Generate：AIがビジネスに何を生み出せるか

Dr. Chenのことを思い浮かべてください。彼女はフェニックスで12拠点の歯科クリニックグループを経営しています。ビジネスは本当に好調で、患者数は増え、オペレーションチームは優秀で、2つの新しい拠点のリースにサインしたところです。

しかし2024年初めから、チームのワークフローにあることが忍び込んでいました。マーケティングコーディネーターがChatGPTを患者向けメールの下書きに使い始めました。フロントデスクマネージャーが予約リマインダースクリプトに使いました。運営責任者がClaudeを使ってスタッフのポリシー更新を下書きしていました。3人、3つのツール、共有ガイドラインなし、レビュープロセスなし。

すべてうまくいっていました——患者の再獲得メール（AIが下書きし、レビューなしで送信、2,200人の患者に）が間違った名前で送られ、受けたことのない治療を参照するまでは。

データは正しかったです。AIはCRMからデータを取得しました。しかしテンプレートのロジックが間違っており、送信前に誰もそれに気づきませんでした。

Dr. Chenには文章の問題はありませんでした。境界の問題がありました。チームはGenerate——下書きを生成する機能——を理解していました。下書きが送信されたメールになる前に何が起きるかについてのシステムを何も作っていなかったのです。

この記事はDr. Chenのため、そして毎日生成AIを使っているが、まだ安全ラインがどこにあるかを慎重に考えたことがないすべてのオペレーターのためのものです。

ACEフレームワークにおけるGenerate

ACEフレームワークでは、Generateは5つのコアビジネスAI機能の一つです：Ingest、Analyze、Predict、Generate、Execute。2022年以降すべてのエグゼクティブのアジェンダにAIを載せた機能です。

Generateはプロンプトとコンテキストから新しいアーティファクトを生み出します。 アウトプットは以前は存在しなかったもの：メールの下書き、コードのブロック、マーケティング画像、プロジェクト計画。そしてほとんどのチームが見逃す部分がここです：そのアーティファクトは何か別のものが世界に送り出すまで下書き形式にとどまります。

その「何か別のもの」はExecute——完全に別の機能です。患者再獲得メールを下書きすることと、それを2,200人に送ることは同じではありません。Dr. ChenのチームはガバナンスなしにExecuteを伴うGenerateを持っており、それが正確にミスが起きた場所です。

その境界に到達する前に、Generateが実際に何をカバーするかを理解しましょう。

Generateの6つのサブ機能

Generateは単一のものではありません。AIが生み出すことができる6つの異なるアーティファクトタイプをカバーします。

1. テキスト生成

最も目に見えるフォームです。ChatGPT、Claude、Gemini、そしてそのエンタープライズ版（Jasper、Writer、Copy.ai）はプロンプトとコンテキストからテキストを生成します：メール、レポート、ブログ記事、ポリシー文書、トレーニング資料、顧客コミュニケーション、プロポーザル。テキスト生成は「生成AI」と言うときにほとんどの人が意味するものです。

営業担当者が3つの入力を提供します：見込み顧客の業界、CRMからの商談コンテキスト、前回のコールで提起された特定の異議。AIが400語のフォローアップメールを下書きします。担当者は1段落を編集し、件名を調整し、送信します。25分が6分になります。担当者は送信を自動化しませんでした——下書きを自動化しました。

2. 画像生成

Midjourney、DALL-E、Adobe Firefly、Stable Diffusionはテキストプロンプトから画像を生成します。マーケティングチームは「サプライチェーンマネージャーをターゲットにしたQ3キャンペーンのヒーロー画像」から3分以内に50のビジュアルバリエーションを得られます。

これはストック写真を取得することではありません。ピクセルごとに新しい画像を合成することです。アウトプットはプロンプトが具体的であればブランドに沿ったものになり、そうでなければひどく外れることになります。デザイン感覚のあるチームはアウトプットを人間のデザイナーのための原材料として扱います——完成した成果物としてではなく。そのレビューステップを持たないチームはブランドを傷つけるオフブランドなビジュアルを生み出します。

