AI技術の活用に当たっては、AI技術の導入が適する領域とそうでない領域を見極めることが重要だ。例えば、データ分析はAI技術が適する領域だ。大規模データセットを迅速に処理し、データから実用的なインサイト（洞察）を引き出すことができる。顧客の行動やサプライチェーンのデータを分析して、価格最適化や在庫需要の予測、マーケティングキャンペーンのパーソナライズ化などにつなげることも可能だ。AIツールで数値を迅速に処理することで、データ駆動型の意思決定を実現し、収益向上につなげることができる。

　IT運用もAI技術が適する領域だ。具体的には、パッチ（修正プログラム）管理、保守用のスクリプトの実行、システムで発生した問題の自動修正などに有用だ。AIチャットbotを導入すれば、ヘルプデスクに寄せられた問い合わせに自動で対処してくれるため、IT部門はより戦略的なタスクに専念できるというメリットもある。

　こうした反復タスクの自動化やパターン特定はAI技術の得意領域である一方、依然として人間の関与が欠かせない領域もある。例えば、複雑な利害関係が絡み合うステークホルダーとの交渉など、状況に応じて柔軟に対処することが求められるタスクはAI技術に適さない。同様に、規制やコンプライアンス（法令順守）など倫理的配慮が求められる分野でもAIは苦戦する傾向にある。アイデアを一から創り出したり、戦略的な企画を立案したりといった場面でも、人間の発想力や柔軟な思考が求められる。

2．ROIを測定する

　ITプロジェクト全般において投資収益率（ROI）の評価は重要であり、AIプロジェクトもその例外ではない。ROIを測定するためには、まずAI技術の導入で得たい成果を明確にして、ビジネス目標に即した測定可能な指標（KPI）を設定する。次に、設定した指標に基づいてAI導入による定量的な成果を測定する。それらの成果を投資額と比較することでROIを算出する。

　AIプロジェクトのROIを左右する要因はさまざまだ。インフラとしてクラウドサービスを使うか、オンプレミスインフラを使うか――。構築済みのAIモデルを使うか、自社でカスタマイズしてAIモデルを構築するか――。何が自社のニーズに合うかを見極めることが重要だ。例えば、製造業のニッチな業務に特化したAIツールは多額の初期投資が必要となる他、需要の変動で価値が不安定になる可能性がある。

　AI導入を本格化する前に、概念実証（PoC）やパイロットプログラムを実施してROIを測定することも効果的だ。AI導入の影響を評価することで、大規模導入に伴う財務的リスクを回避できる。

　AIプロジェクトのROI測定に役立つツールを活用するのも一つの手だ。例えば、Microsoftはクラウドサービス群「Microsoft Azure」に、「Cost Management」「Cloud Cost Optimization」のようなコスト管理ツールを提供している。ユーザーは潜在的なコスト削減の可能性を分析できる他、テンプレートをカスタマイズすることで、プロジェクトの目的や指針を具体化しやすくなる。

3．運用面の課題に備える

　運用チームは以下のような運用面での課題を考慮した上で、組織目標との整合性を確保しつつ、慎重にAI技術の導入を計画する必要がある。

• スキルセットの課題
  • AI技術の導入に伴い、IT部門は新たな技術要件に対応する必要がある。機械学習フレームワーク、データ処理ツール、自動化ソフトウェアなどが含まれる。AI技術に特化したトレーニングや認定資格を通じてスキルアップを図ることが重要だ。
• セキュリティの課題
  • 機密データや知的財産を扱う場合は、セキュリティが重要課題となる。ポリシーの策定や従業員向けのトレーニングといったソフト面と、セキュリティツールの導入といったハード面からの対策が必要だ。
  • 具体的には以下のような対策がある。
    • データ損失防止（DLP）とアクセス管理のポリシーを適用することで、データフローを制御するとともに不正アクセスを防止する。
    • 機密データを学習したAIモデルは継続的な監視が必要で、脆弱（ぜいじゃく）性を未然に防ぐ。
    • AIの出力を通じて機密情報が漏えいしないよう、厳格なポリシーを適用する。
• 環境への影響
  • AIワークロード（AI技術関連の処理やタスク）はコンピューティングのリソースを大量に消費するため、地球環境に大きな影響を及ぼす可能性がある。省エネルギーのプロセッサやリソース管理ツールを用いることで、企業の環境目標を達成しつつ、AIワークロードに必要な計算能力を用意することが重要だ。
• サプライチェーンへの依存
  • オンプレミスインフラでAI技術を導入する際は、GPUやAI専用プロセッサなどの特殊なハードウェアを準備する必要がある。これらのハードウェアは、製造遅延や部品の供給不足といったサプライチェーン上のリスクにさらされる可能性がある。こうした不測の事態に備え、クラウドサービスを一時的な代替手段として用意することも一つの手だ。

　次回は、AIプロジェクトのインフラとしてオンプレミスインフラとクラウドサービスを比較検討する際のポイントを解説する。