AIは、何を改善すべきかが明確に定まらないまま社内に持ち込まれることがよくあります。ある部署がチャットボットを試し、別の部署が自動化を試験的に導入し、経営陣は「どこでコストを減らせるか、どこで作業を速められるか」と問い始めます。ツールは有望に見えるかもしれません。しかし、それが ビジネスの実際の運営に合うとは限りません。
出発点として優れているのは、たいていもっと地味なものです。繰り返し発生する作業、引き継ぎの遅れ、作業の重複、情報へのアクセスの悪さ、従業員が手作業でデータを集めるために時間のかかる意思決定などです。AIは、独立したイノベーション事業として扱うのではなく、こうした課題のいずれかに結びつけたときに、より役立つものになります。
モデルより先にビジネス課題がある
効果の乏しいAIプロジェクトの多くは、ニーズではなくツールから始まります。誰かがプラットフォームを選び、その機能を確認してから、社内で使いどころを探し始めるのです。
この順序では、不要な作業が生まれます。たとえば、サポート部門のオペレーターが1日の大半を、届いた問い合わせの読み込みと担当チームの振り分けに費やしているとします。問題はAIがないことではありません。本来の業務が始まる前に、手作業の仕分けが大量に発生していることが問題です。
別の会社では、営業担当者が毎回の商談前に15分かけて、CRMのメモやメール履歴、アカウントの活動記録を調べているかもしれません。運用チームは、有用なデータが複数のシステムに分散しているために、需要予測に苦労しているかもしれません。
それぞれの状況は、異なる解決策を示しています。「どのAIモデルを使うべきか」という問いから始める必要があるものは、一つもありません。
AIの用途よりも、業務の摩擦のほうが見つけやすい
従業員は、自分の仕事のどこが面倒かをすでに知っています。毎週手作業での整形が必要なレポートはどれか。何百回も繰り返される顧客の質問は何か。情報は存在するのに、見つけるのに時間がかかるのはどんなときか。こうした場面は、AIプロジェクトが改善すべき具体的な対象を与えてくれるため、有益です。
SearchGuides
AIサービス企業のAvengaによると、AIサービス企業の観点では、複数のシステムにまたがるプロジェクトや、カスタム開発、複雑な統合作業を伴うプロジェクトでは、技術的なソリューションを既存の業務ワークフローと接続する必要があることが多いといいます。重要なのは、プロジェクトの範囲が「どこかにAIを入れたい」という願望ではなく、業務上の課題から導かれることです。従業員が毎日向き合っている負担を取り除けるなら、小規模なプロジェクトのほうが大規模なものより価値を生むこともあります。
AIの有用性は、周辺の情報の質で決まる
モデルは、質の低い情報に頼っていても、洗練された出力を生成できます。これは最も過小評価されやすいリスクの一つです。社内アシスタントは、製品ドキュメント、顧客記録、サポートチケット、価格表、社内ポリシーなどから情報を引き出すことがあります。これらの一部が古ければ、回答が誤っていても、自信ありげな口調のままになりえます。
予測システムにも似た弱点があります。過去のデータには、欠損や一貫性のないカテゴリー、説明されないままの特異な期間が含まれている場合があります。顧客情報が複数のプラットフォームに重複していることもあります。ある部署で使われている定義を、別のチームが違う意味で解釈していることもあります。
AIを導入しても、こうした不整合はなくなりません。結果がより整った形で出てくるため、かえって見つけにくくなることもよくあります。自動化を拡大する前に、名称、アクセス権、管理責任、データの鮮度といった、ごく基本的な問題を解消しておく必要があるかもしれません。
自動化は工程を減らすもので、並べ替えるものではない
一部のAIシステムは、実際のワークフローを検証するまでは効率的に見えます。従業員が自動生成された要約を受け取り、元の文書と照合し、いくつかの詳細を修正して、結果を別のプラットフォームにコピーし、さらに元のレコードを手作業で更新する。この場合、形式上は自動化を追加したことになっていても、作業の大半は人が担ったままです。
これは必ずしもモデルの問題ではありません。統合の問題である場合もあります。入念に計画されたマーケティングオートメーション連携でツールを接続すれば、システム間の手作業による転記を、ワークフローの別の場所に移すだけでなく、実際に取り除けます。
人によるレビューは、金銭面、法務面、顧客面のリスクを伴う判断では理にかなっています。一方、周辺システムの連携が不十分なせいで、定型的な出力を人が承認させられているだけなら、意味は薄くなります。有用な設計では、人間の判断が価値を生む場面はどこか、単にクリックを一つ増やしているだけの場面はどこかを問います。
最も実用的な活用例は、地味に聞こえるほど小さいことが多く、それはたいてい良い兆候です。AIが役立つのは、たとえば次のような繰り返し作業に直面しているチームです。
LearnAI Tools
- 毎日同じ種類の問い合わせを仕分けしているサポートチーム。システムがチケットを分類し、緊急度を判定して、オペレーターが開く前に適切な窓口へ振り分けられます。
