Cushman & Wakefieldが築いた全社AIのデータ基盤

Cushman & Wakefieldは、5万3千人を超える組織でAIを個別実験の集まりにせず、共通のデータと事業成果へ結び付けた4年間の取り組みを紹介しました。

今回のブログ記事で語られていること

同社が重視したのは「AI pilot craze」を追うことではなく、技術者を各事業部へ埋め込む製品運用モデルです。技術側にも売上とEBITDAへの責任を持たせ、サイバーセキュリティや基盤以外の技術投資は事業責任者と共同で提案する形へ変えました。全社で一組の優先成果を持つため、事業ごとの柔軟性を残しながら、同じ機能やデータ基盤を重複して作ることを抑えています。運用モデルは4年間で3回成熟させており、固定した組織図より変化へ適応する能力を重視しています。

Databricksは、各事業部向けの機能を組み替えられる共通のインテリジェンスレイヤーとして使われています。Genieにより、業務利用者が自然言語で欠損・不整合レコードを探し、システム間の品質を確かめ、ガバナンスポリシーやコンプライアンス指標を確認できると説明しています。108年の歴史を持ち、人を介して知識が移動してきた会社で、洞察の流れを段階的にデジタル化する狙いです。新しいクライアントや買収先のオンボーディングも含め、アイデアから成果までの時間は月単位から日単位へ短縮したとしています。

事例が示すのは、AIモデルを先に全社へ配るだけでは信頼を作れないということです。投資判断、アーキテクチャ標準、データ品質、教育、人の行動変化を同じ運用モデルへ置き、技術チームの仕事を決算説明で示す成果へ結び付けています。Databricksの個別機能だけで再現できるものではなく、事業側の共同責任と共通基盤を崩さない資金配分が前提です。AIが戦略を変えたのではなく、以前から続けた基盤戦略の速度を上げた、という読み方が重要です。

同社が強調する人の行動の変化は、利用率だけでなく、質問への回答時間、重複作業、データ品質修正までの時間で測ると実態を捉えやすくなります。

今回のブログ記事が関係する人

複数事業部でAIを展開するCIO、データ責任者、プラットフォームチーム、業務部門の製品責任者に関係します。

結局、今回のブログ記事をどう読むべきか

AI案件ごとに事業責任者、期待成果、共通データ、品質指標を結び付けます。Genieの自然言語確認は専門的な品質検査の代替とせず、誰が修正を承認し、全社標準へ反映するかを決めておく必要があります。