本記事は今話題の生成AIに関して、企業のニーズからその活用ケースと可能性を示します。

はじめに

生成AIは、最近の技術進歩の中で最も話題になっているものの一つです。

従前のAI技術は、学習させたデータから法則性を獲得し、それに従った分類や予測、タスクの実行を行うものでした。対して、生成AIは、プロンプトと呼ばれるテキストによる指示に基づき、学習させたデータと同じような新しいデータを作成することで、人間の創造的プロセスを模倣し、文章や画像・動画から製品の設計図にいたるまで様々なアウトプットを出力します。また、単にデータ生成をするだけでなく、企業のワークフローにおける文脈を認識し、人間のような意思決定を行うことも可能と考えられており、ビジネスのやり方を根本的に変えうるものであるとの評価が広がっています。

生成AIは、人とAIが協創する新しい時代である 「The Age of With」 の到来を告げていると言えます。企業はこれらの先進的なAIシステムをどのように活用すべきでしょうか。本稿では日本企業に見られる生成AIの活用ニーズについて紹介しつつ、生成AIの高度な応用に関しても解説したいと思います。

企業における生成AIの４つの活用

世間一般における生成AIへの注目が集まるにつれて、この強力なツールをビジネスにも適用したいという企業の需要も急速に高まりました。筆者が日々受ける生成 AIに関する相談は、当初、金融業界の企業から多く寄せられました。特に、保険における技術活用をされている方から問い合わせいただくことが多く、金融業界が常に時代の変化に敏感であることを感じさせましたが、現在は生成AIの関心は特定の業界に限らず、産業全般に広がっています。

100を越える多数の問い合わせや相談内容から、生成AIに関する企業のニーズは主に以下4つのケースに分類することができます。

①社内への生成AI基盤の導入と従業員の活用促進

これは、生成AIを用いて従業員や組織の生産性を高めたいという意図での活用です。生成AIの基盤を導入して社員に活用してもらうことで業務の効率性を高めたいとか、または基盤は既に導入済みであるが、利活用が思うように進まないため、ユースケースの作成や活用促進の施策を実行していきたいという内容です。

②生成AIを用いたビジネスシステムの刷新

これは、業務システムを生成AIを使ってアップグレードしたいというケースです。例えば既存のワークフローシステムにおいて画面を開いた時にはもう入力項目が生成AIによって入力済みとなるようにしたいという自動化を進める取り組みや、基幹システムの刷新に当たって生成AIを組み込んだ次世代システムを構想したいというDX戦略等です。

③顧客への価値創出とインタラクションの再定義

一部の企業は、社内における業務やシステムの効率化・高度化だけでなく、顧客接点領域に生成AIを適用する施策を進めています。具体的には、従来のシナリオベースのチャットボットを柔軟な対応を可能にする高度なチャットボットへと切り替える検討や、音声認識と音声合成を組み合わせたAIアバターを開発し、顧客との新しいインタラクションを定義していく動き等です。

④独自の企業版・業界版LLMの開発

より専門的な領域において、独自のLLM（Large Language Model、いわゆる大規模言語モデル）を構築することで、生成AIの活用競争において一歩先んじようと考えてる企業もあります。製造業のR&D分野での活用や、製薬業界での創薬（drug discovery）への適用が代表的な例になります。

生成AIが人口に膾炙し始めた初期の段階においては、企業のニーズとして一つ目のケースである社員の利用を目的とした生成AI基盤の導入や、利用促進のための施策(ワークショップ開催)、またユースケースの作成支援等が主なものでした。ですがニーズも瞬く間に広がりを見せ、二つ目のケースに関する検討を開始する企業も増えてきました。

更に自社内だけでなく、顧客とのインタラクションにまで適用したいとして三つ目のケース、そしてオーダーメイドのLLMを構築する四つ目のケースに着手する企業も出てきました。一つ目のケースから四つ目のケースまでへの一連の関心の拡大は、企業の間で生成 AIの潜在能力に対する理解が深まっていることを示しています。企業の検討と理解が進むにつれて、その適用領域と期待の幅も大きさを増しています。

