AI活用を「点・線・面」で捉える――質と量のトレードオフを崩した教育機関に学ぶ、売上の構造が変わる3つのレベル

AI活用が効率化の域を出ない。多くの日本企業がぶつかるこの壁の正体は、技術の優劣ではなく、AIを業務のどのレベルに介入させているかの違いにある。 既存の事業資産を起点に売上の構造を変える「事業深化」は、さらに3つのレベルに分けて読み解ける。そのレベル2にあたる、学生全員にAIアドバイザーを配った教育機関の事例とあわせて見ていきたい。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でどう稼ぐのか』から、一部を抜粋・再構成してお届けする。

■「事業深化」は、3つのレベルに分かれる 　AI活用は、大きく3つの段階に分けられます。第1段階はコスト削減を志向した効率化、第2段階は既存の事業資産を起点に売上の構造を変える「事業深化」、第3段階は既存の延長線上にない新市場の創出です。このうち、多くの日本企業にとってとくにチャンスが大きいのが、第2段階の事業深化です。 　ただし、事業深化と一口に言ってもその中身は一様ではありません。そこで本書では、AIによるイノベーションが何を対象に、どの範囲に介入しているかという構造的な違いに注目し、事業深化をさらに3つのレベルに分けて整理しています。

　レベル1は「特定タスクの改善」です。対象はビジネス・プロセスで、ある業務の中で詰まっている特定のタスクにAIを差し込み、従来は越えられなかった壁を突破します。品質を維持したまま処理量の天井を引き上げる、人には難しかった判定精度を実現するといったもので、比較的狭い範囲の「点のイノベーション」です。 　レベル2は「複数範囲の改善」です。対象は同じくビジネス・プロセスですが、AIの介入が単一のタスクにとどまらず、計画・企画から実行・販売までの前後工程や、複数部門にまたがって作用します。長いビジネス範囲にわたる「線のイノベーション」と言えます。

　レベル3は「事業構造の書き換え」です。対象がプロダクトになり、AIの介入が業務プロセスの改善を超えて、何を売るか、誰に売るか、どの市場で戦うかを書き換え始めます。縦横の部門に広く影響が及ぶ「面のイノベーション」です。 　この区別が重要なのは、レベルごとに必要な経営判断と投資の評価軸がまったく異なるからです。レベル1はROIを直接示しやすく、意思決定は事業部内で完結します。レベル2は効果測定が複雑になり、複数部門を統括する事業責任者のオーナーシップが要る。レベル3は短期のROIでは正当化しにくく、経営トップの長期的なコミットメントが前提になります。

　ここで紹介するのは、レベル2に位置づけられる教育機関の事例です。 ■AIが崩した質と量のトレードオフ 　多数の学生を持つある教育機関は、DXに積極的に取り組んでいました。 　定員割れのリスクと常に向き合う教育機関にとって、最大の経営課題は志願者の確保と就職実績の向上です。就職実績がよければ志願者が増え、好循環が生まれる。ただし、学生全員にきめ細かい就職支援や学習支援を届けることは、人的リソースの限界から不可能でした。

　ここに、典型的なトレードオフがあります。きめ細かい支援をしようとすると人員が足りない。対応数量を増やそうとすると、一人ひとりへのケアが薄くなる。窓口に来た一部の学生だけが個別アドバイスを受けられ、それ以外には届かない。多くの組織が、この構造を前提として受け入れています。 　その課題を解消するために開発されたのが、AIアドバイザーです。 　このサービスは2段構えで設計されています。まず、バディと呼ばれるAIエージェントが、入学から卒業まで一人ひとりの学生に寄り添い、その学生の成績、履修履歴、興味関心、過去の相談内容を踏まえた個別の助言を行います。そしてバディ以外にも各領域を専門にするAIエージェントがおり、バディが学生の相談内容から判断して適切な専門エージェントと連携し、回答を生成します。

　汎用的な生成AIとの決定的な違いは、独自のシラバス、カリキュラム、学内ルール、各種支援制度をすべて読み込んでいる点にあります。さらに、学生個人の成績や履修履歴と紐づけて回答します。あなたの場合はこの授業を取ったほうが卒業要件に近づく。あなたの志望業界を考えるとこのインターンが有効。こうした個別化された助言は、汎用AIでは出せません。 　この仕組みが実現したのは、2つのことです。ひとつは量の拡大で、これまで窓口に来た一部の学生しか受けられなかった個別アドバイスを、全員がいつでも受けられるようになりました。もうひとつは質の向上で、学生固有の情報を踏まえた個別支援が可能になっています。

　量と質。従来であれば片方を取れば片方を諦めるしかなかった2つが、同時に上がっています。トレードオフが解消されたということです。 ■AIに何をやらせるかより先に決めること 　ここで注目したいのは、技術の中身よりも、このプロジェクトでAIに与えられた目的です。 　DX推進責任者には、それぞれの部門の活動は全力でやってもらいたい、という意思がありました。つまり、AIの活用目的はスタッフの負荷軽減ではありません。狙いは一貫して、学生への提供価値の向上にありました。

　成果の出方も、それに応じて変わります。在学生にとっては相談窓口の対応量が増え、助言の質も上がる。さらに入学を検討する受験生にとっては、こうしたサービスの存在自体が志望度を高めます。複数のAIエージェントが連携して一人ひとりに対応するAIアドバイザーを全学生に提供したという先進性は、受験生や保護者にとって強いメッセージになります。 　経営層が見ていたのは、AI導入による短期的な効率化ではありませんでした。学生体験の質を根本から変えることで、就職実績の向上や志願者増を実現し、それが競争力を中長期的に高めることにもつながり得るだろうという、経営的な先見の明です。

　AIで何をやらせるかを考える前に、何のためにやるのかを決める。この教育機関で質と量のトレードオフが崩れたのは、技術が優れていたからではありません。崩すべき対象がそこにあると、最初に決めていたからです。