メルマガ登録
ベストなDXへの入り口が見つかるメディア
-
テーマから探す
-
技術から探す
-
業界・事例から探す
-
関連トレンドから探す
ベストなDXへの入り口が見つかるメディア
テーマから探す
技術から探す
業界・事例から探す
関連トレンドから探す
デジタル技術がビジネスの領域でも幅広く用いられるようになり、DX（デジタルトランスフォーメーション）を進めることが多くの企業で課題として認識されつつあります。その一方で、DXへの理解不足から単なるITシステムや先進的なデジタル技術、特にAIの導入だけで終わってしまうケースが多いのが現状です。
そこで今回は、DXとAIの基本的な定義を改めてご説明するとともに、両者の関係、そしてAI導入のポイントを解説します。最後に、AI導入の成功事例の解像度を高めるために、ブレインパッドが手がけてきたAI導入の事例をご紹介します。
DXとAIの関係を明らかにするためにも、まずはDXの意味について確認しておきましょう。政府資料を基に、DXの意義や日本の課題をご説明します。
経済産業省は、2018年に公表した「DX推進ガイドライン」の中でDXを以下のように定義しています。
「企業がビジネス環境の激しい変化に対応し、データとデジタル技術を活用して、顧客や社会のニーズを基に、製品やサービス、ビジネスモデルを変革するとともに、業務そのものや、組織、プロセス、企業文化・風土を変革し、競争上の優位性を確立すること。」
このように、データやデジタル技術の活用そのものは手段にすぎず、データやITソリューションを活用しただけでDXになるわけではありません。この点には注意する必要があります。
DXの定義や意義に関する詳しい説明に関しては、こちらの記事をご覧ください。
関連：DX（デジタルトランスフォーメーション）とは？「DX＝IT活用」ではない。正しく理解したいDXの意義と推進のポイント
先に挙げた「DX推進ガイドライン」に先立ち、経済産業省は「DXレポート」を公表して日本におけるDX推進の現状や課題を分析しました。
ひとつ目の問題点が、既存システムの老朽化・肥大化に伴うリスクです。長年拡張・保守を繰り返した結果、システムの全貌を把握しきれなくなっている企業が少なくありません。技術的な制約や調査・開発・テストなどの困難さゆえに、保守費や運用費が高騰してしまっているのです。
経産省はこうした状態を「技術的負債」と呼び、技術的負債によるコスト増大が企業のDX推進をさまたげる一因になっていると指摘しています。
人材不足も大きな課題です。最新技術やビジネスに造詣の深い人材がいないとDXを推進できません。しかしながら、そもそも技術者の不足感が強まりつつあり、急ピッチで人員増を達成することは困難になりつつあります。
また、肥大化したシステムの運用・保守に少なくない技術者を充てなければならず、人材の不足感に拍車をかけることにつながっています。かつて既存システムを開発した技術者も高齢化しており、先端技術を学んだ技術者すらこうした運用・保守の作業を担当させざるを得ないこともあります。
技術的な課題と人材不足などにより、企業経営は大きな負担を強いられ続けます。例えば、爆発的に増加するデータを活用しきれず競争力が低下したり、技術的負債の増大によって業務基盤そのものの維持・継承が困難になったり、サイバーテロや事故・災害に伴うシステムトラブルやデータ流出などのリスクが増大したりすることが考えられます。
この問題は、一企業レベルにとどまらず、日本経済全体にまで拡大します。このまま課題が解決されないのであれば、DXが実現できないことはもちろん、2025年以降に最大で毎年12兆円もの経済損失が生じる可能性があると経済産業省は指摘しています。これを「2025年の崖」と呼んでいます。
DXは企業の競争力向上・維持に欠かせないだけではなく、日本経済の今後を左右しかねないキーワードであると言えるでしょう。
企業経営にとって重要な意味を持つDXと、デジタル技術の代名詞とも言うべきAIの間には、どのような関係があるのでしょうか。AIについて簡単に説明し、DXにおける位置づけについてご説明します。
AIはArtificial Intelligenceの略語であり、日本語では人工知能と訳されることが大半です。研究分野の広さや「知能」そのものの定義の困難さゆえに、特定の定義を置くことが困難とされています。例えば、2016年に公表された総務省の「平成28年版 情報通信白書」では、AIの定義について「知的な機械、特に、知的なコンピュータプログラムをつくる科学と技術」としています。
