20,586 文字
こんにちは、ビジネスとテクノロジーの未来に関する私のポッドキャストの新しいエピソードへようこそ。私はホストのバーナード・マーです。今日は、多くの人が語っていないAI革命で出現しつつある重要な役割、AIアナリストについて掘り下げていきます。それに加えて、重要なビジネス機能としてのAIオペレーションの台頭、組織がエージェント型AIの時代に向けてデータをどのように準備できるか、そして企業分析の未来がますますAI主導の世界でどのように展開するかについて議論します。
この話題について私たちを助けてくれるのは、主要なエンタープライズ分析プラットフォームであるAlterixのCEOであるアンディ・マクミランです。アンディ、ショーへようこそ。
ショーに呼んでいただき、ありがとうございます、バーナード。今日はどこから参加されていますか？
カリフォルニア州ベイエリアのバーリンゲームからです。サンフランシスコの少し南です。
素晴らしいですね。では、この新しいAIアナリストの職種を見ていきましょう。AIアナリスト職の創出の背後にある主要な要因は何で、今後10年間でこの役割がどのように進化すると思いますか？
AIによって生まれる新しい役割のセットが全体的にあると思います。今日私たちは、大規模言語モデルを構築する人々やAIエージェントを構築する人々など、テクノロジー関連の役割について多く話していますが、同時に必要なのはビジネスの専門知識です。例えば、商品の返品を処理するエージェントを書く際に、マーチャンダイジングや返品ポリシーなどを理解している人々が必要です。
ビジネスアナリストのバックグラウンドを持つ人々がスキルセットを活用し、ビジネスの特定分野に関する知識をよりAI主導のビジネスプロセスにどのように適用するかを再考する新たな役割が出現すると思います。私たちはその問題のデータ側に取り組んできました。エンタープライズワークフローを再考する人々や、エンタープライズソフトウェアアプリケーションの動作方法を再考する人々が大勢いるでしょう。私の視点から見ると、本当に欠けている部分は、そのようなビジネススペシャリストです。ビジネスのあらゆる側面には、その部分で働く人々がいて、会社の運営方法に関する知識を活かし、AIテクノロジーの実装を支援する必要があると思います。
では、AIアナリストは具体的に何をするのでしょうか？例を挙げると、現在私たちはある顧客と話をしていて、彼らは営業プロセスからの情報を取り出し、社内に展開しているAIエージェントで利用可能にしたいと考えています。彼らはAIエージェントが「このディールでの私の手数料はいくらになりますか？」「この顧客での更新可能な金額はいくらですか？」といった質問に答えられるようにしたいのです。
課題は、これらの質問が現在、収益運用チームによって回答されていることです。例えば、営業チームの手数料体系や様々なプログラム、営業チームへの報酬の方法を理解している人々がいます。簡単な質問でも、回答するには知識が必要な場合があります。営業リーダーに「手数料プランは何ですか？」と聞くと、「どのチームにいますか？どの地域ですか？その人の報酬プランはどうなっていますか？どんな特別インセンティブやプログラムを実施していますか？」などと質問し返されるでしょう。
そのために複数のシステムにアクセスする必要があるかもしれません。収益運用チームはこれを常に行っています。CRMから「どれだけの割当達成をしたか」を取得し、手数料プラットフォームから「手数料プラン」を取得し、HRデータベースから「基本給」を取得する必要があるかもしれません（手数料は通常、給与の割合なので）。いくつかのデータポイントを取得し、基本的に計算方法を知る必要があります。
私が言いたいのは、AIをトレーニングする方法を教える役割が出現すると思います。それはデータを集めることを意味し、あなたの会社での手数料の計算方法を理解する必要があり、おそらくそのデータを集めてAIシステムに入れる必要があります。アナリストが全営業担当者の手数料率の小さなテーブルを作成し、AIツールが使用できる場所に配置するようなイメージです。
そして次の四半期に新しい営業プログラムが展開されたり、来年新しい手数料プランが展開されたりすると、誰かがその同じ人物に戻って「ビジネスの運営方法が変わったので、質問への回答方法を更新する必要がある」と言うでしょう。
AIアナリストやAIオペレーション担当者を、私の例では収益運用チームからのビジネスユーザーと考えています。彼らは舞台裏でデータを扱い、AIを実行させ、計算方法を扱い、「私たちの会社では今この時点でこれらのデータセットでどのように手数料を計算しますか」と教えています。「手数料はどのように機能しますか」や「私の手数料はいくらですか」と単に一般的に質問しても、AIはあなたの会社での手数料計算方法を知りません。それを作り上げてほしくはないでしょう。その理解を持ち、非常に具体的な指示と、重要なことにデータの両方を提供する人が必要です。
会社がこのビットのデータをこの方法で使用することや、このAIプロセスを許可するというプロセスが存在する必要があります。これが、組織が直面しているもう一つの大きな障害だと思います。多くの経営陣と話しましたが、トップダウンで「大量のAIを使用する」という指示があり、すぐに「誰も単に大規模言語モデルにCRMデータベース全体を読ませて最良の答えを期待するとは思わない」と気づきます。データのどの部分、どの計算がAIツールで利用可能かを体系的に言う方法論が必要であり、法務、コンプライアンス、セキュリティなど全員が見て「このビットのデータ、この計算がこの時点でこのAIツールで使用されることに問題ない」と言えるようにする必要があります。
これは技術的な問題ではなく、ビジネス上の問題だと思います。確かに、大規模言語モデルをCRMデータベースに向けてクロールさせる技術はありますが、誰もそのようにジャンプしていません。人々は体系的な方法を望んでいます。それが、このビジネスアナリストの役割やAIオペレーションの役割が出現する場所だと思います。
