re:Invent 2025: RIPPLEとBREAKフレームワークで学ぶAI戦略とagentic AI実装ガイド
はじめに
海外の様々な講演を日本語記事に書き起こすことで、隠れた良質な情報をもっと身近なものに。そんなコンセプトで進める本企画で今回取り上げるプレゼンテーションはこちら!
re:Invent 2025 の書き起こし記事については、こちらの Spreadsheet に情報をまとめています。合わせてご確認ください
📖 re:Invent 2025: AWS re:Invent 2025 - A leader's guide to AI strategy and implementation (SNR305)
この動画では、AWSのExecutive in ResidenceであるHelena Yin Koepplが、AI戦略の新しいプレイブックを提示しています。generative AIからagentic AIへの進化により100倍の生産性向上が期待される一方、95%のプロジェクトが測定可能なROIを提供できていない現状を指摘。成功する5%の企業は戦略とビジネスプロセスを真に変革しています。RIPPLEフレームワークを用いてビジネス戦略からAI戦略への変換方法を解説し、BREAKフレームワークで順次的なビジネスプロセスを並列処理へ再構築する手法を紹介。Moody'sやDoorDashなどの実例を交え、AIマネージャーとしての人間の役割、ハブ・アンド・スポーク型のAI組織構造、そして生きた基盤としてのデータアーキテクチャの重要性について、90日間の実装ロードマップとともに具体的に説明しています。
※ こちらは既存の講演の内容を最大限維持しつつ自動生成した記事になります。誤字脱字や誤った内容が記載される可能性がありますのでご留意下さい。
本編
re:Invent 2025開幕:AIによる100倍の生産性向上への期待
おはようございます。2025年re:Inventの最初のセッション、そしてre:Invent史上初のシニアリーダートラックセッションへようこそ。ラスベガスの月曜日の朝9時です。皆さんは本当に、本当にAI戦略がお好きなんですね。それでは始めましょう。
私の名前はHelena Yin Koepplです。AWSのExecutive in Residenceを務めています。私は、かつてAWSのお客様として変革を推進し、リードしてきた元シニアリーダーの小さなグループのメンバーです。現在はAWSに参加し、皆さんのような方々と経験を共有しています。私自身については、昨年AWSに入社する前は、4つのFortune 500企業でグローバルな役割を担い、26年間にわたってデータとAIの変革をリードしてきました。ですので、今日のセッションの多くは私自身の経験から来ていますが、同時に過去2年間、何百ものお客様とAIジャーニーについて話してきた内容も含まれています。
この3年間でどれだけのことが起こったでしょうか?私たちはgenerative AIアシスタントからgenerative AIエージェント、そして今やagentic AIシステムへと進化してきました。そして、あらゆる技術革命と同様に、 私たちは生産性向上の倍増を予見しています。蒸気機関から電気へ、そしてクラウドへの移行と見ていただくとわかるように、倍率はどんどん大きくなり、そこに到達するまでの時間はどんどん短くなっています。AIについてはどうでしょうか?生産性の向上はどれくらいで、どのくらいの時間がかかるのでしょうか?私たちは100倍になることを期待していますし、最短の時間で実現できることを願っています。
Agentic AIが解放する5つの生産性ボトルネック:非構造化知識からサービス自動化まで
なぜなら、generative AIとagentic AIは多くの、 多くの生産性のボトルネックを解放するはずだからです。例えば、これらはagentic時代が最終的に解放すべき5つの生産性のボトルネックです。1つ目は、非構造化知識です。 私たちはデータを整理し、ラベル付けする多くの時代を経てきました。その多くは構造化データでした。そして最終的に、PDFファイルやメール、そしてPDFや人々の中にある重要なノウハウといった非構造化データがあります。答えは誰に聞くかによって異なります。これらすべてが今、agentic AIを介した単一の入り口を持つことができ、その組織的知識を活用し、時間を短縮し、コンプライアンスリスクを狭めることができます。
例として、AWSのお客様の1つであるMoody'sは、リスク格付け機関であり、膨大な量の文書を分析してリスク格付けを行うには多くの時間がかかります。私たちが支援したのは、基本的にマルチエージェントワークフローを使用して、そのリスク評価分析を1週間から1時間に短縮するという概念実証を構築することでした。ここでの生産性向上を計算してみましょう。
2つ目ですが、agentic AIによって、私たちが何年も何年も話し続けてきた重要なことの1つ、つまり基本的にセグメント・オブ・ワンのカスタマージャーニーを実現できるということが分かっています。パーソナライゼーションについて話してきましたし、プラットフォームを横断した真の顧客の嗜好の追跡についても話してきました。そしてついに、agentic AIの行動する能力によって、それが可能になったのです。例えば、ここにいる方でRufusを使っていない方はいらっしゃいますか?ほとんどいませんね、ほぼゼロです、数名ですね。Rufusはagentic AIとgenerative AIを活用したショッピングアシスタントの代表的な例の1つです。そしてそれがすべてのレビューを集約できるからです