AIと関連して、機械学習やディープラーニングといった言葉もよく用いられます。機械学習は、AIを実現するためのひとつの学習方法ないし分析技術であり、データから学習した規則性や判断基準に基づいて、未知のものを予測・判断する技術を指しています。
一方のディープラーニングは、機械学習の一種です。脳の神経回路の仕組みを模した分析モデルであるニューラルネットワークを応用し、高精度な分析が可能で、画像認識や翻訳など、他分野でビジネスへの適用が進んでいます。
以上のように、AIが情報処理・技術であり、機械学習やディープラーニングはAIを実現する具体的な方法論であると言えます。
AIや機械学習・ディープラーニングは、単なる技術にすぎません。ITがDXの手段であるのと同じように、AIもDXを実現するためのひとつの手段・方法論です。AIの力を借りなくても、場合によってはDXを実現できる可能性もありますし、逆にAIを導入したからDXを実現できたことにはならないのです。
大事なことは、ビジョンを実現するために何が必要かよく検討することであり、その際にAIが必要であるということになればその実装の検討へ入ればよいわけです。検討すべきポイントについては、後ほどご説明します。
AIは、データの分析や分析結果に基づく予測を行います。人間では捌ききれないほどのデータ量でも高精度かつスピーディーに分析をしてくれるため、顧客データを分析してニーズを把握することや、生産状況を可視化して生産性向上のためのボトルネックを発見することなど、幅広い業種・業態や職種において業務のパラダイムシフトを引き起こす潜在能力を秘めていると考えられます。
製品・サービスやビジネスモデルの変革であるDXを実現するために、AIが大きな手助けとなることは間違いありません。ビジョンや目標のような方向性は人間が決める必要があるにしても、それさえできればDXの実現可能性が高まるかもしれないのです。
世界では、AI導入が急激に進展しています。IBMが世界19か国（日本は含んでいません）の企業を対象に実施した調査によると、2022年には35％がAIをビジネスに活用しています。
AIのビジネス活用に欠かせない戦略策定も、大半の企業で進んでいます。「包括的な戦略を策定済み」「限られた、または特定のユースケースにのみ焦点を当てた戦略がある」の回答が半数を超えており、「AI戦略を策定中である」を含めると9割以上の企業がAI戦略を意識していることが分かっています。
AIのビジネス活用ができていない企業でもAI戦略の策定が進んでいることを踏まえると、今後もAIを活用する企業の割合は着実に増えていくことが予想されます。
AIがDXの手段である点を踏まえて、DXを実現するためのAI導入において何を考えればよいのか、ポイントを3つに絞ってご説明します。
先に挙げたDXの定義では、「製品やサービス、ビジネスモデルを変革する」「競争上の優位を確立する」といった文言がありました。こうした定義に基づいて、DXの推進によって本当に経営方針の転換や事業のグローバル転換などへスピーディーに対応できるようなビジネスモデルになるのか、ビジョンを練り上げることが必要です。
実際のところ、DX推進に向けた取り組みを行った企業においても、実際のビジネス変革にはつながっていないと経済産業省の資料では指摘されています。顧客視点でどういった価値をDXの実現によって創出したいのか、ビジョンが明確ではないために、単に「AIを使って何かやれ」という号令が経営層から出されるにとどまるケースが多いのです。
AI導入の検討の前に、なぜDXをするのか（Why）、DXで何をするのか（What）を最初に検討することが求められます。
ビジョンが明確化できたとして、その後DX実現に必要なAI導入を進めるにはどんなリソースや技術が必要なのか理解されており、それらが現場や担当者へ提供されている必要があります。
具体的には、DX推進のための体制構築、AI導入に向けた体制・ガバナンスの整備、人材や予算の割り当て、そしてこれらを進めるための経営層のコミットメントなどが挙げられます。経営層が丸投げすることなく、体制構築と人・カネ・権限の割り当てに責任を持って取り組む必要があります。
ビジョンを実現するAIの実装技術については、社内に先進的な技術への造詣が深い人材がいれば理想的ですが、実際には社外の専門家を入れて検討するのが現実的でしょう。そのためにも、パートナー選びが重要となります。
経済産業省も、DXを実行する際の根本的な問題が「人」にあることを指摘しています。足りないスキルを外部との連携によって補うことで、社内の各部署やパートナーがそれぞれ付加価値を得るエコシステムの構築につなげていくことが重要です。
