ビジネスAIの進化：クラシカルMLからモダンAIへ

Priyaの話をしましょう。彼女は米国中西部で120名規模の貨物仲介会社を経営しており、年間売上は約2,200万ドルです。

ビジネスは好調で、2025年は会社設立以来最高の年でした。チームもそれをよく理解しています。

ただ、AIについての人々の話し方が、彼女を少し気にさせていました。どのベンダーのデモも「AI革命」という言葉から始まります。昨年新卒で入社したオペレーション部門のマネージャーが先週、AIは大規模言語モデル以前には実質的に存在しなかったと彼女に言いました。

それが限界点でした。

なぜなら、Priyaはそれが事実ではないことを知っているからです。2000年代初頭に銀行で働いていた彼女は、マネージャーが書類を見る前に統計システムがローン申請を自動審査していたのを知っています。AIは2022年に始まったわけではありません。インターフェースが変わったのです。アクセス性が変わりました。ノイズの量は確かに増えました。

しかし、根底にあるものは30年かけて積み上げられてきたものです。

この記事はPriyaのために、そして過去30年間に実際に何が変わったのかを理解したい、2022年の波が断絶ではなく進化であった理由と、ACE Frameworkが次のTransitionを乗り越えられるように設計されている理由を知りたい、すべての創業者やオペレーション責任者のために書きました。

時代1：クラシカルML（おおよそ1990〜2010年）

ビジネスAIの最初の時代は静かなものでした。ブランドもありませんでした。それについてのKeynoteスライドを誰も作りませんでした。企業が費用を払って、ほとんど気にも留めなかったシステムの中で、ただ動作し続けていました。

技術的な基盤はクラシカルな機械学習でした：ディシジョンツリー、ロジスティック回帰、ラベル付き履歴データで訓練された統計モデルです。これらはディープラーニングの意味でのニューラルネットワークではありませんでした。本質的には、ラベル付き履歴レコードを確率推定値に変換する、高度なパターンマッチングツールでした。

機能したもの。 スパムフィルター、FICOスコア（1989年導入、1990年代を通じて主流）、そして初期のAmazonとNetflixのレコメンデーションエンジン。これらは華やかではありませんでしたが、大規模に機能しました。2000年代中盤までに、大手銀行は数千件のローン申請を最初の審査で最小限の人間のレビューで処理する自動審査システムを運用していました。

誰が展開したか。 データサイエンスチームとカスタムインフラを持つ大企業です。意味のあるモデルを構築・展開するには、博士号取得者、専用のトレーニングパイプライン、数ヶ月の時間が必要でした。200名規模の中堅企業にはそれがありませんでした。

ACE Frameworkへのマッピング。 この時代は主にPredictでした：スコアリング、予測、異常検知、ランキングです。一部のAnalyzeも存在しました。Ingest、Generate、Executeは存在しないか、極めて限定的でした。これは一部の人々のためのAIでした。

時代2：大規模ディープラーニング（おおよそ2010〜2020年）

第2の時代は、異なる種類の変化をもたらしました。Predictが劇的に向上したわけではありません。新しいファミリーのCapabilityが商業的に実用化されたのです。

GPUによって動力を得てインターネット規模のデータセットで訓練されたディープラーニングは、クラシカルMLが苦手としていたことを可能にしました：画像の認識、音声の理解、言語間の翻訳です。2012年のAlexNetの論文は、ディープニューラルネットワークが画像認識において既存のあらゆるアプローチを上回ることを示しました。その結果は、数年以内に製品として実用化された10年間の応用研究に火をつけました。

変わったもの。 大規模で信頼性の高いIngest。AIは画像の処理（Google Vision API、2015年）、ほぼ人間並みの精度での音声書き起こし（Google Cloud Speech-to-Text、2016年）、リアルタイム翻訳が可能になりました。音声や画像に閉じ込められていた情報が、低コストでAIシステムに取り込めるようになりました。

ビジネスへの応用。 音声アシスタント（Siri 2011年、Alexa 2014年）、小売・製造品質管理のための画像認識、翻訳ツール。GongとChorusはこの時期に設立されており、AIが営業通話を信頼性高く書き起こして意味を抽出できるという考えのもとに構築されました。

