내연기관이 보급되던 초기에는 자동차 정비소가 기본적인 도구만으로도 거의 모든 차종과 모델을 수리할 수 있었다. 그러나 기술이 고도화되면서 상황은 달라졌다. 연료 분사식 엔진이 도입되자 자동차의 내부 구조는 점점 복잡해졌고, 이는 피스톤과 점화 플러그, 카뷰레터 같은 비교적 단순한 부품을 대체했다. 연료 분사식 엔진이 일반 사용자는 물론 정비사조차 보닛 안을 들여다보지 않게 만든 것처럼, AI 코딩은 코딩의 존재가…
테라데이터는 지난해 선보인 에이전트 구축 기능을 전면적인 툴킷으로 확장했으며, 이를 통해 기업이 AI 에이전트를 파일럿 단계를 넘어 프로덕션 등급 배포로 전환하는 과정에서 겪는 어려움을 해결할 수 있을 것으로 보고 있다. 엔터프라이즈 에이전트스택(Enterprise AgentStack)라는 이름의 이번 확장형 툴킷은 기존 에이전트 빌더 위에 에이전트엔진(AgentEngine)과 에이전트옵스(AgentOps)를 결합한 구조다. 에이전트 빌더에는 랭그래프(LangGraph)와 같은 서드파티 프레임워크를 활용해 에이전트를 구축할 수…
CIO는 그 어느 때보다 기술로 더 많은 일을 해내야 한다. 환경도 녹록지 않다. 지난해 보도된 것처럼 디지털 리더는 IT 지출을 줄이라는 요구를 받는 동시에 혁신을 주도하고 비즈니스를 성장 궤도에 올려야 한다. AI 기반의 빠른 전환이 ‘새로운 표준’이 된 시대에, 이 조합은 달성 난이도가 꽤 높은 목표다. 가트너에 따르면, CIO의 절반 이상이 생산성 개선 압박을 받고…
아마존이 전사적으로 약 1만 6,000명을 추가 감원할 예정이다. 아마존 인사 및 기술 담당 수석 부사장 베스 갈레티는 지난 28일 직원들에게 보낸 이메일을 통해 이 같은 계획을 전했다. 갈레티가 보낸 이메일에는 아마존웹서비스(AWS)가 직접 언급되지는 않았지만, AWS 내에서는 감원 사실이 이미 공유되고 있었다. 일부 AWS 직원에게 내부 논의 사항이 담긴 회의 초대 메일이 미리 전달됐기 때문이다. 블룸버그에…
메타(Meta)가 코닝(Corning)과 총 60억 달러 규모의 다년간 광섬유 공급 계약을 체결했다고 발표했다. 이번 계약은 AI 인프라의 제약이 컴퓨팅 자원을 넘어 물리적 네트워크 영역으로 확대되고 있음을 보여준다. 계약에 따라 코닝은 메타에 광섬유와 케이블, 연결 솔루션을 공급한다. 양사는 공동 성명을 통해 “이번 협력은 메타의 애플리케이션과 기술, AI 전략을 지원하는 차원에서 미국 내 최첨단 데이터센터 구축을 앞당기기 위한…
구글은 제미나이 3 플래시 모델에 에이전틱 비전 기능을 추가했다고 밝혔다. 이 기능은 시각적 추론과 코드 실행을 결합해 응답을 시각적 증거에 기반하도록 설계됐다. 구글에 따르면 에이전틱 비전은 인공지능 모델이 이미지를 처리하는 방식 자체를 근본적으로 변화시킨다. 27일에 공개된 이번 에이전틱 비전은 구글 AI 스튜디오 개발 도구의 제미나이 API와 제미나이 앱 내 버텍스 AI를 통해 제공된다. 구글은 제미나이…
大企業とベンチャー、両方を知ったからこそ見えてきた改革の最適解 ——これまでの経歴についてお教えいただけますか。 大学卒業後、航空会社に営業職として入社しました。配属先は小規模な営業支店で、旅行代理店や企業を訪問し、航空券の販売を担当していました。 入社した年、オフィスに初めてパソコンが導入されることになり、最年少だった私がその担当に任命されました。私は学生時代にマーケティングを学んでいたこともあり、過去10年分の市場データを入力し、需要の推移や成長パターンを分析し始めたのです。 当時、営業現場では「経験がすべて」という文化が根強くありましたが、データを活用することで経験を補い、より精度の高い判断ができることを実感しました。たとえば、特定の航空券がよく売れる店舗を調べた際、近隣企業の工場の存在と路線需要に相関があることをデータから導き出すことができたのです。 ベテランの先輩方は「この路線はよく売れる」という結果を知っていても、その理由までは把握していませんでした。