「毎回同じ答えが返ってこない」AIを、それでも事業の成果に変える会社がやっていること

AIプロジェクトが最終的にたどり着くべきゴールは、どこにあるのか。精度を限界まで高めることだろうか。それとも、業務を完全に自動化することだろうか。同じ性能のAIモデルを前にして、成果につなげる会社と、実務に載せられないまま終わる会社がある。両者を分けているものは何か。 AI開発企業Laboro.AIの椎橋徹夫氏と田辺遼氏による『日本企業はAIでどう稼ぐか』から、一部を抜粋･再構成してお届けする。 ■「精度85％」は、失敗ではない

AIプロジェクトが最終的にたどり着くべきゴールは、どこにあるのか。精度を限界まで高めることだろうか。それとも、業務を完全に自動化することだろうか。同じ性能のAIモデルを前にして、成果につなげる会社と、実務に載せられないまま終わる会社がある。両者を分けているものは何か。 AI開発企業Laboro.AIの椎橋徹夫氏と田辺遼氏による『日本企業はAIでどう稼ぐか』から、一部を抜粋･再構成してお届けする。 ■「精度85％」は、失敗ではない

　仮に、ある製造業の企業が外観検査のAI化に取り組んでいるとします。目標としていたのは95％の精度でした。ところが実際にAIモデルを作ってみると、現時点では85％にとどまってしまいます。 　このとき議論は、単純なものに陥りがちです。さらに開発を続けるか、あるいはこのプロジェクトを失敗と見なしてやめるか。この2択です。しかし、ここから議論が始まると考えるべきです。 　まず見るべきは、85％という数字の内訳です。その85％は、どの対象に対しても均一なのでしょうか。それとも、ある条件では95％近く出ているのに、別の条件では70％台なのでしょうか。どの不良パターンに強く、どのパターンに弱いのか。平均値だけを見ていては、実務に必要な情報は見えてきません。

　次に、その精度を前提にした業務プロセスを検討します。特定の判定領域で十分に高い精度が出ているなら、その領域はAIに任せられます。精度が出ない領域については人間が確認する必要があります。それを考慮すると、AIの信頼度が高いケースは自動で通し、信頼度が低いケースだけを人にエスカレーションするやり方が考えられます。 　その結果、「精度85％のAIモデル」は、「全体の処理量のうち7割をAIがさばき、残り3割を人が重点的に確認するプロセス」として読み替えられます。95％という技術的な精度目標に固執せず、今の精度ならどんな業務プロセスが成立するかを考える。ここが分岐点です。

　この考え方を、本書ではMVPPと呼んでいます。Minimum Viable Process and Product、訳せば最小限の実用性を持ったプロセスとプロダクトです。強調したいのは、プロダクトよりもプロセスのほうです。 　スタートアップの世界では、最小限の製品をまず市場に出して反応を見ながら改善するという文脈で、MVP(実用最小限製品)という言葉が使われます。しかしAIプロジェクトでは、プロダクトを考えるだけでは足りません。AIの出力は本質的に確率的であり、モデル単体、あるいはアプリケーション単体では価値が完結しないからです。AIが出力した判断結果を誰が受け取り、どう確認し、間違いをどう修正し、その結果をどう次の処理へつなげるのか。こうした一連の業務プロセスまで含めて検討して初めて、AIはビジネスの中で機能します。

　つまり、AIプロジェクトで本当に作るべきは、AIモデルそのものでも、AIを載せたアプリケーションそのものでもなく、AIを含んだ新しい業務プロセスなのです。AIモデルはその中の重要なパーツではありますが、あくまで構成要素の1つにすぎません。 　この発想を持つと、評価軸が変わります。まず問うべきは「このAIモデルはどれくらい賢いか」ではなく、「このAIモデルを組み込んだ一連の仕事は、最小限でも価値を生んでいるか」になります。

　MVPPのM、すなわちMinimumの意味も、一般的なMVPとは少し異なります。それは、ビジョンに照らしたときに必要な事業成果の、最低限の到達ラインです。できる限り低い水準で始めることではなく、現時点の到達限界の中で最も賢い使い方を設計することを指します。同じAIモデルでも、全工程に一律で適用するか、精度がとくに高いユースケースに絞って適用するかで、出せる事業インパクトは大きく変わるからです。 ■「最適解」ではなく「納得解」を探す

　ここでポイントになるのが、「最適解」ではなく「納得解」という発想です。MVPPとして設定すべきは完全な正解ではなく、現在の制約条件の中で関係者全員が合意できる、一時的な均衡点です。それを成立させるには、少なくとも3つの合意条件を満たしている必要があります。 　1つめは、開発したAIモデルを現実解として合意していることです。AIの精度追求には際限がありません。現在のデータやアルゴリズムの実力、計算資源の制約、技術的な限界を見極め、この精度が今回の妥当なゴールであると関係者間で合意形成する必要があります。

　2つめは、そのAIモデルをもって最低限達成できるビジネス的な価値に合意していることです。見込まれる精度や運用フローを前提に、売上や供給能力、品質の向上といった事業成果が最低限到達すべきレベルにつながっており、それが成果として認められることを合意しておく必要があります。 　3つめは、AIを導入する現場側が受け入れに合意していることです。どれほど合理的な設計であっても、現場で使われなければ意味がありません。AIモデルの開発だけでなく業務プロセスも含めて、これなら無理なく仕事が回ると現場担当者が実感できることが重要です。

　技術、ビジネス、現場。この3つの価値が重なったところに、初めてAIプロジェクトのゴールとしてのMVPPが生まれます。 ■「モデル至上主義」がPoCを長引かせる 　逆に、AIモデルの性能だけを追いかける発想がなぜ危ういのかも、ここまで来ればお分かりいただけると思います。この発想をあえてモデル至上主義と呼ぶなら、それがまず引き起こすのは、PoCの長期化です。精度が目標に届かないから次の検証へ、また届かないからさらに次へと、実務に載せる議論に入らないまま時間と予算が溶けていきます。

　AIプロジェクトが最終的にたどり着くべきゴールは、AIの精度が100％になることでも、業務が完全に自動化されることでもありません。今の技術で成り立つ仕事の流れを設計し、価値が回り始めること。そこが出発点になります。