ガバナンスに関して、小売企業にはコンテキストのためのコントロールプレーンが必要です

小売企業は、AI導入の新たなフェーズに入りつつあります。

生成AIに関する初期の議論は、実験的な試みが中心でした。「どのモデルを試すべきか？」「どのチャットボットを構築すべきか？」「どのチームが最初のパイロットプロジェクトを実行すべきか？」「AIは検索の改善、ドキュメントの要約、商品コンテンツの充実、社内の質問への回答に役立つだろうか？」といった問いです。

これらは重要な出発点でした。多くの小売企業、食料品店、流通企業、そして消費者向けビジネスを展開する企業が、こうした初期の取り組みから真の価値を生み出しました。

2023年末、私たちが協業したある大手流通企業は、従来型の機械学習と大規模言語モデルを組み合わせて、商品カタログの運用を改善する機会を見出しました。新しい商品がカタログに追加される際、機械学習モデルが商品の分類とマッチングを支援し、大規模言語モデルがより豊かな商品説明を生成しました。

当時、それは画期的なことでした。

このイニシアチブでは、システムインテグレーター、専任のタスクフォース（タイガーチーム）、そして約100日間のスプリントが必要でした。チームはアーキテクチャ、データアクセス、モデルの挙動、ビジネスワークフローの仕組みを整理しながら、その価値を証明しました。これは大成功を収めた取り組みであり、数百万ドルを節約し、AIがビジネスに不可欠なプロセスを実質的に改善できることを証明しました。

しかし、これは第1波の典型的なパターンでもありました。すなわち、1つのチーム、1つのユースケース、1つのアーキテクチャ、1つの集中スプリントという形です。

今日、そのようなAIを活用したワークフローは、あって当たり前のもの（最低条件）になりつつあります。議論は「AIでこの課題を解決できるだろうか」から、「AIでこの課題を解決しなければならない。ビジネスを停滞させないために、適切なデータを迅速に手に入れる必要がある」へと移行しています。この変化が、企業が直面する新たな課題となっています。

小売向けAIの次のフェーズは、単に優れたモデルを持つことだけではありません。すべてのAI体験に、適切なビジネスコンテキストを提供することです。

コンテキストこそが、エンタープライズAIを有用にする

小売のコンテキストを持たないモデルは、一般的な回答しか返せません。

適切なコンテキストを持つモデルであれば、バイヤーが品揃えのリスクを評価したり、店舗責任者がその日の優先業務を決定したり、経営陣が売上や利益率に関する信頼できる回答を得たりするのを支援できます。小売企業にとって、そのコンテキストは在庫や価格設定から、誰がどの情報を閲覧できるかを決定する権限やポリシーに至るまで、あらゆる領域に及びます。

このコンテキストこそがAIを有用にするものですが、同時にリスクがシステムに入り込む要因にもなります。

AIはどのデータを参照すべきか？どのビジネス定義を信頼すべきか？どのユーザーがどの質問をすることを許可されているか？エージェントはどのツールを呼び出せるか？どのモデルがタスクを処理すべきか？そのやり取りにどれだけのコストがかかるか？企業は発生した事象をどのように監査すべきか？

だからこそ、小売向けAIにはコンテキストのためのコントロールプレーン、つまり、すべてのAI体験がどのデータ、モデル、ツールを使用できるかを統制（ガバナンス）する単一のレイヤーが必要なのです。

ガバナンスがスピードを可能にする

ガバナンスは、チームのスピードを低下させるものとして捉えられがちです。しかし、小売企業にとっては、その逆が真実です。

ガバナンスの目的は、より多くのチームに、AIを安全に利用するためのより大きな自由を与えることです。

適切な管理策が整備されていれば、新しいAIユースケースが登場するたびに、セキュリティ、調達、アーキテクチャの検討をその都度ゼロから行う必要はありません。小売企業全体のチームがより迅速に行動できるようになります。モデルへのアクセス、権限、ログ記録、トラッキング、コスト管理がすでにプラットフォームに組み込まれているためです。

これこそが、小売におけるAIガバナンスの「本質的な価値（だから何なのか）」です。

ガバナンスのためのガバナンスではありません。従業員がより自信を持ってAIを活用し、顧客により良いサービスを提供し、信頼できるデータに基づいてより迅速な意思決定を行えるようにするためのガバナンスです。

