ディレクトリ
1.はじめに
私たちは、AI製品の構築と運用が競争の新たなフロンティアであり、この取り組みを推進するアーキテクト、エンジニア、製品リーダーの声がもっと注目されるべきだと考えています。昨年のAIレポートでは、購買ジャーニーと企業の採用ダイナミクスに焦点を当てたが、2025年レポートでは「どのように」AIを搭載した製品を構想し、提供し、最初から最後までスケールさせるかに焦点を移している。
今年のレポートは、ビルダーズマニュアルの核となる部分を掘り下げている:
- 製品ロードマップとアーキテクチャモデル進化の各段階において、実験、本番稼動までのスピード、パフォーマンスのバランスをとるための新たなベストプラクティス。
- 市場参入戦略AI特有の価値ドライバーを反映させるために、チームはどのように価格設定モデルや市場参入戦略を適応させることができるか。
- 人材と才能AIの専門知識を活用し、部門横断的なコラボレーションを促進し、長期にわたってイノベーションを維持するために適切なチームを編成する。
- コスト管理と投資収益率AI製品の構築と立ち上げに関連する支出と戦略およびベンチマーク。
- 社内の生産性とオペレーション企業がどのようにAIを日々のワークフローに組み込んでいるか、そして生産性を高める最大の要因は何か。
2.ジェネレーティブAI製品の構築
2.1 AI製品の種類
- プロキシワークフローとアプリケーションレイヤーは、AIネイティブ企業やAI対応企業が構築する最も一般的な製品タイプである。特筆すべきは、AIネイティブ企業の約80%が現在エージェント・ワークフローを構築していることである。
2.2 モデルの使用
- AIアプリケーションを構築している企業の多くは、サードパーティのAI APIに依存しているが、高成長を遂げている企業は、既存のベースモデルを微調整したり、独自のモデルをゼロから開発したりしている。
2.3 ベースモデルを選択する際の主な検討事項
- 製品開発顧客のユースケースに対してベースモデルを選択する際、企業は他のすべての要素よりもモデルの精度を優先する。
昨年のAIレポートでは、コストは、パフォーマンス、セキュリティ、カスタマイズ性、コントロールなどの他の要因に比べ、最も低い重要な購入検討事項としてランク付けされていた。これは、DeepSeekのような費用対効果の高いモデルの台頭によるモデルレイヤーのコモディティ化を反映しているのかもしれない。
2.4 トップモデル・プロバイダー
- OpenAIのGPTモデルしかし、多くの企業がさまざまなユースケースに対応するAI製品を開発するために、複数のモデルを採用するようになってきている。
釈義: (1) エンドユーザー向けアプリケーションやAIの中核モデル/技術を構築する企業。
企業はAI製品開発において、ユースケース、パフォーマンス、コスト、顧客要件に基づいてさまざまなプロバイダーやモデルを活用するマルチモデルアプローチを採用するようになってきている。このような柔軟性により、サイバーセキュリティ、販売自動化、顧客サービスなど、さまざまな用途に最適化することが可能になると同時に、地域横断的なコンプライアンスと優れたユーザーエクスペリエンスを確保することができる。迅速なモデル交換をサポートするアーキテクチャーが構築されつつあり、コストと推論スピードの優位性からオープンソースモデルを好む企業もある。
一般的に、ほとんどの回答者はOpenAIのモデルと他のプロバイダーのモデルを1-2個使っている。
私たちは、お客様のニーズが異なるため、独自モデルとサードパーティーモデルを使い分けています。プロプライエタリ・モデルを使用することで、顧客とそのユースケース(セールス・オートメーション、カスタマー・サービス・エージェント、社内ツールなど)に合わせて、エクスペリエンスをよりカスタマイズすることができます。さらに、お客様により柔軟な価格帯やオプションを提供することができ、常に新しいモデルやビジネスチャンスを試すことができます。
-年商10億ドルを超えるフルスタックAI企業の製品担当副社長
3.市場参入戦略とコンプライアンス
3.1 AI製品のロードマップ
- AI対応企業では、製品ロードマップの約20~35%がAI主導の機能に集中しており、高成長企業ではロードマップの30~45%がAI主導の機能に充てられている。
3.2 主な価格設定モデル
- 多くの企業が、サブスクリプション/プラン・ベースの価格設定や、利用ベースまたは成果ベースの価格設定など、ハイブリッドな価格設定モデルを採用している。
3.3 AI機能の価格モデル
- 現在、ほとんどのAI対応企業は、AI機能をプレミアム製品の一部として提供するか、AI機能を無料で提供している。