そして商品情報、個人の習慣、そしてこれを買った他の人が何を買ったかという情報も。これらすべての情報を組み合わせることで、実際に非常に速くなります。Prime Dayでは低レイテンシーを維持しながら、ショッピングが4.5倍速くなりました。私たちはRufusの創出からamazon.comに対して莫大な価値が生まれることを予測しています。これはショッピングや消費者ベースだけでなく、銀行のような高度に規制された環境でも見られています。NatWestはパーソナライズされた体験とレコメンデーションを使用することで、クリックスルー率を900%向上させ、200万件以上の高金利貯蓄口座の申し込みを達成しました。
それでは3つ目、複雑なオペレーションにおける意思決定のレイテンシーです。膨大な量のデータ、これも非構造化されたセンサーデータなどすべてを集約することができ、agentic AIを活用してそれを理解することができます。例えば、これもAmazonからの例ですが、DeepFleetと呼ばれるagenticおよびgenerative AIアシスタントがあり、倉庫で使用している10億台のロボットを管理し、自動化を極限まで進めるのに本当に役立っています。トラブルシューティングの処理からルート指示、そして適切な製品を梱包に渡す最適な方法を動的に決定することまで、そして出荷するところまでです。
繰り返しになりますが、私たちが見てきたagentic AIの使用例の多くは、サービスにあります。過去のサービスマネジメントでは、私も20年以上前に経験しましたが、優れたカスタマーサポートを提供したければ、フォロー・ザ・サンをしていました。24時間365日をカバーするために、3つの異なる大陸に3つのチームを配置していました。今ではもうそうする必要はありません。DoorDashでは、700万人のダッシャーに対して、agentic AIシステムがすべての問い合わせをサポートしています。この商品は今日いくらですかという質問から、トラブルシューティング、そして質疑応答まで。ダッシャーのサポートだけで300万ドルの節約になっています。
最後になりますが、製品サイクルの高速化です。学習を組み込んで高速に、そして膨大なナレッジベースを整理していきます。これはヘルスケアやライフサイエンスで見られます。私が長年働いてきた業界の1つですが、通常は膨大な量の非構造化データがあるため、非常に困難です。私たちが持っている例の1つは、Roche Groupの企業であるGenentechです。私たちは彼らの研究組織が43,000時間の手作業を自動化し、研究者の仕事を補強するのを支援しました。これは5年分の時間の節約に相当します。
95%が失敗する理由:昨日のプレイブックでは今日のAI課題に対処できない
これらはすべて素晴らしい例ですが、見出しのいくつかを読んでみると、agenticなAIプロジェクトの95%が測定可能なROIを提供できていないようです。詳細を読み進めていくと、実際に言っているのは、本当に価値を得ることに成功した5%の企業、実際に生産性やビジネス、新しいビジネスモデルにおいて数百万の増分価値を得た企業が、何を違うやり方でやったかというと、戦略とビジネスプロセスを本当に変革したということなんです。ですから、今日私がお話しするのは、昨日のプレイブックで今日のAIの課題に対処するのはやめましょう、ということです。
昨日のプレイブックの例をいくつか挙げます。マイクの音量が大きくなったり小さくなったりしていたらすみません。昨日のプレイブックですが、例えば1つ目、このような魅力的なテクノロジーについて話しているとき、私たちは非常に頻繁に、解決すべき問題から始めるのではなく、これで何ができるだろうかと自問してしまいます。実際には、問題を探しているソリューションを使って進めているわけです。これが1つ目です。2つ目は、ビジネスプロセスを本当に再考していないということです。以前とまったく同じプロセスを見て、自動化するステップを見つけるだけで、増分的な利益しか得られず、時には遅くなることさえあります。
体験について言えば、私たちはまだそれらをサイロに分割しています。マーケティングはコミュニケーションを行い、セールスはリード生成を行い、どちらも実際には同じ顧客に向かって一緒に働いていません。「どのように」という点でさらに課題があります。AIがどのように生産性の向上を解き放つことができるかについて話してきましたが、私たちがよくやっているのは、役割を再トレーニングして再設計するのではなく、実際に人を置き換えることです。これは正しいアプローチではありませんし、特に真の生産性向上を達成する方法ではありません。
組織の観点では、AIコミュニティを中央集権化してきましたが、これについては具体的にお話しします。そしてもちろん、データは新しい石油ですが、特にAIのエンジンを動かす石油です。私たちはまだデータを正しく設定できていません。私たちのところに来る多くの組織、私が以前経験した組織は、実際にこの変曲点に到達しています。過去3年間、多くの実験を行ってきました。非常に多くのPOCを行ってきましたが、不均一なROIと機能ごとに分散したAI支出を目にしてきました。指標は、成果ではなく、どれだけのAIプロジェクトを持っているかということでした。
今、リーダーたちは正しい質問を持って私たちのところに来ています。それは、本当に正しいトップ3のバリュープールを支援しているのか?これは防御可能な競争優位性をもたらすのか?増分的な勝利を本当に複利的な利益に変えるにはどうすればよいのか?これが今日お話しすることです。どうやってそれを行うのか?どうやって実際にAI戦略を持ち、それを実装してそれを実現するのか?
