生成AIによる価値創出への道――「フライホイール」（はずみ車）を回し続ける

もちろん、こうした数値は、生成AIを現行の経営モデルに適用するという想定のみに基づいたものであり、生成AIツールの開発・運用コストや競争状況が変化する可能性は考慮されていません。それでも、潜在価値が予測される範囲の中で最低水準にとどまったとしても、こうした生産性向上は市場の期待が大きく動くきっかけとなります。その結果、一層のイノベーションや破壊的創造、再創造が促進され、価値創造のまったく新しいモデルにつながる可能性があります。

この変革の勢いを継続させやすい業界とそうでない業界があります。企業が生成AIに取り組む際、どこに注力すれば最も生産的な成果につながるのでしょうか。これを見極めるために、私たちが着目したのは、抜本的な変革の初期に見られるメカニズム、「フライホイール」（はずみ車）です。

フライホイールは、本来の用途である製陶用の「ろくろ」に始まり、Amazonの電子商取引の仕組みに影響を与えたコンセプトに至るまで、多岐にわたって利用されています。しかし、いずれの場合も、静止状態から回転の勢いをつけるためにはそれなりの力が必要です。ひとたび回転に勢いがついて好循環が始まれば、そこからは新しいエネルギーを加えるたびに勢いが増していき、小さい労力でも加速するようになり、エネルギー（ビジネスで言えば、知識、経験、能力）の保存と伝達の両方が促進されます。時間の経過とともに勢いが増していくため、価値の創造（と獲得）のコストが低減する可能性があります。

企業のリーダーがこのフライホイールの力を生かせば、生産性の向上や変革的な再創造をめざして、自社を有利な地位に置くことも可能です。しかし、生成AIの効果は、単なる利益の拡大にとどまらず、はるかに広範囲に及ぶ点を忘れてはいけません。つまり、責任あるAIという考え方（言い換えれば、経営上の意思決定が社会に広く影響を及ぼす点を踏まえた考え方）は、ビジネスのどの段階にも適用する必要があるのです。

3. 規模拡大のためのパターン探索

最大の価値を創造するためには、通常、生成AIの改良と焦点合わせが必要になります。すぐに使えるように事前設定されたモデルでも、一定のユースケースであればしっかりとした成果を出せるはずですが、自社の独自データを組み込み、さらに焦点合わせやセキュリティを目的としたガードレールを追加したり、核となるツールの機能や正確性を高めるプラグインを追加したりすれば、妥当性の面でも効果の面でもはるかに大きな力を発揮してくれます（実際、PwCでは、社内用の生成AIツール「ChatPwC」にこうしたカスタマイズを加えています）。

生成AIツールは、この初期のモデル改良段階が完了すれば、多くの場合、同様の用途に素早く転用できます。これを「パターン」と呼びます。既存の生成AI導入環境にわずかな作業を加えるだけで他のユースケースにも転用できる分野が存在します。こうした分野に関して、技術戦略責任者をはじめとする企業幹部の水平思考を後押ししてくれるのがパターンなのです。

4. 基盤となる生成AIツールの選択

規模拡大に向けてユースケースとパターンを特定したら、最適な生成AI基盤技術の評価と候補リストアップの作業に着手します。ここで大切なのは、将来的にありうる技術的負債を予想し、これを回避することです。技術的負債とは、さまざまなプロセスに対応するために複数の生成AIツールを連携しないまま使う非効率な状態など、対症療法的な技術投資ゆえに長期的には制約が生じ、最終的に変更のコストを強いられる状況を指します。何よりも必要なのは、生成AIの頑健性を追求しつつ、採用可能性や適応性にも配慮しながら、規模の拡大と持続性のあるビジネスの成果を実現していくことです。

まず、適切な生成AIの基盤モデルと、これを支える各種技術、クラウドプラットフォーム、サービスプロバイダー、パートナーの選定に着手します。OpenAIのChatGPTやGoogleのGemini、AnthropicのClaudeなど、不特定多数がアクセスする生成AIモデルが適しているユースケースもあります。逆に、取り扱いに注意を要する業務情報であれば、管理が徹底された環境下で、もっとセキュリティを強化した非公開型のモデルが必要になるはずです。自社の特定業務の詳細な知識を基にした法律文書や提案依頼書（RFP）の草案作成、個人情報へのアクセスが必要な個別化サービスの提供、製品・サービスのイノベーションの支援など、特殊性の高い用途では、企業や分野に固有の知識を利用する必要があります。これは、検索拡張生成（RAG）を利用するか、必要に応じて自社の基盤モデルを微調整することで、独自開発をすることなく、基盤モデル内で対処できます。いくつかのケース、特に製薬会社や化学メーカーの研究開発のようなケースでは、所期の成果を上げるために、まったくの白紙状態から独自にモデルを開発し、トレーニングするところから始める必要があります。

5. 既存の価値を最大化するソリューションの明確化

次のステップは、価値最大化につながる目的特化型のソリューションにするために、基盤ツールに何を追加すればいいのかを明らかにします。多くの企業の場合、ツール類をそろえるだけでは市場での差別化につながらないため、ここに独自データを加えることが成功の鍵となります。しかし、一方で、そのようなデータ利用は、ガバナンスやリスク管理の面で新たな問題を引き起こし、開発・導入コストの大幅増を招きかねず、本来なら有望なはずのソリューションの総合的な価値を弱めてしまう可能性もあります。