データ分析によってその背景を明らかにできたのは、とても刺激的な体験でした。まだ「データドリブン」という言葉もなかった時代でしたが、データが経験を超える可能性を感じた瞬間でした。 そんな取り組みを続けていので、次はより大きな支店で販売促進を担当するのだろうと思っていたのですが、届いた辞令は想定外の「IT部門への異動」でした。 システムの専門家でもなかったため、正直なところ「なぜ自分が？」という戸惑いもありましたが、結果的にはこの異動が自分のキャリアを大きく変えるきっかけになったのです。新たな知識を学ぶ面白さや、テクノロジーで課題を解決することへの使命感のようなものが芽生え、次第にITが自分の仕事の中心になっていったのです。 IT部門では、顧客向けビジネスモデルをシステムで設計し、予約から発券、チェックインまでの一貫したサービスをデザインしました。そこで学んだ「仕組みで体験を変える」という考え方は、後のキャリアにも通じる重要な財産になったと思っています。 その後、特に大きな転機となったのが、LCC（Low Cost Carrier）「Peach Aviation」の立ち上げです。社員番号4番として創業メンバーに加わり、航空会社をゼロからつくり上げるという貴重な経験をすることができました。 ベンチャーならではのスピード感や、ビジネスとITを結びつけるシステムデザインに触れたことで、大企業的とは異なる新たな文化が身についたと思います。 そして2022年、ご縁があってJFRに入社し、2025年で4年目を迎えます。 BtoCという観点で見ると、いくつかこれまでの仕事と共通する点があると感じます。お客さまにより良いサービスを提供するためにさまざまな工夫を凝らしながら、同時に社内の業務効率とのバランスを取っていくこと、お客さまのデータを活用して最適なアプローチを行うことは共通しているのではないかと思います。 一方で、リアルな店舗を持つという点では、航空会社とはお客さまとの距離感が少し異なると感じています。 そうした違いがあるからこそ、これまでの経験がそのまま通用するわけではなく、そこに新たな発見や学びがある——それが今の仕事の面白さだと思っています。 日本初、LCCのビジネスモデルをどう創るか──ベンチャーのスピードの中で磨かれた企画力と実践力 ——これまでのキャリアの最も大きな功績をお教えください。 責任の重い仕事や大規模なプロジェクトには大きなプレッシャーが伴い、その分だけ多くの学びがあります。プロジェクトの前後で自分自身の成長を実感できるような経験を積めたことが、私にとって最も大きな財産だと感じています。新たなスキルや視点を得て次の挑戦に臨めるという循環こそが、キャリアを通じて得た最大の成果かもしれません。 そういう中で一つを選ぶのは難しいのですが、特に印象に残っているのは、Peach Aviationの立ち上げです。日本初のLCC（ローコストキャリア）という前例のない挑戦で、国内で参考にできるモデルがほとんどない中でのスタートでした。 東南アジアなどではLCCが既に確立されていましたが、同じモデルを日本にそのまま持ち込んでも人件費などの構造的な違いから競争に勝てません。初期の小規模な組織であっても戦えるよう、基本モデルを押さえつつ、独自の競争優位をどうデザインするかが大きなテーマでした。 しかも、構想から初フライトまでわずか1年という短期間で、航空会社として必要なすべての仕組みとサービスを構築しなければならなかったのです。安全運航を前提に、顧客体験、業務効率、収益性をどう両立させるか——。限られたリソースの中で「何に集中し、いかに必要なパーツをうまくつなげながら一つの形にしていくか」というところは非常に難しく、今、振り返ってもしびれるような1年でした。 さらに、サービスやビジネスは「つくって終わり」ではなく、市場に受け入れられて初めて意味を持ちます。当時は「安い航空会社＝安全性に不安があるのでは」という懸念を持たれないように、「低価格を実現できる理由」を自然に伝える仕掛けをビジネスモデルの中に織り込む工夫も重ねました。 また、将来の成長を見据えた仕組みづくりにも力を注ぎました。特にデータ設計は重要で、運航や販売などのプロセスから得られるデータを収集・分析し、いかにそこから得たインサイトを次の改善や新しいデザインへと反映していくか——というサイクルの仕組化に、メンバー一丸となって力を注いでいました。 