エンタープライズAIを組織の資産に変える

エンタープライズAIはもはや単発のAIプロジェクトを導入することではなく、AI、生成AI、分析の自動化を中核的なビジネスオペレーションに統合し、持続的なビジネス価値を創出することに重点が置かれています。AIの導入に成功している組織は、AIを独立した取り組みとして捉えるのではなく、ワークフロー、意思決定、戦略的実行に組み込むことで、効率性、イノベーション、競争優位性を推進しています。

単発のAIプロジェクトやPoC（概念実証）から、企業全体でのAIのオーケストレーションへの移行が加速しています。生成AI（GenAI）やAIエージェントは、複雑なワークフローの自動化、意思決定の高度化、生産性の最適化におけるビジネスのあり方を変革しつつあります。ただし、生成AIは従来の手法の代替ではなく、機械学習（ML）、予測分析、AIによる自動化の能力を拡張するものであり、継続的に進化するAIエコシステムを構築する役割を担っています。

エンタープライズAIをリードする企業は、単にAIを導入するだけでなく、ガバナンス、コラボレーション、柔軟性を備えたスケーラブルなAI基盤を構築し、AIが継続的にビジネス価値を生み出す仕組みを実現しています。これを的確に実行している組織は、業務効率を向上させ、イノベーションを加速させ、新たな収益機会を創出しています。

Dataiku ― ユニバーサルAIプラットフォーム ― は、企業がエンタープライズAIに対してまったく異なるアプローチを取っているのを、数多く目にしてきました。中には、有望なパイロットから始めながらも、個別プロジェクトを超えて展開できずに苦戦する企業もあります。一方で、AIを日々の業務に組み込み、ビジネス戦略の中核として活用している企業も存在します。これらの違いを生むのは、テクノロジーではなく「戦略」です。エンタープライズAIは、はじめからスケールを前提に構築されなければならず、AIをバラバラな取り組みの集合体ではなく、企業全体の中核的な能力として根付かせる必要があるのです。

スケーラブルなAI戦略を構築するために、組織が必要とするもの：

• 部門横断のコラボレーション：エンタープライズAIを成功させるには、企業全体の連携が不可欠です。エンタープライズレベルのAIを構築するには（英語）、ビジネスリーダー、IT部門、アナリスト、AIエンジニア、データサイエンティストといった多様な関係者が協力し、それぞれの役割を果たす必要があります。
• スケーラブルなガバナンス：エンタープライズAIシステムは、進化していく中でも、透明性があり、柔軟に適応でき、かつコンプライアンスを維持できるものでなければなりません。
• ビジネス資産としてのAI：AIは分析の枠を超え、リアルタイムの業務、自動化、収益創出プロセスに深く組み込まれるべきです。

このような体系的アプローチを採用する組織は、AIの個別プロジェクトから、持続的かつ複利的な価値を生み出す企業全体のAIエコシステムへと移行していきます。

AIをスケーリングするには、適切な運用モデル ― すなわち、AIをどのように管理、開発、展開していくかの体系的な枠組み ― が不可欠です。組織は通常、AIの導入が成熟するにつれて、これら5つのモデルを段階的に進化していきます。

1. 分散型／サイロ型
各チームが独自にツールや手法を用いて実験を行い、事業部門間でのコラボレーションはほとんどありません。この段階は通常短期間で終わるものの、本格的な投資の前にAIの価値を見極める役割を果たします。

しかし、各チームが成果を出し始めると、共通のインフラや専門性の必要性が明らかになります。この気づきが、コスト削減と効率向上を目的として、より中央集約型のモデルへの移行を促すことがよくあります。

2. 中央集約型センターオブエクセレンス（CoE）
中央集約型のチームが複数の事業部門に向けてAIプロダクトを開発、管理し、戦略的な整合性を促進しながらAI導入を加速させます。成功の鍵は、技術専門家とビジネスチームの連携によって、統一された戦略を構築できるかどうかにあります。

主な業務には、投資対効果（ROI）（英語）が測定可能なAIプロジェクトの優先順位付け、スケーラブルなデータ基盤の構築、エンゲージメントを促す成功事例の共有などが含まれます。このモデルはAI導入の初期推進に有効ですが、組織がAIの取り組みをさらに拡大していく中で、CoEは次の段階へと進化していくのが一般的です。

