企業がAI導入を迷ってしまう障壁とは。 AI活用の現場から。

ソリューション
デザイナ
コラム

AI知識とビジネス視点を合わせ持つ
当社のソリューションデザイナ（SD）が、
AI開発・導入・活用のポイントを
解説いたします。

企業がAI導入を迷ってしまう障壁とは。 AI活用の現場から。

2020.7.21公開 2024.12.20更新
株式会社Laboro.AI　ソリューションデザイナ　上田知広
執行役員　マーケティング部長　和田崇

概　要

AI導入に対する企業の期待が高まる一方、“AI導入の壁”とも言える現実とのギャップが、その実現を難しくしていることが多くの調査で明らかになってきました。AI導入を検討する企業が実際にどのような点に課題を感じているのか、そしてそれらにどう向き合えばよいのか、多くのAI導入を支援してきた経験から、その実際を振り返ります。

目　次

・AI導入への期待と現実
・AI導入の際に検討すべき二つのアプローチ
　・既存パッケージ型AIやAIサービスの導入
　・自社にカスタマイズして開発
・AI導入時の検討課題の実際と、持つべき視点
　・①自社内でAIへの理解が不足している
　・②導入効果が得られるか不安である
　・③導入費用が高い
・AI導入のステップ
　・構想
　・PoC
　・実装
　・運用
・各業界におけるAIの導入事例
　・製造業
　・食品メーカー
　・建設業
・まとめ

AI導入への期待と現実

富士キメラ総研が2024年12月3日に発表したプレスリリースによれば、2024年の生成AIを含む国内AI市場は、前年比29.1%増の1兆4735億円規模にもなると予想されています。市場を牽引しているのはやはり近年の技術進化が著しい生成AIで、ChatGPTやGemini、Claude、Perplexityなどの主要なLLM（大規模言語モデル）サービスの業務利用はもちろん、新規サービスやソリューションの創出、さらには新たなイノベーション創出による一層の市場拡大が見込まれています。

そうした状況から同調査では、市場規模が2028年には2兆7780億円にまで成長していくと予測しており、わずか1年前の予測値が1兆円程度だったことを思うと、急速かつ爆発的なAIの進化・普及が進んでいることが分かります。

これら調査でAI導入の重要性が示される中、ロイターが国内企業250社を対象に2024年7月に実施した調査を通じて、約4分の1がAIを業務に導入している一方、40%以上がそうした最先端技術を活用する予定がないことを報じています。同じ国内企業であってもAIの受け入れ度合いに大きなばらつきがあることが見えてきているのです。その結果を支持するように、情報処理推進機構（IPA）がまとめた『DX白書2023』の調査によれば、日本企業のAI導入率は22.2%、PoC（Proof of Concept：概念実証・実証実験）を行っている企業を含めても31.3%足らずで、米国の57.2%という値に比べると大きな差があることが分かりました。ちなみに導入課題としては、「自社内でAIへの理解が不足している」「AI人材が不足している」を上げる企業が顕著に多いことが報告されています。

AIの著しい技術進歩を背景に企業からの期待が高まる一方で、「導入したいけど、導入できない」という多くの企業の現実が見えてきます。この”AI導入の壁“とでも言うべき難しさは、一体何が要因となって生まれてくるのでしょうか。

AI導入の際に検討すべき二つのアプローチ

AIの導入に際しては、大きく分けて以下の二つの方法が考えられます。既存システムの流用と自社カスタマイズや開発では、どのような違いがあるのかをまずは確認しておきましょう。

既存パッケージ型AIやAIサービスの導入

AI導入を最もシンプルに進めていくための方法として、既存のAIサービスをそのまま導入する方法が挙げられます。

そもそも生成AIがここ数年で広く普及したのは、ChatGPTやMicrosoft Copilotなど、汎用性に優れたAIサービスが次々と登場したからで、それ以前のAI導入の大きな障壁として、AI開発のコストが大きいことがありました。しかし既成のパッケージ型のAIサービスの品質やコストパフォーマンスが飛躍的に改善したことにより、多くの企業で生成AIの導入が進んでいます。

