AIエージェント元年に展望する、産業と企業経営のディスラプティブな変化

（右から）株式会社松尾研究所の村上将一氏、同研究所に出向しているデロイト トーマツ コンサルティング合同会社の設樂英広、同じくデロイト トーマツ コンサルティングの檀野正博

AIエージェントがもたらす破壊的な変化とは

主要国のAI開発競争は熾烈さを増しており、特に生成AIの進化には目覚ましいものがある。そのインパクトを3人はどう捉えているのか。

村上　技術的な観点から言うと、今の生成AIのブームは、第4次AIブームに位置づけられています。ChatGPTが世の中に知れ渡り、多くの人が生成AIは革命的なソリューションだと気づきました。

研究者の間では、ChatGPTの基盤となった大規模言語モデルが革新的技術であることが数年前から知られていて、それによって研究の方向性が大きく変わるほどのインパクトがありました。

第3次AIブームはディープラーニングの技術的躍進によって訪れ、画像解析の精度やスピードが大幅に向上しました。産業側で何が起きたかというと、例えば工場の検品作業における目視チェックを機械で代替できるようになったり、形状や大きさの異なるさまざまな物を機械が認識し、ロボットアームでつかむことができるようになったりしました。

第3次ブームでは、主にブルーカラーの仕事をAIが代替したという見方もできますが、ネット上のあらゆる情報を学習して高次な意味理解や状況判断の能力を獲得しつつある生成AIは、ホワイトカラーの仕事の多くを代替する可能性があると言われています。

檀野　産業によっては破壊的な変化につながることもありえます。最近の例で言うと、写真やイラストなどデジタルコンテンツサービスの世界最大手が2番手企業との合併を発表しました。生成AIによって誰でもデジタルコンテンツをすぐに作れてしまうことが、この業界における現実的なディスラプションとして共通認識されたことがこの合併の背景にあると思います。そのように、産業構造が変わるくらいのインパクトが生成AIにはあります。

村上　海外の大手テクノロジー企業がこぞってAIエージェントを発表しており、2025年はAIエージェント元年といった様相を呈しています。人間が目標（指示）を与えると、環境の変化をモニタリングしながら自律的にタスクを遂行するAIエージェントが普及すると、かなりディスラプティブな変化が起こると思います。

株式会社松尾研究所 取締役 AI開発事業 ディレクター　村上将一氏

設樂　生成AIにはそうした破壊的な変化をもたらすポテンシャルがあるにもかかわらず、部分的なPoC（概念実証）でとどまっている企業も少なくありません。ポテンシャルと現状のギャップを埋める必要があると感じます。

檀野　生成AIの本格的な活用は、まだまだこれからではあるのですが、一部で変化の芽も出ています。私が専門とするイノベーション戦略の文脈で言うと、これまでは特別な人材じゃないとイノベーションづくりはできないというのが一般的な認識でした。しかし、方法論やモデルがある程度確立されていれば、生成AIによって特別な人材のスキルを代替できる余地があります。

例えば、新たな事業構想や戦略を考えるときは、客観情報を集めて、正しく分析することが必要ですが、見るべきポイント、分析すべき項目はモデル化できるので、戦略を考える土台となる情報収集と初期的な仮説づくりには、生成AIを大いに活用できます。

その上で、自社のウィル（意志）をどう付け加えていくか、その主観情報を生み出すことに人の時間を割いていくことが今後重要になります。そういう形で、生成AIを活用する動きが一部の企業から出てきています。

データ利活用で二つのイノベーションが起こる

村上　生成AIは、論理的思考力を伴う業務だけでなく、クリエイティブ領域にも活用できることが見えてきています。自分が持っている希少価値の高い創造力を生成AIにインストールすることによって、自分のクローンを増やし、世界各地でそのクリエイティビティを発揮することができる。そういった意味での拡張性はすごくあると思います。

仮説・検証サイクルが、AIを活用することによってものすごく速くなる可能性も見逃せません。AIの技術テーマの一つとして、実際には起きていない状況をシミュレーションする反実仮想があります。例えば、自動運転のためのAIモデルの開発は、これまで実機で道路を走行したり、デジタル空間に実際の走行環境を再現したりすることで行われてきました。現実世界で起こりえる事象や環境を人間が定義することでシミュレーションしてきたわけですが、生成AIは実際に起きていない状況や、起きる可能性が非常に少ない状況もロングテールに生み出し、イテレーション（学習・試行・エラー修正を繰り返すことでモデル性能を向上させること）できます。

そうすると、今まで自動運転車の開発者が1年かけて100回イテレーションしていたところを、1日で何百回、何千回とできる。イノベーションの仮説・検証サイクルが非常に速まるということであり、そのインパクトはすごく大きいと思います。

設樂　従来のAIが扱えなかった非定型な情報を扱えるのも生成AIの特徴の一つです。今までは定型のインプットとアウトプットしかできなかったので、例えば業務改革を行うにしても、今の業務をどう変えていくかという発想になっていました。

生成AIは、文章、画像、音声など非定型情報をマルチモーダルに扱うことができるので、そもそも今の業務のあり方はどうなんだと、ゼロベースで業務設計を構想することができる。マネジメントのあり方や業務のアップデートの仕方などが、根本的に変わる可能性があると感じます。

デロイト トーマツ コンサルティング合同会社 モニター デロイト　設樂英広

村上　それは、日本にとって大きなチャンスがあることを意味します。少子高齢化と人口減少が進む我が国では、AIが人の仕事を奪う懸念よりも、人手不足をAIで補える期待の方が大きい。