3. ハブアンドスポーク型
ハブアンドスポーク型モデルでは、AIの専門家は中央のハブに集約され、事業部門や各機能がAIプロダクト開発をより主導する形になります。ハブはインフラ、ガバナンス、イノベーションの進捗管理に注力し、スポークはAIのユースケースに優先順位を付け、導入を推進します。

この構造により、データチームは事業部門とより効果的に連携できるようになります。これにより、生成AI（GenAI）の導入といった最先端の取り組みを含むAIプロジェクトが、ビジネス目標と整合するように確保されます。AIの活用に成功している企業の多くは、このモデルを採用しており、中央での統制と現場での実行のバランスが取れています。

4.アクセラレーションセンター
組織の成熟が進むと、多くの場合、アクセラレーションセンターへと移行し、各領域の専門家によるAI活用の普及を促進します。このモデルでは、AIプロダクトの開発責任が事業部門に委ねられる一方で、ガバナンスやインフラに関する中央での指針は引き続き維持されます。

その結果、領域専門家が持つ深い知識を開発プロセスに活かすことで、イノベーションと俊敏性が高まります。この構造により、組織は複数の機能部門にわたってAIをスケーリングしながら、成果の見える化を実現できます。

5. 組み込み型（エンベデッド）
組み込み型モデルは、最も分散的かつ革新的なAIのアプローチを表します。このモデルでは、事業部門が最小限の中央統制のもとでAIの機能を完全に統合し、活用します。責任あるAIのガイドラインや厳選されたデータセットといった共有リソースによって一貫性は保たれますが、ビジネス機能は基本的に独立して運用されます。

このモデルは、強固なデータカルチャーを持つ成熟した組織に最適です。組織の中核的な原則を維持しながら、迅速なイノベーションを可能にします。

最適なモデルは、組織の成熟度やAI導入の目標によって異なります。組織がこれらのAI運用モデルを段階的に進んでいく中で、課題はAIチームの構築から、AIが持続的なインパクトをもたらす体制の確立へと移行していきます。ここで重要となるのが、AIをスケールさせるための戦略です。

ハブアンドスポーク型組織は、AIをスケールさせるために必要な統制を提供する

多くの企業はすでにエンタープライズAIを成功させるためのスキルを備えていますが、それらはチーム、ツール、機能ごとに分断された状態にあります。データチームやITチームは、インフラのスケーリング、セキュリティーの確保、モデルのパフォーマンス監視といった分野における専門性を有しており、一方でビジネスチームは、業務プロセスに関する深い知識、現実的なユースケースの理解、日々の業務に即した文脈を提供します。しかし、これらのチームが連携していなければ、どれほど高度なスキルがあっても、企業全体にわたるAIの成果にはつながりません。

この課題を解決するのが、ハブアンドスポーク型モデルです。

• ハブは、ガバナンス、インフラ、AIの専門知識を中央で提供します。これは特に、規制の厳しい環境において重要な役割を果たします。
• スポークはビジネスチームの迅速な行動を可能にし、現実のニーズに即した、費用対効果の高いAIソリューションの構築を支援します。

この構造により、組織全体でAIを生み出す人材を大幅に拡大しながら、AIを責任ある形でスケールさせるために必要な統制と監督も維持できます。そして、このモデルはすでに業界を問わず成果を生み出しています。フォーチュン500に名を連ねるライフサイエンス企業の中でも、このモデルを採用している例があります。

• AIユースケースにおけるタイムトゥマーケットが85％短縮
• 北米での新規取引売上が2億ドル超増加
• 150以上のAIプロダクトを本番環境に導入
• 750人以上のAIクリエイターがビジネス全体で連携

このオーケストレーションを可能にするのが、Dataikuです。ユニバーサルAIプラットフォームであるDataikuは、共通のインフラ、ガバナンスが効いたワークフロー、誰もが使えるツールを通じて、ハブとスポークをつなぎ、分散された人材をスケーラブルなビジネス成果へと転換します。

エンタープライズAIのスケーリングは、単に導入を拡大することではなく、AIの価値を時間とともに複利的に高めていくことにあります。先進的な組織は、単にユースケースの数を指数的に増やすのではなく、AIを継続的にオーケストレーションし、最適化し、洗練させています。

