エンタープライズAI：「構築か購入か」から「提携して成長」へ

どのように始めればよいでしょうか。また、最初の AI プロジェクトを誰が実装すべきでしょうか。

少し前に、コラボレーションパートナーが、組織内での AI のユースケースについて気軽に私に相談に来ました。彼らは、AI を使用して新人からのよくある質問に回答することで、オンボーディングプロセスをより効率的にしたいと考えていました。私は社内ドキュメントを統合する実用的なチャットアプローチを提案し、彼らは自信を持って先に進み、今後は「IT チームと話し合う」計画を立てました。

経験から、このような楽観主義は脆弱なものだとわかっていました。平均的な IT チームには、完全かつ包括的な AI アプリケーションを独自に実装する能力がありません。そしてその通りになった。数か月後、彼らは電話を切った。彼らのシステムはイライラさせられるほど遅く、開発中にユーザーの実際のニーズを誤解していたことも明らかになりました。新入社員は、システムに設定されている質問とは異なる質問をしていました。ほとんどのユーザーは、数回試した後に離脱し、二度と戻ってきませんでした。これらの問題を解決するには、アーキテクチャとデータ戦略全体を再考する必要がありましたが、損害はすでに発生していました。従業員は不満を抱き、経営陣もそれに気づき、AIに対する当初の興奮は懐疑へと変わっていきました。さらなる大規模な開発段階を主張することは困難であるため、この問題は静かに棚上げされました。

この話はまったく珍しいものではありません。 AI 企業による巧妙なマーケティングによって AI が利用しやすいという幻想が生まれ、企業は今後の課題を十分に理解しないまま取り組みを急いでしまいます。実際、堅牢な AI 戦略を作成し、企業内でカスタマイズされたユースケースを実装するには、専門的な知識が必要です。この専門知識が社内にない場合は、外部のパートナーまたはプロバイダーから入手する必要があります。

これは、すべてを購入する必要があるという意味ではありません。100 ドルを持っていて、スーパーマーケットに行く代わりにレストランで使うようなものです。最初の選択肢はすぐに空腹を満たしますが、XNUMX 番目の選択肢は XNUMX 週間分の食べ物を保証します。

では、どのように始めればよいのでしょうか。また、最初の AI プロジェクトを誰が実装すべきでしょうか。私が思うに、「構築するか購入するか」を忘れて、代わりに提携と学習に重点を置くべきです。私は、ほとんどの企業が社内で AI の専門知識を構築すべきだと強く信じています。これにより、将来の AI 戦略と活動においてより広い範囲をカバーできるようになります。同時に、AIは習得に時間のかかる複雑な技術であり、失敗はどこにでもある（ランド研究所が発行したこの報告書について(AI イニシアチブの 80% 以上が失敗しています。) 失敗から学ぶことは理論的には良いことですが、実際には時間、リソース、信頼性の無駄につながります。 AI の成熟を効率的に達成するには、企業は専門知識を共有する信頼できるパートナーとの連携を検討する必要があります。実用的かつ慎重な準備により、よりスムーズな技術的実装が保証されるだけでなく、AI 戦略の人材とビジネスの側面にも対処できるようになります。

以下ではまず、AI における「買うか構築するか」の決定の大まかな基本（入力、出力、トレードオフ）について概説します。次に、よりユニークなパートナーシップのアプローチについて学びます。構築と購入を組み合わせながら、社内の学習曲線を強化します。最後に、AI におけるパートナーシップに関する実践的な注意事項とヒントをいくつか紹介します。

AIにおける「製造か購入か」の意思決定の基礎

まず、従来の「製造するか購入するか」という決定を、入力（事前に評価する必要のある要素）と出力（それぞれの選択が将来のビジネスに及ぼす影響）の 2 つの部分に分けてみましょう。 AI を社内で製造するか、外部プロバイダーから購入するかを決定することは重要な戦略的決定であり、利用可能なリソースと予想されるコストを深く理解する必要があります。

入力

意思決定を準備するには、内部の機能とユースケースの要件を評価する必要があります。これらの要因によって、各オプションがどの程度現実的、リスクが高い、または有益であるかが決まります。

