小売、旅行、消費財においてAIが変革を実現する3つの方法

金曜日の朝5時45分、ある店舗マネージャーがバックオフィスに立ち、自社のビル管理システムを相手に不毛な格闘を繰り広げています。2つの画面には14個のダッシュボードが開いています。互いに連携したことのない4つのシステムが夜の間に作成したタスクキューは、3つの異なる優先順位で彼女の対応を求めています。7番通路のどこかでは、店内で最も売れ行きの良いSKUが火曜日から欠品しています。棚のカメラは火曜日にそれを捉えていました。自動発注システムは水曜日にそれを推論していました。それを解決するためのタスクは今朝、棚割監査とトレーニングのリマインダーの下、11番目の優先順位として浮上しました。彼女は、歴代のマネージャーが100年もの間そうしてきたように、巡回中にそれを見つけることになるでしょう。しかしその頃には、その商品を目当てにしていた週末の客足はすでに過ぎ去っています。

シグナルは4日前の時点で存在していました。存在しなかったのは、その機会が失われる前に対処する手段です。

このような朝は、異なる制服を着て、あらゆる消費財業界で繰り返されています。 Forresterの推計によると、企業内の全データの60%から73%が分析に使用されないまま放置されています。消費財業界では、 新規発売された商品の約85%が2年以内に失敗に終わっており、Nielsenはその失敗の大部分が製品の品質ではなく、消費者のニーズやポジショニングの読み違えによるものであると指摘しています。つまり、存在していたシグナルが読み解かれなかったということです。そして、 NVIDIAの「2026 State of AI in Retail and CPG」調査で、AIのスケールアップを阻む要因を企業に尋ねたところ、最も多く挙げられた障壁はテクノロジーではありませんでした。それはデータでした。これらは3つの異なる問題ではなく、3つの形で現れる1つの問題です。すなわち、シグナルを信頼して行動に移せなかった（信頼）、機会が失われる前に行動できなかった（時間）、あるいは重要な規模でシグナルを読み解き行動する余裕がなかった（コスト）という問題です。本稿で主張したいのは、単なるパイロットプロジェクトの集まりではなく、システムとして導入されたAIこそが、これら3つの課題すべてに同時に立ち向かう最初のテクノロジーであり、これを理解している企業が、パイロットプロジェクトの購入にとどまっている企業を引き離そうとしているということです。

20年間にわたるダッシュボードの導入が、なぜこのギャップを埋められなかったのか

読み解かれないシグナルに対する業界の答えはビジネスインテリジェンスであり、それは合理的な解決策でした。BIはレポート作成をプロフェッショナル化し、取締役会が依拠する指標を標準化し、一世代のマーチャントやオペレーターに共通の事実の基盤を提供しました。その役割は十分に評価されるべきです。しかし、BIには、どれほど投資しても技術的に解決できない3つの構造的な限界がありました。

第一に、BIはスキーマに適合するデータしか認識できませんでした。棚の画像、メンテナンスの写真、通話の書き起こし、レビュー、ソーシャルメディアの投稿など、消費財企業が実際に目にする情報の大部分はモデルに組み込まれませんでした。なぜなら、それらを読み解くには人間の注意力が必要であり、人間の注意力は社内で最も希少なリソースだったからです。第二に、BIは誰かがすでに問いかけることを思いついた質問にしか答えられませんでした。与えられた結合（join）全体で優れた計算を行いましたが、誰も事前に定義していないシグナルを横断して見解を形成することはできませんでした。しかし、驚きや発見が潜んでいるのはまさにそのような場所です。第三に、BIはダッシュボードで完結していました。経験豊富な人間が依然として気づき、解釈し、決定し、指示を出す必要があったため、インサイトが伝わる速度はエスカレーションの速度に依存し、エスカレーションの速度は組織図のスピードに縛られていました。

変化したのは、これらの限界がそれぞれ、最近になって取り除かれたことです。基盤モデル（Foundation models）によって非構造化データを読み解くコストが劇的に低下し、現場の目撃情報がようやく記録されるようになりました。確率論的推論によって判断を計算可能にしたため、問いかける範囲がアナリストの想定内に限定されなくなりました。そして、エージェント指向（agentic）への転換により、行動が人員配置から切り離されたため、知ることと実行することの間の距離が会議の数で測られることはなくなりました。これら3つの課題に対して、初めて対抗手段が生まれたのです。

