すべての CEO が生成 AI について知っておくべきこと

Nov 13, 2023

興奮の中で ChatGPT、Bard、Claude、Midjourney、その他のコンテンツ作成ツールのリリース以来、生成 AI を取り巻く状況で、CEO が疑問に思っているのは当然です。「これはテクノロジーの誇大広告なのか、それとも状況を一変させるチャンスなのか?」 後者である場合、私のビジネスにとっての価値は何でしょうか?

この記事は、Michael Chui、Roger Roberts、Tanya Rodchenko、Alex Singla、Alex Sukharevsky、Lareina Yee、Delphine Zurkiya による共同作業であり、McKinsey Digital Council の一部である McKinsey Technology Council および McKinsey の AI QuantumBlack からの意見を代表しています。 。

ChatGPT の公開バージョンは、わずか 2 か月で 1 億ユーザーに達しました。 これまでにない方法で AI を民主化し、これまでで最も急速に成長したアプリになりました。 すぐに使えるアクセシビリティにより、生成 AI はそれ以前のすべての AI とは異なります。 ユーザーが機械学習を操作したり、そこから価値を引き出したりするために、機械学習の学位は必要ありません。 質問できる人ならほぼ誰でも利用できます。 また、パーソナル コンピューターや iPhone などの他の画期的なテクノロジーと同様に、1 つの生成 AI プラットフォームから、インターネットにアクセスできるあらゆる場所で、あらゆる年齢や教育レベルの視聴者に向けた多くのアプリケーションを生み出すことができます。

これらすべてが可能になるのは、生成 AI チャットボットが基礎モデルを利用しているためです。基礎モデルは、テキストや音声など、さまざまな形式の膨大な量の非構造化、ラベルなしのデータでトレーニングされた拡張的なニューラル ネットワークです。 基礎モデルは幅広いタスクに使用できます。 対照的に、前世代の AI モデルは「範囲が狭い」ことが多く、顧客離れの予測など、1 つのタスクしか実行できませんでした。 たとえば、ある基盤モデルでは、量子コンピューティングに関する 20,000 ワードの技術レポートの概要を作成したり、伐採事業の市場投入戦略を草案したり、誰かの冷蔵庫にある 10 種類の材料について 5 つの異なるレシピを提供したりできます。 。 このような汎用性の欠点は、現時点では、生成 AI が提供する結果の精度が低い場合があり、AI のリスク管理に改めて注目が集まっていることです。

適切なガードレールが設置されていれば、生成 AI はビジネスに新たなユースケースを生み出すだけでなく、既存のユースケースをスピードアップ、スケールアップ、その他の方法で改善することもできます。 たとえば、顧客への営業電話を想像してみてください。 特別にトレーニングされた AI モデルは、営業担当者にアップセルの機会を提案できますが、これまでは通常、人口統計や購入パターンなど、通話開始前に取得された静的な顧客データのみに基づいていました。 生成 AI ツールは、内部顧客データ、外部市場トレンド、ソーシャル メディア インフルエンサー データから得た、会話の実際の内容に基づいて、販売員にアップセルの機会をリアルタイムで提案する可能性があります。 同時に、生成 AI は営業担当者が適応してパーソナライズできるセールス トークの初稿を提供することもできます。

前述の例は、ある職務に対するテクノロジーの影響を示しています。 しかし、ほぼすべてのナレッジ ワーカーは、生成 AI と連携することで恩恵を受ける可能性があります。 実際、生成 AI は最終的に一部のタスクを自動化するために使用される可能性がありますが、その価値の多くは、ソフトウェア ベンダーがナレッジ ワーカーが使用する日常ツール (電子メールやワードプロセッサ ソフトウェアなど) にこのテクノロジをどのように組み込むかによって得られる可能性があります。 このようなアップグレードされたツールは生産性を大幅に向上させる可能性があります。

CEO は、今すぐ行動を起こすべきかどうか、行動を起こす必要がある場合はどのように始めるべきかを知りたいと考えています。 人間が生成型 AI アプリケーションを使用して仕事を行う方法を再考することで、競争を飛び越える機会があると考える人もいるかもしれません。 また、大規模な投資を行う前に、いくつかのユースケースを試してさらに学習するなど、注意を払う必要がある人もいます。 企業はまた、生成的 AI のより革新的な実装の一部に必要となる、必要な技術的専門知識、テクノロジーとデータのアーキテクチャ、運用モデル、リスク管理プロセスを自社が備えているかどうかを評価する必要もあります。

この記事の目的は、CEO とそのチームが生成 AI の価値創造事例とその取り組みの始め方について熟考できるようにすることです。 まず、経営幹部が急速に進化する AI の現状と利用可能な技術的オプションをよりよく理解できるように、生成 AI 入門書を提供します。 次のセクションでは、組織の有効性の向上を目的とした 4 つの事例を通じて、企業が生成 AI にどのように参加できるかを見ていきます。 これらの事例は、早期採用者の間で見られるものを反映しており、テクノロジー、コスト、運用モデルの要件にわたる一連のオプションに光を当てています。 最後に、生成 AI で組織を成功に導く上での CEO の重要な役割について取り上げます。

生成 AI に対する興奮は明白であり、経営幹部は当然のことながら、思慮深く意図的なスピードで前進したいと考えています。 この記事がビジネス リーダーに、生成 AI の有望な世界へのバランスのとれた入門書となることを願っています。