AIスケーリングにおける一般的な落とし穴：

• 効率性のないAIの拡大：ガバナンスが欠如していると、AIの複雑性がその効果を上回るスピードで増大してしまいます。
• 持続的な価値創出に苦戦：初期のAIプロジェクトは成功しても、明確なスケーリング戦略がなければ、その後の取り組みが停滞してしまいます。
• AIがサイロ化されたまま運用される：AIがチームごとに分断されたままであれば、戦略的な差別化要因ではなく、断片的なツールの集合体にとどまるリスクがあります。

エンタープライズAIを成功裏にスケールさせるには、継続的に進化するシステムとして構築する必要があります。最も効果的な組織は、AIの再利用と反復を優先し、新たな取り組みのたびに既存のアナリティクス、モデル、エージェントの機能を活用することで、その価値を積み重ねています。

再利用と最適化によるAIのスケーリング

AIは、組織が新しいユースケースを単独で開始するのではなく、既存のアナリティクスや機械学習モデル、またはエージェントの成功を基盤として活用する場合に最も効果を発揮します。スケーラブルなAI戦略は次の点に焦点を当てます。

• チーム間でAI資産を再利用すること：AIソリューションを一から作り直すのではなく、組織はモデルやオートメーションフレームワーク、データソース、データパイプラインなどを標準化する必要があります。これらの資産をまとめた標準的なリポジトリは、AIエージェントを構築する際にさらに有用であり、エージェントシステムにおいてツールとして活用できます。
• 戦略的にユースケースを拡大すること：AI開発は常に直線的に進むわけではなく、あるチームは生成AIから、別のチームはアナリティクスやモデルから始める場合もあります。重要なのは、毎回一から作り直すのではなく、既存のものを基盤にしてユースケースを発展させていくことです。
• 企業全体でAIをオーケストレーションすること：AIは業務プロセスに統合され、相互に結び付き自己強化するエコシステムを構築する必要があります。

構造化されたエンタープライズAIのスケーリング戦略がなければ、AIは断片的で重複し、非効率なままです。AIを継続的に進化するインテリジェンスシステムとして業務プロセスに組み込む組織は、長期的なインパクトと差別化を維持することができます。

AIを活用して効率を高め、価値を最大化する

長年にわたり、AIはコスト削減のためのツールと見なされてきました。すなわち、反復的な作業の自動化、業務の効率化、非効率の削減です。こうした利点は依然として価値がありますが、今日のエンタープライズAIリーダーは効率性だけが目的ではないことを理解しています。本当の機会は、スケーラビリティー、差別化、そしてビジネス変革にあります。

生成AIとAIエージェントは、組織がAI投資に取り組む方法を根本的に変えました。単なるコスト削減にとどまらず、先進的な企業はAIを活用してエンタープライズのワークフローを最適化し、生産性を高め、人材をより戦略的な業務に振り向けています。この変化により、AIはコスト削減ツールから、企業全体の変革を積極的に推進する原動力へと変貌しています。

無駄のないAIのスケーリング

AIのスケーリングは、もはやモデルをより速く本番環境に投入することだけを意味するのではありません。生成AIやAIエージェントを含むAIが継続的に改善され、信頼性を維持し、実質的なビジネスインパクトをもたらすことを確実にすることが重要です。組織は次の4つの重要領域に注力する必要があります。

1. 継続的に学習し適応するシステムとしてのAI

従来の固定的な学習、デプロイ、最適化サイクルに従う機械学習モデルとは異なり、現代のAIは有効性を維持するために動的に進化し続ける必要があります。AIを効果的にスケーリングするためには：

• AIはリアルタイムのインタラクションから学習する必要があります。AIエージェントや生成AIモデルは、ライブデータ、進化するビジネスニーズ、そしてユーザーからの直接的なフィードバックに基づいて継続的に調整されるべきです。
• オートメーションは人間の専門性を置き換えるのではなく強化すべきです。AIはビジネス上重要な判断を代替するのではなく、知的な推奨を提供することで人間の専門性を高めるべきです。
• AIが生成する成果物には継続的な監視が必要です。生成AIシステムやAIエージェントは、正確性、バイアス、信頼性について監視され、ビジネス目標やコンプライアンス基準に適合していることを確保しなければなりません。

2. モデル、AIエージェント、オートメーション全体にわたる統合的なAIガバナンス

AI導入が拡大するにつれて、組織は大きなリスクに直面します。それはガバナンスの分断です。構造化されたAIガバナンスのアプローチがなければ、AIエージェントやオートメーション、モデルがサイロ化して運用され、意思決定の不整合、規制上の抜け穴、そしてビジネスの不一致を引き起こします。

