人工知能が本格的に登場し、企業はその挑戦に挑む準備ができている

多くの企業は、短期的には利益が見込めないため、AIパイロットプロジェクトを推進できず、AIプロジェクトの予算を大幅に削減しなければなりません。問題はテクノロジーや人材ではなく、AI 時代以前の企業文化や組織構造にある場合が多いのです。 AI テクノロジーを推進するには、ビジネス マネージャーはビジネス チームと技術チームが緊密に連携できる文化的雰囲気を作り出す必要があります。

以下は、ビジネス マネージャーが大規模な AI アプリケーションに適した環境を構築するのに役立つ 10 ステップのソリューションです。ただし、このリストに従って順番に進む必要はありません。ほとんどの企業は、このソリューションの 1 つまたは複数のリンクを理解しているだけで十分です。

実際、この実装ガイドには、AI の適用を成功させるために必要な文化的条件が記載されています。ビジネス マネージャーは、このフレームワークを参考にして、自社がさまざまなリンクにどの程度精通しているかを確認できます。その後、ビジネスマネージャーは文化的な雰囲気を作り始めることができます。

AI改革計画

ビジネスマネージャー向け AI 改革プラン | 出典: Unsplash

ほぼすべての CEO が「AI テクノロジーに取り組んでいる」と言っていますが、これはあなたの友人が「ジムに通っている」と言っているのと同じです。彼らは通常、望んだ目標を達成できません。多くの企業が AI パイロット プロジェクトをフォローアップできず、友人たちはすぐに忙しくて運動する時間がない、と文句を言うようになります。

ガートナーコンサルティング社による2019年ガートナーCIOアジェンダ調査レポートでは、調査に参加した3,000社のうち37%がすでにAI技術を適用していると指摘されています。確かなのは、残りの63%の企業の大部分が、AIを推進する過程で多かれ少なかれ障害に遭遇しているということです。

テクノロジーと才能だけでは決して十分ではありません。企業は、さまざまな部門や地域にまたがる AI の推進を促進するために、文化的な障壁を打ち破り、組織構造を再検討する必要があります。企業が AI を導入する方法は一つではありません。導入方法は、企業の規模、人材プール、AI テクノロジーの成熟度によって異なります。

次の 10 ステップの計画は、マネージャーの AI 変革の取り組みに指針を提供します。

AIの大規模適用を目指す

会社全体でAIの認識を高める

企業幹部間で共通の「AI変革ビジョン」を実現する

· AIコンビネーションパンチのセットをプレイする

社内にAIチームを構築し、AIベンダーと連携する

AI人材を社内の各部門に割り当て、具体的な責任を割り当てる

· 会社全体でデータに基づいた意思決定を行う

データサイロを打破する

ビジネスチームと技術チーム間のコミュニケーションの架け橋を築く

統合と経営移行のための予算

AIの大規模適用を目指す

AI の助けを借りて、企業はデータを分類し、パターンを検索し、結果を予測し、大規模な反復的な意思決定を行うことができます。

サイズは重要です。銀行が機械学習ツールを使用して顧客をセグメント化し、クロスセルやアップセルを促進するのは比較的簡単です。顧客のオンボーディングから既存の顧客関係の維持まで、顧客プロセス全体を最適化する AI ソリューションを導入することは、より困難で収益性の高いタスクです。

企業はどのようにしてスケーラブルな AI ソリューションのポートフォリオを構築し、展開できるのでしょうか?すべては組織構造と企業文化にかかっています。企業は、AI ソリューションが常に変化するビジネス開発のニーズに対応できるように、ビジネス チームと技術チーム間のコラボレーションを促進する必要があります。 AI の才能が最も必要とされる場所へ行けるように、組織構造も十分に流動的でなければなりません。

[[339475]]

画像ソース: unsplash

会社全体でAIの認識を高める

企業全体で AI に対する認識を高める必要があります。管理者から個々の従業員まで、誰もが AI がビジネス上の問題をどのように解決できるかを認識し、AI ツールの使用方法を理解する必要があります。

AI トレーニングは、社内で実施することも、外部の力を借りて実施することもできます。成熟した AI 技術を持つ企業は、社内に AI スクールを設立して、実務研修コースを提供することができます。残りの企業は、教室での指導やセミナーを実施するために外部のトレーナーやコンサルタントを雇うことができます。

