キリングループのAI予測基盤を移行しツール利用費80%削減、3カ月の移行設計

出発点にあったのは、AIの精度や性能ではなく、契約と機能の制約でした。従来のAI SaaSには大きな機能制限があり、あらかじめ定義したプロジェクトの範囲でしか使えません。グループ全体でAI活用を進める方針を掲げながら、実際に使うプロジェクトのほうを絞り込むという逆行した運用が生まれていました。料金も定額制で、利用の少ない月でも同じ費用が発生します。

編集部の見立てでは、本当の困りごとは費用の高さそのものではなく、「まず試してみる」という行為に費用と手続きの重さが張り付いていたことではないでしょうか。予測AIは、実際に当ててみるまで役に立つかどうかが分からない領域です。使う前に対象を絞らせる仕組みは、成果の出る用途を見つける機会そのものを減らしてしまう。キリンビールの9つの工場のうち1工場でしか予測ツールが使われていなかった状況は、その帰結として読み取れます。

3つの製品を並べたときに機能面の差がほとんどなかったため、選定の軸を機能比較から課金形態へ移した判断が、この移行の起点になっています。従量課金であれば使った分だけの支払いで済み、月ごとに利用量が上下しても無駄が出ません。予測モデルの試作は、使えるものが出るまで何度も回す性質があり、年間の利用量をあらかじめ見積もりにくいという事情があります。定額を前提とした契約では「使わないかもしれないから申請しない」という判断が働きますが、従量課金はその判断自体を不要にします。

もう一つの要因は、移行作業と並行して、グループ各事業会社がいまAIをどう使い、これから何に使いたいのかを聞き取る場を10回以上設けた進め方です。基盤の入れ替えは本来システム側の作業で完結しますが、ここでは利用者側の理解をつくる工程が同じ期間の中に組み込まれました。切り替え時に混乱がほとんど起きなかったのは、事前に各社の使い方が把握され、それに合わせた説明が届いていたためと考えられます。支援を担ったG-genはGoogle Cloud Japanからの紹介で参画したパートナーで、環境構築だけでなく、この聞き取りと説明の部分も役割として引き受けています。

基盤を切り替えた時点で支援を終わらせず、移行後の利活用促進を別のフェーズとして残した設計にも注目したいところです。ツールを置き換えるだけでは、使う人の数は自動的には増えません。移行を完了ではなく出発点として位置づける組み立てになっています。

ツール利用にかかるコストは、従来と比べて80%削減されました。機能制限がなくなったことで、あらかじめ定義したプロジェクト以外でもAIを使えるようになり、キリンビール9工場のうち1工場にとどまっていた予測ツールの利用を、他の工場へ広げる動きが出ています。従業員からは、シンプルで分かりやすい、使う際の心理的ハードルが下がったという反応が寄せられ、各社へ活用支援を行う立場からは教育がしやすくなったという受け止めも生まれています。