大事なのは、「良いデザイン」を、いかに速く実装するか ——大きな実績を上げるまでにはどのようなチャレンジがあり、それは現職でどう生かされていますか? 「良いデザインをすること」はもちろん大切ですが、私にとってはそれを「スピードを持って実現する」ことこそ、最も大きなチャレンジだったと感じています。限られた時間の中で成果を出すには、「何に集中すべきか」「どこに力点を置き、いかにそこを起点とした2次デザインをするか」といったことを、走りながら考える必要があります。 こうした思考と判断のスピード感は、JFRに入社して最初に手がけた「デジタル人財育成プロジェクト」の教材づくりに生かされています。教材のほとんどを内製でつくったのですが、その中のケーススタディに、私自身がPeach Aviation時代に経験した事例を盛り込みました。 たとえば、「この条件のもとで、期限までにサービスを立ち上げなければならない。複数の課題がある中で、どこから手を付けますか？」という問いかけや、「デザインを行う際、どの要素を優先して考えるべきかをチームで議論してみよう」といった内容です。 Peach時代はとにかく走り続けていたため、当時のプロセスを整理して振り返る余裕はありませんでした。しかし、教材をつくる過程で改めて自分の思考や判断を振り返ると、そこには人財育成に生かせる多くの要素があることに気づきました。 特に、大企業では「走りながら考える」という習慣が不足しがちです。だからこそ、実際の事例を通じて「スピードと判断力を両立するとはどういうことか」「普段の仕事だけでは思いつかない考え方やステップがある」ということを感じてもらえるよう意識しています。 こうした学びを実装へつなぐ基盤として、私たちは人財育成を「仕組み」として設計しています。 ——人財育成について詳しくお聞かせください。 「土壌づくり」という考え方にも通じますが、どんな取り組みも最終的には人が大事だと思っています。だからこそ、デジタル化を進めるのなら、まずはデジタル人財の育成から始めることが基本だと考えています。 とはいえ、デジタル部門が単独で「人財育成をやります」と掲げても、どうしても協力してくれるのは一部のデジタル好きな人に限られてしまいがちです。そこで私たちは、人事部門とタッグを組んでプロジェクトを立ち上げ、「デジタル人財とはどのような人か」という定義をゼロから一緒に考えることにしました。 一般的に「デジタル人財」と聞くと、「統計の知識を持ち、データ分析ツールを使いこなしてレポートをつくる人」をイメージすることが多いと思います。もちろんそれも重要ですが、それだけでは不十分です。私たちは、データを扱うスキルと同じくらい、「ビジネス課題を発見し、デジタルの力で解決策をデザインする力」が必要だと考えました。 そこで導き出したのが、2つの人財像です。 1つは、データ分析を担う「データアナリスト」、もう1つはデジタル知識を活かしてビジネス全体をデザインする「デジタルデザイナー」です。 この2つの職種を育成するために、人事と共同で「どのようなスキルや能力、マインドが必要なのか」を細かく分解していきました。それらを整理したうえで、育成のためのカリキュラムを内製で設計したのです。 外部の講座に頼らず社内で教材を作るのは手間がかかりますが、社内で教えるからこそ理解度が高まり、実務への展開がスムーズになるというメリットがあります。社外で学んだものの「自社の仕事にどう活かせばいいのか分からない」というケースを避けるためにも、内製化は非常に効果的でした。 このカリキュラムは、2022年12月にスタートし、現在（2025年8月末）では、ホールディングス傘下の各事業会社から約170名が参加しています。店長クラスから入社2〜3年目の若手まで、年齢も職種も会社も異なるメンバーが一つのチームを組み、共に課題に挑む姿は興味深いものがあります。学びの過程では「戦友」のような関係が生まれ、卒業後もつながり続けています。 こうした交流は、単にスキルを身につけるだけでは得られない価値を生んでいます。会社や世代を超えたネットワークが広がり、互いの課題や悩みを共有できる場が生まれることで、グループ全体としてのシナジーが育まれているのです。 さらに、卒業後のフォローにも力を入れています。修了生が集う社内バーチャルコミュニティを立ち上げ、定期的にオンラインで意見交換をしたり、時にはオフラインで集まったりしています。 