AIを現実世界に浸透させる方法とは

AI は「魔法」から「仕事」へ：現場に足を運ぶことが真の価値を生む理由

生成 AI のモデル性能は飛躍的に向上しているが、なぜ不動産管理や建築といった実社会の業務にはまだ浸透していないのか。Long Lake の共同創業者 Varun Shenoy 氏は、AI が経済的価値を生むためには「デモ」を超え、既存のビジネスプロセスを再設計する必要があると説く。

単なるソフトウェアベンダーではなく、事業そのものを所有・運営する「オペレーターオーナー」として現場に深くコミットすること。これが AI を共働者へと進化させ、真の生産性向上を実現するための唯一の道である。

技術の普及には「世代」を要する：電気の例から学ぶ

AI の普及は、単にツールを導入すれば終わる話ではない。歴史的に見れば、1880 年代に発明された電気ですら、完全に社会に浸透するには数十年を要した。

エジソンのデモが「魔法」のように見えた時代から、フォードの工場が電気化されるまでには以下のプロセスが必要だった。

• 既存の蒸気動力設備やモーターを撤去する
• 新しい機器を導入し配線する
• 従業員に新しい設備の使い方を訓練する

1924 年の電気化された移動式アセンブリラインのように、技術が社会に根付くには物理的なインフラ変更と人的な再教育が必要だ。AI も同様で、モデルの性能向上だけでは不十分であり、「既存の仕組みをどう変えるか」という課題こそが、今後 20 年間の最重要課題となる。

「ベンダー」ではなく「オーナー」になる戦略

Long Lake は、外部から AI ソフトウェアを販売する企業ではない。同社は不動産管理や建築、人事サービスなど、実社会の事業を直接買収し、運営している。

現在、35 社以上の事業を傘下に持ち、その中で AI の導入を進めている。この「オペレーターオーナー」という立場には、明確なメリットがある。

「AI が失敗した場合、それは顧客やベンダーの問題ではなく、我々自身の問題だ」

ソフトウェアベンダーとして遠隔でサポートする限り、現場の複雑さや責任の所在が曖昧になりがちだ。しかし事業を所有し、結果に責任を持つことで、Long Lake は現場のチームと密接に連携し、AI が実際に機能するように徹底的にコミットできる。

コパイロットから共働者へ：並列化の壁

AI エージェントが「コパイロット」から「共働者（Co-worker）」へと進化するには、単なるモデルの強化だけでは不十分だ。業務の性質によって難易度が大きく異なるからだ。

1. コード生成は比較的容易

エンジニアの仕事は本質的に並列化（Parallelization）しやすい。コード生成エージェントは、サンドボックス内で複数のジョブを同時に実行し、結果が揃った時点で PR（プルリクエスト）として提出できる。エンジニアたちは「7 つのジョブのうち 3 つ目が先に終わる」ことにも慣れているため、非同期処理への適応がスムーズだ。

2. サービス業務は「逐次性」の壁がある

一方、不動産管理や建築などのサービス業では、業務が逐次的（Serial）に行われることが常だ。例えば、メールを一つずつ手作業で片付けるようなプロセスだ。ここで問われるのは、「並列化されていない仕事をどう AI に処理させるか」という点にある。

「モデルがサービス分野の知識仕事に追いつくのを待つのではなく、コード生成の知見を活かし、知識労働自体を『コード』として表現できないだろうか」

Long Lake は、エンジニア向けの非同期エージェントの仕組み（サンドボックスやジョブキュー）を、他の業界にもどう適用するかを探っている。また、業務プロセスそのものを再設計し、AI が自律的に動ける環境を作る必要がある。

属人的ナレッジの構造化と学習ループ

生成 AI はインターネット上の膨大なデータで学習しているが、最も価値のあるタスクはネット上に存在しない。「領収書がない場合どうするか」「青写真から建築範囲をどう見積もるか」「屋根修理の業者をどう調整するか」などの知識は、社内の属人的ナレッジや古くからのシステムに眠っている。

Long Lake は、これらの「見えないデータ」を構造化し、学習ループ（Flywheel）を回す仕組みを作っている。

1. リッチなトレーシング: エージェントが従業員と協力して実務を行う際、ツール呼び出しやエラー、手動介入の記録など、詳細なログ（トレース）を残す。
2. 自動評価（Evals）: 得られたデータから「屋根は修理されたか」「帳簿は閉じられたか」という正解（Ground Truth）を基に、自動的に評価テストを生成する。
3. 継続的な改善: 毎週、これらの評価が回帰テストとして機能し、エージェントが徐々に賢くなっていく。

このプロセスでは、ユーザーの「いいね・悪いね」だけでなく、AI が生成したデータと最終提出データの差分といった暗黙的フィードバックも収集できる。これにより、Frontier モデルにはない独自性の高いデータで内部モデルを微調整（Post-training）し、実務に特化した AI を育てている。

結論：Zoom の向こう側へ

AI を現実に浸透させるためには、オンラインでのサポートや遠隔のデモでは不十分だ。重要なのは「極限のソフトウェア・サービス共設計」である。

現場に足を運び、人間とプロセスを一体として再設計する物理的な関与こそが、AI を単なるツールから真のパートナーへと変える鍵となる。技術の性能向上そのものよりも、既存のビジネスフローとの統合と再設計こそが、次の AI 時代の競争優位性を決めるのだ。