生成 AIにより業務を効率化して、迅速な結果と具体的な利益を生みだす

近年、DXというキーワードで企業の戦略的な情報化が進められてきました。それに伴い、様々な企業でデジタルツールやデータ・AIの活用が定着しましたが、それでも非効率な業務プロセスが残っている組織も少なくありません。そこで、生成AIの活用における分類の中での1つ目のケースは、生成AIの活用基盤を導入し、従業員が既存の業務プロセスの中でどこに効果を出すことができるかを具体的に検討することができ、迅速な結果をもたらす最も取り掛かりやすいパターンと言えます。

以下のリストは、企業においてどのような業務で生成AIを活用することができるかを示した一覧になります。フロントオフィス領域、バックオフィス領域を問わず、幅広い領域・部署での適用可能性があります。

これらの適用の中でポイントになるのは、従業員の活用を支えるために社内の生成AI基盤をラップした独自のWebポータルを導入し、プロンプトを分析する仕組みも構築することです。例えば、従業員が生成AIに入力するプロンプトを分析し、どの部署のどのような業務で多く使われているか、その傾向を見て、意見を求めるべき従業員や部署を識別します。また、入力したプロンプトに対して生成AIが返した結果について役に立ったか、立たなかったか、役に立った度合いは1から10までのうちで何点なのか等のフィードバックを収集し、有効なプロンプトを発見します。発見された有効なプロンプトは、Webポータルを使って全社に共有し、その効果を最大化します。

プロンプト分析の仕組みが重要なのは活用面だけではありません。例えば、入力されるプロンプトを分析することで機密情報や個人情報の入力につながる可能性を検知し、それを防ぐように禁止ワードやフォーマットを設定することで万が一の情報漏洩のリスクを下げます。また著作権侵害につながるようなアウトプットが出力される可能性のあるプロンプトを発見し、同様に防止する手当てを行うことが可能になります。

基盤の導入とプロンプトの分析に加えて、実際にどのような業務にどう適用できるかを整理したユースケースの量産化も、組織における効果を高めていくために大切です。筆者が所属するデロイト トーマツでは、業界別にユースケース集を整理・作成しており、全体でその数は数百に及びます（まだ未公開。今年公開予定）。また、AIのユースケース別のビジョンや、必要となる情報・リソースも整理しています。 

このような既にあるカタログを活用して業務を点検し、自社の戦略やビジネス適用の効果、またフィジビリティの観点で、自社の人材やデータに合ったユースケースをできる限り多く作成し、生成AIを迅速に適用していくことも選択肢の一つです。

もちろん、効果を出すだけでなく、関連するリスクを管理することも重要です。適用領域を見出すことに加え、ユースケースごとのリスクを識別してその対策を予め組み込んでおくこともポイントになります。

さらには、生成AIの全社での適用に向けて、従業員の啓発や巻き込み、組織としてのプランニングやアクションを進めていくためのワークショップを開催することも有用です。情報システム部署やDX推進担当部署だけでなく、営業・マーケティング等のビジネス部門を含めた複数の部門・部署の従業員で生成AIに関する知識を共有して活用のためのアイデアを出し合い、適用の計画を作りこんでいく。そうすることで変革の種も埋め込まれ、生成AIの適用を幅広い部門・部署に広げていきつつ、全社DXの推進を加速させることも可能になるでしょう。これら包括的アプローチにより、生成AI活用の迅速かつ確実な結果が期待されます。

生成AIにより企業システムの自動化を加速し、組織のデータ・インサイトを連携させる

次に、生成AIをシステムに組み込んでアップグレードしていくという二つ目のケースについて考えてみます。このケースには２つのパターンがあります。一つ目のパターンはRPAを用いた自動化の延長として捉える活用です。過去、自動化ツールによって多くの企業で業務プロセスやシステムの自動化は達成されていますが、それでもまだ人手での入力やレポート・文書作成が必要な箇所が残っています。以前はNLG（自然言語生成）と呼ばれていた技術の適用と同一のものになりますが、生成AIはこれらの処理を代替することで複雑な業務もカバーし、UiPath、Automation Anywhere 等のRPAツールと連携して、より大きなレベルの自動化へと至ることが期待されます。

ここにおいては、様々なテクノロジーとも連携し、単に個々の業務を自動化するだけでなく、複数部門にまたがる広範なビジネスプロセスの自動化を達成することも視野に入ってきます。いわゆるハイパーオートメーションと呼ばれる自動化ビジョンの実現です。

