00:00:00 イントロ；Bamboo Roseと小売PLMの範囲
00:02:21 小売PLMの問題：ライフサイクル、調整、スケール
00:04:15 航空宇宙の深みと小売業の広大だが浅い品揃えの対比
00:09:45 サイロから適応型・共有コンテキストプロセスへ
00:12:56 ゼロショット関税分類が手作業の負荷を置き換える
00:16:42 GenAIが非構造化PLM文書を大規模に処理
00:21:38 LLMがオーケストレーション；エージェント間エコシステムの出現
00:24:26 データ共有の実践；PIIリスクの最小化
00:28:53 ロジック/UIは薄く；データとメタデータが中心に
00:34:23 労働分担から生まれたワークフローが自動化で崩壊
00:37:48 エージェントネットワークの構築：目標、制約、権限
00:44:30 自動生成されたコレクションとサプライヤ交換に向けて
00:49:55 AIの影響：防御、拡張、追記
00:55:04 定量最適化が決定；LLMが文書とコミュニケーションを処理
00:59:08 利点：速度、正確性；バックオフィス自動化が加速
概要
Rupert Schiessl（Bamboo Roseの最高AI責任者）が、LokadのCEOであるJoannes VermorelおよびマーケティングディレクターのConor Dohertyと共に、生成AIがどのように製品ライフサイクル管理（PLM）を変革するかについて議論します。Schiessl氏は、小売PLMの伝統的なサイロ化されたモジュール（計画→流通）を説明し、AI/エージェントシステムが silos を解消し、プロセスを動的に適応させ、テキスト主体の非構造化タスク（例：関税分類、テックパック作成）を自動化できると主張します。Vermorel氏は、航空宇宙などの数十年にわたる深いPLMと、小売業における浅いが膨大な品揃えを対比させ、LLMがオーケストレーション、文書生成、及び意思決定前後の workflows に優れる一方、定量的最適化は依然として価格設定や品揃え管理を担当すると指摘します。両者は、データとメタデータが中心となるにつれてロジック/UI層が薄れ、エージェント間エコシステムが出現し、バックオフィス業務の大部分が自動化されることを予見しています。
詳細な概要
Conor Doherty（Lokadマーケティングディレクター）は、「AI時代におけるPLMの再考」というテーマで会話を展開し、Bamboo Roseの最高戦略兼AI責任者Rupert Schiesslに、小売におけるPLMの定義とAIが如何にそれを変革するかを問いかけます。Schiessl氏は、PLMを製品の旅程、すなわちアイデア創出と設計から調達、流通に至るまで数千から数十万におよぶアイテムと多様な役割（デザイナー、開発者、調達アナリスト、サプライチェーン担当者）を横断して調整するプロセスと説明します。歴史的に、ベンダーは複雑性をサイロ化されたモジュール（計画、設計、開発、調達、発注、物流）に分解していました。これはプロセスが安定していた時には効果的でしたが、近年の変動（パンデミック、貿易環境の変化）により、硬直したあらかじめ定義されたワークフローは脆弱になっています。AIはサイロを解消し、モジュール同士を「会話」させ、プロセスを動的に適応させる道を提供します。
Joannes Vermorel（Lokad CEO）は視野を広げ、PLMは業種によって大きく異なると述べます。航空宇宙分野では、各製品がテラバイトに及ぶ試験・コンプライアンスデータを持ち、長寿命であるのに対し、小売業では各製品が比較的単純ながらも品揃えは広大かつ回転が速いのです。小売業の課題は、品揃えの複雑さ、多重調達、そして機敏性にあります。Vermorel氏は、サイロは最適化の可能性を制限すると主張し、現代のAIが意思決定の自動化を可能にし、かつては多数の調整者を必要としていた単純作業（例：厳格な文字数制限下での店舗タグラベルの作成）を排除すると述べます。LLMは数値最適化（例：価格設定）には最適ではないものの、テキスト中心の作業や他のアルゴリズムを補佐するオーケストレーション層としては非常に有効です。
具体的な成功例として、関税（HTS）分類が挙げられます。Schiessl氏は、広範かつ頻繁に更新される規制から関税コードを選定する作業が従来は手作業であったが、AIを用いることでモデルが最新のルールブックを取り込み、「ゼロショット分類」を実行し、これまでラベル付きデータセットと継続的な再トレーニングを必要としていたワークフローを置き換えると説明します。Vermorel氏は、ゼロショットにより例を積み上げるのではなくルールとコンテキストをエンコードする形で経済性が変わると指摘します。サプライヤのPDF、Illustrator/SVG形式のデザインファイル、カタログ、RFP（提案依頼書）の回答などの非構造化入力にも同様の効果があり、AIは情報の抽出、調整、ルーティングを実現します。