ICONIQ クロスファンクショナルインサイトGTM リーダーに同じ質問をしたところ、彼らの回答はR&D リーダーと非常によく一致しました。
3.4 価格改定
- 40%企業は価格設定を変更する予定はないが、37%回答企業は消費、ROI、利用階層に基づく新しい価格設定モデルを模索している。
投資対効果を考える::
「私たちは、支払い意欲とROIの成果との明確な関連性を価格設定モデルに統合したかったのです」。
--年商1億ドルから1億5000万ドルのフルスタックAI企業の製品担当副社長
「我々は、AI機能が顧客に付加価値をもたらすかどうかを見守っている。主要な採用率と付加価値の証明が得られたら、現在のプラットフォームの階層を細分化するかもしれません(完全なAI/エージェントを備えた上級階層を作り、基本階層を制限し、エンタープライズ階層を作るなど)。"
--年商1億ドルから1億5000万ドルのフルスタックAI企業の製品担当副社長
消費と成果ベースの価格設定::
「アドバンスト・ティアモデルの価格設定を、消費に基づく価格設定モデルで補う予定です。成果ベースの価格設定も試みると思いますが、クライアントがそのコストを正確に予算化できるよう、どのように価格設定を構成するかは不明です"
--年商1億ドルから1億5000万ドルのフルスタックAI企業の製品担当副社長
「サブスクリプション・モデルは当社には合わない。ヘビーユーザーは大量に利用する傾向があり、LLMのAPIコストを考えると利幅がマイナスになる。変動費が高いので、利用ベースのモデルに移行する予定ですが、例えば年間1億トークンのパッケージのように、利用分をサブスクリプションにバンドルする予定です"
--年商1億ドルから1億5000万ドルのフルスタックAI企業の製品担当副社長
3.5 AI の解釈可能性と透明性
- AIの提供が拡大するにつれて、詳細なモデルの透明性レポートや、AIがどのように結果に影響を与えるかについての基本的な洞察を提供することがさらに重要になる。
3.6 AIコンプライアンスとガバナンス
- ほとんどの企業は、AIの倫理とガバナンス方針に関するガードレールを設けており、回答者のほとんどは、AIが公正で安全であることを保証するために人間の監督を利用している。
4.組織構造
4.1 専属AI/MLリーダー
- 多くの企業は、売上高が1億ドルに達するまでに、AI専属のリーダーを擁している。これは、業務が複雑化し、AI戦略の責任者を一元化する必要があるためと思われる。
4.2 AI特有の役割
- 現在、ほとんどの企業がAI/ML専任のエンジニア、データサイエンティスト、AIプロダクトマネージャーを擁しているが、平均してAI/MLエンジニアの採用に最も時間がかかっている。
4.3 採用のスピード
- 採用のスピードに対する考え方は、回答者の間で比較的バランスが取れており、採用のスピードが十分でないと感じている回答者は、主に有能な候補者の不足を主な制約要因として挙げている。
4.4 AIエンジニアリング・チームの割合
- 企業は平均して、エンジニアリングチームの20-30%をAIに集中させる計画で、高成長企業ほどエンジニアリングチームのAIに集中する割合が高い。
5.AIコスト
5.1 AI開発費
- 平均して、企業は研究開発予算の10-20%をAI開発に割り当てており、ほとんどの企業が2025年にAIへの支出を増やすことを計画している。
5.2 予算配分
- AI製品が拡大するにつれて、総費用に占める人材コストの割合は減少する傾向にある。逆に、製品が市場に浸透し始めるにつれて、インフラやコンピューティングのコストは増加する傾向にある。
5.3 インフラコスト
- 様々なインフラコストの中で、回答者はAPI使用料を最もコントロールが難しいと指摘しており、企業が外部API消費に関連する変動コストの面で最も予測不可能な事態に直面していることを示唆している。
5.4 コスト最適化
- AIインフラのコストを削減するために、組織はオープンソースのモデルや推論効率を最適化する方法を模索している。
5.5 モデルのトレーニング
- ほとんどの回答者は、少なくとも毎月モデルのトレーニングや微調整を行っており、推定される毎月のモデルトレーニングコストは、製品の成熟度にもよるが、16万ドルから150万ドルの範囲であった。
5.6 展開コスト:理由
- 推論コストは立ち上げ後に急増し、高成長AI企業はGAとスケールアップの段階で同業他社より2倍多く費やしている。
5.7 展開コスト:データの保管と処理
- データストレージと処理コストもGA段階から急上昇し、高成長のAIビルダーは同業他社よりもデータストレージと処理に多くの費用を費やしている。
