AI で自動化 ROI を最大化：プレイブック (パート 2)

ロボティックプロセスオートメーション (RPA) は始まりに過ぎません—それは基盤であり、自動化プログラムの目的地ではありません。

パート 1 では、自動化プログラムと貴社が AI 対応かどうかをテストする方法を学びました。この投稿では、現場レベルであなたと自動化チームが AI をどう実装するか、詳細に掘り下げます。

AI モデルは、自動化プログラムの促進剤かつ乗数です。

ロンドン大学経済学部 (LSE) 経営学部のレスリー・ウィルコックス教授（テクノロジー、労働、グローバリゼーション教授）によるケーススタディによると、RPA 投資の初年度 ROI は 30%～200% の範囲です。UiPath のお客様の中には、わずか 1 ヶ月で ROI 達成（DHL Global Forwarding, Freight）、2:1 の ROI 達成（Postbank）などの事例があります。

リターンは始まりに過ぎません：企業は生産性向上、従業員エンゲージメント改善、エラー削減といったメリットを見出しています。では、認知インテリジェンスを自動化スイートに追加したら何ができるか想像してみてください。エラーハンドリング？例外処理？ヒューマンインザループ？ AI が助けになります。

AI プレイブックに関するウェビナー（AI サミット開催中）で、dentsu international の米州オートメーション責任者ブライアン・クロチコフ氏が私と共に、AI モデルを自動化プログラムに追加することで如何に価値を解き放ち創造できるかを説明しました。

AI 実行サポート計画を設計する

この連載のパート 1 では、AI を神秘化せず人々を可能性に惹きつける方法、AI への投資ケースを示す方法を紹介しました。ステークホルダーを説得したら、そのモメンタムを無駄にしたくありません。以下の要素で構成される実行計画で準備万端にしましょう。

AI ガバナンスと倫理

AI のガバナンスと倫理は比較的新しい分野なので、前進の道はよく踏み固められていません。多くの企業と政府機関が、特に倫理的考慮に関連して、ガバナンスがどうあるべきかをまだ模索しています。

大部分において、典型的なセンターオブエクセレンス (CoE) ガバナンスモデルが、RPA と同様に AI でも機能します。RPA CoE にも重要な鍵は、アカウンタビリティ、透明性、公平性のルールを構築することです。

例えば、モデルとデータから系統的なバイアスをどう避けるか？決定を人間、ロボット、またはその混合にトレースバックできるコントロールポイントが必要です。この実行サポート計画の部分には、データプライバシーとサイバーセキュリティに関するルールも含まれます。

ガバナンスと倫理をトップに置いたのは、AI を実行するチームの専念した努力としてガバナンスと倫理が最優先でなければならないからです。それ以下では、貴社が負いたくないリスクを生みます。

運用モデル

自動化運用モデルについては複数回記事にしてきました：

設計のメリット
チーム構築時の考慮事項
フル自動化ポテンシャルへの最適化

AI に関しては、運用モデルの核心はクロスファンクショナルチームでなければなりません。このチームには、ビジネス、データ分析、RPA、サポートサイドの人材が含まれます。サイロがないよう運用モデルを設計することが重要です。相互作用チャネルは効率的で、コラボレーションの機会が豊富であるべきです。

早期に、モデルを社内で構築するか、事前構築済みモデルを使用するかを決定します。この決定はインフラ要件とリソースに影響し、次の 2 セクションで説明します。

理想的には、運用モデルは、新技術の出現と導入能力に応じて統合できる構造を持ちます。統合と導入は、ソフトウェア開発ライフサイクル (SDLC) の現実とガバナンスの要求の中で機能しなければなりません。

dentsu では、クロチコフ氏によると、「運用モデルをこれらすべてを包むラッパーと見なしています。」そのため、包括的なドキュメントを作成し、社内イントラネットで透明性を持って公開しています。「人々が私たちの取り組みと、どう関われるかを理解できます。」

インフラストラクチャとサポート

ガバナンスと運用を決めたら、インフラについて考えます。AI プラットフォームをオンプレミス、エアギャップ、クラウドのどこでホストするか？マシンをどこに立てるか？ AI モデルを動かすデータをどうホストするか？ここでトレーニング方法も決めます。

これらの決定により、リードタイム、必要な労力、予算がすべて変わるので、慎重に決めてください。

リソーススキル

インフラが決まったら、現在のリソースのスキルレベルとスキルギャップを評価します。コアリソースは、AI を RPA に適用するためにアップスキルできる RPA 開発者です。データサイエンティストも重要な役割を果たし、理想は RPA 開発者とデータサイエンティストが緊密に連携するチームです。

前の決定に応じて、既存社員のアップスキルで対応できる可能性がありますが、外部採用も慎重に検討してください。望む結果を得るにはリソースのミックスが必要です。

dentsu は、CoE に関わるチームメンバーのペルソナを作り、持っているスキル、目指すもの、保有資格を整理しました。クロチコフ氏は彼らの仕事が「クロスファンクショナルコミュニティ」に結実することを見込んでいます。dentsu は、ガバナンスによって管理される学習パスを作り、従業員が現在のスキルセットを拡張できるようにしたいと考えています。

