最新の記事はこちらから

日本の産業を支える大きな柱となっている製造業。ものづくり大国として世界に誇れる技術を持つ日本ですが、いままさにビジネスモデルの変革を求められています。私たちは製造業をとりまくさまざまな課題に向き合います。


今こそ、テクノロジーに人間性を組み込むとき

今こそ改革の時です。今後数年間で、企業が自由に使えるテクノロジーはますます強力になり、人間の潜在能力、生産性、創造性を大きく引き出す新たな道が開かれます。先行企業や先進企業は、新時代の価値と能力獲得に向けた競争の狼煙を上げています。彼らの戦略は、テクノロジーがより人間的なものになるという、共通項によって支えられているのです。

逆説的に聞こえますが、テクノロジーは結局のところ、人間によって、人間のために作られたものです。自らの肉体的・認知的能力を拡張する道具を作ることは、ある意味人類にしかできないことであり、それこそが我々を種として定義していると主張する人もいます。

一方で、私たちが作る道具はしばしば人間らしさを欠き、私たちができないことを行ったり、私たちの生活を劇的に変えることがあります。自動車は移動の自由を拡大しました。クレーンによって私たちは高層ビルや橋を建設することができます。テクノロジーによって私たちは音楽を作り、配信し、聴くことができるのです。 

テクノロジーのもつこうした人間離れした性質は時に欠点ともなります。手持ち工具を長時間使用すると関節炎を発症することがありますし、長年にわたって画面を見続ければ視力低下を引き起こす可能性があります。カーナビは素晴らしい一方、カーナビによって運転中に注意が逸れることがあります。これまでも、人間工学に基づいてより使いやすい道具を作る努力はなされてきました。しかし、人間ではなく機械にとって何がベストなのかという観点で生活に関わる判断が下されることもしばしありました。

今、歴史上初めて、テクノロジーから離れるのではなく、より人間的なテクノロジーを受け入れることで方向転換しつつあることが、確実な証拠と共に示されています。より直感的なデザインと性質を持つテクノロジーが、これまで以上に人間に近い知性を示し、生活のあらゆる側面に容易に取り込まれています。

生成AIはただ目の前の仕事をこなすだけでなく、はるかに多くのことに影響を与えうるものです。すでに組織や市場の根本が大きく変わり始めています。

生成AI(ジェネレーティブAI)とTransformerモデルが世界中に及ぼす影響を考えてみてください。ChatGPTやBardといったチャットボットから始まったこの動きのおかげで、テクノロジーは直感的で知的、更にはアクセスしやすいものになりました。かつてAIの注力領域は自動化や定型業務でしたが、今では人間を強化することにシフトしています。人々が仕事に取り組む方法を変え、かつては高スキルの人や資金力のある人だけが利用できた技術や専門知識の民主化が急速に進んでいます。

生成AIはただ目の前の仕事をこなすだけでなく、はるかに多くのことに影響を与えうるものです。すでに組織や市場の根本が大きく変わり始めています。

もちろん、ヒューマン・テックの登場はAIに限ったことではありません。テクノロジーとの間に存在する様々なペインポイント解消に向けた動きが進み、人間の持つ大きな可能性への扉が開きつつあるのです。

人間性を組み込むことで、テクノロジーはこれまで以上に広範な人々にまで届き、その結果より幅広い知識を有し継続的な革新を実現します。これまでテクノロジーから疎外されてきた人々がデジタル革命に貢献できるようになることを考えてみてください。直感的に活用できるテクノロジーが増えるにつれ、こうした人々は新たな顧客や新たな従業員となり得ます。