もう一つのパターンは、企業にある様々なデータや文書、散在するシステムを、生成AIがインタフェースとなって連携させていくという適用です。例えば、以下の図にあるような形でのシステム連携を考えてみます。

ユーザーの問い合わせをまずインタフェースとなるチャット機能で受け取り、それを生成AIに渡してシステム連携用のクエリに変換して、社内システムにアクセスします。社内システムから必要となるデータを入手したあと、そのデータをプロンプトに含める形で生成AIに渡して、回答文を生成し、ユーザーへ最終的に回答を返す、というような仕組みです。

生成AIにファインチューニングを行うことで企業が持つデータや文書に基づいた回答を行わさせることが可能になることはよく知られています。しかし、必ずしも企業のデータ連携にはファインチューニングが必要となるということでなく、いわゆるプロンプトエンジニアリングの発展としてシステムを組み合わせることで実現できることも多々あり、上記で示した例はまさにそれに該当します。このような形式だと、ファインチューニングを行なわずとも企業内のデータ・文書に基づいた回答を生成AIが返すことが可能となり、また副次的効果として、AIがそれらしい事実に基づかない回答をしてしまう、一般にハルシネーション（幻覚）と呼ばれる現象を抑止することも可能です。

これは、生成AIが企業におけるビジネスシステム間のインターフェースとしてシステム連携・データ連携の中心的な役割を果たすことを意味します。これにより、散在しているシステムやデータを一元的にアクセスし、そのデータが持つポテンシャルを生成AIの表現力をもって最大限活かしていくことが可能になります。例えば、SAP等のERPと連携させるケースでも、従業員はERPの専門的なクエリの知識を必要とせず、「X月からY月までの生産量の中で、異常値にあるものを報告して」というような平易な自然言語を使って問い合わせを行うことができます。さらには問い合わせてデータを取得するだけでなく、データを見やすい形式に変換し、必要なレポートや追加の分析を自動生成することまで行えるようになるでしょう。

このような形式は、RAG（Retrieval Augmented Generation）という名称で知られています。RAGは生成AIの外にある知識を利用して回答を生成する仕組みを指し、オープンソースであるLangChainを使った実装等もよく知られていますが、簡単なAPIコールのマッシュアップで構築することもできます。この形式は拡張性も高く、多様なシステムとの連携も可能です。その結果、企業はより自由にビジネスプロセスの統合や再定義を実施することができ、より幅広いアプリケーションや基幹システムの強化へとつなげることができます。

生成AIにより新しいインタラクションを生みだし、顧客価値を創出する

三つ目のケースである、生成AIを用いた顧客への価値創出です。これは生成AIを組み込んだ顧客対応アプリケーションを構築し、顧客と直接インタラクションを行うという活用になります。今までもNLP（自然言語処理）技術を活かしてチャットボットを開発し、顧客への情報提供やFAQに基づく回答、Webサイトのナビゲーション等を実現してきた事例は多くありました。ですが、チャットボットの機能での接客に改善余地を見出していたり、レコメンデーション技術を顧客接点に活かしてきれておらず、そのため、顧客体験の向上も十分にできていないという課題認識を持つ企業も少なくなく、生成AIを用いたチャットボット顧客接点の高度化を行っていきたいというニーズにつながっていきます。

ですが、この適用はチャットボットの高度化に留まらず、一部の先進企業はより革新的な取り組みに着手しています。現代の生成AIが持つ自然なアウトプットに、音声認識や音声合成等のAI関連技術、さらにはここ数年のメタバースのトレンドによって培われたアバター技術を組み合わせて、AIコンシェルジェやAIアシスタントを実現するというものです。

デロイトでは、NVIDIAが持つLLM（大規模言語モデル）であるNeMo ™ に、スピーチAI SDKであるRIVA、アバターデザインのフレームワークである Omniverse ACE等の関連技術を組み合わせ、顧客対応を行う Frontline AI というサービスを開発、提供しています。従来のチャットボットや同様のコンシェルジェサービスとは異なり、シナリオにない顧客の会話にも、柔軟かつ豊かな表現力で接客対応を行うことが可能です。