今後、Schiessl氏とVermorel氏はエージェント間のエコシステムを予見しています。サプライヤは共有可能なカタログを備えたエージェントを提供し、小売業者のエージェントがそれにアクセスします。これにより、脆弱なPDFパイプラインは減少する見込みですが、一方でエージェントが何を共有できるのか、また情報漏洩やエラーをどのように防ぐのかといったガバナンスの問題も浮上します。Vermorel氏は、多くの小売業者にとって製品カタログは既に公開されているため「データは王冠の宝石」という考えを過大評価せず、個人情報は最小限に抑えるべき負債であると強調するとともに、強固なデータ衛生の維持を訴えます。
ソフトウェアアーキテクチャに関して、Schiessl氏は挑発的に「AIはロジック層を殺す」と主張します。従来のスタック（下層：データ、中層：業務ロジック、上層：UI）において、LLMは要求に応じてコンテキストを把握したロジックや適応型UIを生成できるようになりました。価値はそれを記述するデータとメタデータに集約し、ベンダーはデータを強化し、意味論的・メタデータ層を充実させ、LLMやエージェントがフローを動的に構築できるようにしなければなりません。Vermorel氏も同意し、多くの企業の「ロジック」は単に労働分担を調整するだけに過ぎないと付け加えます。自動化が進むと、ワークフロー、KPI、権限といった層は、自動化の健康 indicators にまで縮小してしまいます。アンチスパムの進化―パラメータのジャングルから見えないバックグラウンドサービスへの移行―がこの現象を象徴しています。
実務的には、Schiessl氏はAIの影響を三段階に分類しています：(1) 防御―既存工程を自動化して速度と精度を向上（例：関税処理）；(2) 拡張―プロセスの再構築（設計と原価計算をリアルタイムで連携、工程の統合）；(3) 追記―新たな機能の創出（例：BOMsを含む、コンプライアンスやサイズ管理にまたがるほぼ自動のテックパック生成）。Vermorel氏は、PLMの作業負荷を、品揃えの構成には定量的・確率的最適化を用い、その後にLLMを展開して詳細な文書を生成し、主要な意思決定の前後でサプライヤとのやり取りを自動化する役割に分担すると述べています。
技術に詳しくないステークホルダー向けに、Schiessl氏はAIを体系的な痛みの緩和策と位置付けています。つまり、遅延削減、向上した可用性とコンプライアンス、改善されたサプライヤ関係、そして一度に全て導入するのではなく段階的に実施されるコスト・時間の節約です。Vermorel氏は率直に、今後10年以内にAIがバックオフィスのホワイトカラーPLM業務の大部分、特に情報を単に形式間で振り分けるタスクを自動化すると予測しています。
全文書き起こし
Conor Doherty: おかえりなさい。本日はスタジオにRupert Schiessl氏をお迎えしています。彼はBamboo Roseの最高戦略兼AI責任者です。 本日は、Joannes氏と私とで、AI時代における製品ライフサイクル管理の再考についてお話しいただきます。 その前に、いつものように、こちらのYouTubeのLokadTVチャンネルを登録し、LinkedInでのフォローもご検討ください。最近フォロワーが25,000人を突破し、できるだけ早く30,000人にしたいと考えています。冗談はさておき、私たちはコミュニティ構築に努めており、皆さんのサポートが非常に重要です。 それでは、Rupert Schiessl氏との本日の対談をお届けします。
Conor Doherty: 最初の質問です。導入部分で、あなたをBamboo Roseの最高戦略兼AI責任者としてご紹介しました。Bamboo Roseとはどのような会社であり、そこでのご役割は何ですか？
Rupert Schiessl: Bamboo Roseはソフトウェアベンダーです。当社は「total PLM」と呼ばれるソリューションを提供しており、主に小売業のお客様が、企画・設計から流通に至るまで製品の全ライフサイクルを管理するのを支援しています。 これがBamboo Roseが25年間にわたり取り組んできた事業であり、American Eagle、Urban Outfitters、Wolf、Walmartなどの大手ブランド向けに提供しています。 私の役割は、この全体のスタックに広くAIを取り入れることです。後ほどご説明するように、AIはPLMベンダーが行っていること、さらにはソフトウェアやSaaS企業全般の業務に大きな変革をもたらしています。
AI、生成AI、エージェントを活用することで、お客様向けのソリューションをより良くする多くの機会があります。これが私の仕事であり、既存のスタック―すなわち当社ソリューションに詰め込まれた全ての知識とインテリジェンス―とAIを融合させ、ソフトウェアをAI対応にすることです。
Conor Doherty: 特に小売業について触れられましたが、製品ライフサイクル管理の概念を提案する際、人々が解決しようとしている問題は何か、あるいはその問題を具体的にどのように説明していますか？
Rupert Schiessl: 製品ライフサイクル管理とは、その名の通り、製品の設計や製造、さらには「製品を作るべきか？」という初期段階から、流通、リサイクル、廃棄に至るまで全ての段階を管理するプロセスです。 このライフサイクル全体で多くの事象が同時進行し、多くの人々、顧客、ベンダー、サプライヤが連携する中、我々のソフトウェアはこれらを統括する役割を担っています。特に、数千、数万、あるいはWalmartのように数十万の製品を扱う大企業では、Excelシートだけでこれを手作業で管理することは不可能です。
