生成AI活用フレームワークの構築 付属資料

生成 AI 活用フレームワークの構築 - 企業は如何にして競争優位を獲得するか？ 高橋浩（B-frontier 研究所） 要旨：生成 AI はこれまで人間にのみ可能であった認知機能を実行できる。結果、企業の競争優位の源泉 は変わると推定されている。その際、生成 AI は人間を代替するか、あるいは人間を強化するかと話題に なりがちである。しかし、従来の競争優位の代表理論 RBV（リソースベーストビュー）で見ると状況は それほど単純ではない。生成 AI 導入企業の多くの現場では、使い慣れた技術と新しい技術の両方を使用 し、代替と補完が同時発生すると考えられる。本稿はこのような状況下で企業が生成 AI を導入する際の 取組指針を、3 つのフレームワークとデータに着目した戦略の 2 つの視点で考察し紹介する。 １． はじめに 一つは、一定の切り口、視点からどのように生成 人工知能 (AI) により、これまで人間にのみ関連 AI 活用の手順を考えて行けばよいか？のような、便 付けられていた認知機能が機械でも実行できるよう 宜的な生成 AI 活用のフレームワークを構築するこ になった。この結果、AI が競争優位の源泉を変え とである。二つは、生成 AI はデータがあればそれ ると推定されている[1]。この変化がどのようになる を学習し、それに基づいて適切に答えてくれる。そ かについての対照的な 2 つの見解がある。一つは こで、データの所有形態が極めて重要になるので、 AI が人間の認知能力を代替するという考え方。も それに着目した分析である。前者は２節、後者は３ う一つは各分野で人間は機械と協力し、AI は人間 節で論述する。 を補完するという考え方である。 従来、企業の競争力の源泉を説明する代表的な理 論は RBV（リソースベーストビュー）であった。こ ２. 生成 AI 活用フレームワーク 以下の 3 つのフレームワークを述べる。 れはリソースが競争優位性と関連付けられると説明 (1)生成 AI を既存環境に導入すると露呈する各種矛 してきた。その背景として人間の認知能力は不均一 盾への対応の視点から導出したフレームワーク に分布し、供給は限定されており、模倣は難しいの (2)生成 AI の代表的 4 機能を 2 軸で分類し特徴付け で、組織を構成する人間の認知能力の総和（リソー た知見から導出したフレームワーク ス）が企業の重要な競争力の源泉と描かれてきた。 (3)実践者スキルのバラツキを前提に既存の学習理 そこで、生成 AI の企業への影響を考える場合、 論（構成主義）に基づくプロンプト開発手順から 生成 AI の本格導入下で、生成 AI がどのように戦略 的意思決定や問題解決に活用され、企業のパフォー マンスにどのようにつながるのかが深く検討されな ければならない。 導出したフレームワーク 2.1 フレームワーク１：矛盾と対応する戦略 新技術は逆説的であることが多い。新技術を既存 環境に導入すると、矛盾しながらも相互に関与する しかし、生成 AI 導入が競争優位にどのように影 ことが起きる。即ち、単独では論理的に合理性があ 響するかに関する RBV の予測は決定的ではない。 るように見えても、既存技術と同居すると不合理な 何故なら、生成 AI が人間の認知能力を代替すると 要素が含まれることがある（例えば、独立性を促進 RBV が従来競争優位をもたらしてきたとする利点 したいのに他に依存するなど） 。 このような逆説的性 が失われると推測されるからである。加えて、従来 質により、新技術は組織と実践者に機会と課題の両 のテクノロジーとは対照的に、生成 AI は機械が自 方をもたらす。 律的に学習して行動でき、その結果、機械が意思決 この視点から 4 つの矛盾を抽出する。 定や問題解決において人間と対話できるようになる 矛盾 1：仕事の促進か妨害か？ とも見られるからである。 矛盾 2：創造性か迎合か？ その結果、生成 AI を導入する企業の多くの現場 矛盾 3：効率性か非効率性か？ では、使い慣れた技術と新しい技術の両方が使用さ 矛盾 4：優越性か劣等性か？ れることで、代替と補完が同時に発生することが予 生成 AI は人間のみが可能であった認知機能を実 想される[1]。このような新たな状況に対する総合的 行できてしまうので、非常に幅広い分野でどちらを 理論は現在登場していない。そこで、本稿は生成 AI 優先すべきか？どちらを選択すべきか？という課題 導入戦略として、次の 2 つの視点で分析を行う。 に直面する。そこで、この状況を生成 AI 適応中と