組織における AI 成熟度: 熟練した AI 人材、再利用可能な AI 資産 (データセット、事前構築済みモデル、ナレッジグラフなど)、AI ドメインに転用可能な隣接する技術スキル (データエンジニアリングや分析など) などの社内の技術的能力を考慮してください。また、ユーザーが AI とどれだけうまくやりとりし、その懐疑心にどれだけ対処できるかも考慮してください。 AI の成熟度が高まるにつれて、スキルの向上と大胆さの構築に投資します。
現場経験要件: ソリューションはあなたの業界知識をどの程度反映していますか?専門的な人間の直感や組織の知識を必要とするユースケースでは、社内のドメインエキスパートが重要な役割を果たします。社内で構築する場合でも、外部プロバイダーと緊密に連携する場合でも、開発プロセスの一部となる必要があります。
ユースケースの技術的な複雑さ: すべての AI アプリケーションが同じように作成されるわけではありません。既存の API または基本モデルに依存するプロジェクトは、カスタムモデルアーキテクチャを最初からトレーニングする必要があるプロジェクトよりもはるかに簡単です。複雑性が高いと、「最初に構築する」アプローチのリスク、リソース要件、および潜在的な遅延が増加します。
価値と戦略的差別化： ユースケースは戦略的優位性の中核となるものですか、それとも単なるサポート機能ですか?それがあなたの業界（またはあなたの会社）に固有のものであり、競争上の差別化を高めるものであれば、共同構築または共同開発によってより大きな価値がもたらされる可能性があります。対照的に、標準的なユースケース（ドキュメントの分類や予測など）の場合、購入するとより迅速かつコスト効率の高い結果が得られる可能性があります。

自社製造か既製品購入かの決定の結果

入力を評価した後、自社で製造するか買収するかの決定がその後に及ぼす影響を判断し、トレードオフを評価する必要があります。タイムライン、コスト、リスク、結果に影響を与える 7 つの側面は次のとおりです。

パーソナライズ： AI ソリューションを組織の特定のワークフロー、目標、ドメインのニーズに合わせてカスタマイズできる範囲。多くの場合、カスタマイズによって、ソリューションが独自のビジネス要件にどれだけ適合するかが決まります。ソリューションが特定のビジネスプロセスに適合していることを確認するには、慎重なカスタマイズが重要です。
財産： 知的財産権と、基盤となる AI モデル、コード、戦略的方向性の管理。社内製造では完全な所有権が提供されますが、購入では通常、サードパーティのテクノロジのライセンス供与が伴います。完全な所有権は、特にイノベーションと知的財産の保護に依存する業界においては、戦略的な利点となります。
アラビア語: データがどのように処理されるか、どこに保存されるか、誰がデータにアクセスできるかについて説明します。規制された環境や機密性の高い環境では、特にデータがサードパーティベンダーと共有されたり、サードパーティベンダーによって処理されたりする場合には、データのプライバシーとコンプライアンスが中心的な懸念事項となります。 GDPR や ISO 27001 などのグローバルなデータセキュリティ標準への準拠が不可欠です。
コスト： 初期投資と継続的な運営費用の両方が含まれます。社内製造には研究開発、人材、インフラストラクチャ、長期メンテナンスが含まれ、購入にはライセンス、サブスクリプション、クラウド使用料が必要になる場合があります。各オプションの財務的な実現可能性を評価するには、詳細な総所有コスト (TCO) 分析を実行する必要があります。
製品を市場に出すのに必要な時間: ソリューションをどれだけ早く導入して価値を提供し始めることができるかを測定します。競争の激しい市場や変動の激しい市場では、迅速な導入が重要になることがよくあります。遅れると機会を逃す可能性があります。ターンキーソリューションを選択すると、市場投入までの時間が大幅に短縮され、組織に競争上の優位性がもたらされます。
サポートとメンテナンス: 更新、スケーリング、バグ修正、継続的なモデルパフォーマンスの責任者が含まれます。内部デザインには専用のメンテナンスリソースが必要ですが、外部ソリューションにはサポートサービスが含まれることがよくあります。サービスレベル契約 (SLA) には、応答時間と問題解決に関する明確な詳細が含まれている必要があります。
人工知能の学習曲線: 組織内で AI の専門知識を獲得して展開する際の複雑さを反映します。社内での製造では、チームが AI の基本的な理解を持っていないため、多くの試行錯誤と不安定な結果が伴うことがよくあります。一方、購入やパートナーシップにより、ガイド付きの体験と成熟したツールを通じて学習を加速し、将来の AI 活動のための強固な基盤を構築できます。パートナーシップにより、専門知識へのアクセスが可能になり、社内 AI 開発に伴うリスクを軽減できます。