- 顧客との商談に備える営業担当者。複数のシステムを開かなくても、直近の活動、CRMのメモ、過去のやり取りから作成された簡潔なアカウント要約を受け取れます。
- 刻々と変化する大量の データを監視する運用チーム。需要の異常、在庫の動き、取引の挙動などを、すべての数値を人が確認しなくても検知できます。
- 社内ドキュメントを検索する従業員。連携したアシスタントが、フォルダ構造を覚えていなくても、関連するポリシーやプロジェクトのメモ、技術情報を提示できます。
- 似た書類を処理する経理・総務部門。帳票、請求書、レポートを分類または要約しておけば、人は本当に注意が必要な詳細だけを確認すれば済みます。
リードの振り分け、見込み度の判定、CRMの更新、フォローアップを専門に扱うチームにとっては、リード管理の自動化も、手作業を増やさずに反復的な工程を処理できる一例です。
価値は頻度によって決まります。月に1回しか行わない作業で2分を節約しても、ほとんど意味はありません。1日に何百回も発生する作業で2分を節約できれば、話はまったく違ってきます。
技術より先に、信頼が崩れる
技術的には正常に動作しているAIシステムでも、従業員が使うのをやめれば失敗に終わります。そのきっかけは、数回の悪い体験であることが多いです。
営業担当者は誤ったアカウント要約を目にして、すべてを手作業で確認し始めます。サポート担当者は質の低い返信案を何度も受け取り、ゼロから書く作業に戻ります。管理職は根拠の説明がない提案を受け取り、何が結果に影響したのか理解できないため、無視します。
人々にモデルのアーキテクチャの詳細な説明は必要ありません。ただし、出力に注意を払う価値があるかどうかを判断できるだけの文脈は必要です。
具体的には、回答の根拠となった情報源を示す、提案に影響したデータを明示する、すべての結果を同じ確信度で提示するのではなく不確実性を可視化する、といった方法があります。ここではモデルと同じくらい、インターフェースが重要です。
小規模なAIプロジェクトが、より大きな問題を浮き彫りにする
限定的なAIの試験導入は、AIそのものとは無関係の問題を明らかにすることがあります。社内検索アシスタントを構築する企業は、ドキュメントの半分に責任者がいないことに気づくかもしれません。予測プロジェクトでは、同じ売上指標に3通りの定義があることが判明する場合もあります。カスタマーサービス用ツールが、複数のシステムにまたがる重複アカウントを浮かび上がらせることもあります。
LearnAI Tools
こうした問題は、もともと存在していました。AIプロジェクトは、それを点検するきっかけになったにすぎません。本格展開の前に小規模な導入が役立つ理由の一つは、ここにあります。データ、権限、プロセス、技術システムが連携を強いられたときにどう振る舞うかが見えてくるからです。
試験導入によって、ワークフローの一部にはそもそもAIが必要ないと分かることもあります。より整理された連携や、もっと単純な自動化のほうが、少ない保守負担で同じ問題を解決できる場合もあります。
デモよりも既存システムが重要
AIのデモは通常、管理された環境で行われます。しかし、現実の ビジネスは管理された環境ではありません。
顧客記録には未入力の項目があります。従業員によって入力の仕方も異なります。連携は失敗します。古い製品がデータベースに残り続けます。中央のシステムが現場の業務に合わないため、各地域のチームが独自のプロセスを作り出します。
AIツールは、そうした現実の中で動作しなければなりません。統合作業がモデル自体よりも重要になることが多いのは、このためです。システムには、CRMデータ、社内文書、サポート履歴、分析プラットフォーム、カスタムアプリケーションなどへのアクセスが必要になる場合があります。権限は既存の職務分掌に沿って設定し、出力は従業員が実際に使う場所に表示しなければなりません。AIツールが誰も開かない別のタブにあるようでは、正確な出力でも意味を失いかねません。
ビジネスが変われば、AIシステムも変わる
有用なAIの環境は、固定されたものではありません。企業が新製品を発売すれば、アシスタントには別のドキュメントが必要になります。営業チームが別の市場に参入すれば、リードスコアリングの背景にあるパターンが変わります。新たなプライバシー要件によって、処理できる情報が左右されることもあります。顧客の行動が大きく変わると、以前は捉えていたパターンを古い予測モデルが外すようになります。
システムは通常どおり稼働し続けていても、有用性が下がっていくことがあります。これは見過ごしやすい保守上の問題です。チームは、元となる データ、連携、権限、モデルの挙動、そしてプロジェクト本来の目的を、折に触れて見直す必要があります。実際の ビジネスの業務を軸に構築したシステムは、その業務の変化に合わせて進化し続けなければなりません。
Photo by Tara Winstead on Pexels
翻訳元: https://hackread.com/practical-ai-integration-modern-business-teams/
