かれこれ5年近く、SIerでAIプロジェクトに関わってきましたが、自分がやってきた仕事でどれだけのビジネスメリットを生み出せたか振り返ると、かなり限定的なものになってしまいますね。

支援会社の立場で仕事をしているので、自分が構築したAIモデルはSI的に運用、既存システムの連携のために、システム化・アプリケーション化することで初めて、顧客であるユーザーの業務で使われるわけではですが、運用まで漕ぎつけた例が少ないです。

そこからお金なり、時間なり新たなビジネスメリットを生み出して利益に貢献できた例ははっきり言ってないと思っています。納めたAIモデルがその後どういう使われ方をしているのかちゃんと追ったことはないですが、まず開発費を回収できない。いつの間にか使われなくなるそれが現実だと思っています。

どういった企業に向けてAIを構築してきたかというと、自動会社、精密機器メーカー、製薬会社などですが、DX、AI活用とはじめは意気込んでいたお客様もプロジェクトが進むに連れて、嵩む開発コストと定まらない要件、運用開始まで見通しの立たない現状に嫌気がさしてくる。これが毎度おなじみのパターンですが、どうして上手くいかないのか具体的に考えているとそこにはいくつかの要因があると思っています。

ということで、なぜAIの社会実装（構築したAIモデルを業務で使用できるようシステム化してビジネスメリットを生み出すこと）が難しいのかと、それに対するべき論つらつらと書いていこうと思います。

AIの運用システムは複数のシステムやデバイスをネットワークで連携させる必要があるため開発難易度が非常に高い

まずは、一番わかりやすい要因をまとめます。

AIモデルはセンサー、システムが吐き出すデータと、ユーザーからの入力を得て、出力を出します。そして、AIモデルを運用するには、高性能なサーバーやデータを管理するためのデータベースを用意し、ハード、ソフト含めたそれぞれの構成要素をネットワークで連携させて行く必要があります。

これは、開発側の視点で考えるとものすごく開発難易度が高いことですし、それ故に開発コストも高くなります。

それぞれの構成要素の要件に合わせて、運用システムを設計するとなると、果たしてすべての構成要素と連携できる最適解は存在するのか？という気持ちになってきますし、それだけではなく関わってくるステークホルダーが増えることは非常に厄介な問題になります。

例えば、ある需要予測システムのAIの入力に対して、顧客情報を持っているCMS、webでの注文を管理する受発注システム、社内のデータ基盤や検査機器などといったデバイスからデータを引っ張ってこないといけない場合、営業部門や情シス部門など様々な部署の協力が必要になります。

さらに、それぞれの構成要素にはそれぞれ保守を担当している開発会社が存在し、それらのステークホルダーの全員の協力を得ることが必要になるわけです。

正直、AI導入に対してすべての部署に推進する動機があることはないので、関係者が多いほどプロジェクト実施は難しくなります。さらに、必ずといっていいほどAI導入対して反対の姿勢をとっている部門もあるので、そういった場合は政治的な解決策をとられない限りプロジェクト推進は難しいです。

たとえ、全員の協力が得られたとしてもこれらの構成要素を連携するには技術的難易度が高く数社に渡る開発プロジェクトになってしまうためコストも高くなります。

一般的な解決策としては、これらのシステムやデバイスと直接連携するのではなく、データ基盤を用意して各々データ基盤とデータやり取りし、AIシステムはデータ基盤内のデータを活用するというものがあります。

ただ、データ基盤ない場合はデータ基盤を構築するところから始まりますが、会社の規模が大きいほど構築には時間がかかり、データを使用できうようになるのは数年後であることは覚悟してください、さらにデータ基盤が存在する場合でも、突っ込んだデータが使用できる状態にするための、データの整合性を担保するための活動が数年継続して実施されることを念頭におく必要があります。

ということで、まずはAI導入に対してメリットを共有できる部門だけでAI化できないか検討するべきだと思います。使うデータはなるべく絞って、システムの改修ではなく手動によるデータの連携も手段のうちでと思います（新たな業務が発生しますが）。