3. コード生成

GitHub Copilot、Cursor、Claude Codeは自然言語の説明またはコメントからコードを生成します。開発者が関数が何をすべきかを説明するコメントを入力すると、AIが実装の下書きを作成します。データアナリストがレポートを説明すると、AIがSQLクエリを書きます。

GitHubの内部データは、Copilotを使う開発者がタスクを55%速く完了することを示しています。しかし品質管理の要件は高いです：AI生成コードにはバグが含まれます。生産性向上は下書き速度から来るものであり、エラーのないアウトプットからではありません。すべての行は本番環境で実行される前にレビューが必要です。

4. 音声生成

ElevenLabs、Suno、HubSpotのようなプラットフォームに組み込まれた音声合成ツールはテキストからボイスオーバー、合成音声、音声コンテンツを生成します。企業はレコーディングセッションなしにOnboardingガイドのプロのナレーションを制作できます。カスタマーサポートチームは声優を雇わずに一貫したコールキューの音声を作成できます。

このサブ機能は急速に成長しており、他のものよりも多くのリスクを伴っています。ボイスクローニング（特定の人のように聞こえる合成音声の生成）は重大な悪用の可能性を持ちます。FTCは2024年にVoice Cloning Challengeを実施しましたが、これはAI生成音声が電信送金リクエストでエグゼクティブになりすまった詐欺事例に直接対応するものでした。これはGenerateがエッジで機能する場合です。音声アウトプットを具体的にカバーするガバナンスポリシーがますます必要になっています。

5. 計画・構造化アウトプット生成

ClaudeやChatGPTに目標と十分なコンテキストを与えると、プロジェクト計画、ミーティングアジェンダ、コンテンツカレンダー、またはOKR構造を生成します。これは散文ではありません——論理的な依存関係を持つ構造化アーティファクトの生成です。

プロダクトマネージャーがClaudeにユーザーインタビューを貼り付け、最初のPRDのドラフトを求めます。運営責任者が新しいOnboardingプロセスを説明し、12ステップのワークフロー文書を得ます。これらのアウトプットは出発点として有用です。AIはビジネスを十分に理解して完成した計画を生み出せませんが、白紙から作るよりも編集が速い最初の下書きを生み出します。

6. データ生成

合成データ（実際の顧客情報を含まずにリアルなデータを模倣した人工レコード）はあまり議論されませんが重要なサブ機能です。AIはQA環境向けのテストデータセット、より小さなモデル向けのトレーニングデータ、実際のデータを使えない分析作業向けの匿名化されたデータセットを生成します。AIシステムを構築する技術チームにとって、それはしばしば他のすべての前提条件です——詐欺検出モデルは十分な詐欺の例なしにはトレーニングできないので、合成のものを生成します。

サブ機能の一覧

実例：Before & After

中堅市場ビジネスの各部門でGenerateがどう見えるかを示します。

セールス： 担当者はかつて各商談レビューの準備に45分費やしていました——CRMノートを取り出し、前回のコール文字起こしをレビューし、トーキングポイントを下書きする。Claudeがアカウント履歴を要約し、最初のアジェンダを生成することで、準備時間は10分以内になりました。担当者は依然としてミーティングを運営します。AIがセットアップを行いました。

マーケティング： 月に6本のコンテンツを制作していたコンテンツチームが、Claudeが詳細なブリーフから最初の下書きを作ることで24本を制作しています。ライターは戦略と編集に時間を費やし、白紙に向き合うことはありません。アウトプットが4倍になりました——誰も置き換えられていません。

財務： 財務アナリストが必要なSQLレポートを1段落で説明しました。AIがクエリを書きました。彼女はそれを検証し、2つの修正を加え、1日ではなく1時間でレポートを得ました。

カスタマーサポート： Intercomを使うサポートチームは、すべての受信チケットに対してAIが下書きした返答を受け取ります。エージェントがレビューし、必要に応じて編集して送信します。解決時間が40%短縮されました。

各ケースで：Generateが下書きを作り、人間がレビューし、別のアクションがそれを送り出します。その構造は偶然ではありません。安全なGenerate導入のアーキテクチャです。