最小の努力で最大の価値を引き出せるソリューションを特定するためには、パターンに着目した水平思考が重要です。典型的な例が、生成AIチャットボットです。自社の製品・サービスのマニュアル類を分析して、顧客サービスへの問い合わせの自動対応を支援する生成AIチャットボットの開発を完了させれば、あとは簡単な調整作業だけで、顧客対応担当者が直接対応する際の支援に適合させたバージョンを作成できます。ここまで来れば、営業部門やトレーニング、製品開発を対象とした社内向け生成AIアシスタントを開発することもそれほど難しくはありません。こうしたユースケースが増えても、個別に見れば、収益に大きな影響を与えるわけではありません。しかし、このような形で生成AIソリューションを上乗せしていけば、勢いを追い風にできます。

6. コストとカーボンに対する影響を評価

価値創造につながりそうな道筋を描くことができたら、開発・導入のコストを算定し、先に進めるかどうかを判断します。多くの企業の場合、初期の生産性重視のユースケースは、コスト効率に焦点を当てることになり、既存の仕事の進め方を自動化したり、拡張したりする形で利益率向上をめざします。生成AIのユースケースであっても、本格的な規模のビジネストランスフォーメーションやイノベーション、再創造により、長期にわたってこれまでにない新たな収益を創出する可能性まで見えてくると、コストや効果の評価はますます難しくなります。

コストについては、単に財務面だけでなく、環境面はもちろん、評判面も含めた最も広い意味で考えます。例えば、生成AIに特定の作業を任せればコスト削減の可能性があるとしても、軽々しく人間をボットで置き換えれば、破壊的な、あるいはブランドが傷つくほどの反発を招きかねません。しかも、生成AIの出力について、人間の監督や検証が手薄になればリスク影響度が高まる恐れもあります。まだ初期段階とあって、生成AIの電力消費量のように、広く報道されているリスクが必要以上に喧伝される可能性もあります。PwCでは、生成AI利用がカーボン（温室効果ガス）に与える影響について、所要時間、使用プロセッサー数、プロセッサー当たりの消費電力、CO2換算トン数の排出係数の組み合わせを算定して分析しました。その結果、生成AIの定型的な利用はエネルギー集約的と言えるものの、効率化が広範に及ぶことから、他の排出源からの排出量削減にも寄与することが分かりました。

7. 開発・導入、テスト、学び

生成AIのように急激に進化する技術には、テストと学びが欠かせません。明確な管理と成功の評価基準を整えたうえで導入を展開していれば、どの導入事例にも学びの機会があります。そして、このようにして得られた教訓は、価値の獲得方法や将来の成果の測定方法など、今後の強化ポイントを特定する際に役立ちます。また、ツールやソリューションを社内の他部署に適用して規模を拡大する前に、リスクとガバナンスを再評価する際の参考にもなります。

この1年間にPwCが取ってきたアプローチを紹介しましょう。このアプローチでは、自社を「顧客第0号」と位置付けて取り組んできました。2023年春、PwCは、生成AI系スタートアップのHarveyと提携し、OpenAIのChatGPTを基盤モデルにしてHarveyが構築に着手していた税務・法務・人事向けソリューションを開発し、その実効性をテストしました。当初の実証実験段階で、社内チームは同ツールの深層検索・要約機能の有効性に即座に気づき、効果的な仕事の進め方を特定し、その機能を生かして、さらに改良を加え、ツールを強化しました。このツール導入は、当初こそ時間短縮という効率化のレベルでしたが、そこから進化し、旧来の業務モデルを脱却するための再創造に向けた継続実験のレベルへと発展しました。

8. 隣接分野への拡張に適応

フライホイールの最後の区分では、評価、開発、テストを通じて積み上げた知識と経験を生かし、幅広い用途に生成AIツールを転用するのに必要な調整を加えることができます。場合によっては、選定済みのソリューションを追加用途に合わせてカスタマイズする必要もあります。しかし、組織知が獲得できるおかげで、 PoC（概念実証）や初期の導入で学んだ教訓を基に、社内からの賛同が素早く得られるようになり、トレーニングと採用にかかる期間も短縮します。

ある世界的な大手飲料メーカーでは、この適応アプローチに従って、生成AI導入環境の規模拡張を進めています。当初は、部品故障につながりそうなパターンの特定をツールに指示することで、工場の予知保全に集中的に利用しました。その後、輸送・物流管理にも同じパターンを使い、同一アプローチを適応させることができるようになりました。さらにその後の用途では、生成AIで強化した精密農業で作物生産を効率化する新たなソリューションの開発にも乗り出しています。その結果、同様の生成AI活用型予測分析のツールやソリューションの適応・組み合わせによってシステム全体が可視化できるようになり、以前であれば開発に何年もかかっていたような規模でもサプライチェーンの端から端まで全体を計画する能力を持つに至りました。ただし、基礎となるパターンは全て同じで、同一ツールの上に各ソリューションが構築されています。つまり、プロジェクトが1つ増えるたびに、以前に比べてはるかに迅速に低コストで遂行されることになったのです。これは、同社がフライホイール方式の勢いを生かして、過去の導入事例に学び、ますます大きな価値への近道を見つけているからです。