昨年10月24日、韓国産業知能化協会（KOIIA）の招待を受け、「2025年中堅企業中核人材育成アカデミー、未来産業対応戦略セミナー」に参加し、CLEVIのイ・ファノ代表が基調講演を行いました。
当社は「AI技術導入事例およびDX実務戦略」セッションにおいて、「Physical AIの活用事例とRAGエージェント導入過程における失敗要因および改善戦略」というテーマで参加しました。
最近、AIエージェントへの関心が高まるにつれて、AIの導入を検討する企業も増加傾向にあります。すでに多くの機関や企業でAIを試験導入し、運用していると聞いています。
しかし残念ながら、多くの企業や機関で期待したROIが得られなかったり、PoCでは動作していた機能が本事業や現場では適切な回答を返さなかったり、動作しなかったりするケースが非常に多いことが調査で明らかになっています。
こうした情報を受け、多くの企業がAIの性急な導入をためらっています。
今回の講演でCLEVIのイ・ファノ代表は、性急なAI導入における代表的な失敗原因であるRAGシステムの限界や、オープンソースモデルおよびスモールLLM（SLM）について詳しく説明し、これまでの導入事例がなぜ失敗したのかを解説しました。
結局のところ、AIを活用する理由は、人の仕事を代替したり、人を上回るパフォーマンスを発揮したりすることを期待しているからです。
現在、AIを導入した企業の実務担当者からは、AIの回答品質を信頼できないため、AIの回答内容を逐一確認することで、かえって業務が増えているという不満が噴出しています。
その理由は、多くの企業がオープンソースのSLMモデルをファインチューニングしてソリューションとして利用していることにあります。
直感的には、AIが新たな学習を行えばより賢くなると考えますが、むしろAIに新しい知識を学習させると、過去の記憶、つまり任意のパラメータの重みを失うことになります。
さらに深刻な問題は、どの情報や知識を失ったのか誰にも分からなくなることです。
AI導入は少なくないリソースを必要とするため、PoCの段階から多くの検証を進めてこられたと思います。
なぜこのときはそのような問題が現れなかったのでしょうか。それはもちろん、ターゲット情報で再学習されていたからです。
数字だけを知っていたAIにアルファベットを学習させ、その後はアルファベットに関する問題だけを出していたのですから、当然、正しく回答できます。しかし現場では、このような特定のドメインに特化したモデルだけが必要なのでしょうか。
私たちの現場は、毎日新しい環境と新しいデータに直面します。しかし、既存の知識をランダムに破壊しながら学習したAIでは、汎用性はもちろん、正確性も保証できません。
そのため、From-scratch Foundation超大規模言語モデルを保有しているか、またはこのモデルを作成できる技術が必要になります。
これらのモデルは、世界中のほぼすべての知識を持っているため、回答品質はもちろん、正確性も高いからです。
特化したドメインの場合は、SFT(Supervised Fine-Tuning)という技術を使用するか、少量のデータにはRAGシステム、またはCLEVIが独自開発したインテリジェンスデータベースシステムであるセマンティックデータベース技術を使用すれば、ファインチューニングしたSLMの欠点を克服できます。
このようなファンデーションモデルの重要性を政府も認識しているため、多くの支援を惜しみなく行っています。
それが国家代表AIプロジェクトです。このプロジェクトの最大の目標は、デジタル主権の確保でしょう。
私たちCLEVIも、オープンソースモデルを使用した際の致命的な欠点を把握していたため、データ収集からアーキテクチャ設計まで独自に開発し、CLEVIのモデルを学習させました。
現在、CLEVIのモデルは世界有数のAIと競争しても、まったく引けを取らない性能を備えています。
特に独自モデルを保有しているため、外部モデルを使用した際に発生し得る依存性の問題とも、私たちCLEVIは無関係です。
今やAI導入は選択ではなく必須になりつつあります。しかし、単に最新技術を導入するだけでは、望む成果を得ることは困難です。
真のイノベーションは、技術の限界を正確に理解し、自組織の環境と目標に合った最適な戦略を策定したときに初めて始まります。
CLEVIは、独自の超大規模言語モデルやセマンティックデータベースなどの差別化された技術力により、企業がAI導入の過程で経験する試行錯誤とリスクを最小限に抑えています。
今後も現場の声に耳を傾け、より多くの企業に信頼されるAIパートナーとなるため、最善を尽くしてまいります。AI導入の真の成功を、CLEVIとともに実現していきましょう。