Generate-Execute境界

これがこの記事で最も重要な概念です。

Generateはアーティファクトを生み出します。ExecuteはAIの外部のステートを変えます。 これらは異なるリスクプロファイルと異なるガバナンス要件を持つ異なる機能です。

Dr. Chenのチームが患者メールを下書きしたとき、それはGenerateでした。メールが2,200人に送られたとき、それはExecuteでした。ミスは2つの間にレビューゲートなしにExecuteが実行されたために起きました。

Generate対Execute境界はガバナンスが存在する場所です。承認ワークフローが属する場所です。「Human in the loop」ポリシーが明示的である必要がある場所です。

最も一般的なミスは、両方を組み合わせるワークフローを「ただAIが何かを生成している」かのように扱うことです。AIが下書きして送信するとき、Generate + Executeを使っています。その組み合わせはGenerate単独とは異なる監視が必要です。

シンプルなテスト：「このAIのアウトプットは人間のレビューステップなしに外部システムのステートを変えるか？」もしそうなら、チェーンにExecuteがあり、それは明示的な注意を受けるべきです。

なぜGenerateが最も目に見えるAI機能なのか

ACEフレームワークの5つの機能の中で、Generateが最も読みやすいアウトプットを生み出します。読め、見え、すぐに反応できます。Predict（解釈が必要なスコアを生み出す）やIngest（処理できなかったフォーマットを変換する）と異なり、Generateは完成したように見えるアーティファクトを生み出します。

その可視性が採用を促しました：ChatGPTは5日間で100万ユーザーを超えました。GitHub Copilotは最初の年に100万人に達しました。他のどのAI機能もこれほど速く成長しませんでした——なぜなら他のどれもすぐに見てすぐに使えるものを生み出さないからです。

しかし可視性は過信も促します。下書きは80%の時間で十分に良いため、チームは20%の場合——自信を持って間違っている場合——を確認しなくなります。失敗モード（幻覚、オフブランドアウトプット、事実のエラー）は発生したとき実際の損害を引き起こすほど深刻です。

失敗モード：Generateで何が失敗するか

幻覚。 Generateモデルはもっともらしいテキストを生み出しますが、検証されたテキストではありません。存在しない研究を引用し、でっち上げた統計を引用し、起きなかったイベントを説明することがあります——すべて流暢で自信に満ちた散文で。アウトプットは権威があるように見えます。それがリスクです。

顧客向けテキストにおいて、レビューなしにExecuteに届いた下書きの幻覚は、顧客が受け取る幻覚になります。これがパイロットを終了させる失敗モードです。

汎用アウトプット。 AIに薄いプロンプトを与えると、薄い結果が返ってきます。「新しいクライアントのプロポーザルを書いて」は、どのクライアントにも適用できる汎用プロポーザルを生み出します。AIが提供するコンテキストに合わせてパーソナライズできるだけです。プロンプトの品質、コンテキストインジェクション、ワークフロー設計に投資しないチームは凡庸なアウトプットを得て、プロセスではなくツールを責めます。

オフブランドのボイス。 LLMはデフォルトで滑らかで少しフォーマルな、少し企業的なボイスになります。読みやすいが独特ではありません。ブランドに特定のボイスがある（直接的、反骨的、技術的、温かい）場合、AIは明示的に制約しない限りジェネリックに向かってドリフトします。スタイルガイド、フューショット例、プロンプト内のブランドボイス指示がこれを減らします。それを排除はしません。ブランドクリティカルなアウトプットには人間の編集が依然として必要です。

IPと著作権リスク。 AI生成コンテンツの法的ステータス、そして著作権保護された素材でのトレーニングがダウンストリームの責任を生むかどうかは、まだ決着していません。米国の裁判所でいくつかの事件が進行中です。ほとんどのビジネスへの実践的なルール：既存の著作権保護された作品に非常に似たAI生成画像を公開しない、そして識別されたソースの特定のスタイル要素を再現するコンテンツのレビューステップを追加する。

