実際に機能する、人間＋AIの戦略

明確なユースケースも、チェンジマネジメントの計画も、そして支援されるはずの人々への配慮もないままAIを導入すると、何が起こるのでしょうか？ 失敗です。しかも、AMCSのChief Innovation Officerであり、*The People, Places and Things* の著者でもあるEvan J Schwartzによれば、その失敗は予測可能であり、回避可能でもあります。今回のCTRL+Listen Podcastでは、Evanが、エンタープライズソフトウェア、ERP導入、そして林業、鉱業、スクラップメタル、廃棄物業界にまたがる産業オートメーションの分野で35年以上にわたって培ってきた、苦労の末に得た知見を共有します。



AIを活用した予知保全やフリート最適化から、AIをあらゆる場面で使おうとするユースケースの危険性まで、Evanは「人＋AI」戦略の重要性を説きます。つまり、狭く明確に定義されたAIのタスクを連携させ、相乗的な効果を生み出すアプローチです。さらに、AIがソフトウェア教育をどう変えつつあるのか、AI時代においては専門特化型よりゼネラリストのほうが生き残る理由、そして廃棄物・リサイクル業界が私たちに教えてくれるオペレーション効率化の知見についても掘り下げます。



Evanについてさらに詳しく →



Evanをフォロー → 

エピソードを聴く

エピソードを視聴する

主なポイント

• 多くのデジタルトランスフォーメーションおよびAI施策は、技術ではなく定着の問題によって失敗する。 ERPやAIプロジェクトが高い確率で頓挫するのは、組織がチェンジマネジメント、文化的適合性、そして現場の運用の複雑さを過小評価しているためです。
• 変革を成功させるには、構造化された、人を中心に据えたフレームワークが不可欠である。 「カスタマージャーニー」アプローチは、明確なフェーズ、適切なベンダー選定、そして標準的なプロジェクトマネジメントを超えた実践的な定着ステップを重視します。
• AIは、人を置き換えるものではなく、人の力を増幅する存在として最も効果を発揮する。 狭く明確に定義されたAIユースケースを人間の判断と組み合わせることで、効率、物流、予知保全、収益性において相乗的な改善が生まれます。
• オペレーション効率とサステナビリティは、経済的に両立する。 物流、フリート、資源利用を最適化することで、コスト削減、フリーキャッシュフローの増加、環境負荷の低減が実現し、サステナビリティはトレードオフではなくビジネス上の優位性になります。

トランスクリプト

James Sweetlove: みなさんこんにちは。Octopartがお届けするControl+Listen podcastでJamesです。本日もお聞きいただきありがとうございます。

本日は特別ゲストとして、Evan Schwartzさんをお迎えしています。AMCSのChief Innovation Officerであり、Evan J Schwartzの創業者兼CEO、さらにJacksonville Universityの非常勤教授でもいらっしゃいます。ご参加いただき本当にありがとうございます。

Evan J Schwartz: こちらこそ、James。お招きいただきうれしいです。ありがとうございます。

James Sweetlove: この収録の前にも少しお話ししましたが、番組で取り上げる内容について、ぜひ深く伺えるのをとても楽しみにしています。

まず最初に、ご経歴について、そしてEvan J Schwartzさんがどのような方なのか、少し教えていただけますか？

Evan J Schwartz: もちろんです。

私の原点は、IT業界でよく耳にするような話にかなり近いです。コンピュータ黎明期、ダイヤルアップの掲示板システムが使われていた時代に、私はゲーム開発を始めました。その経験のおかげで、テクノロジーに自然と慣れ親しみ、ユーザーエクスペリエンスや、当時の新興技術だったダイヤルアップモデムについて深く理解できるようになりました。

そこから私はすぐにビジネスの世界に入り、さまざまな業界で非常に多くの機会を見いだしました。特にウェルスインダストリーでの経験が大きく、それが35年以上前の話で、今に至ります。

現在も、企業のオペレーションシステム、フリーキャッシュフローを生み出すエンジンのような仕組み、オートメーションシステムなど、企業運営を支える領域に深く関わっています。特に、林業、鉱業、リバースロジスティクス、スクラップメタルなど、利益率が厳しく、プロセスを徹底的に最適化・自動化する必要がある業界に、キャリアを通じて一貫して携わってきました。

Evan J Schwartzは、そうした活動から派生した個人的な取り組みです。長年にわたり、企業が大規模なERPシステムを導入し、その過程で組織全体に大きな変化をもたらす様子を見続けるうちに、私はこのテーマに強い情熱を持つようになりました。Gartnerの最近の統計も、私がキャリアを通じて見てきたこと――後始末を任されたときもあれば、自分自身がその一部として乗り越えようとしていたときもありますが――と一致しています。つまり、企業運営を支えるこうした大規模エンタープライズシステムの導入では、定着段階での失敗率が非常に高いのです。

そこで、Evan J Schwartzと「カスタマージャーニー」は、私なりの解決策として生まれました。まず本を書いたのは、35年以上にわたりこの現場に身を置き、実際に経験し、見てきたことに文脈を与えるためです。そして「カスタマージャーニー」は、フレームワークを書き上げようという私の試みでした。

プログラムマネジメントやプロジェクトマネジメントは、それ自体がひとつの学問と言えるほど進化してきたと思います。しかし私自身の直接的な経験から、新しい業務システムやソフトウェアを導入し、定着させるには、非常に特有のアプローチが必要だと感じています。ですから「カスタマージャーニー」とは、一般的なプロジェクトマネジメントのベストプラクティスやプログラムマネジメントのベストプラクティスの上に重なる形で機能しつつ、失敗率70%につながる独特の課題をカバーするフレームワークなのです。

今まさにそれが起きています。AIもまた、デジタルトランスフォーメーションの一形態です。昨年、MITは、AI施策の95%がROIを達成できていない、あるいは失敗しているというレポートを出しましたよね。そして失敗の理由は同じなんです。だから私は、「これを止める方法があるはずだ」と思ったのです。

「カスタマージャーニー」は、あらゆるデジタルトランスフォーメーションを導入する際のすべてのフェーズを扱っています。顧客の視点から、何をすべきか、どうベンダーを選ぶか、どうソフトウェアを選定するか、どうプログラムを計画するかを示します。落とし穴はどこにあるのか、どこで計画が狂いやすいのか、そしてどうすればフリーキャッシュフローを生み出し、EBITDAを押し上げるような成功した導入にたどり着けるのか――そうしたことをすべて示すものです。