AI North Starの定義:RIPPLEフレームワークでビジネス戦略をAI戦略に変換する
AIイノベーションの真の好循環について考えてみましょう。確かに、多くの実験が行われているのは素晴らしいことですし、新しいテクノロジーについて学ぶことも素晴らしいことです。しかし、実際には一歩戻って改善すべきなのは、「私はAIにどこに真に投資するのか?本当に違いを生み出すビジネス戦略をサポートできる戦略的なポイントはどこなのか?」ということです。ソリューションからではなく、機会から始めましょう。そして、もちろんそれを迅速に提供し、真に価値とROIを示す、そして同時に、適切な基盤を構築していくのです。
これが新しいAI戦略のプレイブックです。これから6つの章についてお話しします。どのようにしてAI North Starを定義するのか?ビジネス戦略を反映したAI戦略から始めます。どのようにしてビジネスプロセスとパーソナライズされた体験を再構築するのか?そして、どのようにしてその高速道路を構築するのか、これはテクノロジーやプラットフォームだけの話ではなく、真に人についての話です。つまり、社内でAIを活用するすべての人々、そしてAI組織の両方についてです。
第一に、AI North Starから始めましょう。成功するAI変革において、組織が非常によく犯す最大の間違いは、「AI戦略を持とう、そしてどのようにAIを活用するか見てみよう」というところから始めることです。私たちが問うべき正しい質問は、「あなたのビジネス戦略は何か、そして私はどのように、どこで、ビジネス戦略をAI戦略に変換するのか?」ということです。私はビジネス戦略をAI戦略に変換したいと考えている組織と話をしてきました。彼らがやっていることは、7年間のビジネス戦略をすべてリストアップして、それを見ながら、どうやってこれをやるのだろうかと考えているのです。どうやってその非常に高レベルのビジョンを非常に詳細なAIロードマップに変換するのだろうかと。
あなた自身に問いかけたい第一の質問は、「どこに自動化の機会があるのか?どこに新しい製品や新しいサービスを創造するイノベーションの機会があるのか?そして、どこに実際にその破壊的な優位性があるのか?」ということです。これら3つの質問を念頭に置いておき、それでもどのように変換していくかを考えてください。
答えは、私たちは異なる質問をすべきだということです。過去50年間問い続けてきたのと同じ質問ではありません。ここで新しいフレームワークを紹介します。RIPPLEと呼ばれるものです。これは新しいメンタルモデルで、新しい質問をし、変換し、そしてnice-to-havesと比較して、競争優位性を生み出すためにAIが役割を果たせる場所のmust-havesを定義するのに役立ちます。
それでは1つ目は「R」、つまりRational Pause(合理的な一時停止)です。AIがあなたのビジネスにおいて本当に違いを生み出している場所を見ていきましょう。ここで不都合な真実があります:どこで顧客を失っているのか、そしてどこで競合他社に収益を奪われているのか?これは既存市場を守り、競争優位性を保護することに関するものです。 どのように異なる質問をすればよいのでしょうか?ここに、あなたが尋ねることができる異なる質問があります。 競合他社と比較して自分自身について考えてみてください。どこで、より機敏な競合他社が私たちよりも速く顧客にサービスを提供しているのか?遅延やエラーによって多くの収益を失わせている大量の意思決定は何か?それがあなたのチャンスです。どのような日常業務が、私たちの優秀な人材が新規ビジネスを獲得することを妨げているのか、そして顧客や競合他社の動きに対するリアルタイムの可視性がどこで欠けているのか?これが1つ目で、AIが大きな役割を果たせる問題空間がどこにあるかを定義するのに役立ちます。
2つ目はインセンティブマッピングです。インセンティブマッピングとは、これらの組織内で、私たちがよく組織のサイロについて話し、組織のサイロがどのように作られるかを理解することです。それは単に異なる部門や機能、あるいは別々のチームにいるからというだけではなく、インセンティブシステムが整合していないからなのです。 ですから、実際にそれを発見するために異なる質問をすべきです。異なる部門間で相反するインセンティブはありますか?どこで部門が互いに対立する指標で測定されていますか?どこで部門のサイロが顧客により良いサービスを提供することを妨げていますか?データやプロセスにおける引き継ぎのボトルネックで、防ぐことができるものは何ですか?もしこれらの機会空間を発見しているなら、 そこで2つ目のセクター、つまりビジネスプロセスの再構築に入ります。ここで別のフレームワークを紹介します。
3つ目はパースペクティブ・ダイバージェンシー(視点の分岐)です。これは非常に興味深いものです。私たちには、複雑すぎるために避けようとする問題があることを知っています。 それらは常に存在していて、何年も解決しようとしてきたけれども解決できなかった問題です。しかし今、自分自身に異なる質問をしてみてください:もしAIネイティブな競合他社があなたの領域に参入しようとしていたらどうでしょうか?私が以前働いていて、AI製品イノベーションをリードしていた場所は法律分野でした。法律分野には何年にもわたるラベル付きデータがあり、私たちは本当に競争優位性を持っていると思っていました。しかし、AIファーストのアプローチを持つ成功した新規参入者がかなりいくつか現れました。最初は小さかったのですが、AIとジェネレーティブAIで非常に迅速に価値ある洞察を生み出したため、ある時点で本当に脅威となる競合他社になりました。では、どこで彼らを機敏にしているのでしょうか?どこで彼らを競争力のあるものにしているのでしょうか?どのように定義し、実際に私たち自身の独自データを活用して、例えばAIを活用することで彼らよりも成功することができるでしょうか?