クロチコフ氏は「テクノロジーがこんな速度で進化しているので、自分の知識を追いかけるのが難しいこともある」と強調します。週に少なくとも一度は立ち止まり、チームにリリースノート、ウェビナー、ホワイトペーパーをキャッチアップする時間を与えることを推奨します。「私たちも常にそうしていたわけではなく、その結果、ソリューションに組み込めたはずの機能を逃したことがあります。」とクロチコフ氏は警告します。

既存の RPA プログラムに AI を統合する

実行サポート計画が稼働したら、統合を開始できます。AI 統合の鍵は二つ：RPA とデータ分析の CoE を連携させ、ソフトウェア開発サイクルを AI を含むよう調整することです。

2 つの CoE のコラボレーションを促進する

CoE は 2 つのモデルのいずれかに分類され、それぞれ異なるコラボレーション戦略が必要です。

個別 CoE モデルでは、個別の RPA とデータ分析 CoE が異なる部門に報告します。一般的に、CoE は別々に独立して機能します。

より大きなコラボレーションを達成するには、RPA CoE がデータ分析 CoE に積極的に働きかけます。共に、シナジーによってメリットを得られるビジネスユースケースを見つけられます。これにはデータ分析チームに RPA を説明する必要があるかもしれませんが、相互理解のメリットは計り知れません。

単一 CoE モデルでは、単一の CoE がすべての自動化技術を取り込み、通常は最高デジタル責任者や最高自動化責任者という 1 人のリーダーに報告します。CoE リーダーはこの統合を活用し、自動化を命令として CoE に集中させられます。

すべての組織に正しい単一モデルはありません。それぞれのモデルの長所と短所を、貴社の目標と自動化ジャーニーの段階と共に天秤にかけ、どのモデルが最適か判断する必要があります。

しかし時間とともに、企業がより多くの自動化技術を追加するにつれ、個別 CoE モデルは単一 CoE モデルへ進化する傾向があります。

価値を実証し、リーダーと運営責任者に明確に伝えることで、AI がいかにヒューマンインザループの課題を緩和し、自動化が「より複雑な問題」に取り組む能力を拡張できるかを説明できました。

企業が AI と自動化技術のポートフォリオを持つようになると、それらを調和させる方法を自然に考え始めます。

ソフトウェア開発ライフサイクル (SDLC) を調整する

個別 CoE モデルを使用している場合、SDLC を最高効率で運用するには両 CoE のオーケストレーションが必要です。一般的に両技術は同じ SDLC に従いますが、微妙なニュアンスの違いが最適なオーケストレーションを変えます。AI を受け入れる構造を導入するには、以下の 6 コンポーネントに焦点を当てます。

Identify（特定）：テクノロジーソリューションではなく、ビジネス問題から始める。RPA、データサイエンティスト、ビジネスユーザーを集める—理想は同じ部屋で—AI ソリューションに適した問題を特定する。RPA と UiPath AI Center が手元の問題を解決するかどうかをまず判断する。AI Center が適していると判断したら、ML モデルが何を解決すべきかを決める。
Design（設計）：AI のレイヤー化には設計配慮が必要。設計を始める際、ML 追加により RPA 開発者が RPA ソリューションをどう異なる設計すべきか判断する。また、データチームが ML モデリングに必要なデータ準備を何であるか確認する。
Develop（開発）：この段階で、RPA とデータサイエンティストチームがそれぞれの DevOps ポリシーと手順に従う限り、個別のコンポーネントを作成できるよう分岐させる。データ分析 CoE と RPA CoE の間で必要なオーケストレーションレベルを決定する。エンドツーエンドのワークフローで、一方の技術の入力が如何に次の技術の出力を生むかを知る。
Test（テスト）：ユーザー受け入れテスターと CoE が、SDLC の各段階で何を期待すべきか知っていることを確認する。RPA は明確なのでテストは明確—パスかノットパスか。ML は漸進的改善なので、モデルには時間とともに向上する信頼度閾値が含まれる。
Deploy（展開）：モダンな自動化技術の進歩で AI Ops が過去より容易に。RPA CoE が AI モデルの AI Center への展開を担当するか決定する。展開チェックリストを更新し、チェックが整っていることを確認する。実際の展開行為は今やかなりシンプル。
Maintain（維持）：チームが外部変更の影響をどう緩和・管理するか、展開後どのチームが AI モデルを維持するかを決定する。RPA ではロボットが動いているか誰でもわかるが、ML モデルが「間違った」決定をしているか判断するのは難しい。信頼度を追跡し、閾値を下回ったらアラートを出すダッシュボードの作成が必要かもしれない。

RPA と AI の SDLC は多くの共通点がありますが、違いが違いを生みます。