このようにしてつながりを保つことで、どの部署にいても「困った時に相談できる仲間がいる」状態をつくりたいと考えています。そうしたネットワークが社内に広がれば、個人が抱える課題や悩みを、仲間との対話を通じて解決につなげる“学びの循環”が生まれるはずです。これこそが、私たちが目指す人財育成の理想形だと思っています。 ——経営層に対する人財育成の取り組みについてお聞かせください。 実際に育てた人財が十分に力を発揮できない要因の一つに、経営層を含むリーダー層が育成プログラムの意義や目的を十分に理解していないという課題があると感じています。 そこでJFRグループでは、社長をはじめとする経営層を対象に、独自のデジタル教育プログラムを設計・実施しています。 プログラムの一部には一般社員向けの内容も取り入れていますが、経営層向けに新たに設計したオリジナルの構成も含まれています。全体で3日間にわたる研修を、大丸、松坂屋、パルコなど主要事業会社の経営層に対して行い、私自身が講師として登壇しました。 ここで重視しているのは、「共通のマインドを持つこと」です。どれほど優れた戦略や仕組みがあっても、根本となる考え方が一致していなければ、意思決定のスピードや方向性にばらつきが生じてしまいます。 たとえば「良い仕組み」と言っても、人によってその定義や評価軸は異なります。しかし、「この仕組みは、こういう意識のもとで設計された」という共通の理解があれば、その背景にある価値観や目的を共有でき、議論が建設的になります。 こうした共通認識の形成は、「デジタルデザインや業務改革に取り組む現場の人財の努力を正しく評価できる文化の醸成」にもつながります。経営層が同じ視座を持ち、同じ言葉で議論できるようになることで、組織全体が一体となって前進できるのです。 …
As we look head to 2026, corporate IT strategies are evolving at unprecedented speed. Generative AI, increasingly sophisticated cybersecurity threats, and the strategic use of data are no longer peripheral—they are reshaping the very core of business operations. Today’s CIOs are expected not merely to deploy technology, but to orchestrate business transformation and sustainable competitive…
Enthusiasm for AI may be running high, but Australian enterprises remain cautious about putting all their chips on the table. The Reserve Bank of Australia recently found that enterprise-wide AI transformation remains the exception rather than the norm. It’s not due to appetite. It has everything to do with pragmatism. Australian organisations have been channelling…
まず冒頭に触れておきたいのは、生成AI導入に対する期待と現実のギャップです。
ガートナーは日本のCIOに対して、現在取り組んでいる生成AIプロジェクトのROI（投資利益率）に満足しているかどうかを尋ねる調査を行ったことがあります。その結果、実に67％、つまり3分の2のCIOがROIに満足していないと答えました。生成AIへの関心は高いものの、技術の進化があまりに速く、学習コストも高いため、組織としてノウハウや継続性が追いつかず、失敗のリスクが構造的に高い状況にあります。
今後、皆さんの現場でも同じような課題に直面する場面が必ず出てくるでしょう。だからこそ、なぜ失敗が起きるのか、どうすれば避けられるのかを理解することが重要です。ここではその点を中心にお話ししたいと考えています。