その際、AIについて深い理解と豊富なプロジェクト経験を持つベンダーとパートナーシップを構築することが必要です。このとき、ビジョンを描き出し、社内に足りない技術・スキルがどんなものかという課題を明確化することで、自社に合うベンダーを選定しやすくなります。
こうしたDX推進やAI導入のアクションプランについては、経済産業省のガイドラインやガイダンスが参考になります。以下の記事もご覧ください。
DX実現に貢献するAI導入のイメージをつかむには、実際の導入事例を見るのが最適です。最後に、ブレインパッドが支援した事例をご紹介します。
ある総合商社のグループ会社である食品卸企業において、DXプロジェクトの一環として出荷先からの需要予測に基づいた、メーカーへの自動発注システムの開発をブレインパッドが担当しました。
食品サプライチェーンの川上に位置するメーカー、川下に位置する小売業者の中間に位置づけられる食品卸企業にとって、メーカーへの発注量や適正在庫水準の計算に需要予測が使用されています。この需要予測の精度を高めることで、適正な発注量や欠品率の抑制、在庫量の削減を同時に実現できることになります。
ブレインパッドは、機械学習を活用する形で自動発注のための需要予測モデルを構築しました。川上からメーカーの業務カレンダーや入数情報、川中から食品卸業者の受注、出荷、在庫データ、川下からは小売業者からの日々の受注量やPOSの売上データなど大量のデータを収集・加工するところから取り組み、機械学習に基づく需要予測を実現しています。
【関連記事】
AIの活用は、スポーツ分野でも進んでいます。タブレット端末や無線機器を通じた外部からの情報伝達や、試合中における選手への指示・アドバイスが可能であるバレーボールでは、他のスポーツに比べて特にリアルタイムでのデータ活用が盛んです。ナショナルチームやプロチームは専門のアナリストを抱え、チームを勝利に導くためのデータ活用に取り組んでいます。
こうした背景から、スポーツアナリティクスの普及に取り組む一般社団法人日本スポーツアナリスト協会（JSAA）は、AIを駆使した「リアルタイムの未来予測モデル」の作成に乗り出しました。具体的には、偶然性が少なく予測しやすいプレーであるのに加え、試合における優位性の確立に重要な役割を持つ「自チームのサーブを受けてから1本目の相手のトス」をAIで予測することになりました。
過去の試合の分析ソフトウェアに蓄積されたデータを分析可能な形へ整形してデータベースに格納し、予測モデルを作成。さらに過去の試合データによるテストを繰り返してチューンアップを重ねました。この結果、最大60％の精度でトスの方向を予測できるようになりました。
【関連記事】
マーケティング活動に対する経営リソース配分の最適化にも、AIや機械学習はよく活用されます。オンライン・オフライン問わず多様なマーケティング施策が存在し、大量のデータを収集できることや、これら施策の費用対効果を最適化したいニーズが、幅広い業界で強く存在することなどがその理由です。
ブレインパッドの支援事例で見ると、ある製薬会社様の事例がそれに当たります。販売員の営業活動記録、セミナー・展示会などプロモーション施策の実績、自社のメディアサイトにおける顧客のWeb行動履歴などをデータ化して、これら現状のプロモーション活動の内容と費用対効果を分析しました。
また、顧客である医師の属性（年齢、診療科、施設のカテゴリーなど）や販売実績などのデータを踏まえて、機械学習モデルによって宣伝効果を定量的に可視化する予測モデルを構築しました。
この効果予測モデルによって、これまで担当者の勘と経験に依存しがちであったプロモーション施策の種類・アプローチ対象・タイミングなどによる宣伝効果の予測や分析を、定量的に行えるようになりました。
【関連記事】
データの分析や予測に強みを持つAIは、企業のDXに大きく貢献してくれます。その一方で、闇雲にAIの導入を目指したところで単なるPoC（Proof of Concept、概念実証）、すなわち「お試し」にしかならず、よくても小規模な業務改善にとどまり、全社的な製品・サービスやビジネスモデルの変革にはつながりません。
AIがひとつのツールであることを念頭に置いて、何のためにDXを進めるのか、どんなビジネスモデルを目指すのかなどビジョンを明確にし、それに向けた体制整備や経営リソースの配分、技術的な実現可能性を高める外部パートナーの選定を行うことが欠かせません。もちろん、これらのプロセスを強力に推し進めるうえでは経営層のコミットメントも必要です。
DXの本質について改めて知りたい方は、こちらの記事もぜひご一読ください。
