2022年ねん11月にChatGPTが公開こうかいされたことで、ビジネス界かいでも大おおきな注目ちゅうもくを集あつめるようになった生成せいせいAI。ChatGPT以外いがいにも様々さまざまな生成せいせいAIが登場とうじょうしており、その進化しんかは現在げんざいも急速きゅうそくに進すすんでいる。生成せいせいAIを業務ぎょうむに活用かつようしようという動うごきも始はじまっており、今後こんごは生成せいせいAI抜ぬきにビジネスを語かたることはできなくなるといっても、決けっして過言かごんではないだろう。一般いっぱん企業きぎょうによる生成せいせいAIへの投資とうしも、これからさらに本格ほんかく化かしていくはずだ。

それではなぜ生成せいせいAIが、これだけ注目ちゅうもくされるようになったのか。それは特定とくていの専門せんもん領域りょういきだけではなく、極きわめて広範こうはんなビジネス領域りょういきで活用かつようできる可能かのう性せいを秘ひめているからだ。しかしこうした特徴とくちょうは、投資とうしの失敗しっぱいを誘発ゆうはつする危険きけん性せいも高たかい。やみくもに導入どうにゅうしていくことで投資とうしが増大ぞうだいしてしまい、その割わりには効果こうかが薄うすいユースケースが散見さんけんされることで、急速きゅうそくに「幻滅げんめつ期き」に突入とつにゅうする可能かのう性せいがあるからだ。

実際じっさいに、生成せいせいAIで実現じつげんできると考かんがえられているユースケースは、実じつに多様たようだ。その一いち例れいを示しめしたのが下したの表ひょうである。

事業じぎょう戦略せんりゃくや運営うんえい管理かんり、製品せいひん企画きかくや研究けんきゅう開発かいはつ、製造せいぞうやサプライチェーン、マーケティング・販売はんばい・顧客こきゃくサービス、さらにはITや人事じんじ、財務ざいむに至いたるまで、実じつに多様たようなユースケースが挙あげられている。これらすべてに生成せいせいAIを導入どうにゅうすることは、現実げんじつ的てきとはいえない。まずは、自社じしゃで取とり組くむべきユースケースを絞しぼり込こみ、そこに投資とうしを集中しゅうちゅうすべきだろう。

それでは生成せいせいAIのユースケースの絞しぼり込こみを、どのように行おこなうべきなのか。ここで最初さいしょに提言ていげんしたいのが、まずユースケースを大おおまかにカテゴライズし、それらの中なかで具体ぐたい的てきなユースケースをリストアップした上うえで、2つの軸じくで優先ゆうせん順位じゅんいを決きめていくというアプローチだ。

まず生成せいせいAIの一般いっぱん的てきなユースケースは、大おおきく6種類しゅるい考かんがえられる。「ドキュメントオートメーション」「コンテンツ生成せいせい」「デジタルアシスタント」「設計せっけいとデータ作成さくせい」「自然しぜん言語げんご検索けんさく」「コード生成せいせい」だ。

「ドキュメントオートメーション」は、既すでに存在そんざいする膨大ぼうだいな情報じょうほうを解釈かいしゃくし、その要約ようやくや翻訳ほんやく、解説かいせつを行おこなうというもの。生成せいせいAIを活用かつようした翻訳ほんやくは既すでに一般いっぱん的てきなものになっており、コールセンターでのやり取とりをテキスト化かして要約ようやくするといった取とり組くみも、既すでに複数ふくすうの企業きぎょうで始はじまっている。

「コンテンツ生成せいせい」は、文書ぶんしょや画像がぞうなどを自動的じどうてきに生成せいせいするというものだ。例たとえば、メール文面ぶんめんや企画きかく書しょなどの作成さくせい支援しえんや、ホームページに掲載けいさいする文面ぶんめんや画像がぞうの自動じどう生成せいせいなどが考かんがえられる。

「デジタルアシスタント」は、ユーザーからの質問しつもんに回答かいとうする、過去かこの情報じょうほうから推奨すいしょう事項じこうを提案ていあんする、といったものだ。企業きぎょう内ないでの利用りよう方法ほうほうとしては、社内しゃないの各種かくしゅドキュメントの内容ないようをベースに、業務ぎょうむに関かんする質問しつもんに回答かいとうする、といった使つかい方かたが考かんがえられる。また顧客こきゃくに対たいして生成せいせいAIによるチャットボットで支援しえんを行おこない、セルフサービス型がたでの問題もんだい解決かいけつを容易よういにする、という使つかい方かたもあるだろう。

「設計せっけいとデータ生成せいせい」は文字通もじどおり、設計せっけい業務ぎょうむとそれに付随ふずいするデータ生成せいせいを行おこなうというもの。例たとえば、ゲノムに関かんする知見ちけんを活用かつようした創そう薬やくといった使つかい方かたが考かんがえられる。もちろんそのほかの設計せっけい領域りょういきでも、大おおきな効果こうかを発揮はっきすることが期待きたいされる。

