日本企業が生成AIを業務で使いこなす方法

TL;DR

日本企業は生成AIを魔法の完成品ではなく、指示、確認、修正を通じて育成する優秀な新入社員として扱うべきである。まず特定の業界や業務に絞った支援ツールとして導入し、人間の承認結果を学習データとして蓄積しながら自動化の精度を高める。

Transcript

アメリカにいると生のスターアップにがどんどんボコボコボコ生まれて日本の方とお話をすると温度感がそこまで高くない。 うん。 生成を使わないっていうのはパソコンが出てきた時にパソコン使えませんってそれを言ってるのにかなり近い感覚だと思うんですよね。多くのビジネスパソの方にとっては好むか好ざるかに関わらず使えるようにならないといけない通路になっちゃうのかなとは思います。偏差値 75 の皆さんの会社に入社する侵入社員だと思ってください。 指示出して教育して研修してあげれば賢い んでですね、何でもできるようになる。 こんにちは。クロスリグの中川です。今日 のワンオンワのテーマはシリコンバレー 投資家が語る生成AIの未来地図です。ま 、ここ最近クロスリグのたくさん扱ってる んですけども、やっぱり最先端の... Read More

Key Insights

• 生成AIは、好みとは関係なく多くのビジネスパーソンに必要となり、使わない選択はパソコンの普及期にパソコンを使えないと表明することに近いとシバタ氏は捉えている。
• AIエージェントは、特定業務を支援するコパイロットから始まり、人間による承認と修正を正解データとして蓄積し、回答精度を段階的に上げることで成立する。
• コパイロットとAIエージェントの境界は明確ではなく、シバタ氏は正答率が6割から7割、8割、9割へ高まる連続的な進化として両者の関係を説明している。
• 業界特化型AIは、企業や業界ごとに必要な知識と学習データが異なるため有望であり、汎用モデルだけでは実務で求められる精度に到達しにくいとされる。
• 日本企業の勝ち筋は、チップ、インフラ、LLMで正面から競うことより、日本固有の制度、業務習慣、現場データを反映した業界特化型アプリケーションにある。
• AIの地域適応では、言語差だけでなく業務習慣の差が重要であり、医療では国ごとに制度や病院の運用が異なるため、その違いを学習させる必要がある。
• 用途特化型ロボットは、生成AIによる画像理解と柔軟な判定を組み合わせることで、従来は人間が担っていた労働環境の厳しい作業を代替できる可能性がある。
• 生成AIは、導入すれば直ちに成果を出す魔法ではなく、優秀な新入社員のように具体的な指示、教育、研修、確認を重ねることで業務能力を伸ばす対象である。
• 🎬 このチャンネルの他の動画:
  • 凡人が新規事業を成功させる実行力の高め方
  • 日本の金利上昇は世界市場にどう波及するか
  • 日銀の追加利上げでドル円相場はどう動くのか？
• 📺 このチャンネル: TBS CROSS DIG with Bloomberg

Questions & Answers

Q: 日本企業が生成AIを業務で使いこなす方法は？

生成AIを優秀な新入社員として扱い、対象業務を限定したうえで、具体的な指示、教育、研修、結果確認を繰り返すことが方法である。最初から完全自動化を求めず、AIが作った回答案を人間が承認または修正し、その履歴を学習に使って段階的に精度を高める。

Q: AIエージェントを導入する最初の手順は？

最初の手順は、特定の業界、職種、タスクに絞ったコパイロットを作ることである。例えばカスタマーサポートなら、AIに回答案を作らせ、人間が送信前に内容を確認する。承認された案と修正された案を蓄積すれば、業務固有の正解データとして改善に利用できる。

Q: AIエージェントとコパイロットの違いとは何ですか？

違いは自律性と実務上の精度にあるが、両者の境界は曖昧である。コパイロットは人間の確認を前提に回答や作業案を提示し、学習を重ねて正答率が高まると、より自律的に業務を遂行するエージェントへ近づく。完全に別の技術ではなく、連続的な進化として捉えられる。

Q: なぜAIエージェントは業界特化型から始めるのか？

業界や企業によって必要な知識、手順、学習データが大きく異なるためである。テレビ局と建設業では、同じカスタマーサポートでも問い合わせ内容や適切な回答が違う。対象を限定すれば、必要な知識を集中的に学習させられ、汎用型より実務で求められる精度へ近づけやすい。

Q: 日本企業に向く生成AIの事業領域は？

日本固有の制度や業務習慣を反映できる業界特化型アプリケーションが有力である。シバタ氏によれば、チップ、インフラ、LLMは既存の大手企業が強く、汎用アプリケーションも大規模な利用者基盤を持つ企業が有利である。そのため、国内現場の知識を生かせる上位レイヤーが狙い目となる。

Q: 生成AIの国内適応で言語以外に重要な要素は？

言語以上に、国や業界ごとの制度と業務習慣が重要である。医療やケアでは、日本語と英語の違いだけでなく、医療制度や病院の運用そのものが国ごとに異なる。実用的なAIにするには、翻訳だけで済ませず、その地域の手順、判断基準、現場知識を追加で学習させる必要がある。

Q: 生成AIとロボットを組み合わせると何ができるのか？

画像を認識し、状況に応じて物理作業を行う用途に活用できる。紹介された例では、リサイクル施設のベルトコンベアをカメラで監視し、ペットボトル以外の物を判定してロボットが取り除く。形が一定でない対象にも柔軟に対応できれば、人手不足や労働環境の厳しい作業の支援につながる。

Q: 生成AIを魔法の道具として扱ってはいけない理由は？

汎用モデルを導入するだけでは、企業固有の知識や業務手順を理解した高精度な処理ができないためである。生成AIには、対象業務の情報を与え、出力を人間が確認し、誤りを修正する運用が必要となる。教育や評価を省けば、コパイロットから信頼できるエージェントへ発展させることは難しい。

Summary & Key Takeaways

• 生成AIの競争は、計算基盤や汎用モデルだけでなく、特定の業界、職種、業務に対応するアプリケーションへ広がっている。シバタ氏によれば、チップ、インフラ、LLMの領域は既存大手が強く、日本企業や新興企業には、国内固有の制度や業務習慣を反映できる業界特化型の領域が有力な選択肢となる。

• AIエージェントは、最初から完全自動で業務を遂行する仕組みとして生まれるわけではない。まず回答案を作るコパイロットを導入し、人間が送信前に承認または修正する。その履歴を正解データとして蓄積し、正答率を6割から7割、8割、9割へ高めることで、徐々にエージェントと呼べる状態へ近づける。

• 日本での活用では、生成AIを偏差値75の新入社員のように捉え、具体的な指示、教育、研修、評価を継続する姿勢が重要である。特に人手不足で労働環境の厳しい業務には適用余地があり、例としてリサイクル施設でカメラとロボットを使い、ベルトコンベア上の異物を判定して除去する用途が紹介されている。