AIによる出会い

人間は生成AIチャットボットに情報を求め、現在の検索ビジネスのみならず、ソフトウェアとデータ駆動型企業の未来までが変わろうとしています。リーダーたちは常に身近な課題に直面しています。どの製品やサービスをスケール対象とすべきか?手元にはどのような新しいデータがあるのか?どういった変革が可能か?しかし、彼らは新たな問いにも答えていく必要があります。AIにはどの程度、人間による監督が必要か?誰がデジタルトランスフォーメーションの対象となるのか?自分たちのエコシステム内にいる人々に対して、いかなる責任を負うべきなのか?人間性を組み込む(human by design)というのは単なる特徴ではなく、来たるべき未来に向けた方針です。企業がデジタル・コアを再創造する際、ヒューマン・テックは成功の鍵となります。企業はデジタル化の柱を再創造する可能性を持つ先進技術の潜在能力を探り始めています。デジタル体験、データ・分析、製品といった全てが変わりつつあります。生成AIや空間コンピューティングなどのテクノロジーが成熟し、規模を拡大するにつれてその変化は加速するでしょう。今こそ、企業が人間の可能性を最大限に引き出し、人間とテクノロジー間の摩擦を取り除く戦略を構築する絶好のチャンスです。未来は人工知能によって推進されますが、それは人間の知能のために設計されなければなりません。新世代テクノロジーによって、企業がより多くのことを行えるようになるにつれて、企業が行う選択の重要性は増します。世界が注目しています。リーディングカンパニーとしてロールモデルになりたいですか?それとも失敗企業の事例になりたいですか?

データとの関わり方が変化するにつれ、私たちの考え方、仕事の進め方、テクノロジーとの接し方も変わってきています。結果、デジタル企業の基盤全体において創造的破壊が引き起こされています。

検索ベースでの“司書”的な人間とデータとの交流は、徐々に“アドバイザー”モデルにと取って代わられています。情報を検索し、結果を分類・整理するのではなく、人間は今や生成AIチャットボットに答えを求めています。例えば、OpenAIは2022年11月にChatGPTをローンチし、史上最も急成長したアプリとなりました。大規模言語モデル(LLM)は何年も前から存在していましたが、ChatGPTが直接かつ会話形式で質問に答える能力が大きな違いを生み出しました。

データは、今日のデジタルビジネスの最重要要素の一つです。膨大な量の情報を集約して回答やアドバイスを提供し、さまざまなデータモダリティを利用し、過去の会話を記憶し次に何を尋ねるべきかさえ提案できる新たなチャットボットが、これまでの人間とデータのあり方を一変させようとしています。最終的に、チャットボットはAIアドバイザーという役割を担い、企業は従業員一人ひとりに、この幅広い知識を持ったアドバイザーを配属できます。その結果、データの潜在的な価値を引き出され、これまで追い求めていたデータ駆動型ビジネスを遂に実現することができるでしょう。

企業は、顧客、従業員、パートナー、投資家が見つけて利用したいと思っている貴重でユニークな情報を持っています。しかし、適切な検索用語を思い出せない、クエリを書けない、データがサイロ化されている、文書に機密性が高すぎるなどの理由で、情報の多くはアクセスや抽出が困難でした。その打破こそが、生成AIがデータ駆動型ビジネスにもたらしうる未踏の価値です。

しかし、真の創造的破壊は、データへのアクセス方法だけでなく、ソフトウェア市場全体を変革する可能性にあります。すべてのアプリやデジタルプラットフォームへのインターフェースが生成AIチャットボットに置き換わった世界を想像してみてください?あらゆるプラットフォームのコア機能として生成AIがデータを読み書きし、関わりあいを持てばどうなるでしょうか?

生成AIの利点を最大限に活用し、データとAIを用いた新たな企業のあり方を構築するために、企業は核となるテクノロジー戦略を根本から見直す必要があります。データの収集と構造化、広範なアーキテクチャ、テクノロジー・ツールの特性と導入方法を再考する必要があります。トレーニング、偏見の軽減、AIの誤判断といったことも、初めから組み込んでおく必要があります