AIアナリストは、伝統的な企業データ分析やビジネスインテリジェンスチームにどのように適合するのでしょうか？既存の役割を補完するのでしょうか？
正直なところ、まだわかりません。そのスキルセットを持つ人々にとって興味深い機会だと思います。多くの組織が自分たちのビジネスインテリジェンスやデータチームに向かい、「私たちは新しい問題を抱えています」と言うでしょう。今日、組織内のほぼすべての情報はビジネスアプリケーションによって整理されています。CRM、ERPなど、大きなアプリケーションを購入してビジネスを運営し、それらはユーザーインターフェイスとそのインターフェイスで実行されるデータの両方を生成します。
データウェアハウジングと呼ばれるものを使用している顧客が多くいます。おそらく多くのリスナーはデータウェアハウジングとその情報を大きな集中型データレイクに集約するという考えに馴染みがあるでしょう。しかし、そこでもデータについて考えると、データを移動させてERPからすべてのデータを取得しても、それはまだERPシステムが整理した方法で整理されています。テーブル、列、構造などすべてがERPアプリケーションの実行をサポートするように設計されています。
組織が現在気づいていることの一つは、AIのためにデータの整理方法を全く異なる形にする可能性があるということです。エージェント型の労働力を構築する場合、特定の大規模言語モデルを構築してERPデータやHRデータ、またはERPデータとCRMデータにアクセスできるようにしたい場合、私たちが見ているのは、基本的に世界最大のデータ準備とデータ変換プロジェクトが始まろうとしていることです。企業がこのデータをどのように使用する必要があるかを再考するのです。
あなたの質問に答えると、これは彼らがデータと分析チームに助けを求めることを意味すると思います。データを再編成し、再接続し、これらのビジネスアプリケーションに含まれることが多いロジックの一部をデータレイヤーに持ってくる必要があります。CRMアプリケーションの下にあるデータの方法を考えると、それは本当にCRMアプリケーションのロジックのために設計されていますが、今私が欲しいのはそのロジックがAIエージェントにあることです。そのためには、データに入り、構造化の方法を本当に変更する必要があります。
私のデータとその周りのロジックを設定する方法、以前の手数料の例に戻りますが、ビジネスインテリジェンスチーム、アナリストに「データレベルで手数料の計算方法を設定できますか？そのデータを一緒に引き出し、そのロジックを実行し、その計算を構築し、私たちのAIインフラストラクチャで利用可能にするデータワークフローを構築できますか？」と頼むことになるでしょう。これは分析に携わるすべての人にとって全く新しい風景であり、非常にエキサイティングなものになると思います。
現在、異なる企業の異なる役割にいる多くの人が、AIが自分や自分の仕事に何を意味するのかについて非常に懸念しています。どの会議、どのソフトウェアベンダーに行っても、彼らはAI機能を示しており、聴衆の全員が半分興奮し、半分不安です。彼らは「私はこの中でどのように適合するのか」と理解しようとしています。私たちの分野で本当にエキサイティングなことの一つは、確かに私たちは製品に多くのAIを導入しており、それについて話す機会があります。私たちの製品をAIのユースケースの周りや内部で使用している人を見ていますが、それが行うことの多くは、私たちのような製品を知っている人々、分析空間で働いている人々にとって、このビッグデータの課題に取り組む機会を作ることだと思います。データを再編成するだけでなく、コンピュータサイエンスの観点からですが、実際にはビジネスの理解をもたらすことだと思います。
収益運用、サプライチェーン、財務など、データがビジネスが達成しようとしていることをどのように表現するかを本当に理解している人々について考えることができます。次の10年間、これらのデータセットで作業する方法を知っている人々、ビジネスを理解している人々にとって大きな機会があると思います。これらは単なるデータサイエンティストではなく、データがビジネスを機能させる方法を理解しているビジネスユーザーです。私は彼らがこのデータの大規模な再編成を任されることになると思います。このスキルセットを持つ人々にとって本当にエキサイティングな機会だと思います。
スキルセットについて何度か言及していましたが、AIアナリストにとって完璧なスキルセットは何だと思いますか？
私たちはAlterixのユーザーを、スプレッドシートで本当に素晴らしい人々で、次のレベルに進みたい人々と考えています。おそらくはるかに大きなデータセットで作業したい、3つか4つの異なるデータタイプで作業したい、そしてデータを準備してブレンドし、一緒に持ってきたいと思っています。毎日、毎時間実行されるワークフローを考え、この問題を解決したいと思っています。それが過去15-20年間、私たちのユーザーであった人々です。彼らはデータがビジネスを機能させる方法を理解している一種のデータワーカーです。彼らはスプレッドシートを超えて移動し、今やワークフローを自動化する方法、この問題を継続的に解決する方法に移行しています。
そのため、これがAIの準備をするためのデータ変換を任されることになる人々の良いプロトタイプだと思います。一連の主要な役員が「なぜこのAIエージェントから正しい答えを得られないのか」と言い、彼らのチームに向かって「これがどのように機能するはずか、背後にあるデータを本当に考えることができる人は誰か、これがどのように機能するのか、なぜAIエージェントが特定の答えを出すのか、異なる答えを出してほしい場合はどうするか」と尋ねるでしょう。