ていない。 そこで、生成 AI に対するインタフ ェースを翻訳、要約、分類、増幅の４ つに集約し、これらの特性を検討する ことで、生成 AI 適応への指針抽出を 目指す。4 機能の特徴をクローズアッ プさせるため、認識機能を文脈認識と コンテンツ認識に分割して考える[3]。 文脈認識: 新しいデータに関する推論 を行うため、トレーニングデータに基 づいて知識を活性化するモデルの能力 コンテンツ認識: 当面のタスクに適し た形式に関連するデータを変更および 再パッケージ化するモデルの能力 そして、この 2 軸の高低で区切られ 図 1. 4 矛盾に対応する生成 AI 活用戦略 適応後に分けて代表的特徴を図 1 に示す[2]。 図 1 は最初に企業が既存組織に生成 AI を本格導 入する際に取り組むべき指針（フレームワーク）に なると考える。 この理解の元に適切な戦略を考える。 た 4 面に 4 機能を対応させる。 図 2(上) に 4 機能を 4 面に対応付けた理由を付記して示す。 この分析結果から生成 AI 活用の手順を、簡単か ら複雑へを基本にして下記フレームワークにまとめ る[3]（図 2(下)） 。 適応中は矛盾のプラス面を最大限に活用し、マ イナス面を最小限に抑える状況適合アプローチ が考えられる。一方、適合後は同業他社も類似 の活動をしているに違いないので、そのような 状況における心理的矛盾（負担）を緩和するた め、実践者と生成 AI との相乗効果を発揮する 両利きアプローチが考えられる[2]。 典型的事例を以下に示す。 状況適合アプローチ：生成 AI の機能、制限、 開発を予測/追跡する職務の設定、生 成 AI を業務に活用する方法の教育、 社内もしくは共同で独自生成 AI の 開発あるいは有料版使用に向けた 投資、など 両利きアプローチ：実践者と生成 AI ツール間の作業タスク割り当ての 再設計、例えば、従業員の強みに一 致するタスクを特定し、従業員が得 意としないタスクを生成 AI に委任 するなどで、高い相乗効果を実現す る。 図 2. (上)4 機能の分類 (下)生成 AI 適応指針 2.2 フレームワーク 2：基本４機能分類からの指針 生成 AI が多くの分野で優れた一般知識を持って 1. 切られた目的に対して適応)。 いることはよく認識されている。しかし、ユーザー が 1 回限りの特定タスク実行のために生成 AI に要 求するインタフェースは必ずしも適切には整理され 小さなことから始める(“翻訳”など明確に区 2. 生成 AI を使用して組織データを調査する(組 織が保有するデータの“要約”で実態を把握)。

3. 統合により拡張する(データ を“分類”し、それに基づい た統合を通じてシステムを 拡張)。 4. 即応性のある人材を育成す る(多様な分野に対応可能な チーム形成で“増幅”に挑戦)。 2.3 フレームワーク 3：構成主 義に基づいたプロンプト設計 組織内実践者は多様なので、生 成 AI に有意義に関与するための プロンプトエンジニアリングは単 純ではない。実践者のタスクとス キルに合わせたプロンプト作成の 学習プロセスを最適化する必要が ある。この課題の取組みを構成主 義の原則（表１）に基づいて検討 図 3. 3 次元 6 ステップのプロンプト開発手順 する。 構成主義とは、 「学習者は、彼ら自身による理解を ・フィードバックループバイアス：レコメンデーシ 組み立てるようなかたちで教育すべき、あるいは学 ョンシステムの蔓延に影響されてユーザーインタ 習者の中に既に存在する概念を前提に組み立てる必 ラクションが変化する。 要がある、というジャン・ピアジェが発達心理学を 以上の結果を下記にまとめる。 もとに考案した学習・教授理論」である。 この前提では、生成 AI をより知識のある他者と 位置づけ、 生成 AI は実践者のメンターであったり、 技術エージェントの役割を果たす。このような支援 を受けて、学習者(実践者)は自らの経験を通じて知 識を構築する。 このような構成主義的視点でのプロンプト作成は 3 つの包括的次元（文脈、構造、評価）と各次元毎 に 2 つ、都合 6 個のステップで構成される反復プロ セスと考えられる[4]。全体像を図 3 に示す。 全てのステップで生成 AI に投稿(プロンプト)す る問題、機会、質問をどのように構築するかを慎重 に考察しなければならない。特にプロンプトの最終 品質を決める評価では種々のバイアスの除去/回避 が重要になる。この中には人間がバイアスを導入す る可能性もあるのでその 例を以下に述べる[4]。 ・自動化バイアス：ユー ザーが AI の出力を常に 正しいか優れていると思 い込む。 ・確証バイアス：AI が生 成した自分の先入観と一 致した結果を過大評価す る。 3．競争優位の獲得 フレームワークを活用して生成 AI を競合他社よ り巧みに、より速く活用することは競争優位に繋が る。しかし、もう一つの本質的に重要な点は、生成 AI をカスタマイズするための貴重なデータをどれ ほど保有し、且つどれだけ継続的に獲得できるかで ある。この視点から３つのレベルを設定する[5]。 1. 公開されているツールを如何に活用するか？ (レベル 1) 2. 公開ツールを自前保有データでカスタマイズ して如何に独自の活用を図るか？(レベル 2) 3. 自動かつ継続的なフィードバックループを如 何に構築するか？(レベル 3) レベル１：公開ツールの活用