既存のパッケージ型AIを導入する最大の利点は、運用に至るまでのハードルの低さが挙げられます。特にChatGPTのようなSaaSとして提供されている生成AIの場合、ソフトウエアのインストールなどの手続きがほぼ発生しません。

また、主要な生成AIサービスの多くが比較的安価に利用できる点も魅力です。クラウドサービスとして提供されている生成AIなら、月額数千円程度でAI導入の恩恵を受けられます。ChatGPTに至っては、基本機能を無料で利用できるため、金銭的なコストを全くかけずに始めることができ、使い勝手を確かめてから必要に応じて有料でアップグレードすることもできます。

一方、既存のパッケージ型AIをそのまま導入する場合のデメリットもあります。それは、そうした汎用的な機能をベースとしたAIと自社の課題との相性が良いとは限らず、機能や性能が期待を下回ってしまうことがあり得る点です。さらには、導入直後は良い精度であったとしても、ビジネス環境が変化してAI活用の方法も変えなければならなくなったとき、カスタマイズができないパッケージ型AIを使い続けることには限界があると考えておいた方がいいでしょう。

業界や自社特有の課題解決にパッケージ型AIの導入を検討している場合、AIの扱いに熟達した人材を確保し、適切に運用できるかどうかの検証をしっかり実施することが大切です。

また、ChatGPTのようなLLMに代表される既存のパッケージ型AIの一部は著作権や肖像権、さらにはセキュリティー上の問題を抱えていることがあります。AIがどのような情報を学習し、何を根拠にアウトプットしているかどうかは、少なからずブラックボックス化されたままであり、出力結果をそのまま世に出すことが大きなリスクにつながりかねません。加えて、パブリックなサーバーに接続されているAIサービスをそのまま使用すると、社外秘データが第三者に流出してしまうリスクもゼロではありません。

自社にカスタマイズして開発

自社の事業・業務に合ったAIを新たに開発することも有効なアプローチです。もちろん、既存のパッケージ型AIを適用するよりも、金銭的・時間的コストが基本的にはかかります。しかし、業務だけでなく事業、ひいては会社全体を成長させるという目的に立ち返れば、自社に合ったAIを開発することは長期的に見て賢い選択になり得ます。

なぜなら、AIは従来のITシステムのように一度開発・導入すれば終わりという代物ではなく、導入後に得られるデータでさらなる学習やチューニングを繰り返すことによってビジネスとの適合性が上がっていき、その結果ビジネス環境の変化にも対応でき得るからです。これを実現させるためには、AIだけでなくビジネスにまで通暁した人材を社内で育成するか、そのような人材を外部に求めて一緒に開発を進めていく必要が出てきます。

AI導入時の検討課題の実際と、持つべき視点

前述の通り『DX白書2023』では、AI導入に当たっての課題も調査しています。理由として特に気になるものが次の三つの項目です。

① 自社内でAIへの理解が不足している
② 導入効果が得られるか不安である
③ 導入費用が高い

当社にも多種多様な規模・業種のさまざまな部門の方からお問合せを頂きますが、最近の傾向としては、一昔前によくあった「何でもいいからAIを導入したい」といったAIへの過剰な期待は減り、AIを実用的なものにするためにどうすればよいかを、現実的に考えられているケースが増えていると感じます。

ですが、やはり導入前のコンサルティングフェーズでは、上記のような課題感をお持ちになり、ご相談いただくのが通常です。とはいえ、上の調査で検討課題として挙げられていた三つの項目は、あくまで表面的な部分を表した回答に過ぎません。そこで以下では、この三つの課題について、現場でのヒアリングを通して私たち自身が感じていることをお伝えし、これからAI導入を検討する方々のヒントにしていただければと思っています。

① 自社内でにAIへについての理解が不足している

ある意味当然かも知れませんが、この点は、特に最近AI導入の検討を開始された企業や、担当者に属人化する形でAIプロジェクトが行われている企業の方々から多く出てくるものです。一方、早い段階からAI導入に取組まれてきた企業では、例えば「データが不足している」「PoCを行ってもうまくいかず原因が不明」など、より具体的な課題に直面されています。