CEOとして、あなたが「なぜ南西地域での売上が下がっているのか」と尋ね、チームの人々が「その質問を取り上げて、CRMからデータを取得できますが、業界からの小売データも取得し、経済データも見て、それをモデルにまとめて戻ってきて、南西地域で下がっている理由は、実際にはそこにより多くの小売ビジネスがあり、小売販売が実際に下がっていて、それらが下がっている方法と一致しているからです」と言うような人々をイメージしてください。そのような人が、AIが表すデータの課題を解決する人です。
繰り返しますが、それは本当にデータ理解とビジネスの洞察の組み合わせです。本当に興味深いコンピュータサイエンスやデータサイエンスができる人だけではありません。ビジネスが本当にどのように機能するかを理解する必要があります。その役割は非常に需要が高くなると思います。企業がこの次の技術の波をどのように活用するかを考える場合です。
そうですね、そして長期的には、ビジネスの洞察がおそらくさらに重要になると思います。分析の周りの重い作業の一部をAIに任せることができるようになるからです。AIアナリストの時代において、データで作業し、インターフェースするために使用されるテックスタックはどのように変化するでしょうか？
それはおそらく非常に意味のある移行を経ることになるもう一つのことだと思います。先ほど述べたように、多くのデータをこれらのデータレイクやクラウドデータウェアハウスに集中化する大きな動きがありました。一方では、企業周辺から多くのデータを集約する作業をしている場合、それは非常に有用であることが証明される可能性があります。
課題は、再びそのデータが元々一連のビジネスアプリケーションをサポートするために編成されていたことです。顧客と話をする際に私がますます見つけているのは、AIエージェントに呼び出しをするたびに、そのビジネスアプリケーションのAPIに入るつもりはないということです。6つのAPIを呼び出して、それをすべてまとめるためのコードを書く必要はありません。アイデアは、体系的な方法でAIにデータと知識を与えたいというものです。
人々がやっていることを見るだろうと思うのは、その知識を取得してデータスタックの下位に移動することです。つまり、アナリストがそのビジネスアプリケーションの下にあるデータにアクセスし、何かを行い、再び他のデータとブレンドするなど、何が起こる必要があるかを知っている方法で一連のワークフローを展開するか、人々が大きな集中型データレイク戦略を持つ状況では、組織が現在「OKこの巨大なデータレイクがあります。再び、AIに「好きなように読んでください」と言うわけにはいきません」と格闘していることを見つけるでしょう。どの取締役会も「はい、私たちの知的財産、機密情報のすべてをAIに読ませて、最高の希望を持ちましょう」とは言わないでしょう。どのデータを、どのような条件で、どのソリューションでどのAIツールで利用可能にするかを知るための体系的なアプローチが必要です。
私たちはAlterixで内部的にこれを顧客が「AIデータクリアリングハウス」を作成することと呼んでいます。アイデアは、ビジネスアナリストにデータを移動するか、この大きなデータレイク内で適切な場所にデータにラベルを付けるか、計算などの追加データを作成するワークフローを構築する権限をどのように与えるかです。ビジネスユーザーが理解し、プロセスを設定できるような視覚的な性質のワークフローを作成させるにはどうすればいいでしょうか？
私のサプライチェーンと小売ビジネスでの返品がどのように機能すべきかに関する特定のワークフロー、例えばワークフローを作成するビジネスアナリストを有効にした場合、そのワークフロー、そのデータがAIモデルに入力される方法の視覚的表現を取り、法務やプライバシーチームが見ることができる承認プロセスを通じてそのワークフローを取りたいと思うかもしれません。おそらく責任を持つ規制遵守もあるでしょう。返品プロセスにはクレジットカードなどが含まれることが多いので、このワークフローをコンプライアンスチームに渡す必要があるかもしれません。
CEOとして、「新しい返品プロセス用のエージェントを実装しました。それは当社の独自かつ機密情報の一部を使用しています。おそらく顧客情報も含まれています。なぜなら、それがこの仕事を十分賢くできる理由だからです。しかし、CEOとして、私はクリアリングハウスを設置しました。どのデータが使用されているか、どのように使用されているか、背後にある計算を正確に知っています。法務チーム、コンプライアンスチーム、インフォセクチームにすべて審査してもらいました。」とイメージしてください。おそらく監査委員会や取締役会にもそれを持っていくでしょう。なぜなら、これはほとんどの組織での取締役会レベルの問題だからです。彼らはAIを前進させたいが、まだ誰もデータをAIツールに入れる意思がありません。それは本当に大きな課題だと思います。
だから、クリアリングハウスのアイデアが出てくると思います。どのようにして人々が体系的にビジネス決定を下し、どのデータがAIツールで使用され、どのようにそれを行うための制御を人々に与えるかについてです。そして繰り返しますが、それはPythonコードを書く一群のデータサイエンティストではないと思います。それはビジネスアナリストのワークフローになると思います。チームが周りに立って「はい、このデータがこのAIツールで使用されることに問題ないでしょうか」と言えるようなものです。そのようにして人々がデータをAIに入れることについてcrawl-walk-runを行うと思います。
AIに準備されたデータを持つという概念について話しましたが、これは多くの組織にとっての障害です。企業がこの概念について現在何を正しく行い、何を間違っていると思いますか？
AI準備完了というと、人々がその言葉を最初に聞いたとき、彼らが考えるのはフォーマットです。「AIが提案できるようにRAGフォーマットに入れるのですか？」と。実際にはそれは早い段階から始まるより大きな問題だと思います。問題の一部は実際のもので、技術的にAIツールが利用できるフォーマットにする必要がありますが、より大きな問題はそれよりも早く始まると思います。
