Emerging Economics: Token Pricing and the Case for Local Inference
Part 4 in the Demystifying Recent AI Advances Series The previous three posts in this series covered what the models are, how much autonomy to
AIに任せているのは「判断」ではなく、「判断材料づくり」である
これまでの連載では、同じデータ、同じ定義を使うことの大切さを書いてきました。今回の話は、その延長にあります。AIが作る判断材料の質は、元のデータと、「何を異常と呼ぶか」という定義の質で決まります。データがばらばらで、定義が人によって違えば、AIは速く、大量に、間違った判断材料を作ります。どこまで任せるかを考える前に、判断材料の質を揃えておく必要があります。 ※第1回:「経営KGIと現場KPIをつなぐ」、第2回:「同じデータ・同じ定義」を誰がつくるのか、第3回:「同じ判断材料の共有」についてお話ししました。 「AIが判断したので」は会議で通るか 「それはAIが判断したことなので」。この言葉を、経営会議で口にできる人はいないはずです。 AIが賢くなるほど、「どこまで任せるか」は技術の問いではなく、経営の問いになります。今回は、弊社が製造業のお客様と取り組む中で見えてきた、「判断の仕分け」の考え方をお話しします。 結論を先に述べます。公開されている事例を見る限り、AIに任されているのは「判断」ではなく、「判断材料づくり」です。 判断を3つに分ける 「AIに任せるか」と問われると、判断を1つの塊として考えがちです。しかし判断は、少なくとも3つに分けられます（図１）。 判断材料づくり：見る、集める、整える、比べる 決める：選択肢から選び、結果に責任を負う 実行：決めたことを現場で行う 設備保全で言えば、センサーを見て異常を見つけ、マニュアルや過去の記録を集め、対策案を比べるのが材料づくりです。どの対策をいつ実施するかを決め、実際に作業するのが、その先の2つです。 図1．判断は3つに分けられる 判断材料づくりは、量が多く、速さが求められ、人には負担の重い仕事です。一方で「決める」には、結果への責任がついてきます。責任を負えるのは人だけです。ここに、仕分けの出発点があります。 4つの事例に見る共通点 弊社の公開事例を見ると、共通する構図があります。 弊社の公開事例 AIが担う部分（材料づくり） 人が決める部分 Georgia-Pacific社 150超の拠点で約85,000個の振動センサーを監視 異常予兆検出をするAIモデルは30,000個超 運転員・監督者が、修理を計画保全にまとめて日程を決める ロッキード・マーティン社 飛行データからの部品故障の予測
SAS Championship: Then and now
We took a trip around SAS Championship, revisiting some familiar locations with photos from the tournament’s first year. As SAS celebrates 50 years, we’ve looked
Did you know? SAS Technical Support is included
As a Technical Support Engineer, I’ve worked with SAS customers for a long time, and every so often I hear questions from customers that still
The clinical data foundation wasn’t designed for the AI era
There has been no shortage of discussion about accelerating clinical development. Over the past decade, life sciences organizations have invested heavily in advanced analytics, cloud
Beyond calcium: Supporting bone health through menopause and beyond
Bone is living tissue that is continually broken down and rebuilt. Although skeletal health often gets prioritized only after a fracture or a diagnosis of
意思決定プロセスを再設計せよ～SAS Innovate on Tour Tokyo 2026 開催報告
2026年7月22日（水）、赤坂インターシティコンファレンスにて「SAS Innovate on Tour Tokyo 2026」を開催いたしました。事前登録は721名、当日は522名の皆さまにご参加いただきました。 今年のテーマ：「AI活用」は意思決定の再設計である データ活用、データ基盤の構築、生成AIの導入、AIエージェントの導入。多くの企業がこうした取り組みを進める一方で、期待した成果につながらないケースも少なくありません。「AI活用」という手段が目的化し、本来見直すべき業務プロセス、すなわち人がどう判断し、どう意思決定するかという仕組みそのものが問われないままになっているーこれが、SASとSASのお客様の間にある問題意識です。 価値を生み出すために必要なのは、データの統合ではなく、意思決定の統合です。従来の意思決定は局所化・サイロ化しがちで、そのような状況のままAIを既存のプロセスに当てはめるだけでは、成果は限定的で単純な効率化にとどまります。収益の最大化、そしてその前提となる顧客体験の最大化という原点に立ち返り、全社視点で価値提供を最適化すること。企業が商品を設計して消費者に情報を提供する従来の流れから、顧客起点のデータに応じて企業がビジネスモデルをフィットさせていく流れへ。AIを前提に新たなビジネスプロセスやサービスの在り方を設計し、非連続な変革につなげること。問われているのは、たとえば顧客中心の視点で、判断・意思決定のプロセスそのものを再設計する力です。 SASの信頼できるエージェンティックAIは、ガバナンスと説明可能性に裏打ちされた“根拠が追える意思決定”を可能にします。組織内外の知見とデータをつなぎ、価値創出とイノベーションを加速する。この一日は、そうした「意思決定の再設計」を軸に、オープニングセッション、Japan Keynote、ランチセッション、業界別ブレイクアウトセッション、Innovation Hubを通じて、さまざまな角度から掘り下げる場となりました。 オープニングセッション：信頼できる意思決定の土台 オープニングセッションでは、SAS本社のエグゼクティブ陣が登壇しました。意思決定を再設計するうえで欠かせない「信頼」「ガバナンス」「データ」「業界知見」という4つの土台が、それぞれの視点から語られました。 人の創造力とAIが、価値創出へと結びつく瞬間 冒頭、AIは人間を置き換えるものではなく、人間の観察力や意思決定を拡張する技術であると説明され、エージェンティックAIの活用にはガバナンスとガードレールによる精度と再現性の確保が重要であると強調されました。具体例として、Epic GamesおよびGeorgia-Pacificと連携したデジタルツインの取り組みや、デンマークの医療機器滅菌サービス企業Sterilcentralにおけるコンピュータビジョンと合成データを活用した安全管理の事例が紹介されました。 イノベーションを加速するAIガバナンス 次に、SASは、AIガバナンスを「人間の判断力を組織全体に拡張する仕組み」と位置づけていることが示されました。IDCとの共同調査から世界の企業の46％がAIに対する“信頼のジレンマ”を抱えている現状が共有され、これを解決する新製品として「SAS AI Navigator」を紹介し、ガバナンスが責任あるAI活用を加速する基盤であることが示されました。 データから意思決定へ、全社規模で このパートでは、SAS Data Makerを用いた合成データ生成によりデータの偏りを解消し、不正取引の検知率を4％から53％まで引き上げた事例が紹介されました。また、RAGテクノロジーの製品 SAS Retrival Agent
Can data show where cancer outreach is needed most?
Organizations have access to more data than ever before. The challenge has shifted from finding data to making sense of it. Understanding where programs are
From Chatbots to Agents: The Autonomy Spectrum and the Plumbing Beneath It
Part 2 in the Demystifying Recent AI Advances Series In Part 1 of this series, we toured the model zoo. We covered what separates LLMs,
Word.
AI tools hold great promise. But insurers must set a solid strategy and treat AI outputs as decision support, not decision makers. The post Word.