上級管理職

会社の意思決定者やその他の上級管理職は、会社のビジネスニーズ、目標、および困難を十分に認識しています。したがって、次のことができるように、AI に対する優れた認識が必要です。

AIテクノロジーの仕組みを完全に理解する（例：機械学習、マシンビジョン、自然言語処理）

業界や企業内で価値の高いAIユースケースを特定する

企業のニーズを満たす独自のAIツールを特定する

AIイニシアチブの優先順位付けを学ぶ

克服しなければならない障害、従業員の役割移行への影響、企業文化にどのような変化が必要かを理解する

技術スタッフ

企業は、AI ツールを開発するデータ サイエンティスト、AI エンジニア、研究者に技術トレーニングを提供する必要があります。役割に応じて、トレーニングには次の内容を含める必要があります。

データのベストプラクティス（例：データ収集、データクリーニング、データガバナンス、バイアスの修正）

機械学習とディープラーニングの技術的理解

AIの開発とトレーニング、データモデルの構築に使用できるオープンソースおよびサードパーティのツール（Python、PyTorch、TensorFlowなど）を理解する

· 業界標準と新興AIテクノロジーを理解する

ビジネス翻訳者

[[339476]]

画像ソース: unsplash

アナリティクス トランスレーターとも呼ばれるこの新しい役割は、ビジネス チームと技術チームの間のギャップを埋め、AI 製品がビジネス ニーズを満たすようにする責任を負います。ビジネス翻訳者の中には、AI ツールを開発し、AI プロジェクトの実装と適用を主導する技術者を管理する人もいます。

ビジネス通訳者は通常、ビジネスチーム（プロジェクトマネージャー、ビジネスアナリスト、業界専門家、ビジネスマネージャーなど）から選ばれるため、会社のビジネスを深く理解しており、プロジェクト管理、人事管理、戦略計画にも精通している場合があります。

ビジネス通訳者は、基本的な技術研修に参加し、AI に関する認識を身に付けて、次のことができるようにする必要があります。

AIツールを開発するデータサイエンティストやエンジニアに、専門用語を使って会社のビジネスニーズや要件を説明する

分析手法とAIツールを採用してビジネス上の問題を解決する

詳細なAIユースケースを開発する

AIツールを導入するとワークフローがどのように変化するかを理解する

ビジネスユーザー

マーケティング、財務、営業、その他の機能部門に所属するこれらの人々が、AI ツールのエンドユーザーです。これらの従業員には、日常業務で AI ツールを適用する方法を学ぶための適切なトレーニングも必要です。

さらに、AIに対する恐怖を克服する必要もあります。多くの人は、AIと自動化によって自分の仕事が奪われるのではないかと心配しています。経営幹部は、経営上の意思決定者が従業員のスキルや経験よりも機械を重視した場合にも不快感を覚えるだろう。企業のリーダーは、従業員に対して、AI がより多くの成果を達成するのに役立つことを納得させ、AI の重要性を理解させ、AI が企業と自分自身に利益をもたらすと信じさせる必要があります。

ビジネスリーダーは、人材が常に企業にとって最も重要なものであることを従業員に信じ込ませなければなりません。 AI はデータに基づく洞察を提供し、プロセスを自動化できますが、その洞察を適用するための常識と知恵を持っているのは人間だけです。AI は人間の知性の複製ではなく、人間の知性の延長として捉えるべきです。

実際、AI はいくつかの仕事を置き換えることになるでしょう。日常的かつ反復的なタスクは、置き換えられるリスクが最も高くなります。しかし、「仕事の3分の1が自動化の危機に瀕している」といった見出しは、センセーショナルな表現に過ぎません。 AI はタスクを自動化できますが、すべての職務を引き受けることはできません。現実には、従業員が大規模に AI に置き換えられるのではなく、従業員が AI を活用して業務能力を向上させているのです。

従業員は AI の導入を歓迎するはずです。退屈で単調な作業を機械が自動的に完了するようにすることで、従業員は影響力のある満足のいく仕事にもっと時間を費やすことができます。雇用主もこれを喜んでいます。デロイトはかつて、AI技術を導入した1,900社を対象に調査を実施しました。調査レポートによると、AIの最大のメリットは、従業員の自由度を高め、創造性を刺激することだという。

