Aily Labsを役員に配る前の確認項目|推奨を検算する線

Aily Labsを役員に配る前の確認項目|推奨を検算する線

「経営層がAIの画面で直接おすすめを見られるなら、報告資料を作る手間が省けるはずだ」「役員がAIの推奨を見て、マーケの予算を減らせと言い出したらどう説明すればいいのか」——意思決定支援のAIを検討し始めた企業の経営企画とマーケ部門から、同じ時期に聞こえてくる二つの声です。経営層に推奨を返すAIは、報告の手間を減らす道具だと受け取られがちです。けれども本当に変わるのは、数字が誰の説明も通らずに経営層の目に届くようになることで、その分だけ「推奨を誰が検算するか」を先に決めておく必要が生まれます。この記事では、社内のデータをまとめて経営層に推奨を返すドイツ発の Aily Labs を題材に、役員に配る前に確かめておく項目を、推奨の範囲・マーケの数字の読まれ方・読ませるデータ・契約とデータの置き場所・根拠の出させ方・検算の持ち分の順に整理します。操作手順や料金の一覧ではなく、社内に入れてよいか、入れるならどう運用に乗せるかの判断材料です。


カメ先生カメ先生

経営層向けのAIは、報告を速くする道具だと思われがちなんだ。でも本当は、これまで部門の担当者が説明を添えて渡していた数字が、説明抜きで役員の手元に届く仕組みなんだよ。


カメ子カメ子

今までは担当者が「この数字はこういう事情です」と口で補っていたのが、なくなるということですか。


カメ先生カメ先生

そう。AIの推奨そのものが間違っていなくても、前提を知らない人が読めば違う意味に受け取られる。だから配る前に、推奨の根拠を必ず出させることと、誰がその推奨を検算するかを決めておく必要があるんだ。


カメ子カメ子

速さの代わりに、検算の段取りを先に組んでおくということなんですね。


この記事のポイント
  • Aily Labs は2020年設立のドイツの会社で、財務・供給・製造・研究開発・営業とマーケの社内データをまとめ、中心の窓口 Super Agent が経営層に推奨を返す。2026年7月に AWS、8月に Google Cloud のマーケットプレイスへ出品した
  • 経営層が推奨を直接見ると、マーケの数字は前提の説明なしで読まれる。推奨が提案止まりか実行までかを決め、根拠とデータの出どころを推奨と一緒に出させる
  • マーケットプレイス経由なら購入の手続きは軽くなるが、自社のデータ審査と検算の持ち分は省けない。AIに判断させず、推奨を採る前に人が確かめる範囲を先に決める

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

誤解:「役員がAIの推奨を直接見れば、判断は速く正しくなる」

経営層向けのAIを入れる理由として、まず挙がるのが「判断の速さ」です。月次の会議資料を待たずに、役員が自分の画面で最新の推奨を見られれば、判断までの時間は確かに縮みます。Aily Labs の発表も、数か月かかっていた判断の流れを即時の行動に変えると説明しています。ただし、速くなることと正しくなることは別の話です。

これまでの経営報告では、部門の担当者が数字に前提を添えていました。たとえば「この四半期は展示会が前倒しになったので、リード数が先に膨らんでいる」といった補足です。AIの画面にはこの補足が載りません。推奨そのものは正しい計算から出ていても、前提を知らない読み手が見れば、別の結論を引き出してしまいます。

つまり経営層向けのAIを入れるときに問われるのは、AIの精度だけではありません。推奨が経営層に届くまでの間に、誰がどこで検算し、どの前提を一緒に見せるかです。この記事の確認項目は、すべてこの一点から組み立てています。経営報告で何を見せるかという一般論は別の記事で扱っているので、ここでは推奨を返すAIを入れるときに固有の判断に絞ります。