6.社内生産性
6.1 年間社内生産性予算
- 2025年には、社内のAI生産性予算はすべての収益層でほぼ倍増し、企業は総収益の1~8%を費やすことになる。
6.2 社内の生産性予算源
- 研究開発予算は、企業におけるAIの社内生産性予算の最も一般的な源泉であり続けているが、社内生産性支出にヘッドカウント予算が使われるケースも見られ始めている。
6.3 AIへのアクセスと利用
- 約70%の従業員が社内の生産性向上のために様々なAIツールを利用しているが、一貫してAIツールを利用しているのは約50%に過ぎず、大規模な組織(年間売上高10億ドル以上)では導入がより困難である。
ドン・ヴー(ニューヨーク生命チーフ・データ・アナリティクス・オフィサー)特に大規模な組織では、ただツールを導入するだけでは失望を招く。従業員に真に力を与えるには、ユーザビリティと、トレーニング、チャンピオンの強調表示、そして最も重要なことだが、シニアレベルの絶え間ないサポートを含むサポート体制を組み合わせる必要がある。
6.4 AIツール導入のための主な考慮事項
- 社内のユースケースに使用するベースモデルを選択する際に最も重要な考慮事項はコストであり、次いで正確性とプライバシーである。
外部のAI製品を導入する際には精度が最も重要な要素とされたのに対し、社内のAIユースケースでモデルを選択する際にはコストが最も重要な考慮事項とされた。また、社内のユースケースでは、社外と比較してプライバシーがより重要な考慮事項となる。
6.5 モデル展開の課題:社内のユースケース
- 社内のユースケースにAIを導入する際に組織が直面する最大の課題は、技術的なことよりも戦略的なこと(適切なユースケースを見つけ、ROIを証明すること)になりがちだ。
6.6 ユースケースの数
- 企業は通常、機能横断的に複数のGenAIユースケースを検討し、導入率の高い企業は7つ以上のユースケースでGenAIを使用している。
6.7 AI採用
- AIツールの積極的な利用が20%より低い従業員平均ユースケース数 = 3.1
- AIツールのアクティブな使用率が20~50%の従業員平均ユースケース数 = 4.9
- 50%以上のAIツールをアクティブに使用している従業員平均ユースケース数 = 7.1
6.8 人気のユースケース
- 研究開発およびセールス&マーケティングユースケースは人気でリードしているが、一般的・管理的なユースケースはまだ遅れている。
6.9 トップ・ユースケース:影響別
- 生産性への実際の影響という点では、上位のユースケースは利用傾向と同じで、コーディング支援が他のユースケースを大きく上回り、生産性の点で最も大きな影響を与えた。
6.10 社内のAI導入に対する意識
- 高成長企業は、新しいAIツールをより積極的に実験・採用する傾向があり、これは、先進企業がAIを戦略的なテコとみなし、より迅速に社内のワークフローに組み込んでいることを示唆している。
6.11 投資収益率の追跡
- ほとんどの企業は、社内のAI利用による生産性とコスト削減を測定している。
7.AIビルダーの技術スタック
7.1 最もよく使われるツール:モデルのトレーニングと微調整
キーポイント
フレームワークとホスティング・プラットフォーム
PyTorchとTensorFlowが回答者全体の半分以上を占めている。AWSのSageMakerとOpenAIの微調整サービスの人気は、チームが「自分で作る」アプローチと「他の人に任せる」アプローチに分かれていることを示唆している。他の人に任せる」アプローチ
エコシステム・プレーヤーが注目される
- Hugging FaceエコシステムとDatabricksのMosaic AI Trainingは、原始的なフレームワークにより高い抽象度を提供し、有意義なニッチを切り開いている。
- 一方、より専門的な、あるいは新興のツール(AnyScale、Fast.ai、Modal、JAX、Lamini)は1桁台の割合で見られ、実験が進行中であることを示唆しているが、普及はまだ初期段階にある。
企業要件
- 後発企業は通常、より大規模なデータチーム、より複雑なパイプライン、セキュリティ、ガバナンス、コンプライアンスに対するより厳しい要件を持っている。
- Databricksの "Lakehouse "アーキテクチャ(データエンジニアリング、アナリティクス、MLを融合)とAnyScaleのホスト型Rayクラスタ(分散トレーニングとハイパーパラメータチューニングを簡素化)は、これらの企業のニーズに直接対応しており、年間収益5億ドル以上の回答者の多くがこれらを使用しています。ソリューションです。
最も広く使われているツール