ガートナーのグローバル予測では、今年度末までに実施される生成AIのPOC（概念実証）の50％が失敗すると見ています。この失敗率は、来年になっても急激に改善することはないでしょう。この数字を見ると、「まだ生成AIに取り組むのは早いのではないか」と感じる方もいるかもしれません。
しかし、残りの50％は確実に成功し、すでに大きな成果を出し始めています。たとえばコードベースの3分の1をAI管理に置き換え、数千人分の作業を削減し、結果として最高益を達成するような企業が出てきています。成功している企業は、他社が追いつけないほどのスピードで競争優位を築きつつあります。競合他社にこのような形で出し抜かれる可能性の方が、経営側から見れば大きなリスクでもあります。
つまり、失敗の確率が高いからといって立ち止まるわけにはいきません。むしろ、前に進みながら、いかに失敗を避けるかが問われています。そこで、生成AIプロジェクトが失敗する典型的な理由と、その回避策を1位から10位までを順を追ってお話ししていきます。
最も典型的な失敗は、生成AIを導入してもビジネス価値に結びつかないケースです。チャットボットや便利なツールを導入しても、生産性や売上、コスト削減といった目に見える成果につながらなければ、経営層は納得しません。
成果につなげるためには、業種や業務ごとに、現時点でAIによって価値が出やすく成功しやすいユースケースを選ぶことが重要です。
たとえば、サプライチェーンでは、データクレンジング、在庫最適化やサプライヤーリスクマネジメントなど、具体的な業務課題に直結するユースケースで成果が出やすいと我々は分析しています。
また、成果を定量的に示すことができるユースケースを選ぶことも重要です。例えば、あるコールセンターの事例では、AIを導入することで問い合わせ件数を15％削減し、スクリプトの自動生成で生産性を10％向上させ、要約の自動化でアウトソーシングコストを30％削減するなど、定量的な成果を示せています。こうした具体的な数字が経営層を納得させ、導入の価値を証明するのです。
次に多い失敗は、生成AIに万能性を期待してしまうことです。生成AIは会話形成やコンテンツ生成に強みがありますが、正確性が求められる予測や高度な数値計算には向いていません。むしろ従来の機械学習やシミュレーション技術の方が低コストで高精度な結果を出せる場合が多いのです。
あるAIOpsベンダー（AIを使ってIT運用を最適化するベンダー）は、生成AIをユーザーインターフェースに限定して活用し、イベント検知や根本原因分析は従来技術で行っています。適材適所で技術を組み合わせることが、成功への近道となります。
3つ目はデータ準備不足です。生成AIを本格的に活用する際に必ず直面するのが、データの準備不足です。日本企業はこの分野で遅れていることが多いため、AIと並行してデータ準備にも取り組んだ方がよいでしょう。
ベクトル化（AIが理解・計算できる“数値の並び（ベクトル）”に変換する）などのデータの整合化(AIが使えるようなデータフォーマットにデータを整備)、データを継続的に監視・更新する適格化、ガバナンス（AIのためのデータのアクセス権管理など）の三点を意識し、AIプロジェクトで安心して利用できるデータ基盤を構築することが必要です。
そして4つ目はプラットフォームの欠如です。小規模なチームでの試行段階では問題になりませんが、全社的に展開する際にはプラットフォームの欠如が大きな障害となります。各チームが独自に技術を選ぶと非効率やセキュリティリスクが生じます。
セブン-イレブンジャパンはAIライブラリを整備し、プロンプトやテンプレートを標準化しました。これにより、全社的に安全かつ効率的な利用が可能になっています。こうしたプラットフォーム整備は、今後2〜3年で多くの企業にとって必須のテーマとなるでしょう。
5つ目はテクノロジーの陳腐化です。生成AIの進化はあまりに速く、導入した技術がすぐに古くなるリスクがあります。先日も、OpenAIが主流と思われていたところでGoogleやAnthropicの新モデルが登場してベンチマークを追い抜くなど、モデルにおける競争は激しさを増しています。
こうした変化に対応するためには、モデルを柔軟に切り替えられる仕組みを整えることが不可欠です。古いモデルが陳腐化することを前提に設計することが、持続的な成功につながります。
