ビジネスを阻害する 6 つの AI 神話

AI テクノロジーは職場環境に深く浸透しており、単調で反復的な手作業を置き換えるだけでなく、他の仕事も別の形で変革しています。 AI テクノロジーはビジネスのあらゆる側面に浸透し、組織戦略を推進しています。調査会社ガートナーは、2025年までに人工知能が組織のインフラストラクチャに関する意思決定を推進する主要なテクノロジーの1つになると予測しています。

[[390667]]

しかし、AIへの関心が高まる一方で、この技術に関する誤解も残っています。 CIO は、AI プロジェクトを推進する際に健全な戦略を策定したり、既存の戦略を強化したりできるように、これらの誤解を特定する必要があります。 AI の仕組みとその限界を理解することで、組織の CIO は AI テクノロジーをより有効に活用してビジネス価値を提供できるようになります。

誤解1: コロナウイルスのパンデミック下ではAIは贅沢品

事実: コロナウイルス危機の最中でも、AIに対する組織の関心と投資は増加し続けるでしょう。実際、ガートナーの最近の調査によると、パンデミック以降、24%の組織が AI への投資を増やした一方で、42%は投資額を変えていないことがわかりました。

パンデミックが続く中、AIは、ウイルスの拡散を予測したり、緊急リソースを最適化したりするといった業務で医療や政府の最高情報責任者を支援するだけでなく、さまざまな企業がパンデミック後の回復努力を加速させるためにも不可欠です。 AI は、コストの最適化とビジネスの継続性を実現する重要な要素であり、ビジネスを中断することなく収益の増加をサポートし、顧客とのやり取りを改善します。

AI は万能薬ではありませんが、ほとんどの組織は、パンデミックの短期的および長期的な影響の両方に対処する AI の可能性を無視することはできません。組織の CIO は、AI を贅沢品として扱うのではなく、パンデミック中およびパンデミック後に、より多くのデータをより迅速に分析し、意思決定を強化するなど、実際のシナリオで使用できる強力なテクノロジーとして積極的に推進する必要があります。

誤解2: AI戦略は必要ない

事実: AI はさまざまなビジネス上の問題に適用できますが、変革的なビジネス価値を実現するには AI 戦略が必要です。

CIO は、ビジネスの優先事項を市場機会、特に AI の力を活用して人間の作業を強化する機会と一致させることで、AI の価値を最大化できます。まず、管理タスクを自動化してイノベーションのための時間を増やすなど、戦略的イニシアチブや主要なビジネス機能と一致する最も有望な AI ユースケースを特定します。組織の AI 導入へのアプローチを定期的に見直し、AI 実装に関する決定が調査と検討に基づいていることを確認します。

誤解3: AIは単調で反復的な作業しか代替できない

事実: 時間の経過とともに、多くのテクノロジーが人々の働き方や高収入の機会を得るために必要なスキルに影響を与えてきました。その結果、いくつかの仕事は消滅し、一方で新しい仕事が絶えず生み出されています。たとえば、タイピストという職種は今では珍しく、10年前にはソーシャルメディアマーケティングマネージャーという職種が珍しかったのと同じです。

人工知能技術は、人々の働き方や学習方法に大きな影響を与えると期待されています。 AI は、単調または反復的だと考えられるタスクを自動化する可能性を秘めているだけでなく、より価値の高いタスクを完了することで他の仕事の改善や変革にも役立ちます。たとえば、AI は数千の法的契約書を数分で読み取り、弁護士よりも速く、少ない労力でそこから有用な情報をすべて抽出できます。

組織の CIO は、プロジェクト管理や顧客サービスなど、AI によって強化または自動化できるアクティビティを特定することで、AI が既存のタスクに及ぼす潜在的な影響を判断できます。 AIの助けを借りて、従業員は仕事をより良く、より速く行えるように再訓練を受けることができます。 AI の使用に関する懸念を和らげ、否定的な感情を減らし、チームが今後の変化に備えられるようにするには、従業員や関係者との頻繁で透明性のあるコミュニケーションが重要です。

誤解4: AIと機械学習は同じである

事実: 人工知能は、コンピューターエンジニアリング技術の総称です。 AI には機械学習 (ML) と呼ばれる主要なサブフィールドがあり、これは明示的にプログラムされなくても機械が学習する能力を指します。機械学習はデータ内のパターンを認識するようにプログラムすることができ、一般的に特定のタスクを解決するのに適しています。たとえば、機械学習を使用して、電子メールがスパムかどうかを分類できます。

同様に、機械学習はディープラーニングと同じではありません。ディープラーニング技術、またはディープニューラルネットワーク (DNN) は、驚くべき進歩を可能にした機械学習の一種です。しかし、これはディープラーニングが AI フレームワークの下ですべての問題を解決するのに最適なテクノロジーであることを意味するものではなく、ディープニューラルネットワーク (DNN) が特定の課題に対して常に最も成功した AI テクノロジーであったことを意味するものでもありません。実際、現在の AI の問題の多くは、ルールベースのシステムや従来の機械学習を使用して効果的に解決できます。

最先端の AI テクノロジーは、必ずしもビジネス上の問題に対する最も効果的なソリューションとは限りません。データ サイエンティストは、AI テクノロジーを全体として捉え、ビジネス モデルと目標に最も適合するものを実装する必要があります。複雑な問題、特に人間の洞察力を必要とする問題の場合、ディープラーニングと物理モデルやグラフィックスなどの他の AI 技術を組み合わせるのが最適です。

CIO は、利害関係者とコミュニケーションをとる際に、これらの互換性のある用語を明確にすることが重要です。 AI に関する全体的な議論を機械学習などの特定の技術に関する会話に分解し、各技術が現実世界の問題をどのように解決できるかを示します。

誤解5: 人工知能はアルゴリズムとモデルがすべてである

事実: 機械学習アルゴリズムを構築して適用し、予測モデルを作成することは、多くの場合、AI プロジェクトの中で最も簡単な部分です。より困難な部分としては、AI で解決する問題が適切に定義されていることを確認すること、適切なデータを十分に収集して管理すること、そして AI プロジェクトの最も難しい部分である展開などが挙げられます。実際、2023 年までに、IT リーダーの少なくとも 50% が、予測 AI プロジェクトを概念実証から成熟した実稼働レベルに進めるのに苦労することになります。

組織の CIO は、主要な利害関係者と協議して、AI が解決するビジネス上の問題を定義することに重点を置く必要があります。また、テスト、展開、その他の AI 運用アクティビティを整理および管理するために必要な人材、プロセス、ツールを事前に明確に定義します。

誤解6: すべてのブラックボックスAIが規制に準拠する必要はない

事実: ブラックボックス AI は、入力とプロセスがユーザーから隠されている AI システムです。さまざまな AI アプリケーションには、顧客のプライバシー、セキュリティ、アルゴリズムの透明性、デジタル倫理に関する規制要件に応じて、説明可能性に関する要件が異なります。

社内使用のための洞察を生成する AI には、必ずしもそれほどの説明可能性は必要ありません。ただし、人に関する決定（ローンやクレジットの適格性など）を行う AI には説明可能性が必要です。倫理的および法的理由から、重大な結果を伴う「クローズドループ」で意思決定を行う AI (自動運転を可能にする場合など) には、説明可能性に対する高い要求があります。

CIO は、AI アプリケーションが既存の倫理と規制に準拠していることを確認する必要があります。テストおよび検証チームが収集するデータによって、使用される AI アプリケーションの説明可能性の必要性が決まるため、これらのチームにサポートを提供します。