従業員は、AI が個人の成長 (さらには生存) にとって重要であることを理解していれば、AI を受け入れる可能性が高くなります。小売業の経営者は、アマゾンと電子商取引が会社にもたらした存亡の危機を従業員に認識させ、AIが小売業の効率性をどのように高めるかを理解させるだけで、強い反応が得られるだろう。従業員に対して、会社にとっての彼らの重要性を強調し、彼らの成功する未来を描けば、彼らは AI 改革を全面的に支持するでしょう。

企業幹部が共通の「AI変革ビジョン」を策定

[[339477]]

画像ソース: unsplash

企業の AI 改革の成功率は、経営者が AI 改革に対する明確なビジョンを持っているかどうかに大きく関係します。改革のビジョンは、特定のユースケースではなく、市場で大きな勝利を達成することです。

具体的には、上級管理職は次の 4 つの質問に詳細な回答を提供できる必要があります。

AI は企業のどのようなビジネス問題の解決に役立ちますか?

3～5年後、AIは企業を他の競合他社とどのように差別化するのでしょうか?

企業はどのように AI を活用して市場シェアを拡大​​し、コントロールできるのでしょうか?

データの可用性、人材、イノベーション文化の面で、今何をする必要があるでしょうか?

オフィスビルの暖房、換気、空調設備の設置を主な業務とする HVAC 会社があるとします。同社は市場機会を捉え、センサーと機械学習を組み合わせて人間の活動を感知し、建物全体の温度を調節して、同社の顧客のエネルギー消費を最小限に抑えました。このケースでは、AI を活用してエネルギーを節約することで、業界で目立つ存在となり、市場シェアを拡大​​することができました。

これは HVAC 会社の AI 変革における最初の章に過ぎません。次に、データ、人材、企業文化を最大限に活用して会社を無敵にするにはどうすればよいかを自問する必要があります。

AI 変革ビジョンでは、企業の AI 戦略とプロジェクト ポートフォリオを明確に説明し、企業が AI プロジェクトに優先順位を付けられるようにする必要があります。

長期的に考え、パイロットプロジェクトを通じて短期的に知識を得る

長期的な AI 変革ビジョンは、管理者が段階的な AI 変革パスを定義するのに役立ちます。管理者は、実際の利益を得るには時間がかかることを認識するでしょう。長期的なビジョンがなければ、マネージャーはすぐに結果が出ないとすぐに変更を中止してしまいます。

成功した AI プロジェクトであっても、成果を得るには時間がかかります。パイロット プロジェクトには金銭的な利益がないかもしれませんが、パイロットによって企業がデータ インフラストラクチャを完全に変革して AI アプリケーションを大規模に推進する方法を学習できる限り、短期的には有意義な成果となります。

パイロット プロジェクトにはわずかな投資しか必要ありませんが、スケーラブルな AI ソリューションを構築するための貴重な洞察を企業に提供できます。これらのプロジェクトにより、企業はどのタイプのデータを大量に収集する必要があるか、どのタイプに詳細な情報が必要かを理解し、現在のデータギャップを特定することができます。この情報は、企業がデータの収集や管理などのコア機能を開発するのに役立ちます。

経営陣が変革に対する長期的なビジョンに同意すると、投資収益率が成功の唯一の尺度ではなくなるイノベーションの文化を推進し、奨励する可能性が高くなります。このアイデアは、長期的に大きな投資収益をもたらす可能性を秘めています。

AIのコンボパンチと戦う

AI 改革の成功は、さまざまなサイクルのプロジェクトをカバーする完全なプロジェクト システムにかかっています。

より大規模で野心的な AI プロジェクトでは、短期的には多額の投資が必要になりますが、大きな利益を得るには何年もかかる可能性があります。企業がこのような大規模なプロジェクトにのみ投資する場合、予算への圧力は比較的大きくなり、経営陣は十分な忍耐力を持つことが求められるでしょう。

[[339478]]

画像ソース: unsplash

企業は AI 手法を組み合わせて使用​​し、さまざまなプロジェクトの実装サイクルを計画する必要があります。これにより、会社は短期プロジェクトから安定した収益を生み出すことができ、経営陣は継続的にサポートを提供できるようになります。適切に構成された AI プロジェクト ポートフォリオには、次の内容が含まれる必要があります。

