AI 戦略 - 組織の AI 戦略を設定するためのガイダンス

AI の目標: すべての組織は、AI が人とプロセスに価値を追加することを望んでいます。 その価値は、セキュリティを維持し、効率的に実行される AI から取得する必要があります。 既に持っているスキルとデータに合わせて、予算内に収まる必要があります。 AI の課題: 目標は明確ですが、その値に到達することは必ずしも簡単ではありません。 チームは多くの場合、試行錯誤を重ねても、得られる成果はわずかです。 中には、組織全体で互いに競合するソリューションを構築してしまうケースもあります。 他の場所では、セキュリティ上の懸念事項と信頼度の低さによって、ユーザーが使用できる内容が制限され、AI が抑えられます。

AI ソリューション: 多くの組織が、これらの課題に対応するために Microsoft の AI ソリューションを活用しています。 Microsoftは、各ユース ケースに効率的に対処し、スケーリングに合わせて AI をセキュリティで保護する柔軟性を提供する幅広い機能セットを提供します。 このガイダンスは、意思決定者に、その作業を指示し、AI 投資をビジネス ニーズに合わせるフレームワークを提供します。

推薦： 次のセクションの決定を順番に実行して、ビジネス ニーズに合った AI 戦略を作成します。 各決定は、次の決定を形作る制約を設定し、価値創出に焦点を置き続けます。

1. AIユースケースの特定

AI 戦略をフレーミングする最初の手順は、ユース ケースの識別です。 この手順では、意思決定者が AI が組織全体のビジネス成果を改善できる場所を見つけ出す方法を定義します。 目標は、最初に意味のある機会を表面化することです。 リストは完全である必要はありませんが、可能です。 その目的は、ビジネスにとって最も重要な事柄について、全員に共通の見解を提供することにあります。 すべてのユース ケースが実際の値に戻るように、これを処理します。

1. ビジネス上の問題から始めます。 AI をまったく考慮する前に、組織がより良い結果を必要とする場所を探します。 手動での作業の繰り返しや承認の遅さなど、最も明確なシグナルが人々の働き方に現れます。 検索は、"結果が期待を逃した場所" や "繰り返しのタスクに時間を費やす場所" などの単純な用語でフレーム化します。このアプローチでは、目新しさではなく価値を AI が常に指摘し続けます。 トレードオフ: 広範なスキャンは多くの機会を示すので、測定可能で意味のある結果のギャップに焦点を当て続けます。

2. 問題をユース ケースに変換します。 各ビジネス上の問題を、アクティビティと期待される結果を示す短いステートメントに変換します 。たとえば、"サポート エージェントが内部ドキュメントから回答して解決時間を短縮する" などです。投資を正当化するのに十分な頻度でアクティビティが発生することを確認します。 トレードオフ: 初期のシナリオはあいまいになる傾向があるため、先に進む前に明確で実用的な説明に絞り込みます。

3. ユース ケースを分類します。 値の作成方法に基づいて、各ユース ケースを分類します。 この決定を使用して、後のテクノロジの選択をガイドします。

   • 個々の作業: これらのユース ケースは、個人またはチームが既存のツール内でどのように動作するかを改善します。 例としては、書き込み支援や会議の準備などがあります。 これらは、Microsoft 365 Copilotなどの生成型 AI ソリューションに厳密に整合します。

   • ビジネス自動化: これらのユース ケースにより、組織の運用方法や価値の提供方法が変わります。 たとえば、自動顧客ルーティングや需要予測などがあります。 多くの場合、他のシステムとの統合が必要であり、複数の AI の種類を組み合わせることができます。

4. 必要な AI の種類を検討します。 これは最終的な決定ではなく考慮事項であり、ユース ケースがより明確になるにつれて再検討できます。 結果に求める一貫性の大まかな感覚によって、次に来るテクノロジの選択肢が狭まります。 後で自由に調整できます。

   • 生成 AI (非決定論的) は、同じ入力でも変化する可能性のある出力を生成し、自然言語やドキュメントなどの入力が構造化されていない場合に適しています。 ワークフローが固定されておらず、システムがコンテンツを作成したり、人間の意思決定を支援したりする場合に適しています。 事前に正確な手順がわからない場合や、出力のバリエーションが許容される場合は、この方法で傾きます。

   • 非変性 AI (決定論的) は、構造化された入力から一貫性のある反復可能な出力を生成します。 ワークフローが定義され、同じ入力が同じ結果につながる場合に適しています。 予測や異常検出などの精度に依存するタスクには、この方法を使用します。

この同じシーケンスをすべてのビジネス領域に適用します。 繰り返し可能なフローにより、混乱が軽減され、不要な生成 AI に到達できなくなり、次にソリューション パスを選択する準備が整います。

2. AI技術戦略

どのようなMicrosoft AI ソリューションを選択する必要がありますか? どのユース ケースでどの種類の AI が必要かを特定したら、それぞれを構築または購入する方法を絞り込み始めます。 Microsoft は、共有責任モデルの下で、シンプルさと引き換えにカスタマイズ性が異なる 4 つの導入モデルを提供しています。 これらは、すぐに使用できる Copilot、ローコード SaaS 開発、マネージド PaaS 開発、Azure インフラストラクチャです。 最初のモデルから最後のモデルへ移るにつれて、制御性は高まる一方で、速度は犠牲になります。