チームは、ワークフローに組み込まれたAIの扱いに慣れてきています。彼らが探索し、構築し、成果を出せるように解き放つ必要があります。しかし、チームを解き放つことは、管理をなくすことではありません。適切なデータ、適切なモデル、適切な権限、そして適切なコスト管理がすでに整った、ガバナンスの効いた環境で迅速に行動できるようにすることを意味します。

次のフェーズは企業全体でのAI導入

小売テクノロジーのリーダーたちとの仕事を通じて、私は議論が3つのフェーズを経て進んできたのを目にしてきました。

1. 第一に、チームは生成AIをどこから始めるべきかを問いかけました。
2. 次に、商品のマッチング、カタログの充実、検索、要約、社内ナレッジアシスタント、コンテンツ生成といった、特定のユースケースを構築しました。
3. そして現在、議論は再びシフトしています。バラバラなガバナンス、制御不能なモデルコスト、企業データへの一貫性のないアクセスを引き起こすことなく、店舗、本社チーム、デジタルチャネル全体でAIをどのようにスケールさせるか、という問いです。

これが重要なのは、小売が単一のユーザー、単一のワークフローで完結する業界ではないからです。

これらの従業員の多くは、デスクに座ってAIツールを選んでいるわけではありません。彼らのAI体験は、店舗用アプリ、ダッシュボード、すでに使用しているワークフローに組み込まれており、役割ごとに異なる質問に答える必要があります。部門ごとに必要なデータが異なり、権限も異なり、必要なモデルも異なる場合があります。また、コストプロファイルやリスクプロファイルもそれぞれ異なります。

だからこそ、小売向けAIは1つのモデルだけで解決することはできません。

小売企業には、どのユーザーがどのデータにアクセスできるか、どのモデルを使用できるか、どれだけのコストを費やすか、そしてそれらのやり取りがどのように監視されるかを管理しながら、ビジネス全体に多数 of AI体験を届けるための、ガバナンスの効いた方法が必要です。

難しいのは、コントロールを失わずにスケールさせること

AIが企業全体に広がるにつれ、小売企業はオペレーティングモデルが断片化するリスクに直面します。

あるチームはClaudeを直接使い、別のチームはRAGアプリを構築し、また別のチームはCopilotを使用します。開発者はCursorを使い、ビジネスユーザーはClaude Coworkを試し、データチームは独自のエージェントワークフローを立ち上げます。

それぞれのツールが、独自のモデルアクセス、データアクセス、ログ、権限、コスト、ガバナンスプロセスを持つことになります。

これは実験段階では機能するかもしれませんが、エンタープライズAIのオペレーティングモデルとしては機能しません。

コントロールプレーンがなければ、小売企業はすぐに以下のような状況に陥る恐れがあります。

• バラバラなモデルプロバイダーとの契約
• バラバラなAIツールとエージェントフレームワーク
• バラバラなプロンプトとレスポンスのログ
• バラバラなコストセンター
• バラバラな権限モデル
• バラバラなビジネスロジックの所在
• 同じビジネス上の質問に対するバラバラな回答

小売企業は、データと分析の断片化を解消するために何年も費やしてきました。AIによって、同じ問題が新たな形で再発するようなことがあってはなりません。

小売企業に必要なのは、閉ざされたAIの行き止まりではなく、オープンなAIハーネスである

AIの導入が拡大するにつれ、もう1つの疑問が浮上しています。それは、AIハーネスをどこに配置すべきかということです。

一部のハーネスはクローズド（閉鎖的）です。ユーザーはパッケージ化されたAI体験やデフォルトのモデルを受け取るだけで、データ、ツール、プロンプト、コスト、モデル選定のガバナンスに対するコントロールは制限されます。これは個人の生産性向上には役立つかもしれませんが、企業が使用するモデルの制御、データアクセスの管理、コストの抑制、AIとのやり取りの監査を行いたい場合には制限となってしまいます。

一方で、よりオープンなハーネスもあります。これらは、企業が業務に適したモデルを選択し、ガバナンスの効いたデータやツールに接続し、中央のゲートウェイを介してモデルの呼び出しをルーティングし、モデルを取り巻く環境の変化に合わせて柔軟性を維持することを可能にします。

