パブリックセクターでデータ分析とAIを活用して、パブリックバリューを高めるには

こうした便益はいずれも、組織と市民の双方により良い成果をもたらし、パブリックバリューを高めており、実際、以下に示すパブリックセクターでのAI活用事例のように、明確な成果を伴う6つの主要なバリュードライバーに分けることができます。

1. 生産性と効率性：業務の効率化によるコスト削減。米国のある都市では、業務プロセスをシステムとアプリケーション全体にマッピングするAIツールを使って請求処理のワークフローを分析し、このプロセスを自動化して、年間約1,500時間分の手作業を削減しました。
2. 従業員体験：業務の簡素化による従業員体験と仕事に対する満足度の向上。英国では、AIアシスタントがカスタマーアドバイザーによる市民への迅速な場所案内や信頼できる情報の共有をサポートしています。これにより応答時間が50%短縮し、またアドバイスすることへのアドバイザーの自信が2倍高まりました。
3. 市民・エンドユーザー体験：相手のニーズに合わせた、アクセスしやすい事前対応型サービスの実現。ある社会保障当局は、市民からの問い合わせに24時間年中無休で対応する生成AIチャットボットへの市民のアクセスを増やす取り組みを進めています。すでに600万人がこのソリューションを利用しており、2027年までの完全統合を目指しています。
4. 戦略的なサービスプランニング：ニーズの予測と、リソース配分のさらなるスマート化オーストラリアのある州政府部局は、大規模インフラプロジェクトのコストと時間の見積もりを精緻化させるAIツールを試験的に導入して、見積もり超過に伴う財務リスクと不確実性を軽減しました。
5. 財務の最適化：非効率性の排除と不正行為の減少、税収拡大。ある税務当局はリアルタイムの納税申告・分析にデータ分析とAIを活用し、申告ミスの検出で2,300万米ドル以上の税収を上げ、3,800万米ドル以上の現金を回収しました。
6. リスクとレジリエンス：脅威への対応とオペレーショナルリスクの管理、サービス継続性の確保。フランスのある県は、ITインシデントを解決するソブリン生成AIモデルを採用し、問題解決に要する時間を1～12時間からわずか2～5分に短縮しました。

政府機関は導入を急ピッチで進める必要があることを認識していますが、導入状況は機関により著しく異なります。慎重な段階的アプローチをとるところがほとんどですが、導入が進んでいることは間違いありません。パブリックセクターでは、データとデジタルインフラの整備が進んでいるのに対して、AIと生成AIの導入率が著しく低いことが分かりました。これは、AIが持つ変革力が注目されるようになったのがここ数年のことであるため無理もありません。また、導入率が低い背景には、AI固有のリスクを把握・管理する必要があり、それに対して当然のことながら懸念が生じていることがあります。実際、回答者の65%が生成AIの普及が急速に進み過ぎていると述べ、安全性を損なうことなく便益をもたらすことができる、より多くの情報に基づく、よりバランスの取れたアプローチが必要だと強調していました。

政府機関はリスクの管理と価値の実証を行いながら、ケイパビリティの構築を進めているところであり、このように導入を段階的に進める取り組みは戦略的に妥当だといえます。とはいえ、パブリックバリューを高めるには、導入の加速に向けて次にどのような手を打つかが極めて重要です。

今回の調査で、導入の進展と戦略の高度化で他の政府機関をはるかにしのぐ「先駆者」グループがあることが分かりました。他の政府機関の取り組みを促進させる一助となる、どのような学びをこれら政府機関から得ることができるでしょうか。

先駆者の方程式：パブリックセクターでのAI導入の成功に必要な基盤を築く

今回の調査の結果から、先駆者は強固な基盤を築いてから、高度なAI技術の導入を急ピッチで進めることを戦略的に重視しており、それが他者と差をつける要因となっていることが明らかになりました。

こうした先駆者は明確な成功の方程式に従うことで、導入格差の解消に成功しています。成功の方程式とは、まず強固なデータインフラを整え（先駆者が88%、後発組が58%）、包括的なデータガバナンスを構築するとともに、技術だけでは十分でないことを認識した上で、技術的な基盤と組織の準備態勢の両方を同時に重視するといった対応です。

先駆者グループの組織は、AIへの投資を今後3年間にわたり推し進めていきます。これは、強固なデジタルインフラやデータ基盤の構築やプロセスのデジタル化・分析に重点的に投資しながら、AIと生成AIの導入を進める準備を整えるという、導入の論理的な道筋に沿った取り組みです。

