【ITニュース解説】Why 85% of Companies Are Bleeding Money on AI (And How Scrappy Startups Are Fixing It)

多くの企業がAI技術への投資を積極的に行っているが、その多くは期待通りの成果を得られず、むしろ多額の費用を無駄にしている現状がある。特に大規模な企業では、AIプロジェクトの約85%が投資に見合う収益を上げられていないことが指摘されている。これは、AIの導入が単に最新の技術を導入すれば成功するという単純なものではなく、より根本的な課題が存在することを示している。

企業がAI投資でつまずく主な原因はいくつか挙げられる。一つは、大規模なAIモデルへの過度な期待だ。最新で最も高性能なモデルであればどんな問題でも解決できると誤解されがちだが、実際にはこれらのモデルは運用コストが非常に高く、特定のビジネス課題に対しては過剰な性能である場合が多い。その結果、不要な複雑さと費用だけが増大し、投資対効果が悪化してしまうのである。

次に、データの品質と管理に関する問題が非常に大きい。AIはデータに基づいて学習し、機能するため、データの品質が低いとAIの性能も低下する。多くの企業では、データが異なる部署やシステムに分散し、統一されていない「データのサイロ化」という状態に陥っている。また、データの不正確さ、不完全さ、そして特定の情報に偏りがあることも深刻な問題だ。さらに、データを適切に管理するルールやプロセス、すなわち「データガバナンス」が確立されていないことも、AI導入の大きな障害となる。高品質で整理されたデータがなければ、どんなに優れたAIモデルもその真価を発揮できない。

AIシステム全体を統合し、効率的に運用する仕組みである「オーケストレーション」の欠如も問題だ。異なるAIコンポーネントやデータソースがバラバラに存在し、連携がうまくいかないために、全体のシステムがスムーズに機能しないことが多い。また、AIを扱う専門知識を持つ人材の不足や、新しい技術や働き方に対する組織文化的な抵抗も、AI導入を阻む要因となる。企業がAIに対して非現実的な期待を抱き、すべての問題をAIが解決してくれると考えるのも、失敗につながる典型的なパターンである。特に、最新の生成AI（GenAI）のような流行に乗り、自社のニーズに合わない高価なソリューションを導入してしまうケースも少なくない。

一方で、AIプロジェクトで成功を収めているスタートアップ企業は、これらの大規模企業とは異なるアプローチを取っている。彼らは、まず「どのような問題を解決したいのか」という具体的な目的に焦点を当て、その目的に最適なAIモデルとデータを厳選する。これが「目的志向のアプローチ」だ。

そして、最も重要なのは「データセントリックな設計」である。これは、AIモデルそのものの開発よりも、高品質なデータの準備、収集、管理、そして継続的な改善に重点を置く考え方だ。スタートアップは、モデルを闇雲に改善するよりも、データの質を高めることの方が、より少ない労力で大きな成果に繋がることを理解している。高品質で整理されたデータがあれば、たとえ比較的小規模なAIモデルであっても、大規模モデルに匹敵するか、あるいはそれ以上の優れた性能を発揮できる場合があるのだ。

実際に、成功するスタートアップは「小規模言語モデル（SLM: Small Language Models）」を積極的に活用している。SLMは、大規模モデルに比べて規模が小さく、特定のタスクに特化しているため、運用コストが低いという大きな利点がある。また、必要なデータ量も少なく、処理速度も速い傾向があるため、顧客サポート、特定の文書分析、社内知識検索といった具体的な業務に効率的に組み込むことができる。さらに、エッジデバイスと呼ばれる小型の機器上でも実行できるため、多様な環境での応用が可能になる。

成功する企業は、大規模モデルと小規模モデルを適切に組み合わせる「ハイブリッドAI戦略」も採用する。例えば、大規模モデルで一般的な知識を処理し、小規模モデルで特定の専門業務を効率化するといった具合だ。これにより、それぞれのモデルの長所を活かし、短所を補い合いながら、全体として費用対効果の高いシステムを構築している。また、特定のAIベンダーに縛られず、様々な技術やツールを柔軟に組み合わせることで、「ベンダーロックイン」のリスクを回避し、より柔軟なシステムを構築している。彼らはAIプロジェクトをいきなり大規模に展開するのではなく、小さな成功を積み重ねながら、具体的な投資収益率（ROI）を常に検証し、段階的に導入を進めることで、リスクを抑えつつ着実に成果を出している。

システムエンジニアを目指す皆さんにとって、これらの知見は非常に重要だ。AIプロジェクトを成功させるためには、単に最新の技術トレンドを追うだけでなく、まずは解決すべきビジネス上の課題を明確に理解することが不可欠となる。そして、AIの性能を最大限に引き出すためには、データの品質向上と適切な管理、つまりデータの統合と標準化、そして強固なデータガバナンスの確立が欠かせない。

また、常に「この問題に対して最も適したAIモデルは何か」という視点を持つことが重要だ。必ずしも大規模で高価なモデルが最適とは限らない。時には、特定のタスクに特化した小規模なモデルの方が、コストと性能のバランスが取れている場合がある。AIシステムを設計する際には、将来の成長に対応できる柔軟でスケーラブルなインフラを構築することも考慮に入れるべきだ。そして、AIが社会に与える影響を考慮し、透明性、公平性、セキュリティといった倫理的な側面にも配慮したシステム開発が求められる。

最終的に、AIは単なるツールであり、それを使いこなす人々のスキルと理解が不可欠である。組織全体でAIに関する知識を高め、新しい技術を積極的に活用できる文化を醸成していくことが、AI投資を成功に導く鍵となるだろう。システムエンジニアとして、技術的な専門知識だけでなく、ビジネス要件、データ戦略、そして組織全体の視点を持ってAIプロジェクトに取り組むことが、これからの時代に求められる重要な能力となる。