この違いは重要です。

最近のディナーでの会話で、あるディスカウント小売企業のCIOは、CIOのピアグループが、低コストのオープンソースモデルを活用するためにGPUを調達すべきかどうかを活発に議論していると語ってくれました。同時に、各チームはすでにさまざまなAIインターフェースを試しています。開発者はCursorやコーディングアシスタントを使用し、ビジネスチームはClaude Coworkを探索し、エンタープライズチームはCopilotスタイルの体験を評価し、データチームはカスタムエージェントやアプリケーションを構築しています。

これは多くの小売企業における現実です。AIの導入が、1つのモデル、1つのアシスタント、あるいは1つのベンダーにすっきりと標準化されることはありません。

そして、CIOにどのモデルが勝ち残ると思うかを尋ねると、返ってくる答えはほぼ例外なく「わからない」というものです。これは合理的な回答です。モデルの状況はあまりにも急速に変化しているため、どのCIOにとっても、現在好まれているツール内の現在のデフォルトモデルに企業のAI戦略を賭けることは合理的ではありません。

小売企業に必要なのは、モデルの混乱を招くことのない、モデルの柔軟性です。

品質や推論能力が重視される最先端のフロンティアモデルをサポートする必要があります。コスト、コントロール、または専門性が重視されるオープンソースモデルへのアクセスも必要です。コーディングアシスタント、ビジネスエージェント、店舗スタッフ用アプリ、カスタムアプリケーションをサポートする必要があります。しかし同時に、アクセスをガバナンスし、使用状況を監視し、コストを管理し、インタラクションをログに記録し、AIが信頼できる企業のコンテキストに基づいていることを保証する共通の方法も必要です。

それこそが、AIコントロールプレーンの役割です。

選択肢を維持しながらモデルをベンチマークする

モデルの状況はあまりにも急速に変化しているため、小売企業が単一のモデルプロバイダーや単一のデフォルトアシスタントを中心に長期的なアーキテクチャの決定を下すことは困難です。

Databricksの研究では、少し前ならプレミアムなフロンティアモデルが必要だったような、ますます複雑なタスクをオープンソースモデルが処理できるようになっていることが明らかになっています。これは小売企業、特に利益率が低く、大量のAI利用がすぐに高額になりがちな食品スーパーやディスカウントストアにとって重要なことです。

しかし、オープンソースモデルが常に十分であると仮定することが正解ではありません。正解は、ベンチマークを行うことです。

商品コンテンツのワークフローは、低コストまたはオープンソースのモデルで十分に機能する可能性があります。複雑なマーチャンダイジング分析には、より強力な推論モデルが必要になる場合があります。店舗スタッフ用のアシスタントには、低レイテンシ、厳格な権限、そして予測可能なコストが必要かもしれません。コーディングアシスタントや複数ステップのプランニングエージェントは、フロンティアモデルの恩恵を受ける可能性があります。適切なモデルは、タスク、データ、精度要件、レイテンシ要件、そしてコストプロファイルによって異なります。

だからこそ、小売企業にはモデルの混乱を招くことのない、モデルの柔軟性が必要なのです。問いかけるべきは「どのモデルが勝ち残るか？」ではありません。より良い問いは、「このコンテキスト、このコスト、そしてこのガバナンス要件において、この業務に最適なモデルはどれか？」です。

クローズドなAI環境（ハーネス）では、そうした選択肢が隠されたり制限されたりすることがよくあります。オープンなコントロールプレーンを使用することで、小売企業は市場の変化に合わせてモデルをベンチマークし、切り替え、最適化することができます。

小売AIのコンテキストのためのコントロールプレーン

これが、実際のコントロールプレーンの姿です。Databricksの4つの機能（Unity Catalog、Unity AI Gateway、Foundation Model APIs、Genie）が連携してこれを実現します。