日本のロボティクスの強みも生かせます。ロボット制御の高度化には質の高いデータが必要ですが、そこで日本のものづくりのデータの価値が出てきます。

檀野　人手不足は確実に来る未来として日本社会では認識されていますが、ホワイトカラーとブルーカラーを分けて議論することが必要です。AIが人の仕事を代替するという議論の多くはホワイトカラーをイメージされていることが多いですが、実はロボティクスとの掛け算ができることでエッセンシャルワーカーの労働力を代替することができます。課題の深刻さやものづくりの蓄積を含めて、イノベーションのテストベッド（実証の場）として日本は適している。その強みは大いに生かすべきです。

村上　生成AIによって、データの利活用に大きく二つのイノベーションを起こせるはずです。一つは、アドホック（特定の目的のための一時的）な接続というか、可変的なデータ連携の仕組みです。

価値の高いデータベースを持っている企業があるとして、それを常にオープンにし、いろいろな企業が自由に使うことは現実的には難しい。しかし、データを渡す企業と受け取る企業のAIエージェント同士が連携し、どのデータをどういう目的で使うのか、どういう形のデータが必要なのかをその都度確認しながら受け渡ししていけば、新たなデータ連携の仕組みをつくれます。

もう一つのイノベーションは、非構造化データから意味を読み取ることです。これまでは、データレイクに大量に貯めた非構造化データを、必要な形で取り出して構造化データに変換し、データマートやデータウェアハウスを構築した上で、アプリケーションに接続して使ってきたはずです。

生成AIの高次な意味理解能力を使うと、データレイクに貯まっている非構造化データから、タスクに応じて必要なデータを呼び出し、アドホックに構造化して、アプリケーションに渡すことができる。つまり、実態上は非構造化データから必要なデータをどんどん引っ張り出すことができてしまう。これは、かなり革新的です。

檀野　これまでデータをオープンにするところがハードルになって、イノベーションの共創ができなかった面があります。アドホックなデータの受け渡しができるようになれば、日本の企業が苦手とするオープンイノベーションのハードルが下がります。

デロイト トーマツ コンサルティング合同会社 モニター デロイト　檀野正博

設樂　そうなると、他社と共有する価値のある独自のデータをどれだけ持っているかが企業の競争力に直結します。データが大きな価値を生むという点から逆算して、組織体制や業務プロセスなどを再設計することが大事な局面になっていると思います。

イノベーションの死の谷をどう乗り越えるか

生成AIが持つポテンシャルをフルに引き出し、イノベーションを促進していく上で、乗り越えるべき壁は何だろうか。

村上　まず技術的な問題として、もっともらしい嘘をつくハルシネーションなど、回答の不完全さが挙げられます。それ以外にも、1回学習させてしまった知識を忘れさせることができない、同じ質問に対して生成結果が変わるといった問題もあり、実務面では使いづらさが残っています。

不適切な出力を制御するAIガードレールの仕組みも研究半ばで、不適切な情報を基盤モデルに学習させない入力側の機能と、出力側のガードレールの両方が課題になっています。こういったところが技術的にしっかり固まってこないと、企業が安心して使えるまでに至らないと思います。

一方、活用する企業側にも課題があります。一番大きいのは、生成AI時代の組織のあり方とか、アプリケーションのデザインを詰め切れていないところだと思います。

AIエージェントを仕事で使っていくのであれば、組織構造を大きく変えていく必要がありますし、人の配置も変えなければなりません。また、生成AIは新しい技術なので、それをビルトインしていく過程で最初のうちは現場に抵抗感があります。そこを乗り越えて実際に使っていくことで精度が上がり、性能が一定の閾値を超えると普及のスピードが一気に高まるのですが、抵抗感のある苦しい時期、いわば死の谷をどう乗り越えていくかがなかなか難しい。回答精度が低いという評判が広まって、活用が止まってしまうという話をよく耳にします。

死の谷を乗り越えるには、やはり経営層の正しい理解に基づくリーダーシップが大きいと思います。トップ層は、技術の性質をよく理解した上で旗振りをしていく必要があります。

設樂　トップ層が先導するのはもちろん大事ですが、それだけだと現場の拒絶反応はなくならないケースもあるので、現場サイドのエバンジェリストの存在が必要だと思います。

現場をリードする力を持った人が、生成AIを使うことで自分の業務が劇的に改善されたとか、コストが半減したといった成功体験をもとに、生成AIの有益性を社内に伝道していく。そういう草の根活動もすごく大事です。

檀野　企業がトランスフォーメーションやイノベーションに取り組むとき、それを本業や通常業務から切り離し、特別なものとして扱うことがありますが、それだと結局は大きな変革にはつながらないケースが多いのではないでしょうか。

例えば、既存事業の「深化」と新規事業の「探索」という両利きの経営を、組織を切り分けて進めようとして、マネジメントや人事の仕組みを変えた別組織、いわゆる“出島”をつくって、探索に専念させる。そうすると、出島の中では変革やイノベーションが起きるかもしれませんが、本体は何も変わらない。それでは企業全体の変革にはつながらないし、イノベーションも小粒なものにとどまってしまいます。

本来、両利きの経営は深化と探索をバランスよく融合させるものです。ですから、生成AIを使ってイノベーションを起こすことを、本業とは別ものと捉えるのではなく、本業の深化とイノベーションの探索の両方を、生成AIを活用して高度化していくことが大事です。

後編では、生成AI時代にふさわしい未来の企業像「ハイサイクルカンパニー」という概念に基づいて、ハイサイクル化への変革アプローチを3人が語り合う。

関連リンク：

• 「イノベーション×生成AI」の未来【後編】
• モニター デロイト（ストラテジー）トップ