ソース詳細
AI News Hub は Emerj AI Research の AI 更新を追跡し、ソース状態、利用範囲、収集方法、公開記事を表示します。
Enterprise AI research and analysis source; summary-only unless authorization is obtained.
P&GのデジタルトランスフォーメーションディレクターShaje Ganny氏が、EmerjのAI in Businessポッドキャストで、CPG企業が人間中心の運用原則を用いて責任を持ってAIを拡大する方法を語る。彼は、問題定義型AI運用モデル、三者利害関係者影響ガバナンス、経営幹部レベルのAIリテラシーと説明責任設計の3つの主要な能力を強調する。記事では、MITの研究（企業の生成AIパイロットの95%が測定可能な財務的影響を生み出していない）、マッキンゼーの分析（100億ドルの食品・飲料企業がAIを完全導入すれば8.1億～16億ドルの価値を創出）、および消費者の信頼問題を引用している。
製薬企業は戦略実行の遅れにより数十億ドルを無駄にしている。AIはリアルタイムシグナルで現場を調整し、真の処方要因を特定し、ワークフローに推奨を組み込むことでギャップを埋める。
AIはカスタマーサービスのコストを削減していますが、組織のリスクを加速させる可能性もあります。スタンフォード大学の研究では、汎用AIチャットボットの法的クエリに対する幻覚率は58%から82%に及ぶことが示されています。AIが問題を解決できない場合、ブランドのネットプロモータースコアは最大70ポイント低下する可能性があります。本記事では、生成AIをカスタマーサービスに展開する際に組織の準備態勢を維持する方法について、信頼の閾値、決定論的AI基盤、エスカレーションデザインなどの重要な洞察を探ります。
アメリカン・エキスプレスは2010年から不正検知に機械学習を適用し、現在はほぼ全従業員にAIツールを提供し、エンジニアリングチームではAI支援開発を推進しています。機械学習ベースの不正検知システムは年間1.2兆ドル以上の取引を監視し、ミリ秒単位で不正判断を行います。同社は70以上の生成AIユースケースを模索し、Amex Venturesを通じて信頼・安全性、企業効率、データ駆動型体験に焦点を当てたスタートアップに投資しています。また、AIエージェントが安全に取引を実行するための基盤として、エージェンティックコマース開発キットを発表しました。
コンタクトセンターのライブ音声対話は、詐欺、ディープフェイク、エージェント離職の重大な盲点となっています。本記事では、Modulate社とThales Groupの専門家による3つの洞察を解説します：通話中の詐欺検出、高リスク意思決定のための音声ネイティブAIアーキテクチャの導入、セキュリティ・運用・CX部門にまたがるワークフローレベルのガバナンス確立。
看護文書は業務上のボトルネックとなっており、ワークフローの深い調整と規律ある変更管理なしにAIで解決することはできません。看護師は電子健康記録（EHR）に最大41％の時間を費やしており、系統的レビューではEHR負担が臨床 burnout に直接関連しています。この記事では、環境文書化、継続的な精度調整、変更管理フレームワークを通じてAIが看護負担を軽減する方法を探ります。
シートベースのライセンスからハイブリッドおよび消費ベースのAI価格設定への急速な移行により、企業のテクノロジー支出の予測と管理が大幅に困難になっています。Adam Mansfield氏は、これらの新しい価格モデルが買い手にどのような財務的リスクをもたらすか、また主要ベンダーとの交渉において明確な予測、透明性、交渉力を確保することがなぜますます難しくなっているかを考察します。彼は、現在の使用状況の監査、十分に活用されていない支出の特定、早期のベンダーとの関わりなど、リーダーが今すぐ取るべき実践的なステップを強調しています。
エンタープライズAIプロジェクトはデザインを最終工程と捉えがちだが、HTECのチーフプロダクト＆デザインオフィサーであるCarsten Wierwille氏は、これは戦略的ミスであり、多くのAI投資が技術的には機能しても実際の働き方を変えられない原因だと指摘する。
ServiceNowは米国のエンタープライズソフトウェア企業で、本社はカリフォルニア州サンタクララ、世界で29,000人以上の従業員を抱え、2025年第4四半期のサブスクリプション収益は35.7億ドルです。同社はAIと自動化に多額の投資を行い、Passage AIの買収、NVIDIAとの提携拡大、10億ドルのベンチャーキャピタル基金、カナダでの1.1億カナダドルの投資などを実施。記事では、ITSM/CSMワークフローに生成AIを埋め込み、解決記録の時間を約80%削減するNow Assistと、機械学習により顧客エスカレーションを予測し、プロアクティブエンゲージメント率を11%から68%に向上させる事例を紹介しています。
複雑な機器産業のサービス組織は、解決知識の構造不足により損失を被っています。本記事では、予知保全を支援するデータ基盤の構築方法を探り、解決基盤、AI対応データ、因果マッピング、参照検証済みソリューションの重要性を強調します。