生成 AI テクノロジーは急速に進歩しています (図 1)。 リリース サイクル、スタートアップの数、既存のソフトウェア アプリケーションへの迅速な統合は注目に値します。 このセクションでは、生成 AI アプリケーションの幅広さについて説明し、従来の AI との違いを含め、このテクノロジーについて簡単に説明します。

生成 AI を使用すると、作業を自動化、拡張、高速化できます。 この記事では、生成 AI が人間の役割をどのように置き換えるかではなく、生成 AI が仕事を強化する方法に焦点を当てます。

ChatGPT などのテキストを生成するチャットボットが大きな注目を集めていますが、生成 AI は画像、ビデオ、オーディオ、コンピューター コードなどの幅広いコンテンツにわたる機能を実現できます。 また、分類、編集、要約、質問への回答、新しいコンテンツの草稿など、組織内でさまざまな機能を実行できます。 これらの各アクションは、ビジネス機能やワークフロー全体でアクティビティ レベルでの作業の実行方法を変えることで、価値を生み出す可能性があります。 以下にいくつかの例を示します。

テクノロジーが進化し成熟するにつれて、この種の生成型 AI は企業のワークフローにますます統合され、タスクを自動化し、特定のアクションを直接実行することができます (たとえば、会議の終了時に要約メモを自動的に送信するなど)。 この分野ではすでにツールが登場しています。

アプリケーション プログラミング インターフェイス (API)これは、(通常は外部の) モデル、データ セット、またはその他のソフトウェアにプログラムでアクセスする方法です。

人工知能 (AI)これは、従来人間の知性を必要とするタスクを実行するソフトウェアの能力です。

ディープラーニングは、ディープ ニューラル ネットワークを使用する機械学習のサブセットです。ディープ ニューラル ネットワークは、接続された「ニューロン」の層であり、その接続には、トレーニング可能なパラメーターまたは重みが含まれています。 画像、テキスト、音声などの非構造化データから学習する場合に特に効果的です。

微調整事前トレーニングされた基礎モデルを適応させて、特定のタスクのパフォーマンスを向上させるプロセスです。 これには、モデルが最初にトレーニングされたデータ セットよりもはるかに小さい、ラベル付きデータ セットでの比較的短期間のトレーニングが必要になります。 この追加のトレーニングにより、モデルは、より小さなデータセットに含まれるニュアンス、用語、特定のパターンを学習して適応できるようになります。

基礎モデル (FM)は、膨大な量の非構造化、ラベルなしデータでトレーニングされた深層学習モデルであり、すぐに幅広いタスクに使用したり、微調整を通じて特定のタスクに適応したりできます。 これらのモデルの例としては、GPT-4、PaLM、DALL・E 2、安定拡散などがあります。

生成AI通常、基礎モデルを使用して構築される AI であり、コンテンツを生成する機能など、以前の AI にはなかった機能を備えています。 基盤モデルは、以前のモデルに比べて大幅な改善を提供しながら、非生成目的 (通話記録に基づいてユーザーの感情をネガティブまたはポジティブに分類するなど) にも使用できます。 わかりやすくするために、この記事で生成 AI に言及する場合は、すべての基盤モデルのユースケースを含めます。

グラフィックス プロセッシング ユニット (GPU)は、もともとコンピューター グラフィックス (ビデオ ゲームなど) を作成するために開発されたコンピューター チップであり、深層学習アプリケーションにも役立ちます。 対照的に、従来の機械学習やその他の分析は通常、中央処理装置 (CPU)、通常はコンピュータの「プロセッサ」と呼ばれます。

大規模言語モデル (LLM)大量の非構造化テキストを処理し、トークンとして知られる単語または単語の一部の間の関係を学習できる基礎モデルのクラスを構成します。 これにより、LLM は自然言語テキストを生成し、要約や知識の抽出などのタスクを実行できるようになります。 GPT-4 (ChatGPT の基礎となる) と LaMDA (Bard の背後にあるモデル) は LLM の例です。

機械学習 (ML) AI のサブセットであり、モデルが多くのサンプル データ ポイントでトレーニングまたは表示された後に機能を獲得します。 機械学習アルゴリズムは、明示的なプログラミング指示を受けるのではなく、データと経験を処理することによってパターンを検出し、予測と推奨を行う方法を学習します。 アルゴリズムも適応し、新しいデータや経験に応じてより効果的になります。

MLOps AI と ML を拡張して維持するためのエンジニアリング パターンと実践を指します。 これには、ML ライフサイクル全体 (データ管理、開発、デプロイメント、ライブ運用) にわたる一連のプラクティスが含まれます。 これらの実践の多くは、現在、サポート ソフトウェア (タスクの標準化、合理化、自動化に役立つツール) によって有効化または最適化されています。

迅速なエンジニアリング望ましい (つまり、正確な) 出力を生成するように生成 AI モデルを導くために、入力プロンプトを設計、洗練、最適化するプロセスを指します。

構造化データ一部の機械学習モデルを効果的にトレーニングするために使用できる表形式のデータ (たとえば、表、データベース、またはスプレッドシートで編成されたもの) です。

