デジタルトランスフォーメーション（DX）の必要性が叫ばれて久しい昨今において、多くの企業が業務改善に取り組んでいる。一口にDXによる業務改善と言っても複数のアプローチが存在する。例えば、「過去の販売実績を可視化し、ユーザーがデータを見ながら発注量の判断をするアプローチ」「AIによる需要予測結果を基にユーザーが発注量の判断をするアプローチ」などがある。
前者と後者のアプローチは大きく異なる。前者は既存の情報技術を活用することで構築可能であるが、後者はデータサイエンスの力が必要となる。本稿では、後者、つまりデータサイエンスの力を用いた「AIによる業務改善」を成功に導くための、「AIマネジメント人材と求められる要素」について述べる。
※本記事は、ZDNET「AI活用の業務改善を成功に導く、「AIマネジメント人材」と求められる要素とは 」（2024年1月30日）の内容を転載しています。
AIによる業務改善プロジェクト特有の障壁・課題
多くの文献で、「AIによる業務改善」を成功させるためのポイントとして、「目的・ゴールの設定」「データ整備」「検証プロセスの設定」などが挙げられている。
- 目的・ゴールの設定：解決すべき業務課題を定め、ステークホルダーと合意する
- データ整備：分析する上で必要なデータを整備する
- 検証プロセスの設定：本番導入の前に行う概念実証（PoC）のプロセスや重要業績指標（KPI）を定める
しかし、上記を達成すれば、業務へのAI導入がスムーズに進むかと言えば、実はそうではない。一般的なITシステム導入による業務改善と、AI導入による業務改善との間には大きな違いが存在する。それは「登場人物」の違いである。
一般的なITシステム導入では、ITシステムを使って業務を行うユーザー（業務ユーザー）、ITシステムを開発するメンバー（システムエンジニア）が登場する。プロジェクトの流れとしては、システムエンジニアが業務ユーザーの要望をヒアリングし、システム要件に落とし込む。コスト面も含めて、合意が取れれば、システム要件に従って、システムエンジニアがシステム構築を行う。そして、業務ユーザーが業務要件を満たしているかを確認する。
一方、AI導入では、業務ユーザー、システムエンジニアに加え、AIの専門家であるデータサイエンティストが登場する。プロジェクトの流れは、まずデータサイエンティストが、業務ユーザーの要望をヒアリングしてAIモデル要件に落とし込み、その要件に従いAIモデルを構築する。その後、PoCフェーズで、AIモデルの精度や運用可能かを業務ユーザーも含め確認する。
そしてAIモデルにある程度目途がついたら、システム開発フェーズに移行する。システムエンジニアがデータサイエンティストにAIモデル要件をヒアリングし、システム要件に落とし込み、構築を行う。構築したシステムについては“意図した通りの精度が出ているか”をデータサイエンティストが、“業務要件を満たしているか”を業務ユーザーが確認する（図1）。
このように、AIの業務導入は登場人物が増えることでプロセスが複雑になる。その結果、要望・要件に矛盾が生じやすく、これがAIの業務導入における特有の障壁となる。
また、業務／データサイエンス／システムエンジニアリングに関する知識について、３者が保有しているレベルはそれぞれ異なるため、使っている言語も思考も違うと考えた方が良い（図2）。
業務ユーザーは「いかに業務を完璧かつ円滑に進めるか」、データサイエンティストは「いかにAIの精度を上げるか」、システムエンジニアは「いかにシステムを安定稼働させられるか」を考えており、それらが矛盾する要望・要件につながってしまうのである。
AI・システム・業務をつなぐ「AIマネジメント能力」の必要性
業務ユーザー、データサイエンティスト、システムエンジニアだけでは、AI・システム・業務横断で対策を検討し、調整・実行していくのは非常に難しい。
AIの業務導入を成功に導くためには、役割やスキルセット、目線の異なる３者の橋渡しをする「AIマネジメント能力」が重要だ。ここで言うAIマネジメント能力とは、3者の互いに矛盾する要望・要件を整理し、取り得る対策を検討し、メリット・デメリットを洗い出し最善の対策を3者と調整することで、プロジェクトを推進する能力である。