そもそも企業がこうしたシステムを導入する理由は、財務を改善するためです。単にデジタルシステムを持つこと自体が目的ではありませんよね。財務面で実際に成果を動かさなければならないのに、その多くがうまくいっていないのです。

二桁どころか、二桁上のオーダーというほど深刻で、驚くべき話です。2年前には、ドイツのSAP導入案件が、最終的に中止されるまでに6億5,000万ドルもの予算超過を起こしたという記事が大きく報じられました。価値は何も生まれず、ただ損失を垂れ流すプロジェクトとなり、完了にすら至らなかったのです。

だから私は、「もう十分だ」と思いました。継続的かつ再現性をもって成功する方法はある。ならば、そのフレームワークを人々の前に示そう、と。私が話してきた人たちの中には――本の中にも登場する親しい友人のJohn Leonard、FlorachemのCEOがいますが――彼は私との関係がありながら、導入支援を頼まず、別のソフトウェアを導入して、結果的に悪い結末を迎えてしまいました。

その後、彼が私のところに来て、一緒に座って話しました。私は、「ここはこうすべきだった」「こういうやり方もあった」と説明したんです。すると彼は、「なんてことだ、関わる前にそれを知っていたらよかったのに」と言いました。

彼の話の結末は、使えないソフトウェアの5年間のライセンス料を払い続ける羽目になっている、というものです。ひどい話ですよね。そして避けられたはずなんです。そこが一番つらいところで、これは偶然の失敗ではありません。止めようのない列車事故のようなものではないのです。よく知られ、よく文書化され、あまりにも頻繁に起きるので、人々はその失敗を前提に過剰な計画を立てるほどです。

目標は、十分な数の人にこの情報を届けて、こうした失敗を避けられるようにすることでした。そして、それを実現するのが「カスタマージャーニー」なのです。

James Sweetlove: 素晴らしいですね。

ええ、本当に必要とされるサービスのように思えますし、誰もがあまりにも急いで飛び込んでいるせいで、本来行うべきデューデリジェンスが十分にできていない分野のひとつなのかもしれません。

Evan J Schwartz: それも一因ですし、単純に「知らないことは知らない」という面もありますよね。何事もそうですが、人は自分自身のレンズや視点で物事に向き合いますし、顧客は誰よりも自社のビジネスを理解しています。

ただ、天然ガス、コモディティ、林業、スクラップメタル、製造業、さらには市場でのコモディティ取引、そして廃棄物・リサイクル業界まで見てきた私から言えるのは、たとえ同じ業界にどれだけ多くの企業があっても、その運営方法は一社たりとも同じではないということです。本当に一社もありません。

大きく見れば、みな同じビジネスをしているように見えます。しかし細部に目を向けると、まったく同じやり方をしている会社はひとつもない。それが各社の秘訣であり、差別化要因なのです。そして、たいてい物事が少しずつ狂い始めるのは、まさにその部分なんです。

さらに、どの会社にもそれぞれ異なる文化があります。そして驚くかもしれませんが、システム全体に展開するソフトウェアに合わせて、企業文化のかなりの部分が形作られたり、適合を求められたりします。なぜなら、そのソフトウェアはビジネスのあらゆる部分に触れるからです。本当に、あらゆる部分にです。

James Sweetlove: この先の話題に深く入る前に、AMCS Groupでのあなたのお仕事についても、視聴者向けに簡単に概要を伺いたいと思います。そこでの役割についても少し教えていただけますか？

Evan J Schwartz: そうですね。朝起きるのが楽しみで、何かに向かって全力で走り出したくなるような職場で働ける機会なんて、そう多くはありません。だからこそAMCSは特別なんです。長年にわたって——ここで人生の経緯を全部話し始めたら何時間もかかるでしょうけど——実際のところ、私はさまざまな資源集約型産業のビジネスに携わってきました。

林業は、その中でも最初期に深く関わった資源産業の一つでした。昔は木を伐採して紙を作っていたわけですよね。そこからリサイクルが広がり始めると、段ボールを回収して、再びパルプ化して、もう一度材料として戻す仕組みが必要になりました。そうしてリサイクルという事業領域へ発展していったんです。

意外と知られていませんが、木はほとんど捨てるところがありません。テルペンのような成分や、紙の製造過程で出る副産物ですら価値ある製品になります。さっき話していたジョンは化学業界にいますが、テルペンは香料や風味付けにも使われています。

そうするとすぐにわかるのは、天然ガス産業、石油産業、そうしたあらゆる産業が、物流によって互いにつながっているということです。ある企業にとっての副産物や廃棄物が、別の企業にとっては原料になる。そういう非常に密接なつながりがあるんです。

私がAMCSに入ったとき、まさにそこがポイントでした。こうした異なる業界同士を結びつける“接続組織”のような位置にAMCSがあったんです。そして、そういう場所にこそ追加の効率化の機会が見えてきます。

私たちは、パフォーマンス・サステナビリティを土台に、テクノロジーによって以前よりも大きな環境への良い影響を実現できると信じています。そしてそれを、毎日実際にやっているんです。

AMCSでの私の役割はイノベーションです。新たに登場してくる技術に投資判断をし、それをPOCの段階から本番運用に乗るところまで先導します。その後はプロダクトチームに引き渡し、彼らが磨き上げて、お客様にとって非常に価値あるものに仕上げていきます。それがAMCSでの私の役割です。

そして今、AIがERPのサイクルの中でどのように機能するのかを見ていくと、物流をどう改善できるかという話になります。あらゆるビジネス——だから私は自分の本を『People, Places and Things』と呼んでいるんですが——そこには人がいて、行くべき場所があって、動かすべきモノがあり、そこに物流が関わっています。こうしたすべてが組み合わさって、フリーキャッシュフロー、利益率、EBITDAを生み出し、それを動かしていくんです。どれも重要です。

しかも、汚染を減らすことで利益が出るなら、より積極的にそれをやろうと思いませんか。たとえば、1台のトラックあたり年間100ガロンのディーゼルを節約できるとして、1ガロン4ドル、しかも1,400台のトラックを持っているなら、その分だけ大気中に放出される燃料が減るだけでなく、その分だけ買わなくて済む燃料でもあるわけです。

これこそがパフォーマンス・サステナビリティです。ネガティブな外部性ではなく、ポジティブな外部性を生み出す正しい行動を整合させること。そしてそれが最終利益、利益率、EBITDA、フリーキャッシュフロー、すべてに効いてくる。それがAMCSが提供している価値なんです。そしてそれは、こうしたすべての産業を横断してつながっています。あらゆる場所でそうした機会を見つけ出しているんです。