非構造化データ一貫した形式や構造 (テキスト、画像、音声ファイルなど) が欠如しており、通常は洞察を抽出するためにより高度な技術が必要です。

名前が示すように、生成 AI が以前の形式の AI や分析と異なる主な点は、多くの場合、自然には表現されない「非構造化」形式 (テキストや画像など) で新しいコンテンツを生成できることです。行と列を含むテーブル (生成 AI に関連する用語のリストについては、サイドバーの「用語集」を参照)。

生成 AI の動作を可能にする基盤となるテクノロジーは、基礎モデルと呼ばれる人工ニューラル ネットワークのクラスです。 人工ニューラル ネットワークは、人間の脳内で接続されている数十億のニューロンからインスピレーションを得ています。 これらは、ニューラル ネットワーク内の多くの (深い) 層を指す用語であるディープ ラーニングを使用してトレーニングされます。 ディープラーニングは、AI の最近の進歩の多くを支えてきました。

ただし、いくつかの特性により、基礎モデルは前世代の深層学習モデルとは異なります。 まず、非常に大規模で多様な非構造化データのセットを使用してトレーニングできます。 たとえば、大規模言語モデルと呼ばれる一種の基礎モデルは、インターネット上で公開され、さまざまなトピックをカバーする膨大な量のテキストでトレーニングできます。 他の深層学習モデルは大量の非構造化データを操作できますが、通常はより具体的なデータセットでトレーニングされます。 たとえば、モデルを特定の画像セットでトレーニングして、写真内の特定のオブジェクトを認識できるようにする場合があります。

実際、他の深層学習モデルは、そのようなタスクを 1 つしか実行できないことがよくあります。 たとえば、写真内のオブジェクトを分類したり、予測などの別の機能を実行したりできます。 対照的に、1 つの基盤モデルはこれらの機能の両方を実行し、コンテンツも生成できます。 基盤モデルは、取り込んだ広範なトレーニング データからパターンと関係を学習することでこれらの機能を蓄積し、たとえば、文内の次の単語を予測できるようにします。 これが、ChatGPT がさまざまなトピックに関する質問に答える方法と、DALL・E 2 と安定拡散が説明に基づいて画像を生成する方法を示しています。

基礎モデルの多用途性を考えると、企業は同じ基礎モデルを使用して複数のビジネス ユース ケースを実装できます。これは、以前のディープ ラーニング モデルを使用した場合にはほとんど実現できませんでした。 企業の製品に関する情報を組み込んだ基礎モデルは、顧客の質問に答えるためと、製品の更新バージョンを開発するエンジニアをサポートするための両方に使用できる可能性があります。 その結果、企業はアプリケーションを立ち上げ、そのメリットをより早く実現できるようになります。

ただし、現在の基礎モデルの動作方法のため、当然ながらすべてのアプリケーションに適しているわけではありません。 たとえば、大規模な言語モデルは「幻覚」を起こしたり、もっともらしいが真実ではない主張で質問に答えたりする傾向がある可能性があります (補足記事「責任を持った生成 AI の使用」を参照)。 さらに、応答の根本的な理由やソースが常に提供されるとは限りません。 これは、企業は、エラーが害を及ぼす可能性があるアプリケーションや説明可能性が必要なアプリケーションにおいて、人間の監視なしに生成 AI を統合することに注意する必要があることを意味します。 また、生成 AI は、現時点では、大量の表形式データを直接分析したり、高度な数値最適化問題を解決したりするのにも適していません。 研究者はこれらの制限に対処するために懸命に取り組んでいます。

生成型 AI にはさまざまなリスクが伴います。 CEO は、急速に進化する規制要件を満たすためだけでなく、ビジネスを保護し、消費者のデジタル信頼を獲得するために、最初からこうしたリスクを軽減するようにチームとプロセスを設計したいと考えるでしょう (その方法については、この後半で推奨事項を示します) 1Jim Boehm、Liz Grennan、Alex Singla、Kate Smaje、「デジタルの信頼が本当に重要な理由」、マッキンゼー、2022 年 9 月 12 日。

公平性:モデルは、不完全なトレーニング データやモデルを開発するエンジニアによる決定により、アルゴリズムのバイアスを生成する可能性があります。

知的財産 (IP):トレーニング データとモデルの出力は、次のような重大な知的財産リスクを引き起こす可能性があります。著作権、商標、特許、その他法的に保護された素材を侵害すること。 プロバイダーの生成 AI ツールを使用する場合でも、組織はどのようなデータがトレーニングに使用され、それがツールの出力でどのように使用されるかを理解する必要があります。

プライバシー：ユーザーが個人を特定できる形式でモデル出力に含まれる情報を入力すると、プライバシーの問題が発生する可能性があります。 生成 AI は、偽情報、ディープフェイク、ヘイトスピーチなどの悪意のあるコンテンツの作成や拡散にも使用される可能性があります。

安全：生成 AI は、サイバー攻撃の高度化と速度を加速するために、悪意のある者によって使用される可能性があります。 また、悪意のある出力を提供するために操作される可能性もあります。 たとえば、プロンプト インジェクションと呼ばれる手法を通じて、サードパーティがモデルに新しい命令を与え、モデルをだましてモデルの作成者やエンド ユーザーが意図しない出力を配信させます。

説明可能性:生成 AI は数十億のパラメーターを持つニューラル ネットワークに依存しており、与えられた答えがどのように生成されるかを説明する能力に挑戦しています。