企業全体でAIガバナンスを確立するためには：

• ガバナンスフレームワークは、モデル、AIエージェント、オートメーションワークフローを統合しなければなりません。AIの監督は分断された仕組みに分けられるべきではありません。単一のガバナンスモデルにより、AIアプリケーションが説明責任を果たし、監査可能であり、ビジネスの優先事項と整合し続けることが保証されます。
• AIのパフォーマンス指標を標準化することは極めて重要です。AIの成功は技術的な正確性だけで決まるものではありません。AIの有効性は、そのビジネス上の関連性、セキュリティー、説明可能性、そして長期的な影響によって測定される必要があります。
• リスク管理はAIの複雑性に応じて進化しなければなりません。継続的なモニタリングにより、モデルのドリフト、不安定なAIエージェントの応答、コンプライアンスリスクを深刻化する前に検知する必要があります。

3. コスト最適化にとどまらず、AIで差別化する

経営層に「誰がAIを使っているか」と尋ねれば、全員が手を挙げます。しかし「競合にはできないことをAIで実現している人は」と尋ねれば、途端に静まり返ります。差別化はAIを持っていることから生まれるのではありません。それをどのようにスケーリングし、組織に組み込み、自社独自のものへと進化させるかにかかっています。

真のリスクはAIのコモディティ化です。競争優位のための戦略を持たずに生成AIやオートメーションを導入する組織は、結局のところ他と同じツールを同じ方法で使うことになりかねません。それは変革ではなく、参入の最低条件にすぎません。

先進的な組織は、オートメーションやコスト削減にとどまりません。彼らはAIを戦略的な能力として捉え、深く組み込み、絶えず改善し、大規模に再現することが困難なものとしています。これこそが差別化を生み出し、競争優位を維持する要因となります。

4. 生成AIとオートメーションを大規模に支援するためにAIインフラを最新化する

エンタープライズAIは、時代遅れのインフラではスケールできません。生成AI、AIエージェント、オートメーションには、リアルタイム実行、シームレスなデータアクセス、企業全体での相互運用性を前提としたAI基盤が必要です。分断されたAIスタックはイノベーションを阻害し、ガバナンスリスクを生み出すため、最新化は不可欠です。

生成AIとオートメーションを大規模に支援するエンタープライズAI基盤を構築するためには：

• AI、生成AI、オートメーションを一つのシステムに統合すること：AIは分断されたツールではなく、相互に接続されたエコシステムとして機能しなければなりません。集中型インフラにより、AIエージェント、モデル、ワークフローがシームレスに統合されます。
• AI主導の意思決定におけるボトルネックを排除すること：AIシステムには、リアルタイムのオートメーションや適応的学習を実現するために、高速で信頼性の高いデータパイプラインが必要です。
• 企業の成長に対応できる柔軟性を確保すること：AIはクラウド、オンプレミス、ハイブリッド環境全体で、再構成の障壁なく機能する必要があります。

AIインフラを最新化する企業は、AI実行の障害を取り除き、迅速なイノベーション、リアルタイムのオートメーション、そして企業全体でのインテリジェンスを可能にします。

エンタープライズAIをスケーリングするには、即時的で大きな成果と長期的な変革のバランスを取る二重のアプローチが必要です。多くの組織は、短期的なAIオートメーションかムーンショット的なイノベーションのいずれかに偏重しがちですが、真のエンタープライズ価値は両方を並行して進めることで生まれます。

AI導入を成功させるために必要な要素：

• 日々の数え切れないほどの業務プロセスを補完し、効率性、正確性、意思決定を高める日常的なAIユースケース。
• ビジネスモデルを再定義し、まったく新しい能力を生み出すことで、大きな競争上の差別化を推進するムーンショット的AIの取り組み。

オートメーションのみに注力する組織は停滞のリスクに直面し、ムーンショットに過剰投資する組織は不確実なROIに直面する可能性があります。重要なのは、両面でAIをオーケストレーションすることです。すなわち、日常的なワークフローにAIを組み込みつつ、変革的な進展を可能にすることです。