製造業の労働力の25%以上が55歳以上であり、重要な業務知識が失われるリスクがある。本記事では、生成AIを活用して専門家のノウハウを構造化されたデジタル作業指示書に変換し、欠陥を減らし、大規模な知識移転を可能にする方法を探る。
ウォルマートのSVPデビッド・グリック氏が、四半期計画からリアルタイム反復への移行、モノリシックAIから連合型ナノエージェントへのシフト、スケーラブルなエージェント開発プラットフォームの構築について議論。
トラベラーズ・カンパニーズは米国最大級の損害保険会社で、2023年の総収益は413億6400万ドル。AIを引受査定、請求処理、災害分析に幅広く活用している。AI駆動の請求トリアージでは機械学習で重症度を分類し、処理期間を短縮。AI強化型リスクモデルは地理空間、気象、過去の損失データを統合し、引受精度を向上。Anthropicと提携し、約1万人の従業員にClaude AIアシスタントを提供。2016年以降、技術に130億ドルを投資し、費用比率を300ベーシスポイント削減した。
組織は、コンプライアンスを損なうことなく、機密データを露出させずにAIを導入するという課題に直面しています。この記事では、ビジネスドメインに合わせたAIリスク許容度の調整と段階的なデータ分類の実装について、TD銀行のNaveen Kumar氏の見解に基づいて説明します。
ロイズ銀行グループは英国最大級の金融サービスグループであり、AIを中核的な戦略手段として、実験的パイロットから大規模展開へと移行しています。グループは2024年に元AWSのデータ・AI責任者ロヒット・ダワンをグループAI・アドバンストアナリティクスディレクターに任命し、集中型AIセンターオブエクセレンスを設立しました。2025年には50以上の生成AIソリューションが本番稼働し、約5000万ポンドの価値を創出、2026年には1億ポンド超のAI関連価値を見込んでいます。技術基盤はGoogle Cloud Vertex AIプラットフォームで、300人以上のデータサイエンティストと少なくとも18のGenAIシステムをサポートしています。本記事では、フロントラインの知識検索のための大規模生成AIと、デビットカード不正検出のためのリアルタイム機械学習という2つの内部ユースケースに焦点を当てています。
米国の税制は構造的不均衡に直面している：K-1の量は増加し、規制開示は拡大し、処理を担当する人材は減少している。本記事では、自動化、データのデジタル化、ワークフローの成熟度向上により、K-1処理を手動トリアージからストレートスルー処理へと変革し、限られたスタッフで増大する業務量に対処する方法を探る。
AIは、臨床試験の全段階にわたる迅速なエビデンスベースの意思決定を可能にすることで、医薬品開発に革命をもたらしています。ノバルティスのShefali Kakar氏は、統合モデリングが高コストな後期段階での失敗を減らし、患者固有の薬物反応に関するより深い理解を提供すると説明しています。
エンタープライズAIのスケーリングにおける核心的な課題は、組織的コンテキストの欠如です。本記事では、専用のコンテキスト層を導入することで、AIエージェントに組織知識、システム認識、ガードレールを提供し、タスク精度を大幅に向上させ、トークン消費を削減し、コンプライアンスを確保する方法を探ります。
配送およびフルフィルメントリーダーは、パフォーマンス期待の高まりと運用の複雑さに直面し、データが複数のシステムに散在しています。この記事では、統一データモデル、適切な順序でのAI投資、およびネットワーク経済性の測定によってサプライチェーン効率を向上させる方法について、Easy MetricsとTyson Foodsの専門家の洞察を交えて探ります。
ライフサイエンス企業は、研究開発と製造の加速に対し、インフラストラクチャが追いつかないというギャップに直面している。データ量は増大し、デジタル化プロジェクトの失敗率は約70%に上る。本記事では、ワークロード駆動型インフラ配置、オブジェクトストレージによるAI対応データ層、適応型アーキテクチャといった解決策を考察。アストラゼネカのクラウド・インフラ責任者ロバート・ウェニア氏の見解を引用。
シーメンスは産業用コングロマリットとして、自社工場でAIを大規模に展開しており、特に予知保全とAIベースの外観検査に重点を置いています。機械学習モデルで設備故障を予測し、コンピュータビジョンで電子機器製造の微細な欠陥を検出することで、ダウンタイムを削減し、品質を向上させ、コストを節約しています。
AIは調達を受動的なコストセンターから戦略的機能へと変革し、固有のリスク回避にもかかわらず、動的ソーシング、継続的リスク監視、ボトムアップ採用を可能にします。
企業は法的かつ運用上の責任を負っているにもかかわらず、サードパーティネットワークに埋め込まれたリスクに対する信頼性のある可視性、管理、説明責任を欠いています。本稿では、サードパーティリスク管理がコンプライアンス問題から戦略的エンタープライズリスクへと変革し、AIを活用した継続的監視、説明可能な分析、自動化された是正措置によって実現される方法を探ります。