データ活用やDXの推進は、今や企業の最重要課題だ。しかし多くの企業は、データ分析から施策の実行までを担う専門人材の確保が難しく、属人化が進み、事業継続のリスクにもなっている。チャット型AIの導入が進む一方で、AIの助言を施策として実行できる人材が不足し、次の壁に直面している。
この課題を打破する鍵となるのが、AIエージェントを「ツール」ではなく「即戦力人材」として組織に迎え入れる「自律型AI組織」の構築だ。データとAI活用のプロフェッショナルであるシンキングデータ（本社：東京都）のシニアコンサルタント、肥後裕之氏に、その実践的な方法を聞いた。
データ活用とAI導入の現場で見える「人材不足」と「属人化」
肥後氏は、シンキングデータでシニアコンサルタントを務め、データ分析とAIのプラットフォーム「Agentic Engine」の導入から運用支援までを担当する。経営層や現場のリーダーと対話しながら社内に散在するデータをまとめ、それを活用して業務プロセスを変革に導く役割だ。
データ活用やAI導入を進める企業は、どのような「データ活用と組織」の課題に直面しているのか。肥後氏は「主に2つのギャップがある」と指摘する。1つ目はデータの統合ができていないことだ。情報が社内の各所に散在し、分断している状態で、ユーザーの行動ログはサーバ側に、マーケティングのデータは別の外部ツールにあるなど、データ同士がサイロ化したままになっている。
2つ目は、データを使いこなすスキルセットの問題だ。ペタバイト級のデータが存在しても、それをビジネスに生かすには「人間のスキル」に強く依存する。データアナリストは、ビジネスの現場（ドメイン知識）を深く理解していなければ仮説を立てられない。しかし、何年も運用されているサービスの複雑な仕様を人間のアナリストが全て把握するのはほぼ不可能だ。このように、人材の確保が難しい上にドメイン知識の習得という壁があるため、属人化が極めて深刻になっている。この2つのギャップは、特にアプリ事業やECなど、リアルタイムのデータが飛び交いスピードが求められる領域で顕著だ。
従来型チャットAIの価値と「実行完了」の壁
現在、導入が進む生成AIはそれらの課題をどう解決するのか。肥後氏は「チャット型AIは『効率化』には間違いなく貢献します」と話す。「こういう定義でレポートを作って」と指示すれば、すぐに出力してくれる。しかし、ここにも壁がある。それがビジネスにとって「効果的」か、つまり根本的なビジネスの変革につながるかというと、必ずしもそうではない。なぜなら、AIが出した分析結果を見て、意思決定して施策を考え、予算や人材を手配して実行するのはあくまで人間の担当者だからだ。
チャット型AIは自然言語で指示する必要があるが、自分の頭の中にある暗黙的な思考や前提条件をプロンプトとして言語化できる人は多くないことも課題だ。結果としてプロンプトを作れる人に業務が集中して、新たな属人化を生んでしまうことがある。こうした壁を乗り越えるには、業務フローそのものを変革して「AIに実行を任せる」という判断が不可欠だ。
散在する情報を資産に変える「全感知」
では、肥後氏が指摘する「AIに実行を任せる」という新しいアプローチに対し、シンキングデータおよびAgentic Engineはどのように貢献するのか。
Agentic Engineは、「人間の限界を超えるアプローチを採用している」と肥後氏は説く。中途採用の社員が入社初日から複雑なサービス仕様を全て理解して、即戦力として機能するのは難しい。しかしAIであれば、膨大な仕様書を読み込んで、データがどのような形で出力されているかを理解できる。社内に散在するあらゆる情報を統合してAIの知識とするAgentic Engine独自の機能「全感知」によって、AIは効果的な施策を立案する。これにより、従来は属人的に処理されていた情報を企業の資産として自律的に蓄積し、ビジネスをデータドリブンに動かすことができるという。
複数エージェントの自律連携のインパクト
Agentic Engineの強みは、各領域に特化した複数のAIエージェントが自律的に連携して実行を完了させる点にある。
