新たなツールを作成する前に:CXスタックに適切なAIレベルを選ぶ方法

Emily McReynolds

11-17-2026

エンタープライズにおけるAI成熟度の真の指標は、高度なモデルをいくつデプロイするか、エージェントをいくつ作成するかではありません。チームが業務に適した機能を継続的に選択し、品質、効率、成果を向上させることができるかどうかが重要です。

エンタープライズのテクノロジー導入と同様に、的確な判断を下すには、ビジネスニーズを最優先にし、それに応じた機能を選ぶことが重要です。しかし、AIをめぐる過熱した動きが、その本来の考え方を完全に逆転させてしまっています。

何を解決すべきかが定まる前に、「AIが必要だ」「エージェントが必要だ」という議論から始まる場面をよく目にします。こうした傾向は、AIについての語られ方によっても強化されています。AIは今や万能な言葉として扱われ、様々な仕事に適した多様な機能の集合体であるにもかかわらず、あらゆるプロセスに適用できる単一の機能のように語られるようになっています。

こうした区別が曖昧になると、タスクに必要な以上のものを導入しがちになります。その結果、成果が改善されないままコストと複雑さだけが増してしまいます。

多くのエンタープライズはすでにこのような経験をしています。最新のAIツールを導入し利用を拡大すれば結果はついてくると期待したものの、アドビの State of AI Readiness レポートによれば、組織の58%がAIプロジェクトのパイロットまたはデプロイ段階で足踏みしているという現実があります。

解決策は、ゼロから始めることでも、AIの使用を減らすことでもありません。どこで、いつ、どのように活用するかをより賢く判断することです。その判断は、4つの検討領域に分けることで、格段に取り組みやすくなります。

最適なAI活用のためのフレームワーク

この4段階の意思決定フレームワークは、既存テクノロジーで十分な場面、自動化が適切な場面、生成 AIが価値を加える場面、そしてエージェント型AIが効果的に機能する場面を判別するのに役立ちます。

既存テクノロジーからエージェント型AIへの4段階の進化。左から右に向かって自律性と複雑さが増します。

このフレームワークは既存のリソースを最大限に活用することから始まり、投資価値のある新たなAI機能へと段階的に展開します。AIのためのAI導入ではなく、ビジネス価値に基づいたAI判断を下すことができます。

1. まず手元にある機能を活用する

新たなAIツールを追加する前に、既存のテクノロジーで効果的に対応することができるかどうかを確認してください。

マーケターが異なるオーディエンスや市場向けに50種類のキャンペーンのバリエーションを作成する必要がある場合、生成AIツールは制作に要する時間と労力を大幅に削減することができます。一方、同じマーケターが特定のキャンペーンや地域向けにすでに承認済みのアセットを探す必要がある場合は、既存の検索機能やメタデータの方が適切な選択肢となる可能性があります。

まず最初のステップは、既存のスタックで何ができるかを把握することです。多くのエンタープライズプラットフォームが、ライセンス済みの製品にAIを直接組み込み始めているため、追加しようとしている機能がすでに利用可能な状態になっているかもしれません。ただし、チームがその機能を十分に活用していない、あるいはそもそも気づいていないケースも少なくありません。

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
すでにライセンスしているツールに追加されている最新のAI機能を確認してから、同じ目的の新しいツールに費用をかけるかを検討してください。

適切な場面で既存の機能を活用することで、重複投資を防ぎ、不要な統合・ガバナンス・メンテナンス作業を回避することができます。その上で検討すべきは、別のアプローチが速度、規模、品質、または成果を十分に向上させ、現状から踏み出す価値があるかどうかという点です。

2. 予測可能なタスクは自動化し、AIは価値を生む場面で活用する

既存の機能では不十分と判断したら、次に確認すべきは、そのタスクに生成や推論が本当に必要かどうかという点です。入力と出力が明確で、同じ処理が繰り返し発生する場合は、ルールベースの自動化やAPIで十分に対応できることがあります。

例えば、先週火曜日にメールをクリックした人数をチームが確認したい場合、その数値はすでにデータセット内に存在しており、標準的な接続またはAPIで直接取得することができます。推論が不要なケースでは、生成モデルやエージェントを経由する必要はありません。

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
直接接続の方が確実に処理できる場合、AIを導入してもコストと不確実性が増えるだけです。タスクが単なる情報の取得から、その意味を読み解く段階へと移行したとき、状況は変わります。

こうした作業には生成AIが適しています。クリック数の把握にとどまらず、数千件の顧客の反応から浮かび上がるテーマを理解する必要がある場合、生成AIツールはその情報を大規模に統合・解釈することができます。こうしたパターンを手作業で特定しようとすれば、膨大な労力が必要になります。

目標は、AIをワークフローの中でプロセスや成果の改善に直結する部分に集中させることです。AIが価値を生む箇所を明確に絞り込むほど、ワークフローの他の部分で不要な複雑性を回避することが容易になります。

