2019年03月29日

文字サイズ

3――MLBのデータ革命から得られるインプリケーション

産業界などが今後AI・IoTの産業利用・社会実装を本格的に図っていく上で、これまで概観してきたMLBのデータ革命から得られるインプリケーションについて、主要なポイントごとに整理する。
1|理念・原理原則・目的の在り方
(1) AI・IoTは人間の潜在能力を引き出し能力を拡張させるために利活用すべき
AI・IoTは、人間の労働を奪うのではなく、人間の潜在能力を引き出し能力を拡張させるために利活用すべきである。AI・IoTを社内業務に利活用する場合は、その企業の経営層や従業員の能力を、AI・IoTを活用した製品サービスを社外に提供する場合は、その外部顧客の能力を各々拡張させ得る、と考えられる。

(2) AI・IoTの利活用により国の産業競争力の抜本的底上げを図るべき
AI・IoTの利活用で人間の能力を拡張させることにより、人材競争力ひいては企業競争力の抜本的な向上を図り、さらに企業間で切磋琢磨する結果として、我が国の産業競争力の抜本的な底上げを図ることを目指すべきである。

MLBでは、データに裏付けられたフライボール革命の実践により、打者の潜在能力が引き出され、ホームランバッターとして開花した選手が急増し、打者のパフォーマンスが底上げされた。

(3) AI・IoTの利活用の目的はイノベーション創出を通じた社会的価値の創出
データの収集・分析自体は勿論、目的ではなく手段である一方、その分析結果を業務・タスクに活かすことで、新技術・新事業の創出を中心とする「プロダクト・イノベーション」や業務プロセスの効率化・改革を中心とする「プロセス・イノベーション」につなげることを、企業は目的(アウトカム)とすべきだ(MLBのデータ革命の目的は、選手・チームのパフォーマンス向上にあった)。

企業の社会的責任(SR:Social Responsibility)や存在意義は、このイノベーションを通じて社会を良くすること(社会課題を解決すること)、すなわち「社会的価値(social value)」を創出することにこそあり、結果としてそれと引き換えに経済的リターンを獲得できると考えるべきであり、経済的リターンありきではなく、社会的ミッションを起点とする発想が求められる、と筆者は考えている13。社会的価値の創出は、データ利活用の、「ソーシャルインパクト(社会全体への波及効果)」と捉えることができる。
 
13 企業の存在意義や社会的責任を社会的価値の創出と捉える考え方については、拙稿「CSR(企業の社会的責任)再考」『ニッセイ基礎研REPORT』2009年12月号、同「震災復興で問われるCSR(企業の社会的責任)」ニッセイ基礎研究所『研究員の眼』2011年5月13日、同「CSRとCRE戦略」ニッセイ基礎研究所『基礎研レポート』2015年3月31日、同「最近の企業不祥事を考える」ニッセイ基礎研究所『研究員の眼』2015年12月28日、同「イノベーションの社会的重要性」ニッセイ基礎研究所『研究員の眼』2018年8月15日、同「企業不動産(CRE)の意味合い」ニッセイ基礎研究所『研究員の眼』2019年3月4日、同「社会的ミッション起点のCSR経営のすすめ」ニッセイ基礎研究所『基礎研レポート』2019年3月25日を参照されたい。
2|人材・組織の在り方
(1) データ利活用を自分事として捉え業務に活かす創意工夫を凝らす努力が不可欠
企業では、プログラミングやデータ分析などAI・IoT分野の高度な技術・専門性を備えている、データサイエンティストなどの高度専門人材の育成・確保は勿論急務だが、経営層・従業員を問わずあらゆる構成員が、データ利活用を「自分事」として捉え、AI・IoTによる分析データの持つ意味をしっかりと考え、データ分析を各々の業務・タスクに取り入れ、うまく利活用するための創意工夫を凝らす努力を日々続けることが不可欠である。

(2) AI・IoTによる分析結果を鵜呑みにせずに吟味して施策・戦略に落とし込むべき
AI・IoTにより自動的にデータ分析される利便性に安住し、その分析結果を十分に確認・吟味しないまま鵜呑みにして機械的に業務・タスクの意思決定に用いるようなスタンスが企業内に蔓延してしまうと、人間の能力拡張どころか、逆に能力の退化を招いてしまい、AIに真っ先に代替される人材を増やしてしまうことになりかねないことに、経営層や従業員が十分に留意すべきである。