を元に生成 AI をトレーニ ングし改善した製品、サー ビスを提供できるサイクル が確立できれば、強い競争 優位性を維持できる。全体 まとめを表 2 に示す。 しかし、この段階に到達 するまでには多くの壁が存 在する。現実的には、適切 な課題に着眼し順次フレー ムワークのステップを踏ん で、各企業のビジョンや期 待度に基づきつつ、着実に 最終目標の実現に向けた実 践を積み重ねて行くことが 重要になる。 〔参考文献〕 フレームワークを当該環境に適切に活用すれば 初期の優位性は獲得できる。この延長線上で根本的 〔１〕 intelligence and the changing sources of にビジネスプロセスを見直せば一層の優位性が得ら competitive advantage”, Strategic れる。しかし、誰もがアクセスできる既製生成 AI Management Journal, 44 (6), 1425-1452, ツールにのみ依存していては、生成 AI はスキルの 2023. 低い従業員をより効率的にスキルアップさせるので、 長期的には先行優位を維持できない恐れがある。 〔２〕 generative AI in the advertising industry”, そこで、生成 AI ツールと内部(自前)データを組み Business Horizons, Available online 10 May 合わせ、より直観的インタフェースやパーソナライ 2024. ズしたサービスを提供する必要がある。但し、内部 〔３〕 innovation in the age of generative AI”, レベル３：自動かつ継続的なフィードバックループ Business Horizons, Available online 24 April 顧客が製品やサービスを使用するプロセスで自然 2024. に信頼性の高いデータが生成され、自動的にフィー 〔４〕 human-AI knowledge co-construction”, そのデータを学習することで生成 AI ツールが改善 Business Horizons, Available online 3 April される正のスパイラルが成立する（最終目標） 。しか 2024. し、この目標実現には、一般にはビジネスモデルの 〔５〕 Threat into a Competitive Advantage -How to 最後にまとめを述べる。生成 AI は極めて斬新な factor the new technology into your strategy-”, ツールではあるが、企業の競争優位に焦点を当てる HBR Magazine, January–February 2024. と、本質的差別化のカギはデータにある。このデー 顧客とのプライバシーや権利問題の訴訟リスク無し に獲得できるかどうかがポイントになる[6]。この課 題をクリアした上で継続的にデータを収集し、それ Scott Cook, Andrei Hagiu, and Julian Wright, “Turn Generative AI from an Existential 非常にハードな課題解決が伴う[5]。 タを製品、サービス使用の自然なプロセスの中で、 Jeandri Robertson et al., “Game changers: A generative AI prompt protocol to enhance 実現されれば、製品/サービス使用がデータを生成し、 根本的見直し、 大規模な組織変革、 膨大な投資など、 Leif Sundberg, Jonny Holmström, “Innovating by prompting: How to facilitate ータ蓄積が将来的に可能なことが条件になる。 ドバックされれば、競争優位を維持できる。これが Elena Osadchaya et al., “To ChatGPT, or not to ChatGPT: Navigating the paradoxes of レベル２：自前データによるカスタマイズ データの有用性（希少性）が他社より高く、かつデ Sebastian Krakowski et al., “Artificial 〔６〕 Andrei Hagiu and Julian Wright, “To Get Better Customer Data, Build Feedback Loops into Your Products”, HBR Magazine, July 2023.