なぜAI導入は失敗する？ 失敗事例から学ぶ傾向と対策｜企業のAI導入に立ちはだかる「3つの壁」

AI導入に失敗する3つのケース

何をすればよいのかもわからないままAI導入を進めたとき、企業はどんな事態に陥るのか。いくつかのケースから見てみよう。

失敗ケース1／要因：スコープを拡げすぎた

多くの営業部隊を抱えるA社は、自社の営業・接客支援に機械学習型のチャットボットシステム導入を進めている。例えばスマホアプリに営業担当者が話しかけると、AIが分析サマリーとともに課題解決に適した自社商材を提示してくれる、そんなソリューションを想定していた。

しかしチャットボットの回答精度を上げるためには「教師データ」（FAQデータ）が不可欠である。A社は開発当初の段階でスコープ（適用範囲）を拡げすぎてしまったため、運用にかかる手間やコストが増大。「これならばチャットボットシステムを導入するよりも人が問い合わせ対応をしたほうがよかった」と、AI導入に失敗という判断をくだした。

失敗ケース2／要因：導入効果を短期的なKPIだけで評価

B社は社長の号令のもと、なんとかチャットボット導入に漕ぎ着くことができた。対象範囲はコールセンター業務だ。社長は「半年間でクレームの入電件数を3割減らすこと」をKPIとして設定し、IT部門にKPI達成を命じた。しかし半年が経ってもなかなか達成できそうにない。社長も「チャットボットなんてたいしたことないじゃないか」とおかんむりだ。

しかしKPI未達の裏では着実な効果が生まれていた。それは、コールセンターに多くの人員を配置していた当時からは考えられない“新たな層”が問い合わせをしてくるようになったこと。窓口が“人”から“機械”に替わったことで、それまでの相談内容にはない新たな声が寄せられるようになったようだ。もちろん機械化によって「24時間365日対応」も可能になった。こうした現場から見える効果と、社長から求められる数値的な効果。そのはざまでIT部門担当者は複雑な思いを抱えていた…。

失敗ケース3／要因：現場の業務を把握せずにAI導入を検討した

C社のAI導入プロジェクト担当者は、自社工場の生産ラインに使う画像診断による検品自動化のAIシステム開発を検討している。あらかじめ学習させた検品対象品とラインに流れてくる商品の画像情報を照合し、不良品を瞬時に特定するというシステムである。AIベンダーの話によれば、システム導入でかなりの高精度で不良品を見分けることができそうだ。プロジェクト担当者はそのための予算を確保した。

しかし現場へ投入する想定までしてみると、新たな問題が生じる。あまりにも瞬時に、かつ高精度に検品作業ができるため、不良品を取り除くのに新たなリソースが必要となったのである。もはや人の手で取り除くことは難しい。産業用ロボット導入も追加検討しなければならず、最初の段階で「生産ラインの業務全般をきちんと把握しておけば」と後悔することとなった…。

3つの壁を突破せよ！——AI Design Workshop

これらはいずれも架空の失敗ケースだが、似たようなケースは多いという。共通するのは登場人物各々が、AIを「導入するだけで何でも叶えてくれる魔法の杖」のように考えていた点である。

しかし、彼らがAIを魔法の杖だと勘違いしてしまうのも無理はない。AIベンダーは自社のプロダクトを売り込むために、AIのメリットやプラスの側面だけしか話さない。彼らの口から出てくる事例は、成功したものだけだ。

また、新聞や雑誌、Webメディアで紹介されている事例も表面的なものが多い。業務上の具体的な課題や、導入にあたっての困難や失敗がメディアで語られることはない。

ソフトバンクは、自社内でAIを活用した改善のトライアルを行い、数々の失敗と成功を経験してきた。その経験を糧にして言うならば、AI導入を成功に導くには、以下の「3つの壁」を突破しなければならない。

• 「発想の壁」を越えて、ユーザの潜在的な課題を抽出する
• 「ノウハウの壁」を越えて、AI導入に関して最低限のリテラシーを持つ
• 「組織の壁」を越えて、協力関係のある組織、体制でプロジェクトに挑む

その課題は本当にAIで解決すべきものなのか。利用する現場のニーズに基づいた「発想」で、AIに何ができるのかの「ノウハウ」を理解し、AIの摘要プロジェクトを検討していかなければならない。そして何より、そのプロジェクトを粘り強く推進していくためには「組織」の体制と協力が必要だ。

従来のIT開発とは違い、AI開発は何度も試行を繰り返しながら「育てる」ソリューションである。「AIは決して、最初から全知全能なのではない」。まずはその前提に立つことが第一歩となる。