内容に違いはありますが、導入経験の有無やレベル感によって、こうした理解不足はあって当然で、これ自体は大きな問題ではないと考えられます。ですが、知識と経験の不足よって起こり得る、より重要な問題があります。それは、AIへの理解が不足しているため、AIを用いる場面イメージが想像できず、結果として、社内メンバー間で実際に利用する際のイメージがバラバラになってしまうということです。

AIを導入して何をしたいのか、どのようなデータを活用するのか、現場のどの業務を改善し、どのように評価し成果に結び付けるのかといったイメージが、当初段階で擦り合っていないと、結果、何を開発すればいいかの話もまとまらず、仮に開発できたとしても何の役に立つAIなのかよく分からないものが出来上がってしまうということも少なくありません。

AI導入で持つべき視点

こうした事態を回避するためには、AI導入後のビジネス・業務の姿を「これでもか」というほど具体的に描いて、社内関係者と早期に共有・軌道修正していくことが重要になります。場合によっては、AI専門ベンダーの力を借りることも選択肢の一つです。AIは様々な面で不確実性が高い技術ではあるものの、たとえ最初は外れていたとしてもゴールイメージを具体的にすることで、ビジネス上の意義も技術的な実現可能性も、さらにはさまざまな課題もクリアに見えてくるものです。

② 導入効果が得られるか不安である

過去にAI導入の経験を持っていても、従来とは別のテーマやデータ、技術などを用いたチャレンジの場合には、この点は変わらず課題となります。つまり、類似の取組みで成功パターンを見出だしていなければ、必ず起こり得る課題だといえます。

この背景には、AIの不確実性があります。これまでのIT系のツールとは違い、AI開発は予め成功が確約できるものではなく、データやパラメーター、モデルそのものなど、目指す精度や成果に向け、試行錯誤しながら調整＆開発を進めていくプロセスを辿るのが普通です。実現可能性を一定程度で見極めることは可能なものの、同時にどこまでいっても「やってみないと分からない世界」であることを、AI導入においては前提として認識しておく必要があります。

AI導入で持つべき視点

「導入効果が得られるか不安」という点を解消するためには、とにかく小さいPoC（実証実験）からでもチャレンジし、AIで実現できてビジネスに成果がありそうな点を少しずつ見つけ出していくという進め方が必要になります。

また、AIをはじめとする新技術の導入効果としては、よくROI（Return on Investment：投資収益率）が言われますが、そもそも「AIで実現すること」が明確になっていないと、何をリターンとするかも当然ながら事前に算出することはできません。導入を担当する方にとっては、社内で「ROIはどれくらいなのか？」というツッコミをうけるポイントになることも多いようですので、AIの評価と精度、そしてビジネスをロジックでつなげるための工夫が必要になってきます。①でお伝えした、早期からゴールイメージを具体化して軌道修正を続ける取組みは、ここにも効いてきます。

③ 導入費用が高い

費用に関する心配は、多くの企業で認識されている点です。最近では、AIの研究開発（R＆D）的な性質への理解が浸透してきたためか、金額に対する過剰反応は少なくなってきているものの、やはりまだ驚かれることも少なくありません。

たしかに手軽な価格で手に入る利用可能なパッケージ型AIやAIサービスツールも出てきており、これらと比べると個別でのAI開発・AI導入は高額に見えることものも少なくありません。しかし、単純に費用のみで比較すると判断を誤る恐れがあります。なぜなら、価格は、テーマのレベル感の裏返しだからです。

AI導入で持つべき視点

そもそも、当社の様なAIベンダーは、得意とする領域に応じていくつかに分類することができます。大きくは以下の四つです。

① アルゴリズムの開発から行うベンダー
② 一定程度に確立されたアルゴリズムの活用・実装をベースにカスタムでAI開発を行うベンダー
（↑当社が主に行うところ）
③ 一部個別開発が必要なソリューション開発行うベンダー
④ SaaS型ツールやパッケージAI製品の開発・販売を行うベンダー