Aily Labsとは:社内データをまとめ、経営層に推奨を返す会社

Aily Labs は2020年に設立された会社で、ミュンヘンの区裁判所に登記があり、発表はミュンヘンとニューヨークの連名で出ています。自社を「意思決定インテリジェンス」の基盤と位置づけ、社内の分断されたデータをつなぎ、すぐに使える知見と推奨を返すと説明しています。

公式サイトには、財務(予測・予算・資本配分)、研究開発、製造、サプライチェーン、品質、市場開拓(売上・営業・マーケのチャネル配分)、調達、規制対応、倫理、人事の10の業務領域が並びます。2026年の発表では、これらの専門エージェントを中心の窓口である Super Agent が束ね、作業ごとに適した基盤モデルへ振り分けると説明しています。スマートフォンのアプリも用意されています。

顧客として公式に名前が出ているのは製薬大手のサノフィです。サノフィの2026年2月の公式記事は、社内の意思決定アプリを Aily Labs と共同で開発したこと、10億を超えるデータ点を集約していること、開発品を進めるかどうかを決める統治の会議すべてにこのアプリが参加していることを紹介しています。製薬・消費財・高級品の大企業が主な顧客層で、資金面では2025年11月に8,000万ドルの調達を発表し、累計の調達額は1億100万ドルを超えると公表しています。

2026年の動き:AWSとの提携と、Google Cloudへの出品

2026年7月2日、Aily Labs は AWS との戦略提携を発表しました。AWS Marketplace でマネージド型の契約として提供し、既存の AWS の利用額の約束に算入できること、AWS をすでに使う企業なら自社の AWS 環境に最短1日で展開できること、Amazon Bedrock を通じて複数の基盤モデルを使うことが説明されています。

続いて8月19日には Google Cloud Marketplace への出品を発表しました。既存の Google Cloud の契約で購入でき、利用額の約束にも算入されます。基盤には BigQuery と Gemini のモデルを使い、展開後は Gemini Enterprise のエージェント一覧に Aily のエージェントを加えられると説明しています。製薬・バイオの意思決定、たとえば臨床開発の短縮、申請の最適化、資本配分、製造と供給の改善が主な用途として挙がっています。

二つの発表に共通するのは、大手クラウドの購買の流れに乗せて、導入の手続きを軽くするという方向です。どちらの発表も「新しい取引先の審査や新たなコンプライアンス審査が要らない」とうたっています。この一文が自社にとって何を意味し、何を意味しないかは、後の確認項目で改めて取り上げます。

確認項目1:推奨は「提案」止まりか、「実行」までか

最初に確かめるのは、AIに何をさせるかの範囲です。2026年の発表は、エージェントが推奨を返すだけでなく、自分の性能を監視し、もしもの試算を回し、リスクと機会を知らせると説明しています。さらに会社概要では、推奨し、実行もする自律エージェントを束ねると書いています。

経営層向けの道具で「実行」まで許すと、在庫の付け替えや予算の振り替えといった操作が、人の承認を経ずに動く可能性が出てきます。導入の最初は推奨と試算と通知までに限り、実行は人が別の手続きで行うと決めておくのが安全です。実行を許す範囲を広げるのは、推奨の当たり外れを数か月分記録し、外れたときの影響が小さい領域から順に、という順番にします。

確かめ方は単純です。契約前の説明の場で、どの業務領域のどの操作が自動で実行されうるのか、実行を止める設定はどこにあり誰が触れるのかを、文書で出してもらいます。口頭の「設定次第でできます」は答えになりません。

推奨の重さも考えておきます。サノフィの公式記事によれば、同社のアプリは開発の後期にある品目の加速や、成功の見込みが低い開発の中止を推奨するところまで担っています。推奨の対象が重くなるほど、外れたときの影響も大きくなるため、どの重さの判断まで推奨を参考にするのかを、領域ごとに決めておくと運用がぶれません。たとえばマーケなら、施策の配分の微調整は参考にしても、チャネルの撤退や大きな予算の移動は、別の検証を経てから決める、という線の引き方です。

