「固有知能」は、失敗を早く出せる組織で育つ──失敗と学習という資産の複利効果
- Seo Seungchul
- 8月2日
- 読了時間: 11分
シリーズ: 知新察来
◆今回のピックアップ記事：Sarah Elk et al., "Proprietary Intelligence: How to Win with AI" (Bain Insights, 2026年6月25日)
概要： AI変革に成功する企業と苦戦する企業を分けるのは、モデルの性能ではなく、自社固有のデータ・業務フロー・学習アーキテクチャを組み合わせて競合が模倣できない「固有知能（Proprietary Intelligence）」を構築できるかどうかだ、と論じる記事。Ramp、Bradesco、Adeccoの事例を通じて、姿勢・領域集中・データ・技術アーキテクチャ・オペレーティングモデル・学習システム・ガバナンスという7つの意思決定を提示している。
CEOの8割が、自社のAI変革の遅さに不満を持っている。Bain & Companyの最新調査はそう伝える。奇妙なのは、そこから先だ。技術が遅いのではない。多くの企業が、変革だと思って進めているものが、実はポートフォリオ管理にすぎない。両者はよく似ているが、まったく別のものだ。この取り違えはどこから生まれ、何が本当の分かれ目になるのか。
AIポートフォリオという安全な錯覚
予算は承認された。タスクフォースが立ち上がり、PoCが走り、役員会には進捗が報告されている。手続きとしては何一つ欠けていない。それなのに、事業の輪郭は少しも動いていない。
Bainの調査によれば、CEOの約8割がこの状態に不満を抱いている。だが数字の内訳を見ると、より鋭い診断が浮かび上がる。障壁として挙げられているのは、社内の専門性・ツールの不足、局所的なパイロットに閉じてしまっていること、データやプラットフォームの未整備である。いずれも、技術の限界を語る言葉ではない。むしろ、賭け方の小ささを語る言葉だ。
ポートフォリオという語には、分散と保険の論理が刻み込まれている。複数の実験を並行させ、どれかが当たればよいとする発想は、リスク管理としては合理的である。しかし変革とは本来、分散ではなく集中を要求する行為であり、当たり外れを均すことではなく、特定の賭けに踏み込むことにほかならない。多くの企業が「AI変革を進めている」と語りながら実際に行っているのは、この二つを取り違えたまま、活動量だけを積み上げることである。
本稿の見立てでは、ここでの取り違えは意図的な誤魔化しというより、むしろ組織にとって自然な逃げ道である。実験を並べておけば、どれかが失敗しても致命傷にならない。だが同じ理由で、どれかが決定的な優位を生むこともない。分散は安全だが、安全であることそのものが、変革を骨抜きにする。
複利する学習、複利しない資本
では、実際に差をつけている企業は何をしているのか。Bainが提示する概念が「固有知能」である。これは、競合が容易には模倣できない三つの要素の結合として定義される。自社固有のデータ、人間の業務知をエージェントが利用可能な形に落とし込んだ業務フロー、そして人間とAIの往復によって精度を上げ続ける学習アーキテクチャ。
この三つは単体では機能しない。固有データがエージェントの判断を鋭くし、鋭くなったエージェントが人間の仕事を高度化し、人間がその経験をもとに業務そのものを設計し直し、設計し直された業務がさらに質の高いデータを生む。この循環が一度回り始めると、単発のAI導入とはまったく異なる種類の資産が蓄積されていく。
ここで見過ごされやすいのが、Bainが強調する一点――今回のAI波が、クラウド化やSaaS導入といった過去の技術波と決定的に異なる、という指摘である。クラウドへの移行に数年出遅れた企業も、十分な資本と有能なベンダー、そして力のあるCIOがいれば、その差を埋め戻すことができた。後発であることは、致命的な不利にはならなかった。
エージェント型AIは、この前提を崩す。エージェントは複数ステップのタスクを自ら計画し、APIを介して業務システムを実際に操作し、企業から委任された権限のもとで行動する。導入した初日から学習が始まり、経験・文脈・業務知が蓄積されていく。ここで生じる差は、資本の多寡によって埋められる差ではない。時間の中でしか積み上がらない差である。
サティア・ナデラの「エコシステムを伴わないフロンティアは安定しない」という言葉は、この構造を的確に言い当てている。最先端のモデルそのものは、外部から調達可能であり、競合も同じモデルにアクセスできる。モデル単体は、自社の顧客との過去の関係も、失注理由も、価格判断の勘所も知らない。競争優位は、モデルの性能にではなく、モデルを自社固有の業務生態系に埋め込む速度と精度にこそ宿る。
