『The AI-First Company』（2021年）は、後からAIを付け足すのではなく、最初から中核事業にAIを組み込むことを意図的に選択した企業こそが、業界を支配する立場に立つと論じています。本書では、価値あるデータの見極め方、適切なチームの作り方、既存のワークフローへのAI統合、そして自動化で得られた成果を再投資して競争優位性を雪だるま式に拡大する方法を解説します。
本書の要点：AIファースト企業への道
犬の嗅覚は人間の約1万倍、ライオンは時速50マイルで走り、クジラは海を越えて仲間の声を聞くことができます。しかし、それらの動物は文明を築きませんでした。文明を築いたのは人間です。速い、強い、感覚が鋭いからではなく、情報を集め、集団で処理し、そこから学ぶスピードが地球で最も速いからです。
その能力を機械に与えたらどうなるか。眠らず、忘れず、新しいデータに触れるたびに自らを研ぎ澄ます機械を想像してみてください。本書のテーマは、情報を競合他社よりも速く集め、処理し、伝達できるAIプロダクトを構築し、優位に立ち続けることです。今後数十年を支配する企業は、AIを単なるツールとして使うのではなく、事業の運営、競争、成長のDNAにAIを組み込んでいます。
本書を読み終える頃には、人工知能を活用し、その優位性を日々自動的に複利で拡大していく企業を構築するための、明確で実践的な枠組みが身についているはずです。
データ学習効果
どのビジネス時代にも、決定的な優位性が存在します。工業化時代は規模がものを言いました。最大の工場を建てた者が価格を決め、他を締め出しました。インターネット時代はネットワーク効果が鍵でした。最も多くのユーザーを集めた者が、追い出せない存在になったのです。電話を考えてみてください。1人だけが持っていても無価値ですが、皆が持てば不可欠なものになります。
現代の決定的な優位性は「データ学習効果（DLE）」です。基本的な仕組みはこうです。システムが予測を行い、顧客がそれに基づいて行動し、その行動が新たなデータを生み、そのデータがモデルを改善し、改善されたモデルがより鋭い予測を生む。誰かが押し上げなくても、システムは自動的に賢くなります。これが複利効果の部分です。小さな改善を確実に繰り返すことで、巨大な優位性へと成長します。
DLEが特に強力なのは、単一の競争力に依存しない点です。規模、処理効率、ネットワーク効果という3つの古典的な利点を1つのループに組み合わせています。この3つの力が同時に働くと、生み出される優位性は攻撃が極めて困難になります。
もちろん、DLEにも限界はあります。企業のデータ蓄積が独占の様相を呈し始めると、規制当局が介入する可能性があります。これは政策立案者の関心が高まっている問題です。内部的には、データ保存にはコストがかかり、入力を増やせば必ず価値が上がるとは限りません。ノイズが増えるだけの場合もあります。追加データはモデルをより正確にし、その精度向上が顧客にとって本当に意味を持つことが必須です。この連鎖が一つでも断たれると、複利効果は止まります。
AIから始めない
AIを構築する前に、顧客が本当にそれを必要としているかを問う必要があります。
顧客が下そうとしている決断の種類を考えてみてください。リスクの高い一度きりの決断なら、既知の情報源からの構造化データと統計分析の組み合わせは、どんな機械学習モデルよりも役立つでしょう。AIが真価を発揮するのは、決断が頻繁で、データが複雑で、環境が変化し続ける場合です。現実のビジネスでは、顧客は両方のアプローチのブレンドが必要です。ありがちな間違いは、シンプルな方法で十分かどうかを検証する前に、高度なソリューションに飛びつくことです。
より賢明な道は、著者が「リーンAI」と呼ぶものです。まずは基本的な統計ツール（ヒストグラム、クラスタリング、類似オブジェクトの教師なしグループ化）から始めます。この段階は妥協でも残念賞でもなく、偵察です。精巧なものを構築する前に、データの中身を実際に理解するのです。
そこから、1人のデータサイエンティストを起用して、明確に定義された1つの問いに答えてもらいます。チームでもプラットフォームでもロードマップでもありません。1人、1問、投資収益率の明確な実証です。問いは「写真に写っている橋の種類を判別する方法」のような小さなものでも構いません。
価値が証明されたら、データ準備に本腰を入れ始めます。ただし、それでも慎重に。目につくものすべてにラベルを付け、あらゆる情報源から収穫し、野心に見合う広大なインフラを構築したくなる誘惑にかられますが、すべてに抵抗してください。勢いは規模の外観からではなく、検証された進歩から生まれます。
問いの価値が証明されて初めて、最初のモデルを構築すべきです。まだ高い精度は必要ありません。存在して予測を生成すればいいのです。予測がループを回し始める起点であり、そのループこそが長期戦略全体の基盤だからです。
戦う価値のあるデータ