信頼性：モデルは同じプロンプトに対して異なる回答を生成する可能性があり、出力の正確性と信頼性を評価するユーザーの能力を妨げます。

組織への影響:生成型 AI は労働力に大きな影響を与える可能性があり、特定のグループや地域コミュニティへの影響は不相応にマイナスになる可能性があります。

社会的および環境的影響:基礎モデルの開発とトレーニングは、炭素排出量の増加を含む、社会的および環境的悪影響をもたらす可能性があります (たとえば、1 つの大規模な言語モデルをトレーニングすると、約 315 トンの二酸化炭素が排出される可能性があります)。2Ananya Ganesh、Andrew McCallum、Emma Strubell 、「NLP におけるディープラーニングのエネルギーと政策の考慮事項」、計算言語学協会第 57 回年次総会議事録、2019 年 6 月 5 日。

基礎モデルは生成 AI の「頭脳」として機能しますが、このテクノロジーのトレーニングと使用をサポートするバリュー チェーン全体が出現しつつあります (図表 2)。1詳細については、「生成 AI バリュー チェーンの機会の探索」 (McKinsey) を参照してください。 2023 年 4 月 26 日。専用のハードウェアは、モデルのトレーニングに必要な広範な計算能力を提供します。 クラウド プラットフォームは、このハードウェアを活用する機能を提供します。 MLOps とモデル ハブ プロバイダーは、組織が基盤モデルを適応させてエンドユーザー アプリケーション内に展開するために必要なツール、テクノロジー、実践方法を提供します。 多くの企業が、企業の顧客のサービス問題の支援など、特定のタスクを実行できるようにする基盤モデル上に構築されたアプリケーションを提供するために市場に参入しています。

最初の基礎モデルのトレーニングには多大な計算リソースが必要であり、改良には人的労力が必要だったため、開発には多額の投資が必要でした。 その結果、それらは主に少数のテクノロジー巨人、巨額の投資に支えられた新興企業、および一部のオープンソース研究集団 (BigScience など) によって開発されました。 ただし、一部のタスクで効果的な結果を提供できる小規模なモデルと、より効率的なトレーニングの両方について作業が進行中です。 これにより、最終的にはより多くの参入者に市場が開かれる可能性があります。 一部の新興企業はすでに独自のモデルの開発に成功しています。たとえば、Cohere、Anthropic、AI21 Labs は独自の大規模な言語モデルを構築してトレーニングしています。

CEO は、生成 AI の探求を「もしかしたら」ではなく「必須」と考えるべきです。 生成 AI は、幅広いユースケースで価値を生み出すことができます。 開始するための経済的および技術的要件は法外なものではありませんが、何もしないことによるマイナス面として、すぐに競合他社に後れを取る可能性があります。 各 CEO は経営陣と協力して、どこでどのようにプレーするかを検討する必要があります。 CEO の中には、生成 AI が自社に変革の機会をもたらし、研究開発からマーケティング、販売、顧客業務に至るまであらゆるものを再考する機会を提供すると判断する人もいるかもしれません。 小規模から始めて、後で規模を拡大することを選択する人もいます。 決定が下されると、ユースケースに応じて、AI の専門家が戦略を実行するために従うことができる技術的な経路が存在します。

組織内での生成型 AI の使用の大部分 (ただし、その価値のすべてが利用できるわけではありません) は、従業員がすでに所有しているソフトウェアに組み込まれている機能を使用することによってもたらされます。 電子メール システムには、メッセージの最初の草稿を作成するオプションが用意されています。 生産性向上アプリケーションは、説明に基づいてプレゼンテーションの最初のドラフトを作成します。 財務ソフトウェアは、財務レポートの注目すべき機能の散文的な説明を生成します。 顧客関係管理システムは、顧客と対話する方法を提案します。 これらの機能により、すべてのナレッジ ワーカーの生産性が向上する可能性があります。

しかし、生成 AI は、特定のユースケースではより変革的な効果をもたらすこともあります。 次に、さまざまな業界の企業が今日どのように生成 AI を使用して組織内での仕事のやり方を再構築しているかを示す 4 つの例を見ていきます。2これらの例は、クライアントの業務から抜粋した事例と公開されている事例を組み合わせたものであり、正確な出来事を 1 つの事例に反映しているものではありません。特定の会社。 例は、最小限のリソースを必要とするものから、リソースを大量に消費する作業まで多岐にわたります。 (これらの例の簡単な比較と技術的な詳細については、図表 3 を参照してください。)

最初の例は、既製の生成 AI ソリューションを使用し、社内でのカスタマイズを必要としないため、生産性がすぐに得られる比較的複雑度の低いケースです。

ソフトウェア エンジニアの仕事の最も大きな部分はコードを書くことです。 これは、広範な試行錯誤と私的および公的文書の調査を必要とする労働集約的なプロセスです。 この会社では、熟練したソフトウェア エンジニアが不足しているため、機能やバグ修正のリクエストが大量に残されています。

エンジニアの生産性を向上させるために、同社はエンジニアがコーディングに使用するソフトウェアと統合する AI ベースのコード補完製品を導入しています。 これにより、エンジニアは自然言語でコードの説明を書くことができ、AI はその説明を満たすコード ブロックのいくつかのバリエーションを提案します。 エンジニアは AI の提案の 1 つを選択し、必要な調整を行って、それをクリックしてコードを挿入できます。