本来の在るべき姿は、人間では気付けない相関性データ分析やわずかな予兆の把握などをAIに整理・提示させ、人間がそれを吟味して施策・戦略に落とし込むことだ。

(3) 組織を挙げた意識改革によるデータ利活用と改革を牽引するキーパーソンの存在が重要
データサイエンティストなどの高度専門人材の知見・技術に裏打ちされた精緻なデータ分析を前提に、組織を挙げた「意識改革」によるデータ利活用の実践が重要である。この点では、MLBのアストロズに学ぶべき点が多い。

データ利活用への意識改革を推進する上で、それを牽引するキーパーソンの存在が望まれる。アストロズのルーナウGMのように、リーダーシップやマネジメントノウハウなどを持った優れた外部人材を登用することも選択肢の一つだが、インターネットや携帯電話・スマホなどが普及した環境で育ってきた「デジタルネイティブ」であるミレニアル世代などデジタル技術に精通した社内の若手人材が、社員ボランティア(アンバサダー)となって意識改革の旗振り役を担うことも一法だろう。

(4) データ革命による競争ルールの抜本的変化に対応する組織の柔軟性が必要
MLBと同様に産業界でも、世界的にAI・IoTを利活用した「データ革命」が進展しつつあり、これは競争のルールが抜本的に変わる大きな環境変化だ。

エンゼルスの大谷選手がMLBに渡り大きな環境変化に直面し、それに対応するために、日ハム時代にはやっていなかったデータ利活用を取り入れたように、我が国企業の経営層や従業員も、産業界を取り巻く競争環境の抜本的な変化に対応して、データ利活用へ大きく舵を切る、マインドセットの転換が必要である。これまでのやり方に捉われずに、環境変化への抜本的な対応もいとわない、組織・経営の柔軟性が求められる。

(5) データ分析から導かれた戦略の最適解は変化し得ることに留意すべき
MLBでは、「データ革命の下では、各選手・チームが互いに切磋琢磨してデータ分析を行い、それに基づいた対抗策を打ってくるため、バッター・投手・野手にとっての『最適解』も不変ではなく、変化し得る」と述べたが、この点は産業界でも全く同様である。

AI・IoT時代では、各企業がデータ分析・利活用で競い合う結果、データ分析から導かれた戦略の最適解は変化し得ることに留意すべきだ。この点からも、「データ利活用時代」では、経営層や従業員には、変化への柔軟な発想・対応が求められる。

(6) 従来のセオリーと異なり得るAIの分析結果にはデザイン思考で臨むべき
AI・IoTによる分析から導かれる戦略案には、MLBでのフライボール革命のように従来のセオリーとは全く異なるものが多く含まれる可能性がある、と予想される。それは、ビッグデータから人間では気付けない関係性やわずかな予兆を捉えることこそが、AIの強みであるからだ。

従来のセオリーと異なるために、AIが提案する戦略案をすぐに却下するのではなく、シリコンバレー流のデザイン思考(Design Thinking)14を取り入れ、しっかりと吟味しつつも、とりあえず試してみて、効果がなければ修正または棄却すればよい、との柔軟な発想(トライ&エラーの発想と言い換えてもよい)で臨むことが重要だ。
 
14 製品サービスのアイデアを完成品にまでじっくりと作り込んでから市場に投入するのではなく、高速でプロトタイプ(試作品)を作り(rapid prototypingと言う)、ユーザーからフィードバックを得て改良を加えて試行錯誤を繰り返しながら製品サービスを開発するなど、デザイナーの思考プロセスを取り入れた、課題解決のための思考法。社内で完璧と思われる製品サービスに仕上げるまでは市場には投入しない傾向が概して強い日本企業が、苦手とする思考プロセスであると思われる。
3|協調領域と競争領域の切り分けの重要性
(1) 切磋琢磨すべき本来の競争領域はイノベーションによる社会的価値創出
本章1-(3)で述べた通り、企業が生み出すべきアウトカムやソーシャルインパクトは、データの収集・分析自体ではなく、それをイノベーションにつなげ社会的価値を創出することだ。このような視点に立てば、「データの利活用により、どのようにイノベーションを起こすのか」が、企業間で創意工夫を発揮して切磋琢磨すべき本来の「競争領域」である、と考えられる。すなわち、データの利活用・分析から生まれる付加価値(=イノベーション)で競い合うべきだ。