すべてのデータを追う価値があるわけではなく、量と戦略的価値を混同することは、AIファースト企業が犯しうる最も高くつく過ちの1つです。
戦う価値のあるデータとは、再現が本当に難しいものです。物理的にアクセスが困難な場合もあります。地方自治体に出向いたり、紙のファイルを集めて手作業でコピーしたりする必要があるかもしれません。法的に制限されていて、少しずつしか収集できないデータもあります。例えば金融市場データのプロバイダーは、追加料金を払わない限り、連続した株価を所定の時間間隔でしか引用させてくれません。収益性の高い取引を予測するAIプロダクトを提供しているなら、このデータの有無が明暗を分けるでしょう。
実際のデータ取得においては、小規模な顧客が最初の印象よりも価値のあるパートナーである場合が多いです。大企業の顧客は膨大な量のデータを提供してくれますが、あまりにも多くの利用制約が付随するため、契約書にサインする前に戦略的価値が骨抜きにされてしまうこともあります。
データを入手したら、ラベル付けが必要です。ラベルがなければ、モデルは何を見ているのか分かりません。1つの解決策は作業のアウトソーシングです。量は得られますが、専門性が犠牲になります。別の選択肢は社内ラベリングチームの構築で、精度は上がりますが、立ち上げに時間とお金がかかります。多くの企業はその中間に落ち着きます。ドメイン専門家が品質基準を設定し、機械が作業をスケールさせ、非専門家が機械のエラーを随時修正するのです。
「データ合成」を活用する手もあります。既存のデータポイントから、事前定義されたルールを使って新しいデータポイントを生成する手法です。例えば、椅子の基本的な特徴（脚の長さ、背もたれの有無、カバーの種類）を取り出し、出力は必ず4本脚でなければならないというルールを設けて、可能な組み合わせをすべて出力できます。これにより、実際の顧客データに触れることなく、低コストでプロダクトや機能をテストできます。構築の初期段階でリスクを低く抑えられます。
「問い」で動くチーム
AIファースト企業には、データインフラエンジニアリング、機械学習研究、統計学、計量経済学、深いドメイン専門知識にまたがる、根本的に異なるチームが必要です。採用範囲は広く、組み立てには時間がかかります。良い採用先は大学の研究室や学科です。経済学、アクチュアリー科学、生物学、生物統計学、工学、物理学などの分野が候補になります。こうしたバックグラウンドは、データ処理に必要な基礎力の多くを備えた人材を育てます。
チームができたら、より難しい課題であるマネジメントに移ります。データサイエンティストはエンジニアのようには働きません。研究者のように働きます。エンジニアは仕様書を受け取り、それに従って構築し、出荷し、次のチケットに移ります。データサイエンティストは探索します。問いを立て、糸をたどり、時に行き止まりにぶつかり、役立つものを見つける前に後戻りすることもよくあります。
そのプロセスは外から見ると非効率に見えますが、良いモデルが構築される方法そのものです。うまく管理するには、定期的なタッチポイントを設けて、科学者たちが調査している問いを顧客が実際に必要としているものにしっかりと結びつけることが重要です。そのつなぎがなければ、優れた研究は誰もお金を払って解決したがらない問題へと漂流していきます。
予算管理も根本的に異なります。AIシステムの運用には大きな計算能力が必要で、データサイエンティストには承認をいちいち求めずに実験する自由が必要です。ただし、その自由には資源消費の適切な監視を伴わなければなりません。クラウドの請求額はモデル性能と同じ速さで複利膨張するからです。このバランスを取れる企業（明確なガードレールの中での本当の自由）は、研究チームを競争優位のエンジンに変えられます。
軌道を外れないモデルを構築する
モデルの構築とは、入力データに基づいて予測できるように訓練することです。具体的には、物事を識別するためにデータのどの特徴に注目すべきかをモデルに指示する必要があります。
これにはいくつかの方法があります。直接コーディングできる場合もあります。目を識別するAIモデルを構築するとしましょう。円形の黒いピクセルの塊（瞳孔）に遭遇したときに作動する特徴をコードに書き込むことができます。
「教師あり学習」が必要な場合もあります。ラベル付きデータをモデルに与える方法です。「シマウマ」とラベル付けされた大量の画像と、「シマウマではない」とラベル付けされた大量の画像を与えます。モデルは両方の画像セットを比較して、シマウマを識別するための関連特徴を見つけ出します。モデルが誤った予測をしたときに人間のフィードバックが修正に重要になります。
最後に「教師なし学習」もあります。モデルがプログラムされたさまざまな手法を使ってデータを自らグループ化し、関連特徴を自ら抽出する方法です。教師なし学習は大量のデータを必要としますが、どのパターンを探す価値があるのかをまだ模索している段階で真価を発揮します。