失敗を資産に変える設計
抽象的な三要素は、事例に触れることで初めて輪郭を持つ。Bainが挙げる三つの現場――財務プラットフォームのRamp、ブラジルの銀行Bradesco、人材サービスのAdecco――は、それぞれ異なる業種でありながら、同じ構造的な原理を共有している。
Rampでは、社内のAIツール導入率が99%に達したのちに、多くの従業員の活用が頭打ちになるという事態が起きた。原因はモデルの性能不足ではなく、ツール同士をつなぎ、優れた使い方を組織全体へ伝播させ、セッションを越えて文脈を保持する共通インフラの不在だった。同社が構築したGlassという内部レイヤーは、一人の従業員の発見を会社全体の標準へと置き換える仕組みである。ここで語られているのは、個人の習熟を組織の記憶へと変換する回路の有無であり、この回路こそが、Rampの経営陣が「社内生産性は堀であり、ベンダーに明け渡すべきではない」と述べる根拠になっている。
Bradescoの事例は、失敗の扱い方について示唆的である。同行は当初、少数の大きく複雑なエージェントに依存する設計を採用したが、ベータテストの段階で、遅く、高コストで、安全に拡張できないことが判明した。重要なのは失敗そのものではない。その失敗を早期に表面化させ、無理に本番投入せず、設計そのものを作り直したという事実である。再設計には約5か月を要したが、それがその後の展開――現在2200万人規模の顧客に対する複数の中核業務でのAI運用――の土台になった。
学習が複利的に蓄積されるためには、誤りが隠蔽されずに可視化され、設計の修正へと反映される回路が組織内に存在しなければならない。この回路を欠いた組織は、どれだけデータを蓄積しても、それを学習には変換できない。Bradescoの事例が示しているのは、失敗を許容する寛容さではなく、失敗を検出し、設計の修正へと接続する構造そのものである。
Adeccoの事例は、この学習の回路が人間の側にも必要であることを示す。同社のCEOは、AI変革を人員削減の物語としてではなく、成長の物語として位置づけ、採用担当者と共同でエージェント型の採用プロセスを設計した。大量処理を要する業務はエージェントに委ね、判断を要する業務は人間に残す。職種別のトレーニングを通じて、恐怖ではなく信頼と期待を組織に根づかせようとしている。
三つの事例に共通するのは、個人が発見した知見を組織の記憶へと変換する回路、失敗を検出し設計の修正へと接続する回路、そして人間の不安を信頼へと転換する回路――いずれも「回路」という言葉に集約される構造である。固有知能とは、これらの回路が同時に機能している状態を指す、と言い換えてよい。
権限は誰のものか
Bainはこれらの実践を、姿勢・領域集中・データ・技術アーキテクチャ・オペレーティングモデル・学習システム・ガバナンスという7つの意思決定として整理し、いずれもCEOに委任不可能な決定だと位置づける。記事末尾の自己診断も、この委任不可能性を測るための問いとして並んでいる。役員会でPoCの件数を語っているのか、それとも壊して作り直した学習の中身を語っているのか。先週、自らどれだけそのツールに触れたか。
7つの決定は、一見すると技術的な選択に見えるが、実際にはそのほとんどが組織論に還元される。技術アーキテクチャにおける「オーケストレーション層を自社で握る」という決定は、突き詰めれば、業務の意味を誰が確定するかという問いにほかならない。「顧客」「案件」「成果」という言葉の定義が営業と財務とデータ部門で食い違ったままでは、AIは企業知を安定して扱うことができない。
この論点は、Boris Chernyが述べた指摘とも接続する。重要なのは、エージェントに都度プロンプトを打つことではなく、エージェントに継続的に仕事をさせるループをあらかじめ設計することだ、という指摘である。チャット型の発想では、人間が毎回命令を下す。エージェント型の発想では、入力から記録までの流れを先に設計し、AIをその流れの中で働かせる。主役はAIそのものではなく、AIが継続的に働くための業務ループである。
ここでCEOという主語を一旦外して読み直すと、7つの決定はより一般的な命題として立ち上がる。すなわち、業務の意味と判断基準を確定する権限は、外部化することも、下位に完全に委任することもできない、という命題である。この命題は、大企業のガバナンス構造に固有のものではない。規模を問わず、「誰かがその判断を引き受けているか」という、より普遍的な問いに置き換えることができる。