そのため、プロセスを構築し、整理し、アクセス権を設定し、デザイナー、プロダクトデベロッパー、調達アナリスト、サプライチェーン担当者など、関係する全ての人々を一堂に会して、この複雑なプロセスに協調的に取り組ませる必要があります。
Conor Doherty: Joannes、PLMの小売業における問題定義について、何か補足はありますか？
Joannes Vermorel: 小売業においては、そのように提示するのは理にかなっています。PLMは巨大な市場であり、業種によってその意味は大きく異なります。 例えば航空宇宙分野では、各製品がテラバイト規模の情報を含み、あらゆる飛行条件下での安全性を証明するために数千回の実験が行われ、実験記録、証拠、さらには設計の安全性を検証するためのコンピュータシミュレーションまで揃っています。これらは非常に再帰的であり、各モジュールにはサブモジュールのリストが存在し、それぞれに適合証明やエンジニアリング情報が付随し、何十年にもわたって維持されます。
逆に、小売業の場合、各製品に関する知識は比較的薄く、たとえばWalmartでも多くの製品が数十ページ以上の文書を持っているとは考えにくいです。いくつかのメディア資産は存在するかもしれませんが、全体としては非常に浅く、数万の製品が次々と入れ替わります。 したがって、課題は何十年にもわたる複雑なライフサイクルを持つ製品ではなく、迅速に回転する数万の製品を如何に極めてアジャイルに管理するかにあります。同一製品が複数社から調達可能で、場合によっては調達元を変更しながらも供給の継続性を確保する必要があります。
私の考えでは、PLMは業種に大きく依存しており、小売業の場合の課題は、品揃えの複雑性を極限まで管理することにあります。Walmartのポートフォリオを見ると、明らかに数十万製品に上ります。
Rupert Schiessl: 業種ごとの違いには非常に同意します。これがBamboo Roseにおける我々のアプローチであり、非常に小売業に焦点を当て、ファッションでは強みを発揮し、さらに食料品（多くの原料や法的制約のある分野）および一般商品の領域でも強化を進めています。
ファッション分野では航空宇宙ほどではありませんが、製品はサイズの違いや各種コンポーネント、アパレル、靴、スポーツ用品など、複雑で協働的なデザインと多段階の工程を必要とし、これらを当社のソフトウェアで統合しています。
Conor Doherty: AIがPLMをどのように変革しているかに入る前に、歴史的に小売業者は先ほど述べた問題をどのように管理してきたのでしょうか？その方法で機能した点と、そうでなかった点は何でしょうか？
Rupert Schiessl: 歴史的には、複雑なプロセスに対する直感的な反応として、それを多数のプロセス―すなわちサイロ―に分解する手法が取られてきました。これが過去20～30年にわたってPLM内で行われてきたことで、今日のPLM市場におけるほとんどの software vendors は、異なるモジュールを提供し、顧客が必要に応じてそれらを購入、連携して利用するという形をとっています。プロセスがあらかじめ定義され、一度ソリューションが設定されると（時には長い導入プロジェクトを経て）そのプロセスを忠実に再現できるため、この手法は複雑なプロセスに対して非常に有効でした。
しかし、近年、サプライチェーンの disruptions などにより、プロセスや製品が非常に頻繁かつ急速に変化しています。ソフトウェアが設計された当時の製品はもはや現行のプロセスに適合せず、サイロ化されあらかじめ定義された製品は適応が困難で、場合によっては陳腐化してしまいます。 これは、Bamboo Roseが見込む大きな機会のひとつです。すなわち、AIを活用してプロセスを迅速に適応させ、サイロを打破し、各要素同士が連携できるようにし、上流および下流で情報を共有し、プロセスをより柔軟にするという解決策です。
Conor Doherty: Joannes、あなたはサプライチェーンにおけるサイロの大ファンですよね？
Joannes Vermorel: 大ファンです。サイロは最適化可能な範囲の境界を定めるものです。サイロが存在すると、最適化できるカテゴリーや手法が制限されてしまいます。 全員が互いにコミュニケーションを取ろうとすると、数十人規模の高度な分業を維持するのは困難で、結局5人か10人程度のチーム以上にはスケールしません。
しかし、よりモダンなテクノロジーを用いることで、意思決定の支援、意思決定の自動化、または単なる自動化について再考する機会が生まれています。多くの工程は非常に単調で時間がかかるもので、自動化する方法がありませんでした。これは、非常に最近まで、例えば店舗内タグ用に80文字以内に収まるラベルを選ぶといった、テキストに関するすべての作業を意味していました。制限内に収まる名前を慎重に選ばなければなりませんでした。大きな付加価値というわけではありませんが、他に選択肢がなく、年間何百、何千の人時をこの単調な問題に費やしていたのです。今では、その多くが解消され、人々はより戦略的な問題に集中できるようになりました。