これには、業務／データサイエンス／システムエンジニアリングの全てにおいて「知識レベル4」以上と、それに加えて高い調整能力が求められる（図3）。
プロジェクトマネージャーがAIマネジメント能力を持ち合わせている事が理想であるが、それが難しい場合は、プロジェクトマネージャーの配下に、AIマネジメント能力を持つ人材（AIマネジメント人材）を配置すると良い（図4）。
具体的にAIマネジメント人材に求められる要素（スキル）には以下がある。ここでは特にAI導入と一般的なITシステム導入で異なる点に焦点を当てて述べたい。
要素1：異なる手法で進むモデル開発、システム開発を総合的に管理するスキル
AI導入では、開発手法が混在する。システム開発はウォーターフォール開発で、AIのモデル開発はアジャイル開発に近い形で進んでいく。
AIのモデル開発がアジャイル開発に近い形となるのは、どの特徴量（データの特徴を定量的な数値として表したもの。AIが予測の手がかりとする）がAIの精度向上に寄与するか仮説を立て、検証するというプロセスを繰り返す必要があるからである。システム設計・開発の段階で並行してAIモデルに修正がなされ、システム仕様の変更が必要になる場合もある。
AIマネジメント人材は、システム／モデル開発それぞれの進行状況、全体スケジュール、精度などを総合的に管理し、タスク／スケジュールの見直しや一定水準に達した時点でのモデル仕様のフィックスの判断などを迅速に行えなければならない。
要素2：多くのステークホルダーと適切なタイミングで適切にコミュニケーションを取るスキル
AI導入には多くのステークホルダーが存在する。さまざまな役割や立場の人々から上がってくる要望や要件を処理するには、AIマネジメント人材が仲介・調整役となり、適切なタイミングで適切にコミュニケーションを取る必要がある。
特に、AIに詳しくない業務ユーザーの中にはAIに過度な期待を持ち、まれにしか起こらないパターンの予測精度が低いと、業務導入後に強く改善要求をしてくることがある。しかし頻度の少ないパターンでは学習データが足りず、AIの精度が低くなることは発生する。この点を業務ユーザーに理解してもらうことが重要だ。でなければ、期待度や協力度が下がり、プロジェクトの推進に悪影響を及ぼす恐れがある。
AIマネジメント人材は、業務ユーザーと密接にコミュニケーションを取り、「AIは全てを完璧に予測するものではなく、あくまで人間の業務の大部分を補完し、付加価値の高い業務へ人間のリソースを集中させるという役割」であることを理解してもらうことが必要である。AIによる業務改善は会社としての期待度も高く、役員クラスへの報告も必須であることが多い。そのため、全てのステークホルダーがAIに対し過度な期待を持たないよう、適切にコントロールする力も求められる。
要素3：データ・システム・業務を十分に理解し開発を推進するスキル
AIのモデル開発や高度化のためには高品質なデータの取り込みが必要である。社内で利活用可能なデータは何か、どのような形式で取り込むのかなどを適切に判断しなければならない。そのためには、データ／システムに関する知識はもちろん、業務への理解も必須である。
例えば、小売業の需要予測アルゴリズムを開発、高度化する際には、販売・在庫計画業務、値引き戦略、商品体系、天候など外部要因の需要への影響等を理解して適切なデータを適切な形で取り込まなければ、AIは傾向を学習できない。
AIマネジメント人材はそれらを十分に理解した上で助言、レビューを行い、データサイエンティストやアーキテクト、システムエンジニアによる検証、開発を推進することが重要である。
おわりに
本稿では一部のみの紹介となったが、ここまで解説してきた通り、AIによる業務改善を成功に導くためには「AIマネジメント能力」を持つ人材が必要不可欠である。AIマネジメント人材に求められるスキルには一般的なプロジェクトマネジメントスキルと共通する部分もあるものの、より広範かつ高度な知識が求められる。
本稿で紹介した内容が、AIによる業務改善プロジェクト成功の一助となれば幸甚である。