企業がDXを成功させるための3要素とは

私たちは「Digital Synergy Factory」として、製造業のDX実施に伴走してサポートする事業を行っております。そのなかで、製造業DXの成功に欠かせない要素は「人」「技術」「インフラ」の3点だと考えています。そもそも製造業DXやスマートファクトリーは、一度導入したら終わりではなく、継続していくもの。システムではなく人が重要で、リーダーシップをとる人材をいかにサポートしていけるかが持続可能な製造業DXに大事な考え方になります。また、製造業DXを実現するために導入を検討する技術も、1つのサービス、プロダクトに依存するのではなく、いくつかの技術を組み合わせることが重要です。データ活用についても、まずは信頼できるデータ取得をすることから始めるべきで、それぞれに適切な歩み方が存在します。こうした歩みをないがしろにして、巨額投資でインフラを整える方法は現実的ではありません。必要に応じた段階的な投資とインフラ整備することが製造業DXに求められています。

なぜ製造業はDXの実現が難しいのか

データドリブンでプロジェクトを始めようとしたら、まずはデータを取得しなければなりませんが、イチから始めるとなると、それなりの工数がかかってきます。そもそもデータがなければ、データの活用法も効果もわからず、暗闇の中を歩くようにプロジェクトを進めているとすら言えますから、その大変さについてはご認識いただけるでしょう。さらに、製造業は「データ構造の難しさ」もあります。昨今はサイバーとフィジカルの融合が製造業におけるデジタル活用の姿だとされてきましたが、サイバー寄りのデータには、顧客管理のCRMや需給管理のERPがあり、フィジカル寄りとして、人や機械の稼働や状態といったデータがあります。また、サイバーとフィジカルの両面を持つ、生産実行のMESといったデータも忘れてはいけません。製造業のDXでは、これらのデータを融合させて活用することになるため、自ずと難易度も上がります。さらに、サイバーとフィジカルではデータの構造が違うため、データへのアプローチ方法も変えなければ対応すらできません。例えば、CRMやERPといったデータは構造化されているデータであり、後から分析しても活用可能です。一方で、人や機械の稼働や状態といったフィジカルに区分される非構造のデータは、いくらデータが豊富だとしても、例えば温度の情報だけでは意味を成しません。温度のデータを活用しようとすれば、温度が人の作業状況や機械の稼働状況などと紐づいていなければならないものです。つまり、特徴も活用法も把握せずにデータを取得しているだけでは、活用できないデータだけが残ってしまう状況に陥ってしまいます。実際に少なくない企業がその状況に苦しんでいます。その上、製造業のデータ活用には、「データインフラの難しさ」もあります。「まずデータを見なければわからない」「データから目的や業務を絞り込んでいくことがDXだ」といった思い込みが多くありますが、その考え方が通用するのは構造化されたデータだけだと言えるでしょう。

インフラを整えて豊富なデータを分析し、データドリブンを実現するといった流れは一見正しいように思えますが、非常に難易度が高いと言わざるを得ません。製造業において、それぞれの現場のデータをどのように融合させるかは、かなりの工夫が必要で、目的から必要なデータや必要なシステムを定義しなければ、膨大な時間とコストがかかってしまいます。その問題を改善するには、まずデータは多種多様なソースから生み出されていると意識することが第一歩と言えます。

経営と現場の融合なくして、データドリブンは成功しない

製造業のデータ活用の難しさについての説明が続きましたが、「データ活用の難易度を下げるためのポイント」も、もちろんあります。そのためには、「経営と現場のコンセンサス」と「目的とデータの傾向を押さえたシステム検討」が要点になります。まず、目的とデータの傾向の押さえ方について解説します。製造業のデータ活用の目的は、激変する経済環境において、データドリブンでの迅速な判断やリソースの再配分、市場の変化を捉えることです。それらは企業の自己変革能力である、ダイナミックケイパビリティと言えます。その実現のためには、まず脅威や危機を感知する能力である「センシング(感知)」、次に機会をキャッチして、既存資源・知識・技術を再構成する「シージング(捕捉)」、そして組織を再構築して人・モノ・金・ブランドなどの経営資源を再配分して、持続可能な競争力を獲得する「トランスフォーミング(変革)」という、3大要素が必要になります。