確認項目2:マーケの数字は、経営の画面でどう読まれるか

マーケ部門にとって一番大きな変化は、自部門の数字が説明抜きで経営層に届くことです。市場開拓の領域は、売上・営業・マーケのチャネル配分を扱うと公式サイトに書かれています。つまりチャネルごとの費用と成果が、AIの推奨の形で役員の目に入るということです。

ここで起きやすい読み違いは三つあります。一つ目は、BtoBの長い検討期間です。展示会やウェビナーで得たリードが商談になるまで数か月かかる場合、四半期の数字だけを見たAIは、その施策の効果を小さく見積もりがちです。二つ目は、ブランド施策や指名検索のように効果が他の経路に回り込む施策で、直接の成果だけを見ると削る候補に挙がります。三つ目は、計測の仕様変更や一度きりの大型案件による数字の段差です。

対策は、マーケ部門が推奨の前提を自分で書いておくことです。どの施策は何か月遅れて効くのか、どの数字には段差があるのかを、AIに読ませる補足として持たせるか、推奨に必ず添える注記として運用で決めます。予算配分の案そのものを検算する手順は別の記事で扱っていますが、経営層が直接見る形では、検算の前に「読み違いの起きやすい数字の一覧」を経営企画と共有しておくことが先になります。

確認項目3:どのデータを読ませるか、最初に開く範囲

公式サイトは、社内の分断されたデータと社外のデータをつなぎ、1日で統合できると説明しています。速さは魅力ですが、最初からすべての業務データを開く必要はありません。読ませるデータが増えるほど、推奨の根拠は追いにくくなり、権限の管理も重くなります。

最初に開く範囲は、経営層が実際に判断に使っている指標から逆算して決めます。たとえば、売上の見込み、主要なチャネルの費用と商談化の数、在庫と納期など、すでに月次の会議に出ている数字に限ります。人事の個人単位の情報、個別の顧客の契約条件、未公表の提携の情報などは、推奨の質がどれだけ上がるかを確かめてから、別の判断として足すのが順番です。

もう一つ確かめておきたいのは、データの持ち主です。営業管理の仕組み、会計、マーケの計測、在庫の各データには、それぞれ定義と更新の担当がいます。AIに読ませる前に、データごとに持ち主と更新の頻度を一覧にしておかないと、推奨がおかしいときに誰に聞けばよいかが分からなくなります。

見落とされやすいのが、スマートフォンのアプリです。役員が移動中に推奨を見られるのは利点ですが、経営の数字が個人の端末に表示されることになります。会社が管理する端末に限るのか、私物の端末でも使えるのか、端末を紛失したときにどう止めるのかを、情報システム部門の端末管理の方針と突き合わせておきます。読ませるデータの範囲を決めるときは、画面に何が表示されうるかまで含めて考えるのが安全です。

確認項目4:マーケットプレイス経由の契約で省けること、省けないこと

AWS と Google Cloud のマーケットプレイスで買えることは、購買の手続きを軽くします。既存のクラウド契約の請求にまとめられ、利用額の約束にも算入されるため、新しい取引先の口座開設や支払いの手続きは省けます。発表はさらに、新しい審査や環境づくりが要らないと説明しています。

ここは読み方に注意が要ります。省けるのは購買と支払いの手続きであって、自社がどのデータを外部のAIに渡してよいかの判断ではありません。マーケットプレイスの出品者は、クラウド事業者とは別の会社です。契約の当事者、データの取り扱いの約束、障害時の責任分担は、出品者の利用条件で決まります。クラウド事業者との既存の契約がそのまま適用されると思い込まないようにします。

確かめるべき書類は、出品者の利用条件、データ処理に関する取り決め、再委託先の一覧、保有する第三者認証の報告書です。公式サイトには一般データ保護規則への対応、SOC2の第二種報告、ISO 27001、AIの管理体制の規格である ISO 42001 などの表示があります。表示があることと、自社の使い方が対象範囲に入っていることは別なので、報告書の対象範囲と期間まで目を通します。