ルパート・シェイスル: 私たちは、米国における適切なHTS番号の選定という、関税に関して顧客と非常に似たユースケースを持っています。多くの顧客は米国を拠点としており、それは製品を米国に輸入する際に使用する関税番号であり、今なお存在する普遍的なグローバルシステムです。 製品の特性に基づいて正しい番号を選ぶ必要があり、場合により異なる選択肢が可能な場合にはより有利な税率を選ぶ柔軟性もあります。今日に至るまで、それは、そして今も、完全に手動プロセスでした。しかし、今ではAIが登場し、最新の規制を読み取り、HTS番号の本来の意図を理解し、それらを統合できるようになりました。これまで不可能であった基本的なプロセス全体が、GenAIのおかげで完全に置き換えられたのです。
ヨアネス・ヴェルモレル: これはゼロショット分類と呼ばれます。技術的な意味では、予備の例なしに機械学習分類器を構築しているということです。 法律の仕様がプロンプトの一部としてまとめられ、PDFなどの製品に関する情報源をマークダウン化するための適切な前処理が行われた上で、分類器―すなわちLLM―が特定の訓練を受けずに動作するのです。
GenAIを使うという概念は興味深いです。5年前は、まず例のデータベースを収集し、その後に分類器を構築するという方法でした。当時は「ランダムフォレストを使おう。まずは1,000の例を手動で分類し、それからこの分類器で残りを分類する」という手法が取られていました。しかし、その1,000の例は高コストで時間がかかりました。GenAIの素晴らしさは、曖昧で判断が必要なルールや論理を明示すれば、事前のデータがなくても十分に機能する分類器、すなわちゼロショット分類が可能になる点にあります。
これにより、以前は経済的に実現が難しかった多くのユースケースが解放されます。関税のために千製品分のデータベースを構築することはできても、関税が急速に変わる中で「結局手動でやった方が早い」という状況に陥る可能性がありました。ですから、まさにその通りなのです。
コナー・ドハーティ: 関税の例はすぐに理解できるためわかりやすいですが、根底にある論理―すなわちワークフローにAIを取り入れるという考え―は、巨大なマクロな出来事に依存せずに存在しています。もし、投資に対する意思決定のリターンを最大化するという話であれば、関税が変動している場合も、そうでない場合も当てはまります。ルパート、一般的にPLMにAIを取り入れる際の価値提案をどのように説明されますか?
ルパート・シェイスル: おそらく、二つのクラスに分けられるでしょう。一つは関税の例です。ヨアネスが説明したように、データを柔軟に適応させ、データソースを逐一収集する必要がなくなるのは、あらかじめトレーニングされたモデルが人間のように情報源を理解できるからです。 関税のユースケースでは、4,000ページに及ぶ規制を含むPDFをただ押し込むだけです―もし毎日変わるなら新しいバージョンをアップロードすればよい―そしてそのモデルはそれを読み取ります。人間には到底不可能な作業です。これは、関税だけでなく、常に更新されるPDF、画像、設計図などの非構造化データソースに対しても革新的な変化をもたらします。
デザイナーはAdobe IllustratorのSVGファイルを作成し、変更を加えます―例えば、ボタンの位置を少し左にずらすだけで、新しいバージョンとなり、それを製品開発者が見てレビューしなければなりません。多くのPDFは、供給業者がRFPやRFIに応答する際に提出され、彼らはフォームの記入を好まず、すでに存在するカタログやパンフレットなどの情報を送るのです。これまでは、調達マネージャーがそれらをすべて確認しなければなりませんでした。しかし、今ではそれがGenAIによって置き換えられます。
第二の変革は、組織―すなわちソフトウェア内におけるプロセスや意思決定の行われ方―にあります。これにより、従来の出来事に基づいて異なるシロやモジュール内で柔軟に適応できるようになりました。例えば、供給業者が倒産したり、納入できなくなった場合には、計画や品揃え、あるいは設計自体を調整しなければなりません―それがボタン供給業者であったり、特定の素材であったりといった場合です. この全工程には多大な時間が必要でした；ファッション業界ではライフサイクルが短いため、そもそも行われなかった可能性もあります。しかし、今やAIのおかげで、データベースの常時監視、環境に応じたプロセスの自動適応、自動再計画、品揃えの再構築、価格や設計の変更、さらには動的なプロセスの相互接続が可能になっています.
ヨアネス・ヴェルモレル: LLMは非常に構造化された作業を遂行するのにはあまり向いていません。もし1万製品のリストを処理する必要があるなら、ループ処理が必要となり、LLMでは処理が遅くなります。LLMはテキストが関わる場合に優れています. 例えば、価格最適化において、LLMは価格戦略のコード作成を手助けすることはできますが、製品の特性を入力して「価格を教えて」と言わせるには向いていません。そういった用途には適していないのです.