ビジネスアナリストに質問をすると、単純な質問でさえ、彼らはしばしばあなたに数個の質問を返します。「この顧客で更新のために利用可能な契約の価値は何ですか？」と言うと、チームはよく「プロフェッショナルサービスを含めていますか？年の一部を通じて行った小さなスタブディールについてはどうですか？これについてはどうですか？」と質問します。
あなたのデータがAI準備完了であれば、それは誰かがそれらの質問の多くを組み込み、「この顧客で更新可能な金額は何ですか」と誰かが質問するとき、それが何を意味するかを考え抜いたことを意味すると思います。そしておそらくあなたのチームは「実際、私たちは他のいくつかの質問に応じて、この質問に答える2つか3つの異なる方法があります」と言ったかもしれません。
だから、CRMデータに入っても、それはそれらの質問をするように知らないでしょう。異なるデータ要素がたくさん含まれたこれらのテーブルがあるだけかもしれません。そしておそらくCRMアプリケーションには、それらの計算を行い、異なる数字を教えるロジックがあるでしょう。CRMデータベースの下に座っているそのデータセットを取得し、その周りに計算を置き、また文脈も置くデータワークフローをどのように構築するのでしょうか？「これはプロサーブを含む更新可能な金額です。これはソフトウェアのみの更新可能な金額です。これは彼らが行ったスタブディールを含む合計更新可能な金額です」などと非常に明確にラベル付けされています。
そして、AIをトレーニングするとき、「顧客での更新可能な金額の方法についてあなたをトレーニングしていますが、あなたに質問している人に、これら3つのことを含めたいかどうか尋ねたいかもしれません。そしてここに答えがあります」と言うことができます。そうすれば、私のデータはAI準備完了です。データにはビジネスの文脈が含まれ、ビジネスが実行する計算がデータの一部として含まれています。財務が契約を見るときに使用するのと同じ数字を、私が営業担当者に伝えているものとして使用し、最も重要なのは、それがAIが消費するためにシンプルで簡単であることです。
なぜなら、代替案は、AIにすべてのビジネスアプリケーションを呼び出させ、そのAPIのフロントドアに入らせる必要があるからです。ほとんどの人がAIをイメージしているのは、単にCRMへのチャットインターフェイスやERPへのチャットインターフェイスではないと思います。彼らは実際にそれよりも賢いものを望んでいます。ロジックと推論を使用し、データセットを理解するものです。
AI準備完了のデータを持つには、データをビジネスアプリケーション用に設計されたものではなく、AIアプリケーション用に設計されたデータとして見る必要があります。そのデータ資産の変換が起こる必要があると思います。そのステップについて考えていない企業は、単にビジネスアプリケーションデータをAIツールに投げ込んで最善を期待することはできないと非常に迅速に気づくでしょう。実際にはいくつかの文脈を入れる必要があります。
ビジネスの文脈が重要であることに同意します。データ以外にも、AIを本当に活用するために組織内に適切なスキルを持つことも障害だと思います。AIのビジネス価値がどの程度スキルギャップの背後にロックされているのか、そしてAIオペレーションチームがこの機能とこれをどのように解決すると予測するのかについてどう思いますか？
それは素晴らしい質問です。確かにスキルギャップがあると思います。その一部は、「Chat GPT を10年間使用して問題を解決した経験がある」と履歴書に書いている人を見つけることはできないということです。それは単に存在しません。異なるAIモデルで作業してきた人々を見つけるかもしれませんが、再びあなたはAIのコンピュータサイエンス領域に戻っています。「ああ、はい、私は長い間回帰モデルや機械学習モデルを構築してきました」と言う人々のことです。それは素晴らしいですが、それは大規模言語モデルのプロンプト作成方法を本当に理解しているスキルを持つ人とは異なると思います。
今やこれらのことが一緒に来ることをイメージしてください。エンタープライズデータをAI準備完了にすれば、AIエージェントや大規模言語モデルから一般的な答えを得るだけでなく、私のビジネスについて知識のある答えを実際に得ることができます。私のビジネスの運営方法、ビジネスの背後にあるデータを理解しています。それに伴うプロンプト作成もあります。私のチームや顧客は、私がデータを準備する作業から価値を得るために、どのように相互作用すればよいのでしょうか。
私たちは皆、学習曲線を乗り越える必要があると思います。AIツールをいつ使用するか、広範なAI機能をどのように使用するかを学ぶ必要があります。私たちはAlterixでこれを行っています。大規模言語モデルを大規模に内部で使用しており、非常に興味深いですが、人や部門ごとにユースケースを学び、人々がそれを使用できるようにする方法を学んでいます。そして、人々がそれを使用できるようにするたびに、プロセスを経ます。優れたプロンプトの書き方、カスタムGPTの作成方法、それについて考える方法、他の人がそれを活用できるようにする方法、そしてそれをめぐるライフサイクルはどうなのか、人々が書くものが将来的に機能することをどのように確認するのかなどです。
各従業員が3つのカスタムGPTを書き、その後あなたの従業員ベースが毎年5-10％入れ替わると、数年後には誰もメンテナンスしていないこれらのGPTがあります。彼らは更新されていますか？正確ですか？その周りに整備すべきインフラの全体があります。そのためにもスキルが必要です。
だから、私たちはリーダーとして、チームがスキルと能力を持ち、生産性を高め、キャリアを成長させる方法について考えるべきです。Alterixでは、ここで働くすべての人がAIを前向きなキャリアパスを持つようにと多く話しています。AIが自分にとって何を意味するか、それが自分の生産性をどのように向上させるか、AIを使用することでキャリアにおいて時間の経過とともに従業員としての価値や市場性をどのように向上させるかについて考えています。