ですから、ここにAIを適用したい領域を特定し、実験から本番環境への移行を試みるために、自分自身に尋ねることができる質問があります。さて、いくつかの機会を発見しました。そして次の自然で実際に重要な質問は、ここでAIを使うことができるかではなく、使うべきかということです。そしてこれは非常に、非常に重要です。 それが逆説的な真実ですよね?ですから、プロセスが問題になったときに質問をすることができます。もしそれがすでにその文脈に最適なものだったらどうでしょうか?もしこのプロセスにAIを導入したら、新しいリスクを導入する可能性がありますか?緩和策は何ですか?そして特に、認識されているボトルネックがある場合、それは本物なのか、それとも実際には誤解されているのか?ですから、これらすべてについて、あなたのビジネスについて考え、あなたの領域において、できるかではなく、すべきかどうかも、その反対も考えてください。
そして、あなたが尋ねたい非常に重要な質問は また、もし私たちがAIを構築するなら、もし本当にリソースに投資するなら、もし本当にビジネスプロセスを変革することでこの問題領域に投資するなら、AIを通じて持続可能な競争上の堀を構築できるでしょうか? もしかしたらそうかもしれません。もしかしたら、競合他社が持つことができず、決してアクセスできないユニークなデータを本当に作り出すことができ、AIをワークフローに組み込み、継続的に学習し、私たちが話してきた制度的知識だけでなく、それは年次、月次のものですが、実際には日次、秒単位の運用知識を記録し、継続的にAIをトレーニングし、あなたのビジネスについて学習し、あなたのビジネスと運用、そしてあなたの知識、あなたの独自データがある場所に応じてカスタマイズし、最終的には他の誰もコピーできないものになります。そしてそれがあなたの堀です。それがあなたの継続的な競争優位性なのです。
最後になりますが、どれだけ早く実装できるか?これは非常に重要です、実装のスピードですね。 そして、もし2ヶ月以内、6ヶ月以内に実装できれば、他の誰も追随できない18ヶ月分のアドバンテージを生み出すことができるかもしれません。そこに投資すべきなのです。そして、もしその機会を特定できたら、スポンサーシップをつけて、プロトタイプだけでなく、本当にプロダクションに移行し、競合との差を継続的に保つためのスキルを開発してください。
このRIPPLEフレームワークを使って、 次のステップはopportunity filter workshopです。これを使ってこれらの機会を特定し、4つの要素で各機会をスコアリングしてください:ビジネス成果へのインパクト。ちなみに、技術的実現可能性も忘れないでください。これは、どれだけ早くそれを活用し実装できるか、つまりスピードを生み出せるかにも影響します。戦略的整合性とイノベーションのスピード、これは最後のポイントで話しましたね。そして、前に進めるべき必須項目を選択してください。これがあなたのマップです。
ROIについて手短にお話ししましょう。 AIのROIを特定する必要があるという話は、この3年間だけでなく、私がAIに取り組み始めてからずっとしてきました。この長年で学んだ重要な教訓の一つは、事後ではなく、運用中に観測を設定する必要があるということです。事後では遅すぎます。何がAIで何がそうでないかを上手く切り分けることができなくなります。そこで5つのステップがあります。適切なバリューストリームを選択する必要があります。それは本当に生産性の差別化や新しい収益源につながるものでなければなりません。そのフローにAIを組み込む必要がありますが、データを配線してください。
データフロー全体を特定し、AIと非AIを分離する必要があります。そして、それらの使用状況を実際に取得する必要があります。AIか非AIかだけでなく、どのくらいの時間、どの部分、何パーセントかを把握し、実行して比較してスケールさせるのです。
そして、AI ROI discoveryの手法がいくつかあります。少しアナリストの帽子をかぶってお話しすると、パイロットを実行していて、パイロットを実行している場所と、似た環境で似た活動をしているがAIがない場所を分離できる場合、テストとコントロールができます。つまり、A/Bテストのように、テストはAIがある場所で、コントロールエリアはAIがない場所です。そうすれば、どれだけの増分価値を生み出せるかを非常に素早く特定できます。ローンチ後は、データフローを組み込んであるので、AI attribution analysisができます。そして継続的には、実際にAIが関わるすべてのタッチポイントと、どれだけAIが関わったかを特定して、継続的に最適化することができます。これがナンバーワン、ビジネス戦略からAI戦略へです。 これがあなたのAI North Starです。
ビジネスプロセスの再構築:BREAKフレームワークで順次処理から並列処理へ
それでは、いくつかの詳細な事例を見ていきましょう。1つ目は、ビジネスプロセスについてお話しします。もし本当に完全にそのままの状態を保ち、その一部分だけを自動化した場合、私たちが確認できること、そして多くの顧客へのインタビューから見えてきたことは、実際にはAIによる価値創造があまり見られないということです。私たちがする必要があるのは、物事をそのまま保ち、完全に順次的にAIを実装するという個別のアプローチから、ビジネスプロセス全体を再構築することへのシフトです。つまり、どのような成果を得たいのかに焦点を当て、それについて再考することです。私が話をしたいくつかの組織は、こう言って戻ってきました。「それを試してみました。ワークショップを開催し、成果について話し合い、全員が機会について考え、再設計するために散会しました。そして6週間後に戻ってきたら、Excelシートを持ってきたんです。」では、実際にどうやってそれを行うのでしょうか?