一方、データの収集・分析・蓄積自体は、事業によっては「協調領域」15であり、企業間でのデータ共有を推進し得る、と考えることもできるだろう。

その好例がMLBのデータ革命であり、スタットキャストが生成するデータ群を全チームが共有している。さらにデータ自体にとどまらず、バレルゾーンの導出・発見のように、MLBに配置されている公式アナリストによるデータ分析結果の多くも共有されている、とみられる。MLBの各チームにとっての競争領域は勿論、データ分析の結果を理解してプレーにうまく取り入れ実践することで、選手・チームのグラウンドでの実際のパフォーマンスを向上させることに他ならない。
 
15 外部の叡智や技術も積極的に取り入れる「オープンイノベーション」の領域と言い換えてもよい。オープンイノベーションについては、拙稿「オープンイノベーションのすすめ」『ニッセイ基礎研REPORT』2007年8月号を参照されたい。
(2) データの協調領域と競争領域の切り分けが重要
ただし、MLBでは、チーム間ですべてのデータを共有しているわけではないことにも注目すべきだ。アストロズでは、大量のIoT機器を駆使した独自のモニタリングシステムをマイナーリーグにまで導入するとともに、データを扱うプロフェッショナルを集結させた独自のデータ解析チームを組成している。チームを勝利に導くためには、自軍の選手を中心とした、より詳細なモニタリングについては、「協調」ではなく「競争」領域という判断なのだろう。

アストロズの事例は、「共通知」化できるデータは組織間で共有化・共用化しつつも、共有データのみに頼らずに、必要に応じてカスタマイズした独自データを収集・分析し、各々の組織で独自に補完・創意工夫を施すことも重要であることを示している。このようにデータについて、協調領域と競争領域に切り分けることは極めて重要だ。

(3) データを競争領域とする自動運転でも世界展開を図るならデータ共有の選択肢も
一方、米国のGAFA(グーグル、アップル、フェイスブック、アマゾン・ドット・コム)16など巨大ITプラットフォーマーは、顧客データを中心とするビッグデータを占有・独占するスタンスを取っている。すなわち、データの収集・分析・蓄積自体も競争領域とみなしている、とみられる。

また、既存の自動車関連メーカー(完成車、部品)やITプラットフォーマーなどが開発競争にしのぎを削る、自動運転技術では、心臓部のAIの能力強化のために、公道走行試験などから取得される膨大な走行映像データをディープラーニング(深層学習)によりAIに学習させる必要があるため、現時点ではこの画像データの収集・蓄積自体も極めて重要な競争領域とみなされている。

従来はサイバー空間での事業をメインとしてきたITプラットフォーマーである米アルファベット(グーグルを傘下に持つ持株会社)は、子会社ウェイモを通じて自動運転技術の研究開発で先行し、自動車関連産業への参入を試みている)17。ウェイモによる米国での自動運転車の公道試験の累積走行距離は、世界最長の1600万kmと地球400周分に達したという(2018年10月発表)。しかし、断トツのトップとなる試験走行距離を誇るウェイモと言えども、カリフォルニア州を中心とした米国内だけでなく、世界中の走行映像データを収集するとなると、さらなる公道試験のために膨大な時間とコストを要することになるだろう。

自動運転技術の安全性を極限まで高めるためには、実走行試験に加えサイバー空間でのシミュレーションも駆使して、地域ごと、専用道・一般道ごとに想定され得る交通シーンを網羅的にAIに学習させる必要があるだろう。そもそもAIは、ディープラーニングの過程で学んでいない想定外の事象に対して、臨機応変に対応することができないからだ。しかし、このような無限に近い交通シーンを再現してAIに学ばせることは、現実的には難しい。そこで「世界の監督官庁にとって自動運転の安全性評価は共通の課題だ。『何をもって安全とするのか』が未だ確立されておらず、各国でも議論が始まったばかりだ」)18