• Unity Catalogは、データ、権限、リネージ、モデル、信頼できる定義といったビジネスコンテキストをガバナンスします。
• Unity AI Gatewayは、ルーティング、使用状況の可視化、ログ記録、予算、レート制限といったモデルへのアクセスをガバナンスします。
• Foundation Model APIsは、商用モデル、オープンソースモデル、カスタムモデルへの一元的なアクセスを提供します。
• Genieを使用すると、ビジネスユーザーはガバナンスされたデータに対して自然言語で質問できるため、回答は常に信頼できるコンテキストに基づいたものになります。

これらの機能が連携することで、小売企業は孤立したAIの成果から、企業全体でのAI導入へと移行できるようになります。

重要なのは、すべてのユーザーに1つのAIアプリケーションを強制することではありません。従業員がどのアプリケーション、エージェント、またはインターフェースを使用していても適用される、単一のガバナンスおよびモデルアクセス戦略を企業に提供することです。

目標は、チームがお気に入りのAIツールを使うのを止めることではありません。チームの迅速な行動を可能にしながら、モデル、データ、コンテキスト、コスト、そしてリスクに対するコントロールを企業に提供することです。

小売チーム全体における具体的なイメージ

あるディスカウント小売企業のCIOが、最近興味深い例を共有してくれました。同社のCEOは、経営陣の意思決定に真に役立つよう、AIをより広範な社内データにグラウンディングさせることを望んでいました。

この要望は、企業におけるAIの課題を完璧に捉えています。CEOはよりスマートなモデルを求めていたのではありません。ビジネスを任せられる、信頼できるモデルを求めていたのです。その直感は正しいものです。AIはビジネスを理解することで、より価値のあるものになります。CEOが求めているのは、一般的な数値ではなく、自社の数値に基づいた回答です。

その解決策は、単にすべてのAIツールにすべての生データセットへの無制限のアクセス権を与えることではありません。適切な権限、リネージ、定義、および監査性を備えた、適切なデータに基づく適切なAI体験を各ユーザーに提供することです。

孤立した別のAIレイヤーの構築を避ける

多くの小売企業は、すでにデータガバナンス、レイクハウスの近代化、そして信頼できるアナリティクスに多額の投資を行っています。AIの導入が加速する中で懸念されるリスクは、ガバナンスされたデータ資産の外側で動作する、独立した別のAIレイヤーが作成されてしまうことです。 

これは深刻な問題を引き起こす可能性があります。

• ビジネスロジックがデータプラットフォームの外部で重複する可能性があります。 
• 複数のシステムで権限を再作成する必要が生じる場合があります。 
• AIエージェントが、一貫したリネージなしでデータにアクセスする可能性があります。 
• モデルの使用が、個別のプロバイダーや契約に分散してしまう可能性があります。 
• コストの可視性がチームやアプリケーションごとに断片化する可能性があります。 
• プロンプトと応答のログが、ガバナンスワークフローから切り離されてしまう可能性があります。

小売企業は、データやアナリティクスにおいて長年かけて解消しようとしてきたものと同じ断片化を、再び作り出すことを避けるべきです。

自律型（エージェンティック）小売の未来においては、ビジネスロジック、権限、信頼できるコンテキストを別の孤立したレイヤーに移動させるのではなく、ガバナンスされたデータがある場所にAIを導入することが不可欠です。

すでにUnity Catalogに投資している小売企業にとって、次のステップはその上に構築されるAIシステムをガバナンスすることです。そうすることで、新しいAIユースケースは、ゼロから始めることなく、すでに導入されているものと同じ権限、監査証跡、コスト管理を自動的に継承します。

ビジネスの成果：さらなるコントロールを伴う、さらなる自由

ガバナンスされたAIコントロールプレーンを使用することで、小売企業は企業のコントロールを維持しながら、チームが自由にかつ迅速に行動できるようになります。店舗から財務チームに至るまで、すべての部門が実際の業務に合わせたAIを利用できるようになり、そのために個別のセキュリティや調達の審査を待つ必要はありません。

同時に、ITリーダーは、誰がどのモデルを使用しているか、どのデータにアクセスしているか、各ワークフローにどれだけのコストがかかっているか、そしてAIのインタラクションがどのようにガバナンスされているかについての可視性を維持できます。

これこそが、小売企業が必要としているバランスです。1つのチャットボットでも、1つのモデルでも、別の孤立したAIプラットフォームでもありません。

コンテキストのためのコントロールプレーンです。

(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