メインコンテンツへスキップ
見出し画像

日本のAI導入10年戦争――WatsonからChatGPT、そして「AIからSIへ」

    画像

    「AIで、なんかいい感じによろしく!」

    この約10年、日本のIT現場はこの“魔法の言葉”に、どれほど振り回されてきただろうか。

    私が見てきた企業のAI導入を振り返ると、そこには華々しい技術革新とともに、現場の担当者たちが期待と現実のギャップに挟まれてきた姿がある。

    終わらないエラー対応と例外処理のモグラ叩き。ときには朝方まで格闘しながら、ようやく業務で使える形に仕上げていく。AI導入の舞台裏は、泥臭くも静かなドタバタ劇だった。

    もちろん、企業によって歩みは異なる。これから描く時代も、きれいに入れ替わったわけではない。今もデータ整備は必要だし、自社モデルの開発も続いている。重なり合いながら、現場が向き合う課題と、AIに寄せられる期待が変わってきたのである。

    余談だが、私が最初に「AI」という言葉を意識したのは、ビジネス現場ではなく『ドラゴンクエストIV』の戦闘システムだった。仲間に「さくせん」を与えると、自分の判断で行動する。

    現代の生成AIとはまったく別物のゲームAIだが、「人間が細かく命令しなくても、機械が状況を見て判断する」という体験は、子ども心にも強烈だった。

    そして同時に、AIは必ずしも人間の期待どおりには動かない、ということも教えてくれた。

    クリフトはなぜ、そこでザラキを選ぶのか。

    仕組みは違っても、「こちらが望む結果と、機械が選ぶ行動がずれる」という感覚には、今のAI活用にも通じるものがある。

    あの小さな違和感は、私にとってのAI統治の入口だったのかもしれない。

    第1幕:「とりあえずWatsonを入れよう」の時代

    私の記憶では、2014年頃から、コグニティブ・コンピューティングという言葉が熱を帯び始めた。

    「これからはAIだ」

    「うちもWatsonを活用しよう」

    経営層の期待が膨らみ、現場にもAI導入の波が押し寄せた。

    もちろん、Watsonは有力な技術基盤だった。しかし、それは決して「何でも知っていて、空気を読んで、勝手に答えてくれる魔法の箱」ではなかった。

    たとえば問い合わせ対応に使うなら、FAQや業務知識を整理し、質問と回答のデータを整備し、地道に学習・検証を重ねる必要があった。

    「AIなら、いい感じに答えてくれるんじゃないのか?」

    という期待と、

    「いい感じに答えさせるためには、いい感じでは済まない準備が必要です」

    という現場の現実。

    そのギャップを埋めるため、担当者はデータ整備とExcelとの格闘に追われた。本来の業務の合間に表記をそろえ、重複を取り除き、例外を洗い出す。

    AI導入を担当していたはずが、いつの間にか「Excel職人」のような役割を担っていた。

    AIが業務を理解するまでには、まず人間が業務を整理し直さなければならなかったのである。

    第2幕:TensorFlowとPython環境構築の試練

    続いて存在感を増したのが、自社データを使って機械学習・深層学習のモデルを構築する取り組みだった。

    「これからは自社モデルを作る」

    「AI人材を育てる」

    TensorFlowをはじめとするフレームワークと、Pythonのエコシステムが、現場での選択肢を広げていった。

    しかし、自社でモデルを作るとなれば、開発スキルだけでなく、学習データの整備や評価方法の設計も必要になる。従来のシステム開発を担っていたエンジニアが、新たにAI開発まで引き受ける場面もあった。

    そこで待っていたのは、華麗なAI開発だけではない。

    Pythonのバージョンが合わない。

    GPUドライバ、CUDA、ライブラリの組み合わせがかみ合わない。

    いわゆる「CUDA地獄」である。

    AIに賢くなってもらう前に、まず環境構築で人間の心が折れそうになる。

    ようやく学習が回り始めても、今度はGPUメモリ不足による「CUDA Out of Memory」で処理が落ちる。損失が「NaN」になり、学習が進まなくなる。学習データでは好成績なのに、新しいデータではうまく働かない。

