デロイト：「自律型インテリジェンス」を拡大し真の成長を

企業リーダーは生成AIアプリケーションを超えて「自律型インテリジェンス」を拡大し、真の成長を捉える必要があります。テキスト生成や社内コミュニケーションの要約は局所的な生産性向上をもたらしますが、これらの能力は大規模組織のコアコストや収益構造を変えることはほとんどありません。企業は現在、独立して実行できるシステムの導入に注力しています。リーダーは、内部ネットワークを横断し、マルチステップロジックを実行し、人間の常時プロンプトなしで取引を完了できるアプリケーションを求めています。

デロイトコンサルティングLLPのプリンシパル兼AI＆インサイトプラクティスリーダーであるPrakul Sharma氏は次のように述べています。「デロイトでは、これをインテリジェンス成熟度曲線の第3段階と見なしています。すなわち、AIと分析が人々の情報解釈を支援する『支援型インテリジェンス』、機械学習が人間の意思決定を強化する『人工知能』、そしてAIが定義された境界内で意思決定と実行を行う『自律型インテリジェンス』です。今日のGenAI時代の能力（チャットボットや会話型AIなど）は、その曲線の中間に位置します。エージェント型AIは自律性への橋渡しとして機能し、現在重心が移行しているところです。私たちが見ている違いは主体性です。GenAIは回答を生成するのに対し、自律型インテリジェンスは目標を推論し、ツールやデータを呼び出し、状況の変化に適応しながら成果を追求し、人間はすべてのステップを駆動するのではなくガードレールを設定します。これは業界全体で見られ、どのケースでも、解放の鍵はエージェント自体ではなく、アイデンティティやヒューマンインザループのチェックポイントからなる周囲のガバナンスアーキテクチャであり、自律性を安全に拡大可能にしています。」

実際の経済的価値を引き出すには、これらの自律システムは収益創出またはコストの高いワークフローに直接統合される必要があります。例えば、企業の調達シナリオを考えてみましょう。エージェント型アプリケーションは、サプライチェーンの在庫とERPシステム内のライブベンダー価格を継続的にクロスリファレンスします。そして、事前定義された財務パラメータ内で発注書を独立して承認し、逸脱が発生した場合のみ人間の承認を待ちます。同じシステムは、ERP内で検証可能なアイデンティティを持ち、契約上有効な十分に新しい価格データを読み取り、法務およびコンプライアンスが正式に承認した承認しきい値内で動作する必要があります。これらの依存関係のいずれかが未解決のままであると、自律実行のケース全体が崩壊します。したがって、このレベルの自動化を達成するには、コンピューティングリソースを割り当てる前に、既存の運用の詳細な調査が必要です。

Sharma氏は、デロイトがこの運用の見直しを開始し、自律性が具体的な収益を生み出す領域を見つけるために使用する方法を概説します。「私たちがアドバイスする最初のステップは、意思決定監査とプロセスから始めることです。リーダーには、結果がプロセスのタスクではなく意思決定によってボトルネックになっているバリューチェーンを1つか2つ選び、今日その意思決定がどのように行われているかをマッピングするよう求めます。誰がデータを持っているか、誰が権限を持っているか、引き継ぎがどこで壊れているか、どのようなアクションが必要か、どこで判断が適用されているかなどの質問をします。これらの質問をすることで、自律性が真の経済的価値を生み出すプロセスワークフローが明らかになると同時に、パイロットを頓挫させる可能性のあるデータとガバナンスのギャップも明らかになります。そこから、リーダーが配線のやり直しを順序立てるのを支援します。最初のバリューチェーンに対して、AIとエージェントファブリック、データ、評価、エージェントアイデンティティ、ヒューマンインザループパターンを備えた基盤レイヤーを立ち上げ、それが機能することを証明し、それをテンプレートとして拡大します。」

運用ターゲットが特定されると、技術的な実行は上流の摩擦によってしばしば停滞します。主要プロバイダーの基盤モデルは複雑な推論タスクを処理するのに十分に進歩し、ほぼ互換性のあるコモディティになっています。摩擦点は、これらの推論エンジンをレガシーデータアーキテクチャに接続することにあります。Sharma氏は、真の技術的障壁はプロンプトが大規模言語モデルに到達するずっと前に現れると指摘します。「私たちが見ているところでは、モデルがボトルネックになることはほとんどありません。フロンティア能力は急速にコモディティ化しているからです。企業が設計段階でつまずくのはモデルの上流です。基盤となるワークフローをマッピングする前にユースケースを選択し、その結果、エージェントはすでに壊れているか、計装が不十分なプロセスを自動化することになります。2つ目のパターンはデータです。クライアントは、自律システムにはレポートグレードのデータではなく、意思決定グレードのデータが必要であることを過小評価する可能性があります。つまり、ほとんどのエンタープライズデータエステートはそのようなデータをサポートするように構築されていなかったという、系統とアクセス制御のことです。」