さて、実際には、社内製造か既製品購入かという二元的な考え方は、解決できないトレードオフにつながることがよくあります。先ほど説明したセットアップのユースケースを見てみましょう。チームが 自社製造 企業データの機密性を維持する必要性です。同時に、実稼働可能なチャットシステムを開発するための AI の専門知識が社内にありませんでした。社内に独自のデータベースを構築しながら、チャットエンジニアリングと継続的なサポートをアウトソーシングすることで、より成功したかもしれません。したがって、AI システム全体を自社で製造するか、既製品を購入するかを決めるべきではありません。代わりに、コンポーネントに分解し、能力、制約、戦略的優先順位に基づいて各コンポーネントを評価します。

現場の専門知識と人工知能の実りある協力に向けて

コンポーネントレベルでは、専門知識の要件の観点から、社内で行うか外部委託するかの決定を区別することをお勧めします。ほとんどの B2B AI システムは、XNUMX 種類の専門知識を組み合わせています。ドメイン専門知識は社内で利用できますが、技術的な AI 専門知識は、専門的な AI スキルが (まだ) ない場合に外部パートナーを通じて導入できます。以下では、AIシステムのコアコンポーネントのそれぞれに必要な専門知識について検討します（この記事原材料の説明についてはこちらをご覧ください。この戦略的アプローチにより、利用可能なリソースを最大限に活用し、ビジネス目標を効率的かつ効果的に達成できます。

求人情報: 適切なAI問題の特定

AIプロジェクトが失敗する一番の理由は技術的なものではなく、解決すべき問題を間違えていることだということをご存知ですか？（ 人工知能プロジェクトの失敗の根本原因と成功への道）？驚かれるかもしれませんが、専門家チームがあなたの問題を深く理解しています。しかし、結局のところ、彼らには自分たちの悩みを AI テクノロジーに結び付ける手段が欠けているのです。最も一般的な失敗パターンは次のとおりです。

問題を曖昧または不適切に捉えるこれは AI がすでに得意とするタスクでしょうか?多くの場合、問題を正確に定義することが、AI を使用したソリューションを成功させるための第一歩となります。
無駄な労力/ROIの見積もりその結果は、AI の開発と導入に費やす時間とリソースに見合う価値があるでしょうか? AI の使用から期待される収益は明確かつ正当化される必要があります。
非現実的な期待不完全な AI にとって「十分」とはどういう意味でしょうか?プロジェクトを開始する前に、成功基準を明確に定義する必要があります。

一方で、AI を AI のために使い、問題を探してソリューションを作成する組織も数多くあります。これにより、リソースが消費され、社内の信頼が弱まります。

優れた AI パートナーは、AI 介入の準備ができているビジネスプロセスの評価、潜在的な影響の見積もり、AI がどのように価値をもたらすかをモデル化するのに役立ちます。両者は共同の検出ワークショップ、デザインスプリント、探索的プロトタイピングを通じて、焦点を絞った影響力の大きいユースケースを形成できます。

データ：AIシステムの燃料

整理された、整然としたドメインデータは重要な資産です。運用に関する知識、顧客の行動、システムパフォーマンスなどを暗号化します。しかし、生データだけでは不十分であり、意味のある学習シグナルに変換する必要があります。ここで、AI の専門知識が役立ち、サプライチェーンを設計し、適切なデータ表現を選択し、すべてを AI 学習目標に合わせて調整します。

これには多くの場合、データへのラベル付け、つまりモデルが学習する必要のあるシグナルで例に注釈を付ける作業が含まれます。面倒に思えるかもしれませんが、アウトソーシングしたいという衝動を抑えてください。ラベル付けは、サプライチェーンの中で最も状況に左右される部分の 1 つであり、正しく実行するにはドメインの専門知識が必要です。実際、今日の多くの微調整タスクは、小規模ながらも高品質のデータセットで最も効果的に機能します。そのため、AI パートナーと緊密に連携して、作業を集中させ、管理する必要があります。