「自然しぜん言語げんご検索けんさく」も文字通もじどおり、生成せいせいAIによって検索けんさくを自然しぜん言語げんごで行おこなえるようにすること。そして「コード生成せいせい」は、ソフトウエア開発かいはつ（プログラミング）に生成せいせいAIを活用かつようするというユースケースである。

これら6カテゴリーを視野しやに入いれた上うえで、自社じしゃで考かんがえられるユースケースをリストアップ。その上うえで、「実現じつげん可能かのう性せい」と「事業じぎょう価値かち」という2つの軸じくで、優先ゆうせん順位じゅんいを決きめていくわけだ。

まず「実現じつげん可能かのう性せい」だが、これが低ひくければ実現じつげんまでの時間じかんやコストがかかりやすくなり、成功せいこうまでの道みちのりが遠とおくなってしまう。最初さいしょの段階だんかいでこのようなユースケースに着手ちゃくしゅしてしまうと、次つぎの一いち歩ほに進すすむことが難むずかしくなり、生成せいせいAIへの取とり組くみ全体ぜんたいが頓挫とんざする危険きけん性せいが高たかい。そのため「実現じつげん可能かのう性せいの高たかい」ユースケースから着手ちゃくしゅすべきだ。

次つぎに「事業じぎょう価値かち」については、当然とうぜんながら事業じぎょう価値かちの高たかいユースケースの方ほうが、投資とうし効果こうかが大おおきくなる。つまり「実現じつげん可能かのう性せい」が高たかく、「事業じぎょう価値かち」も高たかいユースケースから着手ちゃくしゅすべきなのである。

優先ゆうせんすべきユースケースが決きまったら、次つぎはそれをどのように実現じつげんするかを考かんがえる必要ひつようがある。つまり最適さいてきな「導入どうにゅうパターン」を選択せんたくする必要ひつようがあるわけだ。

生成せいせいAIの導入どうにゅうパターンは、大おおきく4種類しゅるいある。「事前じぜんトレーニングされたモデル」をそのまま使つかうパターン、「モデルの拡張かくちょう」を行おこなうパターン、「ファインチューニング」を行おこなうパターン、そして「独自どくじモデルをトレーニング」するパターンだ。

ここでこれらの導入どうにゅうモデルがどのような特徴とくちょうを持もっており、どのユースケースカテゴリーに適てきしているのかを見みていこう。

まず「事前じぜんトレーニングされたモデル」の導入どうにゅうパターンは、文字通もじどおり既存きそんの生成せいせいAIモデル（大だい規模きぼ言語げんごモデル：LLM）をそのまま使つかうというものだ。例たとえば、ChatGPTをそのまま使つかう、といったケースが考かんがえられる。

企業きぎょう固有こゆうの専門せんもん知識ちしきが必要ひつようなく、一般いっぱん的てきな知識ちしきだけで運用うんようできるのであれば、このパターンが最もっとも導入どうにゅうスピードが早はやく、コストもかからない。またデータサイエンティストも必要ひつようなく、多おおくの場合ばあいはシステム開発かいはつ者しゃも不要ふようだ。前述ぜんじゅつのユースケースカテゴリーでいえば「ドキュメントオートメーション」がこの導入どうにゅうパターンに適てきしているといえるだろう。

第だい2は「モデルの拡張かくちょう」パターンだが、これは大だい規模きぼ言語げんごモデルによるテキスト生成せいせいに外部がいぶ情報じょうほうの検索けんさくを組くみ合あわせることで、回答かいとう精度せいどを高たかめるという方法ほうほうだ。このような方法ほうほうを一般いっぱんに「RAG（ Retrieval-Augmented Generation）」という。

データサイエンティストは必要ひつようないが、生成せいせいAIを社内しゃないの検索けんさくシステムと連携れんけいさせるために、システム開発かいはつ者しゃが必要ひつようなケースが多おおい。そのため「事前じぜんトレーニングされたモデル」をそのまま使つかうパターンに比くらべて手間てまとコストがかかるが、企業きぎょう固有こゆうの知識ちしきを比較的ひかくてき短時間たんじかんで取とり込こむことができる。前述ぜんじゅつのユースケースカテゴリーでいえば、「コンテンツ生成せいせい」に適てきしたアプローチだといえる。

第だい3の「ファインチューニング」パターンは、事前じぜんトレーニングされたモデルを別べつのデータセットを使つかって「再さいトレーニング」することで、より正確せいかくな結果けっかを得えられるようにする、という方法ほうほうだ。生成せいせいAIの活用かつようでは、もっともらしい嘘うそをつく「ハルシネーション」という現象げんしょうが問題もんだいになることが少すくなくないが、ファインチューニングを行おこなうことでこの問題もんだいを軽減けいげんできる。また、コンプライアンス上じょうの問題もんだいを回避かいひする上じょうでも、有力ゆうりょくな選択肢せんたくしになるといえるだろう。

