小売業では、構造的な利益率圧力が続いています。先行する企業は、マーチャンダイジング、労働力、サプライチェーンにおいて、より迅速かつ正確な意思決定を行い、それを何千もの店舗で一貫して実行しています。多くの大手小売業者が直面する課題は、組織がAIを十分な速さでスケールできるかどうかです。Albertsons Companiesは、米国最大級の食品・医薬品小売業者で、約2,300店舗を運営し、売上高は800億ドルに上ります。Sunil GopinathがデータとAIをグローバルに統括し、同社の最大のテクノロジー・AI拠点であるAlbertsons Companies Indiaも率いています。彼の使命は、優れた小売業者をデータ駆動型企業に変えるためのAIとデータ基盤を、スピードと規模を両立させて構築することです。
戦略の核心は断片化の排除です。AIの野心と強固なエンタープライズ基盤を結びつける企業が勝利します。その基盤としてDatabricksプラットフォームが採用されており、データエンジニアリング、ML、ガバナンス、分析に活用されています。この共有基盤により、「ワンプラットフォーム」の命令が現実のものとなり、すべてのチームが同じスタートラインに立つことができます。
AIの筋肉を鍛える：集中化は不可欠
Gopinathは断片化を許容しないという明確なアーキテクチャ上の決断を下しました。1つのチーム、1つのプラットフォーム、1つのオペレーティングモデル。AIの4つの大きな賭け（顧客体験、マーチャンダイジングインテリジェンス、労働力、サプライチェーン）を中心に組織化し、集中型AIコアが実行力を提供します。ガバナンス、セキュリティ、再利用可能なモデルのリポジトリなどの共通横断コンポーネントに専任チームが集中することで、アプリケーションチームは基盤の衛生面を気にせず、ビジネスの改善に専念できます。また、全社的なガバナンス委員会がAIの基準を確立し、リーダーシップレベルの集団的意思決定を実現しています。
大規模AIのフランチャイズモデル
共通基盤と再利用可能なアクセラレーターを提供する一方で、現場の革新を可能にするため、フランチャイズモデルを採用。中央で共通インフラ、標準、ガバナンスを提供し、エッジでローカルな実行と革新を行います。構築したアクセラレーターには、データ取り込みパイプライン、テンプレート、フィーチャストアパターン、モデルモニタリング、パフォーマンス観測可能性、ガバナンスラッパーが含まれます。どのチームでもこれらに接続することで、10倍の速度で作業を進められます。プラットフォームの目的は革新を制約することではなく、加速することです。
変化する環境で複利効果を生む人材
技術チームにはAI拡張エンジニアリングを導入。9か月で138万行のAI生成コードを受け入れ、90%以上のエンジニアがAIツールを活用。これにより構築と出荷の速度が根本的に変わりました。非技術チーム向けには、ローコードダッシュボード、プロンプトライブラリ、会話型エージェント生成プラットフォームを提供。ドラッグアンドドロップでエージェントを作成でき、自然言語での指示にも対応します。採用においては、技術的スキルだけでなく、学び、実験し、革新する姿勢を重視します。
トップの規律
AIの成功に対する責任はトップにあります。AIはビジネス戦略であり、指標は市場間の再利用率、デプロイ時間、責任あるAIコンプライアンス、そして最も重要なAIによるビジネス成果への影響を反映します。影響を示せないイニシアチブはスケールしません。この規律がトップから強制されることで、AIは高価な実験ではなく真の優位性となります。
結論
Gopinathが描くのは漸進的な集中化ではなく、意図的なコミットメントです。1つのチーム、1つのプラットフォーム、1つのオペレーティングモデル。戦略的賭けが焦点を定め、再利用可能なアクセラレーターがスピードを複利効果的に高めます。マーチャンダイジングインテリジェンスは4つの戦略的優先事項の1つであり、集中型モデルが実際のビジネス問題にどのように取り組むかを示しています。プラットフォームはDatabricks上に構築され、Genieがインタラクション層として機能。商人は平易な言葉で質問し、信頼できる回答を得られます。AIを実験からエンタープライズ能力へと移行させようとしているエグゼクティブにとって、Albertsonsのフランチャイズモデルは有用な枠組みを提供します。中央をガバナンスし、エッジを自由にし、すべてのチームが既に証明されたものの上に構築することを確実にしてください。