この区別は重要です。なぜなら、ほとんどのエンタープライズデータエステートは人間のアナリスト向けに構築され、自律システム向けではないからです。レポートグレードのデータ（夜間または週次バッチサイクルで集約され、ダッシュボード消費用に構造化され、値がどのように導出されたかを記録する系統が取り除かれている）は、人が判断を適用してから行動する場合には適切です。自律エージェントにはそのようなバックストップはありません。取引を実行するために契約価格や在庫レベルを取得する場合、その数字は拘束力を持つために十分に新しいタイムスタンプ、追跡可能な出所、およびエージェントがそれを読み取り、操作する権限があることを確認するアクセス制御を備えている必要があります。このような意思決定グレードのデータを提供するには、自律エージェントを、構造化および非構造化エンタープライズ情報の両方を管理するように設計された適切なイベントストアやデータベースと統合する必要があります。エージェントがタスクを実行するためにデータを取得するとき、エンタープライズはその鮮度を保証しなければなりません。古いバッチ処理データに依存すると、重大なリスクが生じ、システムが時代遅れの価格層や古いコンプライアンスフレームワークに基づいて行動する可能性があります。

これらのシステムを拡大するための財務モデルには、変動するコンピューティング費用の予測も必要です。エージェントワークフローは単一の目標を推論するために大規模言語モデルとの複数回の対話を伴うため、APIコストが予測不能に上昇する可能性があります。検索拡張生成プロセスによる幻覚リスクの軽減も必要なコンピューティングオーバーヘッドを増加させるため、エンタープライズ展開前の厳格な財務管理が必要です。

制御されたテスト環境から実際のエンタープライズ展開への移行は全く別の課題です。小規模テストは厳選されたデータセットを使用して完璧に機能するかもしれませんが、その能力を数千人の従業員と相互接続されたソフトウェアプラットフォームに展開すると脆弱性が露呈します。現代のエンタープライズセキュリティ環境をナビゲートするには、エージェントアーキテクチャを既存のアイデンティティプロバイダーやクラウドネイティブセキュリティ制御と、ハイブリッドクラウドエコシステム全体にわたって深く統合する必要があります。Sharma氏は、この統合の失敗と、それによって生じる進歩を妨げるガバナンス負債を指摘します。「私たちが見ている主な障害は、いわゆる本番ギャップです。パイロットは巧妙なプロンプト、厳選されたデータセット、手動で実行するチャンピオンチームで成功する可能性がありますが、エンタープライズ展開には継続的な評価、パイロットが触れたことのないシステムで機能するアイデンティティと承認、ユーザーの変更管理、および使用ベースのコストを規模に応じて吸収できる財務モデルが必要です。それに関連するのがガバナンス負債です。パイロットを加速するために放棄された制御、監査証跡、リスクフレームワークは、法務およびコンプライアンスが本番展開を評価する際にゲートアイテムになることがよくあります。突破口を開くクライアントは、パイロットを実験として扱わず、再利用可能なプラットフォームの最初の本番インスタンスとして扱うクライアントです。同じ評価、アイデンティティモデル、ガバナンスを備えています。それにより、2番目、3番目のユースケースを最初のものの上に構築でき、やり直す必要がありません。」

初期テストで適用されるコンプライアンスフレームワークは、実際の展開には完全に不十分なことがよくあります。概念を証明しようと熱心なチームは、標準的な企業セキュリティプロトコルを頻繁にバイパスし、将来の拡大を妨げるまさにそのゲートアイテムを作り出します。

3つの障害モード（本番ギャップ、ガバナンス負債、上流データ摩擦）に共通するのは、うまくいっているパイロット中はそれぞれが目に見えないことです。厳選されたデータセットと管理上のサポートを持つチャンピオンチームは、欠落したアイデンティティ制御、古いデータ、延期されたコンプライアンスレビューを、説得力のあるデモを生み出すのに十分な長期間隠すことができます。システムが完全なエンタープライズで、実際のユーザー、ライブデータ、法務審査のもとで動作する必要があるときに初めて、ギャップは既知の回避策ではなく構造的な障害になります。最初から再利用可能なプラットフォームを構築し、アイデンティティ検証、継続的なモデル評価、財務監視をリリース後の追加ではなくファーストクラスの要件として扱うことで、組織はその後の展開ごとにこれらの基盤を再構築することを回避できます。

（画像ソース：Pixabay、ライセンスに基づく）

AIとビッグデータの業界リーダーからさらに学びたいですか？アムステルダム、カリフォルニア、ロンドンで開催されるAI & Big Data Expoをご覧ください。この包括的なイベントはTechExの一部であり、サイバーセキュリティ＆クラウドエキスポなどの他の主要なテクノロジーイベントと併催されます。詳細はこちらをクリックしてください。

AI NewsはTechForge Mediaが提供しています。他の今後のエンタープライズテクノロジーイベントやウェビナーはこちらでご覧ください。