データのクリーニングと前処理も、経験が大きく影響する領域です。あなたは、次のような古い格言を聞いたことがあるかもしれません。 「ほとんどのデータサイエンティストはデータのクリーニングに時間を費やしています。」 遅くなる必要があるという意味ではありません。データの表示方法（テキスト、数値、画像など）に精通したエンジニアがいれば、このプロセスは大幅に加速されます。どの前処理手法をいつ適用すればよいかを本能的に理解し、数週間の試行錯誤を数時間の生産的なセットアップに変えることができます。

人工知能：AIモデルとアーキテクチャ

ほとんどの人は、AI プロジェクトはここから始まると考えていますが、これはまだ物語の途中に過ぎません。効果的な AI システムを構築するには、モデルの選択や最適化、パフォーマンスの評価、システムアーキテクチャの設計など、深い AI の専門知識が必要です。たとえば、ユースケースでは事前トレーニング済みのモデルを使用する必要がありますか?マルチモデルのセットアップが必要ですか?論理評価尺度とは何ですか?より複雑なシステムでは、モデルや知識ベースなどのさまざまな AI コンポーネントを組み合わせて、複数のステップからなるワークフローを作成できます。

ドメインの専門知識は、システムの検証と評価の際に得られます。専門家や将来のユーザーは、AI の出力が意味を成し、現実世界の期待と一致しているかどうかを確認する必要があります。モデルは統計的には堅牢であっても、その出力がビジネスロジックと一致しない場合は運用上役に立たない可能性があります。複雑なシステムを設計する場合、ドメイン専門家はシステム設定が実際の運用とニーズを反映していることも確認する必要があります。

AI モデルの設計とカスタム AI アーキテクチャの構築は「パイロットアシスタント」フェーズです。AI チームがシステムを設計および最適化し、ドメインチームがビジネス目標に基づいてシステムをガイドおよび最適化します。時間の経過とともに、システムの動作に対する共有所有権を構築することが目標となります。

「 `

ケーススタディ：保険会社を支援するAI専門知識の構築

「 `

大手保険会社では、データサイエンスチームが請求リスク予測システムの構築を任されていましたが、このプロジェクトは、完全な所有権を維持し、データとワークフローとの緊密な連携を保つために社内でのみ行うことが望まれていました。しかし、プロトタイプはパフォーマンスとスケーラビリティの問題に直面しました。ここで私の会社が介入しました。アナコード建築と戦略のパートナーとして。社内チームは、候補モデルの評価、モジュール型アーキテクチャの設計、繰り返し可能な機械学習 (ML) パイプラインの設定を支援してくれました。最も重要なのは、モデル評価、機械学習運用 (MLOps)、責任ある AI 実践に重点を置いたガイド付きトレーニングコースを実施していることです。時間が経つにつれて、社内チームは自信を深め、以前のプロトタイプを堅牢なソリューションに作り直し、運用の完全な責任を負います。その結果、彼らが完全に所有するシステムが完成し、プロジェクト中に私たちが提供した専門家の指導により、彼らの内部 AI 機能も向上しました。このアプローチにより、**リスク予測システムの改善**と**社内 AI 機能の開発**が保証されます。

ユーザーエクスペリエンス: ユーザーインターフェースを通じてAIの価値を提供する

この側面は複雑です。いくつかの例外はありますが、ドメインの専門家や AI に精通したエンジニアが、実際のユーザーにとって直感的で効率的かつ楽しいエクスペリエンスを設計できる可能性は低いでしょう。理想的には、専門の UX デザイナーを雇うことができます。このような人材がいない場合は、ユーザーエクスペリエンスに関する自然な感覚を持つ、隣接分野の人材を探してください。現在では、UX デザインとプロトタイピングをサポートする AI ツールが数多く存在するため、技術力よりも好みが重要になります。適切な人材を確保したら、双方からの意見を伝える必要があります。

背景AIの専門家は、システムの内部的な仕組み（強み、限界、確実性のレベル）に関する洞察を提供し、説明、不確実性指標、信頼度スコアなどの要素の設計をサポートします（この記事ユーザーエクスペリエンスを通じて AI への信頼を構築することについて。
正面ドメインエキスパートは、ユーザー、そのワークフロー、問題点を理解しています。これらは、ユーザーフローを検証し、摩擦を浮き彫りにし、ユーザーが実際にシステムとやりとりする方法に基づいて改善を提案するのに役立ちます。

