CXのプロフェッショナルとして、ジェネレーティブ人工知能の導入を検討していますか？ここでは、始める際に自問すべきことを説明します。
ビジネス界の誰もが、生成型人工知能（AI）について話している。OpenAIのChatGPTとグーグルのBardは、既存のデータからパターンをマイニングしてパーソナライズされたコンテンツを作成できるAIモデルを開発している。
ジェネレーティブAIは急速に普及している。ChatGPTだけで、月間アクティブユーザーは1億人を超え、ウェブサイトは毎月10億ページビューを超える。
個人も企業も同様に、詩の作曲から提案依頼書（RFP）の作成、ビデオ広告の作成に至るまで、さまざまなユースケースでジェネレーティブAIを活用している。すべてのユースケースの中で共通しているのは、人間に見えるということだ。たとえそれが、生成された研究論文の参考文献を捏造することであったとしても。
一見無限の、リスクのない利点があるにもかかわらず、やみくもにジェネレーティブAIに手を出すべきではありません。どのような種類のテクノロジー、特に新しいテクノロジーでもそうだが、そのメリットとデメリットについて議論する必要がある。ジェネレーティブAIは表面的には魅力的に見えるかもしれないが、導入に必要なリソースが不足している可能性もある。あるいは、その効果を最大化するための正確なユースケースがわからないかもしれない。また、特にAIについては、効果的であるのと同様に、責任を持ち続けるためのガードレールが必要であることに留意したい。
ジェネレーティブAIをビジネスに活用する際に自問すべきこと
生成AIは急速に発展しており、今後数年のうちに様々な業界の組織で広く活用されることが予想されています。実際、すでに多くの組織が、この技術を導入・活用するために時間とリソースを投じています。特にカスタマー・エクスペリエンス CX）や従業員エクスペリエンス EX）の専門家であれば、業務において生成AIの導入を検討しているかもしれません。
ジェネレーティブAIモデルが効果的で、倫理的で、組織の価値観や目標に沿ったものであることを確認するために、CXの専門家として自問すべき上位5つの質問をご紹介します。
#1.データの安全性とプライバシー基準を確保するにはどうすればよいですか？
AIモデルを導入する前に、学習データ、特に個人を特定できる情報（PII）を含むデータのプライバシーとセキュリティを考慮することが不可欠です。オープンソースのAIモデルは、データのプライバシーとセキュリティに特別なリスクをもたらします。これらのリスクは、ソースコードへのオープンアクセス、サードパーティライブラリの使用、共有と配布の管理不足によって生じる脆弱性によるものです。
リスクを軽減するために、センシティブなデータにAIモデルを導入する企業は、コードベース、ライブラリ、データストレージに対して強力なアクセス制御と対策を講じる必要がある。
#2.モデルからバイアスを取り除くためにどのような対策がとられていますか？
生成AIモデルは、大規模なデータセットから学習し、そのデータに基づいて予測や推奨を生成するように設計されているため、特にバイアスの影響を受けやすい。
モデルは、多様かつ代表的なデータセットを用いて学習させる必要があります。従業員エクスペリエンス文脈において、これは、企業のお客様や従業員の構成、文化、その他のセグメントを十分に反映したデータが存在することを意味します。オープンソースのライブラリを活用する場合、ソース資料の事実の正確性や倫理面に関する検証プロセスが存在しないため、データに起因するバイアスが生じやすくなることを念頭に置いておく必要があります。
モデルにおけるアルゴリズムのバイアスの可能性を認識し、調査することも重要である。モデルは何を最適化するように訓練されているのか？例えば、多くの生成的AIモデルは、ソーシャルメディアに特化した出力を生成するように訓練されている。このようなプラットフォームでは、そのようなコンテンツが一般的で、効果的で、増幅されるため、より偏向的またはセンセーショナルなコンテンツにつながる可能性がある。
検討しているAIモデルがどのように訓練され、CXやEXのユースケースに最適化されているか、またモデルがどのように監査され、バイアスに対して監視されているかを尋ねてください。
#3.スケーリングに関連するコストは？