そして私が提案するのは、再び異なる質問をすることです。現在持っている順次的なプロセスから始めて、 デューデリジェンスの例を使って説明します。デューデリジェンスは、今日の複雑なビジネスプロセスと同様に、かなり順次的ですよね?つまり、文書を収集し、初期レビューを行い、それから問題点をフラグ付けし、その問題は法的レビュー、財務影響レビューを経て、最終的にリスク評価を行い、基本的にこれに対処できるかどうか、それだけの価値があるかどうかを判断し、前のセッションに戻って例外を処理する必要があるかどうかを決めます。そしてこれは時間がかかり、デューデリジェンスは平均して6ヶ月から9ヶ月かかります。そして実際には、 そのビジネス価値創造を進めるべき時なのです。
そこで考えるべきもう1つのことは、 だからこそテクノロジーから始めるべきではないということです。ビジネスプロセスを変革する際、非常に多くの場合、それは1つのテクノロジーだけではなく、エージェンティックAIだけでもなく、ジェネレーティブAIだけでもなく、AIアシスタントを使ってプロセスを少し良くしようというだけでもありません。いいえ、プロセスを再構築したいのであれば、よく言われるように、テクノロジーから始めないでください。これが重要なポイントです。なぜなら、私たちが何をしたいのかを正確に特定しましょう。最も重要で最も時間がかかることは、実際にはデューデリジェンスにおいて問題を発見し、その問題を軽減する方法について考えることです。それについて考え、実際にこのプロセスを非順次的なプロセスに再構築すると、まず第1に、持っているすべての情報、すべての文書を投入する必要があります。
問題となる可能性のある重要な条項を特定するために、セマンティック分析を行う必要があります。それが第1です。すでにいくつかのコンポーネントを順次的ではなく一緒に集約しており、そのためにジェネレーティブAIを使用できます。異常が特定されたら、アナリティカルAIを使用して、例えばERPデータと比較し、財務影響分析を実行し、リスクスコアリングを行うことができます。つまり、クロスリファレンスと評価です。
さらに、発見した問題が、例えば違反が発生した場合に契約を終了する条項を持つベンダーだったとしましょう。ここで何をするのでしょうか?実際には並列処理を行い、エージェンティックAIコーディネーターによって調整された複数のエージェンティックAIに進み、法務処理エージェントと財務分析エージェントを使用し、実際に人間の監視もすべて一緒に行います。これがエージェンティックルーチンであり、順次的に行わないことで時間を節約し、最も最適な結果とソリューションが何であるかを特定し、それを影響分析に送ります。ちなみに、影響分析自体もエージェンティックAIを使用して、例えば免除提案の草案を作成でき、同時に人間がループ内でアクションを決定します。これらすべては、再構築するためであり、順次的に考えないためです。
では、その重要性についてお話ししました。では、どうやってこれを実行するのでしょうか?どうやって順次的なビジネスプロセスを取り上げて、異なる質問を投げかけ、これを完全に再構築するのでしょうか? 私にはBREAKと呼ばれるフレームワークがあります。その構成要素は次の通りです:Blindspot scan、Reframe constraints、Economic dissection、Assumption audit、そしてKaizen the happy pathです。
では、Blindspot scanとは何でしょうか?何年も使ってきたビジネスプロセスがある場合、ただ自分自身に「再構築しなさい」と言うのは非常に難しいものです。一つの方法は、なぜと問いかけ、それを5回繰り返すことです。そして時には、そのなぜの中には「なぜそうしないのか」というものもあるかもしれません。例として、これは実際の例です。現在のステップは、1000ドルを超える注文に対する手動承認です。なぜ?不正を防ぐ必要があるからです。大きな金額ですから。でもなぜ?大きな金額はリスクが高いからです。でもなぜ?その金額で顧客の意図を確認できないからです。なぜ?リアルタイムデータがないからです。
ほら、質問はすでに反転していて、もはやコンプライアンスの問題ではなくなっています。実際にはデータの問題なのです。そして最後のなぜは、私たちのシステムに相互運用性がないからです。この5つのなぜは、より深く掘り下げたいビジネスプロセスの問題空間を特定するのに役立ちます。それがあなたの盲点であり、なぜを問わなければ、以前やっていたことをそのまま続けてしまうでしょう。
次に、私たちは非常に頻繁に制約を抱えています。そしてその制約を再構築するもう一つのアイデアは、プロセスの制限に挑戦することです。自分自身に問いかけてください。もしレイテンシーがゼロだったら?それで何が達成できるだろうか?もしタッチがゼロだったら?それなら何が達成できただろうか?例えば、AWSでは、自分たちに問いかけます。もしゼロETLだったら?何が達成できるだろうか?そして非常に頻繁に、新しい考え方、新しい発明、そしてビジネスプロセスの新しい再構築は、自分自身に質問を投げかけることから始まります。これは私が持っている限界だ、そしてどうやってそれを達成するつもりなのか?
そして問うのです。どうやってそれを達成するのか?それがブレークスルーが起こる方法です。
経済的な分析です。今日、このプロセスは私たちができることだと思うかもしれませんが、考えていないのは、もし変更を加えなかった場合の実際のコスト、実際のコストと価値を破壊する要素は何かということです。例えば、アイデアや単なる作業成果物を提供するという観点で、どれだけのことができるかを考えるとき、隠れたコストについて考えないことが非常に多いのです。考えてみてください。スーパーマーケットで列に並んで待つのは普通のことですが、時間消費という隠れたコストや、人々がイライラして実際に商品を置いて買わずに帰ってしまうという隠れたコストは、お客様との間で失われる隠れたコストと価値なのです。お客様がプロセスのどこにいるのか、そしてそれをどう解決できるのかを考えてください。それについて仮説を立てるべきです。
そして、聖域を覆すことについてです。聖域は非常にしばしば言い訳として使われます。リスクがある、コンプライアンスの問題がある、しかし本当にそうでしょうか?すべての承認プロセスが、時にはコンプライアンスの問題かもしれませんが、単に組織の習慣かもしれません。自問してください、これらの承認プロセスは本当にコンプライアンス上必要なのか、それとも単に慣れているだけなのか?組織の階層を通らなければならないのか?そして手動の品質チェックも。このステップは人間にしか信頼できない。それは防げるでしょうか?防げますか?そして、どの順次的な依存関係が実際に要件で、どれが単に歴史的にずっとそうしてきたから存在しているだけなのか?
