なぜ10のパターンがビジネスAIの90%をカバーするのか

今年AIツールを評価しているほとんどの企業は、そのプロセスに数ヶ月を費やします。製品デモ、セキュリティレビュー、ステークホルダーの調整会議、パイロットプログラム。そして驚くほど多くの企業が、別のチームが半年前に異なる名前の同じ根本的なことをするツールで解決した課題への解決策を購入することになります。McKinseyの生成AIに関する調査では、組織が最もよくAIを展開するのはマーケティングとセールス、サービスオペレーション、ナレッジマネジメントであることを確認しています。これらは、パターンの重複が最も頻繁に現れる機能クラスです。

語彙のギャップが問題です。企業は「このベンダーはあのベンダーと同じクラスの課題を解決する」と言う方法を持っていません。だから毎回、すべてをゼロから評価します。

パターン思考がその語彙です。一度理解すれば、AIの世界は「何百もの競合ツール」から「10の認識できる課題タイプ、それぞれを上手く実装する少数のベンダー」に圧縮されます。

10は恣意的な数字ではありません。AIツールをケイパビリティ数式まで分解し、解決するビジネス課題でグループ化したときに浮かび上がる数字です。

短いリストが信頼できる理由

ACEフレームワークは5つのケイパビリティを特定しています：Ingest、Analyze、Predict、Generate、Execute。これらが構成要素です。パターンはそれらの2〜4個の組み合わせで、AIパターンがケイパビリティをソリューションに組み合わせる方法で詳しく説明されています。有用な組み合わせはいくつあるでしょうか？

数学的には、5つのケイパビリティから25の2要素組み合わせ、10の3要素組み合わせ、5の4要素組み合わせが生成されます（順序を無視し、重複なし）。これは順序と関係するデータタイプを考慮する前の40の可能な組み合わせです。空間は限られています。

しかし、すべての組み合わせが実際のビジネス課題を解決するわけではありません。「Execute then Ingest」はビジネスワークフローではありません。「AnalyzeなしのみのPredict」はほとんど役に立ちません（スコアリングの前に特徴が必要です）。業界を超えて、繰り返し発生する課題への繰り返し発生するソリューションとして何度も現れる組み合わせははるかに少ないです。

経験的観察（セールス、サポート、財務、HR、法務、マーケティングにわたる何百ものビジネスAI展開を観察する）から出てくる数字は約10です。誰かが丸い数字を決めたためではなく、ビジネスAIが既成のアプローチで確実に対処できる別の課題タイプがこれだけある数だからです。

90%カバレッジ仮説

10のパターンがビジネスAIユースケースの90%をカバーするという主張はテスト可能です：任意の機能の任意のAIイニシアチブを取り、入力、出力、ケイパビリティシーケンスまで分解すると、10のパターンのうちの1つか、2〜3個の組み合わせにマッピングされます。残りの10%は高度に専門化された知覚タスク（医療画像、材料科学）またはリアルタイム物理制御システムで、標準的なビジネスAIとアーキテクチャ的に重複しません。正直な縮小後にユースケースが10にマッピングされない場合、チームは専門的な10%にいるか、表面では独自に聞こえるが標準的なケイパビリティ数式を使用するドメイン固有のバリアントで作業しています。

10のパターン

この表を印刷してください。ビジネスが検討している、または現在実行しているすべてのAIイニシアチブはこれらの行のうちの1つにマッピングされます。マッピングされない場合、それも重要な情報です。以下でその10%について説明します。どの行が自分の課題に合うかの意思決定フレームワークについては、課題に合ったAIパターンの選び方を参照してください。

Key Facts: AIパターンカバレッジとエンタープライズ展開

• McKinseyの400以上のエンタープライズAI展開の分析によると、上位10のユースケースカテゴリが測定されたビジネス価値の89%を占めた（McKinsey Global AI Value Study、2024年）
• AIを使用する組織の3分の2以上が複数のビジネス機能にわたってAIを展開しているが、新しいツールが既存の展開と重複するかどうかを正式に評価しているのは3分の1のみ（McKinsey State of AI、2025年）
• AIイニシアチブを調達前に認識されたパターンにマッチさせる組織は、ベンダー評価にかかる時間が45%短くなり、統合プロジェクトの超過コストを38%削減する（Gartner AI Procurement Report、2025年）

90%カバレッジの証拠：4つの機能

4つのビジネス機能を歩き、すべての一般的なAIイニシアチブがどのようにマッピングされるかを見てみましょう。

セールス

中堅市場ソフトウェア会社のセールスAIスタック：

• 「リードをスコアリングして適切な担当者にルーティングするAI」：Scoring plus Routingパターン
• 「ディスカバリーコールを文字起こししてCRMノートを書くAI」：Meeting Intelligenceパターン
• 「コール前にアカウントをリサーチしてブリーフィング文書を作成するAI」：Generative Researchパターン
• 「各会議後のフォローアップメールを下書きするAI」：Workflow Copilotパターン（会議ワークフロー内のGenerateステップ）
• 「パイプラインを監視してリスクのあるDealをフラグするAI」：Anomaly Agentパターン