中小企業という賭け場、あるいはその手前の宿題
Bainの語り口は、明確に大企業・CEO・エンタープライズ基盤を前提としている。2200万人規模の顧客、収益の半分を担うエージェントAIという野心。これらの数字を前にすると、固有知能という概念そのものが、巨大企業だけに許された特権のように見えてくる。
しかし、この前提は補正を要する。エージェントAIの高度化は、固有知能を実装する単位を確実に小さくしている。以前であれば、自社固有のAI基盤を作るには大規模なIT部門、専用のデータ基盤、専門人材、高額な開発予算が必要だった。現在は、外部モデル、クラウドツール、ノーコード・ローコードの連携を組み合わせるだけで、中小規模の組織でもかなりの業務ループを自社仕様に近づけることができる。Rampが構築したGlassほど大掛かりでなくとも、共有ドキュメントに「良い使い方」と「修正理由」を蓄積していくだけで、同種の回路は小さく再現可能である。Bradescoの教訓――万能なエージェントを最初から作らないという原則――は、むしろ規模の小さい組織にこそ強く効く。一つの業務ループの中で役割を細かく分けておけば、失敗した際にどこが悪かったかを特定できる。
だが、ここで楽観に流れることは慎むべきだろう。「中小企業でもできる」という主張が成立するのは、業務をある程度言語化し、分解し、記録できる組織に限られる。業務が属人的なまま放置され、判断基準が曖昧な組織では、AIはその曖昧さを整えてはくれない。むしろ、曖昧さそのものを露呈させる装置として機能する。この限界は、業務知の暗黙知的な性格そのものに由来するのであって、モデルの性能を上げれば解消される種類のものではない。
したがって、中小企業にとっての本質的な問いは、「どのAIツールを導入するか」ではない。「自社の反復業務を、自社の言葉で説明できるか」という、AI以前の宿題である。この宿題を済ませていない組織にとって、AIは魔法の整理役ではなく、むしろ未整理の請求書を突きつける存在になる。固有知能とは、AIが与えてくれるものではなく、AI以前にどれだけ自社の仕事を言語化できていたか、その蓄積の延長線上にしか現れないものなのだ。
ポイント整理
ポートフォリオと変革の分岐点
予算・タスクフォース・役員会報告という手続きは、変革の証明にはならない
分散と保険の論理（ポートフォリオ）と、集中と賭けの論理（変革）は、外形が似ていても構造が異なる
障壁として挙げられる専門性不足・局所的パイロット・データ未整備は、技術的限界ではなく賭け方の小ささの表れ
固有知能を構成する三つの回路
個人の発見を組織の記憶に変換する回路（Rampの事例）
失敗を検出し設計の修正へ接続する回路（Bradescoの事例）
人間の不安を信頼へ転換する回路（Adeccoの事例）
三つの回路が同時に機能して初めて、データ・業務フロー・学習アーキテクチャの複利効果が生まれる
中小企業に残る宿題
エージェントAIの高度化により、固有知能を実装する単位は縮小しつつある
ただし、この縮小が効くのは業務を言語化・分解・記録できる組織に限られる
中小企業にとっての本質的な問いは、ツール選定ではなく自社業務の言語化能力そのものである
キーワード解説
【固有知能（Proprietary Intelligence）】
Bainが提示する概念。自社固有のデータ、業務フローをエージェントが扱える形に組み替えたもの、人間とAIの学習ループという三要素の結合によって形成される、競合が模倣できない組織能力を指す。単なる自社専用AIツールとは異なり、循環の中で複利的に成長する点に特徴がある。
【エージェント型AI】
チャット型のAIのように都度の指示を待つのではなく、複数ステップのタスクを自ら計画し、APIを通じて業務システムを操作し、企業から委任された権限のもとで継続的に行動するソフトウェアを指す。導入初日から経験を蓄積し始める点が、従来型のITツール導入との決定的な違いになる。
【学習アーキテクチャ】
AIの出力を一度きりの成果物として消費せず、人間の修正・判断・評価を通じて次の出力の質を高める仕組み全体を指す。フィードバックループ、共有メモリ、評価機能などが含まれ、これが欠けていると、どれだけデータを蓄積しても組織的な学習には変換されない。
【オーケストレーション層】
複数のAIエージェントやツール、業務データを横断的に連携させ、企業固有の業務フローに沿って機能させるための統合的な制御層を指す。Bainは、この層を単一のベンダーに委ねるのではなく、自社で構築・運用すべきだと主張している。