BREAKの最後の部分、最後はK、Kaizen、ハッピーパスです。プロセスエンジニアリングでは、ハッピーパス、つまり最も簡単で80%の時間で通るパスについてよく話します。そこに焦点を当てるわけです。しかし、ハッピーパスを発見する新しい方法、特にエージェンティックAIがあるとき、実際に多くの異なるシナリオを並列処理して適切なものを見つけることができるときは、実際に物事をただ起こるに任せることです。しばらくの間、物事をただ起こるに任せる。ここでご覧いただいている写真は、オハイオ州立大学で起こったことです。彼らは学生が講義室に行くための道を作りたかったのですが、すぐに建設する代わりに、実際に学生に芝生の上を歩いてもらい、最も有用な道を特定し、その後、足跡に従ってルートを建設しました。つまり、実際の行動を観察するということです。そして、エージェンティックAIはすべてをログに記録し、それを振り返り、メモリーでパターンを特定する能力があるため、ハッピーパスを特定して形式化することができます。
ちなみにKaizenは、ご存じない方のために説明すると、日本の哲学です。一部の企業組織は実際にビジネス戦略でも使用しています。これは、より大きな価値を得るために、段階的に小さな改善を継続的に行うことです。しかし、これらの頻繁な変更は、実際の仕事と経験で実際に起こったことによって情報を得ています。
そして、エージェンティックAIは大規模なKaizenを可能にします。先ほど述べたように、エージェンティックAIには継続的な観察、継続的な記録、継続的な振り返りと学習ループがあり、エージェントの観察に基づいたポリシーの改善があります。ねえ、これらの分析ステップを含むこのパスは、毎回20%短くなっているよ、という具合です。
このポリシーの改善は継続的に行われ、トレーサビリティも確保されています。並列実験により、ABテストだけでなく、A、B、C、D、E、F、Gと、何千もの実験を並行して実行することができ、正しい道筋を見つけ、人々が本当に好む体験を発見することができます。フィードバックは常に統合されており、agentic AIシステムの人間の管理者からのインプットも含まれています。
BREAKフレームワークでは、次のステップは実装したい時には、プロセスマッピングから始めて、今日のプロセスを特定することです。それは順次的かもしれませんし、すでにデジタル化または自動化された部分があるかもしれませんが、その後BREAK分析を使用して、本当に限界と聖域に挑戦するのです。そして、特定したすべてのボトルネックの中から、本当に違いを生むものはどれか、そしてそれらに対してどのような依存関係があるのかを優先順位付けします。先ほど申し上げたように、そしてプロセスの再構築のデューデリジェンスで見てきたように、AI ソリューションにマッピングし、どのAIソリューションを使用できるかを検討します。最終的には、実装ロードマップを策定します。このようにして、単にビジネスプロセスを再構築しましょうと言うのではなく、機会にたどり着くための構造化されたアプローチを持つことができるのです。
人間中心の体験設計:サイロを超えたAgentic AIによる顧客体験の変革
私がすでにいくつかのお客様と取り組んでいる例として、臨床試験プロセスがあります。臨床試験は、薬を市場に出すまでに通常約10年と数十億ドルかかります。なぜなら、フェーズ1の安全性、フェーズ2の有効性、そしてフェーズ3のより大きな母集団での試験を経なければならないからです。多くの人々は、これらすべてが順次行われる必要があると信じています。もちろん安全性が第一で、その後小規模な母集団で有効性をテストし、それから大規模な母集団でテストするからです。私たちが自問していないのは、これらのプロセスの一部を並行して実行できるかということです。文書を準備する時、すでに市場にあるものを参照する時、文献を参照する時、これらの活動の多くは実際には同時に、そして試行錯誤を通じて行うことができるのです。
同様の考え方を使って、AIで体験を再設計する方法について再考することができますなぜなら、これはしばしば非常に似た問題、つまりサイロの問題だからです。それについて再考する時、やり方は、マーケティングがコミュニケーションと営業のリード生成を行う必要があると言うのではなく、人間を中心に置くことです。これが実際にサービスを提供する必要がある人物です。彼女のニーズは何かそしてプロセス全体を通じて彼女は何を望んでいるのか。Agentic AIはそれを支援できます。なぜなら、推論、計画、アクション、オーケストレーションのすべてがバックグラウンドで行われるからです。
では、実際の例を使ってみましょう。製品の返品は顧客にとって非常にフラストレーションがたまることがあります。顧客がこれを返品したいと言った時、舞台裏でAIは並行して作業し、購入履歴を活用して可能性を評価します。この顧客は購入した製品を常に返品しているのか。それは有効なのか。以前に何が行われたのか。保証条件は何か。彼女は返品できるのか。購入後30日以内なのか。AIはこれらすべてを同時に推論し、必要なすべての関連情報を取得し、そしてアクションを起こします。それが有効で、まだ彼女の権利の範囲内であれば、処理しましょう、すぐに在庫を更新しましょう、配送を手配しましょう、そして顧客に通知しましょう。これらすべてを想像してみてください。もし私たちの元々の返品処理プロセスが複数の部門を経由するものだったら、
そしてこれらすべては、実際にはそのサイロを通過することなく、特定のニーズを持つその人を中心に据えて行われます。 より積極的に対処する可能性について考える必要があります。 製品の返品という問題を解決しますが、最終的に人間を中心に据えれば、彼らの体験を積極的に設計することを考える可能性が生まれます。顧客であれば新しい製品を提案できるでしょうか?その人が気づく前にプロジェクトのガイドラインに実際に対処し、3日後に近づいていることを知らせて、何を加速できるか尋ねることができるでしょうか?パートナーと取引している場合、すべてのエラーログや、あなたやパートナーがこの問題について抱えているかもしれない繰り返される問題から、実際に課題を特定できるでしょうか?