この感知、捕捉、変革という3要素を生かすためには、「経営と現場のコンセンサス」が大事になってきます。難易度が高い作業を行うには、経営と現場で同じグランドデザインを描く必要があります。その上で、「目的とデータの傾向を押さえたシステム検討」として、業務として行いたい目標やそのためのデータ分析のアプローチなどを逆算して設定し、会社としての目的を経営と現場でしっかり認識合わせをし、それぞれの取り組みを結びつけていきます。最後に、「データ起因の手戻り事例」をもとに、データ活用を実践している企業がつまずきやすいポイントを説明していきたいと思います。現在はとりあえずデータをためればよいという風潮もなくなりつつあり、データの要件定義にて、目的とスコープの明確化や、対象データの特定などを実際に行っている企業は多いと思います。ところが、それでもデータ起因の手戻りは起きてしまうもので、その要因としてデータの質や取得方法が挙げられます。この点を解決するには、事前準備にも経験値が必要となるため、製造業DXを自社のリソースだけで完結できるかと言えば、おそらく難しいでしょう。そこで重要視するのが、「丸投げはしない! でも無理し過ぎない」という考え。企業ビジョンは外注できないため、内部でリーダーシップをとる人材は必須になります。一方、経験値でカバーできる局面があれば、外部の人材やシステムを積極的に採り入れていくべきです。内部と外部のリソースを柔軟に組み合わせながら、さまざまな知見を持つワンチームをつくることこそが、DXを推進するために理想のかたちと言えそうです。

競争力を高めるために日本が目指すべきものとは

製造業DXの推進とSmart Factory実現に向け、デジタルやデータはどのように貢献することができるのか、事例を交えながら解説していきます。まず、「製造業の現状・課題」。日本には、新型コロナウイルスの拡大やウクライナ危機という世界情勢、脱炭素化などの社会問題、人口減少に伴う労働力の確保やデジタル技術による新たなビジネスモデルを生み出すことなどさまざまな課題があります。それは製造業の課題とも相関関係にあり、経済産業省では製造業が今後もグローバルでの存在感を維持・向上していくために、3つの指針を打ち出しています。それが「レジリエンス」「グリーン」「デジタル」です。「レジリエンス」はリスクへの対応を指し、企業のリスクヘッジやサプライチェーン全体の把握なども含まれています。続く「グリーン」は、2050年のカーボンニュートラル実現に向けた企業としての取り組みをどのように推進していくのか。そして、「デジタル」はデータに基づくDXへの投資、人材不足解決のためのデジタル活用、データによる予測検知などが挙げられます。経産省が「デジタル」を指針の1つに設定した理由に、DXが付加価値や新たなビジネスの創出につながるという面があります。経産省はDXによって単なる電子化ではなく、ITによるプロセスの簡素化や、蓄積されたデータを業務や経営に活用することで、企業の生産性を抜本的に向上させることを目指しています。私たちNTTコミュニケーションズとしても、顧客の経営課題や業務まで理解することで、データを活用した業務変革の支援を行ってきました。実際、製造業においてもデータ利活用の重要度は高く、今後は工場や物流センターをはじめとする各拠点に設置されたIoT機器からバリューチェーンのさまざまな工程からデータを得た、企業全体での活用が求められていきます。例えばデータは予測の検知に活用され、不良品や故障品のリスク軽減が可能になります。また、新型コロナウイルスの拡大など世界情勢の変化によるサプライチェーンの断絶といった事態が急に起きた場合でも、データ連携によって生産工程の迅速な最適化にも役立つと考えています。さらに、人材不足においても、工場内のデータ分析やそこから学習するロボットを導入することで自動化領域を拡大し、省力化や業務プロセスの標準化によって生産性を高めることができるかもしれません。これらのデジタル活用にフォーカスし、「製造業・Smart Factory事例」として、私たちのICTサービスを活用いただいたことも数多くあります。例えば、工場内の通信環境改善によって、安定したデータ収集を可能にしたり、データ品質向上による部品の生産と在庫管理の適正化を実現したこともあります。ほかにも、データを統合することで研究開発のスピードアップ、統合されたデータを活用してサービス品質や顧客満足度の向上にもつながりました。また、リアルタイムの設備障害分析による、サービス品質向上に役立ったという事例もあります。