誰が展開したか。 Big Tech（Google、Microsoft、Amazon）が基盤を構築し、APIとして公開しました。エンジニアリングチームを持つ追随者がそれらのAPIを活用しました。参入障壁は「博士号チームを雇う」から「RESTを知るソフトウェアエンジニアを1人雇う」に下がりました。

ACE Frameworkへのマッピング。 Ingestが実用的でアクセス可能なCapabilityになりました。Analyzeが豊かになりました。Predictは成熟し続けました。Generateは未熟なまま。Executeは技術的には可能でしたが、自律的にはほとんど使われませんでした。

時代3：LLMとエージェント（2022年〜現在）

ChatGPTは2022年11月に公開され、5日間で100万ユーザーに達しました。その採用ペースは現実のものであり、真に新しいものを反映していました：初めて、AIへのインターフェースが自然言語になったのです。コードの書き方、APIの設定、モデルアーキテクチャの理解は不要になりました。タイプするだけで良くなりました。

しかし、インターフェースの背後にある技術はその月に生まれたものではありません。GPT-3は2020年からすでに公開されていました。Transformerアーキテクチャは2017年のGoogleの論文に遡ります。GPT-4を可能にした研究は何年も前から続けられていました。2022年11月に変わったのはパッケージングとアクセスであり、AIが何をできるかという根本的な物理学ではありませんでした。

変わったもの。 Generate Capabilityが周辺から主流に移行しました。AIはほぼあらゆる領域で流暢で一貫したテキストを生成できるようになりました。そしてインターフェースが会話型になったため、ユーザーは基礎となるモデルについて何も知る必要がなくなりました。営業担当者はProspecting用メールを書けます。創業者は取締役会サマリーの草稿を作れます。オペレーション責任者はプロセス文書の初稿を構築できます。

そして、エージェントが登場しました。草稿を生成するだけでなく、一連のアクションを取るAI：検索し、要約し、書き、そして外部システムで実際に何かを実行する。これがExecuteが大規模に現実のものになる瞬間です。

ビジネスへの応用。 GitHub Copilot（コード生成）、GongのAI通話サマリー、Intercom Fin（チケットをエンドツーエンドで処理するサポートエージェント）、Salesforce Agentforce、JasperとWriter（コンテンツ向け）。技術を使ってビジネスを構築する障壁がほぼゼロになったため、リストは増え続けています。

誰が展開するか。 誰もが。プロダクトマネージャー。オペレーション責任者。営業担当者。CEO。これは非技術系の人がブラウザのタブを開く以上の設定ステップなしにAIから意味ある価値を得られる最初の時代です。

ACE Frameworkへのマッピング。 GenerateはビジネスのFirst-class Capabilityになりました。Executeが現実のものになりました：メールを送り、CRMレコードを更新し、コードをコミットし、人間が各ステップに触れることなくワークフローをトリガーするAIシステムです。5つのCapabilityすべての全体像、Ingest、Analyze、Predict、Generate、Executeが、初めて中堅企業にアクセス可能になりました。

3つの時代を通じて変わらなかったもの

ベンダーのデモには登場しない不都合な真実があります：AIが機能するか失敗するかを決定するものの大半は、1990年代から変わっていません。時代は変わりました。障壁は変わりませんでした。

データ品質が成果を決定する。 2025年のGartnerレポートによれば、2026年までにAIプロジェクトの60%がデータの不備を理由に断念されます。これは30年来の問題が新しい帽子をかぶっているだけです。2001年の銀行の信用モデルは悪い入力で失敗しました。今日のCRMベースのリードスコアリングは悪い入力で失敗します。データの準備は依然として、すべてを決定する見栄えの悪い前提条件です。

システム統合はいつも期待以上に時間がかかる。 どの時代もAI Capabilityをよりアクセス可能にしました。しかし、それらのCapabilityを既存のビジネスシステムに接続することを大幅に速くした時代はありません。APIコントラクト、データパイプライン作業、権限管理は、以前と同じ苦痛な順序で依然として必要です。