私たちの調査によると、このようなツールを使用すると、開発者のコ​​ード生成が 50% も高速化できることがわかりました。 デバッグにも役立ち、開発された製品の品質が向上する可能性があります。 しかし現在、生成 AI は熟練したソフトウェア エンジニアに取って代わることはできません。 実際、経験の豊富なエンジニアはツールから生産性の最大のメリットを享受しているようですが、経験の浅い開発者はあまり印象に残らない、場合によっては否定的な結果しか得られません。 既知のリスクとして、AI によって生成されたコードには脆弱性やその他のバグが含まれる可能性があるため、コードの品質とセキュリティを確保するにはソフトウェア エンジニアが関与する必要があります (リスクを軽減する方法については、この記事の最後のセクションを参照してください)。

この既製の生成 AI コーディング ツールのコストは比較的低く、製品が入手可能で大規模な社内開発が必要ないため、市場投入までの時間が短くなります。 コストはソフトウェアプロバイダーによって異なりますが、固定料金のサブスクリプションはユーザーあたり月額 10 ドルから 30 ドルの範囲です。 ツールを選択するときは、生成されたコードが違反にならないように、ライセンスおよび知的財産の問題に​​ついてプロバイダーと話し合うことが重要です。

新しいツールをサポートしているのは、ソフトウェアプロバイダーの選択とパフォーマンスの監視に重点を置いた小規模な部門横断型チームであり、これには知的財産とセキュリティの問題のチェックも含まれます。 実装にはワークフローとポリシーの変更のみが必要です。 このツールは純粋に既製のサービスとしてのソフトウェア (SaaS) であるため、追加のコンピューティングおよびストレージのコストは最小限であるか、まったくかかりません。

企業は、既製のツールを使用する代わりに、基盤モデル (API またはオープン モデル経由) を活用して、独自の生成 AI アプリケーションを構築することを決定する場合があります。 これには、前の例よりもさらにステップアップした投資が必要ですが、企業固有のコンテキストとニーズを満たすために、よりカスタマイズされたアプローチが容易になります。

この例では、大手銀行が生成 AI を使用してリレーションシップ マネージャー (RM) の生産性を向上させたいと考えています。 RM は、クライアントの状況と優先事項についての情報を常に得るために、年次報告書や決算報告のトランスクリプトなどの大量の文書を確認するのにかなりの時間を費やします。 これにより、RM はクライアントの特定のニーズに適したサービスを提供できるようになります。

この銀行は、API を通じて基盤モデルにアクセスするソリューションを構築することにしました。 このソリューションは文書をスキャンし、RM からの質問に対して総合的な回答を迅速に提供できます。 基盤モデルの周囲に追加のレイヤーが構築され、ユーザー エクスペリエンスを合理化し、ツールを企業システムと統合し、リスクとコンプライアンスの管理を適用します。 特に、一部の大規模な言語モデルは幻覚を起こすことが知られているため、組織が若手アナリストの出力をチェックするのと同じように、モデルの出力を検証する必要があります。 RM はまた、ソリューションから最も正確な回答が得られる方法 (プロンプト エンジニアリングと呼ばれる) で質問するように訓練されており、ツールの出力と情報ソースの検証を合理化するためのプロセスが導入されています。

この場合、生成 AI は RM の分析プロセスを (数日から数時間) スピードアップし、仕事の満足度を向上させ、RM が見落としていた可能性のある洞察を獲得できる可能性があります。

開発コストのほとんどはユーザー インターフェイスの構築と統合から発生し、データ サイエンティスト、機械学習エンジニアまたはデータ エンジニア、デザイナー、フロントエンド開発者の時間がかかります。 継続的な費用には、ソフトウェアのメンテナンスと API の使用コストが含まれます。 コストは、モデルの選択とサードパーティ ベンダーの料金、チームの規模、および最小限の実用的な製品が完成するまでの時間によって異なります。

次のレベルの洗練は、基礎モデルの微調整です。 この例では、企業は会話用に最適化された基礎モデルを使用し、独自の高品質な顧客チャットと分野固有の質問と回答に基づいてそれを微調整します。 同社は、専門用語を使用する分野 (法律、医学、不動産、金融など) で事業を展開しています。 迅速な顧客サービスは競争上の差別化要因となります。

この会社の顧客サポート担当者は、1 日に数百件の問い合わせに対応しています。 応答時間が長すぎることがあり、ユーザーの不満を引き起こしていました。 同社は、顧客のリクエストのほとんどを処理するために、生成型 AI カスタマー サービス ボットを導入することを決定しました。 目標は、企業のブランドと顧客の好みに合わせたトーンでの迅速な対応でした。 基礎モデルの微調整とテストのプロセスの一部には、応答がドメイン固有の言語、ブランドの約束、企業のトーンセットと一致していることを確認することが含まれます。 顧客満足度など、さまざまな側面にわたってシステムのパフォーマンスを検証するには、継続的なモニタリングが必要です。

同社は、潜在的なモデルエラーを最小限に抑えるために、いくつかのウェーブで構成される製品ロードマップを作成しました。 最初の波では、チャットボットが社内で試験運用されました。 従業員はモデルの提案に対して「賛成」または「反対」の回答を返すことができ、モデルはこれらの入力から学習することができました。 次のステップとして、モデルは顧客サポートの会話を「聞き」、提案を提供しました。 テクノロジーが十分にテストされると、第 2 の波が始まり、モデルは人間が関与する顧客対応のユースケースに移行しました。 最終的に、リーダーがテクノロジーに完全な自信を持てば、テクノロジーを大幅に自動化できるようになります。

