サプライチェーンにおけるAI：真の成果を出すための6大障壁と克服策

人工知能（AI）は、ほぼすべてをより良い方向に根本的に変える可能性を秘めています。そのインパクトは、電気など私たちの生活を豊かにした汎用技術と匹敵するでしょう。自律走行車両（船舶や航空機を含む）のテストケースなど、その影響の初期兆候はすでに現れており、メリットは単なる省力化にとどまりません。

例えば、海難事故の最大90%が人的ミスに起因するとされており、AIはこれらを大幅に削減できる可能性があります。車車間通信（V2V）により、車両は位置、速度、方位などの重要データを共有できます。この情報は、死角にある潜在的な脅威や衝突、二輪車や自転車など視認しにくい車両の存在を、ドライバーや自律システムに警告するために使用できます。V2VとAIの組み合わせにより、他車両との予測される問題や衝突、その他の交通ハザードに対してドライバー、パイロット、船長にプロアクティブに警告することで、衝突と渋滞を削減できます。

生産性、イノベーション、世界経済成長におけるAIのメリットも同様に大きいです。マッキンゼー・アンド・カンパニーは、AIの導入により「2030年までに約13兆ドルの追加的な世界経済活動を生み出す可能性があり、これは現在比で累積GDPを約16%押し上げる、年間1.2%の追加GDP成長に相当する」と推定しています。PwCの試算はさらに高く、15兆ドルを超えます。

この潜在力を前に、AIに浮かれ、企業が導入と効果的活用で直面する主要な問題を無視しがちです。以下に課題と解決策を示します。

大量のクリーンなデータの不足

すべての計算プロセスには良質なデータが必要であり、AIも例外ではありません。特に機械学習（ML）は、アルゴリズムの訓練と予測モデルの開発に、大量の正確なデータを必要とします。しかし、ほとんどの企業は、これを達成するためのデータの質も量も備えていません。

企業は、効果的なマスターデータ管理を通じて、また可能な限りリアルタイムデータをプロセスとシステムに取り込むことで、データ品質を向上させる必要があります。リアルタイムのマルチパーティ・デジタルビジネスネットワークは、「単一の真実のバージョン」を維持しながら外部システムを継続的に同期し、企業が常に最も完全で最新の情報で運営できるようにします。

組織はまた、類似のシナリオや企業からの大量データを活用する、事前訓練済みのMLベースアルゴリズムを備えたソリューションの利用も検討すべきです。膨大な取引量を持つデジタルビジネスネットワークは、十分に訓練されたアルゴリズムとインテリジェントエージェントを迅速に磨き上げ、ネットワークの新規メンバーがそれらを活用できるようにします。

サイロ化されたAIは非知能的AI

サプライチェーンは本質的にクロスファンクショナルかつクロスエンタープライズであり、運営に必要なデータは社内外のパートナーに分散しています。 全体像を無視して断片的にAIを導入しようとする企業は、不十分な結果しか得られません。 関連データすべてにアクセスできなければ、アルゴリズムには盲点が残り、最適化と実行の機会を逃し続けます。

企業は、可能な限り多くの関連システム、運営、取引パートナーを含め、データの正確性、文脈、完全性を強化すべきです。 目標は、ソースからエンドカスタマーまで、サプライチェーン全体をリアルタイムネットワークに接続することです。 サプライチェーン全体をカバーするソリューションのみが、需要と供給の全体像を監視することで、在庫レベルや物流管理といった重要な運営を完全に最適化できます。

ブラックボックス対説明可能なAI

スコアカードや決定木などの特定のML手法は理解しやすいですが、ニューラルネットワークはより複雑で不透明です。 それがどのように意思決定に至ったかわからない場合、そのデータに基づいて行動したり、システムに自律的な行動を許可したりすべきでしょうか。

アマゾンがAIを採用採用に活用した実験は、システムが男性採用に強いバイアスを持っていることが判明し、失敗に終わりました。 これはアルゴリズムが圧倒的に男性のデータで訓練されていたためです。 AIは結果として、女子大出身者を低く評価し、性別のみに基づくその他の不適切な判断を下しました。

AIは、その入力、プロセス、意思決定において透明である必要があります。 企業は、アルゴリズムがどのように機能し、どう意思決定し、どう価値を創造・分配するかを、少なくとも本質的なレベルで知る必要があります。 理想的には、システムが意思決定の理由を明示し、ユーザーが自律エージェントの決定を閲覧、承認、上書きできるようにすべきです。 また、企業がアルゴリズムを自社ニーズに合わせて調整できることも重要です。

短絡的な最適化

すべてのプロセスと変更にはコストが伴います。 これが意思決定に織り込まれていないと、何もしない場合より悪い結果を招くことがあります。 多くのパートナーとシステムで構成されるサプライチェーンでは、行動の長期的影響を見失いがちです。 多くのソリューションは、サプライチェーン全体を再計画することでシステムに「ナーバスネス（神経質な変動）」を生み、軽微またはより局所的な変更で済む場合でも、大きく不要な変更とコストを発生させるという罠に陥ります。

この問題を回避するには、最適化を断続的ではなく継続的に行い、影響を受けるエンティティを最小限に抑えてネットワークへの混乱を最小化すべきです。 オートパイロットの航空機のように、継続的な微細な針路修正が条件変化を補正し、機体を正確な航路上に維持します。 対照的に、旅程末期に大きくコースアウトしてから大規模な経路変更を行うのは得策ではありません。 これらの継続的な微調整が積み重なり、サプライチェーン全体に衝撃波を与えることなく大きな改善をもたらします。

過度に熱心なAIベンダー

多くのソフトウェアベンダーがAIブームに便乗しています。 その定義が曖昧で、領域が不明確で広大であることを考えると、これは理解できます。 「機械学習」はより明確に定義された用語であり、人々が「人工知能」と言うときに多くの場合意味するものです。

それでもベンダーは、「人工知能」「機械学習」「ニューラルネットワーク」「ディープラーニング」などの用語を使う際に、何を意味するのかを明確に説明する必要があります。 最も重要なのは、彼らのAIが、従来のヒューリスティックアルゴリズムよりもいかに多くのビジネス価値を提供するかを示すことです。 どう機能するのか？ システムと企業を横断し、ネットワーク全体とそのすべての条件・制約を包含しているのか？ それとも一部の機能やドメインに限定されているのか？ 誰が使っており、どんな成果を上げているのか？

AIスキルギャップ

多くの企業が、AIの急速な進化と実用性の高まりに追いつけていません。 AIには、新しい言語、フレームワーク、思考法など、モダンなスキルが必要だからです。 この移行を処理し、この急速に発展する分野を完全に活用できる体制が整っている企業はほとんどありません。 2018年のO'Reilly調査によれば、AIスキルギャップがAI導入の最大の障壁となっています。

長期的には市場がスキル不足を解消するでしょうが、それまで企業は自社のニーズと潜在的な新規採用を特定し始めるべきです。 既存社員のトレーニング、MLとAIテクノロジーへのシフトを支援するインセンティブと新たなキャリアパスの提供も検討すべきです。

もう一つの選択肢は、ネットワーク、リソース、専門知識を備え、AIソリューションやAI搭載プラットフォームの助言、導入、維持を行えるテクノロジー企業と提携することです。 後者により、企業はより迅速に着手し、早期に成果を実現できます。

ナイジェル・ダックワースは、AI搭載ビジネスネットワークを提供するOne Network Enterprisesのシニアストラテジストです。