![[Biz]AIとの連携とリスキリング](https://image.listen.style/img/OQsdttJyTPh5SzKaVSCOF_sGSSIYHqoJg6fnRuXMzn4/resize:fill:1200:1200/aHR0cHM6Ly9kM3Qzb3pmdG1kbWgzaS5jbG91ZGZyb250Lm5ldC9zdGFnaW5nL3BvZGNhc3RfdXBsb2FkZWRfbm9sb2dvLzExNDQwNzM5LzExNDQwNzM5LTE3Mjg0NDY3ODIzMTMtMmFhMDEyZDEyNGU1Yi5qcGc.avif)
AIとの連携と影響
BtoBコミュニケーションとBtoBビジネス談話 コロンバスプロジェクトの緒方です。
この番組は、B2Bビジネスにおける セールス、マーケティング、ITデジタル、
事業推進などのさまざまなコミュニケーション のお話をする番組です。ぜひお楽しみください。
では、今日はAIとの連携とリスキリング という話をしたいと思います。
7月の10日にマイクロソフトの 研究所、マイクロソフトリサーチ
というところが、Working with AI というレポートを出していました。
コーパイロットなどのデータを 活用して20万データ、もちろん
個人特定ができないとか 内容に関しても分からないように
してるんだと思うんですが、そういった データを活用していますと、
レポートを出しています。結論としては、 この中で職業、職種に対する影響の
測定をしているというようなもので、 簡単に言うと、AIの適合性、
適合可能性スコアというものが 定義されてまして、英語で言うと、
AI、アプリケー、アプリケービリティ、 アプリカビリティかな、アプライカ、
すみません、適合可能性スコアというのが 記載されていて、一番高いものだと、
翻訳者とか通訳の方、ダイレクトに まさにかかってしまいそうですけども、
という方々が一番高い、職種として 書いていて、スコアは0.49という
数字が出ていますね。その中で言うと、 私どもも関わるセールス、マーケティング
などの領域で言えば、サービス系の セールスの方々というのが、0.46という
非常に高い数字になってまして、 アメリカの調査なので、アメリカにおいては
100万人ぐらいいるらしいですね、この領域。 もう一つの高い数字というのが、
高めの数字に関わるところで言うと、 カスタマーサービスレプレゼンタティブス。
カスタマーサービスに関わる方々ですね。 これも0.44と高くて、雇用者で言えば、
雇用している従業員の数で言ったら、 285万人ぐらいアメリカにはいますと。
合わせて400万人ぐらいの方々が、そのAIの 適応可能性スコアが高いという数字が出ています。
この論文の中で、章の5でディスカッション というところがありまして、そのディスカッションで
話されていることが、業務が代替される、 実際にAI自身が実行するという部分と、
あとはAIはコーチとかアドバイザー、 教師というふうに記載されているんですけども、
拡張のようなイメージですね。 サポートするという立場で書かれていたりします。
この文章の中の主としては、ユーザーの目的 ゴールとAIの行動というのを区分けして見てみると、
目的自体に直接的に実行しているもの というのは少ないといいますか、
それを区分けをして実行するようなものが スコアが高いというものと、
今申し上げたコーチとかアドバイザー とか教師のような立場としてサポートをする
というような目的に対して支援するような AIの活用のされ方というのがありますよ
というような書かれ方がしているんですね。
そんなことが書いてあって、かつ報酬への影響とか、 例えば今まで高額の報酬を取っていた人が
AIが登場して報酬が取れなくなってしまうようなことだったりとか、
仕事がなくなってしまうような人が出てくる みたいなことはまだまだわからない
みたいなことが書いてあるんですね。 AIができることというのは非常に限られているし、
人の業務の中で言ったら一部分にしか過ぎない みたいなことが書いてあったりして、
代替されるような、AIによって仕事を取られる というような文脈ではないような方向で書かれている
というような論文になっています。
AIの活用方法
あとは色々それ以上に、皆さんが知りたいのは その辺だと思うんですけど、
それ以上に示唆が高いのは、やはり AI のアクションというのと、
ユーザーの目的というものを 区分けして見ているというのが一つ。
その視点でスコアなどを計算していっているというのは、 興味深い論文の視点だなというふうには思って見ておりました。