この場合、生成 AI によってサービス担当者はより価値の高い複雑な顧客問い合わせに集中できるようになり、担当者の効率と仕事の満足度が向上し、サービス水準と顧客満足度が向上しました。 このボットは顧客に関するすべての内部データにアクセスでき、以前の会話 (電話を含む) を「記憶」することができ、現在の顧客チャットボットからの大きな変化を表しています。

このユースケースでメリットを享受するには、ソフトウェア、クラウド インフラストラクチャ、技術人材への多大な投資と、リスクと運用における高度な内部調整が必要でした。 一般に、基盤モデルの微調整には、API 上に 1 つ以上のソフトウェア層を構築する場合の 2 ～ 3 倍のコストがかかります。 クラウド コンピューティング (セルフホスト モデルを微調整する場合) または API (サードパーティ API 経由で微調整する場合) の人件費とサードパーティのコストが、コストの増加の原因となります。 このソリューションを実装するには、同社は DataOps と MLOps の専門家からの支援に加え、製品管理、設計、法務、顧客サービスの専門家などの他の部門からの意見も必要としていました。

最も複雑でカスタマイズされた生成 AI のユースケースは、適切な基盤モデルが利用できず、企業が基盤モデルを最初から構築する必要がある場合に現れます。 この状況は、この製薬の例が示すように、特殊な分野や、既存の基礎モデルのトレーニングに使用されるデータとは大きく異なる独自のデータセットを扱う場合に発生する可能性があります。 基礎モデルをゼロからトレーニングすると、技術的、エンジニアリング的、リソース的に大きな課題が生じます。 より高性能なモデルを使用することで得られる追加の投資収益率は、財務コストや人的資本コストを上回るはずです。

この例では、製薬会社の創薬部門の研究者は、顕微鏡画像に基づいて次にどの実験を実行するかを決定する必要がありました。 彼らは、これらの画像数百万枚のデータセットを持っていました。これには、創薬に関連するが人間には解釈が難しい細胞の特徴に関する豊富な視覚情報が含まれていました。 画像は潜在的な治療候補を評価するために使用されました。

同社は、研究開発の取り組みを加速するために、科学者が薬品化学と記録された顕微鏡検査の結果との関係を理解するのに役立つツールを作成することを決定しました。 このようなマルチモーダル モデルはまだ初期段階にあるため、同社は代わりに独自のモデルをトレーニングすることにしました。 モデルを構築するために、チーム メンバーは、画像ベースの基礎モデルをトレーニングするために使用される現実世界の画像と、大規模な内部顕微鏡画像データ セットの両方を使用しました。

トレーニングされたモデルは、どの薬剤候補が好ましい結果につながる可能性があるかを予測し、創薬に関連する細胞の特徴を正確に特定する能力を向上させることによって付加価値をもたらしました。 これにより、創薬プロセスがより効率的かつ効果的になり、価値実現までの時間が短縮されるだけでなく、不正確な分析、誤解を招く分析、または失敗した分析の数も削減されます。

一般に、モデルを最初からトレーニングする場合、モデル API を中心にソフトウェアを構築する場合に比べて、10 倍から 20 倍のコストがかかります。 チームが大規模になり (博士レベルの機械学習の専門家など)、コンピューティングとストレージの支出が増えると、コストの差が生じます。 基礎モデルのトレーニングにかかる​​予想コストは、必要なモデルのパフォーマンス レベルとモデリングの複雑さに応じて大きく異なります。 これらの要因は、必要なデータ セットのサイズ、チーム構成、およびコンピューティング リソースに影響を与えます。 この使用例では、エンジニアリング チームと継続的なクラウド費用がコストの大部分を占めています。

同社は、モデルをトレーニングするための多くの GPU インスタンスへのアクセス、トレーニングを多くのシステムに分散するツール、コストとプロジェクト期間を制限するためのベスト プラクティス MLOps など、技術インフラストラクチャとプロセスの大幅な更新が必要であることに気付きました。 また、収集、統合 (異なるデータ セットのファイルが同じ形式と解像度であることの確認)、クリーニング (低品質データのフィルタリング、重複の削除、配布が意図した内容と一致していることの確認) には、かなりのデータ処理作業が必要でした。使用）。 基礎モデルはゼロからトレーニングされたため、出力が正確で安全に使用できることを確認するには、最終モデルの厳密なテストが必要でした。

ここで概説した使用例は、生成 AI の旅に乗り出す CEO に強力な教訓を提供します。

CEO は、企業の生成 AI への注力を促進する上で重要な役割を果たします。 この最後のセクションでは、CEO が旅を始める際に念頭に置いておきたい戦略について説明します。 その多くは、これまでの新しいテクノロジーの波に対する上級幹部の反応を反映しています。 ただし、生成 AI には、これまでのテクノロジーの移行では見られなかったスピードで進むテクノロジーの管理など、独自の課題があります。

多くの組織が、サイロ化された実験を通じて従来の AI の可能性を模索し始めました。 生成 AI には、その固有のリスクに関する考慮事項と、組織全体の複数のユースケースを支える基盤モデルの機能を考慮すると、より慎重で調整されたアプローチが必要です。 たとえば、企業のブランド アイデンティティを反映するために独自のマテリアルを使用して微調整されたモデルは、いくつかのユース ケース (たとえば、パーソナライズされたマーケティング キャンペーンや製品説明の生成) や、製品開発やマーケティングなどのビジネス機能にわたって展開できます。