この場ではわかりやすさを優先して誤解を恐れずお伝えすると、上に行くほど個別開発、下に行くほどパッケージ型やプロダクト販売の色が強くなります。「ライバル企業との差別化のために自社独自のAIを導入したい！」などの場合は、①や②の企業とタッグを組み、目的にあわせたAIの開発を行うのが有効です。この場合、技術難易度は高く、開発期間も長くなり、そそのため開発費用も高くなります。一方で、「他社と同じものでいいから早急に、簡単に使えるものを導入したい！」ということであれば、④のパッケージ型AIが安く導入することができますが、当然ながらその用途の範囲は、一般的かつ限定的なものになります。

これらを一括りに「AI」として同じ土俵で比べてしまうと、用途も価格も正当に比べることが難しくなってしまいます。AIを導入して何を、どの程度のレベル感で達成したいかということを明確にすることが先決だといえます。

AI導入のステップ

なお、AI導入を検討している場合、その進め方は以下の四つの段階を踏まえるといいでしょう。どのような手続きが必要になるのか、あらかじめ確認しておきましょう。

構想

ビジネス課題に対してAIが十分な解決策となるのかを検討し、その解決に向けてどのようなAIモデルを用いれば良いか、あるいはどのような設計でAIを開発すれば良いかを構想するフェーズです。

AIは万能な技術では決してないため、開発しようとしているAIが本当に課題解決につながるのか、課題のうちどの領域をAIによって解決するのか、導入によって自社にメリットをもたらすのか、その構想は実現可能なのかなど、ビジネスとAIの双方の観点からの検討を行います。

また「そもそも本当のビジネス課題は何なのか」という視点に立ち返って、業務上のボトルネックを根本から洗い出すことが必要になるケースも少なくありません。

PoC

PoC（Proof of Concept）は「コンセプト（構想）の証明」という意味で、構想フェーズで想定したAIが技術的に実現可能かどうかを実際に検証します。

AIの仮モデルとなるモックアップを開発し、機械学習やディープラーニングに必要なデータの量と質が確保できているか、期待した精度は出せるか、処理スピードは現場運用に合っているか、出力に誤りがあった場合のオペレーションは上手く回るかなどの要素を検証します。

実装

PoCフェーズでその実現性が確認できたら、モックアップの開発内容をベースに最終的なシステムとして完成させる実装フェーズへ移行します。

本番環境に必要な要件を定義し、開発を進め、AIのモデルを最終化していきます。完成後にはテストを行い、問題なく動作するかどうかの検証はもちろんのこと、ビジネス上の実務オペレーションも踏まえた稼働につなげます。

運用

実装後は、そのAIを適切に運用していくための運用フェーズに移行します。システムが安定して稼働するための保守に加え、構想フェーズで設定した目標達成状況の確認を都度行い、PDCAサイクルを回していきます。

各業界におけるAIの導入事例

AI導入の事例は、すでに多数の業界・企業で確認できます。ここでは当社事例を元に、主なAI導入の事例を確認の上、自社でどのように活用していけばよいか、その方向性を探りましょう。

製造業

沖電気工業では、防衛装備品の製造装置の検査作業に画像分類AIを用いた外観検査を導入することで、従来よりも効率的、それでいて品質にも優れる検査プロセスを実現することに成功しています。

同社でかねてより問題とされてきたのが、この検査作業における人手の負担が改善されないことでした。防衛装備品の製造過程の一部である電子基盤のチップ配置において欠かせない設備である吸着ノズルは、定期的な洗浄と洗浄後の検査が欠かせません。このノズルの検査はこれまで目視確認であったものの、業務が経験と手間に依存する部分が多く、自動化が遅れていました。そこで今回導入されたのが、AIによる検査プロセスの自動化です。

導入したAI外観検査システムは、人間と同等、あるいはそれ以上の検査精度を獲得することに成功しています。また、運用を続けることで得られた見逃し、虚報データを使って改善を進めていくことにより、さらに優れたAIモデルの構築につながることが期待されます。

