生成AI導入の不確実性を優位性に変える

　ソフトウェア業界に旋風を巻き起こした生成AIは、いまや業界を超えて勢いを拡大しつつある。その中の一つである製造業界では、予測不能な事象への対応や、リアルタイムの意思決定のサポートに寄与している。

　組織内の専門知識を体系化し、自動化して、普及させる生成AIの能力は、最終的には現場労働者から経営陣まで、あらゆる階層で業務の構造を再編する可能性がある。すでに一部の企業は、生成AIを活用して各工場で発生する大量の情報を解析しているほか、問題を予測し、複雑なシナリオをシミュレートして、リアルタイムでプロセスを最適化している。製造業に関する多種多様なデータ──保守整備マニュアルや機械自動化コード、複雑な図表、3D描画、プロセスデータなど──を扱うことで、生成AIは人間と機械が協働するための新たな方法を確立する潜在力を秘めているのだ。

　だが、そのような変化の恩恵を受けられるのは誰で、それはどれくらい早く実現するのだろうか。その答えは簡単には見つからない。電気や印刷機と同様に、生成AIは汎用技術である。歴史が示す通り、その導入がすんなり進むことはめったにない。

　ほとんどの場合、マネジャーは新たなテクノロジーが持つ真の経済的ポテンシャルを把握できず、新技術に合わせたタスクやスキル、ワークフローの再編成に苦労する。その結果、「生産性のJカーブ」として知られる現象、すなわち、業績の向上は一般に技術の普及よりも遅れて表れるといった現象が生じる。組織が新しいテクノロジーを導入すると、生産性は最初のうちは停滞するが、補完的投資の効果がいったん表れると、それ以降は持続的に向上するのである。

　生成AIに関する最近のデータは、そのパターンと一致している。一例として、マッキンゼー・アンド・カンパニーが2025年に実施した調査［注1］によれば、多くの企業が生成AIの導入を急速に進めてきたが、80％以上の組織が「現時点では収益に大きな影響をもたらしていない」と回答した。

　自社が生成AIをどのように導入するかが明らかでない段階では、マネジャーは次のような戦略的ジレンマに直面する。導入の詳細が判明するまで待ち、他社の後塵を拝するリスクを冒すか。それとも、先走って行動を起こし、期待通りの性能を発揮しないアプリケーションに投資するのか。

　この矛盾に対処するために、リーダーは生成AIの導入を単一の決定事項としてではなく、組織的実験のポートフォリオとして考える必要がある。デジタル製品の開発におけるA/Bテストと同様に、生成AIの実験は因果効果の切り分けを目的とし、生成AIが機能するかどうかのみならず、誰のために、どのような条件下で、どのように機能するかにまで着目しなければならない。大規模導入の前に生成AIの適用に関するテストを行うことで、マネジャーはリスクを減らし、戦略を洗練させ、社内に変革を推進する力をもたらすことができるのだ。

　専門家はこのアプローチを支持しているが、多くの企業はその実践に苦戦している。それゆえに、大半の組織において、実験はまだまだ目新しい手法のままである。

　そのような状況は変えなければならない。実験を行うことで、企業は生成AIの不確実性を戦略的優位性へと変化させることができる。また、競合と比較して、より円滑に独自の導入フェーズを進めていく力にもなる。さらに、実験を通して得られた知識は、各社のエコシステムにおいて、既存の関係性を強化する──もしくは新しい関係を構築する──うえで活用できる。