これ英文なんですけど、私も日本語に翻訳して、まさに AI に翻訳させて読んでいたりはしたんですが、
この論文に書かれていることについて、ちょっと別の視点から ここから話していきたいと思うんですけども、
私が今色々な AI のプロジェクト、 AI が絡むような業務というか、
AI の活用を取り入れないければ、 効率的ではないので、取り入れる視点が随時頭の中にはあるんですけど、
そのやり方としていくつか、 3 つほどあると思っていまして、
私どもが考えているその 3 つというのは、完全にこれ AI にやらせたいというもの。
それでもなかなかできなかったりするんですけど、 例えば名詞の文字起こしとかですね、
文章を何か作成するですとか、 ちゃんとやらせたいんですけど、
それでも完全なパーフェクトなシステムではなく、 生成してしまうということで、
なかなかバッチリやってきてくれるというのは、 普通の生成 AI を使っている限りはなかなか難しそうではあるんですが、
もっと適切なデータベースを組んでですね、 インプット自体を整備していけば、
かなり精度が高いアウトプットはできるかな という印象にまではなってきていますね。
代替するというような、仕事をもう AI に取って変わられるという領域はやっぱりあると思っています。
もう一つ、今までの業務を AI にある程度実行させつつ、
パーフェクトではやっぱりないんでですね、
人によるチェック、もしくは過不足ある部分を、 人が追記ですとかをすることによって、
ゴールというかアウトプットを正しいものにしていく。
ただ、ゼロから人がやるよりも AI にパパッとやらせた方が、
もちろん手数が減っていくので、 効率的な運用ができるようになる。
これは AI に任せて、 管理する業務というような位置づけを持っているんですね。
これはオペレーターであったとしても、 AI にやらせつつも、
今までやってきた経験、オペレーションしてきた経験、
よく言う人のノウハウのようなものを踏まえて
文章なりアウトプットを調整するということが 必要になってくるようになる。
この場合はやっぱり人の存在というのは 必要になるわけですけど、
でもアウトプットしなければならない 数というのが非常に多くなると、
文章なり作業なりを今その場でやったわけではないんで、
管理するというのもチェックするというのも、
ある程度ゼロからチェックみたいな感じになってくるので、
自分が10分作業して3分チェックするではなくて、
AI に任せたものをチェックすると、
今まで3分だったら5分10分になりかねないわけですよね。
背景とか元になる情報って何なのかというのを確認すると、
余計な管理時間がかかってしまう。
これは人としても、人の管理者と実行者でも よく起きる話ですけども、
そういったことが出てくる、 そういう領域があると思っています。
AI に任せて管理する業。
もう一つは自分の自らの業務、 完全に人でしかできないけれども、
拡張するツールとして利用する。
AI を拡張ツールとして利用する。
それは例えばプレゼンテーションのときの 事前の情報の収集というのを
ババッと必要な情報を収集してくることを AI に任せれば、
それはもういろんなサイト行って いろんなページまでたどって、
IR の情報まで見に行って、
自分の中で読んで確認するということが サマリー化されて、
もう一分もかからないうちに AI がアウトプットしてくれるというのは、
それはやはり非常に有用な活用の仕方です。
ただそれらを材料として自分の中に、
オンシャというのは IR サイトにも書いていましたけど、
3 カ年契約計画で、事業計画でこういうようなことを
謳われていらっしゃると思うので、
私たちはこういう提案を今回はしたいと思う。
1 カ月、2 カ月の話ではなくて、
3 年後を見据えた今の取り組みというのを
ご一緒させていただきたいみたいなことを 話をするというような活用の仕方、
つまり AI を拡張ツールとして利用する業務というのが
あるかと思っていまして、
つまりもう完全に AI にやらせる仕事。
AI に任せるけど、今まで見えていない、
言語化されていないようなノウハウを
人が付与して業務として完了させること。
あとは完全に手動としては人間なんだけれども、
その手動する業務というのが複雑で難しいので、
今まで時間がかかってきたことを、
特に情報収集系のことは AI を拡張ツールとして使って
リサーチャーのような形で一部の情報になってしまいがちですけども、
それを本当に探そうとすると原文を読んだほうがいいと思いますが、
そんな3つの業務に区分されるというふうに思っています。
組織におけるAI活用
ここでこのマイクロソフトリサーチの PDF のほうで書かれていた部分で、
