AI 関連の役割と責任を明確に定義する

  • 7 分

AI 導入のあらゆる戦略は、既存のビジネス機能に対処する必要があります。 これについては、モジュール「AI からビジネス価値を作り出す」で説明しました。このモジュールの目標は、AI イニシアチブに向けて会社を準備することです。 ここでの疑問は、組織内で、AI に関して誰がどのようなタスクに責任を負うか、ということです。 このユニットでは、組織内で AI 関連の責任を割り当てる方法について詳しく説明します。

組織で AI を有効化することは集団責任である

すべてのユーザーが、IT だけでなく AI の変革において果たす役割を持っています。 企業全体のすべての部署の人たちが、AI アプリケーションに関するアイデアを積極的に貢献できるようにすることが重要です。 設計や実装を計画するときに、ビジネス チームと技術チームの間でのコラボレーションを促進することがカギとなります。 配置後は、ビジネスの技術面と運用面にわたるチームが、AI ソリューションの保守に長期にわたって関与する必要があります。

  • AI ソリューションから得られるビジネス パフォーマンスと ROI の評価。
  • モデルのパフォーマンスと正確性の監視。
  • AI ソリューションから得られた分析情報に関する行動。
  • 発生した問題への対処と、時間の経過とともにソリューションを改善する方法の決定。
  • AI のユーザー (顧客か従業員かを問いません) からのフィードバックの収集と評価。

AI には、領域についての理解、IT スキル、AI スキルという学際的なスキルが必要であることを示す図。

全体的な AI 戦略と投資の意思決定を担い、AI の受け入れ準備が整った文化、変更管理、および責任ある AI ポリシーを作成することが、経営幹部チームの最終的な責任です。

組織の他のリーダーに関しては、従うモデルは 1 つではありませんが、さまざまなロールを関与させることができます。 組織では、戦略と目標、企業内のチーム、AI の成熟度に適合したモデルを決定する必要があります。

基幹業務リーダー

ビルの前に立つビジネス リーダーである人物の写真。

この人物は、組織内で特定の職務、基幹業務、またはプロセスの運営に責任を負うビジネス エグゼクティブです。

  • すべての従業員からアイデアを手に入れる: あらゆる部署と階級の従業員が、自由にアイデアを提供したり、質問したり、AI に関する提案をしたりできるようにする必要があります。 Microsoft では、AI の最も影響が大きな応用のアイデアは、社外や上層部からではなく、会社の職務を担う部署に属する従業員から生まれたことに気付きました。

  • 新しいビジネス モデルを特定する: AI の真の価値は、新しいビジネス モデルの推進、革新的なサービスの実現、新しい収益ストリームの作成などのビジネス変革にあります。

  • アイデアを交換するための任意参加のコミュニティを作成する: IT ロールとビジネス ロールが継続的につながる機会を提供します。 この手段は、Yammer などのツールを使って仮想的に実施することも、ネットワーク イベントやランチ ミーティングのセッションで対面により実施することもできます。

  • ビジネス専門家をトレーニングしてアジャイルな製品所有者になるようにする: 製品所有者は、アプリケーションの機能を定義し、実行を合理化することを担当するアジャイル チームのメンバーです。 このロールをビジネス専門家の責任の一部またはすべてとして含めることで、その時間と労力を AI イニシアチブに専念させることができます。

最高デジタル責任者

最高デジタル責任者である人物の写真。

最高デジタル責任者 (CDO) は、デジタル プロセスを使用して従来の運用の変革を監視する変化の仲介者です。 目標は、新しいビジネス チャンス、収益ストリーム、顧客サービスを作り出すことです。

  • 会社全体にわたってデータ共有の文化を育む: ほとんどの組織は、縦割り型の方法でデータを生成、保存、および使用しています。 各部署では、自分たちのデータについては十分に把握していても、その運用に関連する可能性があるその他の情報が不足していることもあります。 データを共有することが、効果的な AI 利用の鍵となります。
  • AI マニフェストを作成する: これは、より広く AI とデジタル変革に対する組織のビジョンの概要を明確に示す "北極星" です。 その目標は、会社の戦略を固めるだけでなく、組織全体のすべての人を鼓舞し、自分にとって変革が何を意味するかについての理解を助けることでもあります。 CDO は、経営幹部チームの他のメンバーと連携してドキュメントを作成し、それをメッセージとして会社に伝える必要があります。
  • 短期的な成果を得るための触媒となるプロジェクトを特定する: AI からすぐに恩恵を受けることができる業務、つまり、H1 イニシアチブを特定することで、AI の変革を開始します。 次に、それらのプロジェクトを例示してその価値を証明し、他のチームの中で弾みをつけます (H2 および H3)。
  • データ管理のベスト プラクティスに関する教育プログラムを本格展開する: AI モデルの使用や作成に関与する IT 部門以外の人が増えているため、データ管理のベスト プラクティスをすべての人が理解しているようにすることが重要です。 データのクリーニング、統合、書式設定、管理を行い、AI で簡単に使用でき、バイアスを回避できるようにする必要があります。

