企業向けAIが実験室を離れ、真の基盤を持つ企業とスライドだけの企業を露わにする
ある技術がパイロット段階を抜け出し、実際の業務に入る瞬間こそ、脆弱なアーキテクチャが露呈する瞬間でもある。アクセンチュアはここ数ヶ月、この地域で同じメッセージを繰り返している。2026年は、企業向け人工知能が社内実験から脱却し、顧客向けの最前線へと転換する年だ、と。同社はこれを業界の前進として提示している。しかしより注意深く読めば、これはまた、技術的な骨格を持つ企業と、検証されていない前提の上に構築した企業を分断する亀裂を正確に描写したものでもある。
アクセンチュアの東南アジア担当最高経営責任者アヌープ・サグーは、バンコク・ポスト紙に率直にこう述べた。人工知能の採用は実験から大規模展開へと移行しており、エージェント型システムや顧客向けソリューションが実際の業務に入り始めている、と。この発言は中立ではない。その移行の統合者として自社を明確に位置づけており、そのステップが緊急で、技術的に高度であり、外部支援なしには実行困難と見なされることに、あらゆるインセンティブを持つ企業からの言葉だ。しかしだからといって、その診断が間違っているわけではない。
実際の空白がどこにあるかを明らかにする3つの障壁
サグーは、大規模な企業実装を阻む3つの障壁を特定している。それぞれを分解して考察する価値がある。なぜなら各々がモデルの異なる部分を指し示し、性質の異なる欠陥を示しているからだ。
第一は、堅固なデータ基盤とインフラの欠如だ。人工知能のパイロットは独立した環境で機能する。クリーンなデータ、管理された環境、そして専任チームを持っている。実際の業務へとスケールするには、クラウドへの移行、アプリケーションの近代化、そしてどんなパイロットも必要としない標準化されたデータ環境が求められる。この地域の多くの企業が2026年を迎えた時点では、パイロットは機能していても、そのインフラは解決されていなかった。パイロットは本物だったが、スケールの約束には物質的な基盤がなかった。
第二の障壁は、企業ナレッジベースの欠如、すなわちアクセンチュアが「AIの脳」と呼ぶものだ。人工知能システムが企業の文脈で正確に機能するためには、内部手続き、方針、ワークフロー、コンプライアンスルールへのアクセスが必要だ。企業のコンプライアンスルールや顧客サービスプロセスを知らない会話型AIは、リスクなしに実際の顧客向けに展開することができない。このギャップは技術インフラより目に見えにくいが、埋めるにははるかにコストがかかる。ソフトウェアだけでなく、深い組織的な作業が必要とされるからだ。
第三は、ガバナンスと労働力の変革だ。サグーはこれを率直に述べる。多くの企業が、人工知能の採用が求める組織変革の規模を過小評価している、と。これは技術的な問題ではない。運用アーキテクチャの問題だ。人間向けに設計されたワークフローは、自律型エージェントを含むシステムに自動的に移行しない。それらのワークフローを再設計し、人材を再教育し、責任ある利用のための管理体制を構築するには、パイロットが決して試みることのなかった時間と内部の政治的意志が必要だ。
これら3つの障壁が総合的に明らかにするのは、単なるタスクリストではない。それが明らかにするのは、企業向け人工知能のパイロットの大半が、意図的にこれら3つの問題を回避するように構築されたということだ。統合されたデータを必要とせず、深い組織的知識に依存せず、既存のワークフローを脅かさないユースケースが選ばれた。それらは、実際の運用条件を巧みに回避したからこそ成功した。今、業界がスケールアップしようとしている中、それらの条件はもはや回避できない。
運用モデルのストレステストとしてのエージェント型AI
パイロットを超えて、アクセンチュアはエージェント型人工知能を複雑さの次の閾値として位置づけている。人間の指示のもとで質問に答えたりコンテンツを生成する従来の生成型AIとは異なり、エージェント型システムは意思決定を行い、複数のエージェントを調整し、マーケティングキャンペーンの管理からサプライチェーンの最適化まで、複雑なタスクを自律的に実行する。その可能性は本物だ。構造的な緊張点も同様だ。
実際の業務に展開されたエージェント型システムは、各ステップを確認する人間を持たない。つまり、データのエラー、モデルのバイアス、ガバナンスポリシーの欠缺は、害を引き起こす前に検出されるのではなく、その後に検出される。データが断片化し、統合された組織的なナレッジベースがなく、自律型エージェントと協働するために再教育されていない労働力を持つ企業にとって、エージェント型人工知能を展開することは、業務を加速させない。それは業務を露わにするのだ。
これはアクセンチュアが明示的には述べないが、3つの障壁についての自社の診断が示唆している読み方だ。エージェント型AIへの移行は、最大の価値レバーであると同時に、構造的な脆弱性の最大の増幅装置でもある。インフラを整備し、管理されたナレッジベースを構築し、ワークフローを再設計した企業は、これを使ってかつて数週間かかっていた運用サイクルを圧縮することができる。そうしなかった企業は、これをスケールでのエラーのベクターに変えつつある。
アクセンチュアは人事、財務、マーケティングにおいて70から100の人工知能エージェントを社内に展開した。タイでは、70のポジションに対して7,000件のインターンシップ申請をフィルタリングするために人工知能を活用した。これは顧客データではなく、同社自身のデータだ。それが明らかにするのは、採用が単なる販売メッセージではないということだ。アクセンチュアは、自社が推進するアーキテクチャが実際の条件下で機能するという社内証拠を構築している。それは診断から商業的な利益をなくすものではないが、運用上の観点から検証可能にはする。
単なる規制だけでなく、ポジショニングのフィルターとしてのデータ主権