私が将来的に見ているのはエージェント間の連携です。Googleは数週間前にエージェント対エージェントのプロトコル仕様を発表しました。企業がウェブサイトを公開するのと同様に、エージェントを公開できるというアイディアです。あなたがそのエージェントに供給する情報は、世界と共有する用意のあるものとなります. もしあなたが供給業者であれば、カタログをすぐに利用可能な状態にしておくことができます；そのエージェントは、クライアントによって問い合わせられ、あなたはエージェントにデータベースを供給し続けます。クライアントは、他のエージェント用に設計されたこれらのエージェントに問い合わせることで、PDFやLLM処理にあまり適さないメディアを個別に扱う必要がなくなります。PDFがあるたびにまずテキストへ変換しなければならないという一連の障壁が取り除かれるのです.
ルパート・シェイスル: これは確かに興味深いです。顧客と供給業者のエージェントネットワーク間のコンプライアンスの問題が生じるでしょう。非常に近い話題として、実際に「私は供給業者としてあなた（顧客）にデータを共有していますが、あなたが情報の全てを取得しないように、または私が共有したい情報だけを取得するようにするにはどうすればよいか」という質問をいただいています. これが今後数年間で最も重要な課題の一つになるでしょう。エージェントが共有するデータをどのように制御するか、またそれらが誤りを起こさないようにするにはどうすればよいかという問題です。エージェント同士が会話するのは確実ですが、特に企業外へデータが流出するのをどのように防ぐか、という点で大きな機会と課題、そしておそらくは大きな事件が発生するでしょう―ただし、私たちのどちらの会社も関与しないことを願うばかりです.
ヨアネス・ヴェルモレル: 現在、ランサムウェアなど数多くのIT問題が存在しており、それらはもっと深刻で切迫した問題です。私の考えでは、大多数の企業にとって、データは人々が思っているほど重要ではありません。ただし、ASMLのように超先進的な物理プロセスを持つ企業や、SpaceXのようにロケットエンジンを扱う企業であれば、非常に敏感な資産となるでしょう. しかし、企業の99%においては、本当に重要なデータはほとんど存在しません。いわゆる重要なデータとされるものは、むしろ資産ではなく負債であることが多いです。もしあなたが小売業者であれば、おそらく顧客の個人情報は保持すべきではありません；それは負債となります。もし漏洩すれば大きな報道問題となり、ビジネスを根本的に促進することはありません.
ですから、製品カタログ―誰でもeコマースサイトからスクレイピングできるもの―であっても、内部でうまく整理されていることには価値があります；それを否定しているわけではありません。ただし、このデータが仲間内で少し過剰に共有されたとしても、世界の終わりではありません。逆に、共有してほしくないデータ、つまり顧客の個人データは負債なのです. Lokadでは、ほぼすべての顧客について、個人データを一切保持しないようにしています。なぜなら、それが負債となるからです。たとえLokadが侵害されたとしても―これまで一度も起こっていませんが―、私たちが保持しているのは、PR上問題にならない情報、すなわち商業情報、製品リスト、フローリスト、在庫レベルだけだからです。あなたは在庫レベルを競合他社に知られたくありませんが、仮にそれがRedditに掲載されたとしても、あなたの会社にとって世界の終わりではないでしょう.
コナー・ドハーティ: それが世界の終わりではないかもしれませんが、ルパート、あなたがLinkedInの記事『The End of Software as We Know It』で述べたように、AIは論理層を消滅させると書いていました。あなたが主張していた主な論点は何で、AIはどのようにPLMの論理層を消し去るのですか?
ルパート・シェイスル: タイトルは少々挑発的ですが、実際にその現象が起こっていると言えるでしょう。私は17年間ソフトウェア業界に携わってきましたが、ソフトウェアベンダーとして私たちが最も誇りにしているのは、論理やビジネスロジックを構築することであり、それにより顧客のビジネスプロセスをエレガントで汎用的な方法で再現し、最小限のコードで多くの問題を解決できるようにする点です. その上に、ユーザーがこの論理と対話するための美しく設計されたユーザーインターフェースがあります。スタックの最下層には、ソフトウェアを利用する顧客のプロセスやビジネスロジックを反映して相互接続されたデータが存在します。これが従来の方法でした.
しかし、ヨアネスが述べたように、LLMは価格設定、最適化、または予測アルゴリズム―これらは数学的に最適化されるもの―を生成するのには適していませんが、コードを生成し、論理的な流れを記述することは可能です。これらのアルゴリズムは、ソフトウェアベンダーが事前に定義した論理やプロセスを、現在の経済環境、応答している供給業者、またはソフトウェアを使用しているユーザーなど、状況に応じてより動的でインタラクティブな方法で適応させることができます. プロセス自体が同じである必要はなく、プログラマーがすべてのプロセスを予測することなく、LLMが動的に適応させることが可能になるのです。これは大きな変革です.