シグナルはどこで失われていたのか

小売業界では、シグナルは店舗の現場で失われています。 AIを活用した店舗運営に関する私たちの取り組みでは、常に同じ結論に達します。それは、店舗は企業内で最も豊富なシグナルが存在する場所でありながら、それを最も活用できていない場所であるということです。棚の状況は歩いて確認するしかありません。労働計画は前年の推移に基づいて作成されます。廃棄はゴミ箱に入った後にカウントされます。そしてマネージャーは、朝の5時45分に1人の人間に集約されるようには設計されていない、十数ものシステムの唯一の過負荷な統合ポイントとなっています。このループは、最も必要とされていた場所にようやく到達しつつあります。 Harmonsにおける自律的な棚スキャンは、欠品を半分以下に減らし、価格設定のエラーを約75%削減しました。また、Walmartの「Ask Sam」は、勤務1週目のアソシエイトに現場でのベテラン並みの記憶力を与えています。今現れつつあるのは、棚、行列、廃棄を継続的に検知し、1時間以内に行動を起こす、独自のループを実行する店舗です。これにより、マネージャーの巡回は、当たり前の事実を発見する作業から、例外的な事態に対する判断の適用へと変わります。

消費財業界では、シグナルはイノベーションの原動力の中で失われています。 従来のステージ・ゲート法では、物理的な試作品に対して人間が順次レビューを行いますが、すべてのゲートはシグナルが失われる場所となります。欠陥を指摘したレビューは読まれず、失敗を予測した初期のセルスルー（実売）データは生産の決定後に届き、コンセプトを正当化するソーシャルメディアのトレンドは棚の入れ替え後に浮上します。この業界のイノベーションに関する私の最近の取り組みは、古い調査に基づく人間による段階的なゲート管理から、物理的な決定を下す前に消費者を継続的に計算処理で読み解く方法への転換が現在進んでいることを示しています。その実例も現れています。 あるグローバルなヘルス＆ハイジーン企業は、かつてマーケターが統合に何週間も費やしていた消費者調査、製品レビュー、ソーシャルリスニングのシグナルを統合し、現在では生のシグナルから実行可能なインサイトへと数日で移行できるようになりました。同社によれば、チームが判断ではなくデータの組み立てに費やしていた時間、つまりイノベーションが渇望していた時間を取り戻したとのことです。この変革を阻む制約は、モデルの能力ではありません。最新でガバナンスが効いており、推論を行うのに十分な密度を持つ、独自の消費者データです。

旅行業界では、シグナルはそれぞれがストーリーの半分しか把握していないシステム間で失われています。 テレメトリーは部品の劣化を検知していましたが、乗務員スケジューラーはそれを知りませんでした。運賃エンジンは需要の変動を把握していましたが、障害対応デスクは行列からそれを知りました。この業界は、これらを連携させる点で他よりも進んでいます。 Airbus Skywise上の12,000機以上のコネクテッド航空機全体で予兆保全がシグナルを読み取り、Deltaは生成モデルを使用してネットワークの価格設定を行い、ExpediaやHiltonではAIコンシェルジュが実用化されています。これらをさらに進めて連携させれば、自己修復する旅が実現します。整備データで障害が検出され、旅程が再予約され、ホテルと地上交通機関が調整され、旅行者には問題とその解決策が同じメッセージで通知されます。 IDCは、2030年までに旅行予約の最大30%がAIエージェントによって実行されるようになると予測しており、その自律性をサポートできるデータを備えた事業者が、その市場で圧倒的なシェアを獲得することになるでしょう。

これら3つの業界すべてにおいて、パターンは同一です。モデルがモート（競争優位性）なのではありません。データこそがモートなのです。

AIが実現する3つのこと

このパターンには一定の形があり、私はこれらの業界のエグゼクティブと対話する際にこの視点を用いています。3つの課題に対するAIの攻勢は3つのステップで進行し、それぞれのステップはBIの構造的な限界を覆すものとなっています。

1. ダークデータがシグナルになる。 非構造化データを読み解くための注意力のコストが劇的に低下し、企業が目にする情報の大部分（画像、書き起こし、テレメトリー、雑談など）がようやく記録されるようになります。
2. 確率論的推論が問いの空間を広げる。 計算機が判断力へと進化します。モデルは、明示的にコーディングされていないシグナル（天候、プロモーション、競合他社の運賃変更など）を横断して確率論的な見解を形成し、データの結合（join）の隙間に驚きや発見が隠れてしまうことがなくなります。
3. 人間の能力が人員数や経験から切り離される。 拡張（Augmentation）により、勤務1週目のアソシエイトにベテラン並みの記憶力が与えられます。極限のケースである自動化（Automation）は、実行の遅延を完全に排除します。知ることと実行することの間の距離が会議の数で測られることはなくなります。

これら3つのステップは時間に対してループとして機能します。リアルタイムが基準となり、ガバナンスが信頼を獲得しコストを制御するための基盤となります。

それぞれの動きはアンプ（増幅器）であり、アンプは何を増幅するかを区別しません。アパーチャ（視野）を広げるだけでは、ノイズが増えるだけです。ガバナンスのないデータに対して推論を行うだけでは、誤った確信を生むだけです。加速するだけでは、間違いがより早く起こるだけです。推論のないシグナルはノイズであり、シグナルのない推論は誤った確信であり、どちらもない加速はより早い間違いにすぎません。これら3つすべてを、同一のガバナンスが効いたデータに対してリアルタイムで適用することで、これまでに存在しなかったものが生まれます。

