伊藤忠商事の生成AI新規事業、社員のアイデアを8つの企画と試作品へ

出発点にあったのは、幅広い事業分野を担当する社員がそれぞれ抱える業務上の課題と、自社らしいデータ活用法をどう見つけるかという問いでした。議論の器としては、有志が本業以外の案件に関われる「バーチャルオフィス」がすでに動いており、新規事業の創出に向けた話し合いも重ねられていました。

編集部の見立てでは、ここでの詰まりは課題の数ではなく、課題を最もよく知る人と、それをAIで形にする技術との距離にあったのではないでしょうか。総合商社のように扱う事業が広い組織では、解くべきテーマは各カンパニーの現場に分散して存在します。中央の一部門が代表して拾いにいく進め方では、扱える範囲がどうしても細ってしまう。解決策を配るのではなく、現場の社員自身が生成AIを扱える状態をつくる方向へ進んだ背景には、そうした構造への判断があったと考えられます。

教育を最初の一手に据え、そこからMVP構築までを一本の流れとして設計したことが、この取り組みの骨格になっています。生成AIの基礎知識の提供と、短い周期で作りながら考えるアジャイルコーチングのカリキュラムが先に置かれ、その延長線上にアイデアソン、企画の絞り込み、試作の構築が並んでいました。ツールを配ってから使い道を探すのではなく、扱える人を先に増やしてから題材を出させる順序になっている点が要と言えます。

発散と収束を明確に分けた進め方も効いたと見ています。アイデアソンでは各カンパニーの事業課題に対する案を数多く出し、その後にデータサイエンティストとの壁打ちを通じて8個へ絞り込むという二段構えが取られました。技術側の視点を早い段階で当てることで、実現の見込みが薄い案を抱えたまま先へ進む事態を避けられます。アイデアの量を確保する場と、それを技術的な現実に照らす場を別に用意した設計が、企画としての昇華を支えたのではないでしょうか。

技術面では、Azure OpenAI ServiceやMicrosoft Fabric、Azure Databricksを組み合わせた基盤のアーキテクチャを先に考案し、そのうえでMVPの構築に入る手順が取られています。生成AIの部分だけを切り出さず、データを蓄えて扱う仕組みまで含めて土台を決めてあれば、8つという複数の企画を同じ基盤の上で並行して試せます。個別に環境を作り込む場合と比べ、試作の立ち上がりが速くなる構えです。

現場の社員が主体となって生成AIとデータを活用する体制が整い、各事業が抱える業務課題の解決に向けた検討は具体的な段階へと進みました。取り組み自体も日本マイクロソフトから最先端のAI活用事例として評価され、「Microsoft Ignite Japan」で紹介されています。一方で、絞り込まれたビジネスプランの事業化支援や外販AIサービス開発への協力は、これから期待される段階にあります。