また、これはユーザーインターフェースにも影響を及ぼします。UIはこれまで、論理同様に、ケースやユーザーの要求を予測して固く安定的に設計されてきました。しかし、デザイナーが見るものは経理部門とは異なります。今や、コード生成エージェントや論理エージェント―これらのGenAIアルゴリズム―を用いることで、データベースから得られる情報、プロセス、そして目の前にいる人物に応じたUIが生成されるのです. これらを総合すると、論理は次第に消えつつあり、ユーザーインターフェースも姿を消していきます。残るのはデータと、その中に含まれるビジネスロジックだけとなります。結果として、データ層の価値が増大し、私たちはこのデータを守る方法や、LLMが何が起こっているのかを理解し、内部エージェントや顧客・供給業者など他社のエージェントがアクセスできるようにするためのメタデータ層を改善する必要があるのです.
ヨアネス・ヴェルモレル: システムオブレコード、すなわち企業内で製品やそのライフサイクル、在庫レベル、注文などの電子的な対応物として設計された企業向けソフトウェアを見ると、その膨大な論理のほとんどは労働の分業を支えるために存在しています. もし自動化が実現すれば、その労働分業を管理する必要はなくなります。突然、自動化されたものに対して、これまで必要だったUI、論理、ワークフローといった層が不要になるのです。多くの企業向けソフトウェアでは、労働の分業が論理の90%以上を占めていたのです.
段階、ワークフロー、監視、KPI、行動の呼びかけなどが作られていました。しかし、もし自動化が実現すれば、そのような細かな段階、ワークフロー、KPIは必要でしょうか？それらはすべて消え、もしかすると自動化が正常に動作しているかを示す技術的な指標―例えば、状態が「グリーン」であるかどうか―に圧縮されるだけになるのです. 自動化の効果を理解するには、迷惑メール対策を思い起こしてください。90年代、企業向けの迷惑メール対策ソフトは非常に複雑で、膨大な数のルール、監視、何百ものパラメータがありました。しかし、今やあなたの迷惑メール対策はどうなっているでしょうか？存在し、機能しており、あなたは意識する必要がなくなりました。見なくなった迷惑メールフォルダーがあるだけです。つまり、多数の人員が必要だったために存在していた論理が、自動化によって消え去ったのです.
はい、LLMを使えば、SQLクエリを自動作成してレポートを生成することが可能で、ある程度の論理を省略できますが、それは多数の人手を必要としたために存在していた余分な仕組みを取り除くことに比べれば微々たるものです。もし大量の人員が必要であったなら、異なる権限を持つ管理者や、マネージャー、様々な視点からの監視が求められます。企業向けベンダーは、多くの人に対応する機能を導入するのを好みますが、もしその必要がなくなれば、これら機能のほとんどの有用性が失われるのです.
ルパート・シェイスル: もう一つ変わっているのは、全体のプロセスがより入力志向になるという点です。すなわち、全体のプロセスやワークフロー、共有の責任を一から設定するのではなく、境界、制限、制約、そして目的を設定するのです. そうすると、新たなタイプのソフトウェアは、人間の組織がオーケストレーターや複数のチームによって運営されるように、自動的に組織化され始めます。これは、ルールや階層が必要な人間組織において必須のものなのです.
これが主要な動向です。ソフトウェアベンダーとして、私たちは全体のプロセスを構築するのではなく、顧客自身がこれらの自動化ツールのためのルールや組織を設定できるソフトウェアを構築しなければならなくなっているのです.
コナー・ドハーティ: 記事の中で、AIとともに新たなルールや目標志向のプロセスが出現し、AIが自律的に学習すると述べられていましたが、もう少し詳しく説明していただけますか?
ルパート・シェイスル: すべてのステップを予め想定するのではなく、LLMベースのAIツールという異なるエージェントが協力して働く組織を構築します。そして、その中で、各エージェントがどのように連携し、誰が誰と対話可能なのか、どのような制約や境界が設けられているのか、どのツールにアクセスできるのか（内部かどうかを含む）、各ユーザーの権限、さらにどのデータにアクセス可能かを定めるのです. その設定が完了すると、彼らに行動を委ねます。現時点では非常に基本的なタスクですが、徐々に複雑になり、最初に設定されたタスクや目的を達成するために協力して働くようになります.
コナー・ドハーティ: 私たちは現在の人中心のシロ構造と従来のPLMビジョンを対比させました。では、どのようにしてこれらのシロを打破し、あなたがおっしゃったような状態に近づけるのですか?
ルパート・シェイスル: Bamboo Roseでは、計画から流通に至る6つの要素、すなわち6つのシロを持ち、その上で「意思決定インテリジェンス」と呼ばれる仕組みを導入しています。これをAIと呼んでもよいのですが、それはシロを超えて上流・下流で協働して行われる意思決定のための方法です. 意思決定インテリジェンスの枠組み内で、顧客が解決したいルールや目的を設定し、その後、各プロセスが自動的に動作するようになっています.
