企業においてAI単体では十分ではない理由 —— メルセデス・ベンツの取り組みに学ぶ

この記事は、Atlassian の Team '26 カンファレンスで発表されたセッション「メルセデスはいかにして Teamwork Graph を AI の強みに変えているか」に基づいています。

基盤モデルは、ごく短期間で驚くほど高性能になりました。2020年頃は、オンラインで事実を調べることすらままなりませんでした。それが今日では、人間のエンジニアが1時間以上かかる仕事をこなせるようになり、その進歩のペースは、特にここ18か月で指数関数的に加速しています。

ところが、奇妙なことが起きています。

個人ユーザーに「AIツールは役に立つか」と尋ねると、50%以上が「はい」と答え、実際に時間と労力を節約できたと言います。しかし視点を引いて、企業 に「ビジネスに劇的な改善が見られたか」と尋ねると、96%が「見られていない」と回答します。テクノロジーは存在しているのに、企業レベルの価値を引き出すことは、難しいままなのです。

メルセデス・ベンツの近年の経験は、企業にとってのより難しい課題が「AIが成果物を生み出せるかどうか」ではないことを示しています。課題は、その成果物を、ツール・チーム・データ・意思決定にまたがる雑然とした現実の仕事に接続できるかどうかにあります。

組織内の仕事はコラボレーションに依存しています。だからこそ、企業向けAIが仕事を個人の活動として扱うと、その約束は常に果たされないままになります。

大企業では、平均して367個以上のSaaSアプリケーションが稼働しています。これは、複数のチームがそれぞれ独自のツールを使い、独自の作業手順に従っていることが多いためです。チームが協働を必要とする際、メンバーは慣れないインターフェイスを操作したり、異なる計画サイクルを調整したり、十数ものシステムに散在する情報を探し回ったりすることになります。孤立した状態で策定された目標は、たとえ全員が善意を持っていても、チームが互いに逆の方向に向かって進んでしまう原因となりかねません。

AIが加わっても、この複雑さは自動的には減りません。むしろ増える可能性すらあります。 コーディングエージェントは、チームの他のメンバーに混乱を生じさせずに、どうやって必要なコンテキストを得るのでしょうか？ 別のプラットフォーム上で動くデザインエージェントと、どう連携するのでしょうか？ 共有コンテキスト層がなければ、結局は「速く出力されるが、大量のレビューと手戻りを必要とする成果物」に行き着いてしまいます。

メルセデス・ベンツの事例は、単なる個人の生産性レベルではなく、企業全体・組織全体のレベルでAIが何を実現できるかを示す力強い例です。そして、AIがその組織レベルで効果的に機能するには、3つのものが必要です。

1. 提供できるコンテキストが豊かであればあるほど、結果は良くなります。特定の顧客との会議準備をAIツールに手伝ってもらう場合、AIは過去に類似の顧客に対してどのように意思決定がなされてきたか、その関係の現状、そしてあなたのチームの目標を理解している必要があります。

2. AIは、単に質問に答えるだけでなくワークフローに参加するようになったとき、真に価値あるものになります。週次のステータス更新を作成する、ページを作成する、関係者に通知する、受信したチケットをトリアージする——これらはすべて、人々がより価値の高い仕事に時間を使えるようにする行動の例です。

3. AIが自分の代わりに行動を取るときには、それが組織の権限設定とプライバシーポリシーを尊重しているという確信が必要です。あるユーザーが特定のJiraチケットを閲覧する権限を持っていないなら、AIもそのチケットの存在を知るべきではありません。

品質は常に、メルセデス・ベンツが自社の車両を定義する上での中心でした。しかし、その差別化の要は、純粋なハードウェアの特性から、モダンな自動車全体で動作するソフトウェアへと移ってきています。コネクテッドカー、テストベンチ、開発環境が生成するデータ量は膨大で、課題はそのデータをエンジニアリング業務の流れの中で有用にすることです。

多くの大規模エンジニアリング組織と同様に、メルセデス・ベンツでも、エンジニアが1つのタスクを達成するために11個以上のツールを使う必要があり、全社では300以上のツールが実際に使われていることが分かりました。システム間を移動し、コンテキストを転記し、ワークフローを覚えることに費やされる時間は、エンジニアが本来採用されている仕事——高品質な製品を作り、革新すること——に使えない時間でした。

私はできる限り多くの欠陥を登録してほしいと思っています。そうすれば私たちは正しいことに集中でき、それ以外のことは気にしなくてよくなるからです。残りはすべてAI、グラフ、Rovoが処理してくれます。

Tobias Langjahr
メルセデス・ベンツ プロダクトマネージャー

欠陥の受付プロセスはこれを明確に示しています。1年前は、車両をテストするエンジニアが問題を検知したとき、そのプロセスは完全にエンジニアの記録の丹念さに依存していました。自動的な情報付加は一切ありませんでした。いったん登録されると、欠陥処理担当マネージャーが提供された情報を確認し、どのチームが担当すべきかを判断しようとしますが、しばしば正しいグループを特定するだけでも何度もやり取りが繰り返されました。欠陥が最終的に解決されても、その解決策とコンテキストは、他のチームがアクセスも学習もできないサイロの中に留まっていました。