    継続的にモデルを更新する取り組みでは、新しいデータへの学習によって、それまでできていたことができなくなる「破滅的忘却」が問題になることもあった。

    こうして現場には、モデル開発者でありながら、実態としては「環境構築職人」「ハイパーパラメータ職人」と化した担当者もいた。

    モデルを作れることと、業務で安定して使い続けられること。その間にも、大きな隔たりがあった。

    第3幕:そして世界は「プロンプト」になった

    2022年11月末、ChatGPTの公開によって、AI活用の風景は大きく変わった。ClaudeやGeminiなどの登場も、その変化を加速させた。

    「数日かけて学習させていた分類処理が、チャット画面で数行お願いするだけで動いている」

    そんな驚きを覚えた人も多かったのではないだろうか。

    すべての用途を置き換えられるわけではない。それでも、文章の分類、要約、下書きなどを、自然言語の指示で試せるようになった意味は大きい。

    自前でモデルを一から鍛える以外に、巨大な基盤モデルに適切に依頼するという選択肢が生まれた。

    現場は歓喜した。これでAI導入は一気に楽になる。そう思われた。

    しかし、すぐに新しい問題が姿を現した。

    言い回しや指示の順序を少し変えるだけで、期待した回答が得られたり、得られなかったりする。試行錯誤が「プロンプトガチャ」のように感じられることもある。

    さらに、業務で使うとなれば、見過ごせない誤りが現れる。

    存在しない取引先名。

    実際にはないキャンペーン条件。

    もっともらしいのに、実在しない参考文献。

    ハルシネーションの問題である。

    LLMは、自然で流暢な文章を生成する。その流暢さゆえに、誤りが誤りとして見えにくい。人間が違和感を持たないまま、回答を信じ、次の作業へ進んでしまうことがある。

    AIに答えてもらうのは簡単になった。しかし、その答えを業務で使ってよいかどうかは、別の問題だった。

    第4幕:「答えるAI」から「仕事を動かすAI」へ

    そして今、AIはチャット画面の中で回答するだけの存在から、ツールを使い、手順を組み立て、仕事を進める存在へと役割を広げている。

    目標を受け取り、必要な情報を調べ、コードを書き、実行結果を確認し、うまくいかなければ修正する。こうした複数の工程を、AIエージェントがつないで進めるようになった。

    かつて未来の話として語っていた「自律型AI」が、実際の製品や開発・運用の現場に入り始めている。

    もちろん、任せられる範囲も、安定して完遂できる仕事も、システムや条件によって異なる。それでも、人間が毎回次の手順を指示する使い方から、目標と条件を与えて一定の仕事を任せる使い方への変化は大きい。

    そしてここで、あの“魔法の言葉”が、もう一段重くなる。

    「AIで、なんかいい感じによろしく!」

    回答を求めるだけなら、誤りを見つけて書き直せるかもしれない。しかし、実行権限を持ったAIが、ファイルを更新し、外部システムを操作し、処理を繰り返すなら、影響は回答画面の中にとどまらない。

    間違った前提のまま、仕事が進む。

    不要な処理を繰り返し、費用が膨らむ。

    人間が確認する前に、変更が反映される。

    現場が向き合うのは、回答の品質に加えて、行動の範囲と結果になった。

    • 何を任せるのか。

    • どこで人の承認を求めるのか。

    • 何を記録し、後から検証できるようにするのか。

    • どんな条件で止め、誰が対応するのか。

    AIの自律性が高まるほど、人間が設計すべき「さくせん」も、具体的でなければならなくなる。

    エピローグ:そして、名前はAIからSIへ

    そんな変化のさなか、呼び名をめぐる新しい動きも起きた。

    2026年9月29日、米国では「Inaugurating the Era of Super Intelligence」と題する大統領令が出された。

    法律で許される範囲で、連邦政府の行政機関の公的文書、広報、ウェブサイトなどにおいて、「Artificial Intelligence/AI」に代えて「Super Intelligence/SI」を使うよう指示するものだ。

    ここで注意したいのは、この大統領令が、技術的な意味での「人間を大きく超える超知能」の実現を認定したわけではないということだ。命令上のSIは、当面、既存の法律が定義するAIと同じ技術・システムを指す。

    それでも、政府が公式な呼び名を変えるという出来事には、時代の期待が表れているように思う。

    Watsonに期待し、TensorFlowの環境構築に泣き、ChatGPTの誤回答に青ざめる。そして今、AIに仕事を任せ、その呼び名さえSIへと変わろうとしている。

    現場から見れば、看板が変わる速度に、業務の仕組みを整える速度が追いつくかどうかが気になるところだ。

    この約10年、私たちは「AIを賢くする」ことに奔走してきた。その努力は、これからも必要だ。精度の向上も、使いやすさの改善も、現場にとって大きな価値がある。

    同時に、賢くなり、自ら仕事を進めるAIを、どのような条件で業務に組み込むのかという課題が、重みを増している。

    私が考える「統治」とは、任せる範囲、承認、記録、停止、責任を、業務の仕組みとして実装することだ。

    AIからSIへ。

    名前が変わり、能力が伸び、任せられる仕事が増えても、その結果を引き受ける人間と組織には、判断が残る。

    クリフトは今日も、どこかでザラキを撃ち続けている。

    今度は、一度の指示で何度も行動するかもしれない。

    だからこそ、呪文の精度を上げる努力とともに、誰に、どの場面で唱えさせるのかを決め、必要なら止められる仕組みを持つこと。

    次の「さくせん」を考えるのは、私たち人間だ。

    「答えるAI」と「仕事を動かすAI」の違いは、プロンプトAIプロトコル『「AIを使う」と「AIに仕事を任せる」は何が違うのか』で解説しています。



    参考資料

    ※『ドラゴンクエスト』は株式会社スクウェア・エニックスの商標または登録商標です。

    あなたへのおすすめ