- MITの「2025年ビジネスにおけるAIの現状」レポートによると、企業は生成AIに300億～400億ドルを費やしましたが、95%が投資収益を得ておらず、「GenAIの格差」を乗り越えたのはわずか5%です。
- Qlik & ESG：94%の企業がAIへの投資を増やしているが、効果的に運用できているのはわずか21%です。 Informaticaによると、主な原因は質の低いデータ、準備不足、未熟なインフラです。
- 問題はAIモデル自体にあるのではなく、統合の欠如、データとの適合性の測定不能、従業員の期待、そして動的なガバナンスにあります。
- 従来のフレームワーク（RICE、ICE、MoSCoW）がAIで失敗する理由は次のとおりです。
- Reach（リーチ）は絶対的なユーザー数に依存し、誇張されやすい。
- Confidence（自信）は主観的で、データのリスクやモデルの能力を無視している。
- Effort（工数）はコーディングのみを考慮し、データクリーニングのコストを考慮していない。
- Impact（インパクト）は、AIが人間を支援または代替する可能性があり、行動が一貫しないため、測定が困難。
- Appleの研究「思考の錯覚」は、大規模推論モデル（LRM）の限界を指摘しています：訓練データを超えた一般化の難しさと、不安定な挙動。
- スタンフォード大学の2025年の研究（100職種/800タスク）によると、従業員は仕事の約50%でAIの支援を望んでいますが、多くのAIプロジェクトは的外れなタスクに焦点を当てています。提案された「ヒューマン・エージェンシー・スケール」は、最高の価値が代替ではなく支援にあることを示しています。
- RICEに代わるものとして、ARISE（AI準備度・インパクトスコアリング評価）が生まれました：
- リーチ、インパクト、自信、工数を維持しつつ、その尺度を標準化します。
- 3つの新要素を追加：AI Desire（真のニーズ）、AI Capability（データ、モデルの成熟度）、Intent（AIによる支援か自動化か）。
- 計算式：ARISEスコア = (リーチ * インパクト * 自信 / 工数) × AIニーズ × AI能力 × 意図乗数。
- 例：AIコーディングアシスタント（ARISEスコア=20）は、データ能力がまだ弱いため、自動バグ修正AI（スコア=1）よりも優先されます。
- ARISEは、企業が見栄えの良いデモに惑わされることなく、人間とAIのバランスを取りながら真の価値を持つプロジェクトに集中するのを助けます。
📌
生成AIに300億～400億ドルが投じられたにもかかわらず、95%の組織が利益を得られていない主な理由は、時代遅れのプロジェクト管理フレームワークとデータの準備不足です。RICEに代わるAIネイティブなツールとしてARISEが登場し、AIへのニーズ、能力、意図という指標を追加することで、実現可能性と実用的な価値を保証します。これにより、企業はよくある過ちを避け、適切なAIプロジェクトを優先し、人間支援と自動化のバランスを取ることができます。