小規模なパイロットプロジェクトはAIの拡張に貴重な経験をもたらす

6～12か月以内に大きな利益を生み出すことができる短期プロジェクト

価値が増大するユースケースに対応し、12～24 か月以内に投資収益が見込める中期プロジェクト

AIの適用拡大に向けた企業全体のニーズに応える長期プロジェクト

ある銀行が「AI を利用して顧客サービスプロセスを簡素化し、それによって市場シェアを拡大​​する」という目標を掲げて AI 改革を実施しようとしているとします。プロジェクトポートフォリオには、顧客登録プロセスの簡素化や、銀行が便利でパーソナライズされたサービスを提供できるように支援することが含まれるべきであり、その結果、より多くの新規顧客を引き付けることができます。

パイロット プロジェクトは主に学習と概念実証を中心に行われます。これらのプロジェクトの意義は、企業がデータ、人材、インフラストラクチャの面で自社の立場とニーズを理解できるようにし、それによって企業が AI をうまく導入できるようにすることです。

短期的なプロジェクト目標は明確で、単純なユースケースを通じて「手っ取り早くお金を稼ぐ」ことです。銀行は、顧客のオンボーディング時に「顧客を知る」プロセスを自動化するプロジェクトから始めるかもしれません。 KYC プロセスを標準化するための AI 自動化ツールをすぐに利用できるようにするための短期プロジェクトが実施されており、これにより銀行はコストを削減し、収益を増やすことができます。

中期プロジェクトは、より価値の高いユースケースに重点を置いており、成果が出るまでに時間がかかります。 KYC プロセスを自動化した後、銀行は教師なし機械学習プロジェクトを開始して顧客セグメンテーション ツールを作成できます。このツールセットは、顧客を行動パターンと性格特性に応じて分類し、銀行のクロスセリングの効率を大幅に向上させ、利益を増加させます。

長期プロジェクトとは、企業とその顧客にとって真の価値を生み出すプロジェクトです。これらのプロジェクトは、スタンドアロン プロジェクトである場合もあれば、一貫したソリューションに統合された複数の小規模プロジェクトである場合もあります。顧客サービスプロセス全体を簡素化したいと考えている銀行は、顧客オンボーディング、パーソナライズされた製品の推奨、顧客サービスなど、すべてのサービスを組み込んだアプリまたは Web プラットフォームを作成する可能性があります。

適切に構成されたプロジェクト ポートフォリオは、さまざまな段階で利益を生み出します。事前に得られる情報と洞察に加えて、段階的に収益を生み出すプロジェクトは、後のプロジェクトに資金を提供し、プロジェクト ポートフォリオの実現可能性を検証することもできます。

社内にAIチームを構築し、AIベンダーと連携する

長期的には、企業は独自の AI システムの構築を目指すべきです。短期的には（特定のユースケースでは）、AI ベンダーからツールを購入するとすぐに利益が得られます。

AIの購入計画。 AI ベンダーと提携すると、特に企業の AI イニシアチブの初期段階で、単発の AI プロジェクトを加速できる可能性があります。 AI ベンダーは特定のユースケースに最適なツールを持っている可能性があり、これにより企業は多くの時間を節約できます。サプライヤーはこの分野の専門家であるため、新しく設立された社内 AI チームの学習時間も大幅に節約できます。

独自の AI システムを構築するためのソリューション。企業自身が構築した AI ツールは、企業のニーズを満たし、企業の既存のデータやワークフローに適合する可能性が高くなります。多様化する AI プロジェクトのニーズを長期的に満たす製品の提供をサプライヤーに依存するのは非現実的です。サプライヤーは、企業のビジネス ニーズ、プロセス、データに精通していません。既製のツールは、企業のデータやビジネス プロセスと統合できない可能性があり、企業がサプライヤーに機密データを提供する可能性は低いです。最も重要なのは、独自の AI ツールを構築することで、企業の AI 機能を強化し、規模を拡大できることです。

ブレンドモード。パーソナライズされたソリューションが緊急に必要な場合は、AI ベンダーと協力して AI ツールをカスタマイズするのが良い選択です。社内の従業員は、ツールの目的をベンダーに正確に伝えることができるため、ツールが組織のプロセスとデータに適合する可能性が高くなります。

