Category: Blog

AIアシスタントから自律型アナリストへ

Mohit Verma

五年間の検証

五年間の検証 日本企業のエンタープライズAI導入から見えた、本番稼働に耐えるアーキテクチャ。     1 パターン オペレーションから始める。モデルからではなく。 本番稼働に耐える導入はワークフローの内側から始まった。技術スタックからではなく。 CUBASTIONの原則 オペレーション内向き。モデル外向きではなく。 2 パターン オーケストレーション層がモデルよりも重要。 成功の最大の予測子は、アプリケーション間の層に指名された所有者がいるかどうかである。 CUBASTIONの原則 層を設計し、所有者を名指す。 3 パターン 監査付き限定自律性が唯一のガバナンス。 J-SOX、APPI、経済産業省の審査に耐える導入が共有する、唯一の設計規律。 CUBASTIONの原則 コンプライアンスは納約。門ではない。 4 パターン 運用層が成果物であるときのみ、AIは複利で効く。 AI製品を買う企業は平坦な曲線を見る。運用層能力を構築する企業は複利で効く。 CUBASTIONの原則 層が成果物である。 5 パターン 日本の運用規律は構造的優位性である。 改善・現場・TPSの系譜が適応的移行を加速する。西洋の競合はこれを見落としている。 CUBASTIONの原則 運用規律こそが堀である。   2021年以降、日本の自動車、ディーラー・ネットワーク、隣接エンタープライズ・セクターにわたる五年間の企業AI導入から、本番稼働に耐える導入を予測する五つのパターンが浮かび上がった。これらは理論的フレームワークではない。仕事の内側からの運用上の観察であり、Cubastionが今日下すあらゆるアーキテクチャ的決定の基礎である。 主要ポイントCubastionは2021年以降、日本企業のAI導入を横断して五つの繰り返し現れるパターンを観察してきた。各パターンが、第2フェーズを生き残る導入と停滞する導入を予測する。 パターン1:本番稼働に耐える導入は、モデルからではなく、オペレーションから始まった。 パターン2:業務アプリケーション間のオーケストレーション層が、個別のモデルやベンダー選択よりも重要である。 パターン3:監査証跡付きの限定された自律性は、J-SOX、APPI、経済産業省のAIガイドラインの審査に耐える唯一のガバナンス・パターンである。 パターン4:AI投資は、モデルではなく運用層が成果物であるときにのみ複利で効く。 パターン5:日本の運用規律(改善 · 現場 · TPSの系譜)は、西洋のエンタープライズAI議論がほぼ完全に見逃している、構造的優位性である。 これらのパターンは、Cubastionのカテゴリー・ポジショニング — 適応型運用アーキテクチャ(Operational Adaptation Architecture) — の基盤となる。 2021年6月、日本のエンタープライズAIは、PoCプログラムのチェックリストのように見えた。五年後、姿は成熟した。今や、構造的な能力に複利で効いてきた導入と、スライド・デッキと契約更新を生んだだけの導入を、運用上の確信をもって区別できるようになった。両者は三年前よりも識別しやすくなっている。パターンは安定している。そして、業界が公に語る以上に、ほとんどのエンタープライズAI投資に対して厳しいものでもある。 本稿はその検証である。包括的な市場レポートではない — そういうものは数多あり、その多くは間違ったものを測っている。これは、Cubastionが内部で行った検証である — […]