7.2 最も使われているツール:LLMとAIアプリケーション開発
キーポイント
オーケストレーション・フレームワークが主流
- 使用されているフレームワークのトップは、LangChainとHugging Faceのツールセットで、キューチェーンの簡素化、バッチ処理、パブリックモデルやセルフホストモデルとのインターフェイスであるハイレベルライブラリに、チームが明確に重点を置いていることを示している。
- また、回答者の約70%は、プライベートまたはカスタムのLLM APIを使用していると述べている。
セキュリティと上位SDKが注目される
- 回答者のおよそ3/10がGuardrailsを使用してセキュリティチェックを行い、およそ1/4がVercelのAI SDK (23%)を利用して迅速なデプロイメントを行っている。
ロングテール実験
- CrewAI、Modal Labs、Instructor、DSPy、DotTXTのような新興プレーヤーの利用が弱いことは、実験は広く行われているものの、主要プレーヤーを超える広範な標準化がまだ確立されていないことを示唆している。
最も広く使われているツール
7.3 最もよく使われるツール:モニタリングと観測可能性
キーポイント
既存のインフラが支配的
- 半数近くのチームが、MLに特化したツールを採用するのではなく、既存のAPM/ロギングスタック(Datadog、Honeycomb、New Relicなど)に依存している。これは、統合の容易さと組織の標準化が、特注のAIモニタリングのメリットを上回ることが多いという事実を浮き彫りにしている。
MLネイティブ・プラットフォームが早くから注目を集める
- LangSmithとWeights & Biasesの両社は画期的な進歩を遂げ、採用率は〜17%に達し、レガシーシステムにアドオンを追加することなく、キューチェーンの検出、エンベッディングの追跡、ドリフトの発見ができる、すぐに使えるソリューションに対する真の需要があることを示している。
断片化のロングテールと知識格差
- 最初の2つのMLネイティブの名前を超えると、Arize、Fiddler、Helicone、Arthurなどのプレイヤーの間で使い方が急速に細分化され、回答者の10%がどのツールを使っているかわからないと答えた。「コンセプトが混乱している。
最も広く使われているツール
7.4 最もよく使われるツール:推論最適化
キーポイント
生産におけるエヌビディアのコントロール
- TensorRTとTriton Inference Serverを合わせた市場シェアは60%を超え、GPU導入におけるレイテンシとスループットの圧縮において、NVIDIAのスタックが引き続き優位を占めていることが明らかになりました。
クロスプラットフォームの選択肢が市場シェアを拡大
- ONNXランタイム(18%)は、CPU、GPU、アクセラレータにまたがるハードウェアに依存しないアクセラレーションに対するチームのニーズを反映した、NVIDIA以外の最上位ソリューションである。
- TorchServe (15%)も同様に、純粋なPyTorchサービス、特にCPUのみのワークロードやよりシンプルなコンテナ化されたセットアップのための場所がまだあることを示している。
知識のギャップと未開拓の可能性
- 171人のTP3Tの回答者がどの最適化を使用しているか知らず、141人のTP3Tの回答者が "なし "と回答していることは、推論チューニングに大きな混乱や未経験があることを示唆している。これは、定量化、枝刈り、効率的な実行時間のための教育(とツール)の機会が、特に大規模なオペレーションチームにはあることを示唆している。-特に大規模な運用チームにとっては。
最も広く使われているツール
7.5 最もよく使われるツール:モデル・ホスティング
キーポイント
プロバイダーからの直接アクセスが王道
- ほとんどのチームは、OpenAIやAnthropicなどを介してモデルホストに直接アクセスしている。これは、中間層を介して構築したり統合したりするのではなく、ベンダー自身の推論APIへの呼び出しを通じて抵抗が続いているという事実を浮き彫りにしている。
スーパースケーラはそのすぐ後ろにいる
- AWS BedrockとGoogle Vertex AIが大きなシェアを獲得しているのは、ホスティングとガバナンス、セキュリティ、課金を1つのペインにバンドルした、統合されたエンタープライズグレードのMLプラットフォームに対する市場のニーズを反映している。
- 特に、より多くの後期段階の企業(年間売上高5億ドル以上)がハイパースケーラ・ソリューションを使用していると報告している。
フラグメンテーションの代替案と新たなプレーヤー
