「AIを導入しただけ」で利益の上がらない“がっかりDX”脱却 年商1.9兆円の米EC大手に学ぶ「独自データ」の作り方： がっかりしないDX 小売業の新時代（3/4 ページ）

AIモデルの性能は急速に高まり、どの企業も最先端のモデルを利用できる。それでも経営成果に差がつくのは、AIに渡すデータと、AIを組み込む業務の設計が異なるからーー。自社固有のデータを蓄積する米EC大手Wayfairの事例から、日本の小売業が学べるAI導入のための点検手順を紹介する。

[郡司昇，ITmedia]

AIを使うほど固有の判断データが手元に残る

　この仕組みの価値は、寸法の誤りを見つけることだけではありません。運用を続けると、次のデータが蓄積されます。

• 約5000件の人手による正解ラベル
• 社内担当者による品質確認の結果
• AIが問題ありと判定した商品
• 仕入先が確認・修正した結果
• 特殊な形状や複数パーツ商品に対する判断基準

　これは、先ほどの「事実・文脈・判断・結果」が業務の中で結び付いた状態です。

　競合企業も同じAIモデルを契約できますが、同社の担当者と仕入先が蓄積した確認結果までは買えません。

　判断にAIを使うほど、自社固有の判断データが増えます。そのデータによって、次の判定精度が上がるのです。ウェイフェアが築いているのは、単発のAI機能ではなく、この循環だといえます。

AIのコストは導入後に最適化する

　ウェイフェアは、商品タグの検証にもマルチモーダルAIを使っています。

　商品タグは、素材、形状、部屋、スタイル、色、収納機能、組み立て方法など、検索、絞り込み、推薦を支えるデータです。タグが誤っていれば、商品が検索結果に出にくくなり、絞り込みの信頼性も下がります。

　課題はコストです。同社は当初、100万商品を検証するパイロットの推論費用を約40万ドルと見込んでいました。そこで5人の機械学習担当者が3日間で110通りの構成を検証しました。

　見直した対象は、モデルのほか、複数タグの一括処理、プロンプト構造、出力形式、使用画像など、システム全体に及んでいます。結果として、推論コストを当初予測比で94％削減しました。

　「高性能なモデルを採用したら終わり」ではありません。精度、見逃し、誤検知、推論費用を継続的に測り、業務として成立する水準まで調整しています。

顧客対応では人が送信前に確認する

　ウェイフェアの顧客対応AI「Wilma」にも、同じ設計思想が見られます。

　Wilmaは顧客情報、注文情報、商品情報などを基に、問い合わせへの回答案を作成します。AIが顧客へ直接送信するわけではありません。担当者が内容を確認し、必要に応じて編集してから送信します。

　同社が公表した資料によると、Wilmaを使う担当者は対応が12％速くなりました。ポリシーの順守も、問い合わせの種類に応じて2〜5％向上しています。

　ここでも、AIと人の役割が明確です。

　AIは、情報の収集と回答案の作成を担います。最終判断は、顧客とのやり取りを把握した担当者が担います。

　さらに、担当者が採用した回答、編集した箇所、使わなかった提案を記録すれば、それ自体が次の改善データになります。