5つのイニシアチブ。5つのパターン。10から外れるものはゼロ。

カスタマーサポート

SaaS企業の50人サポートチーム：

• 「ヘルプドキュメントを使って一般的な質問に答えるAI」：RAG Assistantパターン
• 「インバウンドチケットをタイプと優先度で分類して適切なチームにルーティングするAI」：Scoring plus Routingパターン
• 「チケット量を監視してSLAが違反される前にスパイクをフラグするAI」：Anomaly Agentパターン
• 「担当者が複雑なチケットへの返信を下書きするのを助けるAI」：Workflow Copilotパターン
• 「1ヶ月のチケットをプロダクトチームのトレンドレポートに合成するAI」：Generative Researchパターン

5つのイニシアチブ。5つのパターン。すべて認識されたパターンで、確立されたツールのマーケットが存在します。

財務

200人規模企業の財務チーム：

• 「ベンダー請求書からデータを抽出してERPにプッシュするAI」：Vision Extractパターン
• 「経費報告書を監視してポリシー違反をフラグするAI」：Anomaly Agentパターン
• 「月次決算の差異コメントを書くのにアナリストを助けるAI」：Workflow Copilotパターン
• 「ベンダー契約をレビューして非標準条項をフラグするAI」：Document Reviewパターン
• 「ソースデータから月次財務サマリーを作成するAI」：Generative Researchパターン

5つのイニシアチブ。5つのパターン。

HR

400人規模組織の人事チーム：

• 「従業員の福利厚生、PTO、ポリシーについての質問に答えるAI」：RAG Assistantパターン
• 「履歴書をスクリーニングして上位20%を採用担当者に提示するAI」：Scoring plus Routingパターン
• 「構造化されたコーチングフィードバックのために面接録音を分析するAI」：Meeting Intelligenceパターン
• 「採用マネージャーの受付フォームから求人票を下書きするAI」：Workflow Copilotパターン
• 「オンボーディングの完了を監視してリスクのある新入社員をフラグするAI」：Anomaly Agentパターン

5つのイニシアチブ。5つのパターン。すべてに確立されたベンダーオプションがあります。カスタムAI開発は不要です。

これら4つの機能にわたって、20の実際のAIイニシアチブが10のパターンのうちの9にマッピングされます（Personalization Engineは、HRや財務よりマーケティングやEコマースでよく見られます）。ポイントは変わりません。

10%はどのように見えるか

10のパターンにマッピングされない10%は「独自のビジネス課題」ではありません。特定のカテゴリのユースケースです：高度に専門化された知覚タスクと新規科学的応用。

専門的な医療画像：診断所見のためにX線スキャンを解釈することは、請求書を処理するVision Extractパターンと同じではありません。請求書の抽出は境界が明確です（フィールドが定義され、失敗モードが知られ、既存モデルで精度要件が満たされる）。放射線科の解釈には独自の臨床データセットでのモデルトレーニング、専門家パフォーマンスに対する臨床検証、診断隣接の使用に対するFDAの規制承認が必要です。これはパターンではなくカスタム構築です。

創薬と材料科学：タンパク質の折り畳みを予測したり、分子候補をスクリーニングしたり、新材料を特定するためにAIを使用することは、ビジネスAIパターンをはるかに超えたドメイン専門化のレベルでのPredictです。データは専門化されており（ゲノムシーケンス、分子シミュレーション）、モデルは専用に構築され、問題には企業間で一般化できる既成のベンダーソリューションがありません。

リアルタイム物理世界制御：工場ロボティクス、自律走行車ナビゲーション、高速製造ラインのリアルタイム品質管理は、センサーフュージョン、ミリ秒の遅延制約、エッジ展開要件を含み、このリストのビジネスAIパターンとはアーキテクチャ的に別物です。

これらは実際の価値ある応用です。根本的に異なるエンジニアリング、データ、検証作業が必要なため、10のパターンには含まれていません。ほとんどの企業はこれらを必要とすることはありません。必要とする企業はすでにそれを知っています。

調達においてパターンカバレッジが重要な理由

ユースケースが既知のパターンにマッピングされる場合、確立されたベンダー、統合Playbook、「良い」状態の明確なベンチマークが存在する競争市場でソリューションを購入しています。これは対処可能な答えを持つ調達の課題です。各AIパターンの購入対構築の意思決定はまさにその境界線をいつ越えるかをカバーしています。AIを複数のビジネス機能で使用する組織の3分の2以上が、複数のパターンを同時にナビゲートしていることを意味し、語彙のギャップはすべての新しいイニシアチブで複合します（McKinsey State of AI、2025年）。