あなたの質問に対しては、それはスキルギャップです。AIが自分の役割に何を意味するのか、それを効果的に使用する方法、新しい能力を開発する必要があるかどうか（プロンプト作成はデータ関連なのか、AIの機能を接続する方法について考えることなのか、システムの問題なのか、あるいは単に個人の生産性の概念なのか）を学んでいる人々です。人々と話すと興味深いです。昨晩CEOのイベントに参加しましたが、CEOの間の主な会話のトピックの一つは、「より生産的になるためにあなたはそれをどのように使用していますか」でした。それは本質的にスキルギャップであり、私たち全員がそれをどのように行うかを学ぼうとしています。
最良の答えは、人々がオープンであること、組織的に人々がこれをうまく行う方法について話し合うことだと思います。しかし、プロセスのあらゆるステップで、新しいスキルを学ぶ必要があるでしょう。新しいデータスキル、新しいプロンプト作成スキル、新しい生産性スキル、新しいシステムスキルなどです。それはエキサイティングだと思います。変化に抵抗がある人々にとっては、おそらくそれは神経質になることですが、これは本当にエキサイティングな瞬間だと思います。この変化を受け入れ、自分自身をスケールアップすることについて考える人々、特にデータ空間で話してきたように、これらの新しいスキルを学び、これらの新しい問題を解決する方法について考えることを本当に受け入れる人々にとって、それは大きなキャリアの機会だと思います。
「あなたはそれをどのように使用していますか」という質問について言及しましたが、誰かがあなたにその質問をしたら、どのように答えるでしょうか？
私はそれを大量に使用しています。私にとって、書くことに関しては信じられないほど役立ちます。何かを下書きするとき、明確さや簡潔さから、トーンや聴衆について考えることまで、さまざまな質問をすることができます。それは非常に役立つと思いました。研究にもそれを多く使用しています。新しい研究モデルは本当に価値があると思います。
そして、内部でもかなり使い始めました。ビジネスについて質問できる大規模言語モデルを持つために、これらのデータワークフローを構築することについて考えています。それは本当に重要だと思います。CEOとして一回限りのTeamsメッセージやSlackメッセージを収益運用チームの誰かや財務チームの誰かに送信して、何かに対する答えを得ようとする回数について考えてみてください。「この顧客との通話に入りますが、このオープンチケットはどうなっていますか？」「この取引はどうなっていますか？」など。ほぼコパイロットのような経験でそれを行う能力があれば、私たちのビジネスについて知識があり、それは私に多くの時間を節約するだけでなく、CEOから「ここで何が起こっているのか」というメモを受け取ったときに人々が走り回り、少しの情報を追いかける量を考えてみてください。それは私にとって本当にゲームチェンジャーです。個人の生産性であり、一日を管理し、物事を進め、優先順位を付けるのに多く使用しています。また、指先で情報が得られることも素晴らしいです。会議にいて誰かが何かが起こっていると言及したとき、そのデータを取得し、何が起こっているのかを理解したいと思うことがあります。掘り下げるのに非常に強力です。
非常に良いです。それは生成AIであり、今日誰もが話している技術の一つですが、AIエージェントについてはどうでしょうか？広範な採用からどれくらい離れていると感じますか？そしてAIエージェントの役割はその実装にどのように関わっていますか？
私たちは初期段階にあると思いますし、最初の段階では、最初はおそらくビジネスアプリケーションを購入したベンダーから非常に焦点を絞ったエージェントを取得することになると思います。最初に起こるのは、「ERPベンダーを持っています」「予測ツールを使用しています」「手数料ツールを使用しています」と言い、それらの会社がすぐに現れて「私が知っているドメインのエージェントがあります」と言うことです。それは役立つでしょう。例えば、手数料の例を使うと、手数料明細を調べる代わりにエージェントに質問できる手数料エージェントを持つことは本当に役立つでしょう。
しかし、それからすぐに、ビジネスアプリケーション間の障壁がエージェントとともに再浮上すると思います。簡単な例を挙げると、予測エージェントについて考えてみてください。私たちの多くは一種の予測製品を購入し、通常はCRMの上で実行されます。予測エージェントが行うのは、リスナーが馴染みがなければ、過去数四半期を見て、予測がどのように行われたか、パイプラインのどれだけが閉じるか、どの担当者が閉じると言っているものを閉じているかを見て、シンプルな回帰モデルを構築し、予測を予測することです。それは実際に非常に役立ちます。そして、それらのベンダーのほとんどが今「それを行うエージェントを構築します」と言っています。エージェントはその回帰モデルを使用するだけでなく、その顧客との会議が行われているか、契約が進行中かなど、他のデータソースを見ることができ、その予測を絞り込むためにできる本当にクールなことがあります。
しかし、それからすぐに起こるのは、人々が「それは本当に素晴らしいですが、おそらく私の予測に最も必要なことの一つは、彼らが私たちの製品を多く使用しているかどうかわからないことです。それが彼らが更新するだけでなく、さらに私たちから購入するという指標です。今、私はエージェントに製品データが必要です。そして、おそらく私の製品データは製品開発チームがデータワークスなどに入れているものです。」と言うことです。そこで、会社に特有のデータがあり、それがデータレイクのどこかに座っていて、予測エージェントがそれをうまく機能させるために本当に必要なものです。そして、私たちはショーの始めに戻ります。CEOとして「予測エージェントが予測会社から購入したものですが、それが製品も理解していれば本当に役立つでしょう」と言います。しかし今、私の製品データを理解している誰かが必要です。それは何を意味するのか、私たちはそのデータベースに何を入れたのか、それは何を表しているのかを知る必要があります。