Google Cloud 経由で入れる場合は、もう一点あります。発表によれば、展開後は Gemini Enterprise のエージェント一覧に Aily のエージェントを加えられます。社員が日ごろ使うAIの画面から呼び出せるのは便利ですが、一覧に載せた時点で、誰が呼び出せるのかを決め直す必要があるということでもあります。経営判断の推奨と、それを支える財務や人事の数字は、全社員に開くものではありません。一覧に載せる前に、呼び出せる人の範囲を役職や部門で絞り、その設定を誰が変えられるのかまで決めておきます。

確認項目5:データの置き場所と、どのモデルに渡るか

AWS との提携の発表では、既存の AWS の利用企業は自社の AWS 環境に展開できると説明しています。Google Cloud 側では BigQuery のデータの流れと Gemini のモデルを使う構成です。一方で、公式サイトや発表にはデータを保存する地域の明記は見当たりません。日本の企業が使う場合、どの地域の環境にデータが置かれ、どの地域でモデルが動くのかは、契約前に個別に確かめる項目です。

もう一つの論点は、基盤モデルの振り分けです。発表によれば Super Agent は作業ごとに適した基盤モデルを選び、AWS では Bedrock の複数のモデルを使います。便利な仕組みですが、裏返せば一つの推奨を作る間に、複数のモデル提供元へデータが渡りうるということです。どのモデルが使われうるのか、モデル提供元に渡る内容が学習に使われないことをどう担保しているのか、使うモデルを自社で絞れるのかを聞いておきます。

社外に出るデータの流れは、図にして経営企画・情報システム部門・法務で共有しておくと、後の見直しが楽になります。どのデータが、どの環境に置かれ、どのモデルに渡り、どこに記録が残るか。この四つが答えられない状態で役員に配るのは避けます。

確認項目6:推奨の根拠を、推奨と一緒に出させる

経営層向けのAIで最も大事なのは、推奨の根拠が見えることです。公表資料は推奨を返すことは説明していますが、推奨がどのように説明されるかの詳細は書いていません。ここは試用の段階で、自社の目で確かめる必要があります。

根拠として最低限そろえたいのは、どのデータのどの期間を使ったか、どの前提を置いたか、他にどの選択肢を比べたか、推奨の確からしさをどう示しているか、の四つです。たとえば「チャネル甲の予算を二割減らす」という推奨なら、何か月分の商談データを見たのか、遅れて効く分をどう扱ったのか、減らした場合と維持した場合の試算はどうか、が並んでいなければ判断に使えません。

運用のルールとしては、根拠が添えられていない推奨は会議の議題にしないと決めておくのが効果的です。AIに判断を任せず、AIには根拠を書かせ、人がその根拠を読んで採るかどうかを決める。サノフィの公式記事も、責任あるAIの憲章として人が常にループの中にいることを挙げています。推奨の画面がどれだけ洗練されていても、この線は自社で引き直す必要があります。

確認項目7:誰が推奨を検算し、誰が採るか

推奨を採るまでの持ち分を決めておかないと、役員がAIの画面を見て部門に直接指示を出し、部門は根拠を知らないまま対応する、という形になりがちです。これを避けるために、推奨が出てから採用されるまでの役割を表にしておきます。

役割持つ範囲推奨を受けてやること
経営企画推奨の受け口と議題化根拠のそろった推奨だけを会議に上げる。採否と理由を記録する
データの持ち主(各部門)元データの定義と更新推奨に使われた数字が自部門の定義と合っているかを確かめる
マーケ部門チャネルの数字の前提遅れて効く施策・数字の段差を注記し、試算をやり直す
財務予算と資本配分推奨どおりに動かした場合の金額への影響を検算する
情報システム部門接続と権限読ませるデータと実行の権限を設定し、変更を記録する
決裁者採否の判断根拠と検算結果を見て採るかどうかを決める