たとえば、HSBC は AI プロバイダーの Ayasdi と提携して、AI マネーロンダリング対策ツールを開発しました。 HSBC には確かに社内に AI チームがありますが、ベンダーの専門知識を活用することを選択することで、望ましい結果をより早く達成しました。

[[339479]]

画像ソース: unsplash

ベンダーとの連携に加えて、優れた AI 変革ビジョンには、会社全体を支援する一元化された AI チームが必要です。このチームには、データ サイエンティスト、データ エンジニア、機械学習エンジニア、AI プロダクト マネージャーが含まれる必要があります。会社の組織構造に応じて、このチームは最高技術責任者、最高情報責任者、最高データ責任者、さらには最高 AI 責任者に直接報告する場合があります。

企業内の AI チームの責任には以下が含まれます。

AI戦略と問題の特定

AIの標準とプロセス

AIプロジェクトのポートフォリオの計画と実行

データと管理の標準

AI人材を社内の各部門に割り当て、具体的な責任を割り当てる

スケーラブルなAIのための組織構造の構築

AI を大規模に導入するのに最適な組織モデルはどれですか? AI 人材は企業内でどのような位置を占めるべきでしょうか? AI 主導の企業に関するハーバード ビジネス レビューの記事では、AI を推進するための次の 3 つの組織モデルについて説明しています。

集中化: すべての AI 人材が本社または地域オフィスに集中しています。

分散化: AI人材はさまざまな事業部門に配置される

ハイブリッド: AI人材はコアユニットとビジネスユニットの両方に割り当てられます

AI 戦略、プロジェクト、導入に関連するタスクは、コア、個々のビジネス ユニット、またはコアとビジネス ユニットにまたがる「グレー エリア」の 3 つの組織レベルのいずれかが所有できます。

コア層

コア層は、AI およびデータ戦略、人材の採用、管理、AI およびデータ ベンダーとのコラボレーションを担当します。

コア層は、AI の標準とプロセスを確立し、組織内で AI を推進するのに役立つベスト プラクティスを推進します。これにより、ビジネス部門間で作業の重複がなくなり、AI の導入がシームレスかつ会社の標準に沿って行われるようになります。

コア レイヤーは、データのクリーニング、ラベル付け、統合などのデータ プロジェクトを担当します。これらのプロジェクトは、AI プロジェクトの進展に合わせて段階的に実装される必要があります。企業は、ビジネスニーズと AI ユースケースを確認する前に、会社全体のデータの収集とクリーニングに多額の費用をかける必要はありません。結局のところ、経営陣がこれらのデータ項目が AI プロジェクトに適していないと判断した場合、それらは破棄されることになります。

事業部

ビジネス部門は AI システムのエンドユーザーであるため、AI システムの導入に責任を負う必要があります。これらの取り組みには、ビジネス分析、採用の促進、ユーザーのトレーニング、ワークフローの再設計、メリットの測定などが含まれます。

ビジネス ユニットは、AI 製品の成功に対して最終的な責任を負う必要があります。 AI ツールはビジネス ニーズを満たすように設計されているため、地域マネージャーなどのビジネス ユニット リーダーが AI ツールの成功に責任を負う必要があります。

グレーゾーン

グレーゾーンの作業は、コア層またはビジネス部門が処理できます。これらのタスクには、プロジェクト管理、アルゴリズム開発、製品の設計とテスト、IT インフラストラクチャ、変更管理が含まれます。

これらのタスクをコア層が担当するか、ビジネス部門が担当するかは、次の 3 つのポイントによって決まります。

AI技術の成熟度: 同社のAI導入におけるこれまでの経験

AI需要の緊急性：AIプロジェクトの進捗と複雑さ

ビジネスモデル: AIアプリケーションに関与する部門、機能、地域の数

企業の AI 技術の成熟度が低く、需要の緊急性が高く、ビジネス モデルが単純な場合は、AI 人材とビジネスをコア レベルに集中させるのが得策です。むしろ、AI人材をビジネス部門に分散させたほうが良いでしょう。

[[339480]]