だから、アナリストは「そのデータレイクに入って、そのデータを取得し、AIに意味を持たせるための変換を行うことができます。なぜなら、それは製品チームによって使用されているのではなく、この予測エージェントによって使用されるからです。それは何を知る必要があるのか、使用量をどのように記述するのか、そしてそのデータをワークフローに入れ、AIエージェントがそのデータを使用できる場所に置きたいです。コンプライアンスやインフォセクなど全員に行って、「私たちはこの製品データをこの予測エージェントに入れますが、みんなこれを進めるのにOKですか？」と言いたいです。
だから、エージェントについて起こると思うことは、非常に早く「ビジネスアプリケーションベンダーからパッケージとしてエージェントを購入したい」から「いいえ、私は本当にエージェントがそれよりもはるかに賢くなることを望んでいます。このベンダーから開始点を得たのは素晴らしいですが、会社を進化させ、データワークフローの構築を開始し、それにさらにデータを供給し、ビジネスについてより賢くなるように支援する必要があります」に移行することです。突然、製品利用率を理解する予測エージェントが本当に価値のあるものになります。おそらく契約プロセスを理解し、おそらく担当者が前に働いていた場所が良い担当者になるかどうかの良い指標であるかもしれないので、オンボーディング中にその情報を見ているかもしれません。人々はそれを理解し、そのエージェントを時間とともにどんどん賢くする方法を見つけたいと思うでしょう。
だから、それが起こると思うのは、最初はビジネスアプリケーションベンダーからのエージェントの早期採用があり、第二段階はそれらの物が住んでいるボックスを超えて行く必要があります。会社がビジネスアプリケーションベンダーから購入したエージェントをより賢くするのか、それとも「実際には自分でエージェントを構築します。なぜなら、それがいずれにせよビジネスデータの多くと話す必要があるからです」と言うのか、興味深いことになるでしょう。誰かから既製のエージェントを購入したいのか、それとも自分でエージェントを構築したいのか、それが重要な能力になります。
その答えはわかりませんが、Alterixで信じているのは、どちらのシナリオでも、人々がビジネスアナリストに動かしてAIの準備をさせる必要がある大量のデータがあるということです。それが私たちが顧客の準備を支援することに焦点を当ててきた主なものです。
それは魅力的になるでしょう。エージェントが他のエージェントと話せるようにする必要があり、それ自体もデータワークフローです。今日のワークフローを人々が行うものとして考えていますが、ほとんどのワークフローベンダーは人々をまたいだ作業を整理しています。しかし、二つのエージェントが互いに話すことは本当にデータワークフローです。「返品エージェントと出荷エージェントはどのように話すのか」と言うビジネスアナリストが誰なのかに戻ります。それはデータの問題です。だから、AIの仕組みとビジネスのロジックをこれらのデータワークフローに適用する方法を理解するデータアナリストであれば、それは良い世界だと思います。
テクノロジーを超えて、AI主導の変革を航行している企業の重要なパートナーとなる方法がありますか？
現在の大きな一つは、これが技術的な問題の一部ですが、その多くは変更管理の問題だと思います。先ほどの手数料エージェントの話に戻ると、それは手数料システム、CRMシステム、そしておそらくHRシステムと話す必要があるエージェントです。技術的に想像することは不可能ではなく、私たちの製品では多年にわたって人々がデータ要素を取得し、それらを一緒に持ってきて、計算を構築することを支援する「準備とブレンド」と呼ばれることを行う能力があります。そしてそれをAIエージェントで利用可能にすることができます。
問題は、組織内の誰がそれに署名する必要があるのか、HRデータの一部をAIエージェントに入れるというアイデアに人々をどのように快適にさせるかです。これは私がAIプロジェクトが完全に立ち止まるのを見るところです。ロンドンで数週間前に3人の顧客と話しましたが、3人全員が「より多くのAIを使用するためのトップダウンの指示があり、私たちのデータ、IP、情報のいずれもAIツールに入れてはならないというトップダウンの指示があります」と言いました。それらは完全に矛盾しているわけではありません。一般的にAIを使用することができます。インターネット上にあることについて質問することができますが、本当の価値はAIが実際に私のビジネスを理解しているかどうかでしょう。
そしてすぐに、技術的な問題だけでなく、それを可能にするためのビジネスプロセスは何か、どのような制御が適切かという問題に到達します。誰もAIがすべてのデータを読んで最善を期待するとは言わないでしょうし、誰も「会社の全員がAIツールにロードしたいものについて自分の最良の判断を使用できるようにしよう」とは言わないでしょう。組織が「この技術の学習を開始する間、どのデータがどのように使用されるかについてプロセスと承認フローを持つ」と言えるコントロールポイントやクリアリングハウスの概念が必要になるでしょう。
これは技術的な問題よりも、ベストプラクティス、ビジネスプロセス管理、承認概念、リスク管理、さらには変更管理の問題だと思います。AIモデルにデータを入れることを承認し、6ヶ月後に法務チームが「考えてみると、競争インテリジェンス情報はもうそのAIツールに入れるべきではない」と言ってきたときに何が起こるのでしょうか？それをどこから取り出すのでしょうか？
これがクリアリングハウスが重要な場所です。クリアリングハウスに戻り、Alterixで構築できるようなデータワークフローに入り、「このワークフロー、このデータフローでこの情報を取り出し、このワークフローを再公開し、再度署名を得て、これから先、法務が決めたこの情報はもうそこに入れないようにします」というプロセスを持つことができます。それは一連のベストプラクティス、一連のプロセスであり、企業はそれらを導入する必要があります。