各アプローチでは、異なるレベルの技術スキルが必要であり、異なる程度の制御が返されます。 次のセクションのデシジョン ツリーを使用して、オプションを絞り込みます。 次に、次のガイダンスを使用して、AI ソリューションの 4 つの要因を検討します。

• 機能：MicrosoftとAzure AI ソリューションの機能を確認して、ユース ケースのニーズを満たしているかどうかを確認します。
• 必要なデータ: 必要なデータが存在し、シナリオでアクセス可能であることを確認します。
• 必要なスキル: ソリューションを選択する前に、各ユース ケースが現在の機能で実現可能であることを検証します。
• コスト： ソリューションが予算に適合するかどうかを評価します。

Microsoft AI デシジョン ツリー

Microsoft Copilots (SaaS エージェント)

Copilots と呼ばれるすぐに使用できる AI ソリューションMicrosoft、セットアップが少なく、既にあるデータを操作する必要がないため、効率を迅速に向上させます。 Microsoft 365 Copilotは、Office アプリ全体に AI 支援を追加します。 製品内およびロールベースのCopilotsは、特定の職務と業界に焦点を当てています。 トレードオフ: Copilots は最速の結果を提供しますが、カスタム ソリューションよりもカスタマイズが少なくなります。

SaaS AI 開発プラットフォーム (ローコード)

Microsoftでは、AI エージェントを構築するための SaaS 開発オプションが提供されます。 Copilot Studioを使用すると、ビジネス ユーザーは自然言語で AI アシスタントを作成できますが、Microsoft 365 Copilot拡張機能を使用すると、企業固有のデータとプロセスを使用してエンタープライズ Copilotをカスタマイズできます。 トレードオフ: SaaS 開発プラットフォームはビジネス チームに開発を開きますが、カスタマイズの負荷は上限に達し、マネージド プラットフォームへの移行が必要になる場合があります。

Azure プラットフォームでの AI (PaaS)

サービスとしてのプラットフォームは、ほとんどのカスタム アプリとエージェントの開始点です。 低コードの SaaS 開発では十分なカスタマイズ性が得られないものの、プラットフォームの運用は Microsoft に任せたい場合にこれを選びます。 カスタム エージェントとモデルを構築するためのマネージド環境を取得します。 この作業は SaaS 開発よりも多くの労力を要しますが、インフラストラクチャを自分で実行するよりも労力は少なくなります。 Microsoftはプラットフォームを管理し、サーバーの保守や基本モデルのトレーニングは行いません。 トレードオフ: マネージド プラットフォームを使用すると、SaaS 開発よりも制御性が高くなりますが、SaaS 開発オプションにはないエンジニアリング スキルが必要です。

AI + 機械学習に記載されている製品の個々の価格ページとAzure価格計算ツールを参照して、コスト見積もりを生成します。

Azure インフラストラクチャ上の AI

Azure インフラストラクチャを使用すると、独自のモデルとランタイムを完全に制御できます。 通常、ビルドには最も時間がかかり、時間の経過と同時に維持するために最も多くの労力が必要です。 独自のモデルを持ち込んだり、カスタム ランタイムを使用したり、マネージド プラットフォームではできないパフォーマンスとコンプライアンスのニーズを満たす必要がある場合は、このオプションを選択します。 トレードオフ: インフラストラクチャは最も制御を提供しますが、最も運用上の所有権を持ちます。

Linux および Windows 仮想マシンの GPU 価格を確認します。 見積もりには、Azure料金計算ツールを使用します。

責任ある AI 戦略

上記の手順で選択したモデルと予算に関係なく、責任ある使用は、大規模な運用環境で AI を実行する条件です。 組織は、すべてのチームに対して AI を公平かつ責任を持ち続ける標準を設定する必要があります。 選択したモデルによって、これらの標準が適用される場所が決まりますが、標準自体は組織全体で一定に維持されます。 ここでこれらの標準を定義するのではなく、責任ある AI のMicrosoftガイダンスに基づいて構築します。 一貫性のあるフレームワークを導入するための 責任ある AI ポリシー を作成するには、CAF ガイダンスを参照してください。

4. データ戦略

責任ある AI 標準は、その背後にあるデータと同じくらい強力であるため、次にデータ戦略が行われます。 データ戦略によって、優先度の高いユース ケースが管理され、使用する高品質のデータが得られたかどうかが決まります。 持続可能な戦略により、データを収集して分類し、AI の活用が Microsoft 365 と Azure 全体に広がる中でも、そのコンプライアンスを維持できます。 ワークロードごとの設計ではなく、ガバナンス ベースラインとライフサイクル管理に集中します。 AI と分析のためのデータ戦略を作成するには、CAF ガイダンスを参照してください。

5. AI の導入方法

戦略セットを使用して、計画と準備に移行します。 AI 導入ガイダンスでは、上記の各決定を、ガバナンスとセキュリティが組み込まれた運用環境に移行するスタートアップチェックリストとエンタープライズ チェックリストを提供します。

次のステップ