私は2000年代初頭にAIに興味を持ち始め、手書きOCR（光学文字認識）に焦点を当てたプロジェクトでジュニア部門のコンペティションで優勝したこともあります。興味深いことに、2000年の時点ですでに、今日でも使用されている中核アルゴリズムのほぼすべてが揃っていました。当時まだ欠けていたのは、十分な計算資源でした…
時が経つにつれて、私の関心はパフォーマンス測定へ、さらにその後は戦略実行というより広い分野へと移っていきました。今日、LLMが見出しを席巻する中で、私たちは基本に立ち返ることがほとんどありません。
ニューラルネットワークにおいて、実際に学習を可能にしているものは何でしょうか？
現代AIの中核には、いくつかの単純な数学的原理があります。そして私は、これらと同じ原理が、組織が戦略を実行する際にどのように活用でき、また活用すべきかという点に、明確な類似点を見ています。
AIが学習できる理由
ニューラルネットワークの数学的基盤の一つは、関数の合成に適用される微分積分学の連鎖律です。ニューラルネットワークは、多数の単純な微分可能な演算から構成される層状のシステムです。連鎖律により、合成全体を通して勾配を計算できます。これこそが、大規模な学習を可能にするものです。
- 順伝播の間、ニューラルネットワークは当初は誤っている出力を生成します。
- ラベル付きデータと損失関数を用いることで、結果が望ましいアウトカムからどれだけ逸脱しているかを測定できます。
- 内部のすべての演算が微分可能であるため、各変換について局所的な導関数を計算できます。
- 連鎖律を適用することで、これらの局所的な導関数は、モデル内のすべてのパラメータに関する損失の勾配へと結合されます。
このシステムは、誤りが発生したことを検出するだけではありません。各パラメータがその誤りにどのように寄与したのか、そしてそれをどの方向に変更すれば結果がどう動くのかを判断します。
組織学習システムとしての戦略実行
同じ問題は組織にも存在します…
優れた戦略実行とは、目標、下位目標、施策、そしてパフォーマンス指標から成る構造化されたシステムです。
実行の過程では、組織は意図した方向性からの逸脱をできるだけ早期に検知する必要があります。だからこそ、パフォーマンス測定が存在します。パフォーマンス測定は、現実が前提から離れつつあることを示す最初のシグナルを提供します。
しかし：
「何かがうまくいかなかった」と分かるだけでは、それ自体ほとんど役に立ちません…
実行が改善するのは、組織がシステムのどの要素に調整が必要なのか、そしてその調整が結果にどのような影響を及ぼし得るのかを把握できる場合に限られます。
ニューラルネットワークでは、これは連鎖律によって数学的に可能になります。戦略実行においては、戦略が適切に分解され、ステークホルダーの期待と整合し、曖昧な志向から、複数レベルの具体的で因果的につながった目標と指標へと翻訳されてはじめて可能になります。
適切に実装された戦略を実行してください
この意味で、効果的な戦略実行は、よく設計されたニューラルネットワークのように見え始めます。
逸脱が発生した場合、組織は迅速に学習できます。単にパフォーマンスが期待を下回っているということだけでなく、ステークホルダーの期待に近づくために、どの施策、プロセス、能力、または前提を調整すべきかも学べます。
戦略が不十分に明確化されている場合（抽象的な目標、因果関係なし、意味のある指標なし）、組織は利用可能な勾配を持たないモデルと同じ状況に陥ります。結果が悪いことは分かっても、何を変えるべきかを判断するための信頼できる方法がありません。
ニューラルネットワークでも組織でも、フィードバックが伝播できる相互接続された構成要素からシステムが構築されて初めて、学習が可能になります。
以下がある場合：
- 構造、
- ローカルな説明責任、そして
- 測定可能な推進要因
…継続的改善が可能になります。これらがなければ、組織に残るのは成功／失敗のシグナル程度であり、どのように改善すべきかを理解するための仕組みがありません。
では、私たちはついにマーケティング支出がどこに行くのかを把握できたのでしょうか？
端的に言えば、「いいえ」です（ニューラルネットワークも同様に把握できません）。
AIでは、単一のニューロンを指して「これが結果を引き起こした」と言うことはできません。それでも学習が可能なのは、フィードバックが多数の接続された部分を通って流れ、徐々にそれらを再形成するようにシステムが構築されているからです。
「マーケティングが機能している」と言うことは、「モデルが改善した」と言うのに似ています。方向性は示しますが、次に何を変えるべきかは教えてくれません。
有用になるのは、システムの中にあるパターンを見出すことです。
例えば、トラフィックが増加し、コンテンツのエンゲージメントが改善し、リードの創出が増えている一方で、売上は横ばいのまま、商談の成約率が低下し、クローズまでの期間が長くなることがあります。
分析の観点では、もはや単純な成功／失敗ではありません。システムの一部が改善している一方で、他の部分が整合していないことを示すシグナルのパターンです。
システムは、単一の「犯人」となるキャンペーンを特定しません。どこに調整が必要かを示します。
これが、うまく機能しているときの学習の姿です。
すべての1ドルが正確にどこへ行ったかを教えてはくれないかもしれませんが、それよりもはるかに価値のあること――組織が次にどこへ進むべきか――を教えてくれます。
既知の欠陥：局所最小値を見つける
ニューラルネットワークと同様に、グローバル最小値ではなく局所最小値を見つけるという既知の制約があるため、組織は自社の測定フレームワークを100%信頼すべきではありません。
戦略の実行は、仮説を実務の中で検証し続ける継続的なプロセスです。低レベルの仮説を検証すると、すべてが理にかなっていることもあります。一方で、分解ツリーに沿って上位へ進むにつれて、最終的にはステークホルダーとそのニーズに対する自分たちの理解そのものを問い直すこともあります。
Alexis Savkinは、戦略アーキテクトであり、バランスト・スコアカードを中核とする戦略実行ソフトウェア・プラットフォームであるBSC Designerの創設者です。彼は、組織が戦略を測定可能な戦略的目標、KPI、および施策へと落とし込むことを支援しています。Alexisは、Strategy Execution Canvasの考案者であり、戦略とパフォーマンス測定に関する100本以上の記事の著者であり、また定期的な講演者でもあります。