ポイントは、推奨を見る人と検算する人を分けておくことです。経営層は推奨を最初に見る立場ですが、検算はデータの持ち主と財務が担います。AIは計算と試算を速くしますが、数字の意味を一番よく知っているのは各部門です。この分担を最初に決めておけば、役員がAIの画面だけで指示を出す形を避けられます。

公表されている数字の読み方:99%・1日・300超

公式サイトには、300を超える検証済みのモデル、最大99%の予測精度、1日での統合といった数字が並んでいます。これらは導入を検討するうえで目を引く数字ですが、どの条件で測った数字かは公表資料からは読み取れません。

「最大99%」は、最も条件のよい業務と指標での値と読むのが自然です。自社の営業やマーケの数字、とくにBtoBの少ない件数のデータで同じ水準が出るとは限りません。「1日で統合」も、既存のクラウド環境とデータの整備状況に左右されます。サノフィの事例で紹介されている在庫不足の予測なども、製薬の供給網という特定の業務での話です。

試用の段階では、自社の過去の判断に推奨を当ててみるのが確かめ方として有効です。過去の四半期のデータだけを読ませ、その後に実際に起きたこととAIの推奨を比べます。当たった点だけでなく、外れたときにどの前提が違っていたのかを記録しておくと、後の運用で根拠を読むときの目安になります。

運用に乗せる順番:試用から役員への展開まで

経営層向けのAIは、いきなり全役員に配るより、一つの会議体から始めるほうが定着します。次の順番で進めると、推奨の当たり外れと検算の手間を確かめながら範囲を広げられます。

STEP1
一つの会議体と一つの業務領域を選ぶ

たとえば月次の営業・マーケの会議と市場開拓の領域だけに絞り、読ませるデータもその会議で使う数字に限ります。

STEP2
過去のデータで推奨を当ててみる

過去の四半期を読ませ、その後の実績と推奨を比べます。外れた理由と前提の違いを記録します。

STEP3
推奨を会議の参考資料として並べる

担当者の報告と並べて推奨を出し、根拠の出し方と検算の手間を確かめます。採否は従来どおり人が決めます。

STEP4
採否と理由の記録を数か月続ける

推奨を採った・採らなかった・修正して採ったの三つに分けて記録し、どの領域で推奨が使えるかを見極めます。

STEP5
対象の会議と領域を一つずつ広げる

記録で推奨が使えると分かった領域から、他の会議体や役員へ広げます。実行の権限はこの段階でも別に判断します。

各段階で、前の段階の記録を見てから次へ進むことが大切です。役員の関心が高いと、試用の結果を待たずに展開を急ぐ声が出がちですが、推奨の外れ方を知らないまま広げると、検算の手間が一気に増えます。

定着した後に崩れやすい点

最初の数か月は丁寧に検算していても、推奨がよく当たる時期が続くと、確認が形だけになっていきます。経営層向けのAIで実際に起きやすい崩れ方を挙げておきます。

  • 推奨がよく当たるので、根拠の確認を飛ばして議題にするようになる
  • 役員がアプリで推奨を見て、経営企画を通さずに部門へ直接指示を出す
  • 読ませるデータを追加するとき、持ち主と定義の確認をしないまま接続する
  • 推奨を採らなかった理由を記録しなくなり、後から当たり外れを振り返れない
  • 実行の権限を一時的に広げたまま、元に戻すのを忘れる

これを防ぐには、四半期に一度、推奨の採否の記録と接続しているデータの一覧を見直す場を決めておきます。見直しの場では、採った推奨の結果、採らなかった推奨のその後、新しく足したデータ、変えた権限を確かめます。AIの判断を信じるかどうかではなく、検算の段取りが守られているかを点検する場として位置づけます。

  • 推奨の画面に慣れるほど、前提の注記は読まれなくなります。注記は推奨の横に必ず並ぶ形にしておきます
  • 担当者が替わったときに、推奨の前提を誰が書いていたかが分からなくなる例があります。前提の持ち主も表に残します