このような生成AIをベースとしたAIアシスタント、AIコンシェルジェの導入は、顧客接点業務における省力化や生産性の向上とともに、顧客体験の向上を中心にすえた組織の変革へとつながります。実際に、顧客対応を行う生保・損保の代理店や、自動車ディーラーシップ、レストランや小売り、ホテルやオフィスビルでの受付等、多岐に渡る領域でPoCが検討・実施されており、次世代の顧客とのインタラクションの再定義に向かって進んでいます。

企業版・業界版LLMにより専門領域の高度化を実現し、業界に変革をもたらす

生成AIの広範な可能性は、多くの業界に渡って拡大しています。その適用領域の広さにつながる汎用性に、自社で蓄積してきた専門性のあるデータを組み合わせて、より高度な活用の実現を目指す動きもあります。自社内のデータや業界のデータを学習させて、特定ドメインに特化させたLLM（大規模言語モデル）を構築し、R&Dや専門性を要する領域での価値創出を狙うものです。

現在の生成AIのブームが始まる前から、例えば、化学業界では、Wikipedia等にあるWeb上の知識や、オープンにアクセス可能なデータや論文、また企業が持つ物質の構造や特性に関するデータ等を組み合わせて学習させたニューラルネットモデルによって、材料工学における物質探索、新機能性材料の創出を行っていくことは議論されています。

製薬業界においても化合物や薬物の多様なデータを学習した TransformerベースのLLMを構築し、創薬に活用することが行われています。

実際に、FDAにより認可され、臨床段階にまで進んでいるAIや機械学習を適用した新薬の数も上昇傾向にあり、AIを創薬で活用することは将来、製薬業界のメインストリームになりえます。

金融業界では、ブルームバーグ社が、金融機関向けに、膨大な金融アーカイブから独自の大規模言語モデルを構築している例があります。

他には、製造業での一部の企業において、生産ラインやバリューチェーンにおけるデータで学習したLLMによって生産の最適化や保守に活用していく検討も行われています。自社内だけに留まらず、業界を変える新しいエコシステム創出やバリューチェーン変革も目指すような構想まで出てきています。

このような高度な活用を検討する企業においては、ITインフラの増強や大規模なクラウドの活用等、大型のIT投資を実施し、必要となる人材の獲得を優先すると同時に、社内の人材育成も行い、有望なAIスタートアップやベンダーとの戦略的な提携に着手する等、多層的な施策を実行することがその実現にとって極めて重要になるでしょう。

生成AIによる３つの次元(3 Dimensions)でのビジネスの変革

ここまで見てきた通り、生成AIは幅広い活用のシナリオが存在し、様々なスケールで価値を創出します。そのため、従業員が使うツールとしての捉え方から、ビジネスの基盤としての捉え方、そして新しい顧客価値、社会価値を創出していくドライバーであるという捉え方へ、認識をシフトさせていくことが重要です。

以下の図は、生成AIによって創出される価値の三つの次元（3 Dimensions)を示しています。一つ目や二つ目のケースにあるように、まずは自社内における業務や組織の効率化・自動化・高度化において生成AIを活用していきます(D1)。ですが、自社内での生産性向上という枠をこえて、三つ目のケースのように顧客との接点領域で新たなインタラクションを生み出していく(D2)、そしてさらには専門性を要する領域やバリューチェーンをまたがる領域において業界や社会に新たな価値を創出し、業界そのものを変容させる、より大きなスケールで変革をもたらしていく(D3)。生成AIの活用はこの次元にまで到達するポテンシャルがあります。まさにビジネスを生み出していく（生成していく）強力なパートナーになると言えるでしょう。

終わりに

生成AIは業務における効率性向上のツールとしてだけではなく、組織内のダイナミクス、顧客とのインタラクション、そして業界のパラダイムをも変えていくことができる新たな変革のドライバーとしての役割も果たします。直近でのその直接的な魅力は、従業員の生産性を高め、組織内のデータ連携を改善し、プロセスをより自動化していく部分にあるかもしれませんが、その真のポテンシャルは、新しいビジネスを生み出し、バリューチェーンを再設計し、エコシステムを次世代のものへと進化させることで業界全体を変容させる能力にあります。企業は生成AIを単なる便利なアシスタントであると短慮してはなりません。代わりに、顧客に類まれな価値を提供し、業界の進化にもつなげていく包括的な視点をもって、大きなスケールで捉えていくことが肝要であると言えるでしょう。

関連記事