最新の人工知能（AI）の波、特に大規模言語モデル（LLM）の登場と大量採用によって推進されたものは、組織が運営し価値を創出する方法を根本的に変える可能性を示しました。チームや企業の運営モデルにAIが及ぼす影響を考えるとき、3つの主要な焦点領域が浮かび上がります：
私たちが現在直面しているAI革命の最も激しく議論されている側面の一つは、それが労働者や未来の労働力の構造にどのような影響を与えるかです。ビジネスにおける自動化の考え方は新しいものではありません。少なくとも産業革命と組み立てラインの登場に遡ることができますが、AIツールは物理的な領域を超えてプロセスを自動化し、これまで本質的に人間と考えられてきた意思決定に介入することができます。
現在のほとんどの組織構造では、AI時代に自己を再発明す ることで最も得をする層は中間管理職です。個々の貢献者が彼らの範囲と効率を増加させるAIツールを手に入れ、AIによるプロセス自動化が管理タスクを引き継ぐと、ますます自己組織化する企業構造に依存するオプションが現実的になります。
これには、管理構造を根本的に変える必要があります。つまり、管理業務に追われる労働者（よく中間管理職）が、その影響力と価値を高めることができるビジネスの領域に時間とスキルをシフトします。これは、マッキンゼーが最近の中間管理職の役割の再考に関する研究で強調していることと一致しています。
このトレンドの最近の例は、製薬大手のBayer AGのような企業で見ることができます。ここでは、今年初めに管理職と役員職のほぼ半分が削減されました。彼らが「ダイナミック・シェアード・オーナーシップ」と呼んでいる新しい運営モデルは、階層を削減し、官僚制度を排除し、意思決定を加速することを目指しています。AIや自動化が明示的には言及されていませんが、新しい目標運用モデルを可能にするための重要な役割を果たすことは容易に想像できます。同様に、以前はTwitterとして知られていた「X」社も同様の再構築を経ていますが、Xの現在のコンテンツや使いやすさについては意見が分かれていますが、技術的なプラットフォームインフラストラクチャの観点からは、Xは急激な人員削減にもかかわらず、高い同時接続性とサービスレベルで増加するユーザーベースを支え続けています。
出力または価値生成は、この議論において重要です。基本的に、あなたの労働力のROIは何ですか？これを単純な関数として見ると：
労働力のROIを増加させる道筋は明らかで、労働力を削減するか、既存の労働力をより生産的にすることで収益を増加させるかのどちらかです。当然のことながら、第三の選択肢が浮かび上がります：両方を行うこと。
これらの例は、組織が運用モデル、特に労働力の構成や内部運用、プロセスについてどのように考えるかの変化を示しています。労働力の側面に焦点を当てると、新たなトレンドとして労働力の構成、特に管理職と個々の貢献者の比率が挙げられます。これをマネジメント指数（MI）と呼ぶことができ、その定義は次の通りです：
ここでのMI値の目標は設定されておらず、各組織のスイ ートスポットは異なるかもしれませんが、AIを活用することで、企業は効率的かつ効果的に低い比率、つまり、マネージャーあたりのIC数を維持できるという考え方です。
このシフトの明確な例は、AmazonのCEOであるAndy Jassyが各組織に対して、2025年のQ1の終わりまでに「マネージャーに対する個々の貢献者の比率を少なくとも15％増やす」ことを命じたことに見ることができます。Jassyによれば、「マネージャーが少なくなることで、組織はフラット化し、階層が取り除かれます...この仕事をうまくやれば、私たちのチームメイトの迅速な行動能力を高め、所有感を明確にし、活気づけ、意思決定を最前線に近づけ（これが最も顧客（およびビジネス）に影響を与える）、官僚制度を減らし、組織の能力を強化して、毎日顧客の生活をより良く、より簡単にすることができます。”(フォーチュン、2024年9月)
Jassyの組織構造のフラット化と官僚主義の削減についてのコメントは、このブログで以前に触れたBayer AG、X、NVIDIAなどの企業が最近行った動きの背後にある理由と一致しています。
新しいものではありませんが、Hackmanの権限マトリックス（Hackman、1986）は、変化する労働力のダイナミクスを理解するための良いフレーム ワークを提供します。BayerとXの場合、マネジメントからチームへ、さらに具体的には自己設計、さらには自己統治チームへのシフトがあります。このアイデアは新しいものではなく、SpotifyやStripeのような企業が10年前にこの方向に進もうと試みましたが、効果的に行うことが難しかったです。では、何が変わったのでしょうか？
これらの異なるマネージメントチームの構造は、ビジネスユニットを越えて、また会社の次元を越えて同じ組織内で共存することができます。例えば、会社全体はCEOによって導かれるマネージメントと見なされるかもしれませんが、R&Dのような特定の部門は主に自己統治チームを通じて運営され、ファイナンスのような包括的な機能は自己管理チームを通じて運営されるかもしれません。
図の右側に向かう構造は、管理指数（MI）が低くなりますが、この指数を減らすことは目標ではなく、価値創造の文脈に置いたときにのみ価値が出てきます。さらに、労働力の合理化や再構築だけでは、それが新しい会社の構造を強化するプロセスと運用の同等の変化に伴わない限り、有意な影響を及ぼすことはありません。
ここでAIが重要な役割を果たし、触媒となることができます：日々の業務における自動化と拡張を可能にし、洞察に至る時間を短縮し、チームがより良く、タイムリーな決定を下すのを助ける意思決定支援システムを提供し、官僚制度を減らすプロセスを促進します。
複雑さに基づいてプロセスが定義される例はたくさんあります。その一つの定義は、複雑なプロセスはその複雑さによって特徴付けられ、多数の決定点、条件付きの経路、そして様々な部門やステークホルダー間の相互作用を含むというものです。