現時点では、特定のタスクに対してその作業を行っています。以前は適切な関税番号を見つけるためにいくつかのステップが統合されたプロセスがありましたが、今では「この製品に対して適切な関税番号を見つけて」と指示するだけで、エージェントが各部分を確認し、必要な情報と最新の法的情報を取得し、分類器を実行してそれらをまとめ、検証と説明を行い、その後、ユーザーのフィールドに適切なHTS番号を説明付きで入力します。
それは、ファッションやアパレルにおける製品ライフサイクル管理（PLM）の非常に重要な部分である、テックパック作成のようなより複雑なプロセスに向かっています。テックパックとは、材料表や測定ポイントを技術的に記述するもので、場合によっては一つの製品に対して50～100ページにも及ぶことがあります。すべてのコンプライアンスや法的制約、有機綿であるかどうか、すべてのサイズを含み、それをサプライヤーに送るのです。 今日、顧客が新しいプルオーバーを求める際、彼らは類似製品からコピーして適応するか（これも時間がかかります）、あるいは 新製品 を一から作成します。これには非常に多くの時間がかかり、50～100ページに及ぶ技術情報すべてが作成されなければならないのです。
エージェントネットワークは、最近の製品にアクセスし（ある顧客の場合、データベースに数十万件のアイテムが登録されている）、類似の製品情報を見つけ、最新の法的制約を取得し、それらをまとめてテックパックを作成することができます。これは、エージェントネットワーク、つまりAIによって完全またはほぼ完全に自動化された複雑なプロセスの自動化です。 我々の北極星は、顧客が製品を市場や流通センターに投入したいと考える点にあります。すべてのステップの間に必要な作業は発生しますが、それはAIが可能であれば顧客が委任する作業です。PLMの最終的なビジョンは、「来年のコレクションを生成し、市場に投入する」ことであり、それが自動化された形で実現されるのです。もしかすると、従業員1人のユニコーン企業を創出するスタートアップが現れるかもしれません—もしかすると、ファッション流通もその一例となるかもしれません。
Conor Doherty: ジョアンネス、何かご意見はありますか？
Joannes Vermorel: 適用性のためには、商品の組み合わせ（どの衣服、サイズレンジ、色、柄、スタイル）と、その周辺の文書作成を区別する必要があります。LLMは製品のアソートメントを構成するには適していません。20,000種類のバリアントがあるカタログをLLMに入力しても、製品タイプ全体で意味のある色の深さのバランスが取れるとは期待できないのです。 アソートメントそのものを構成するためには、古典的または確率的最適化など、他のアルゴリズムのクラスが必要です。理想的なアソートメントの概要ができたら、各製品ごとに要件収集と文書作成のプロセスが始まります。そこでLLMは真価を発揮するのです。
LLMは、主にテキストや少しの画像といった非構造化データの処理には非常に優れていますが、計算に関しては得意ではありません。計算のためのコードを生成し、それを実行することで利用することは可能です—異なる層において。 つまり、LLMはアソートメントの分析と再調整のためのコード作成を支援し、その後、多くの製品にまたがる数千ページの文書を生成する手助けを行うため、大幅な時間削減につながります。すぐに適用できる非常にスマートな事前テンプレートロジックを考えてみてください。そこで、モデルが情報を欠く部分は人間が調整に入るのです。場合によっては、すべての関連情報をモデルに提供することが、人間の介入よりもコストがかかることがあるため、トレードオフが存在します。しかし、企業が求めるものとサプライヤーが提案できるものとの間の大部分のやり取りの自動化、すなわち膨大な書類作成業務については、LLMが自動化することで全員が同じ認識を持つことができます。
Rupert Schiessl: 的確な表現をありがとうございます。LLMは、既に存在する他のツールやアルゴリズムのオーケストレーターとして捉えるべきです。Bamboo RoseやPLM内には、部品表（BOM）を作成、分析、検索するためのアルゴリズムが存在します。LLMはそれ専用に作られているわけではありませんが、これらのアルゴリズムが存在することを認識し、それらをツールとしていつ使用するかを判断し、プロセスの次のステップに情報を提供することができます。
Conor Doherty: PLMの全段階をまとめると、ルパート、どの段階でAI—LLM、ジェネレーティブAI、またはその他のアルゴリズム—が最も大きなプラスの影響をもたらすとお考えですか？
Rupert Schiessl: 私見では、三つのレベルがあります。第一に、防御的AI：既存のプロセスをそのままAIで自動化し、より速く、より堅牢に、従業員の時間を節約するものです—全体のプロセス自体は変わらず、ただ速度が向上し、より正確で、パフォーマンスが高くなります。 第二に、拡張です：プロセスを変革し、述べたように動的に適応させ—プロセスを統合し自動化、またはAIを用いてプロセスを再設計します。設定はより複雑になりますが、付加価値が高いです。
第三に、付加です：プロセスの上に、AIのおかげで以前は不可能だった新しい何かを創造すること。企業はAIを活用して新製品、オファー、サービスを発明できます。製薬業界を例に取れば、全体の変革と製品創造プロセスが自動化され、GenAIにより新製品をはるかに短い期間で生み出すことが可能になります. Bamboo Roseにおいては、一番目のレベルで導入できる多くの自動化機能があり、即座に時間とコストの節約が実現されます。プロセスを統合・変革できる仕組みがあり、テックパック作成は典型的な複数人によるプロセスです。最近導入したもう一つの例は、ファッションデザイナーが即座にコスト見積もりにアクセスできるようにしたことです。以前は、デザイナーがコストのためにプロダクトデベロッパーに送り、返却を受け、修正し、再送していました。現在はこれらのプロセスが連結され、デザインの変更に基づいてコスト見積もりが再計算されます.