3. AIを既存のスタックに統合し、迂回を避ける

タスクに生成 AIを活用する価値があると判断した時点で、課題は「AIを使うかどうか」から「その機能をどこに組み込むか」へと移ります。この段階でよくある落とし穴は、AI体験がすべてを単独でこなすべきだという思い込み、あるいは既存のエンタープライズシステム全体をAIに合わせて再構築しなければならないという誤った前提です。

こうしたパターンをよく目にします。チームがプロンプトやAIが生成したカスタムコードを通じてAI体験の機能を次々と拡張し続けた結果、すでに自社に存在する機能を一から作り直してしまうというケースです。プレゼンテーションソフトウェアからプロジェクト管理ツールまで、あらゆる場面でこのような事態が起きています。

AIは新しいものの構築をいかにも簡単に見せてしまうため、このような状況が生まれます。さらに、そのAI体験をエンタープライズ規模で機能させるには、次のような要素への対応も必要になります:

一見すると素早い成果のように見えても、気づけば大規模なエンジニアリング投資が必要になることがあります。その負担を抱え込む代わりに、より効果的なアプローチは、AI機能を既存の基盤業務を担うシステムと連携させることです。

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
Model Context Protocol (MCP)などの標準規格を活用することで、AIツールとモデルが既存のエンタープライズシステムおよびガバナンスされたデータと連携できるようになります。つまり、すでに稼働しているシステムの信頼性を維持しながら、好みのモデルやインターフェイスを自由に選択することができます。

例えば、チームメンバーが自然言語を使ってプロジェクトの作成、更新、検索を行いたい場合、価値はAIインターフェイスをプロジェクト管理システムと連携させることにあります。既存のレコード、権限、プロセスはすべてそのシステム上に存在しているため、システムを再構築・維持することなく、まったく新しい操作方法を手に入れることができます。

4. エージェント型AIは複数ステップのオーケストレーションに活用し、ルーティンな自動化には使わない

AIをエンタープライズシステムに接続するだけで、ワークフローが自動的にエージェント型になるわけではありません。エージェントは複数のタスクとシステムにまたがって動作することが多いため、システム横断型のワークフローをすべてエージェント型として扱いがちですが、それは必ずしも正確ではありません。

その違いは、ワークフローを人が引き続き主導するのか、より大きな目標を達成するためにエージェントが次のアクションを自律的に判断できる権限を持つのか、という点にあります。

エージェントを活用すると、単一の応答を返すだけでなく、1つの指示だけで複数のタスクとシステムにまたがる一連の処理を開始することができます。このような複数ステップのオーケストレーションが真価を発揮するのは、処理の経路が固定されておらず、変化する入力をまたいで推論し、システム間でアクションを調整し、次のステップを自律的に判断することをエージェントに求める場面です。

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
手順が明確で繰り返し可能であれば、自動化で十分です。エージェントは、複数のシステムにまたがり、入力内容によって変化する作業のために活用してください。

ただし、ワークフローをエージェントに委ねると、データの信頼性、権限とコントロール、人による監督、コスト効率に対する要件も高まります。追加の自律性は、その複雑性とリスクを正当化するだけの十分な価値を生み出す必要があります。

先ほどのお客様対応の例を振り返ってみましょう。数千件の回答を共通するテーマに集約するには、生成AIで十分です。しかし、特定したテーマをCRMプロファイル、分析データ、サービスインタラクションと照合し、影響を受ける顧客セグメントを特定し、各ダウンストリームシステムで適切な対応をレコメンデーションまたはトリガーするといった、より踏み込んだ作業が必要な場合には、エージェント型ソリューションが効果的な選択肢となります。

Adobe CX Enterprise Coworker のようなエージェント型ソリューションは、まさにこうしたマルチステップの作業を支援するために設計されており、各ステップを個別に処理するのではなく、カスタマーエクスペリエンスとデータシステム全体にわたってアクションを調整します。

AIを最大限に活用するための意思決定の規律を構築する

AIの有効な活用方法についての判断は、現場に最も近い人材を巻き込むことで精度が高まります。品質の基準を知り、どのシステムが適切なコンテキストを持つかを把握し、どこで自動化や自律性を高めれば成果が向上するかを理解しているのは、まさにその人たちだからです。

こうした現場の専門知識を基盤にすることで、AIに関する意思決定は他のテクノロジー導入の判断と変わらないものになります。エンタープライズは常に、何を標準化し、何を統合し、どの新技術が投資に値するかを判断してきました。AIは選択肢の幅を広げますが、意思決定に必要な規律そのものは変わりません。

エンタープライズがAI対応のツールやエージェントを増やすにつれ、次の課題はそれらの機能をより広いスタック全体で連携させることです。次のブログでは、相互運用性がモデル、エージェント、エンタープライズシステムをより統合されたAIエコシステムへと結びつける方法を解説します。

関連トピックス

https://business.adobe.com/fragments/resources/cards/thank-you-collections/cx-enterprise-coworker