画像ソース: unsplash

AI技術の成熟度。企業が初めて AI を導入する場合、多くの場合、データおよび分析マネージャー、データ エンジニア、AI エンジニア、サポート スタッフをコア レベルに集中させます。これにより、標準化されたツール、データ プロセス、リポジトリ、インフラストラクチャを迅速に開発できるようになります。もちろん、必要に応じてこれらの人員を別の業務部門に割り当てることもできます。

AIの必要性は緊急です。 AI プロジェクトを迅速に展開する必要がある場合、企業は多くの場合、AI の人材をコアレベルに集中させることを選択します。これにより、業界の技術動向をより適切に管理し、AI 製品の構築をより便利に調整できるようになります。

ビジネスモデル。 AI ツールでは、多数のビジネス ユニットをサポートしたり、複数の地域を調整したり、複数の機能を提供したりする必要がある場合があります。この場合、ビジネスマネージャーは、会社のビジネスの複雑さを考慮して、AI 人材をコアレイヤーに統合し、必要に応じてさまざまな部門に割り当てることができます。

結局のところ、AI 人材の配置は科学というよりも芸術です。たとえば、AI ソリューションを緊急に導入する必要がある企業は、ビジネス モデルが複雑 (集中型の方が適している) である可能性があり、AI の成熟度も高い (分散型の方が適している) 可能性があります。この場合、経営者はこれら3つの要素の重要性を総合的に考慮し、AI人材をコア層に集中させるか、事業部門に分散させるかのどちらが企業の発展に有益かを判断する必要があります。

銀行の AI プロジェクト ポートフォリオに、ある国向けの KYC 自動化ツールを開発するプロジェクトが含まれているとします。当該国の顧客関係チームが顧客オンボーディング用の AI ツールをすでに導入している場合、このチームはビジネス ケース分析やプロジェクト実装など、通常はコア レイヤーで実行されるアクティビティを引き受けることができます。

会社全体でデータに基づく意思決定を採用する

AI は、データから得た洞察を人々に提供することで、日常のタスクを改善するはずです。特定の操作は最終的には人間が実行する必要があるため、企業は上から下までデータに基づいた意思決定の文化を導入する必要があります。 AI が適切に導入されれば、従業員はアルゴリズムによる提案を利用してスキルと判断力を向上させることができ、人間だけ、あるいは機械だけでは達成できないより良い結果を達成できるようになります。

これは、従業員が AI ツールを信頼し、意思決定を行える場合にのみ可能です。信頼を構築するための基盤は AI 認識 (前述) ですが、意思決定を強化するには、企業が従来のトップダウン管理モデルを放棄する必要があります。

通常、履歴データに基づいてフロアスペースと商品の配置を最適化する決定を地域マネージャーに依頼している全国規模のスーパーマーケット チェーンを考えてみましょう。何百もの店舗を持つスーパーマーケット チェーンの場合、このトップダウンの意思決定アプローチでは、各店舗にとって最良の結果が得られない可能性があります。データが意思決定を導く文化では、現地のマネージャーは AI ツールを使用して店内の顧客行動をリアルタイムで追跡し、商品の配置について最適な決定を下すことができます。

データサイロの解体

AIにはさまざまな部門からの大量のデータが必要です。多くの企業部門のデータはサイロに保存されています。サイロとは、相互に接続されておらず、特定のチームのみがアクセスできるシステムです。これは AI 統合の障害ではありますが、克服可能です。

[[339481]]

画像ソース: unsplash

大手保険会社はデータサイロ化で有名です。保険会社は、相互に接続されていない、または新しいデータ プラットフォームやクラウド プラットフォームに接続されていない、数十の個別のレガシー システムを保持する傾向があります。これは業界で起こっている AI とデジタル変革にとって有害で​​す。

ほとんどのデータ集約型業界と同様に、今日の保険会社は、レガシー システムを最新化するか、データをデジタル システム、データ レイク、データ ウェアハウスに移行しています。データ レイクとデータ ウェアハウスはどちらもビッグ データを保存できます。データ レイクは、スキーマやラベルのない生データを保存する大規模なデータ プールですが、データ ウェアハウスは、特定の目的のために構造化されたラベル付きデータを保存します。