アクセンチュアがこの地域において行う分析の中で最も興味深い側面の一つが、ソブリンAIを巡るものだ。サグーは、各国政府が地政学的な摩擦とデータの保管場所に関する懸念に押され、自国のデータ、モデル、インフラの管理権を競い合う地域的な競争を描写する。シンガポールは行政的な監督と先進的な政策においてリードしている。マレーシアは、リソース需要が高い外国のデータセンターが十分な経済的リターンをもたらすかどうか疑問を呈している。インドネシアはデータのローカライゼーションへのアプローチを維持している。タイは西側と中国両方の技術的プレイヤーを引きつけるためにその戦略的位置を活用している。
アクセンチュアのビジネスモデルの観点から読めば、ソブリンAIという現象は単なる規制トレンドではない。それはセグメンテーションのメカニズムだ。データの保管場所の要件を遵守する必要があり、厳格なセクター規制のもとで運営し、または明確な地政学的感応性を持つ企業は、単に最も安価または最も入手しやすい人工知能ソリューションを採用することができない。それらには、管理とローカライゼーションの特定条件を満たすアーキテクチャが必要だ。これにより、認定プロバイダーの領域が狭まり、その複雑さをナビゲートできる統合者の価値が高まる。
アクセンチュアが2026年2月にMistral AIと発表したコラボレーションは、欧州に焦点を当てたものだったが、その方向を示している。明示的な論拠は、組織が単一のインフラプロバイダーに依存せず、戦略的自律性を持って大規模な人工知能展開に向かって前進できるようにすることだった。その同じ論拠はアジアでも重みを持つ。そこでは、単一のクラウドプロバイダーや単一のモデルプロバイダーへの依存が、規制上または地政学上の脆弱性になりうるからだ。アクセンチュアは、技術的能力と主権リスク管理を組み合わせた提案を構築している。特定の顧客セグメントにとって、その組み合わせは、いかなるプラットフォームプロバイダーも単独では提供できない価格と長期的な関係を正当化する。
検証としての銀行と次の賭けとしての小売
金融セクターは、持続的な技術投資とデジタルバンクおよびバーチャルバンクからの競争圧力に後押しされ、この地域における人工知能採用をリードしている。これは偶然ではない。銀行業には、人工知能のスケールを促進する3つの構造的条件がある。豊富で比較的構造化された過去のデータ、明確なルールを持つ繰り返し可能なプロセス、そして逆説的にシステムが何をするかを文書化することを義務付ける規制だ。この3つの条件が、他のセクターがまだ持っていないものだ。
小売と電力は高いポテンシャルを持つセクターとして登場するが、より初期段階にある。小売においては、サグーはタイの消費者市場が、中国がすでに小売業に実装している人工知能対応のイノベーションから恩恵を受けられると指摘する。この参照は装飾的ではない。中国のeコマースは何年もかけて、東南アジアのほとんどのオペレーターが達成していない規模で、パーソナライゼーション、予測的在庫管理、リアルタイムの価格最適化に人工知能を活用してきた。ギャップは利用可能なツールではなく、統合されたデータと、何十年もの間異なる方法で機能してきたフローを再設計する組織的な意志にある。
エネルギーにおいては、論拠はより具体的だ。設備の故障を予測し、保守を最適化するための映像分析、運用データ、センサーだ。これはエージェント型人工知能が人間の監督に対して明確な優位性を持つユースケースだ。エンジニアのチームが監視できる以上の信号を同時に処理できる。しかしこれはまた、失敗が商業的だけでなく物理的な結果をもたらすユースケースでもある。システムのガバナンスはオプションではない。それは展開の可能性の条件だ。
採用競争が単独では保証しないもの
アクセンチュアのタイ法人ゼネラルマネージャー、パタマ・チャンタルックは、注目に値する表現でタイの立場を要約している。タイは顧客体験を改善し、運用の回復力を強化し、成長を解き放つために人工知能を活用する野心を持っているが、その成功は戦略と実行を結びつけ、影響をスケールするために必要な基盤を構築することにかかっている、と。
その文章の後半は前半より重要だ。人工知能における地域的野心は文書化可能だ。国家戦略、クラウドインフラへの投資、研修プログラム、開発中の規制枠組みがある。その野心によって保証されていないのは、個々の企業レベルでの実行能力だ。ある企業は、先進的な人工知能政策を持つ国で事業を展開しながら、依然としてデータが断片化し、文書化されていないプロセスを持ち、再教育されていない労働力を抱えることができる。国家政策はビジネスの内部アーキテクチャを解決しない。
アクセンチュアはそれを理解しており、そのギャップを中心に自社の提案を構築している。人工知能モデルの市場でも、クラウドインフラの市場でも競争していない。実行の市場で競争している。つまり、人工知能なしで機能するよう設計されたアーキテクチャから、ガバナンスを持ち、データを統合し、新しい役割を理解した労働力とともにスケールでそれを運用できるアーキテクチャへと組織を移行させる能力において。これは高い価値と高い摩擦を持つ空間であり、参入価格は同じ顧客との長年の存在を通じて蓄積された制度的信頼だ。
同社自身が提示するデータは明確な方向を示している。少なくとも一つの戦略的人工知能イニシアティブをスケールアップさせた企業は、期待を超えるリターンを見る可能性が同業他社の約3倍だ。これは誰が最も先進的な技術を持っているかについての論拠ではない。誰がその技術を実際の条件下で運用するためのアーキテクチャを持っているかについての論拠だ。その区別、つまり人工知能へのアクセスを持つことと、それを運用するための構造を持つことの違いこそ、このサイクルを資本化しようとしている企業と、測定可能なリターンなしにパイロットを積み重ね続ける企業を分ける境界線だ。