これは私たちが顧客が技術以上のものを求めている領域だと思います。彼らが本当に求めているのは、データで何もしないリスクをどのように考えるかというビジネス戦略です。AIを活用しないリスクは非常に大きなリスクであり、人々は心配しています。競合他社がAIを使用しているのに自分たちは使用していないために負けたくはありません。しかし、すべての知的財産、すべての機密データをAIツールに入れることのリスクも、AIツールを所有していたとしても、人々は快適ではありません。これはベンダーの信頼の問題ではありません。他人のシステムに入れることについてではなく、それがどのように機能するかについてです。
前の会社では、「AIツールをSlackに接続すべきですか？なぜなら、Slackで多くの本当に素晴らしい技術的な会話があり、多くの決定がなされるので、それは素晴らしい知識ベースになるでしょう」と誰かが尋ねてきました。彼らはそれについて正しいですが、Slackでは他の多くの議論も行われます。しばしば一対一で、人々がプライベートだと思うかもしれませんが、それでも企業サーバー上にあります。AIに「今誰か合併や買収について話していますか？」と尋ねることができるようにしたくないと思います。
それは技術的な問題ではなく、ガバナンスの問題です。それはどのように機能するのか、Slackチャンネルの一部をAIにロードさせたい場合はどうするのか、おそらくSlackチャンネルには「これは私たちのAIエージェントに接続されています」という大きなヘッダーがあるべきかもしれません。わかりませんが、それが私たちが顧客が考えるのを助けているものです。データがコンプライアンス、プライバシー、期待、有効化と出会う場所です。なぜなら、おそらくあなたはこのデータの一部をそこに入れたいからです。これは魅力的な問題のセットだと思いますし、それは技術の一部、ビジネスアナリストの一部、そして一種のコンプライアンスと人々に彼らがこれを始められるという信頼を与える方法を考える部分です。なぜなら、そうしない人々は本当に取り残されると思うからです。
組織が直面する課題は確かに多いです。これらの大きな課題に取り組もうとしていますが、あなたは12月にAlterixのCEOに就任したばかりで、会社の44億ドルの民営化取引の後ですね。会社の次のフェーズに対するあなたのビジョンは何ですか？
ありがとうございます、バーナード。まだオフィスに物を置いていないほど新しいです。新しいスタートです。
私が入社した理由は、まず会社を愛していること、製品を愛していること、ユーザーが製品を愛していることです。それは本当に重要だと思います。私はバックグラウンドが製品の人間なので、製品が何をするか、どのようにそれを行うかは本当に重要です。しかし私が本当に大きな機会として見ているのは、今日の会話をまとめると、世界のデータは現在一つの方法で保存されていますが、AIに役立つように異なるモデルに置く必要があると思います。そしてそれを行うのに最適な位置にいる人はAlterixだと思います。私たちはビジネスユーザー向けのデータ準備とブレンドの世界的リーダーです。
それは本当に成功した一連の製品を持つ素晴らしい会社で、私たちの前にはもう一つのエキサイティングな新しい機会があると思います。それは、顧客と協力してすべてのデータをAIの準備をし、これらのクリアリングハウスを構築し、データがどのように利用されるかについてビジネスユーザープロセスを取得することです。それは本当に重要だと思います。
前の会社でこの問題に遭遇しました。先ほど述べたように、より多くのエンタープライズデータをAIモデルで使用しようとしていましたが、それは本当に難しい課題でした。次に何をしたいかについて会社と話し、Alterixと話していたとき、それは少しユーレカの瞬間でした。「この製品はAIのためのこれらのデータ準備の問題に対する答えだ」と思いました。ここにいることに本当にワクワクしています。私たちは本当に素晴らしい会社、多くの信じられないほど賢い人々、そして本当に素晴らしい文化を持っています。そして本当に本当に本当に素晴らしいことです。
AlterixプラットフォームにさらにAIを統合する計画について知りたいです。あなたの顧客は何を期待できますか？
AlterixでのAIについては4つの大きな領域で考えています。一つは、データがAIシステムに入る前に、Alterixを使用してこの種のクリアリングハウスを構築し、どのAIツールを使用していても、データの準備を整えるワークロードを持つことができるというものです。それはユースケースですが、私たちの実際の製品にはAIに投資している他の3つの大きな領域があります。
一つは製品へのインターフェイスです。私たちはコパイロット機能を構築しました。あなたはUltraixでの作業方法についての質問をすることができ、製品の使用を助けます。これは本当に役立つと思います。私たちのアナリストはこの製品を使用することに本当にワクワクしています。
製品のバックエンドにもう一つのAI機能のセットがあり、これも魅力的だと思います。「マジックレポート」という概念を作成しました。ビジュアライゼーションがダッシュボードに行き、大きな会社のダッシュボードに行き、すべてがカラーコードされていて、何が起こっているかを理解しようとクリックしている代わりに、何が起きているかを伝えるレポートが与えられるとイメージしてください。南西部での売上が下がっているという先ほどの例について、もし毎週売上レポートを受け取り、それが単なる数字のセットではなく分析だとしたら「アンディ、これがあなたのレポートです。このように物事は進んでいます。ちなみに南西部では売上が下がっています。これに気づくでしょう」と。それはダッシュボードよりもはるかに興味深いと思います。マジックレポートは私たちが投資している本当に興味深い領域であり、顧客もそれが非常に興味をそそるものだと思っています。