AI支援型SDLC 

AI支援型SDLC ── エンタープライズAIの構築方法が、その持続性を決める理由 ──  AIデリバリー規律 CUBASTION · AIデリバリー規律 多くのAIプログラムは デザインではなく、 デリバリーで失敗する。 テクノロジースタックが優位性をつくるのではない。デリバリーの方法論が、優位性をつくる。 5つのフェーズ。5つのAIの役割。1つの規律。 KAIZEN フェーズ 1 要件定義 フェーズ 2 構築 フェーズ 3 テスト フェーズ 4 展開 フェーズ 5 移管 Kumar Gaurav Harsh · Cubastion Japan cubastion.com · cubastion.co.jp エンタープライズAIプログラムの多くは、設計ではなく、デリバリーで失敗します。  戦略資料はしっかりしている。ユースケースは合理的である。ベンダー候補リストも妥当である。問題が起きるのは、下流です。チームが入れ替わるたびに品質がばらつく。要件が、市場ごとに違うように解釈される。テストカバレッジが、エンジニアによって変わる。引継ぎの際に、知識が失われる。気づけば二年目には、自信をもって立ち上げたAIは、もはや本番にあるAIではありません。  このパターンはAI固有ではありません。エンタープライズソフトウェアのデリバリーには、長年つきまとってきた現象です。新しいのは、コストです。AI導入は、デリバリーの弱さを、従来システム以上に増幅します。  技術スタックは差別化要素ではありません。デリバリー方法論こそが、差別化要素です。より具体的に言えば、AIの「構築」そのものに対して、オペレーショナル・エクセレンスの規律を適用するということです。  これが、私たちがAI支援型SDLCと呼んでいるものです。実務的には、改善(kaizen)をAIデリバリーに適用したものです。すべての工程において、漸進的・測定可能・可逆的な改善を行います。品質は、個人の頑張りではなく、システムによって担保されます。 五つの工程、五つのAIの役割 5つのフェーズ 5つのフェーズ · AIがすること · AIがしないこと 要件定義 構築 テスト 展開 移管 AIがすること ギャップ検出 […]

技術者とAI

技術者とAI ── ある自動車メーカーが、人工知能と人間の専門知識の境界線をどのように定義したか ──  「品質第一・安全第一」。日本のものづくり、特に自動車業界において、揺るがぬ原則です。AIの登場は、この原則と無関係ではありません。むしろ、新しい試練を与えています。  ケーススタディ CUBASTION · ケーススタディ AIが検索する。 技術者が判断する。 AIがすること 手順書の検索・提示 類似ケースの抽出 サービスブレティンの提示 文脈情報の比較 付加価値の高い業務。説明責任を伴う業務ではない。 技術者がすること 診断 意思決定 承認・リリース 署名 説明責任を伴う業務。委任できない。 Kumar Gaurav Harsh · Cubastion Japan cubastion.com · cubastion.co.jp 2024年末、ある日本の商用車グループの技術部門で、一つの問いが議論されました。「AIはどこまで担い、技術者の権限はどこから始まるべきか。」その問いに、その週どう答えたか——そして、なぜそう答えたか——が、その後の展開を決めました。技術者向けコパイロット(Technician Co-Pilot)は、一年以上にわたり本番運用が続いています。同種のAIプロジェクトが、依然としてPoC段階に留まっている他社の状況とは対照的です。  この導入の物語は、技術の物語ではありません。設計判断の物語です。判断とは、境界の引き方でした。  課題:診断知識が、現場のスピードで参照できない 商用車整備の現場には、一つの構造的な課題があります。診断に必要な知識が、作業のスピードで参照できない。整備工場に入庫する現代の大型車には、数百のトラブルコードが残されていることがあります。整備履歴は複数のシステムに分かれて存在します。技術通報は長年にわたり蓄積しています。  技術者——診断と修理の判断について、法的・業務的に唯一責任を負う者——は、これらすべてを短時間で統合しなければなりません。参考資料は存在します。専門知識も存在します。しかし、いずれも、必要な瞬間に手元にはありません。  設計の問い:AIに何ができるかではなく、技術者の仕事とは何か このグループの技術部門は、議論を「AIに何ができるか」から始めませんでした。別の問いから始めました。  技術者の仕事とは何か。そのうち、機械に委ねてはならない部分はどこか。  議論の末に明確になった答えは、業務的かつ具体的でした。技術者の責任業務は、「診断し、判断し、承認し、リリースし、署名する」ことです。これら一つ一つの行為が、規制上の重み、安全上の含意、お客様との信頼関係を背負っています。推論が完全には監査できないシステムに、これらを委ねることはできません。  一方、これら責任業務の周囲にある作業——検索、比較、統合、類似事例の参照——は、価値は高いが、責任を伴わない作業です。時間を消費する一方で、権限を確立する性質を持ちません。知性が役立つ場所は、まさにここです。  境界の決定:AIは検索する。技術者が判断する この区別から、境界は明示的に引かれました。  AIが担うこと:技術者の照会に応じて、Technician Co-Pilotは、関連するサービス手順、類似する過去事例、該当する技術通報を、ナレッジベースから取得します。それらを、会話のスピードで技術者に返します。  AIが担わないこと:診断の確定。修理の承認。車両のリリース。サービス記録への署名。お客様向けの修理承認書の発行。これらは、設計上、AIの責任範囲から意図的に除外されています。「たまたま」除外されたのではありません。設計判断として除外されています。  この境界の根拠は、四つに分かれます。  規制上の責任。商用車の安全は、運輸規制当局に対する明文化された説明責任を伴います。  安全。更新の間に挙動が変動し得るシステムが下した診断結果を、本番に流すことは、いつか起きる安全事象を準備する行為です。  責任の所在。修理が現場で問題を起こした場合、責任の系列は、判断を下した特定の人間まで辿れなければなりません。  信頼。グループ経営層は、現実をこう理解していました——技術者は、自分の権限を脅かすAIを採用しない。一方で、自分の権限を尊重するAIは、進んで採用する。結果は、まさにその通りでした。    境界の4つの柱 境界の4つの柱 柱 01 […]