そのために、会社のリーダー (たとえば、データ サイエンス、エンジニアリング、法務、サイバーセキュリティ、マーケティング、デザイン、その他のビジネス部門を代表する) からなる部門横断的なグループを招集することをお勧めします。 このようなグループは、最も価値の高いユースケースを特定して優先順位を付けるのに役立つだけでなく、組織全体で調整された安全な実装を可能にすることもできます。

Generative AI は、組織の運営方法を変革できる強力なツールであり、バリュー チェーン内の特定のビジネス ドメイン (小売業者のマーケティングやメーカーの業務など) に特に影響を与えます。 生成型 AI の導入が簡単なため、組織はビジネス全体の散発的なユースケースに生成型 AI を適用する傾向にあります。 ビジネス機能全体にわたって最も大きな変革の可能性がある、ドメインごとの一連のユースケースについての視点を持つことが重要です。 組織は、他の従来の AI アプリケーションと同期して動作する生成 AI によって実現される目標の状態を再考し、これまで不可能だったかもしれない新しい作業方法を検討しています。

最新のデータと技術スタックは、生成 AI へのほぼすべてのアプローチを成功させる鍵となります。 CEO は、最高技術責任者に注目して、コンピューティング リソース、データ システム、ツール、モデル (モデル ハブを介したオープンソース、または API を介した商用) へのアクセスに関して必要な技術的能力を会社が備えているかどうかを判断する必要があります。

たとえば、生成 AI の生命線は、特定のビジネス コンテキストや問題に合わせて調整されたデータへの流動的なアクセスです。 データを効果的に調和させ、すぐにアクセスできるようにする方法をまだ見つけていない企業は、生成 AI を微調整して、潜在的に変革をもたらす可能性のある用途をさらに広げることができません。 同様に重要なのは、データ ガバナンスとセキュリティ手順を含むスケーラブルなデータ アーキテクチャを設計することです。 ユースケースによっては、既存のコンピューティングおよびツールのインフラストラクチャ (クラウド プロバイダー経由で調達することも、社内でセットアップすることもできます) のアップグレードも必要になる場合があります。 生成 AI から得られるビジネス価値と競争上の優位性を基盤とした、明確なデータとインフラストラクチャ戦略が重要になります。

CEO は計画段階で行き詰まるのを避けたいと思うでしょう。 新しいモデルやアプリケーションが急速に開発され、リリースされています。 たとえば、GPT-4 は、2022 年 11 月の ChatGPT (GPT-3.5) と 2020 年の GPT-3 のリリースに続き、2023 年 3 月にリリースされました。ビジネスの世界では時間が非常に重要であり、ペースが速いです。生成 AI テクノロジーの性質上、企業はそれを活用するために迅速に行動することが求められます。 経営幹部が安定した動きを続ける方法はいくつかあります。

生成 AI はまだ初期段階にありますが、おそらく「灯台アプローチ」を通じて、生成 AI が企業の運営モデルにどのような影響を与えるかを社内で示すことが重要です。 たとえば、前進するための 1 つの方法は、最前線の従業員が独自の知識ソースを活用して、最も関連性の高いコンテンツを顧客に提供できるようにする「仮想エキスパート」を構築することです。 これにより、生産性が向上し、熱意が生まれ、組織が顧客向けアプリケーションに拡張する前に生成 AI を内部でテストできるようになる可能性があります。

他の技術革新の波と同様に、概念実証疲れや「試験的煉獄」に陥る企業の例も数多くあるだろう。 しかし、隣接するユースケースに拡張する前に、価値のあるビジネスケースを迅速にテストして改良するには、概念実証を奨励することが依然として最良の方法です。 有意義な結果をもたらす早期の成功に焦点を当てることで、企業は勢いを築き、生成 AI の多目的な性質を活用してスケールアウトおよびスケールアップすることができます。 このアプローチにより、企業はより広範な AI 導入を促進し、競争力を維持するために不可欠なイノベーションの文化を生み出すことができる可能性があります。 上で概説したように、部門横断的なリーダーシップ チームは、そのような概念実証が計画的に調整されていることを確認したいと考えています。

4 つの詳細な使用例が示すように、ビジネス リーダーは、価値創造の機会と生成 AI に伴うリスクのバランスを取る必要があります。 当社の最近のグローバル AI 調査によると、半数以上の組織がすでにこのテクノロジを導入しているにもかかわらず、ほとんどの組織は従来の AI に関連するリスクのほとんどを軽減していません。生成 AI は、幻覚傾向などの新しいリスクを提示しながら、トレーニング データに隠されたバイアスを永続させる可能性など、同じリスクの多くに新たな注目を集めています。

その結果、部門横断的なリーダーシップ チームは、生成 AI の使用に関する包括的な倫理原則とガイドラインを確立するだけでなく、潜在的な各ユース ケースによってもたらされるリスクについての徹底的な理解を深めたいと考えるようになります。 組織全体のリスク許容度に適合し、結果として生じるリスクを軽減するための構造が導入されている初期のユースケースを探すことが重要です。 たとえば、小売組織は、マーケティング コンテンツの初期草案の作成や人間が最新情報を把握できるその他のタスクなど、価値はわずかに低いがリスクも低いユースケースを優先する可能性があります。 同時に、企業は、ハイパーパーソナライズされたマーケティング電子メールを自動的に作成して送信するツールなど、より価値が高く、リスクの高いユースケースを確保する可能性があります。 このようなリスクフォワードの実践により、組織は生成 AI を適切に管理し、コンプライアンスを維持するために必要な制御を確立できるようになります。