出典：株式会社Laboro.AI「防衛装備品の製造におけるAIによる外観検査」

食品メーカー

味の素では、同社が保有するレシピデータを組み合せ、栄養素の条件とユーザーのニーズを満たす献立を作成するAIエンジン「献立作成エンジン」を開発しました。

同社が注目したのは、料理を作る人にとって献立の検討が大きな負担になっている点です。栄養バランスやユーザーの好みを反映した献立を組み立てることは、毎日の作業として発生すると、料理の機会や栄養価の高い献立を実現する大きな障壁となってきました。

そこで開発したのが「献立作成エンジン」で、好みの食材や求める栄養素など、さまざまな条件を複合的に検討の上、1万を超えるレシピデータから最適な献立を作成・提案生成できるようになっています。

出典：株式会社Laboro.AI「ユーザーニーズを満たす「献立作成エンジン」」

建設業

土木工事における施工計画の立案は、多くの制約条件を加味する必要があり、担当者の経験や事前のデータの充実度にその品質が大きく左右されます。プロジェクトごとに異なる条件で一つずつ検討が必要なこのプロセスは、人手で対応する場合には多大な負担が発生してきました。また、従来の数理最適化手法を用いたとしても、条件の組合せが爆発的に多くなると最適解を導き出すことが困難でもありました。

そこで新たに開発導入が進められたのが、プロジェクトごとの制約条件に応じて柔軟に施工計画を検討できる、強化学習ベースのAIサービスです。工期や地形（工事前地形、工事後地形）、使用可能な建機種などの条件を入力するだけでに基づいて、AIがコストや工期を検証の上などを含めた施工、計画を出力してくれるソリューションです。

これにより、立案作業の自動化による業務効率化はもちろん、それまでのマニュアル作業や数理最適化手法では変動要素が大きすぎて見つけることが困難だったコスト最適な計画の立案が可能となりました。

出典：株式会社Laboro.AI「土木工事での施工計画の最適化」

まとめ

今回は、AI導入において課題とされている3点について、実際の導入現場で活動するソリューションデザイナという立場からその実際を振り返りつつ、これからAIを導入する企業の方々が持つべき視点をお伝えしてきました。

ご紹介した３つの課題は、AI導入の成功事例や失敗事例が一般に共有され、また各企業で少しずつが導入経験を積み重ねられていくことで、ある程度は解消されていくと思われます。ですが、AI技術の日進月歩ぶりを考えると、一筋縄ではいかない状況がしばらくは続いていくはずです。

その時々のAI技術でできること・できないことを的確に理解した上で、導入する企業固有の課題に対し、どのような投資規模で、どのようなAIを開発し、現場で活用していくのかを描き、実践するためには、多種多調な知識やノウハウ、スキルが不可欠です。当社のソリューションデザイナは、まさにこうした知見を備え、テクノロジーとビジネスをつなぐことを実現する役割を担っています。

なお、AI導入によるメリット・デメリットを分かりやすく整理したコラム「AI導入のメリット、コスト、気にすべきデメリット」も公開しています。よろしければこちらもご覧ください。

コラム執筆者

ソリューションデザイナ　上田知広

東京大学大学院工学系研究科修士課程修了。大手インフラ企業にて、電力事業にかかわるシステム企画・導入やデータ分析などに従事。その後、大手総合系コンサルティング会社の戦略部門にて、SI・リース・コールセンターなど幅広い業種のクライアントに対し、新規事業・経営管理・営業戦略などの構想策定を支援。2020年、Laboro.AIへ参画。

執行役員マーケティング部長　和田崇

立教大学大学院経営学修士（マーケティング論・消費者行動論）。立教大学大学院ビジネスデザイン研究科博士後期課程中退。KDDI株式会社に入社、コンシューマ向け商品・サービスのクロスメディアによるプロモーション施策の立案・企画運営に携わったのち、全国漁業協同組合連合会を経て、2019年にLaboro.AIに参画。マーケティング／ブランディング業務に従事する傍ら、NewsPicksプロピッカーとして活動するほか、日経クロストレンドなどメディア寄稿多数。