つまり私たちは、資源集約型産業向けの大規模なSaaS型ERPシステムを、エンドツーエンドで提供しています。車両群の管理、ルート上の物流管理、資材の受け入れ、その価値の把握、市場へ再販売して戻すこと、リサイクルすること——これはリバースロジスティクスですね。

つまり、ある製品を作ったら、今度はそれを自分の手元に戻して、その構成要素に分解し、再び有用なものへと変えていかなければならない。そこが難しいんです。

私たち人類は、穴を掘って資源を取り出したり、土地から何かを収穫したりすることについては、何千年もかけて非常に上達してきました。そうしたものは動きません。農場がどこにあるかはいつでもわかるし、鉱山がどこにあるかもわかります。でも、製品を作って市場に出した瞬間、その後どこへ行ったのかはまったく見えなくなるんです。

だからこそ、それを十分に効率よく回収し、再び原材料に戻して新しい製品を作れるようにすること——それが、私たちが世界に提供し、実現しつつある課題なんです。だから私はこの仕事が大好きなんです。

James Sweetlove: それも本当にわくわくする話ですし、絶対に必要なことですよね。つまり、今の資源消費の流れを見れば、これをやらないという選択肢はありません。必ずやらなければいけない。

Evan J Schwartz: その通りです。ただ、ようやく今は、誰かに無理やりやらせたり、規制や罰則に頼ったりしなくても実現できる段階に来ています。ビジョンに対してテクノロジーがようやく追いついてきた、と言えばいいでしょう。

James Sweetlove: なるほど。今おっしゃったことにも少し触れられていましたが、もう少し深掘りしたいです。物流分野でAIや自動化を導入しないことで、企業は何を失っているのか、少し詳しく教えていただけますか。

Evan J Schwartz: AIは、適切な量のデータを横断的に見てパターンを見つけ出すのが本当に得意です。そしてもう一つ得意なのが、人間には見えにくい部分を見ることです。特にそれは、工程と工程のつながり、つまり引き継ぎのポイントのような部分ですね。

私たちは一つの工程に集中して徹底的に掘り下げ、その工程をできるだけ効率化することはできます。でも、それを次の上流工程や次のフェーズに渡した瞬間、せいぜい一つか二つ先までしか見通せない。そこから先はどんどん曖昧になっていきます。

AIがあれば、サプライチェーン全体を見渡せます。予測もできるようになります。

「このプロセスを最適化しよう」という話には大きな意味があります。たとえば廃棄物業界の例でいうと、コンテナの前が塞がれているケースがあります。回収車を現地に向かわせたものの、あなたに非があるわけではなくても、公共事業のトラックが前を塞いでいることがある。そうすると現場に着いても連絡がつかず、コンテナにアクセスできない。そのコンテナを回収するための往復が丸ごと無駄になってしまいます。

その場合、写真を撮って送って、「車両が前に停まっていたので、お客様の車両やコンテナの対応ができませんでした」と伝えなければならない。しかも再訪問には追加料金を請求せざるを得ないこともあります。これはあまり効率的ではありません。

それに対して、センサーや周辺のカメラ映像を使えたらどうでしょう。私はスマートシティのカンファレンスに出ていたのですが、そこではサービス提供事業者向けに市のカメラを開放し始めているんです。もし自分の車両が到着する前に、そのトラックがコンテナを塞いでいるとわかれば、無線で誰かに連絡したり、事前に移動してもらったりできますよね。

そうなれば、現場に着いてから慌てて連絡するのではなく、30分前の段階で「誰かが塞いでいる」とわかる。そこでアラートを送れば、「コンテナの回収車が来るので、トラックをどかしてください」と依頼できる可能性がずっと高くなります。

こういうことはAIが非常に得意です。というのも、1,000人を雇って1,000台のカメラをずっと監視させるなんて現実的ではありません。でもAIならできます。

私たちがAIを適用している方法を見ると、まずルート最適化によってトラックが走行しなければならない距離を減らしています。また、車両から取得する各種液体データを見て、整備が必要かどうかも判断できます。

生産性の高い稼働日を削ってそのトラックを整備に回さなくて済むなら、環境中に作動油やオイルを持ち込む機会も減らせますし、そのトラックは稼働を続けられます。たとえ1台あたり年に1回の整備サイクルを減らせるだけでも、それは数万ドル規模の売上確保やコスト回避につながりますし、廃油を何ガロンも発生させずに済みます。

さらに、回収地点の段階で異物混入を検知できれば、1つのコンテナに混入があったせいでトラック1台分まるごとの積載物を汚染してしまうことも防げます。

あるいは、トラックにどれだけ積めるかを把握し、すべてのお客様に90ガロンのコンテナを提供しているとわかっていれば、いつ荷下ろしに行く必要があるかも最適化ルーチンの一部として判断できます。これは理想的な運用です。ただ、実際にはフタが閉まりきっていないコンテナや、あふれるほど詰め込まれているコンテナを多く回収し始めることがあります。そうなると、私は実際には90ガロンを超える廃棄物を回収していることになるので、それも加味して調整できます。

90ガロンの廃棄物コンテナとして料金を請求しているのに、実際には120ガロン分の廃棄物を入れられていたら、公平ではありませんよね。

こうした個々の要素は、それぞれでも十分に効率化に寄与します。しかし、それらを結びつけ始めると、効果は積み上がるだけでなく複利的に増幅し、指数関数的な改善になります。そうすると、以前は13台の車両で対応していた業務が、今では10台でできると気づくわけです。

平均的な事業者にとって、このうち3台の車両を止められることのインパクトは非常に大きいです。車両そのものの購入費を抜きにしても、年間ベースで見るとおよそ100万ドル規模になります。保険、整備費、人件費がありますからね。つまり、地域へのサービスを3台少ない車両で回せるようになれば、300万ドルのフリーキャッシュフローを事業に戻し、それを別の成長投資に振り向けられるということです。

その1つのシナリオを取り上げて、それを何倍にも広げ、その考え方、そのパターンをビジネスのあらゆる部分に適用できるんです。今スケールしない領域というのは、これまで見てこなかった領域でもあります。というのも、見ようにも見られなかったし、合理的でもなかったからです。細かな各工程を確認するために、いちいち人を配置しなければならなかった。でも今は、そうする必要がないでしょう。