メルセデス・ベンツは、さまざまなデータソースを Teamwork Graphを通じて接続できれば、欠陥のライフサイクル全体を再構想できると気づきました。彼らは、IBM Doors の要件データ、コードリポジトリ、リリース管理情報、物理的な部品・資産データ、そしてログデータを中央データハブへ送信するテスト車両のテレメトリーを一つにまとめました。

これらのソースが Teamwork Graph を通じて接続されると、欠陥、それがひも付く要件、それを実装するコード、そしてそれが観測された車両構成——これらの関係一式のすべてが、たどれるものになります。

この接続されたデータ層が整ったことで、メルセデス・ベンツは現実的な摩擦点に取り組みました。車両テスト中に欠陥を登録するという行為です。アウトバーンを高速で走行中のエンジニアがディスプレイにエラーメッセージを見つけても、安全に停車して詳細なチケットを登録することはできません。そこでメルセデス・ベンツは、欠陥管理ワークフローを一変させるべく、Rovo を使って一連のAIエージェント（非公式に"ノリスファミリー"と呼ばれる）を構築しました。

Defect Norris は受付時の品質保証を担当します。Analyze Norris は中央データハブにアクセスし、その特定の車両とイベントに関連するログデータとテレメトリーを取得します。そして3番目のエージェント Domain Norris は、規制と安全に関するコンテキストを扱います。

メルセデス・ベンツが取り組んだ現実的な摩擦点の一つが、車両テスト中に欠陥を登録するという物理的な行為でした。アウトバーンを高速で走行中のエンジニアがディスプレイにエラーメッセージを見つけても、安全に停車して詳細なチケットを登録することはできません。

車を運転して何かをテストしていて、幹線道路やドイツのアウトバーンにいる場面を想像してみてください……もし何かが正常に動作していないと検知したとき、何が起きていたかをどうやって覚えておくのでしょうか？ 基本的には車を停めて書き留めなければなりません。そうしないと、オフィスに戻った後では思い出せないからです。

Tobias Langjahr

メルセデス・ベンツ プロダクトマネージャー

これを解決するため、メルセデス・ベンツは、エンジニアが運転しながら自然な発話で欠陥を説明できる車載音声アプリを構築しました。このアプリは音声をテキストに変換し、それを車両識別番号（VIN）と関連付け、Jiraへ直接送信します。その後 Defect Norris が引き継ぎ、単純な口頭の説明として始まったものを、適切なメタデータ、コンポーネントの特定、ひも付けられた車両データを備えた、完全な形の欠陥レコードへと構造化・情報付加していきます。

その影響は大きなものでした。欠陥が検知されてから修正されるまでのリードタイムを測定したところ、メルセデス・ベンツは従来のアプローチと比べて70%の削減を達成しました。彼らはこの取り組みを新型Sクラスの開発とともに始め、新プロセスが稼働する前に明確なベースラインを確立していました。

この背後にある考え方はシンプルです。欠陥の報告を容易にすればするほど、報告される欠陥の数は増えます。ただし、情報の補完、重複の検出、割り当て、優先順位付けといった手間のかかる作業をAIやグラフが自動的に処理できるのであれば、良い結果をもたらします。エンジニアは、真に人間の専門知識や革新性が求められる不具合に集中でき、それ以外の作業はすべてAIに任せることができます。

今後、メルセデス・ベンツはこのアプローチを欠陥管理をはるかに超えて拡張することを構想しています。より大きな野心は、エンジニアリング業務の一種のデジタルツインです。そこでは Teamwork Graph を動力源とするAIが、日常業務の80〜90%を処理し、人々は正しいコンテキストや話すべき相手を探してツールの間をさまよう代わりに、真の価値を届けることに集中できるようになります。

機能安全性に関する規制は、安全上極めて重要な自動車システムにおいて、AIが持つことができる自律性の範囲は適切に制限されていますが、接続されたデータ、豊富なコンテキスト、そしてインテリジェントな自動化によって、問題の特定から解決までの時間は今後も短縮され続けるでしょう。

メルセデス・ベンツの成果は一度限りのものではなく、AIが拠って立つ正しい基盤を得たときに何が可能になるかを示すプレビューです。Teamwork Graph は、組織の仕事を描いた生きた地図であり、AIエージェントに、単なる速さではなく正確さをもって行動するために必要なコンテキストを与えます。

Teamwork Graph は業界を横断する最も重要なユースケースを捉えていますが、ほぼすべての組織には独自のツールとワークフローがあります。住宅ローン会社は専門のテストプラットフォームからデータを取り込む必要があるかもしれません。航空宇宙企業は自社のプロジェクト管理ツールを接続したいかもしれません。ソーシャルメディア企業はカスタムの営業システムからデータを引き出す必要があるかもしれません。

これに対応するため、アトラシアンプラットフォームはグラフ上で直接構築することをサポートしています。現在、100種類以上の既製コネクタを提供しており、お客様は独自のカスタムコネクタを構築して、独自仕様やレガシーのシステムからデータをグラフに取り込むこともできます。データがいったん取り込まれると、アトラシアン製品全体で検索や操作が可能になり、さらにグラフ上に構築されたカスタムエージェントやアプリケーションを動かす力になります。

Teamwork Graphの力をあなた自身で体験し、あなた自身のグラフのプレビューをご覧になってください。