生成AI
Generative AI
生成AIとは?
- 新しいコンテンツ(文章・絵・コード)を作る
- ChatGPT・Claudeが代表格
- 業務生産性の革新
生成AIが実際に変えるのは成果物の品質というより、業務の出発点です。以前は白い画面の前で'何から書こうか'と悩むのに作業時間の半分が使われていたとすれば、今は数分で出てきた初稿を前にして'何を直し、何を捨てるか'を判断する仕事に変わります。作成者だった担当者が編集者であり検収者へと移るということで、逆説的に当該業務のドメイン知識と判断力がより重要になります。初稿が間違っていることに気づけなければ、スピードだけが上がり品質は落ちます。
技術の系統も一つではありません。テキストとコードは次に来る言葉の確率を予測する言語モデルが、画像・映像は雑音を段階的に取り除きながら形を作るディフュージョン系のモデルが担当します。実務で体感される制約は二つです。一つ目は、一度に読める分量(コンテキストウィンドウ)が決まっていることで、最近のモデルはA4数百ページ程度までこなしますが、それ以上は分割して入れる必要があります。二つ目は、モデルは学習時点以降の事実と社内文書を知りません。社内規定や製品資料を扱わせるには、根拠文書を探して一緒に入れてやるRAGのような設計が別途必要です。「自社データを学習させる」と「自社文書を探して読ませる」は、コストも難易度もまったく違う作業です。
現場で最も頻繁にずれるのは、このツールを検索エンジンと取り違えることです。モデルは分からないと答えるよりも、もっともらしい文章をつなげるように作られているため、存在しない法律の条文番号や実在しない判例・統計を自信満々に示します。それが検証なしに役員報告書や研修教材に載ると、回収コストは原稿を最初から書くより大きくなります。二つ目はセキュリティです。社内の承認アカウントの代わりに個人アカウントに未公開の実績、顧客リスト、契約書をそのまま貼り付け、監査で指摘される事例が増えています。三つ目は「導入すれば生産性が上がる」という期待です。利用ガイドと確認(レビュー)手順がなければ、もっともらしい文書だけが増え、その文書を読んで直す人の仕事だけが増えます。
今日の生成AIの基盤技術であるトランスフォーマー(Transformer)は、2017年にグーグルの研究チームが論文「Attention Is All You Need」で提示したもので、その後GPT・Claude・Geminiなどほとんどのモデルがこの構造の上に作られました。2022年のChatGPT公開で広く普及しました。
仮想の事例で見てみましょう。従業員640名規模の電子部品メーカーA社の話です。教育チームはチーム長を含めて3名ですが、年間の運営研修が42件あるため、新規研修を一つ作るのに平均3週間かかり、現場からの要請があっても2か月後にようやく開講するということが繰り返されていました。2024年下半期に8週間のパイロットとして、生成AIを研修開発に導入してみました。
- 教育チームのキム○○課長が社内承認アカウントで「2年目の生産技術職を対象とする顧客監査対応研修、8回分の研修プログラム初稿」を依頼したところ、いつもは2日かかっていた目次と回ごとの学習目標を40分で受け取りました。
- 初稿を見た生産技術チームのパク○○責任が「これはサービス業のマニュアルであって、うちの現場ではない」と指摘したため、最近3年間の顧客監査の指摘事項27件を要約して入れ直し、実習ケースをうちの工程基準に作り替えました。
- 情報セキュリティチームと2回協議し、顧客企業名・単価・非公開の歩留まりはマスキングしてから入力する12項目のルールを作り、個人アカウントの利用は全面禁止としました。
- 検収の過程で、AIが引用した産業安全保健法(韓国)の条項3件のうち2件の条文番号が誤っていることをキム課長が見つけ、その後'法令・数値・人名は原文照合の上で表示'を教材承認チェックリストに加えました。
- パイロット終了時点で新規講座の開発リードタイムが平均3週間から9日に短縮されました。42講座のうち18講座に適用したところ、教育チームの月平均時間外勤務が28時間から11時間に減りました。該当講座の満足度は4.1点から4.4点(5点満点)に上がりました。
金鍾赫(キム・ジョンヒョク)
パク・ソリョン