そこに本当の価値があります。AIのユースケースを狭く保ち、それらをつなぎ合わせることで、AIには非常に特定のことをさせつつ、それをスケールできる。何倍にも増やせる。たとえば1万台のカメラを監視させて、ある特定のものを探させることもできる。これは簡単なんです。

問題になるのは、あらゆるものを見続ける遍在的なAIを求め始めたときです。そうすると、AIが逸れて、制御不能になっていくのが見えてきます。AIの失敗率の大半はそこにあります。つまりユースケースです。ユースケースを適切に考え抜けていないんです。

そして、もしあなたのユースケースが「人をなくすこと」なら、その時点ですでに失敗しています。厳しい言い方ですが。これは人間＋AI戦略なんです。そのやり方では勝てません。

もちろん最後の段階で、効率化が進んだ結果として、事業規模を適正化できないと言っているわけではありません。もちろんそうしていいんです。これ以上の成長余地がなく、やれることをすべてやり切ったなら、事業規模を適正化すべきです。必要のないリソースを抱え続ける意味はありません。

ただし、AIに取り組むときの第一の視点はこうあるべきです。AIは、この仕事を、このリソースを使って、どうすればより良くできるのか。もっとスケールできるか。もっと多くできるか。このリソースのコストから、より大きな利益率を生み出せるか。

そして最後に、トラックの例と同じように、「今なら13台ではなく10台で全部できる」となるかもしれない。その場合、その3台を活用できる新しい仕事を探すか、あるいはすでに最大化しているなら、その3台は不要になります。

ですから、適正化は旅の終わりに行うべきです。最初から「人員を10人から2人に減らせるぞ」と考えて入ってはいけません。AIの実装に対する考え方そのものが変わってしまい、失敗します。

それに、AIは今こうして私たちがやっているようなことを解決してくれるわけではありません。AIはこういうことは得意ではないんです。人と人とのつながりがあるところには、人を関与させておく必要があります。だからこそ本のタイトルが『People, Places and Things』なんです。人が最優先です。そこに集中することです。そのうえで、効果が出た後に、そこから適正化していけばいい。

James Sweetlove: その通りですね。ええ、その視点は本当にありがたいです。私自身も個人的に同じ考えを持っているので。会社の全員を置き換えるなんてできません。不可能です。

Evan J Schwartz: ええ。そして実際、あまりに早い段階でそこへ突っ走った大企業が、それを巻き戻しているのを私たちは見ています。しかも今では、最初からしっかり考えておけばよかったものを、人材を呼び戻すためにより大きなコストを払っているんです。

James Sweetlove: そうですね、間違いなく。ええ、そういう例をニュースでもいくつか見ました。「ああ、基本的には失敗だったんだな」という話でした。でも、おっしゃるように、企業がそれを認めるのは良いことだと思います。つまり、「ここまで投資したんだからこのまま進めよう」というサンクコストの誤謬に陥らないということです。

それで、先ほど出てきた用語で少し触れておきたいものがあります。聞き慣れない方もいると思うので、ごく簡単に説明していただけますか。ERPとは何で、具体的にはどんな役割を果たすものなのでしょうか。

Evan J Schwartz: ええ、ERPですね。おっしゃる通り、これは文脈によってさまざまに使われる用語です。CRMや営業・顧客関係管理の仕組みを「新しいERPだ」と言う人もいます。

私たちにとってERPとは、ビジネスの大きな部分を担うデジタルトランスフォーメーションのシステムです。財務・会計のバックエンドであれ、CRMであれ、あるいは従来ERPと呼ばれてきた業務運用システムであれ、いずれにせよマネジメントの層なんです。つまり、ビジネスがどのように運営されるかを司るものです。

必ずしも――もしあなたのビジネスに営業の要素があるなら、営業のやり方にもつながってきます。たいていの企業にはその側面がありますし、ERP自体に財務・会計機能がないとしても、財務・会計の領域とも連携します。

多くの摩擦や、一部のERPにおける失敗が生まれるのは、会計システムが業務運用まで担おうとし始めるときです。彼らの視点からすると簡単に見えるんです。そして、実際にやり始めてから「いや、自分たちが作ったのは会計システムだった」と気づくわけです。

わかりやすい例を挙げると、多くの業界では「あの資材を今ここに持ってきてほしい」という場面があります。契約書にサインしたかどうかなんて、そこまで気にしていられない。あなたと私が口頭で合意して、私はその資材が必要なんです。大きな製材所を止めずに回し続けるために、その木材が必要なんです。止まれば1時間あたり100万ドルの損失が出る。だから持ってきてくれ、細かいことは後で整理しよう。価格は合意して、追跡だけしておけばいい。

ところが多くの会計システムでは、書類や契約、内部での正式な合意がないと、その設定すらできない場合があります。だから業務運用システムは、ビジネスのスピードで動けなければならない。俊敏である必要があるんです。ガチガチに固定されたルールではだめです。現場の人がその場で判断できるような、柔軟なルールでなければいけない。現場主導で動ける必要があります。

会計システムは、その点があまり得意ではありません。

ですから私の文脈では、ERPは全体の景色を横断するものなんです。つまり、企業を動かすために使っているソフトウェアがあるところすべてです。営業、オペレーション、財務のどの側面であれ、その多くにまたがっています。そして最終的な違いは、そのツールが実際に何をするのかに落ち着きます。

つまりこれは、ビジネスの大きな部分に影響を与えるデジタルトランスフォーメーションのプロジェクトなんです。

James Sweetlove: とても納得できます。明確にしていただいてありがとうございます。その言葉を使うときに、どういう意味でおっしゃっているのかが分かるのは大事だと思います。

では、この通話の前に話していた別の話題にも入っていきましょう。とても興味深い示唆をいただきました。予知保全の自動化、これは非常に面白いテーマだと思いました。もう少し詳しく説明していただけますか。

Evan J Schwartz: ええ。多くの人は、車両や機械――たとえば固定資産であるグラインダーのような設備でもいいですが――の過去の履歴を使って、「これは年に2～3回保守が必要だった。だから過去の実績に基づけば、今年も2～3回、あるいは6か月ごとに保守が必要になるだろう」と考えます。

視聴者の皆さんにとって少し身近な例にすると、私が車を買ったとき、「3,000マイルごとに持ってきてオイル交換をしてください」と言われましたよね。でも、真新しい車が3,000マイルでオイル交換を必要とするはずがないことは分かっています。今のエンジンの高精度な設計を考えれば、理にかなっていません。