- 大手3社を超えると、Fireworks、Modal、Together.ai、AnyScale、Baseten、Replicate、Deep Infraなどのプレイヤーの間で利用が急速に細分化された。このロングテールは、チームが独自の価格設定、パフォーマンスSLA、または機能セット(カスタムランタイム、フィールド内オプションなど)により、プロホストをまだ模索していることを示している。
最も広く使われているツール
7.6 最もよく使われるツール:モデル評価
キーポイント
明確な独立リーダーがいない
- 4分の1近くのチームが、Vertex、Weights & Biases、Galileoのようなプラットフォームの組み込み評価機能を主に使用しており、20%の回答者は、どのようなツールを使用しているか「知らない」だけで、多くの組織が専用のフレームワークを採用するよりも、既存のMLスタックに組み込まれた評価機能に依存していることを示している。専用フレームワークを採用するのではなく、既存のMLスタックに組み込まれた評価機能に依存している。
新たな専門的枠組み
- LangSmithとLangfuseは、専用に構築された評価ツールをリードしており、HumanLoopとBraintrustも牽引役となっている。これらのプラットフォームは、より豊富なキューレベルのメトリクス、カスタマイズ可能なテストスイート、すぐに使えるドリフト検出を提供することで、市場シェアを獲得している。
知識格差とDIY
- 回答者のほぼ4分の1が、どの評価ツールを使っているかわからない、あるいは評価ツールをまったく持っていないという結果が出ており、生成AIにおける「評価」の概念に関する混乱と、監視されないままモデルが回帰するリスクの両方が示唆されている。
- 同時に、独自の評価パイプラインを構築している回答者もおり、既製のツールではまだすべてのユースケースをカバーできていないことを示唆している。
最も広く使われているツール
7.7 最もよく使われるツール:データ処理とフィーチャーエンジニアリング
キーポイント
古典的なビッグデータツールが依然として優勢
- Apache Spark(回答者の44%)とKafka(回答者の42%)がリードしており、規模が大きくなると、チームはETLとリアルタイムのデータ取り込みのために、実績のある分散バッチ処理とストリーミングフレームワークを使うのがデフォルトであることを強調している。
Pythonの強力な基盤
- ビッグデータのフットプリントが大きいにもかかわらず、41%の回答者は依然としてPandasを使用しています。これは、小規模なデータセット、プロトタイピング、またはエッジケースでは、インメモリPythonツールのシンプルさと柔軟性が依然として不可欠であることを示唆しています。
地平線上に保存された機能
- TP3Tの171人だけが、専用の機能ストアを使用している。これは、「一度構築すれば、どこでも使える」という機能コンセプトが人気を集めている一方で、ほとんどの組織がまだ大規模に実装していないことを示している。
- 成熟が進むにつれて、フィーチャーストアや軽量コーディネータ(Dask、Airflowなど)が順位を上げてくるかもしれないが、今のところはApacheのエコシステムが優勢だ。
最も広く使われているツール
7.8 最もよく使われるツール:ベクトル・データベース
キーポイント
検索エンジンがベクターストレージに進化
- ElasticとPineconeが採用をリードしたが、これはチームが既存のフルテキスト検索プラットフォームを組み込み用に適合させるか、特別にホストされたベクトルエンジンを採用したことを反映している。
レディスとロングテール
- また、Clickhouse、AlloyDB、Milvus、PGVectorなどのソリューションは、多くの組織がコスト、レイテンシー、機能要件のバランスを取るために、さまざまなバックエンドを試していることを示している。
オープンソース・ソリューションの台頭
- Chroma、Weaviate、Faiss、Qdrant、Supabaseのベクター・プラグインのような専門的なオープンソース・ツールは、初期のリーダーを駆逐しつつあり、使いやすさ、スケーラビリティ、クラウド・ネイティブな統合という点で、競争の激戦区になっていることを示唆している。
最も広く使われているツール
7.9 最もよく使われるツール:合成データとデータ強化
キーポイント
社内生産が主流
- 半数以上のチーム(52%)が独自のツールを構築しており、市販のプロバイダーがあらゆるユースケースをカバーしたり、既存のパイプラインと統合したりするのにまだ苦労していることを示唆している。