短期的かつ大きな成果をもたらすAIを実現する方法

1. 初期のユースケース群を定義する

インパクトと実現可能性のバランスを取るユースケースから始めましょう。これらのプロジェクトは、重要な問いに答える必要があります。

• 誰がこのプロジェクトの恩恵を受けるのか？
• それはどのように成果を改善し、また改善をどのように測定できるのか？
• なぜこのタスクにおいてAIは既存のプロセスより優れているのか？
• 潜在的なリスクとリワードは何か？
• データはどこから来るのか、すでに存在しているのか？
• プロトタイプと最終的なソリューションはいつ提供されるのか？

2. Dataikuでユースケースを加速する

Dataikuは、導入を迅速化するために設計された事前パッケージ化ソリューションを通じてAI活用を容易にします。これには以下が含まれます。

• Dataikuは、導入を迅速化するよう設計されたパッケージ化ソリューションを通じてAI導入を容易にします。これには以下が含まれます。
• チームを効果的にオンボーディングするための包括的なトレーニング教材。
• 迅速なプロトタイピングと本番化のためのツール。

このアプローチにより、組織は現実の成果をより迅速に達成しつつ、将来のユースケースに対応できる柔軟性を確保できます。

3. アンバサダーやアーリーアダプターを巻き込む

AIをスケーリングするには、導入を推進し、成功事例を共有し、カルチャー変革を促すチャンピオンが必要です。主なアンバサダーには以下が含まれます。

• ビジネスチーム：AIの価値をわかりやすい言葉で伝える。
• パワーユーザー：AIの利点を広め、同僚を巻き込む。
• チームリード：スキル向上の取り組みとコラボレーションを促進する。
• ITマネージャー：ガバナンスとデータアクセスのバランスを取りながら、スムーズな展開を確保する。

これらの推進者は、個別の成功からAIの広範な導入へと移行する上で重要な役割を果たします。

長期的なAI変革を実現するには

1. 生成AI時代に向けてAIガバナンスを再定義する

エンタープライズAIガバナンスは、生成AIやAIエージェントがリアルタイムの意思決定にますます組み込まれる中で進化しなければなりません。従来のMLOpsフレームワークではもはや不十分であり、組織は、ビジネス運営におけるAIの役割の変化に継続的に対応できる動的な監視体制を導入する必要があります。

先進的な組織は、次のような方法でガバナンスを強化しています。

• バイアス、コンプライアンスの欠落、セキュリティ上の脆弱性など、AIが生成するアウトプットを考慮したリスク管理の拡充。
• AIによる意思決定がビジネス目標と整合し続けるよう、リアルタイムでリスクを検知・軽減できるようにAIガードレールを自動化。
• モデル、自動化、AIエージェントにわたってAIの監視体制を統合し、大規模な運用において一貫性、説明責任、透明性を維持。

2. MLOpsを超えてAIライフサイクル全体のオーケストレーションへ

AIを個別のモデルとして管理するやり方は、もはや持続可能ではありません。予測分析から生成AIまで、AI全体をつなげたシステムとして継続的に学習、適応、改善させていくためには、AIライフサイクル全体のオーケストレーションへの移行が不可欠です。

AIライフサイクル全体のオーケストレーションにおける主な進展には、次のようなものがあります。

• リアルタイムのモデル最適化：AIは、定期的な再学習サイクルだけでなく、変化するビジネス環境に応じて動的に調整される必要があります。
• 統合されたAIオブザーバビリティー：ガバナンスはモデルドリフトだけでなく、データパイプライン、自動化ワークフロー、AIが生成するコンテンツにまで拡張されるべきです。
• 継続的な反復：AIエージェントやモデルは、ユーザーとのやり取りやパフォーマンス指標に基づいてアウトプットを最適化する形で、絶えず改善を重ねていく必要があります。

AI戦略にガバナンスとライフサイクルのオーケストレーションを組み込むことで、組織はスケーラブルで柔軟性があり、信頼性の高いAI運用の基盤を築き、イノベーションと長期的な価値のギャップを埋めることができます。

3. エンタープライズAIの拡大に向けてチームのスキルを強化する

AIの拡大は単なる技術的な課題ではなく、AIを効果的に活用できるよう人材を支援することが重要です。AI活用に成功している企業は、ごく一部の専門家だけを育成するのではなく、AIをすべての従業員の働き方の一部にしています。