データ活用が企業を成長させるエンジンに

最後のテーマとして、「DXを加速させるデジタルプラットフォーム」について解説します。本テーマにおけるデジタルプラットフォームとは、ツールやデータを束ね、必要なサービスを迅速に利用できるIT基盤のことを指しています。そもそもデータの利活用に至る前段として、データを準備するフェーズが重要視されます。次に社内外からのデータを収集するステップがあり、そのデータの品質を高め、全社統一のルールで管理される必要があります。こうしたプロセスが整って初めてデータに価値が生まれ、ビジネスアクションに活用されていくのです。私たちとしても、データの可視化、分析、戦略実行を経て、企業や業界の抱える課題の解決を目指し、顧客のDXをデータドリブンで支援する「Smart Data Platform」というサービスを提供しています。本サービスでは、データ利活用に必要な、収集・蓄積・統合・分析・利活用機能をワンストップで提供し、日々の事業活動から生まれるデータを企業成長のエンジンへと変える特徴を備えています。私たちは今後も、「Smart Data Platform」サービスを通じ、企業のDXを支援することで、パートナーとして顧客と伴走し、社会・産業の変革に貢献していきたいと考えています。

テクノロジー:データ駆動型企業の実現

データ基盤の強化

新しいテクノロジーやその活用は、企業がデータ基盤を強化し、データ駆動型ビジネスの未来に備える手助けとなります。すでにデータ戦略の刷新に取り組んでいる企業もあります。企業がどこからスタートしようとも、LLMアドバイザーは、これまで以上にアクセスしやすく、コンテクストが豊かなデータ基盤を求めることでしょう。

知識グラフ(ナレッジグラフ)は最も重要なテクノロジーのひとつです。これはエンティティとそれらの関係性を含むグラフ構造化されたデータモデルで、より大きな文脈(コンテクスト)と意味がエンコードされています。 知識グラフはより多くのソースから情報を集約し、より良いパーソナライゼーションを手助けするだけでなく、セマンティック検索を通じてデータアクセスを強化することもできます。

知識グラフに加えて、データメッシュとデータファブリックは、ビジネスが全体のアーキテクチャを更新する際に考慮すべき情報をマッピングし整理するための2つの方法です。

新たなデータインターフェースとしてのLLMsの探求

知識グラフ、データメッシュ、データファブリックは、それぞれ単独で見ても企業のナレッジ・マネジメント・システムにとって大きなステップアップとなります。しかし、これらを最大限活用するためには、ナレッジ・マネジメントへのアプローチを、いわゆる“司書”モデルから“アドバイザー”モデルへと移行するする必要があります。検索バーを使用する代わりに、従業員が自然言語で質問し、企業内のあらゆるウェブサイトやアプリを通じて明確な回答を得られる環境を想像してみてください。アクセスしやすく、文脈に基づいたデータ基盤があれば、企業はこうした環境を実現することができます。実現方法はいくつかあります。

一つ目のオプションは、自社のLLM(Large Language Models)を一から開発することです。膨大なリソースを要するため、採用している企業は稀です。

二つ目のオプションは、既存のLLMを「微調整(ファインチューニング)」することです。これは、一般知識を持つLLMをベースに、ドメイン特有の文書セットを用いて更に学習させることで特定ドメインに適応させるアプローチです。この方法は、デザインやマーケティングにおけるクリエイティブなアウトプットのような、リアルタイムの情報が必要でない特定領域に最も適した手段といえます。

特定の使用状況に特化した小型言語モデル(SLM)のファインチューニングを始める企業もあるのです。これらのSLMは、低コストで小さなカーボンフットプリントを持つだけでなく、効率的に動作し、迅速に開発でき、小型のエッジデバイスでも使用可能です。