デジタル化を優先的に進めることで、クリーンで構造化され、より高度な用途に対応したデータを確保できるため、こうした優先順位付けは戦略的に妥当だといえます。また、最初に強固なデータガバナンスを構築せずにパブリックセクターにAIを導入することで生じるコスト増や複雑化を回避する上でも効果があります。

いち早くAI導入に注力したことがメリットをもたらしているのは明らかです。先駆者は、いくつかの領域で後続組より効果的なデジタル基盤とデータ基盤を築いています。

先駆者を他者とは一線を画す存在にしているのは、技術的機能と人間的側面に同時に対処する、その包括的なアプローチです。人材育成に優先的に取り組み、厳しい倫理指針で労働者の倫理力を育て、外部と連携して能力不足を解消し、政府・公共サービスでのAIの活用を市民に受け入れてもらう下地を作っています。

こうしたバランスの取れた戦略が目覚ましい成果をもたらしているのです。AIの取り組みの成果は予想を「やや上回った」あるいは「かなり上回った」と回答した人の割合は、先駆者が62%で、後発組の26%の2.4倍でした。

データ分析とAI・生成AI技術の導入はパブリックセクターに難しいパラドックスをもたらしています。この技術が持つ変革力を明確に認識する一方、進展を阻む根強い障壁に直面しているのです。

回答者が挙げた最も大きな障壁はプライバシーとセキュリティ面の懸念（62%）、戦略のすり合わせの欠如（51%）、インフラの未整備（45%）、効果が不透明で、説得力に乏しいビジネスケース（41%）、倫理的問題（42%）などです。

今回の調査の結果から、興味深いことに、こうした課題は往々にして、導入に向けた取り組みが進むにつれ、軽減されるのではなく深刻化することが明らかになりました。先駆者は後続組よりこうした障壁を強く認識しており、「何を知らないかを理解していない」状況が生まれていると考えられます。つまり、AIに深く関与すればするほど、それがいかに複雑であるかがよく分かるということです。

一方、こうした課題は、今回の調査の結果から克服できることが分かりました。先駆的な組織の実績あるアプローチを研究することで、政府機関は導入に向けた取り組みを加速させ、データとAIが持つ変革力を活用し始めることができます。

今回の調査結果を分析したところ、先駆的な組織は、戦略策定から価値提供までの取り組みを大きく3つのステップに分けて策定し、成果を上げていることが分かりました。

ステップ1：大胆な戦略的コミットメントを示す。

先駆的な組織は、自らの中核的ミッションに沿ってAIの導入を進めるという明確なビジョンを掲げて、大胆なリーダーシップを発揮するとともに、高官・幹部レベルの支援体制と専用の投資体制を確立し、こうした取り組みが戦略的に重要であることを発信しています。

具体的な対応：

• 組織の中核的ミッションに沿った明確なビジョンを打ち出す。
• AIが持つ可能性についての理解を深めることを目的とした高官・幹部レベルのAI教育に投資をする。
• 高官・幹部がしっかりと支えるAIガバナンス体制（取締役会、センター・オブ・エクセレンス）を構築する。
• 柔軟性を持たせることができ、また実証された価値に対応した、革新的な資金調達モデルを構築する。
• ミッションに対する具体的な影響を明確に示して、部門を超えた賛同を得る。

ステップ2：5つの基本的な基盤を築く

今回の調査の結果から、AIの導入を成功させるには、技術的機能と組織の準備態勢の両方に同時に対処できる包括的なアプローチが必要であることが分かりました。これから紹介する5つの基盤は、先駆的な組織が備える、成功に不可欠な要素です。

1. データとテクノロジー

先駆者はまず強固なデータインフラとデータガバナンスを構築してから、AIの導入を開始しています。重視しているのは、質の高いデータと最新のデータアーキテクチャ、安全なプラットフォームです。

具体的な対応：

• クラウドベースのプラットフォームを導入して拡張性と相互運用性を確保しながら、現在のデータの質とアクセシビリティ、ガバナンスを評価する。
• 包括的なデータカタログを作成して、情報を見つけやすくする。
• 部局をまたいだデータ共有についての合意を形成して、法的・文化的障壁に対処する。
• 明確な基準と検証プロセスを定める。
• 最高データ責任者や最高AI責任者など、ガバナンスと導入に責任を負う専任のリーダーを任命する。