しかも、こうした機械は収益を生む存在です。ただ動かしているだけでもなければ、単なる埋没コストでもない。価値を生み出しているんです。

では、オイルのサンプルを採るだけで、それを血液検査のようにAIの解析にかけられるとしたらどうでしょう。するとAIが、「これらの要因に基づくと、その機械は売却を始めた方がいい。減価償却期間はまだ終わっていないかもしれないが、かなり酷使されている。このままだと故障する可能性が高い。だから推奨は売却して新しいものを買うことだ」と判断するかもしれません。

あるいは、「その機械は非常に良好に稼働している。停止して保守に入れる意味はない。今回の点検はスキップできる」となるかもしれない。つまり、高価な設備について、勘に頼らずに判断できるようになるんです。

それに、先ほど言ったトラックの話でいえば、これらの車両はどれも、廃棄物・リサイクルであれ、回収であれ、どこかへ行って何かを引き取り、それを届ける役割を果たしています。そしてそれは価値の提供そのものです。

もしその車両の調子が悪く、しかもそれが輸送手段だと分かっていれば、話はまたリバースロジスティクスに戻ります。業界では「スクラップは遠くまで運びたがらない」という言い方があります。スクラップを1マイル運ぶごとに、その利益率が削られていくんです。だからこそ、その車両は可能な限り効率よく走らなければならない。

適切に整備され、潤滑状態の良い車両は、後ろから黒煙を吐いたり、走りながら異音を立てたりしている車両よりも、はるかに効率よく走り、燃料消費もずっと少なくて済みます。そうでない車両は、はるかに多くの燃料を食ってしまいます。

ですので、私たちはお客様の機械から得られるそうしたあらゆるテレメトリーデータを取り込み、たとえば研削盤でも、車両でも、可動部を持つあらゆる固定資産でも、その内部で何が起きているのかを正確に把握し、意思決定できるようにしています。まだ対応不要なので、あと数日使って価値を引き出すのか。あるいは予期せぬ停止が起きる前に、あらかじめ停止をスケジュールに入れておくのか。新しい部品を手配しておくのか。この機器が故障しそうだ、この機器も故障しそうだ、といった判断ができます。

つまりこれは、車両の過去の履歴を見るだけでなく、オイルを必要とするその可動部の内部で実際に何が起きているのかを本当に把握するためにAIを活用しているということです。そしてその効果は非常に大きい。保有車両の規模によっては、数十万ドル、場合によっては数百万ドルもの金額を、利益率やフリーキャッシュフローに戻せるようになるのです。

そしてこれは、当社のフリート保守ソフトウェア全体にもつながっています。なぜなら、グローバルな全体像を把握できるからです。たとえば大企業であれば、トラックを持ち込む保守ベイが18、20、あるいはそれ以上あるかもしれませんが、それらはすべて分断されていることがあります。

ですから、トラックを稼働させ続けるのが仕事で、自分の保守ベイを任されている担当者なら、資材、部品、交換部品の在庫をある程度持つことになります。ただ、ほかの20か所の保守ベイで何が起きているかわからなければ、こう考えてしまうでしょう。「スパークプラグはいつも余分に必要だ。ここで少し多めに買っておこう。こっちでも少し多めに買っておこう」と。

そうしているうちに、それが14か所、20か所の保守ベイ全体に広がり、年間100万ドル超、あるいは200万ドル規模の資本投下になってしまう。実際には、みんながリスクヘッジしているだけで、そこまで投資する必要がないかもしれないのにです。

でも、保守ベイ2からその部品を調達できる、しかもそこが一番近い、とわかっていれば、各保守ベイが個別に買い過ぎたり在庫を積み増したりする必要はありません。20拠点全体で在庫を最適に分散しながら、それでもフリートを円滑に稼働させ続けられます。つまり、部品やサービスの使い方をより賢くできるのです。

さらに、それらが消費されるにつれて、AIはその消費量を、車両の使用年数や、私たちがエンジンから採取するサンプルと照らし合わせて分析します。すると、「これらすべてのサンプリング結果から見ると、これらのベルトは今後摩耗していく見込みです。総在庫量はX個、つまり全ベイ合計でそれだけしかなく、社内在庫としては2個しかありません。なら4個ほど先に手配しておいたほうがよさそうです」といった予測ができます。

つまりAmazonのように、事前に配置しておく、という考え方で進めているのです。たとえば、お客様の車両群は保守ベイ6、8、9が担当している車両より少し問題が多い。なら、そこからいくつか融通してもらおう、と。そして皆さん、そろそろ車両を売却して新しいものに切り替えるべきかもしれないし、あるいはこうした部品を在庫として常備し始めるべきかもしれません。

こうして今度は、過去を振り返って「このパターンが続くだろう」と期待するのではなく、把握できている事実に基づいて、根拠ある経営判断ができるようになります。というのも、問題を引き起こすのは、まさにその「パターンが続く」という思い込みだからです。実際にはパターンは続きません。エントロピーが働き、物事は時間とともに劣化します。今年は去年とは違うのです。

しかし、去年起きたことだけを基に意思決定するしかないのだとしたら、それは推測を述べているにすぎません。最善の意思決定をしているとは言えない。予知保全はまさにそこを変え、運用をはるかに効率的なものへと少しずつ引き上げていくのです。

James Sweetlove: ええ、AIを先回りして使うのは非常に優れたユースケースだと思います。たとえばルート最適化のようなものですね。これは先ほども話しましたが、とても興味深い活用例だと思います。運用方法に小さな変更や微調整を加えるだけで、大きなコスト削減につながり、それが積み上がっていく。おっしゃる通り、どんどん効いてくるんです。

Evan J Schwartz: そうですね、複利的に効いてきます。最適化されたルートは理想的なルートです。でも実際には現場で走らせなければならず、そうすると現実世界のさまざまな事象が起こります。ルートに悪影響を与える要因を事前にできるだけ解消できれば、それだけ効果が高まります。たとえば、廃棄物回収サービスなら満杯のコンテナに対応できるよう調整できますし、価値のある回収物を扱っているなら異物混入を防ぐこともできます。また、トラックが最適な状態で走行していることも確保できます。なぜなら、車両状態が悪くて燃費が想定より悪化し、1マイル当たり推定燃料使用量に対して1.6ガロンも使っているようでは、本当に最適化されたルートとは言えないからです。

