役立つ出発点を見つける
企業のAI活用は、大きな構想よりも、具体的な作業から始めると取り組みやすくなります。繰り返しが多く、情報を多く扱い、担当者がよく理解している業務を探しましょう。文書分類、社内情報の検索、下書きの作成などが候補になります。
モデルを選ぶ前に、いまの業務を難しくしている理由を考えます。情報が散らばっているのか、指示が曖昧なのか、承認が本当のボトルネックなのか。業務の改善は、AIを加えることと同じくらい大切です。
データを理解する
システムが利用できるのは、与えられた情報だけです。情報の出所、所有者、新しさ、利用を許可される人を確認します。試行に必要なデータと、たまたま参照できるだけのデータを区別しましょう。
最初の実験は、範囲を限定します。所有者が明確で代表性のある小さなデータ集合は、品質が不明な大量の情報より評価しやすいことがあります。
人の判断を中心に置く
システムの役割を定めます。情報を探すのか、文章を下書きするのか、推奨するのか、実際に操作するのか。それぞれ責任が異なり、必要な確認の流れも変わります。
- 提案と、確認済みの情報を区別できるようにする。
- 出力を確認する人に、必要な背景情報を渡す。
- 結果を訂正したり、却下したりする方法を明確にする。
- 重要な操作には、適切な人の確認を設ける。
広げる前に評価する
実際の業務から例をつくり、役立つ結果とは何かを合意します。速さだけでなく、正確さ、情報の十分さ、確認の手間、誤りが業務に与える影響も測りましょう。
日常的に起こる例外にも目を向けます。情報の不足、曖昧な指示、珍しい書式、古い記録などから、代替手段が必要な場面が見えてきます。
学びにつながる試行をつくる
よい試行には、狭い範囲、明確な担当、レビューの流れ、最後の判断があります。価値と運用の負担の両方を理解できるように設計しましょう。
最初の目標は、すべてを自動化することではありません。AIの支援がどこで役立つか、責任を持ってどう活用するかを学ぶことです。
次の投資を判断できるだけの根拠が得られたら、範囲を広げます。システムが進化しても、人の専門性を業務の近くに保ちましょう。