2. 人材とスキル

先駆的な組織は、戦略的な人材計画や総合的な研修プログラム、技術的なスキルセットの確保を目的とした外部とのパートナーシップで人材不足に対処しています。

具体的な対応：

• スキル評価を行い、どのような能力が不可欠であるかを把握する。
• デジタルアカデミーと学習プラットフォームを立ち上げて、大規模なスキルアップを図る。
• 業務運営上の本質的な課題に対応するAI研修プログラムを作成する。
• 大学やテクノロジープロバイダーと協力して人材交流制度を構築する。
• データ・AI専門家を対象とした明確なキャリアパスを構築する。

3. 適応力のある文化

成果を上げているのは、イノベーションや試験的試みが活発に行われ、最新テクノロジーを抵抗なく受け入れる環境を育む組織です。こうした組織は、計算されたリスクをとることを「容認する体制」を作り上げています。

具体的な対応：

• 試験的試みを行う保護空間を備えたイノベーションラボを設立し、包括的なチェンジ・マネジメント・プログラムを実施する。
• AI導入の初期段階では、従業員体験の向上に注力し、AIツールの開発に職員を巻き込んで当事者意識を持たせる。
• AIが人間の仕事を（奪うのではなく）どのように補完するのかを分かりやすく発信する。

4. 信頼と倫理的なガバナンス

社会の信頼を高めることが不可欠です。リーダーが厳しい倫理指針や透明性の高いデータの利活用法を定め、人間による有意義な監督体制を構築する必要があります。

具体的な対応：

• 市民と連携してAIをめぐる懸念に対処し、AIソリューションの設計と試験的導入に市民を巻き込む。
• 専用の監督機能を備えた、包括的なAI倫理フレームワークを策定し、バイアス監査と影響評価を定期的に実施する。
• AIモデルと意思決定プロセスの透明性の高い記録を作成する。
• あらゆる用途でプライバシー・バイ・デザイン原則を適用し、影響の大きい決定には適切な人間による監督を続ける。

5. 連携エコシステム

先駆的な組織は、パブリックセクター、プライベートセクター、アカデミックセクター、市民セクターをまたいだ多様なパートナーシップネットワークを構築して、導入の加速や、単独では実現できないケイパビリティの拡大を図っています。

具体的な対応：

• 外部とのパートナーシップによる能力不足への対処を検討する。
• 戦略的にテクノロジーパートナーと連携し、高い専門知識にアクセスできるようにする。
• 研究と人材育成で学術機関と連携する。
• 政府間の取り組みに参加して、ベストプラクティスとリソースを共有する。
• イノベーションハブやスタートアップインキュベーター、デジタルスキルを支援する取り組みなどを通じて、国・地域をまたいだAIの普及を積極的に後押しする。

ステップ3：デリバリーエクセレンスに焦点を合わせる

単独のパイロットプロジェクトから組織全体の導入へと移行するには、規律ある実行と明確なロードマップが必要です。

具体的な対応：

• 具体的な問題に対処し、直接的な効果をもたらす価値の高いユースケースから始める。
• ハブ・アンド・スポーク（集中と分散）型デリバリーモデルを導入して、中央のスキルセットと各部局の専門家を組み合わせる。
• 迅速な反復と継続的なフィードバックを行う段階的なアプローチをとり、成功基準を明確に定めた体系的な評価プロセスを構築し、成功事例を記録しておき、組織的な支援体制を構築する。
• 持続可能なAIの運用と柔軟な資金調達、コンプライアンスに向けた準備、継続的な戦略のすり合わせを計画する。

先駆的な組織から得た学びは、変革を加速させる助けとなります。そうした組織も同じように取り組みを進め、障壁に直面し、それを克服する方策を導き出してきたのです。

今こそ行動を起こす時です。パブリックセクターの未来は、このきっかけをつかむかどうかにかかっています。パブリックセクターのリーダーが自問すべき問いはもはや「こうしたテクノロジーを導入するかどうか」ではありません。「それを早く、効果的に導入して、すべての市民により良い成果をもたらすという中核的ミッションを強化するにはどうすればいいか」なのです。導入を成功させるには、戦略的な投資を行い、5つの基盤すべてを同時に強化する必要があります。

サマリー

政府機関は、データとAIにパブリックセクターを変革する力があることを理解していますが、導入率は相変わらず低いままです。このまま何の行動も起こさなければ、それにより生じる損失が日々膨らんでいきます。今回の調査で、導入の進展と戦略の高度化で他の政府機関をしのぐ「先駆者」グループがあることが分かりました。パブリックセクターはこうした先駆的な組織から学ぶことで、より強い戦略的意図を持って取り組みを進め、成功に必要な5つの基盤を整えることができます。