ガバナンスは常に重要だ。 時代1の信用スコアリングは公正融資規則に準拠する必要がありました。時代2の画像認識は採用ツールでのバイアスをあぶり出しました。時代3のLLMは自信を持って誤った回答を生成し、機密データを漏洩します。ガバナンスの問題の性質は進化しました。その必要性は一度もなくなりませんでした。

Predictは依然として最も難しいCapabilityだ。 Predictは、予測しようとしている未来を反映したラベル付き履歴データに依存します。その依存関係は基礎となるモデルによって変わりません。悪い入力はどの時代でも悪いスコアを生み出します。

人間は高リスクなExecuteのループに留まり続ける必要がある。 Generate vs. Executeの境界は、年代に関わらず人間の監督に値します。時代1には公正融資規則に違反した自動ローン否決がありました。時代3には誤ったメールを送り、CRMレコードを誤って更新するAIエージェントがいます。ツールは異なります。問題のカテゴリーは同じです。

ACE Frameworkの3つの時代へのマッピング

ACE Frameworkは、Capabilityが現在のツールよりも何十年も先行して存在するため、テクノロジーではなくCapabilityを軸に構成されています。

Ingestは3つの時代すべてに存在しました：時代1のOCRと手動入力、時代2のGoogle VisionとSpeech-to-Text API、時代3のマルチモーダルモデルです。Capabilityは一貫しています。精度とアクセスが向上しました。

Analyzeは最も古いCapabilityです。テキスト分類とエンティティ抽出は、商業的AIがカテゴリーになる前から研究分野に存在していました。時代3はブラウザを持つ誰もが自然言語の指示でそれらを利用できるようにしました。

Predictは時代1の本拠地で、30年かけて洗練されてきました。ロジック（履歴データが確率的予測を生み出す）は変わっていません。LLM拡張アプローチは今や非構造化シグナルを構造化データと組み合わせて取り込みますが、Capabilityカテゴリーは同じです。

Generateは時代1ではテンプレート埋め込みを超えてほとんど存在しませんでした。時代3はそれを最も目に見えるCapabilityにしました。なぜなら、その出力は技術的なコンテキストなしに人間が読み取れるものだからです。

Executeは3つの時代すべてに、ますます広い形で存在しました：時代1の自動ローン否決、時代2の大規模コンテンツフラグ、時代3の自律型AIエージェントです。変わったのはアクションの範囲とAIがそれらを連鎖させる速度です。ガバナンス要件はそれに比例して増加しました。

フレームワークの安定性が重要な理由

特定のモデル名は短命です。GPT-4はGPT-4oになりました。Claude-3はClaude-3.5になり、その後3.7になりました。Gemini Ultraは1年以内に発表され、更新され、名前が変わりました。GitHub Copilotは四半期ごとに機能を追加しました。Jasperは買収の噂、パートナーシップの変更、2回のピボットを経験しました。

AIについての理解が特定製品を中心に構成されていれば、6ヶ月ごとにメンタルモデルを再構築することになります。これは疲弊させ、悪い意思決定につながります：地味な統合作業をする代わりに最新モデルを追いかけたり、2年後に存在しないかもしれないベンダーに過度に依存したり、「新しいインターフェース」と「新しいCapability」を混同したりします。

ACE Frameworkは、製品サイクルを超えて存続する抽象化レベルで構成されています。Ingestは、2016年にGoogle Vision APIを呼び出す場合でも2025年にマルチモーダルGPT-4oエンドポイントを呼び出す場合でも、Ingestです。PredictはXGBoostをサーバーで実行する場合でもSalesforce Einstein Forecastingを呼び出す場合でも、Predictです。ツールは変わります。Capabilityは変わりません。

これは単なる哲学ではありません。AIについての思考を構造化する方法に実践的な意味があります。製品名ではなくCapabilityタグでAIイニシアチブを評価すれば、評価フレームワークはベンダーの変更、合併、モデルの廃止を超えて存続します。ツールを入れ替えられます。Capabilityマップは一貫して維持されます。

時代4で起こりうること：推測

時代4がどのようなものかは誰にもわかりません。しかし、新しいFirst-class Capabilityを生み出す可能性のある、注目に値する研究の方向性がいくつかあります。

