かがうまくいっていない理由を理解することは、何が成功の原動力になっているかを解明することと同じく重要です。そして、絶え間ない改善を促すフィードバック・ループを確保することは、業界のリーダーであり続けるために不可欠です。
• この新しいデータ主導のパラダイムにおいて、統制と自律のバランスをとるための適切な構造とは？　
  組織構造は、一貫性と能力を進化させる必要があるかもしれない。事業毎の明確な説明責任を確保し、その新たな責任に対する社内の抵抗を克服するための準備がなされることを望むでしょう。
• 新しいデータやAI技術の継続的な学習文化を創造するために、どのように再スキルアップし、文化的変革を推進する必要があるのか？
  これにはおそらく、多くの新しいラーニングパス、社内の抵抗に対抗するための高度な意識改革、従業員が安心して新しいスキルや仕事上の行動を学べるようにするための真の文化的強化が含まれます。従業員がこれらのスキルを獲得し、変化を受け入れることに個人的なメリットを明確に感じていなければ、抵抗は大きくなり、計画が頓挫する可能性があります。

プロセス：最終ゴールを念頭に置いて始める

どのような企業にとっても最初のステップは、なぜデータとAIへの投資を選択するのかを明らかにすることです。当たり前のことのように思えますが、多くの企業はこの部分を飛ばしてしまうため、道半ばで失敗してしまいます。できるだけ早くモダナイズしようと急ぐあまり、長期的には役に立たない近道を選びがちです。スピードは重要です。しかし、長期的な目標を中心とした強固な基盤を構築することが重要です。

企業は、方向性を示す「データとAIの北極星」と言える戦略を確立し、収益、コスト、リスク、または持続可能性のトレードオフというあなたなのスタックに優先順位をつける方法を知る必要があります。収益に焦点を当てれば、コスト削減やリスク削減のゴールとは全く異なるテクノロジースタックを考えなければなりません。

我々は、データ戦略が会社の成果をなかなか促進できていない例や、すべての取り組みが同程度に重要な優先事項（何も優先事項がないことを意味する）といった例をしばしば目にします。データアクセス、仕事の進め方の変革、本番化と拡張計画、プラットフォームアーキテクチャの決定に関するポリシー策定の基となる原理原則は、すべて「データとAIの北極星」戦略を反映したものでなければなりません。

例えば、すべての従業員にすべての顧客データへのアクセスを許可する場合、考慮すべきことは多岐に渡ります： どのようなセキュリティ管理が必要か？どのようなガバナンスが必要か？新たなコンプライアンスポリシーやトレーニングは必要か？　それは組織設計やテクノロジーの選択にも影響を与える可能性があります。プロセスの変更管理や成功尺度の管理方法は言うまでもありません。

長期的なビジョンが確立されれば、本当の変革が始まる：

• AIを導入するために各部門がその場しのぎで取り組んでいたことが、構造化された全社的な取り組みとなります。
• 組織設計の変更や新しいLLMの採用にかかわらず、企業は何がうまくいっているのか、なぜうまくいっているのかを共通のベンチマークに照らして、より迅速に把握できるようになります。
• 同様に重要なのは、何がうまくいっていないのか、なぜうまくいっていないのかを把握し、アジャイルに調整を行うことである。変化の抵抗や疲労に遭遇したり、他の議題や優先事項と競合したりすることを念頭に置いて、新しいアプローチを試す準備をしておきましょう。
• そのようなクイックウィンをピンポイントで特定することで、投資する自信を強くもつことができます。また、問題のある領域をより早く特定することで、よりアジャイルな環境を育むことができます。
  プラットフォーム データ＋AIテクノロジーで将来を見据える。

プラットフォーム：あなたのデータとAIのテクノロジーで将来を見据える

テクノロジーの進歩は無視できないほど速い。そして、何が起こるかは誰にもわかりません。

考えてください： ほんの数ヶ月前まで、ChatGPTやDollyのようなLLMをどのように利用できるかを考えていた企業のリーダーはほとんどいませんでした。今、エグゼクティブ・チームは、独自のデータに基づいて社内でチャットボットを構築する方法を見つけようと急いでいます。そして多くの場合、最大の障害は自社のIT環境です。

そのため、企業はオープンなインターフェイスとデータ形式を採用する必要があります：

• 今後10年の間に、企業が競争力を維持したいのであれば、迅速なナビゲートを準備する必要がある破壊が絶対に起こります。
• このような激しいイノベーションのペースでは、企業は新しいツールが登場するたびにプラットフォームを変更する余裕はありません。
• プロプライエタリなソリューションと比較して、オープンなアプローチは、このゴールを達成し、明日に向けて十分な技術的柔軟性を持つことができる最大の能力を提供します。
• オープンソースは、テクノロジーの次世代に至るまで企業を支える基礎です。コントリビューターたちの大規模なコミュニティのおかげで、オープンソース製品は、プロプライエタリ・ツールに見られる、イノベーション停滞や特定スキル依存の問題が起きにくい点も強みです。

私たちは、今後数ヶ月の間に、あらゆる業界の企業がAI戦略を推進し、データからより多くのものを得るのを支援するために、より多くの洞察を共有することを楽しみにしています。

またDatabricksのフィールドCTOであるRobin SutaraとDael Williamsonによる月刊シリーズ「Executive Edge with Data and AI」でも、より多くのベストプラクティスをご紹介しています。

FAQ

1. データとAIの成功において最も重要な要素は？
人材、プロセス、プラットフォームの三つを整備し、それらを連動させることです。

2. 企業がまず取り組むべきステップは？
「なぜデータとAIに投資するのか」を明確にし、長期戦略（北極星）を定義することです。

3. なぜオープンな技術基盤が重要なのか？
変化の激しいAI領域で柔軟に対応でき、将来のツール切り替えや拡張に強いためです。