素早い反復に集中し、多少の間違いには備えてください。 AI におけるユーザーエクスペリエンスは新興分野であり、「優れている」とはどのようなものかを示す決まった公式はありません。最良のエクスペリエンスは、ドメインエキスパートと AI スペシャリストの両方からの入力を取り入れながら、設計、テスト、改善が継続的に行われる、緊密で反復的なフィードバックループから生まれます。目標は、効果的でユーザーフレンドリーなユーザーインターフェイス (UI) を設計し、AI の価値がユーザーにシームレスに提供されるようにすることです。

サポートとメンテナンス: AI の稼働維持

AI システムを導入したら、綿密な監視と継続的な改善が必要になります。現実世界のユーザーの行動はテスト環境とは異なることが多く、時間の経過とともに変化します。この固有の不確実性は、問題を早期に特定して対処できるように、システムを効果的に監視する必要があることを意味します。

パフォーマンスの追跡、ドリフトの検出、マシンの再トレーニング、MLOps パイプラインなどの監視のための技術インフラストラクチャは、通常、AI パートナーによって設定されます。一度確立されると、多くの日常的な監視タスクでは高度な技術的スキルは必要ありません。必要なのはドメインの専門知識です。モデルの出力がまだ意味をなすかどうかを理解し、使用パターンの微妙な変化に気づき、何かが「おかしい」ときを知ることです。

適切に設計されたサポートフェーズは単なる運用フェーズではなく、社内のチームにとって重要な学習フェーズにもなります。これにより、段階的なスキル構築、システムのより深い理解、そして最終的には時間の経過とともに AI システムの所有権を拡大するためのスムーズな道筋が生まれます。これにより、システムのパフォーマンスと効率を継続的に向上させることができます。

したがって、AI の実装を「構築するか購入するか」の二者択一として捉えるのではなく、さまざまな活動のモザイクとして捉えるべきです。これらのアクティビティの一部は高度に技術的なものですが、その他のアクティビティはビジネスの状況に密接に関連しています。 AI ライフサイクル全体で責任を定義することで、次のことが可能になります。

成功に不可欠な役割とスキルを明確にする
社内にすでに備わっている能力を特定します。
外部の専門知識が最も役立つギャップを発見します。
知識移転と長期的な所有権の計画

AIシステムへのドメイン専門知識の統合についてさらに詳しく知りたい方は、私の記事「AIシステムへのドメイン専門知識の導入」をご覧ください。重要なのは、「ドメイン」専門知識と「AI」専門知識の境界線は固定されていないということです。チームメンバーの中には、既に機械学習の実験をしている人もいるでしょうし、より技術的な役割への昇進を希望している人もいるかもしれません。適切なパートナーシップモデルとスキルアップ戦略があれば、AIの自律性へと進化し、社内の成熟度が高まるにつれて、徐々に責任と制御を拡大していくことができます。

AI で提携する際には、早めに開始してコミュニケーションに重点を置きます。

製造するか購入するかの決定は、AI システムの個々のコンポーネントのレベルで行う必要があることがお分かりいただけたと思います。しかし、チームに AI の専門知識がまだない場合、システムとそのコンポーネントが最終的にどのようになるかをどのように想像できるでしょうか?回答: パートナーシップを早期に開始します。 AI 戦略の策定と設計を開始するときは、プロセスをガイドする信頼できるパートナーに協力を求めてください。簡単にオープンにコミュニケーションできる人を選びましょう。最初から適切なコラボレーションを行うことで、AI の課題をスムーズかつ成功裏に克服できる可能性が高まります。 AI プロジェクトの成功を確実にし、潜在的なリスクを軽減するには、特に専門家との強力な AI パートナーシップを構築することが重要です。

当該分野における中核的な専門知識を持つ AI パートナーを選択してください。

AI パートナーは、コードや技術資産を提供するだけでなく、コラボレーション中に組織が学習し成長できるように支援する必要があります。ここでは、一般的な外部パートナーシップの種類と、それぞれに期待できることについて説明します。