このような中で、米国で自動運転技術やAI技術などの研究開発を行うトヨタ自動車の子会社Toyota Research Institute(TRI)の CEO(最高経営責任者)であるギル・プラット氏)19は、「歴史的に、人々は、機械の不具合によるケガや死亡を一切許容しないということが示されています。そして、自動運転車の性能を左右する人工知能システムは、現時点では不完全であることが避けられないことを私たちは理解しています。では、どのくらいの安全が必要十分な安全なのか。非常に近い将来、この質問への答えが必要になります。私たちはまだ確かな答えを持ち合わせていません」「総合的には、試作段階の私たちの自動運転は様々な状況に対処できます。しかし、機械の対応能力を超える状況は未だに数多くあります。レベル5(※いかなる環境下でもドライバーなしで自動運転が可能な完全自動運転システム)の自動運転で必要になる完全性を実現するためには、何年もの機械学習や何マイルものシミュレーション・実走行によるテストが必要になるでしょう」「確かなことは、完全自動運転という究極の目標に向かって取り組むプロセスにおいても、可能な限り多くの方々の命を救うことを追求しなければいけないということです。なぜならば、例えば米国で、レベル4(※エリアを限定した完全自動運転)以上の自動運転車が街中を走るクルマの多くを占めるには、数十年もの時間がかかる」と米ラスベガスで毎年開催される2017 Consumer Electronics Show (CES2017)で語り、さらに直近のCES2019では「これ(※レベル5の自動運転)はすばらしい目標ですし、私たちもいつかは達成できるかもしれません。しかしながら、こうした自動運転システムが抱える、技術的・社会学的な難しさを甘く考えてはいけないと思っています。たとえば、絶え間なく変わる環境において、人間のドライバーと同等の、もしくはそれより優れた運転をするうえで必要な社会順応性をどのようにシステムに教えるのか。いつ歩行者が道を渡るか、もしくは交差点の信号が青なのに、警察官が『止まれ』のサインを出した際に警察官が指示していることをどのようにシステムに教えるのか。それに、自動運転車両でも発生が避けられない事故や死傷を社会が受け入れるには、相当な長い時間がかかることも気にとめなくてはなりません。自動車業界においてもIT業界においても、いま述べたような質問に完全に答えられる人はいないと思います」)20と語った。自動運転技術の技術的・社会的側面から見た難しさについて、非常に真摯な姿勢で語っていることが極めて印象的だ。

このように自動運転技術の開発には、テクノロジーや社会的受容性の観点から、クリアすべき課題が非常に多く難易度が依然として高いとみられる中、自動運転技術を開発する企業が、全世界に向けた自動運転車やその関連サービス(MaaS:Mobility as a Service)を開発・上市することを目指すのであれば、仮想空間でのシミュレーションも駆使しつつも、基本的には、世界中で自動運転の走行試験データを取得することが必要となるだろう。しかし、それを1社単独で行うことは極めて難しいため、開発スピードを上げるとともに高い安全性を確保するためにも、今後は自動運転技術の世界展開に向けては、企業連携によるデータ共有という選択肢もあり得るのではないだろうか。
 