人事リーダー

人事リーダーである人物の写真。

人事 (HR) ディレクターは、組織の文化と人材開発に重要な貢献を行います。 彼らが担う広範囲の仕事には、文化的開発の実施、社内トレーニング プログラムの作成、ビジネスのニーズに応じた雇用が含まれます。

  • "学習文化" を育む: 継続的な学習とイノベーションの重要な側面として、チャレンジを受け入れ、失敗を認める、リーダーシップによって支持された文化を奨励する方法について検討してください。

  • "デジタル リーダーシップ" 戦略を設計する: 業種のリーダーと経営幹部チームが、独自の AI リテラシーを構築し、AI の導入を通じてチームを導くのに役立つ計画を作成します。 AI 戦略は、責任ある AI 原則に準拠する必要があることに注意してください。

  • データ サイエンティストなどの新しいロールについて採用計画を作成する: 従業員のスキル向上が長期的な目標であるのに対して、短期間には、AI イニシアチブ専任の新しいロールを担う人を何名か雇う必要が生じる場合があります。 必要になるかもしれない新しいロールとしては、データ サイエンティスト、ソフトウェア エンジニア、DevOps マネージャーなどがあります。

  • AI によって影響を受けるロールのためのスキル計画を作成する: AI に対応した文化を築くには、技術とビジネスの両方の側面で従業員を教育し、スキルを向上させるための、リーダーシップによる継続的なコミットが必要です。

    • 技術側では、従業員は AI アプリケーションの構築と運用可能化において中核的なスキルを必要とします。 他の企業とパートナーになってチームをスピードに追いつかせることも有益ですが、AI ソリューションは静的ではありません。 同じくビジネスについて詳しく理解している人たちによる新しいデータ、新しい方法、新しい機会を利用するために、絶えず調整が必要です。
    • ビジネス側では、AI ベースのシステムによって日常のワークフローが変わるときには、人々をトレーニングして新しいプロセスを採用することが重要です。 トレーニングには、人間の健全な判断を利用して、AI の予測や推奨事項を解釈し、それに従って行動する方法を教えることが含まれます。 その変更は、慎重に管理する必要があります。

IT リーダー

IT リーダーである人物の写真。

最高デジタル責任者は、デジタル戦略全般を作成し、実施することに責任を負いますが、IT ディレクターは日常的なテクノロジ運用を監督します。

  • ビジネスと IT の間でアジャイル作業イニシアチブを立ち上げる: ビジネス チームと IT チームの間でアジャイル プロセスを実施すると、共通の目標に沿ってこれらのチームの足並みを揃えるための助けになります。 その実施には、コラボレーションを容易にし、縄張り争いを軽減するための文化的変革が必要となります。 Microsoft Teams や Skype などのツールは、効果的なコラボレーション ツールです。
  • "ダーク データ" 修復計画を作成する: ダーク データは、組織が分析に失敗した、非構造化データ、タグ付けされていないデータ、およびサイロ化したデータです。 それらの分類、保護、管理は行われません。 いかなる業界であっても、ダーク データを明るみに出すことができれば、企業は大きなメリットを得る立場にあります。 これを行うには、データ サイロを取り除き、構造化されていないコンテンツから構造化された情報を抽出し、不必要なデータを一掃するための計画が必要です。
  • アジャイルな部門横断型の提供チームとプロジェクトを設ける: AI プロジェクトをうまく実施するためには、部門横断型の提供チームが不可欠です。 ビジネスの目標とプロセスを熟知し、管理している人々が、AI ソリューションの計画と保守の中心部分となる必要があります。 単独で作業するデータ サイエンティストは、モデルを有効なものにするはずのコンテキスト、目的、または価値が欠けているモデルを作成することがあります。
  • 会社全体に MLOps をスケーリングする: 機械学習のライフサイクル全体を大規模に管理するのは、複雑な作業です。 組織には、DevOps の機敏性を機械学習のライフサイクルに取り入れるアプローチが必要です。 Microsoft は、このアプローチを MLOps と呼んでいます。これは、機械学習のライフサイクルをエンドツーエンドで管理するために、データ科学者、AI エンジニア、アプリ開発者、およびその他の IT チーム間でコラボレーションを実践することです。 MLOps について詳しくは、モジュール「AI ツールとリソースをビジネスに活用する」の対応するユニットを参照してください。

ビジネス ワーカーの役割は、データ科学者に分析情報を提供するだけではありません。 AI は、その作業をより良く迅速に行うのに役立つはずです。 次のユニットでは、データ サイエンスの専門知識や仲介を必要としないノーコード ツールを使って、この目標を達成する方法を見てみましょう。