ちょっとやっぱり足りてないなと思うのは、
個人での AI 活用と組織での AI 活用というのは
大きく違う話になってくると思っていて、
組織の中で言うと、よく AI が得意な領域、何か文章を集めるとか、
先ほどの情報を収集するみたいな業務というのを、
専任でやっている、例えばパートタイマーさんとかですね、
業務委託の方とか、時短の勤務されている方とかですね、
在宅の方も含めて、あとはアウトソースの企業さんなどで、
本当に単純作業だけやっていた方っていうのは、
AI にだいぶ取って変わられるだろうと思いますし、
AI の適合可能性スコアが高いような業務や職種の方っていうのは、
やはり職を失っていくというかですね、
取られていってしまう可能性はやっぱり高いよね。
そうすると、自分がやっている業務のうちの、
単純なアウトプットじゃない領域っていうのをですね、
作っていかないといけないですし、
多くの企業でそれをやっている人がいるんですよね。
つまりジョブチェンジというかですね、
拡張、自分の業務をアウトプットするっていうことではなくて、
アウトプットしたものをどのように使われて、
何が目的になってて、
本来多くの仕事でやらなければならないようなですね、
本質的な業務にオペレーションから変化していくっていうのは、
オペレーションではなくて、
きちんとその課題を解決するっていう業務に取り組む、
そういう人材を増やしていく、増えていかなければならないっていうのが、
このAIが、AI含めてシステムがやっていこうとする、
もしくは様々なまるまる革命みたいなことがあったときにですね、
非常に便利になって、
今まで人間がやっていたことをやらなくて済むっていう風になっていったことは、
今まで100年以上の歴史であるわけなので、
そういったタイミングが非常にオフィスワークの中で、
今起きようとしているっていうことだと思うんですよね。
この組織でのAI活用をこんなことを考えていったとき、
また当社がいろいろ取り組んでいるセールスイネーブルメントだったり、
AIの、ごめんなさい、営業の組織変革であったり、
リスキリングの必要性
マーケティングの業務改善であったりですとかを考えたときにですね、
やはりそれまでやってないからですね、
今までアウトプットしかしてない人たちに、
課題の解決って言ってもですね、
課題って何を課題として捉えるのかすら、
どうやって頭を動かせばいいのかすら、
やっぱり分からないわけなんですよね。
なのでここが前回、人材への投資って前回のエピソードで、
Podcastで話していたんですけど、
やっぱりリスキリングと基本的な学習のですね、
リスキリングが必要になるっていうのと、
この学習するっていうですね、
学習するっていうこと自体のレベルを、
会社として高めていかないといけないなと思ったんですよね。
つまり自らが、つまりというかですね、
AIが出てきているので、
この学習ってもの自体を変革する必要があって、
これを変革しないとですね、
本当にやれない人は、
AIが入れない領域、肉体的な領域だったりでないと、
でもそこにも入ってきますからね、AIちゃん。
ロボットとかが出てきますから。
やはり自らが学ぶというような習慣、
自己学習の習慣だったり、
環境っていうのを会社としては作らないといけないというのが、
一番大きなポイントじゃないかなと思っています。
業務の変化とAIの影響
リスキリングって言葉は、
個人にも組織にも言えるかもしれないんですけど、
学習の習慣と場、もしくは文化などを作るというのが
組織としてあるべきことで、
個人としては、従業員側としては、
やはり自らが改善していく、
変化していくということ自体が
仕事なんだというようなことをですね、
業務なんだという視点で取り組んでいかないといけない。
つまり今まで、
業務が安定したから、
楽チン業務で5年やってますみたいなですね、
ルーチンでずっと回してますみたいな方々っていうのは
申し訳ないですけど、
おそらくこのAIによって仕事がなくなっていく方々だと思いますし、
そうではなく、
その中でも常に改善改善して削退で、
何かしらの指標、
特に顧客満足なのか、
結局課題解決なので仕事はですね、
そういった領域を数を増やす、もしくは質を増やす
みたいなことを継続してやっていた方々っていうのは、
おそらくAIもどんどん使っていけるんだと思うんですね。
だからおそらくこのAIによって成長するっていうような角度がですね、
角度と場というのがもっと増えていくので、
成長の場が増えていく。
逆に言うと維持の場っていうのが減っていく。
維持のほうが人は楽だと思うんですね。
変化は嫌いというかですね、
本質的には生物は変化は嫌がるというか、