ワールドモデルはAIに持続的な物理的理解を与えます：物体が空間でどのように振る舞うか、機械システムがどのように動作するか。これは製造業と物理インフラにとって最も重要です。信頼性の高いワールドモデルは、既存のものの改善版ではなく、真に新しいCapabilityの軸を表すでしょう。

持続的メモリはAnalyzeとPredictの動作を変えます。今日のAIはセッションごとにほぼゼロから始まります。あなたのビジネスについてのコンテキストを数ヶ月にわたって蓄積するシステムは、更新するたびに忘れてしまうシステムとは大きく異なる動作をするでしょう。

マルチエージェント調整はExecuteを完全な自律性に向けて推し進めます：1つのエージェントが計画し、別のエージェントが実行し、3番目が検証し、4番目が人間にエスカレーションします。初期バージョンは存在しますが（AutoGPT、Microsoft Copilot Studio）、ビジネス規模での信頼性の高いマルチエージェントシステムはまだ初期段階です。

これらのいずれかが商業的なCapabilityとして成熟すれば、「Remember」や「Coordinate」が既存の5つのACE Capabilityの隣に座るべきかもしれません。フレームワークは改訂が必要になる可能性があることを明示しています。現在の5つは2026年時点で分野をカバーしています。

時代4への準備方法

準備戦略は「今日最良のモデルを選ぶ」ことではありません。特定のモデルやベンダーに大きく賭けたすべての企業は、状況が変わったときに作業をやり直す必要がありました。耐久性のある投資は時代に依存しません。

まずFoundation作業に投資する。 データの準備は退屈です。しかし、最も耐久性のあるAI投資でもあります。クリーンで、ラベル付きで、アクセス可能なデータは、すべての世代のツールから価値を引き出します。乱雑な入力はモデルに関わらず悪い出力を生み出します。

基礎となるモデルを入れ替え可能に保つ。 抽象化レイヤーなしに1つのベンダーのAPIの上にワークフローを構築した場合、そのベンダーはいつでもアプローチを見直す可能性があります。LangChainやLlamaIndexのようなライブラリは、ワークフローを再構築することなくモデルを入れ替えられるよう存在しています。ACE Frameworkの限界にはテクノロジーに依存しないことが明示的に含まれています。あなたのスタックもそうあるべきです。

製品名ではなくCapabilityで評価する。 新しいイニシアチブがどのACE Capabilityを使うかを確認してください。Capabilityでツールにタグを付けてください。AIユースケースを読むCapabilityミックスによってCapabilityを評価するスキルは時代を超えて転用できます。なぜなら、ベンダーの状況は変わり続けるからです。

30年の歩みを1つのフレームで

ビジネスAIは、今日それを売っている多くの人々がキャリアを始める前からフィールドに存在していました。Capabilityは拡大しました。参入障壁は下がりました。インターフェースは2022年に劇的に変わり、その変化は現実のものであり重要です。

しかし、根本的なロジックは変わっていません。データ品質が成果を決定します。統合は難しい。ガバナンスは重要です。Predictは依然として正しく行うことが最も難しいCapabilityです。人間は重大なアクションのループに留まり続ける必要があります。

ACE Frameworkは2026年のAIを説明するものではありません。ビジネスAIとは何かを説明するものです：5つの動詞、データに適用され、ワークフローとして組み合わされる。その5つの動詞はChatGPTより数十年前から存在していました。そして時代4が6番目を加えるなら、フレームワークを更新してそれを反映します。

Priyaは2022年にAIが始まったと信じる必要はありません。彼女が必要なのは、AIが何をするか、どのように評価するか、そして耐久性のある投資がどこにあるかを理解することです。その理解こそ、フレームワークが提供するために構築されたものです。

---

次に読む記事

• ACE Framework：Gongの実例を交えた5つのCapabilityモデル全体と6層スタック
• Predictive AI vs. Generative AI：業界でよく使われる二分法とACE Frameworkへのマッピング、そして限界
• ビジネスAIとは何か：3つの時代すべてをカバーする実践的な定義
• ACE Frameworkの限界：フィールドが進化するにつれてこのフレームワークも改訂が必要になるという正直な限界
• データの準備：3つの時代すべてで等しく重要な前提条件
• Predict：最も古いCapability、そして依然として最も正しく行うことが難しいもの