これを実装するには、ワークショップを実施して、解決したいイベントをマッピングし、サイロを特定し、そしてオーケストレーション全体を特定するというアイデアがあります。人間のチームがそれらを処理する場合に通過する必要がある順次的なステップについて考えることなく、体験を完全に変革するためにどのように使用できるかを考えてください。例えば実際にAmazonでは、Amazon組織全体がA to Zと呼ばれる新しいagentic AIソリューションに移行しました。休暇が必要で、HRポリシーを確認してマネージャーに尋ね、すべての情報を提供する必要がある代わりに、私は単にインターフェースに5日間の休暇が必要だと入力するだけで、必要なすべての情報が本当に私に送られます。システムはポリシーに従って応答し、私がスイスにいること、これが私にできること、残り15日あること、そして今すぐ5日間の休暇を取れることを知らせてくれます。この場合、従業員を中心に据えると、HRマネージャー、給与、ITなど、これらすべての部門のサイロは脇に置かれ、私たちは本当に、中心にいるこの人間と共に何を達成する必要があるか、そしてすべてのプロセスとツールをどのように活用できるかについて考えます。
AIマネージャーとAI組織:ハブ・アンド・スポークモデルで実現する全社的AI活用
では、すべての従業員のために実際にどのようにAIと協働するかについてお話ししましょう。まず第一に、エージェントであれ生成AIであれ、すべてをAIに任せるべきではありません。agentic AIを使用して立ち上げる価値が本当にある、agentic AIの大きな問題空間があります。例えば、明確な目標があること、なぜならそれがAIが達成する必要があることだからです。十分なデータが本当に利用可能であること、そして多くの意思決定がありますが、それらを元に戻すことが可能であることです。Amazonでは一方通行のドアと双方向のドアについて話しますが、双方向のドアの意思決定は元に戻すことができ、それらをAIに任せることができます。
人間のコントロールを保持することができますし、より戦略的な意思決定、関係に敏感な意思決定、そして新しい状況においては人間のコントロールを保持すべきです。高リスクの意思決定、一方通行のドアの意思決定、そして不可逆的な意思決定を忘れないようにしましょう。 人間のAIマネージャーについて考える必要があります。それはもはやタスク定義者ではありません。タスク定義者とは何でしょうか?このレポートを実行してください。何をする必要があるかを定義しますが、本当に今、AIと、特にagentic AIと協働するときには、AIに目標を与える必要があります。これを達成したい、時間通りに支払いを行ってください。
この顧客を助けて、ポリシーに従って、期限内に正しい方法でこの製品を返品してください。つまり、タスクの委任から目標設定へのパラダイムシフトは、私たちの本当に変革的なマインドセットの変化なのです。 したがって、AIマネージャーとしての人間の役割には、3つのコンピテンシーが必要です:目標設定、パフォーマンスモニタリング、そして戦略的介入です。
目標設定の詳細について、例えば、AIやエージェント型AIに達成してもらいたい主要な目標は何かということが含まれます。目標を設定しますが、同時に成功基準も設定する必要があります。例えば、CSATスコア、解決時間、または初回コンタクト解決率などです。これらすべてが潜在的な成功指標となります。制約条件は何か?エスカレーションのトリガーは何か?実際にいつ人間をループに入れておく必要があるのか?そしてパフォーマンスをどのくらいの頻度でレビューするのか?週次分析、日次、月次?そしてAIのメモリを活用します。
非常に重要なことですが、AIマネージャーのスキルセットは人間のマネージャーのスキルセットとは異なります。本当に重要なスキルの一つは、実は学習の俊敏性です。AIエージェントと働くとき、私たちはいつも言っているのですが、AIを最もうまく活用する方法を知っている人が、将来のハイパフォーマーになり、あなたが持つ最高の人材になるのです。彼らがする必要があることは、実際にはパターン認識に非常に優れていることです。つまり、AIを活用し、チームメンバーと組み合わせて目標を最善の方法で達成するための最良の方法は正確には何か、私たちが話した最良のルートの特定です。また、AIと一緒に働いてしばらくすると、直感的に知る必要があります。人間が非常に頻繁に行う必要があり、AIに処理させてはいけない文脈的な介入は実際には何かということです。つまり、人間とAIの拡張は、人間がいつ、どのようにAIを最もうまく活用するかを直感的に知っているときに起こります。これらが彼らが開発する必要がある4つの主要なスキルセットであり、最終的には本当にAIシステムと一緒に働くことによって実地で習得されます。
では、AI組織について話しましょう。AIを立ち上げることを可能にする組織です。リーダーがいて、組織構造があり、イノベーションエコシステムがあり、人材システムがあります。第一に、リーダーです。ここにいる方で、CAIOという肩書きを持っている方はいらっしゃいますか?組織がCAIOを雇用することは本当にトレンドになっています。AI戦略をリードし、組織にどのようにAIを最もうまく活用すべきかを伝えるべきだと信じている人々です。
それは素晴らしいことですが、時々私たちが遭遇するのは、一人のリーダーではスケールできないということです。なぜなら、組織の多く、特にトップの組織、取締役会、C-suiteは、非常に多くの場合、これについても新しいからです。彼らはAIが何ができて何ができないかを知りませんし、組織が本当にAIを活用する方法を知るための正しい方法が何かを知りません。ですから、CAIOについての重要なことの一つは、実際には教育し、調整し、AI流暢性とオーナーシップをC-suite全体に分散させることです。それがCAIOが組織をリードする最も効果的な方法であると私たちは見ています。一人では、AI戦略をスケールさせることはできませんし、会社全体にとって成功させることもできません。
