AI LLM 企業向けAI デジタルトランスフォーメーション AIシステム ワークフロー

企業向けAIの失敗は、技術力や導入意欲の問題ではなく、そもそもの設計にあった。大規模言語モデル（LLM）はテキスト予測システムであり、企業運営に不可欠な記憶、文脈、フィードバック、制約を備えていなかったのだ。

ツールからシステムへ、そして成果へ

数週間前の記事で私は、企業向けAIの失敗は技術や導入意欲、モデルの性能だけの問題ではないと主張した。その根本はアーキテクチャにあった。LLMは企業を運営するようには設計されていない。企業は記憶と文脈、フィードバック、制約に基づいて動くが、LLMは依然としてテキスト予測システムに過ぎない。

続く記事では、単に「プロンプトを改善する」という答えではなく、より深い転換が必要だと指摘した。ツールからシステムへ、回答から成果へ、コパイロットから行動システムへ、プロンプトから制約へ──。企業向けAIはセッションベースでは機能せず、記憶しなければならない。

今、その議論に第3のステップが必要な時が来た。重要な変化が始まっているからだ。企業で機能し始めているAIシステムは、もはや「優れたチャットボット」や「高性能なコパイロット」、あるいは「改良されたプロンプトチェーン」には見えない。それらはまったく別の姿をしているのだ。

「見える層」から「見えない層」へのシフト

過去2年間、AI業界は主に「見える層」の最適化に注力してきた。より大きなモデル、洗練されたインターフェース、高機能なコパイロット、そして野心的なエージェント──。しかし、真の価値を生み出すシグナルは、その「見える層」だけからは生まれていない。むしろ、ワークフローの再設計、AIのプロセスへの埋め込み、知性をツールではなくインフラとして扱う組織から生まれている。

マッキンゼーの最新グローバル調査によれば、AIの活用は広がっているものの、多くの組織は依然としてワークフローやプロセスに深く組み込まれておらず、企業レベルの成果につながっていない。同調査では、ワークフローの再設計が最も強力な成果創出要因の一つであることが明らかになった。これは、私の主張を裏付けるものだ。問題はモデルが正確に回答できるかどうかではなく、どこにモデルを配置するかだったのだ。

成果を上げている組織は、単に「より多くのAIを使う」のではない。企業そのものをAI中心に再設計しているのである。

プロンプトではなく、文脈から始まるシステム

ここで真の変化が始まる。現在登場しつつある最も興味深い企業向けAIシステムは、狭義の「プロンプト」からではなく、文脈から始まる。持続的で構造化され、管理された文脈──。アンソロピックのエンジニアリングチームは、プロンプトエンジニアリングに続く自然な進化として「コンテキストエンジニアリング」を位置付けている。その真の課題は、単に指示の表現方法を考えることではなく、モデルを取り巻く全文脈状態の管理──システム命令、ツール、外部データ、メッセージ履歴、環境──にあると指摘する。

これは根本的な転換を意味する。重心が「何をモデルに尋ねるべきか」から、「どのような環境、状態、制約を、質問が投げられる前にシステムが既に知っておくべきか」へと移動しつつあるのだ。

アンソロピックは、長期的なエージェント運用に関するガイダンスでも同じ点を強調しており、環境管理の重要性と、複数のウィンドウや長期的な時間軸で効果的に機能するために将来のエージェントに必要な文脈を設定する必要性を説いている。

これは、私がこれまで主張してきた内容に徐々に近づきつつある。企業向けAIは、もはや単なるツールではなく、企業の記憶と意思決定を支えるインフラとして機能し始めているのだ。

「企業向けAIの成功は、技術の進化ではなく、組織の再設計にかかっている」
— AI業界の第一人者

出典: Fast Company
NVIDIA CEO Jensen HuangがCMU卒業生に送るAI時代のチャンス：今すぐ走り出せ
← 前へ

NVIDIA CEO Jensen HuangがCMU卒業生に送るAI時代のチャンス：今すぐ走り出...

 米国の気候政策：IRAとOBBBAの影響を検証する最新研究
次へ →

米国の気候政策：IRAとOBBBAの影響を検証する最新研究