こうした要素を積み上げていくと、節約できる金額は一気に大きくなっていきますし、根拠ある判断ができるようになります。そうすると、物流や配車の担当者は、新たな依頼をどう受けるかについても判断しやすくなります。たとえば新しい作業依頼が入ったとき、すぐ近くに車両があると気づくかもしれません。それを動的ルートに組み込めば、「予期しないこの依頼に対応するために車両4を回すと、これだけの売上が生まれ、ルートへの影響はこの程度です。しかも、この小さな調整を行えば対応可能です」と判断できるわけです。

これはビジネスを前進させる非常に強力な方法です。

James Sweetlove: そして当然、その削減分は顧客や消費者にも還元できますよね。というのも、製造コストや運用コストが上がることはありますから。

Evan J Schwartz: その通りです。価格を上げる必要はありません。効率化によって、実際にはコストを下げられるのです。これは非常にありがたい悩みですよ、James。受託者責任を果たして株主に配当を出すのか、それとも市場での競争力を高めるのか。なぜなら、自社は最も近い競合の80%程度のコストでほぼ同じことができるからです。そうなれば競合を市場から押し出し、このエリア全体を押さえることもできる。コスト面で誰も太刀打ちできないからです。これは実に良い問題です。

James Sweetlove: 間違いないですね。では、このテーマを調べる中で目にした用語があるのですが、ぜひ触れていただきたいです。ESGレポーティングです。これは具体的に何なのでしょうか。今まで話してきた内容とも関係しているのはわかっています。

Evan J Schwartz: そうですね、ここ数年でサステナビリティを振り返ると、各国政府が関与し始め、負の外部性に対して、企業や事業者は自分たちが暮らす世界の良き管理者であるべきだ、という形でコンプライアンスを課すようになりました。そして、自社のカーボンフットプリント、廃棄物プロファイル、エネルギー消費量を報告しなさい、と求めるわけです。さらに、同業他社と比較して「あなたはどうなのか」を見ていくわけですね。

そして、もし何かが大きく偏っていれば、「それを調べなさい」と言われます。なぜなのか。なぜ同業他社の3〜4倍もの電力を消費しているのか。ここには何か問題があるはずだ、と。

これはまず、環境のために何か良いことをしなければならない、という認識から始まりました。つまり、負の外部性、罰則、コンプライアンスです。そしてそれらが意識を高めるきっかけになったのです。

私たちはそこを発展させ、ESGレポーティングを構築しました。そのデータを収集し、レポートを提供できるように、システム全体を自動化しています。これにより、自社の状況を把握できるようになります。

しかし、ここでもまたAIが力を発揮します。そのパターンから見えてきたのは、AIがビジネス全体の中でCO2排出量が最も大きい箇所を予測できる、ということです。対象が何であれ、そこには収益改善の機会があります。非効率性と一対一で対応している指標が、その対象におけるカーボンフットプリントだからです。

ですから今では、コンプライアンス対応だけでなく、この分析を実施すること自体に企業としての価値があります。というのも、私たちがこれまで見てきた中では、業務プロセスや効率をビジネスアナリストが詳細に調べるよりも、どこに注力すべきかを示す指標として、これのほうが優れているからです。カーボンフットプリントがどこにあるかを追跡すれば、それが教えてくれます。そこから深掘りするのです。そしてビジネスアナリストを投入して、「よし、ここではどんなプロセスが動いているのか。何をしているのか」と理解する。さらにAIを導入する。そこにパターンはあるか。どこを改善できるか。この大きな炭素コストをどこから取り除けるか。

そうして、その分の利益率をそのまま最終利益に反映できるようになります。

これが、私たちの言うパフォーマンス・サステナビリティです。言いたいのは、「もちろん環境に良いことだからやるべきだ」という点はその通りですが、同時に、投資家に対する受託者責任もあれば、地域社会に対する責任もある、ということです。そしてその両方は両立できます。利益かサステナビリティか、という二者択一ではありません。サステナビリティは現実的なものです。要はそれをどう捉え、どう実装するかです。

James Sweetlove: 実は少し前に、まさにこの分野に取り組んでいるゲストをお招きしたんです。ええ、本当に興味深いエピソードでした。その方も、この領域で最適化を進めるだけでどれほど大きなコスト削減ができるかについて、非常に示唆に富む話をしてくれました。

では少し話題を変えて、Jacksonville Universityでの客員教授としてのご活動について伺いたいと思います。非常に興味深いご見解をお持ちだと聞いています。そこで、大規模AIの導入以降、プログラミングや工学教育がどのように変化してきたのか、少しお話しいただけますか。

Evan J Schwartz: ええ、つまり今、多くの高等教育機関がコンピュータサイエンスの学位やプログラムを縮小し始めているのを目にしていますよね。もし炭鉱のカナリアがいるとしたら、まさにこれです。要するに、少なくとも今ある形の「プログラミングの仕事」はなくなっていく、と彼らは予測しているわけです。

そこで Jacksonville University と連携する機会を得て、私たちはある授業を立ち上げました。というのも、当然こんな疑問が出てくるからです。もしジュニア開発者がいなくなったら、アーキテクトはどこから育てればいいのか、と。普通はそこから育つわけですよね。しばらくコードを書いて、仕事が上達して、それからアーキテクトになっていく。でもその必要性自体はなくなっていません。私たちには今でもそういう人材が必要です。システムを広い視点で見て、堅実なアーキテクチャの原則に従えているかを確認できる人が必要なんです。

だからその役割は今も確かに存在しています。「もうアーキテクチャは不要だ」と言うようなものですが、そんなことはありません。AI はまだそのギャップを埋められる段階にはまったく達していません。

そこで私たちは、そういう人たちが今後どこから出てくるのかを理解するために授業を実施しました。そして問いかけたのは、アーキテクトになるには何十万行ものコードを実際に打ち込まなければならないのか、それともこの世界では別の形でアーキテクトになれるのか、ということです。

では、その話はいったん脇に置いて、もう少し一般の人にもわかりやすい例で説明しましょう。

あるアート写真家、美術館に作品を飾ることで生計を立てているような写真家が、自分はもう仕事を失うのではないかと考えました。そこで AI と向き合い、自分のセルフィーを1枚撮りました。加工なしの、ありのままの自分が写っている写真です。そしていくつか指示を与えると、AI は感情を強く揺さぶるような彼のポートレートを返してきたんです。コントラストの効いた照明、水滴の表現まであって、本当に見事でした。