組織のプロセスを複雑さの観点から見ると、関与するタスクの数を考慮してこの複雑さを簡略化し、各タスクに1から5のスケールで連続的な複雑さの値を割り当てることができます。これをさらに説明するために、タスクの複雑さの値を、地震の規模を測定するリヒタースケールに類似したものと考えてみてください。これは対数的です。これは、レベル5のタスクがレベル4のタスクよりも10倍複雑であることを意味します。
次のステップは、これらのタスクのうち何個がAIの使用を通じて自動化、省略、または簡素化できるかを見積もることです。これは、複雑さを減らすか、実行を強化することによって行うことができます。
あるプロセスのプロセス複雑性指数（PCI）は次のように計算できます。
ここでのAIの役割は、チェーン内のタスクの数を減らすことと/または個々のタスクの複雑さを減らすことです。
組織のプロセス、特にフォームの記入、シートの管理、承認やレビューの処理などの管理タスクに関連するものは、AIを組み込むのに適しています。AIによるプロセス自動化の強化とフラットでリーンな組織構造の組み合わせは、官僚主義と煩雑な手続きを劇的に削減する 可能性があります。
重要な側面として、これらのプロセスを適切に調整し、リンクする必要性が浮かび上がってきます。これは現在、切断されたフロー、手動介入、エンドツーエンドのトレーサビリティの欠如により、しばしば妨げられています。近年人気を博しているプロセスマイニングは、ボトルネックを特定し、暗黙的で暗黙的なプロセスを具体化し、組織の慣習と文化に深く根ざしたプロセスを書き留めるための重要な能力です。プロセスを明確にし、チェーンの特定のリンクを指摘することで、手続きの一部を自動化し、拡張するAIエージェントを設計する可能性が高まります。
最近のGenAIに関する議論を見ると、より小さな、特化したエージェントを連鎖させ、調整し、組み合わせる方法にどのように焦点を当てるかについての注目度が増しています。これは、ますます大きな一枚岩のモデルを持つ代わりに、既存のプロセスを専門的で専用のAIエージェントが協力して完了できるタスクに分割するというシフトと鮮やかに対比します。Agentic AIシステムが特定のプロセスに従い、自動化の候補となるステップを自己識別し、それを実行するAIエージェントを（自動的に）作成するシナリオを想像してみてください。今日、Orbyのような企業はすでにこの種の機能を開発しています。
興味深いことに、AI駆動のプロセス設計の副作用として、個々の貢献者やこれらの新しいAI駆動のプロセスの再設計と実装を担当する人々が、伝統的に管理職と関連付けられているスキルを開発する必要があるかもしれません（ハーバード・ビジネス・レビュー、2024年）。これには、委任、明確な作業範囲の提供、予算と目標の割り当てなど、最新のGenerative AI Process Automation（別名Augmentation）に関与するAIシステムを効果的に指導し指示する能力が含まれます。
オペレーションについて話すとき、私たちは物事がどのように行われ、実行されるかを指しており、これには多くの場合、人々とプロセスの組み合わせが必要です。AIが運用に与える影響について議論する際には、考慮すべきさまざまなレベルと次元があります。例えば、労働力のセクションで述べたように、企業内の異なる部門は特定のチーム構成により適しているかもしれません。さらに、個々の部門の機能は、その構成、目標、範囲に基づいて異なる場合があります。
AIの役割は、人々とプロセスの間のインタラクションを効率化することにより、最終的に意思決定を容易にすることです。近年、大きな注目を集めている分野はAIOpsで、基本的にはAI（特にIT）を使用してインフラストラクチャとアプリケーション管理を最適化することです。
ITは、そのしばしば決定論的な性質と、必要な意思決定の多くをきちんとした数学的構造にエンコードする可能性があるため、最初の選択肢として明らかに適していました。例えば、サーバーインフラストラクチャーにおけるI/Oの増加の影響を予測し分析するのに役立つモデルを訓練することは、定 量的にパラメータ化することができます。
しかし、大規模な言語モデル、画像からテキストへ、テキストから音声へ、そしてその逆のマルチモーダルフレームワークを持つGenAIの登場により、これまで主に人間の領域にあったより質的な操作のための意思決定支援システムとしてAIを埋め込み、活用する扉が開かれました。PeopleOps、HROps、（組み込み）ファイナンスなどの領域は、次のAIOpsのようなフレームワークの候補として考慮すべきです。
運用は組織の内部範囲を超えた要素にも及びます。アウトソーシングやニアソーシング、オフショアリング、パートナーシップなどの重要な運用上の決定は、AIの使用によって影響を受けるでしょう。サプライチェーンの運用は、自動化と強化から利益を得ることができる一つの領域です。これは、異なるシステム間での広範な調整とコミュニケーションが必要なシナリオでは特に当てはまります。複合AIシステムの使用は、これらのプロセスを大幅に強化することができます。
このブログでは、労働力、プロセスとオペレーション、そしてGenAIがそれぞれにもたらす影響について、3つの主要な組織的なトピックに焦点を当てています。すべての大きさと形状の企業は、これらの新技術をどのように最適に統合し、活用して自己を強化し、昇進させるかについて考えるべきです。ほとんどのことと同様に、企業がAIをどこでどのように使用するべきか、またはそれをどのように実装するべきかについての一概に言える解決策や銀の弾丸はありません - しかし、以下に焦点を当てることが重要です：
DatabricksがAIおよびデータ戦略をDatabricks Data Intelligence Platformでどのようにサポートできるかについて詳しく知りたい方は、こちらをご覧ください。