データ サイロの解体は一夜にしてできるプロセスではありません。一般的に言えば、AI 技術を適用する前に大規模なデータ変換に多額の費用を費やすことは得策ではありません。 AI プロジェクトのニーズに応じてデータ変換を駆動できるように、両方を同時に実行することが最適です。 AI パイロット プロジェクトもこの点で役立ち、現在のデータ ギャップを特定できます。理解に基づいてのみ、企業はあらゆるコストを節約し、データ サイロを打破することができます。

ビジネスチームと技術チーム間のコミュニケーションの架け橋を築く

前述のビジネス インタープリターは、AI およびデータ サイエンス ソリューションがビジネス ニーズを完全に考慮できるようにする役割を担います。

ビジネス チームと技術チーム間のコミュニケーションが一貫していない場合があります。地域の営業マネージャーは、AI 顧客セグメンテーション ツールが満たすべきニーズについて非常に明確に理解している可能性があります。つまり、ツールは顧客を、顧客の関心のある製品に応じて分類できる必要があります。しかし、営業マネージャーは、実際にツールを開発するデータ サイエンティストや機械学習エンジニアに対して、これらの要件を技術的な用語で説明する方法を知らない場合があります。

この問題はビジネスの世界では目新しいものではありません。社内 IT システムや顧客向けモバイル アプリを導入する企業には、これらのプロジェクトを担当する IT プロジェクト マネージャーとビジネス アナリストがいます。たとえば、IT プロジェクト マネージャーは、新しい IT システムのビジネス目標を理解できます。彼らは技術に関する基本的な知識を持ち、システムを構築する技術スタッフを管理することができます。

AI プロジェクトでは、これらのビジネス インタープリターはプロジェクト マネージャー、ビジネス アナリスト、または社内コンサルタントになることもあります。技術チームの作業を理解し、指導できるよう、AI の方法と機能について幅広く理解している必要があります。

ビジネス通訳者は、AI に関する認識とビジネス感覚を活用して、AI 導入の障害を特定できます。プロジェクトの早い段階で、これらの担当者はエンドユーザー調査を実施し、ワークフローを調査し、ビジネスおよび技術分野の主要な関係者と会話を行うことができます。この方法では、従業員の同意の欠如やエンドユーザーからの不当な期待などの問題を診断し、解決策を見つけることができます。

業務を説明できる能力を持った従業員を特定することは非常に重要です。このような役割はすぐに需要が高まりますが、AI の認識とビジネス知識の両方を備えた人は多くありません。デロイトの 2019 年企業における AI 調査によると、企業が 20 を超える AI システムを導入した後でも、ビジネス人材の価値は AI 人材の価値とほぼ同等であることが示されています。

[[339482]]

画像ソース: unsplash

統合と経営移行のための予算

企業全体での AI の認識と従業員の AI プロジェクトに対する一般的な認識は、AI 統合の強固な基盤を築きます。ただし、ビジネス開発と同様に AI も準備しておく必要があります。

AI ツールを統合するには、ワークフローの再設計、トレーニング、変革の取り組みの管理が必要になります。これらのサポートタスクは、AI ソリューションを展開する前に実行する必要があります。これにより、不快な驚きを回避し、従業員が AI ツールを使用して業務を遂行できるように準備することができます。同時に、従業員が AI 改革を認識し、関与し、サポートすることも保証されます。

正式な実装前にビジネス アナリストとエンド ユーザーがアプリケーションの潜在的な問題を特定できるように、早期に改革を開始します。 AI ツールでは、一部のワークフローの再設計が必要になる可能性があり、メリットよりも混乱が生じる可能性があります。 AI テクノロジーを導入する前にこれを認識することで、テクノロジー チームは AI ツールを調整できるようになります。

AIは単純ではありません。投資回収には時間がかかり、企業の AI 進化への道は企業独自のニーズと状況に依存します。つまり、まったく未知の領域に踏み込むことを意味します。

画像ソース: unsplash

企業の経営者は、AI 変革に適した企業文化を創造し、この進化の旅の基盤を築く必要があります。上記の 10 段階の AI 変革計画は、ビジネス マネージャーが AI の大規模展開のニーズに適応するために企業がどのように変革すべきかを理解するのに役立ちます。

AI を推進するための道のりは長く、何をすべきかを理解するのは最初の一歩にすぎません。強力な文化的雰囲気、強力な AI 認識、そしてあらゆるレベルの従業員による受け入れが重要です。