16 GAFAに関わる多角的な考察については、4大プラットフォーマーの戦略、死角、未来について23人の識者が徹底解説したムック本『徹底研究!!GAFA』(洋泉社、2018年12月発刊)を参照されたい。因みに、筆者は「Chapter1 GAFAのビジネスモデル」で「【Apple】高収益体質の礎を築いたサプライチェーン改革」を執筆している。
17 例えば第一弾として、ウェイモは、2018年12月に自動運転車を使った配車サービスを米アリゾナ州フェニックスで始めた、と発表した。
18 日刊工業新聞2019年2月27日「自動運転、乗り越えるべき壁(上)レアケースの収集」より引用。
19 TRIは2016年1月に米シリコンバレーに設立され、トヨタ自動車は2016年~2020年までの設立当初5年間で約10億ドルを投入する予定。社員数は約200名規模の予定(設立発表時の想定)。ギル・プラット氏は、米国防総省の国防高等研究計画局(DARPA)で「ロボティクス・チャレンジ」のプログラム・マネージャーを務めたことでも知られる。同氏は、2018年1月よりトヨタ本体のフェローを兼任している。
20 トヨタ自動車HP2017年1月5日「トヨタ・リサーチ・インスティテュート ギル・プラットCEOスピーチ参考抄訳(CESプレスカンファレンス)」、同2019年1月8日「CES 2019 トヨタ・リサーチ・インスティテュート(TRI)ギル・プラットCEOスピーチ参考抄訳」より引用。ただし、(※ )は筆者による注記。
(4) 競争領域と捉えられることが多い工場稼働データでも一部で「つながる工場」の実現に向けて共有化の動きも
工場設備の稼働データは、製造業の競争力に直結する指標のため守秘性(機密性)が非常に高く、一般的には企業間での共有は難しいとみられる。一方、ドイツが国を挙げて取り組む、工場のスマート化・インテリジェント化などによる製造業の革新、いわゆる「インダストリー4.0」では、機械装置に取り付けられたセンサーなどで収集したビッグデータを企業間など組織の枠を越えて利活用し、複数の企業間で「つながる工場」を実現しようとしている。

我が国の製造業でも、複数の企業間での「つながる工場」の実現は目指すべき方向性ではあるが、現状では大企業を中心に自前主義や守秘義務への意識が強いため、まずは最初のステップとして、自社の工場エリア内でのIoT・ビッグデータ・AIの利活用の取り組みを早急に進めるべきである、と筆者は考えている21。先進的な大企業の中には、そのような取り組みを始める事例が出てきている。

また、IoTによる「つながる工場」の実現は、我が国ではハードルが高いと述べたが、実は危機意識の強い一部の中小企業の間では、その実現に向けた取り組みが進展している。例えば、経済産業省の中堅・中小企業への支援施策である「2016年度スマート工場実証事業」に採択された今野製作所(東京都足立区)は、板金加工の同業者である西川精機製作所(同江戸川区)、エー・アイ・エス(同)と、14年から「東京町工場ものづくりのワ」プロジェクトを推進している22。共通のITシステム導入により、生産工程の進捗情報などを共有し、顧客から見ると、得意技術の異なる3つの町工場があたかも1つの工場のように機能しているように見える。工場側にとっても、お互いの工程進捗の見える化により、納期変更に備えた余計な予備日を適正化できる。これがコスト抑制につながるとともに、浮いた時間をオリジナル製品の開発に回せるようになったといい、プロセスとプロダクトの双方のイノベーションにつながり得る取り組みである、と評価できる。
 
21 筆者のこのような考え方および先進事例については、拙稿「製造業を支える高度部材産業の国際競争力強化に向けて(後編)」ニッセイ基礎研究所『基礎研レポート』2017年3月31日、同「変わる製造現場 品質向上や新素材発見に威力 オフィスの働き方改革にも活用」『週刊エコノミスト』2017年6月27日号を参照されたい。
22 「東京町工場ものづくりのワ」プロジェクトに関わる以下の記述は、NHK おはよう日本(2016 年10 月24 日)「IT で激変!中小企業のモノ作り」に拠っている。
Xでシェアする Facebookでシェアする

社会研究部   上席研究員

百嶋 徹 (ひゃくしま とおる)

研究・専門分野
企業経営、産業競争力、産業政策、イノベーション、企業不動産(CRE)、オフィス戦略、AI・IOT・自動運転、スマートシティ、CSR・ESG経営

公式SNSアカウント

新着レポートを随時お届け!
日々の情報収集にぜひご活用ください。

週間アクセスランキング

レポート紹介

【AI・IoTの利活用の在り方-米メジャーリーグの「データ革命」に学ぶ】【シンクタンク】ニッセイ基礎研究所は、保険・年金・社会保障、経済・金融・不動産、暮らし・高齢社会、経営・ビジネスなどの各専門領域の研究員を抱え、様々な情報提供を行っています。

AI・IoTの利活用の在り方-米メジャーリーグの「データ革命」に学ぶのレポート Topへ