過度な依存とスキルの衰退。 チームがGenerateを下書きに多用すると、白紙から始める個人のスキルが衰え始めます。リスクは実際にありますが比例すべきです：計算機を使っても算数の思考は破壊されませんでした。AIのアウトプットがまったくレビューなしで届くとき、懸念が高まります——なぜならその場合、作業に対して認知的な関与がまったくないからです。

ツールとしてのGenerate対エージェント内のGenerate

ツールとしてのGenerate： 人間がすべての生成を開始し、アウトプットを見て、それで何をするかを決定します。ChatGPTを直接使うことはツールとしてのGenerateです。タイプしながら提案をするCopilotはツールとしてのGenerateです。人間は常にループに入っています。

エージェント内のGenerate： 自動化されたシステムがGenerateをステップとして含み、人間の開始なしに実行します。CRMから新しいリードを一晩で取得し、レビューなしにアウトチャーチを生成するメール下書きシステムはエージェント内のGenerateです。

ツールからエージェントへのシフトはガバナンス要件のシフトです。GenerateがエージェントでになGenerateする場合、何を生成できるかについてのポリシー、次のステップが実行される前の品質チェック、そしてExecute前の人間レビューゲートまたはレビューが不要という明示的な決定が必要です。

ほとんどのAIガバナンスの会話はExecuteに焦点を当てます——結果が存在する場所だからです。しかし品質の悪い生成に確認されていないExecuteを組み合わせることが、ほとんどのAIインシデントのレシピです。

まずツールとしてのGenerateから始めてください。レビュープロセスが信頼できるときのみエージェントに移行してください。

Generate機能を持つツールを評価する方法

Generateを含む製品（そして今日のほとんどのAI製品が含む）を検討するとき、3つの質問をしてください。

何のデータから生成するか？ 自社固有のデータ（CRMレコード、過去のメール、ナレッジベース）を使うか、一般的なモデルの知識のみか？自社の特定のコンテキストから生成するツールはより関連性の高いアウトプットを生み出します。コンテキストへのアクセスがないツールは状況に関係なく汎用アウトプットを生み出します。

生成されたアウトプットはどこへ行くか？ 使用するために明示的な人間のアクションを必要とする下書きに届くか？それとも自動的にExecuteステップに流れるか？下書きとレビューを送信とコミットから明確に分離する製品はガバナンスが容易です。弱い製品はプロンプトボックスを与えて期待します。

ブランドボイスと精度のためにどんなコントロールがあるか？ スタイルガイドを注入できるか？モデルが参照できるソースのみを引用するよう制約できるか？より良い製品はオペレーターにこれらのコントロールを与えます。弱い製品はプロンプトボックスを与えます。

Generateのアウトプットを最初の下書きとして扱う

適切なメンタルモデル：賢いインターンからの最初の下書き。速く、しばしば驚くほど良く、そして自信を持って間違えることがあり、あなたが捉えなければなりません。

インターンの顧客向けメールの最初の下書きを読まずに送ることはしないでしょう。最初のコードコミットをレビューなしにデプロイすることもないでしょう。Generateのアウトプットも同じ扱いが必要です——AIがその仕事が苦手だからではなく、最初の下書きにはレビューが必要だからです。

Generateから最も多くを得るチームは、官僚的な要件としてではなく、アウトプットをAIが一人で生み出したものよりも本当に良くする品質ステップとして、最初からワークフローにレビューを組み込みます。

Generateは強力です。しかしそれはワークフローの始まりであり、終わりではありません。

次に読むべきコンテンツ

この記事はGenerateが生み出すもの、6つのサブ機能、実例、そしてExecuteとの境界をカバーしました。コレクションは続きます。

• Generate対Execute境界：生成とアクションの間にどの承認ステップが属し、どのように設計するか
• Execute機能：AIが単に下書きを作るのではなくアクションを取るとき何が起きるか
• Predictive対Generative AI：GenerateがどのようにPredictの古い機能と比較されるか
• Analyze機能：フルワークフローでGenerateの前に通常実行される機能
• ACEフレームワーク：5機能のマップと6層スタック
• AIユースケースを読み解く：あらゆるツールのピッチや社内イニシアチブにACEの語彙を適用する