AIスタックのパターン重複を特定できるエンタープライズチームは、機能ごとに平均2.4のツール重複を発見します（Gartner、2025年）。その重複は、従業員100〜500人の中堅市場企業の機能ごとに年間18万ドルの無駄なサブスクリプション費用を平均します。

ユースケースが既知のパターンにマッピングされない場合は構築しています。カスタムAI開発はエンジニアリング作業の数ヶ月、独自のモデルトレーニング、継続的なメンテナンスを意味します。サブスクリプション費用ではなく、チーム年単位と数百万ドルで測定されます。

パターンマッチングには5分かかります。その5分が、6ヶ月のベンダー展開でうまくいったのに複数年のカスタム構築を始めることを防いだり、最初の年に認識できないほどカスタマイズするサブスクリプションを購入することを防いだりできます。

調達の問いはこうなります：「このユースケースにはどのパターンが必要か？ベンダーはそのパターンを私たちのドメインに対してうまく実装しているか？」ではなく：「このAI製品は印象的か？このベンダーのロードマップを信頼するか？」

よくある異議：「私たちのユースケースは独自です」

アーキテクチャ的に独自であることはほぼありません。ドメイン固有です。

本当の違いがあります。物流企業が「配送期限コミットメントとリアルタイム交通に基づいてパッケージをルーティングするAIが必要」と言っているのはドメイン固有です：物流向けに特化されたScoring plus Routingパターン。根本的なパターンは標準です。データ入力とビジネスルールはドメイン固有です。Scoring plus Routingパターンをうまく実装しており強力なAPIカスタマイズを提供するベンダーは、カスタム構築なしにこれに対応できます。

企業が「衛星画像を解釈して拡散前に作物の病気パターンを特定するAIが必要」と言っているのはアーキテクチャ的により独自に近いです：専門的な画像解釈、新規ドメイン、公開ソースからの限られたトレーニングデータ。これはカスタム開発または高度に専門化されたバーティカルベンダーです。

「独自」なユースケースのほとんどは、プレッシャーをかけると標準パターンのドメイン固有の実装です。ドメインの特定性は、どのベンダーを選ぶか、どのくらいのカスタマイズが必要かに影響します。根本的なパターンは変わりません。

自分に問いかける問い：「このユースケースを入力と出力の観点で説明したら、10パターンリストの何かに似ているか？」通常、答えはイエスで、独自性は特定のデータタイプとビジネスルールにあり、ケイパビリティアーキテクチャにはありません。

セルフアセスメント演習

現在または計画中のAIイニシアチブを取ってください。それぞれについて、次の4つの質問に答えてください：

1. 主要な入力は何ですか？（テキスト、構造化データ、画像、音声、文書、ユーザー行動）
2. 主要な出力は何ですか？（スコア/ルーティング決定、生成された成果物、自動化されたアクション、回答、フラグ）
3. 出力は人間のレビューに渡りますか、それともシステムアクションを直接トリガーしますか？
4. これは一回の変換ですか、それとも目標が達成されるまで繰り返すループですか？

次に表にマッチさせます。入力が画像またはスキャン文書で、出力がシステムにプッシュされる構造化データ？Vision Extract。入力が取引のストリームで、出力がフラグまたはブロック？Anomaly Agent。入力が質問で、出力が内部文書に根付いた回答？RAG Assistant。入力が知識労働者の現在のタスクコンテキストで、出力が提案または下書き（人間が行動する前にレビュー）？Workflow Copilot。

この演習後に一致できない場合は、本当に10%にいるかもしれません。しかしより可能性が高いのは、特定のユースケースが一般的な例とかけ離れて聞こえるため認識しにくいパターンのドメイン固有バージョンを扱っていることです。より高い抽象化レベルで説明してみてください。入力形式が最も明確な出発点である場合は、データタイプ別パターン選択も参考になります。

Rework Analysis: 「私たちのユースケースは独自です」という異議はほとんど常にケイパビリティレベルの監査を通過しません。チームと一緒に検討すると、独自性はほぼ常にデータドメインまたはビジネスルールにあり、根本的なケイパビリティ数式にはありません。リアルタイム交通と期限コミットメントに基づいてパッケージをルーティングする物流企業は、リードをルーティングする営業チームと同じScoring plus Routingパターンを使用しています。データが異なります。リスクが異なります。パターンは同一です。これが重要なのは、購入するか構築するかを決定するからです。ドメインの特定性はベンダー選択の問いです。アーキテクチャ的な独自性はカスタム構築の問いです。パターンの語彙で、ベンダーとの最初の5分間でその2つを分けることができます。

関連記事

• AIパターンとは何か？ビジネスAIの基本構成要素
• 課題に合ったAIパターンの選び方
• AIパターンがケイパビリティをソリューションに組み合わせる方法
• AIパターンのリスクグラジエント
• ビジネスAIとは何か？オペレーターのための実践的な定義
• Meeting Intelligenceパターン
• Workflow Copilotパターン
• データタイプ別パターン選択