ChatGPTに単発の質問を持ち込むことは、迅速な回答を求める個人としては一つのことです。しかし、企業全体の何千万、何億ものレコードに生成AIを拡張するのはまた別の話です。
ジェネレーティブAIがスケールアップして成功するためには、多様で安全な大量のデータ、ハイパフォーマンス・コンピューティング・クラスターによるインフラ、モデルを監視し、維持し、成長させるための研究開発リソースが必要だ。
コストは、構築対購入の話における主要な考慮事項であるため、組織がスケーリングコストを引き受けるための体制をどの程度整えているかを理解するよう努める。さらに、自問する必要がある：自前のジェネレーティブAIをビジネス・プロセスやワークフローに統合するために、どの程度の労力がかかるのか？
コストに見合うだけの成果を得るためには、AIは測定可能な成果に結びつく必要がある。生成AIモデルの必要性を正当化することは、おそらく最も重要な問題であるため、関連するコストを評価し、モデルを使用するための強力なビジネスケースが存在するかどうかを判断する。
#4.CXとEXプログラムにジェネレーティブAIを導入するための最もインパクトのある出発点は？
生成AIを活用したコスト削減の可能性について、ブレインストーミングに夢中になりすぎないようにしましょう。その前に、実用性や影響についてよく考える必要があります。 コンタクトセンター のオペレーターをチャットボットに置き換えることで数百万ドルを節約できれば素晴らしいことですが、消費者、そして社会全体が、データプライバシーやデリケートな問題の取り扱いに関して、AIを完全に信頼しているわけではありません。
CX/EXにおけるジェネレーティブなAI戦略の効果的な出発点は、ポジティブなビジネス成果に結び付き、CXO（チーフ・エクスペリエンス・オフィサー）やその他のC-SUITEに説明しやすく、既存のワークフローに統合できるものである。
- 効率の向上：ジェネレーティブAIは、カスタマー・サービスのコール後にエージェントが行う必要のある、コールの要約作業やディスポジション作業など、時間のかかる作業を自動化する。
- 洞察までの時間の短縮：AIは、自然言語処理（NLP）および自然言語理解（NLU）アプリケーションにおけるルールベースのモデル作成と保守を合理化するために使用されるべきであり、アナリストは結果と行動の推進により多くの時間を費やすことができます。
- パーソナライゼーション：大量のデータを分析し、個別またはセグメントごとに、顧客にパーソナライズされた推奨を生成する必要がある。例えば、顧客のサポート履歴を把握することで、カスタマージャーニーにおいて顧客が希望するチャネルをより簡単に利用できるようにする。
- 従業員の定着率と離職率：生成AIを活用すれば従業員エクスペリエンス をより深く理解し従業員エクスペリエンス バーンアウト、離職、および従業員のエンゲージメントに対処するための意思決定を行う従業員エクスペリエンス 可能です。
#5.ビジネス全体でジェネレーティブAI戦略の採用を推進するには？
テクノロジー・ソリューションは、大規模に採用されたときに最も大きな効果を発揮する。しかし、AIは規模を拡大するのが難しい技術である。
顧客や従業員は、テクノロジーを信頼できなかったり、プライバシーが尊重されていないと感じたりすると、AIを活用したシステムやレコメンデーションとの対話をためらうかもしれない。
AI戦略、特に従業員のパフォーマンス測定、報酬、日常業務に影響を与える可能性のあるAI戦略については、透明性と誠実さをもって伝えることが重要である。モデリング手法を共有し、質問を促し、定期的な監査やバイアステストの結果を公開する。報酬や従業員評価に直接影響を与えないユースケースから始め、代わりにタスクの自動化やワークフローの最適化など、生活の質に関わるユースケースに焦点を当てる。
最後に、導入と、行動による有意義なビジネス成果の両方を促進するためには、生成AIモデルは、関連性のある正確で行動可能な出力を持たなければならない。
ジェネレーティブAIを活用して業界をリードする準備をしよう
貴社も競合他社も、すでに何らかの形でAIを活用している可能性がある。今こそ、ジェネレーティブAIの流行段階から脱却し、従業員と収益に貢献する具体的なユースケースにこのテクノロジーを集中させる時だ。瞬く間にコンテンツを制作したり、従業員のプロセスを合理化したりと、ジェネレーティブAIとそのビジネスにおける利点に注目が集まっています。その可能性を活用しよう。