CEO とそのチームは、企業を責任問題から守るために、消費者データ保護や知的財産権に関する規則など、生成型 AI 規制の最新動向を常に把握したいと考えています。 AI やデータに関しては既に多くの場合同様に、各国は規制に対してさまざまなアプローチを取る可能性があります。 組織は、急速に進化する規制環境と大規模な生成型 AI のリスクに確実に対処できる方法で、プロセス管理、文化、人材管理を調整するための作業アプローチを適応させる必要があるかもしれません。

ビジネスリーダーは、バランスの取れた提携関係を構築し、維持することに重点を置く必要があります。 企業の買収および提携戦略は、ベンダーロックインを防ぐよう注意しながら、さまざまなコンテキストに合わせて調整されたパートナーのエコシステムを構築し、技術スタックのすべてのレベルで生成 AI が必要とするものに対処することに引き続き注力する必要があります。

適切な企業と提携することで、実行を加速することができます。 組織は、すべてのアプリケーションや基盤モデルを独自に構築する必要はありません。 代わりに、生成 AI ベンダーや専門家と提携して、より迅速に行動できるようになります。 たとえば、モデル プロバイダーと提携して特定のセクター向けにモデルをカスタマイズしたり、スケーラブルなクラウド コンピューティングなどのサポート機能を提供するインフラストラクチャ プロバイダーと提携したりできます。

企業は他社の専門知識を活用し、最新の生成 AI テクノロジーを活用するために迅速に行動できます。 しかし、生成 AI モデルは槍の先端にすぎません。価値の創造には複数の追加要素が必要です。

生成 AI を効果的に適用してビジネス価値を高めるには、企業は技術的能力を構築し、現在の従業員のスキルを向上させる必要があります。 これには、企業の優先ユースケースに基づいて必要な能力を特定するためのリーダーによる協調的な取り組みが必要であり、これは技術的な役割を超えて、エンジニアリング、データ、設計、リスク、製品、およびその他のビジネス機能にわたる人材の組み合わせを含む可能性があります。

上記のユースケースで示したように、技術的および人材のニーズは、既製のソリューションの使用から基盤モデルのゼロからの構築まで、特定の実装の性質に応じて大きく異なります。 たとえば、生成モデルを構築するには、企業には博士レベルの機械学習の専門家が必要な場合があります。 一方、既存のモデルや SaaS サービスを使用して生成 AI ツールを開発するには、データ エンジニアとソフトウェア エンジニアが取り組みを主導するのに十分な場合があります。

企業は、適切な人材を雇用することに加えて、既存の従業員を訓練し、教育することを望むでしょう。 プロンプトベースの会話型ユーザー インターフェイスにより、生成 AI アプリケーションが使いやすくなります。 しかし、ユーザーは依然としてプロンプトを最適化し、テクノロジーの限界を理解し、いつどこでアプリケーションをワークフローに適切に統合できるかを知る必要があります。 リーダーは、生成型 AI ツールの使用に関する明確なガイドラインを提供し、従業員にリスクを常に知らせるための継続的な教育とトレーニングを提供する必要があります。 自主的な研究と実験の文化を育むことは、従業員がこれらのツールを効果的に組み込んだプロセスや製品を革新することを奨励することにもなります。

企業は長年にわたって AI への野望を追求しており、多くの企業が新たな収益源、製品の改善、業務の効率化を実現しています。 これらの分野での成功の多くは AI テクノロジーから生まれており、AI テクノロジーは依然として特定の仕事に最適なツールであり、企業はそのような取り組みを拡大し続ける必要があります。 しかし、生成 AI は、さらなる有望な飛躍と新たな可能性の世界を表しています。 このテクノロジーの運用とリスクの足場はまだ構築中ですが、ビジネス リーダーは、生成型 AI の旅に着手する必要があることを認識しています。 しかし、どこからどのように始めればよいのでしょうか? その答えは企業ごと、また組織内でも異なります。 大きく始める人もいるでしょう。 他の人はより小規模な実験を行うかもしれません。 最善のアプローチは、企業の願望とリスク選好度によって異なります。 どのような野心であっても、重要なのは、まず始めて、実際に行動して学ぶことです。

マイケル・チュイマッキンゼー グローバル インスティテュートのパートナーであり、マッキンゼーのベイエリア オフィスのパートナーでもあります。ロジャー・ロバーツパートナーです、Tanya Rodchenkoアソシエイトパートナーであり、ラレイナ・イーマッキンゼーテクノロジー評議会会長のシニアパートナーです。アレックス・シングラ、シカゴオフィスのシニアパートナー、そしてアレックス・スカレフスキーロンドン オフィスのシニア パートナーは、マッキンゼーの AI である QuantumBlack のグローバル リーダーです。デルフィーヌ・ズルキヤボストンオフィスのシニアパートナーです。

クレジット: Chris Grava / Darby Films がノードベースのビジュアル プログラミング言語を使用して作成したビデオ