クラウドや社内ネットワーク上のサーバーで運用するのではあく、PCのローカルやスマートフォンアプリでAIモデルを運用し、データの連携は手動で行うといった運用だとしても、総じてビジネスメリットを得られればいいと思っています。

ただ、SIerで働いていると、他システムの連携がない場合、CUIのツールやローコードツールによる開発にとどまってしまい、ベンダーとしてはお金になりにくいという事情があります。ついつい営業段階で大規模な構想をして風呂敷を広げてしまい、たたみきれなくなってプロジェクト破綻することはやるせないですね。

AIの運用要件、活用目的が決まらない

上層部でDX推進のための予算がつき、その予算を使用するために社内でAI導入のための課題を探して、AIモデルを構築し始める。こういったプロジェクトの始まり方はよく目にしますが、私はDX、AIありきのAIプロジェクトは確実に失敗すると思っています。

理由は簡単で、AIで解決すべきは大きなメリットがある課題が存在したとき初めてAIプロジェクト成功しますが、この課題は探せば見つかるというものではなく、予算が先について無理やり現場から見つかるものではないからです。

PoC（コンセプト検証）として、AIモデルによって実際に課題が解決されるか探っていると、AIではない方法の方がよいという結論に至ることが多いですが、DX、AIありきで予算をとってしまうと、他の方法を試すことができず、最適ではないAIによる手法を無理やり試して失敗してしまうということが起きます。

そうなってくるとだんだん自分たちが何をやっているのかわからなくなっていき、ビジネスメリットとは程遠いところにプロジェクトが向かっていくわけです。

PoCをしながらAIで解決できる課題を探すのではなく、はじめに解決すべき課題と解決された際に得られる期待効果を明確に定義しておき、課題に対する要件を満たせる可能性があるのなら、AI活用のためのPoCを始めるべきです。

そして、PoCを進めるうちに可能性が想定を下回ってきたら、直ちに中止すべきだと思います。続けることで挽回できることは少ないので、PoCの撤退は早いほうがいいです。

そもそもやろうとしていることがAIでは解決不可

これは失敗するべく失敗していることになりますが、過去の失敗プロジェクトの原因を調べているとそもそも、できないことをやっている例が多々あると思っています。

そもそも、この問題設定で得ることができない解は、どんなに高度なアルゴリズムを使っても得られません。人間がわからないことはAIだってわからないです。

例えば、ある材料の価格と予測するには、その価格を決めるすべての要因のデータがなければAIは価格を決めることができません。生産国の人件費、為替レート、気候、他国の需要など複数の要件が密接に絡み合って決まる数値を、それらのデータのうち一部が不足しているのに高精度で当てることはできないんです。さらに、時事的な出来事も絡まってくるので、当初想定していた要素以外の影響を受けて価格が変動してしまう可能性もあります。

AIは人間よりも遥かに多くの要素を同時に分析できますが、取得できる情報の種類は人間の方が遥かに多いんですよね。

なので、そもそもPoCを始める前にできるかできないかは、データをしっかり見て判断すべきです。コードを書き始める前に勝敗目に見えていることは普通にあります。

ここも、SIerでAIプロジェクトをやっているとプロジェクト開始前にデータを精査できないという問題がありますし、たとえ勝ち筋はないとわかっていても仕事欲しさにプロジェクトを受注してしまい、負けるべくして負けるということはありますね。

逆に、AIベンダーにプロジェクト依頼する場合は、はじめからデータのサンプルや課題、満たさないといけない要件はしっかり整理したうえで相手にまとめて提示するべきだと思います。そのうえで相手が実現可能性に難色を示した場合は負けが確定したプロジェクトでお金を浪費しないためにきっぱりと諦めることが重要だと思います。

AIプロジェクトが失敗する理由を3つ上げてみました。

総じて、AIプロジェクトを成功させることは本当に難しいです。年々AIに対する投資額は世界的に増えていますが、その多くはデータサイエンティストやエンジニアの稼働と、サーバーの電気に消えて、世の中にはなんの貢献もされず無駄になってしまいました。

私は、AIに対する過大な加熱は不景気が来れば一気に吹き飛んで忘れ去られると思っていますが、それまでに少しでもAIが社会に貢献するために以上のことを考えていきたいですね。

それでは、