アウトソーシングこのモデルは複雑さを排除し、速効性炭水化物のショットのようにすぐに結果が得られます。効率的ではありますが、長期的な戦略的価値をもたらすことはほとんどありません。結局、より強力な機能ではなく、ツールが手に入ります。
学術パートナーシップ最先端のイノベーションや長期的な研究には最適ですが、現実世界での AI システムの実際の展開や導入にはあまり適していないことがよくあります。
アドバイザリーパートナーシップ私の意見では、特にすでに技術チームを抱えており、AI の洞察力を開発したいと考えている企業にとって、これは最も有望な道です。優れたコンサルタントは、企業のエンジニアを支援し、コストのかかるミスを回避できるようにし、「ユースケースに適した技術ツールキットは何ですか？」などの質問に対して、実用的で経験に基づいた洞察をもたらします。品質を高め、堅牢なデータサイクルを実現するために、データをどのようにキュレートすればよいのでしょうか。信頼とガバナンスを損なうことなく、どのように拡大していくのでしょうか?

パートナー選定の詳細なフレームワークはこの記事の範囲を超えていますが、苦労して得たアドバイスを一つお伝えします。2022年のGenAIブーム以降、突然「AI」という言葉をサービス内容に加えるITアウトソーシング企業やコンサルティング企業には注意が必要です。派手なバズワードであなたを魅了するかもしれませんが、AIが彼らのDNAの一部でない場合、補完的な専門知識の恩恵を受けるのではなく、彼らの学習曲線にお金を支払うことになりかねません。すでに大変な作業を完了していて、その専門知識をあなたに伝えてくれるパートナーを選択してください。

コミュニケーションと調整の努力を倍増させます。

パートナーシップモデルでは、関係者間の効果的なコミュニケーションと調整が重要です。会社で習得すべき重要なコミュニケーションの役割は次のとおりです。

リーダーシップとドメイン専門家は、解決する価値のあるビジネス上の問題を明確に特定し、伝える必要があります（AIに関するアイデアを共有するためのベストプラクティスについても説明します）ここで).
エンドユーザーは、早い段階でニーズを共有し、使用中にフィードバックを提供し、さらには AI エクスペリエンスを形成するパートナーになる必要があります。
IT チームとガバナンスチームは、AI イノベーションを妨げるのではなく、それを可能にしながら、コンプライアンス、セキュリティ、安全性を確保する必要があります。留意してください: これらの能力はまだ完全には形成されていないようです。

AI プロジェクトでは、調整不足や非生産的なサイロ化のリスクが増大します。 AI はまだ比較的新しい分野であり、用語だけでも混乱が生じる可能性があります。「AI」と「機械学習」の違いについて議論したことがあるなら、私の言っている意味がわかると思います。もしそうでない場合は、同僚との次回の会議で試してみることをお勧めします。それは、パートナーとの会話と同じくらい捉えにくいものです。 「話をする必要がある。」

曖昧さや断絶を解決するために、双方の和解を目指します。社内のチームは、スキルアップと AI 概念の基本的な理解の構築に投資する必要があります。一方、AI パートナーはあなたの要求に歩み寄る必要があります。専門用語は避け、チームが実際に使用できる明確でビジネス指向の言語を使用する必要があります。効果的なコラボレーションは共通の理解から始まります。

結論

本当の質問は、「AI を構築するのか、それとも購入するのか」ではありません。むしろ、「スピード、制御、長期的な価値のバランスを取りながら AI 機能をどのように成長させていくか」が重要です。その答えは、AI はテクノロジーと専門知識の組み合わせであり、成功は適切なリソースを適切なタスクに一致させることにかかっているという認識にあります。

ほとんどの組織にとって、より賢明な道は パートナーシップ – 業界の強みと外部の AI 専門知識を組み合わせることで、より迅速に構築し、より迅速に学習し、最終的には AI の取り組みから最大限の成果を得ることができます。

次にできること:

社内の能力に応じて AI ユースケースを定義します。 ギャップについては正直に話しましょう。
成果物だけでなく知識も伝達してくれるパートナーを選択してください。
構築、購入、または共同作成する必要があるコンポーネントを決定します。 二者択一をする必要はありません。
進歩するにつれてチームのスキルをレベルアップしましょう。 各プロジェクトでは、パートナーの資産やスキルへの依存度を高めるのではなく、能力と独立性を高める必要があります。
焦点を絞ったパイロットプロジェクトから始めます。 社内学習の価値と勢いを生み出します。

今日、能力開発に戦略的なアプローチを取ることで、長期的には AI 対応組織、そして最終的には AI 主導の組織になるための基盤が築かれることになります。