エンタープライズAIの次のステージ

エンタープライズAIの次のステージ ── そこへ到達するために必要な投資とは何か ──  クマール ゴラフ ハーシュ 社長　｜ Cubastion Japan  エグゼクティブ・インサイト エグゼクティブ・インサイト 多くの企業は自社がステージ3にいると思っている。 実際のほとんどはステージ1.5だ。 ステージ 1 支援 AIが個人を支援する ステージ 2 拡張 AIがプロセスに組み込まれる ステージ 3 実行 AIが限定領域で実行する ステージ 4 構造化 AIが基盤構造となる 次のステージへ 新しいテクノロジーの問題ではない。異なる投資判断の問題だ。 Kumar Gaurav Harsh · Cubastion Japan cubastion.com · cubastion.co.jp 先日、東京のある会議室で、あるCIOの方が「弊社はエンタープライズAIのステージ3にいる」と語られました。30分後、私は率直にお伝えしました。「ステージ1.5、というのが私の見立てです。」  その方は反論されませんでした。それが、この会話に意味があった理由です。  「エンタープライズAIの成熟度」として今語られている内容の多くは、測る単位を間違えています。主流のフレームワークは、ユースケースの数を数えます。PoCの数を数えます。導入したモデルの数を数えます。これらを追うこと自体は誤っていません。しかし、これらのどれもが、「その企業のAIが二年後も動いているか」を決める指標を測ってはいません。  私が、日本でAIプログラムを五年間構築してきた経験から使うようになったのは、よりシンプルな四段階のマップです。リストとして目新しくはありません。新しいのは、各ステージに到達するために実際に必要なものは何かを率直に問うこと、そして、ほとんどの企業が自社のステージを正直に直視するかどうかです。  四つのステージ 第1段階 ── 補助(アシスト)。AIが個人の作業を助ける。下書き、要約、検索。変化するのは個人の生産性です。業務システムには手がついていません。  第2段階 ── 拡張(オーグメント)。AIが業務プロセスに織り込まれる。プロセスは速くなる。System of Recordはまだ動いていません。  第3段階 ── 実行(アクト)。AIが境界の定められたゾーンの中で、特定の業務アクションを実行する。技術ではなく、責任の所在とガバナンスが、束縛条件となり始めます。  第4段階 ── アーキテクチャ。業務がAIネイティブに設計されている。AIは構造に組み込まれる——前提となり、境界が定められ、運用モデルの第一級の構成要素として統治されます。  私が支援する企業の多くは、自社をステージ3に位置づけています。AIの能力としてはステージ3かもしれません——エージェントは稼働しており、自律的なアクションが実行されており、何かを「行う」ツールが配備されています。しかしAIに対する運用規律は、依然としてステージ1にあります。土台に手がついていません。  AIが持続するかを決めるギャップ AIが持続するかを決めるギャップ AIの能力 AIの現在地 ステージ 1 ステージ 2 ステージ 3 […]