• AIリテラシーは、技術チームにとどまらず、より広く浸透させる必要があります。AIを専門家だけのものにしておくわけにはいきません。意思決定者、アナリスト、現場の従業員すべてが、日々の業務の中でAIツールやインサイトをどのように活用するかを理解する必要があります。
• AIは、それを活用する方法を人々が理解して初めて価値を発揮します。AIを導入するだけでは不十分であり、チームはAIが生成したインサイトを精査、検証し、それに基づいて行動できなければ、本当のビジネス効果にはつながりません。
• 適切なツールがあれば、AIは誰にでも活用可能になります。エンタープライズAIプラットフォームは技術的な障壁を取り除き、非技術系のユーザーでも専門家に頼らずに自らの業務にAIを取り入れられるようにするべきです。

AIは、専門チームだけが扱うブラックボックスであってはなりません。AIの拡大に成功している企業は、少数のAI専門家を育成するだけでなく、AIを当たり前のように考え、使いこなす人材を全社的に育てています。

エンタープライズAIの拡大を成功させるには、短期的な成果と長期的な変革のバランスを取ることが重要です。これを実現するために、組織が取り組むべきことは以下のとおりです。

• 過去の成功を土台にAIの取り組みをオーケストレーションし、価値が積み重なるようにすることで、AIを孤立した実験のままにせず継続的な成果へとつなげる。
• 従来の機械学習から生成AIに至るすべてのAIアプリケーションにおいて、コンプライアンスの維持、リスクの軽減、継続的な改善を実現するために、ガバナンスとAIエンジニアリング運用の実践を導入する。
• AIを単なる技術的能力にとどめず、あらゆるレベルでの意思決定やイノベーションの基盤とするために、チームのスキルを強化する。

ユニバーサルAIプラットフォームであるDataikuは、AIの導入とスケーラビリティーのギャップを埋める力を組織に提供します。生成AI、AIによる自動化、予測分析のいずれに取り組んでいる場合でも、Dataikuは継続的に学習し、拡張し、確かな価値をもたらすAIの基盤となります。

• インパクト創出までの時間を短縮：あらかじめ用意されたツール、自動化されたワークフロー、直感的なインターフェースにより、複雑なAIプロジェクトでも迅速に価値を提供できます。
• エンドツーエンドのガバナンス：Dataiku Govern（英語）やLLMガードをはじめとする組み込み型のセーフガードにより、コンプライアンスの確保、リスクの軽減、持続可能なスケーリングを実現します。
• AIリテラシーと民主化：Dataikuはローコードとフルコードの両方に対応しており、ビジネスユーザー、データサイエンティスト、IT部門の間での円滑な連携を促進し、さまざまなチームがAIを活用できる環境を実現します。

Dataikuは、AIを単に簡単にするだけでなく、競争優位性へと変革します。AIを日々の業務に組み込むことで、組織はAIを効率的に拡大し、ROIを最大化し、将来に強いビジネスを実現できます。

お客様の声：

Dataiku provides the best in class data analytics and AI platform. The platform was able to natively integrate with enterprise systems and meet all security and compliance requirements. We have been able to successfully to scale to multiple business units across designers and explorers. Also, there is flexibility in customizing and building custom components that can be integrated with the platform. Most of all, it provides the ability for teams to collaborate across all

— Senior Director of IT in the Banking Industry (Source: Gartner® Peer Insights™)

Gartner® Peer Insights™, Dataiku in Data Science and Machine Learning Platforms
https://www.gartner.com/reviews/market/data-science-and-machine-learning-platforms/vendor/dataiku/product/dataiku?source=highest-rated-multi
GARTNER is a registered trademark and service mark of Gartner and PEER INSIGHTS is a registered trademark of Gartner, Inc. and/or its affiliates in the U.S. and internationally and are used herein with permission. All rights reserved.
Gartner Peer Insights content consists of the opinions of individual end users based on their own experiences, and should not be construed as statements of fact, nor do they represent the views of Gartner or its affiliates. Gartner does not endorse any vendor, product or service depicted in this content nor makes any warranties, expressed or implied, with respect to this content, about its accuracy or completeness, including any warranties of merchantability or fitness for a particular purpose.

Dataikuとの協働により、AIや生成AIの可能性を最大限に描くことができ、それをDoosanのビジネス戦略や業務に組み込むことが可能になりました。これは、「AI Everywhere」というコンセプトを構想し、それを現実のものとするための重要な第一歩であり、実践的かつ画期的なアジャイルイノベーションを推進する原動力となっています。

— Robert Oh氏、Doosan Corporation コーポレートデジタル部門 EVP（エグゼクティブ・バイス・プレジデント）