というような話も聞いたことありますけど、
うちは変化しろと言ってるんですが、
変化し続けることが業務であるぞ、
仕事であるぞみたいなことを言ってるんですけど、
そういうような状態にどんどんなっていくのかなというふうに感じている次第でございます。
AIの登場でその人の格差っていうのはやっぱり広がってしまう。
その厳選、厳判なのか、
根本で言ったらやっぱり学ぶというですね、
学ぶもしくは自分のその仕事っていうのを
何かしらの解決をしていく、
よくしていくという方向に振って、
それに対して自らが何か今までできなかったことをできるようにしていく。
そのためにはやはり学習というのが必要で、
学ぶというふうなことが必要で、
それはAIも活用しつつもっともっと人から聞いたりですとか、
いろいろな機械を使って、
形式化されていないようなナレッジを
もっと自分の中に蓄えていくっていうようなことがやはり大事ですし、
それをまたAIにインプットして、
フィードバックをかけて、
より会社組織として高いパフォーマンスを目指していくっていうのが、
今、組織として必要になってくるっていうことかなというふうに感じていますということでした。
人材への投資と変革
ちょっとワーキングに関しては
やはり今の社会においては
やはり今の社会においては
人材への投資というのは
こういうような視点が必要になるのかなと。
これにはAIを活用するためのシステムなども必要になるので、
やはり会社として以前の
ウェブサイトを作るではないですけども、
CRAも入れるじゃないですけど、
そういうようなもの以上に
根幹になるような
コミュニケーションというか、
人の学習に関わってくるので、
根幹になるような変革が
AIによって起きているんだろうなというのが
今の私、個人的な見立てになりますというところでございました。
ちょっと長くなりましたが、今日は以上です。
では、B2Bのコミュニケーションということで
今後も話していきたいと思います。
どうでもいい話でございます。
どうでもいい話ですね。
ランニング用のイヤホンです。
本当どうでもいいんですけど、
私、ランニング用のイヤホンは
あんまり品質高くなくていいと思っているんですね。
なので、あんまりお金をかけたくないというのがベースにあって、
今までいくつか買ってきたんですけど、
買ってきました。
でも、今まで買ったもので言うとですね、
ちょっと今、安いものしか買ってないというのもあるんですが、
トゥルーワイヤレスイヤホン
両方分離している、
いわゆる代表的なのが
iPodsでしたっけ?
iPodsだっけ?
iPhoneですね。
Appleのイヤホンが両方分離されている
Bluetoothで繋がっているやつですけど、
あれですね、今まで走っててもありましたけど、
2回無くしているんですよね。
2回無くしていて、3回目買った。
3回目買ったら今度は耳に合わなくてですね、
どんだけこの安物、本当に安物買いの
税入しないってこういうことを言うんだなって思いますけど、
もう今年入って3回目じゃないかなというぐらいの
イヤホン購入をしています。
ついにですね、
まともなイヤホンを買おうとなりまして、
Philipsのイヤホンで非常に有名な
SHE9000かな?
という、私以前
複数回買って行った有線イヤホンがあるんですね。
もう10年以上前だったかな?
なんですけど、それがむちゃくちゃ安いのに
2、3000円なのにすごい良い音を出してくれる。
まあ安いなりなんですけど、安いなりに良い音を出してくれるんですよ。
というのが、
それがですね、数年前に
Bluetoothになって、
ただし、
ネックバンドじゃないんですけど、
首周りの紐がついているタイプの
Bluetoothイヤホンになってたんですね。
これはもういいや、これがいいやと思ってですね、
昨日かな、買いに行きまして、
つけて1回走って
非常に良いとなって
今は使っていこうかなと思っています。
でも、今回この
数ヶ月で分かりましたけど、
ツルーワイヤレスイヤホン、両耳離れたちっちゃいやつはですね、
私は合わないという、
とにかく無くすということが分かりまして、
散財したくないわけなんですけど、
散財してしまっているこの悲しい時代を
ようやく打破できそうではありますが、
そういったことはもう二度としないようにしようと、
安物買いの前入手しないようにしようと思い、
かつ最終的には今、
良いイヤホンが手に入ったということで、
喜んでいるところでございましたというところです。
では皆さんも商品はね、
良いものを買っていきましょうというところですね。
では今日は以上です。
次回のB2Bのコミュニケーションで話していきたいと思いますので、
どうぞよろしくお願いします。