その時点で、彼は打ちのめされました。「ああ、もう自分の仕事は終わりだ」と思って、その場を離れたんです。

でも、1時間ほどその場を離れたあとで、それがたぶん彼にとっていちばん賢い行動だったのでしょう。彼は気づいたんです。AI に対しても、レンズ効果を指定しなければならなかった。環境や照明も説明しなければならなかった。つまり、いまのカメラに詰め込まれていて最終的な写真の見え方に影響するあらゆる要素を、彼は AI に説明しなければならなかったんです。

そこで彼が理解したのは、変わったのはカメラだけだ、ということでした。やるべきこと自体は、依然として自分がやらなければならない。

私はこの話をよく人にします。私たちは「電話をダイヤルする」と言いますよね。もう何十年も誰も電話をダイヤルなんてしていないのに、それでも「ダイヤルする」という表現を使っています。実際には誰もダイヤルしていない。

つまり彼が証明しているのは、写真は今でも教える必要があるということです。芸術として理解し、どうライティングを組むか、どう影を作るか、どう煙を入れるか、そういうことは今でも全部教える必要がある。ただ、もうステージを作って、三脚を並べて、照明や効果を実際にセットアップしなくても、そのイメージを得られるようになっただけなんです。AI を使っているというだけです。

この原則に基づく私自身の試行は、非常に速く進みます。なぜなら、こういうタイプのレンズや、こういうタイプのフレア光の結果を、とても短時間で見られるからです。実際のスタジオなら1日に1回か2回しか試せないようなことでも、AI ならまったくの初心者の学生でも1日に50回試せるかもしれない。そうした用語や概念を学ぶこと自体は変わらず必要ですが、学び方が変わるんです。

さて、これをアーキテクチャやコーディングの話に戻すと、いわゆる vibe coding です。AI がコードを生成する中で作業するわけですが、それでも方向づけをしているのは人間なんです。

そして私たちは、開発者やアーキテクトの役割が広がってきていることに気づいています。ちなみに、これはさまざまな業界で見られる現象です。人々は再びゼネラリストになりつつあるんです。

皆さんは80年代を覚えていないくらい若いかもしれませんが、80年代の企業では、SaaS や業種特化ソフトウェアが登場する以前、棚から取ってきて「この機能をやってくれる部品」を買うようなことはできませんでした。企業はこうしたものを社内で作らなければならなかった。そしてたいてい、社内にはゼネラリストが1人いました。誰かの叔父さん、いとこ、おい、あるいは身近な誰かで、コンピュータに強いオタクっぽい人が、それらをつぎはぎで組み上げていた。そして誰もそれに触ってはいけなかったんです。

「でも Bob に電話しないと。これを動かす方法を知っているのは Bob だけだから」と、そんな感じでしたよね。彼は幅広いことに強かったけれど、何か一つの分野の専門家というわけではなかった。でもそれを何とか組み上げていた。

私たちは今、その状況が戻ってくるのを見ています。そして中学1年生くらいの環境科学で習ったことを思い出すなら、「自然界ではスペシャリストは絶滅し、ゼネラリストが生き残る」と言われましたが、まさに今それを体験しているんです。

AI の世界では、広い範囲について少し、あるいはかなり深く知っていることが重要です。でも、何か一つのことの専門家である必要はない。そこは AI に担ってもらえばいいんです。

そしてこの授業は、それを見事に証明しました。私たちはクラスを、基礎のないジュニア開発者、基礎は理解しているけれど実践経験が少なくコーディング量も多くない1〜2年生、そしてかなり多くコードを書いてきた上級生、というふうに分けました。

いちばん苦戦したのは上級生でした。彼らは AI と戦ってしまった。とても批判的で、AI の出力を好まなかった。一方、ジュニア層は、vibe coding で私たちがやろうとしていた抽象化を理解するだけの土台が足りませんでした。何が「良い」のかを十分にわかっていなかったので、そこに到達できなかったんです。

中間の層、つまり少し基礎がある学生たちは、そのブラックボックス性をうまく受け入れました。投入して結果を得て、それを見て、また戻って投入して、とにかく何度も何度も反復できた。そうやって「良いもの」にたどり着けたんです。そして製品を簡単に変更できることも気に入っていました。

たとえば最初の反復では API を中心にしたモノリシックな構成でうまく動いていたとしても、その後で顧客が10万人になり、1万人規模向けにしか作っていなかったことがわかって、SOA にする必要が出たり、API を分割する必要が出たりした場合でも、AI にそう伝えるだけで全体を作り直してくれるわけです。

だから、真ん中にいるそうしたゼネラリストたちが大きく伸びていくでしょう。そしてそれは、私たちが人をどう教えるべきかを変えています。教えるべきなのは、トピック、概念、抽象化です。そのうえで、深掘りするために AI をどう使うかを教えるべきなんです。そこは AI に担わせればいい。

私にとって、それはとてもわくわくすることです。そしてこの話を高等教育以前、つまり小学校から高校までの教育にまでさかのぼって考えると、私たちはまた新しいルネサンスの世界に入れるかもしれません。

私はこれについて Forbes に記事を書きましたが、それを自分の末っ子で実感したんです。1年生ではオールA、3年生、4年生でも本当に素晴らしかった。でも4年生くらいになると、彼は努力しなくなった。もう優等生リストに載ったし、自分は十分できるとわかっていたからです。そこでリスクを取ったら、失うのは優等生としての地位だけです。だったらなぜリスクを取るのか。だからその時点から、彼は安全策しか取らなくなった。一貫性と再現性だけを追うようになり、リスクも、新しいことへの挑戦もなくなった。

要するに、私たちはそれを「子どもらしさ」と呼びますが、本当は誰もが生まれつき持っていてほしいものなんです。失敗するかどうかを気にせず、とにかくやってみるこの恐れのなさ。何が学べるかを見ようとする姿勢。そういうものが、だいたい4年生くらいまでには子どもたちから叩き落とされてしまう。ひどい学び方ですよ。子どもたちは自分のステータスの頂点に達すると、もう挑戦しなくなる。それ以上得るものがなくなるし、ステータスは無限に作れないからです。

だから、もし再現可能な卓越性という負担を AI に委ねて、私たちの側には「よし、やってみよう」という絶え間ない反復だけを残せるならどうでしょう。「それは無理だ」と言われても、じゃあ試してみよう、なぜ無理なのか見てみよう、と。そうすることで何かが明らかになって、別のやり方でそこに到達できるかもしれない。

今、AMCS で私たちがやっていることは、ほんの5年前には誰も不可能だと思っていたことだと断言できます。たった5年前ですよ。「そんなことはできない」「そんなやり方で収益化なんて無理だ」と。でも実際には、私たちは今それを毎日ずっとやっているんです。