最後に、AIアドバイザーを構築する最も一般的なアプローチの一つは、事前学習済みのLLMに対して、より関連性の高い、ユースケースに特化した情報を文脈として与えることで「グラウンディング(接地)」させるという方法です。通常、Retrieval Augmented Generation(RAG)という手法を通じて行われます。

生成AIとLLMの分野は急速に進化しています。しかし、どの方法を選択しようとも、一つ確かなことは、企業のデータ基盤が堅固でコンテキストを有するものでなければ、AIアドバイザーはその役割を十分に果たすことはありません。

意義:企業が保有するナレッジの未来の在り方

リスクの理解と軽減

最も重要なことは、企業がAIアドバイザーのもたらす可能性を探求する際、それに伴うリスクについても理解する必要があるということです。

「幻覚(hallucinations)」を例にとってみましょう。これはLLMの本質的な特性の一つです。高い精度で確率的な回答を提供するように訓練されているため、AIアドバイザーは自信を持って間違った情報を伝えることがあります。

「幻覚(hallucinations)」がおそらくLLMの最も悪名高いリスクではありますが、他にも考慮しなければならない問題はあります。公開モデルを使用している場合、企業独自のデータは漏洩しないように慎重に保護する必要があります。プライベートモデルでも、データはアクセスすべきでない従業員と共有されてはなりません。またコンピューティングコストはしっかりと管理される必要があります。そして何よりも、これらのソリューションを適切に実装する専門知識を持つ人材が不足しています。

とはいえ、これらの課題は障害としてではなく、テクノロジーの適切な管理と実装を促すものととらえるべきです。

トレーニングであれプロンプトであれ、LLMに入力されるデータは、鮮度よく、適切にラベル付けされ、偏りのない高品質なデータであるべきです。トレーニングデータは、顧客が積極的に共有するゼロ・パーティデータ、あるいは企業が直接収集するファースト・パーティデータであるべきです。また、個人情報や専有データを保護するために、企業はセキュリティ規格を実装する必要があります。最後に、インコンテキスト学習のために取得されたデータにアクセスができることを保証するため、データの共有範囲も適切に設定されていなければなりません。​

生成AIチャットボットのアウトプットは、正確であるのみならず、説明可能であり、企業のブランドに沿ったものでなければなりません。モデルがセンシティブなデータや危害を加えるような言葉に反応しないように、また、範囲外の質問を拒否するように、ガードレールを設置することができます。回答時に不確実性を伝えたり、検証用の情報源を提供することもできます。

最後に、生成AIチャットボットは継続的にテストを行い、また人間の監督を受けねばなりません。企業は倫理的なAIに投資し、遵守すべき最低限の基準を策定する必要があります。そして、定期的なフィードバックを収集し、従業員にトレーニング機会を提供するべきです。

セキュリティへの影響

このトレンドで既に議論されている数々のセキュリティ問題において、企業はAIアドバイザーがユーザーデータ動向をどのように変えるかについても考慮すべきです。

私たちは今、検索体験を再創造し、企業と顧客の間の信頼を回復する機会を得ています。

企業はデジタル・アドバイザーを通じて、自社のデータとナレッジを保管、保護、分析し、顧客に直接提供する、といったように自社の情報管理者として行動することが可能です。しかし、これには大きな責任を伴います。データを確実に保護しながら、アドバイザリー・サービスにおいて信頼性の高い回答を提供する必要があります。結果として、検索プロバイダーを通じた情報交換がなくなり、企業は信頼できるインサイトを直接提供し、顧客の信頼を取り戻すことができるという機会を得るのです。

結論

生成AIはデータとソフトウェア領域における究極のゲームチェンジャーです。LLMは人間と情報の関係性を変えつつあり、企業が顧客にアプローチする方法から、従業員やパートナーの潜在能力を最大化する方法まで、あらゆることが変革されようとしています。リーダー企業は既に、次世代のデータ駆動型ビジネスの理想像を模索し、その構築に着手し始めています。そして近い将来、リーダー企業のみならず、あらゆる企業、ビジネスにおいてこの新しいデジタルビジネスが機能することになるでしょう。