モデルが初めて本番稼働すると、お祝いしたくなるものです。しかし、それで仕事が終わるわけではありません。モデルが新しいデータに継続的に適応するにつれて、当初反映するように設計された現実から静かに乖離していくことがあります。つまり「ドリフト」です。出力は徐々に信頼性が下がり、偏りが大きくなり、ある日顧客が異変に気づきます。だからこそ、厳格な「モデル管理」が絶対に不可欠です。後付けで行うと、企業は公に恥をかくことになります。
良いモデル管理とは、3層のテストを一貫して適用することです。第一に「統計的プロセス制御（SPC）」を使って「データ品質」をテストします。これは出力の異常を検出し、入力データの分布の変化にまで遡って追跡する手法です。第二に「モデル精度」をテストします。モデルのパラメータ、特徴、訓練期間を体系的に調整し、各ステップで結果を注意深く記録します。第三に「統合テスト」を実行して、モデルのコードが自社のインフラや顧客のシステムと問題なく連携することを確認します。
バイアスの問題に関して、最も強力なツールは制約です。モデルが何を予測してよいか、してはいけないか、誰がその予測にアクセスできるか、その予測で何をしてよいかを事前に決めておきます。制限が破られた場合は、手動検出に頼るのではなく、自動シャットダウンを仕組み化します。
ループの統合
学習はループです。観察し、学んだことに基づいて行動し、結果を観察し、より良い情報で再び行動します。有能な科学者、アスリート、マネージャーは皆、このサイクルを何らかの形で回しています。データ学習効果も同じ仕組みです。
簡単な例を挙げましょう。AIファーストのプロダクトが、店のパスタ棚が15分後に空になると予測し、補充担当者に通知します。彼は昼食後に確認し、棚が空なのを見つけ、補充してアプリに記録します。店内カメラが一連の流れ（パスタあり、なし、再びあり）を捉えます。AIは両方のシグナルを取り込み、予測が的中したことを確認し、次回は棚が実際に空にならないよう、数時間早く補充担当者に通知します。
良いループには、制御されたテストだけでなく、顧客が現実世界でモデルの予測に基づいて行動できることが必要です。現実世界での使用は、健全な予測不可能性をもたらし、真に新しいデータを生み出し、ループの複利効果を助けます。このデータは、あなたの武器庫で最も戦略的に貴重なデータにもなります。競合他社は収集しておらず、どこでも買えません。それはあなただけのものであり、競争優位の基盤となります。
ループが回り、データ優位性が本当に複利で成長し始めたら、最後の動きは統合です。垂直統合はここで最も強力なレバーの1つです。単に「技術的な」問題を解決することから、顧客の「ビジネス上の」問題を解決することへと踏み出すことを意味します。例えば、外部委託のエージェントに提案応答のリストを提供するのではなく、自らすべての顧客メールに回答するといったことです。より急進的な例では、既存企業が保険金請求をより効率的に処理するためのAIツールを提供するのではなく、自ら保険会社を設立することも考えられます。スタックを所有するほど、より多くのデータが還流し、より多くの収益と利益を直接取り込めます。
「破壊」は次のレバーです。破壊は、既存企業の顧客基盤のニッチなセグメントに、より低コストで特化したプロダクトを提供することから始まります。例えば、医薬品を作る際に可能なすべての化学的組み合わせを探索できる知的システムは、その医薬品の製造コストを削減し、最終的に顧客への価格を引き下げることができます。
既存企業の顧客を一部獲得したら、新規のパーソナライズされたAI機能へと導き、より高い料金を請求します。Googleは好例です。当初はウェブサイトのバナー広告よりも安い料金で広告を提供していましたが、現在はパーソナライズドターゲティングを提供することで、より高い料金を請求しています。
最終的に、破壊を完了するには、最も要求の厳しい顧客に完全自動化されたプロダクトを提供することを目指します。完全自動化市場はAIファースト企業のものです。古い既存企業には足を踏み入れることすらできません。
まとめ
アッシュ・フォンタナの『The AI-First Company』から得られる最大の教訓は、今後数十年を支配する企業はAIを単に使うのではなく、AIを中心に構築されるということです。
AIファースト企業の中核エンジンはデータ学習効果です。予測が行動を生み、行動がデータを生み、データがモデルを研ぎ澄まし、ループが自動的に複利で成長します。そこに到達するには、思っているよりも小さく始めることです。リーンに始めましょう。機械学習に投資する前にシンプルな統計手法を検証し、何かをスケールする前に1つの問いで価値を証明します。競合他社が本当に再現できないデータのために戦い、エンジニアではなく研究者のように考えるチームを構築し、モデルが静かにコースを外れないよう厳格に管理します。
ループが回り始めたら、垂直統合と既存企業への的を絞った破壊によって統合します。そうすることで優位性は複利で成長し続けます。