データ予算の中で最も地味な項目であるガバナンスが、実は最も重要な価値（ペイロード）をもたらすのはこのためです。データを一度ガバナンス下に置くことで、2つの恩恵（配当）が得られます。1つはデータを信頼できるようになること（「信頼の税」の撤廃）、もう1つは、すべてのモデル、エージェント、アプリケーションが、同じコーパスを再抽出するのではなく、処理・認定された同一の基盤を利用するため、データの再導出にコストを支払う必要がなくなること（「コストの税」の撤廃）です。ガバナンスはコンプライアンスとして計上される一方で、コスト削減のレバーとしての役割が測定されないため、慢性的に過小評価されています。

その下を支えるアーキテクチャ

上記のような運用姿勢を実現するには、1つのアーキテクチャで同時に3つのことを行う必要があります。それは、「認知から行動へのループ」をリアルタイムで実行すること、生成されるすべての回答の信頼性を証明すること、そして企業が同じデータを2度処理するコストを支払うことなく、これら両方を実現することです。これこそがアーキテクチャの仕様であり、Databricks Data + AI Platformが満たすために構築されたものです。

• アパーチャ（視野）を広げることは、インジェストとオープネスの課題です。 Lakeflow Connectは、エンタープライズアプリケーション、データベース、ストリーミングソースにわたる100以上のマネージドコネクタをDelta LakeやApache Icebergに統合します。これらはオープンフォーマットであるため、レンタルした独自のエンジンではなく、自社が所有するストレージにシグナルを保持できます。
• 信頼できる推論は、ガバナンスと評価の課題です。 Unity Catalogは、データ、モデル、エージェントを単一のレイヤーで管理します。Unity Catalog Metricsはビジネス定義を第一級の管理対象アセットにすることで、すべてのエージェントが同じ定義に基づいて回答できるようにします。そして、MLflow 3は、確率論的な回答を監査可能にする評価とトレース機能を提供し、管理されたデータだけでは埋められないギャップを解消します。Unity AI Gatewayは、その同じガバナンスをモデルやエージェントのトラフィック自体にも拡張します。
• そして、マシンスピードで行動することは、アプリケーションの課題です： Agent Bricksはエンタープライズデータから評価済みのエージェントを構築し、Genieは管理された回答を店舗マネージャー、プランナー、運用センターに直接届けます。また、OpenSharingとClean Roomsは、データをコピーしたり制御を放棄したりすることなく、サプライヤーから小売業者、パートナーに至るバリューチェーン全体に同じ管理されたシグナルを拡張します。

重要なのは、このループを部分的に採用しても、部分的な価値しか得られないわけではないということです。1つのステージが欠けたアンプスタックは、間違ったものを増幅してしまいます。プラットフォームの決定とは、企業がこれら3つの動きを同じ管理された基盤の上で同じ方向に向けさせるか、それとも誤った確信をますます速いスピードで積み上げていくかを選択する局面なのです。

事例は今、作られている

そして、その期限はもはや社内だけの問題ではありません。同じ規律が外部からも検証されようとしています。消費者は、過去1年間に提供されたプロトコルのレール上で動作するAIエージェントに、ショッピング、予約、購入を委ね始めています。そして、 McKinseyは、エージェントを介したコマースにより、2030年までに世界の小売支出のうち3兆ドルから5兆ドルが再配分される可能性があると予測しています。これらの購買マシンは、ガバナンスによって判読可能になったものだけを読み取ります。データと意思決定のギャップを埋めた企業は、マシンが読み取れる唯一の店頭も構築したことに気づくでしょう。ガバナンスの2つの恩恵に、静かに3つ目の恩恵が加わるのです。

30年前、既存の小売業者はウェブについて「新たなチャネルか脅威か、抵抗するか受け入れるか」という問いに直面しました。Eコマースを単なる新しい店頭ではなく、新しい物理法則として捉えた企業は、その後20年間にわたり他社から研究される存在となりました。これと同じ分岐点が現在も形成されつつあります。そしてそれは、AIを持つ企業と持たない企業の間で生じるのではありません。すでに知っていることを代謝（活用）できる企業と、それに対して3つの税金を支払い続ける企業との間で生じるのです。

準備すべきことは明確です。最新で、管理され、意味的に一貫したデータ、評価された推論、そして計測された行動です。7番通路のシグナルは、誰かが手遅れになる前に読み取ってくれるのを100年間待ち続けてきました。この規律は決してオーバーヘッド（無駄な経費）ではありません。それは、「知っている企業」と「行動する企業」の決定的な違いなのです。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事