スケールAIがベンダーをリード
- 21%の採用率で、Scale AIはサードパーティの合成データ・プラットフォームとして好まれているが、それでも5社に1社しか採用していない。
プログラムフレームワークの早期誘致
- Snorkel AIとMostly AIは、手続き型ラベリングと生成ツールが市場シェアを伸ばしていることを示しているが、カスタムソリューションにはまだ遠く及ばない。
最も広く使われているツール
7.10 最もよく使用されるツール:コーディング補助ツール
キーポイント
パイオニアの優位性
- ギットハブ・コパイロット VSコードとの緊密な統合、多言語サポート、GitHubの大規模なユーザーベースの裏付けにより、開発チームのほぼ4分の3で使用されているCopilotは、そのネットワーク効果と製品市場への適応性により、取って代わることは難しいが、Cursor(50%の回答者が使用)の好調なパフォーマンスは、多様なIDE統合に対する需要があることを示唆している。
ロングテール商品の遅れ
- 上位2つの後、採用率は劇的に低下し、ロングテールのソリューションは断片化した。これは、ほとんどのチームが少なくとも1つのヘルパーを試したことがある一方で、代替手段を標準化したチームはほとんどないことを示唆している。Retool、Lovable、Boltなどのローコード・ソリューションやノーコード・ソリューションは、そのようなソリューションの中で最も重要な役割を担っている。 リプリット また、アイデアからアプリケーションへのソリューションに対する市場の関心の高まりを示す栄誉ある賞も受賞した。
最も広く使われているツール
7.11 最も使われているツール:DevOpsとMLOps
キーポイント
MLflowはリードを独占していない
- MLflowは回答者の36%によって使用され、実験追跡、モデル登録、および基本的なパイプラインオーケストレーションのための明確なトップランナーであった。
- ウェイト Biases は、回答者の20%が使用しており、トラッキング、ビジュアライゼーション、コラボレーションのためのホスト型SaaSとしての魅力を反映している。
- 16%はどのツールが自分たちのMLOをサポートしているのか「知らない」、PlayerZero、Braintrustなどが挙げられている。これは、責任(DevOpsとMLOps)についての混乱と、市場がまだそれ自体を整理していないことを示している。
トラッキングと本格的なオペレーションとのギャップ
- MLflowやW&Bのようなトレースファーストのプラットフォームが優勢であることは、多くのチームがまだエンドツーエンドのMLOpsスイートを採用していないことを示唆している。
最も広く使われているツール
7.12 最も使用されたツール:製品とデザイン
キーポイント
Figmaのほぼ普遍的な影響力
- 87%の採用率で、Figmaは、実際に、UI/UXと製品デザインのための確立された標準となっています。
より高度なコラボレーションのためのミロ
- 37%の採用率を誇るMiroは、ワイヤーフレーム、ユーザー・ジャーニー・マッピング、部門横断的なブレーンストーミングのための最初の選択肢であり続けています。ホワイトボード・スタイルのインターフェイスは、特に初期のアイデア段階では、Figmaのピクセルレベルのキャンバスを補完します。
AIを活用した製品ライン・ブロック図の台頭
- デザインチームは、AIネイティブの製品/デザイン・プラットフォームに対する緊急の必要性をまだ感じていないが、多くのチームは、Bolt、Lovable、Vercel V0などのラピッド・プロトタイピング用のロー/ノーコード・ソリューションを使用している。
最も広く使われているツール
8.社内生産性の使用例(パートI)
8.1 ユースケース
主要トレンド
各カテゴリーのツールの詳細については、ICONIQ Insightsまでお問い合わせください。
営業生産性
- 多くのチームは、AIを活用した営業機能をSalesforceから直接導入しています。これは、別のサービスを導入するよりも、既存のCRMに組み込まれているレコメンデーション、予測、オポチュニティ・スコアリングを活用する方が簡単であることを示唆しています。
- 他の回答者は、Apollo、Salesloft、Gongのような営業エンゲージメント・プラットフォームを使用しており、他の回答者はClayやPeople.aiのようなAIを搭載したリード生成ツールを使用している。
- 組込み機能が成熟するにつれて、いくつかのプラットフォーム周辺やポイントソリューションの新規参入企業との差別化がより明確になるかもしれない。