当然とうぜんながら、既存きそんの大だい規模きぼ言語げんごモデルを再さいトレーニングするには、データサイエンティストの知見ちけんが不可欠ふかけつだ。また再さいトレーニングは継続けいぞく的てきに繰くり返かえす必要ひつようがあることも忘わすれてはならない。そのため「モデルの拡張かくちょう」に比くらべて手間てまやコストがかかるが、後述こうじゅつする「独自どくじモデルをトレーニング」に比くらべれば負荷ふかは小ちいさい。前述ぜんじゅつのユースケースカテゴリーでいえば「デジタルアシスタント」に向むいている。

そして第だい4の「独自どくじモデルをトレーニング」は、最もっとも高度こうどな生成せいせいAIの導入どうにゅうパターンだといえる。「モデルの拡張かくちょう」や「ファインチューニング」を行おこなっても正確せいかくな回答かいとうが得えられない場合ばあいには、このパターンを選択せんたくすることになるだろう。その企業きぎょうに特とく化かした「最もっとも差別さべつ化かされた生成せいせいAI」を生うみ出だすことができる反面はんめん、膨大ぼうだいなリソースが必要ひつようになる。ユースケースカテゴリーとしては「設計せっけいとデータ生成せいせい」に適てきしているといえる。

このパターンを採用さいようする際さいに注意ちゅういしたいのが、必かならずしもChatGPTなどのような、大だい規模きぼな言語げんごモデルにする必要ひつようはないということだ。大だい規模きぼ言語げんごモデルの規模きぼはパラメーター数すうで表現ひょうげんされ、ChatGPT-3では1750億おく、ChatGPT-4では非公開ひこうかいではあるものの約やく5000億おくといわれているが、これは汎用はんよう的てきな利用りようを想定そうていしたものだということを忘わすれてはならない。特定とくていの業界ぎょうかいやビジネスに特とく化かした「ドメイン固有こゆう」の大だい規模きぼ言語げんごモデルであれば数すう百ひゃく億おく、企業きぎょう固有こゆうの知識ちしきを学習がくしゅうさせたものであれば数すう十じゅう億おく程度ていどのパラメーターでも、十分じゅうぶんに価値かちのある生成せいせいAIをつくり出だせる可能かのう性せいがある。

実際じっさいに最近さいきんでは、小ちいさな大だい規模きぼ言語げんごモデル（small-LLM：sLLM）という考かんがえ方かたも一般いっぱん化かしつつある。企業きぎょう内ないで独自どくじモデルを作成さくせいするのであれば、このsLLMが最適さいてきなアプローチになるといえるだろう。

これらの4つの導入どうにゅうパターンのうち、現在げんざいではほとんどのユーザー企業きぎょうが「事前じぜんトレーニングされたモデル」をそのまま利用りようしており、一部いちぶのユーザー企業きぎょうが「モデルの拡張かくちょう（RAG）」に取とり組くんでいる段階だんかいだといえる。今後こんごはRAGに取とり組くむ企業きぎょうが一気いっきに増ふえていくことになると予想よそうされる。

ここで重要じゅうようなことが、大おおきく2点てんある。1つは「RAGの目的もくてきを明確めいかくにする」こと。目的もくてきや期待きたいされる効果こうかが明確めいかくでなければ、どのような外部がいぶ情報じょうほうを組くみ合あわせるべきか、そのためにどの程度ていどの投資とうしを行おこなうべきなのか、判断はんだんが難むずかしいからだ。もう1つは、そのためにどのようなデータが社内しゃないで利用りようできるのかを明確めいかくにすることである。その際さいには、データの適合てきごう性せいや品質ひんしつ、十分じゅうぶんな量りょうのデータが確保かくほできるのか、といったことに留意りゅういしたい。

また、データマネジメントをどのように実現じつげんするのか、そのためのシステムをいかにして構築こうちくするかも、考慮こうりょすべきだといえるだろう。なおデータマネジメントは、「ファインチューニング」や「独自どくじモデルをトレーニング」を行おこなう際さいにも不可欠ふかけつになるため、長期ちょうき的てきな視野しやにもとづいて検討けんとうするといいだろう。

以上いじょう、生成せいせいAIを導入どうにゅうする際さいのユースケースの選定せんていと、それを実現じつげんするための「導入どうにゅうパターン」について解説かいせつしてきた。これらをしっかり意識いしきすることで、生成せいせいAI導入どうにゅうの投資とうし効果こうかを高たかめることが可能かのうになり、次つぎのステップにも進すすみやすくなるはずだ。