ビジネスアプリケーションにおける AIの適用領域と非適用領域

ビジネスアプリケーションにおける AIの適用領域と非適用領域 ── 業務システムとAIの緊張関係を解決するフレームワーク ──  「適材適所」という言葉は、日本のものづくりに深く根付いています。道具にも、人にも、それぞれが最も力を発揮する場所があります。AIもまた、例外ではありません。  しかし、エンタープライズAIの導入現場を見ると、この原則が十分に守られていない事例が少なくありません。失敗するAI導入の多くに共通する根本原因は、ただ一つに集約されます。信頼性が求められる業務システムの「中」にAIを組み込んだこと。本来、AIは、そのシステムの「上位」に、知性のレイヤーとして配置されるべきでした。  この一つの配置ミスが、私たちが観察してきた多くのAI失敗事例の核心を説明します。モデル選定でも、ベンダー選定でも、学習データの議論でもありません。「アーキテクチャ」の選び方そのものに、より大きなコストが水面下で発生しています。  オペレーショナル・エクセレンス(業務遂行の卓越性)は、新しさを追求する活動ではありませんでした。日々確実に稼働すること、追跡可能であること、責任の所在が明確であること——これらの規律を、製造業・サービス業・整備業の世代を超えた積み重ねによって築き上げてきた活動です。AIの登場は、その規律を置き換えるものではありません。「試す」ものです。  トランスフォーメーション・ノート CUBASTION · トランスフォーメーション・ノート AIは、知性が役立つ場所に存在する。 信頼性は、それが築かれた場所に宿る。 ゾーン 01 AI主導型 インテリジェンス層。AIがシステムそのもの。 予測・検知・統合 ゾーン 02 AI補助型 AIが加速し、人間が意思決定する。 検索・起草・提示 ゾーン 03 AI不使用型 システムが業務そのもの。確定論的な設計。 決済・署名・コンプライアンス 基盤 業務卓越性 Kumar Gaurav Harsh · Cubastion Japan cubastion.com · cubastion.co.jp 1. 業務システムとAIは、要求するものが本質的に異なる オペレーショナル・エクセレンスには、AIが本来は満たさない四つの要求があります。  決定論的であること。業務システムは、同じ入力に対して、同じ出力を返さなければなりません。これは機能ではなく、信頼性の定義そのものです。AIは、設計上、確率的に振る舞います。ナレッジワークにおいては、この変動は許容範囲ですが、取引処理においては、許容できません。  監査可能であること。すべての業務上の意思決定は、追跡可能でなければなりません。誰が、どのデータに基づき、いつ判断したのか。基盤モデルを中心とするAIの推論は、しばしば不透明であり、または事後的に正当化されます。  責任の所在が明確であること。業務上の責任は、必ず特定の人間または特定のシステムに帰属しなければなりません。AIが「代理として」業務を実行する場合、アーキテクチャ側で明示的に防がない限り、責任は拡散します。  継続的かつ可逆的な改善(kaizen)に適合すること。業務は、漸進的で、測定可能で、可逆的な変更を通じて磨かれます。AIの更新は、しばしばその逆です。   緊張関係 業務卓越性が求めるもの AIが本来もたらすもの 決定論性 同じ入力 → 同じ出力 確率的な出力 同じプロンプトでも結果が変わる […]