もちろん、最後のレベルである付加により、顧客が製品のデザインや展開方法を変革し、新しい製品やより良いサービスを創出する可能性が与えられます.
Conor Doherty: ありがとう、ルパート。ジョアンネス、AIはロカッドのクライアントにどのように貢献していますか？
Joannes Vermorel: 我々の場合、サプライチェーンに関する意思決定の完全なロボット化は10年以上前から始まっており、そのほとんどは全くGenAIを使用していないという、やや異なる見解があります. 物理的な商品のフローに対する予測最適化—すなわち、いつ購入するか、どこに送るか、どこに在庫するか、何を生産するか、どこに出荷するか、そして価格の調整を行うこと—を行っています。これらの意思決定は非常に定量的であり、10年以上にわたって数値レシピに依存してきました。生成AIなしで既にロボット化されていたのです.
GenAIは、コードの保守を容易にし、整然としたPLMが存在せずデータが乱雑な場合に製品カタログの整理といったタスクを促進します。しかし、我々にとっては、完全な自動化はずっと以前から始まっていました. 現状のGenAIを用いることで、定量的な意思決定の前後の作業も自動化できます。例として、あるサプライヤーからのMOQ（最小発注量）の情報が古くなっており、新鮮な情報が必要だとします。以前は、情報収集のためにメールを書いたり、テンプレートを使用したりと手動で行われ、返信も必ずしも明確ではありませんでした。LLMを使えば、それが完全に自動化されるのです.
意思決定がなされた後、例として、既にサプライヤーに発注済みの注文の迅速化を試みることにしたとします。これは、サプライヤーと連絡を取り合い、場合によっては「はい、可能ですが、追加費用が発生します」といったやり取りが必要となります。その答えは単純ではなく、二者択一でもありません。第三者とのプロセス後のやり取りは、コアの意思決定（迅速化候補の特定）にGenAIが関与しておらずとも、GenAIを使って自動化することが可能です.
Conor Doherty: 時間を意識します。技術に詳しくない方々への締めくくりとして、PLMワークフローにAIを導入する価値提案を、全リスナーが理解できるようにどのように提示しますか?
Rupert Schiessl: 我々の顧客にとって、PLMプロセスはしばしば時間がかかり、各ステップで苦痛を伴い、最適ではありません。あるサプライヤーがいなくなって製品を出荷できなくなるといった理由で、顧客は機会を失っています。製品の全過程にわたって多くの痛点が存在するのです. AIが翌日すべてを解決するわけではありませんが、これらの痛点を一つひとつ解消する大きな機会となります：より正確な予測、より良い製品の在庫状況、製品品質の向上、製品コンプライアンスの向上、そして小売業者がサプライヤーに対する要求時間を減らすことで、サプライヤーとの関係も改善されるのです.
サプライチェーン全体に参加するすべての関係者にとって、以前よりも迅速に利益がもたらされます。すべてがより円滑に進行するでしょう。時間はかかるものの、ソフトウェアベンダーとしての我々の使命は、顧客が既に知っているスタックの中にこの技術を組み込み、製品ライフサイクルがどのように管理されるべきかを示すことにあります. 我々のソフトウェアを用いることで、顧客はコスト削減、時間節約、そしてより良い製品品質を享受することができるのです.
Conor Doherty: ジョアンネス、締める前に何か追加はありますか?
Joannes Vermorel: おそらく、バックオフィスのホワイトカラー労働者の約90%に対してAIが進出してくるでしょう。PLMの多くの日常的な業務は、今後10年で自動化されるでしょう. もしタスクが大きな付加価値を生まなければ—主に情報をある形式から別の形式へと移動または再配置する作業—それは今後数十年で自動化されるでしょう。それは大きな変革となります。というのも、その企業にとっては自動化によって淘汰される膨大な数のホワイトカラー労働者の存在を意味するからです—今日の一例に過ぎません.
Conor Doherty: さて、皆さん、これで質問は以上です。ルパート、スタジオでの対話にお時間をいただき、誠にありがとうございました。そして、皆さんに申し上げます：仕事に戻りましょう.