マーケティングオートメーションとコンテンツ生成
- マーケティング担当者は、Canvaのジェネレーティブ機能を、ブランド・ビジョンと迅速なコンテンツの反復のためにほぼ独占的に利用しており、マーケティング・スタックの中で最も一般的な「AI」タッチポイントとなっている。
- 回答者の多くはn8nや社内ソリューションも利用しており、マーケティングのユースケースは時として高度な社内カスタマイズを必要とすることを示唆している。
- 回答者の多くは、WriterやJasperといったAIライティング専用ツールも使用しており、後発企業(年商10億ドル以上)ほど採用率が高い。
顧客エンゲージメント
- 顧客とのやり取りは、ZendeskやSalesforceに内蔵されたAI機能のみに頼っているチームがほとんどで、単独の会話AIプラットフォームを採用するよりも、すでに使用しているプラットフォームに頼った方がまだ良いことを示している。
- より詳細なボットのカスタマイズ、セルフサービスウィザード、または緊密に組み込まれたサポートウィジェットが必要な場合、少数派はPylon、Forethought、Grano.la、Intercomのような専門ツールに頼っている。このことは、既製のAIでは十分でない場合、ブティック・ツールにはまだ居場所があることを示している。
文書化と知識検索
- ほとんどのチームは、既存のウィキやノート作成ツールを利用するか、Notionを標準としている。このことから、組織はAIによるオーバーレイを試みる前に、すでに存在するナレッジキャプチャツールの利用を既定路線としていることが多い。
- しかし、回答者の多くは、以下のような専門的なAIツールにも目を向けている。 グリン とインデックス作成とセマンティック検索のためのライター。
9.社内生産性のユースケース(パートII)
9.1 ユースケース
主要トレンド
各カテゴリーのツールの詳細については、ICONIQ Insightsまでお問い合わせください。
ITとセキュリティ
- ServiceNow(33%の回答者が使用)とSnyk(30%の回答者が使用)がリードしており、大企業はまったく新しいAIツールを構築するよりも、既存のITSMやセキュリティスキャニングプラットフォームをデフォルトにしていることを示唆している。
- ZapierとWorkatoも頻繁に言及され、異なるツール間でアラート、チケット作成、修復スクリプトを組み合わせるためのローコード・オーケストレーションにチームが強く注力していることを強調している。
立法
- 法律部門は主に次のような組織で構成されている。 チャットGPT や一時的なスクリプトはAIに手を出しているが、専用のリーガル・アシスタント・プラットフォームが普及し始めている。
- 規制や安全性への懸念が高まるにつれ、非公式な研究用の主流LLMと、ミッションクリティカルな契約ワークフロー用のコンプライアンス中心のスイートという乖離が見られるようになるだろう。
人事・採用
- 半数近くのチームがLinkedInに内蔵されたAI機能(プロフィール提案、候補者マッチング、昇進ソート)に依存しており、採用担当者はスタンドアロンのソリューションを統合するのではなく、すでに毎日使用しているプラットフォームに依存していることを示唆している。しかし、HireVue(AI主導のビデオ面接用)やMercor(候補者エンゲージメント用)のようなニッチなプラットフォームも緩やかな採用を始めている。
FP&Aの自動化
- 多くのチームがFP&Aの自動化のためにRampを使用しており、オールインワンのプラットフォームにおける支出管理とデータ同期機能を活用している可能性がある。
- Pigment、Basis、Tabsなどの専門スイートも人気を集め始めており、ドライバーベースのプランニングやマルチシナリオモデリングプラットフォームへの関心が高まっていることを示している。
- 回答者の約3分の1はオンプレミスのソリューションも使用しており、これはERP、請求、BIシステムを連携させるためのカスタムスクリプト、Excelマクロ、カスタムパイプラインへの投資を反映している。
10.結論
技術も戦略も重要だが、最も重要なのは人間だ。
オリジナル:https://www.iconiqcapital.com/growth/reports/2025-state-of-ai
Report Download: https://cdn.prod.website-files.com/65d0d38fc4ec8ce8a8921654/685ac42fd2ed80e09b44e889_ICONIQAnalytics_Insights_The_AI_ビルダーズ_プレイブック_2025.pdf