6つ目が信頼性・安全性の軽視という問題です。AIならではの倫理やバイアスの問題を軽視すると、大きなトラブルにつながります。ある生成AIがヒトラーを肯定・称賛するかのような回答をし、国レベルで利用制限がかかるという事例もありました。AIの不適切な応答が国レベルでの遮断を招くケースもあるわけです。
このほか、利用ポリシーを初期段階から整備し、シャドーAI（会社に無許可で利用されるAI）のような無秩序な利用を防ぐことが重要です。また、従来型のリスク管理ではスピード感に対応できないため、AI時代に即した新しいリスク管理のプロセスやチームを設けることも必要です。
7つ目はチェンジマネジメントの欠如です。日本では軽視されがちなチェンジマネジメントですが、AIプロジェクトの成功のためには不可欠な要素です。社員の仕事がAIに奪われる不安に対処したり、利用率の低下を防いだりするための仕組みが必要だからです。共感マップの作成やエンゲージメント向上施策など、従業員が安心してAIを受け入れられる環境を整えることが、持続的な利用につながります。
コスト管理の不十分さも大きな問題の一つです。グローバルでは生成AIの課題としてコストが二番目に挙げられています。利用者が広がることで費用が急増し、画像や動画生成、推論などトークン消費の多い技術がさらにコストを押し上げます。
アーキテクチャ設計やプロンプト最適化、キャッシュ活用、利用状況の可視化などを通じて、コストを制御する仕組みを整えることが必要です。
9つ目がリテラシー不足。知的労働をする社員はほぼ全員がAIを使うようになるでしょうから、トレーニングされていない社員はそれだけでリスクになります。特に生成AIは直感的に使えるため、誰でも簡単に触れることができますが、その裏側には誤用や誤解の危険が潜んでいます。AIが出した答えをそのまま信じてしまうと、誤情報を拡散したり、倫理的に問題のある判断を下してしまったりする可能性があります。
ただ、全員に一律のトレーニングを行うと時間もお金もかかってしまうので、役割や立場ごとに教育プログラムを別々に設計することが重要です。例えば、ビジネスリーダーには「どのユースケースが価値を生みやすいか」「どの場面でAIを導入すべきか」といったビジネス判断に関する知識を提供する必要があります。エンジニアには「どの技術スタックを選ぶべきか」「どのクラウド環境が適切か」といった開発に直結する知識を与えるべきです。そしてスタッフには「安全に、かつ低コストでAIを利用する方法」を教えることが求められます。
こうしたペルソナごとの教育を行うことで、社員は自分の役割に即した形でAIを理解し、誤用を防ぎながら効果的に活用できるようになります。AIリテラシーは単なる知識ではなく、組織全体の安全性と持続的な成長を支える基盤なのです。
そして最後に挙げたいのは、新しい役割の未整備です。生成AIを組織に広めていくためには、従来には存在しなかった職種を定義し、受け入れる環境を整える必要があります。
例として挙げられるのが「プロンプトエンジニア」です。プロンプトの設計は単なる入力作業ではなく、AIの出力を左右する重要な技術です。適切なプロンプトを設計できる人材は、AIの成果を最大化するうえで欠かせません。
また「AI倫理担当者」も必要です。AIが出すアウトプットが社会的に適切かどうか、人間の仕事を置き換えてよいかどうかを判断する役割は、今後ますます重要になるでしょう。
さらに、ビジネス部門とエンジニアリング部門が連携する「フュージョンチーム」の存在も欠かせません。AIは技術だけでなくビジネス価値に直結するものであり、両者が協力して初めて成果を生み出せます。こうした新しい役割やチームを整備することで、組織は生成AIを持続的に活用できる体制を築けるのです。
ここまで10の失敗要因を挙げてきました。振り返れば、生成AIプロジェクトの成功は単なる技術導入ではなく、ビジネス価値への接続、ガバナンスの整備、人材育成、そして新しい役割の創出といった多面的な取り組みにかかっています。
失敗の確率が高いからこそ、慎重に準備し、柔軟に対応する姿勢が求められます。生成AIは確かに難しい技術ですが、適切な戦略を持てば大きな成果を生み出すことができます。
Read More from This Article: 生成AIプロジェクトが失敗する理由と成功への道筋
Source: News