ECサイトで異常な量の注文が発生したとしよう。人間なら、ダッシュボードを見て異常に気付くのを待つことになる。しかしAgentic Engineは、異常を知覚するエージェントが警告を出すだけでなく、それを改善するための施策を立案・実行するエージェント、さらにその実行結果（A/Bテストの有意差など）を振り返って検証する分析エージェントに次々とバトンを渡す。つまり、エージェント同士が自律的なチームとして連携し、問題発見から施策検討、実行、検証まで自動で回す。途中で人間の承認を必須とする設定も可能で、企業の運用方針に合わせて柔軟に制限を管理できる。
この自律連携はどのようなケースでどう役立つのか。肥後氏は、一例として広告クリエイティブの多次元追跡とパーソナライズ施策を挙げる。通常、広告出稿先メディア側のデータと自社サービス内のユーザー行動データは分断されていて、同時に運用される数百本の広告素材を人間が一つずつ分析するのは困難だ。
Agentic Engineは、広告アトリビューションに関するサードパーティーツールと連携し、これらの分断されたデータを1つのIDで統合する。分析エージェントがユーザーの流入経路や広告の訴求軸を多次元で分析し、その結果を受けてエンゲージメント担当のエージェントが自社サービスの体験を自律的に変更する。これにより、かわいいキャラクターを訴求した広告から流入したユーザーには、初回利用時にその要素を提示するといったパーソナライズした体験を提供する。
こうしたリアルタイムの施策は、1秒間に数千レコードを処理するモバイルゲーム業界で培われたノウハウに基づいている。Agentic Engineには、膨大なデータを処理してユーザーの期待と現実を一致させる100以上の「Skill」が組み込まれている。Skillを選ぶだけで、各分野の専門能力をすぐに活用できる。
数千万から数万パターンに及ぶユーザーの「広告を見た体験」と「購入・利用の履歴」を1対1で紐付けて、最適なタイミングでパーソナライズされた体験を返すといった作業を人間がするのは非現実的だ。Agentic Engineなら、この「データ収集」「データ統合」「データ分析と施策立案」「施策実行」まで、エージェント間のバトンパスで完了できる。これは、希少な存在であるデータアナリストとマーケターを高額で雇用すること以上の価値をもたらす。
AIの暴走とブラックボックス化を防ぐ「個別構造」
AIが自律的にビジネスを駆動するとなれば、企業はセキュリティや暴走のリスクを懸念する。これに対し、シンキングデータはSaaS型での提供を避けている。データの保管場所や推論環境を他社と切り離す個別構造を採用しているため、各企業のプロセスや環境に合わせた安全な構築を提供できる。
また、AIがなぜその判断を下したのかは全てレポートとして可視化される。どのような情報を参照して、どのような推論を経たのかをトレース可能にすることで、AIのブラックボックス化を防いでいることもポイントだ。
「自律型AI組織」が描く未来とは
最後に、AIエージェントを組織に迎え入れることがもたらす、新たな組織の在り方について伺った。Agentic Engineで自律的に実行を回す組織が定着した先には、どのようなビジネスの未来が待っているのか。
肥後氏は「Agentic Engineは自律的に学習して改善するので、システム自体が自律的に改善していきます。そうなったとき、人間が注力すべきなのは『創意力』や偶然の出会いから生まれる『セレンディピティ』といった領域ではないでしょうか」と語る。
AIによって、「人の数に依存しない事業成長」は実現可能な時代になりました。従来、1つのサービスを運営するのに100人単位のスタッフが必要だった業務が、10人の人間とAIエージェントのチームで十分に回せるようになります。労働人口が減少して、海外など未知のマーケットに挑戦しなければならない今の時代において、AIが自律的に分析して実行を回してくれる世界観は不可欠です。
AIエージェントが実行を回すようになれば、経営に与えるインパクトも計り知れません。肥後氏は「そう思います。Agentic Engineのような自律型AIプラットフォームは『ツールを導入する』という感覚ではなく、採用が極めて難しい『仕様書を1日で読み込んで施策提唱をしてくれる優秀な人材を迎え入れる』ことと同じインパクトがあるはずです。AIエージェントと人間がチームとして協業することで、事業は絶えず進化すると私は確信しています。そんな『即戦力』をチームに迎え入れられたとしたら、企業にとってこれほど心強いことはないはずです」と話す。