費用の増え方と、止め方・やめ方

料金は公表資料に載っておらず、マーケットプレイスでの契約も個別の条件になります。費用を考えるときは、利用料そのものに加えて、読ませるデータが増えるほど、クラウド側のデータ処理と保存の費用も増える点に注意します。マーケットプレイスの請求は既存のクラウドの請求にまとまるため、便利な反面、他の利用と混ざって増え方が見えにくくなります。利用額の約束に算入されることは、実際の支出が減ることとは別です。

止め方は、技術と運用の両方で用意します。技術面では、接続しているデータの読み取り権限を外せば推奨は止まります。どの権限を外せばどのデータが止まるかを、情報システム部門が一覧にしておきます。運用面では、推奨を会議に上げるのをやめれば、AIが判断に影響する経路は断てます。

提供元の継続性も、止め方と合わせて見ておきます。Aily Labs は2025年11月の調達で、主導した投資会社のほかに既存株主の Insight Partners やJPモルガンなどが加わったと発表しており、累計の調達額は1億100万ドルを超えます。資金面の裏付けはある一方で、設立から6年ほどの非上場の会社です。提供元の事情で条件が変わっても判断の流れが止まらないよう、推奨に頼る範囲を、AIがなくても従来の報告で代わりが利く業務に限っておくと、やめるときの影響を小さくできます。

やめるときに確かめるのは、契約終了後にデータと推奨の記録がどう扱われるかです。自社の環境に展開する形なら、何が自社に残り、何が出品者側に残るのかを契約前に確かめます。推奨と採否の記録は、AIをやめた後も意思決定の履歴として価値があるので、自社で保管できる形で書き出しておきます。

よくある質問

日本語で使えますか

公表資料には日本語への対応についての記載が見当たりません。基盤モデルは多言語に対応していても、画面や推奨の説明文が日本語で出るかは別の話です。試用の段階で、日本語のデータを読ませたときの推奨と根拠の出方を確かめてください。

製薬以外の業種でも使えますか

公式サイトは、医療・生命科学のほかに消費財、高級品・ファッション、メディア・技術、小売、サービスを対象業種として挙げています。ただし公表されている事例と発表の多くは製薬向けです。自社の業種での実績は、商談の場で具体的に聞くのが確実です。とくにBtoBのマーケと営業の領域で、どの規模の会社がどのデータを読ませて使っているのかは、推奨の当たり方を見積もるうえで欠かせない情報なので、事例の有無と中身を確かめておきます。

社内のBIツールと何が違いますか

BIツールは数字を見せるところまでで、何をすべきかは人が考えます。Aily Labs は複数の業務領域のデータをまとめ、推奨と試算まで返す点が違います。その分、推奨の根拠を確かめる段取りがBIツール以上に必要になります。

ISO 42001 の表示があれば安心してよいですか

ISO 42001 は、AIを管理する仕組みが整っていることを示す規格です。個々の推奨が正しいことや、自社の使い方が安全であることを保証するものではありません。認証の対象範囲を確かめたうえで、自社の検算の段取りは別に用意します。

まとめ

Aily Labs は、社内の財務・供給・製造・営業とマーケのデータをまとめ、Super Agent を窓口に経営層へ推奨を返す会社です。2026年には AWS と Google Cloud のマーケットプレイスに出品し、既存のクラウド契約で買える形を整えました。役員に配る前に確かめる項目は、推奨を提案止まりにするか実行まで許すか、マーケの数字が前提抜きでどう読まれるか、最初に読ませるデータの範囲、マーケットプレイス経由で省けることと省けないこと、データの置き場所とモデルへの流れ、根拠の出させ方、そして検算と採否の持ち分です。AIに判断させず、根拠を書かせ、人が検算する範囲を先に決める。この線を一つの会議体で試し、採否の記録を見ながら広げていくことが、経営層向けのAIを形だけで終わらせない近道です。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次