そして製品自体では、人々はこれらのデータワークフローを構築し、ビジネスアナリストがパレットにドラッグできる何百ものツールがあり、データ変換を行い、異なるシステムからデータを取得します。また、データ関連の課題を解決するためにAIを利用するツールも作成したいと思っています。
本当に簡単な例を挙げると、AIは大きなオープンテキストボックスを読み、要約するのに非常に優れています。例えば、すべてのサポートチケットデータを取得してAlterixに持ち込み、そのワークフローを構築していて、理由コードや保留時間など多くの構造化データを使用していますが、おそらく問題を説明する大きな自由形式のテキストボックスがあります。そしてAlterixのAIコンポーネントに「列Fをトラブルチケットに関する最大8つのカテゴリーの一つに要約してください」と言うかもしれません。私たちは製品でこれらの変換を実行するので、そのワークフローステップに到達すると、列Eのすべてを読み、新しい列Fを作成し、それらのものを要約します。
AIを活用する一連のツールも作成しています。価値のあることは、それをこれらのデータワークフローの一部として使用できることです。私自身ですべてのサポートチケットデータをダウンロードし、AIツールにロードすることもできますが、会社で承認されたAIツールを取得するだけでも多くの課題があるかもしれません。おそらく毎日サポートチケットに関するワークフローを実行したいと思い、私が必要なものの一部はその要約なので、そのAIをワークフローに持ち込むことができることは本当に重要です。
はい、製品のあらゆる部分にわたってAIに大きな投資をしており、製品全体がAIのバリューチェーンでどのように使用されているかにも投資しています。
たくさんのエキサイティングなことが来ますね。AIが製品をどのように完全に変革し、人々がデータとどのように相互作用するかを変え、ダッシュボードからAI生成の本当に動的なレポートへと移行しているのを見るのは魅力的です。
それはデータ空間での本当に大きな次のステップのように感じます。人々が周りを見て結論を自分で理解しようとする代わりに、「ここを見てください、これがトレンド分析です、これがあなたが考えるべきことです、データで他に気づいたことはこれです」と言う能力は本当に価値があります。
その通りです。未来を見てみたいです。今後数年間でデータとAIの風景がどのように進化すると思いますか？そしてこの中でのAlterixの役割とその影響はどこにあると思いますか？
本当に大きなことは、企業がAIで主に非構造化データを使用することを超えて、実際の構造化データに到達しようとすることです。今日のAI周りの最も強力なユースケースは、創造的な作品を使用して他の創造的な作品を作成する傾向があります。大規模言語モデルに興味深いマーケティング資料を与えると、興味深いマーケティング表現を返してくれます。それは本当に価値があり、素晴らしいユースケースです。しかし、それは「南西地域で何が起きているか」と尋ね、ビジネスを分析する方法を理解してもらうのとは異なります。
まずその変化が来ていると思います。次に、組織が本当に自分たちがどのデータを所有したいのか、どのAIモデルを所有したいのかを考え始めています。企業がこれを自分たちでどれだけ行おうと考えているのか疑問です。自分のデータをどのように取得し、ビジネスをより広く理解するAIエージェントをどのように持つのか、そのトレンドはどのように見えるのでしょうか？再び、主要なビジネスアプリケーションベンダーから購入して、ビジネスの残りの部分についてより賢くするのか、それは確かにあり得ます。大企業として自分で大規模言語モデルを持ち込み、これが所有したい重要な企業資産だと決定し、それにすべてのデータをどのように接続するのか、これもまたAlterixが顧客を支援していることですが、それは何に企業が投資しているのかについていくつかの本当に興味深い決定をもたらすと思います。
彼らは過去20年間に構築したエンタープライズシステムがより賢くなり、AIエージェントに変わることに投資しているのか、それともそれらのシステムから離れて独自のものを構築することに向かっているのか？全体の領域は魅力的です。私たちはAlterixとして、顧客がそれらのことの組み合わせを行っていることを見ており、私たちの仕事は本当に彼らが何をすることを決めても、データを適切な場所、適切なフォーマット、適切な領域に取得するのを助けることを確認することです。
しかし、それは絶対に魅力的になると思います。テクノロジーの次の5年間は、おそらくドットコムブーム以来、どの5年間よりも興味深いものになると思いますが、人々が何が可能かを本当に再考するにつれて、それはさらに興味深いものになるかもしれません。そしてそれは興味深いと思います。
ですから、技術に関心があり、おそらく分析に興味がある聴衆は、その不確実性を機会として見ると良いでしょう。先ほど言ったように、AIによって変わるビジネスの仕事がたくさんあり、一部の人々にとってはそれはかなり大きな懸念かもしれませんが、データと分析の空間にいる場合、ビジネスがどのように運営されるかについての知識への大きな需要があると思います。それは本当にエキサイティングだと思います。
まったく同感です。アンディ、お時間をいただきありがとうございました。本当に魅力的で興奮させられ、インスピレーションを与えるものでした。この会話を再視聴したい方は、私のYouTubeチャンネルに行くか、ポッドキャストとして聴きたい方は、任意のポッドキャストプラットフォームで、この会話や他の数百の「ビジネスとテクノロジーの未来」に関する会話を見つけることができます。アンディ、本当にありがとうございました。
ありがとうございました、バーナード。本当に楽しい会話でした。呼んでいただきありがとうございます。
はい、私も楽しかったです。
コメント