結局必要だったのは、賭けてみる意思と、それに向かって突き進むことでした。でも少なくともアメリカでは、私たちは子どもたちのその創造性を壊してしまっている。そして私は、これが公教育の現場にまで広がっていって、恐れを知らず、創造的で、「正解すること」や「ステータス」よりも、挑戦することとそこから何を学べるかに価値を置く学習者の世代を丸ごと育てられることを願っています。

先生が「筆算をちゃんとやりなさい。だって、どこへ行っても電卓があるわけじゃないんだから」と文句を言っていたのを覚えています。でも私は、どこへ行くにもポケットに電卓を持っています。もうそういう計算はしません。実際、それ以来ずっとしていません。

それが私たちにとって良いことなのかどうかは、たぶん私より賢い誰かが判断するのでしょう。でも現実として、私はこれが次の世代にとって前向きな体験になり得ると思っています。ただし、それを選ばなければならないんです、James。

私は、まるで破滅が迫っているかのような言説をたくさん耳にします。まるで人生が自分に降りかかってきて、AI に何かを奪われているかのように。でも違います。これは選択なんです。私たちには選ぶ力がある。破滅を選ぶこともできるし、とても明るい未来を選ぶこともできる。その明るい未来は——

つまり唯一の違いは、その明るい未来がどんなものか、そしてそこへ至る道筋が何かを、私たちの側でもっと発信できていないことなんです。問題はそれだけです。世の中には悲観論や終末論ばかり語る人がたくさんいます。そういう人はもう十分いるので、そこにもう1人加わる必要はありません。

だから私は、AIにはもっと良い向き合い方があると伝えたいんです。それは「人＋AI」の戦略です。Elonが「誰にでもロボットを、そして豊かさを」と語るときでさえ、結局それは人のためでなければ何のためにやるのでしょうか。なぜでしょう？ 人がいないのに、なぜ私は無限にトウモロコシを育てるのでしょうか。人がいないのに、なぜ私は無限にロボットを作るのでしょうか。いったい何のためにやるのでしょうか。

James Sweetlove: その通りですね。まったく同感です。

それに面白いのは、そのジェネラリスト的な側面はAIの中だけに当てはまるのではなく、ビジネス全体にも当てはまることです。ここ数年だけでも、ずいぶん変わったと感じています。たとえば4〜5年前は、おっしゃる通り、会社の中で人それぞれに1つの明確な役割がありました。今では1人が4〜5個の役割を担っています。誰もが複数の帽子をかぶっている状態です。要するに、生き残るには適応力が必要なんです。

Evan J Schwartz: ええ。ジェネラリストこそが生き残るでしょう。今では、起業家がたった2人でスタートアップを数千万ドル規模のビジネスにまで成長させるのを私は見てきました。10年前なら、そのレベルに到達するのは考えられないことだったでしょう。ですが今は、AIや各種ツール、自動化をすべて連携させる力によって、それが十分に可能になっています。

James Sweetlove: なるほど。ほかにもぜひ話したいことがいくつかあるのですが、そろそろ時間が来そうですね。ごく簡単でいいので、皆さんに知ってもらうためにも、Forbes Technology Councilでのご自身の役割について少しお話しいただき、それからご著書についても触れていただけますか。

Evan J Schwartz: ええ。Forbes Technology Councilにはさまざまな評議会のような場があり、要するにテクノロジーに関わる人たちをつなぐことが目的です。私の役割は、対話を生み出すことです。ですから、今あなたと話しているこうしたテーマの多くも、Forbes Technology Councilで非常に活発に議論されています。私はそれが大好きなんです。そこで交わされている会話が本当に好きですし、みんながだいたい同じものを見ているという事実も気に入っています。

そこにたどり着くまでに、何度も大きくつまずき、痛い思いをしながら進んできた人もいます。あるいは、その道をまっすぐ切り開こうとしてたどり着いた人もいます。しかし、そのコミュニティにいる世界中のCIOやCTOが、皆同じことを見ているのはかなり明らかです。AIは万能薬ではありません。人をそれで置き換えることはできません。強力なユースケースが必要なのです。

だから私は、そのエコシステムにとても期待しています。非常に幅広いビジネス領域にまたがっているからです。

そして改めて言うと、『The People, Places and Things』はカスタマージャーニーのことです。つまりこの本は、「なぜ私の話を聞くべきなのか？」に答える内容でもあります。私の初日から現在に至るまでのストーリーであり、その土台にあるのがカスタマージャーニーのフレームワークです。

ですから、もし大規模なERP導入やデジタルトランスフォーメーションをこれから進めるのであれば、この本を手に取って、ぜひそのカスタマーフレームワークも入手することを強くお勧めします。そうすれば、プロジェクトを成功させるために何をすべきかがわかります。

もし今まさに悪夢のようなプロジェクトの真っただ中にいて、完全に道を外してしまっているとしても、心配しないでください。希望はまだあります。たぶん本を最初から読むのは飛ばして、いきなりカスタマーフレームワークに進んでもよいでしょう。自分が今どこにいるのかを把握するのです。10のフェーズのうち、「自分は今ここにいて、たぶん空回りしているだけだ」とわかれば、それで十分です。そこに飛び込んで確認してみてください。というのも、各フェーズの冒頭には、「このフェーズにいるならこれらを備えているべき」という項目があるからです。もしそれがなければ、1つ前のフェーズに戻ってそれをそろえ、さらに必要ならもう1つ前に戻り、そこから再び前に進んでプロジェクトを軌道に戻せばいいのです。

立て直しは可能です。これが私が皆さんにお伝えしたいメッセージです。プロジェクトで減損処理のような判断が行われてしまう唯一の理由は、その空回り状態からどう抜け出せばいいのかがわからないからです。

ですから、抜け出すことはできますし、立て直すこともできます。ただ、カスタマージャーニーを手に取ってください。たとえ——もう希望がないように思える状況であっても——それが道筋を示してくれます。きっとゴールまでたどり着けるはずです。

James Sweetlove: 素晴らしいですね。本当にありがとうございます、Evan。とても興味深いお話でした。まだ話したいテーマを5つほどメモしていたので、またこういう機会を設けないといけないかもしれませんね。お時間をいただき、そして素晴らしいディスカッションをありがとうございました。

Evan J Schwartz: 楽しかったです。ありがとう、James。

James Sweetlove: お聞きいただいた皆さん、ありがとうございました。次回もまたゲストを迎えてお届けしますので、ぜひお戻りください。