そして、AI組織そのものについてですが、私は4つのグローバル組織でデータとAI変革を率い、任されてきました。
私がよく使うモデルは、ハブ・アンド・スポークです。はい、組織全体で迅速にスケールするためには、ハブに多くのものが必要ですが、同時に他のビジネス機能や部門へのスポークも必要です。人々が学ぶのを助け、日々ビジネスの課題や機会に直面している人たちが、その機会を特定できるようにするためです。しかし、ハブの大きさやスポークの大きさ、そしてスポークがどれだけ柔軟か、あるいは恒久的か、というところに違いがあります。
私はAI研究重視型のモデルを率いてきました。組織が本当に何かを創造し、最先端の研究を行っている場合です。業界の聖杯とも言える問題に取り組んでいるような場合ですね。もしAI研究重視型の組織を立ち上げるのであれば、ぜひともAIの専門センターを大きくする必要があります。そして非常に多くの場合、他の機能へのスポークは一時的なものになります。そこに行って、特定の問題を解決し、センターに戻ってくる。これはスクワッドと呼ばれています。そして、ハブ・アンド・スポークのもう一つのモデルは、小さなハブと、より大きく恒久的なスポークです。これらは非常に多くの場合、AI重視型のモデルで見られます。私がグローバルなライフサイエンス企業で働いていたとき、商業組織のハブは実際に中心にありましたが、多くの市場には恒久的なスポークがありました。
しかし最も重要なことは、どのようにしてそのAIイノベーションを発見し、スケールさせるか、そしてどのようにそれを実際に増やしていくかです。これが私がAIインキュベーターモデルと呼んでいるものです。ハブ重視型であろうとスポーク重視型であろうと、このリングを持つことが本当に重要なのです。非常に多くの場合、AIユースケースの成功したアイデア創出やパイロットは、スポークで起こります。しかし、人々がそれを発見し、たとえ成功したとしても、それをスケールさせる義務はありません。実際にそれを動員し、人々を動機づけて、他の組織でそれを再適用する機会を見つけ、そしてハブにフィードバックして、その迅速なスケールを可能にする恒久的な製品を実際に作り出すためには、このリングが必要です。それがイノベーションエコシステムであり、それがインキュベーターなのです。それがハブに属するか、スポークに属するかは、実は重要ではありません。
私たちは非常に多くの場合、これは真の2ピースチームであり、多機能なチームメンバー、ビジネスの専門家、そして重要なことに、AI専門家も含まれると言っています。適切な人材を持つこと、右側にビジネス感覚と問題解決スキルを持ち、左側にAI機能スキルを持つ人材を持つこと、そして左右のバランスを取ることが非常に重要です。ハブであろうとスポークであろうと、どの組織にいても同じです。しかし、調整できるのはそのバランスです。ですから、左脳重視型が必要な場合もあります。深いAIエンジニアリングやサイエンティストのスキルが多く必要な場合もあれば、バランスが必要な場合もあります。例えば、AIトランスレーターという非常に重要な役割は、問題空間の発見とAI機会の特定に関するものです。ですから、左脳と右脳のバランスが取れている必要があります。
戦略から実装まで90日かかります。ハブ・アンド・スポークについて、そしてどのタイプのハブ・アンド・スポークか、今日あなたの人材がどこにいるかを考え、アセスメントを行い、チームのための流暢性プログラムを特定すること、そしてそれが左脳部分を増やすのか右脳部分を増やすのかは、この30日、60日、90日のロードマップに従って行うことができます。最後になりますが、データについてです。
生きた基盤の構築:90日実装ロードマップとAI戦略プレイブックの総括
私たちは何年もの間、基盤を修正し続けてきました。これらのいくつかに遭遇したことがない人はいないでしょう:データウェアハウス、データレイク、データレイクハウス、データメッシュ、そしてデータファブリック。今、私たちが考えなければならないこと、特定しなければならないことは、どうすれば実際に生きた基盤を構築できるかということです。なぜなら、あなたのAI基盤は大聖堂であってはならず、2年間頭を下げてそれを構築するものであってはならず、本当に生きた都市として、パイプを敷設し、継続的に開発していくべきだからです。なぜなら、agentic AIは、過去の他のすべてのものとは異なり、完璧なデータを必要としないからです。データを取り込み、データを改善し、実際にデータを継続的に使用して、ユースケースを充実させるだけでなく、モデルをさらに発展させることができるのです。
AI技術の進化は加速しており、ご存知のように、これは過去3年間のほんの一例です。ですから、アーキテクチャの観点から私たちがすべきことは、シンプルでモジュール化された状態を保つことです。そして、そこで例えば、AWS AgentCoreのようなソリューションやプラットフォームが役立ちます。選択肢を保ち、ロックインせず、本番環境レベルの可観測性を提供してくれます。そして、責任あるAIとリスク管理を原則として保つだけでなく、それを運用可能にする必要があります。
さて、実装については、再び90日間についてですが、もしあなたがagentic foundationについて実際に考えたいのであれば、これらはあなたが従うことができる実装ロードマップの一部です。1つのユースケースから始めて、そのテンプレートを作成し、拡大していきます。これらが私のAI戦略プレイブックの6つの章であり、これがあなたが持ち帰るためのサマリーです。もし何か質問があれば、時間は終了しましたが、セッション後またはre:Invent全体を通じて、お気軽に私に声をかけてください。そして、残りのre:Inventを楽しんでください。素晴らしい聴衆の皆さん、ありがとうございました。
※ こちらの記事は Amazon Bedrock を利用し、元動画の情報をできる限り維持しつつ自動で作成しています。






































































































Discussion