あえて「手段を目的化する」AIプロダクトマネジメント@pmconf2025

プロダクトマネジメントにおいて、技術はあくまで手段であり、目的はユーザー課題解決です。

...という定説を少し疑って、AIという手段のことを先に考えたほうがいいのかも？という話をします。

サイバーエージェントの「自由と自己責任」でやってみる文化。10年以上にわたって技術の最前線を走るAI Lab。これらを背景にした「手段を目的化する」考え方と実践について、私の担当するプロダクト「AI POS」の話を中心に紹介できればと思います。

現場のアイデアレベルから戦略やカルチャーのレベルまで。みなさんとも意見を交わせると嬉しいです。よろしくお願いします！

Transcript

1. あえて「手段を目的化する」 AIプロダクトマネジメント 株式会社サイバーエージェント AI POS プロダクト責任者 早川裕太
2. 早川 裕太 株式会社サイバーエージェント AI事業本部 AI POS プロダクト責任者 大学院でAI研究 データサイエンティストとして新卒入社 広告/データ領域で徐々に企画側に浸透 ひとりPdMとして AI POS 立上げ
3. サイバーエージェントについて インターネット広告、メディ ア&IP、ゲーム事業を中心と した多様なビジネス展開
4. サイバーエージェントとAI 代表から全社員に宣言 専任組織をつくり推進 社内ツール開発 ツール利用支援 創出や活用の施策多数 技術経営方針にAI追加 生成AIを徹底活用することが決まっている会社 全社戦略に生成AI 多数施策を実施 社内外ツールどんどん活用
5. サイバーエージェントとAI AIがクリエイ ターと協業 し、効果の高 い広告クリエ イティブを大量 に作成 実店舗での自 立型対話AIによ る調剤受付な ど、リアル世界 のAIも参入 AIが10億回 （人力なら 1900年分）プ レイしたの ち、サービス リリース レース状況に応 じた自動テ ロップ付与/残 りHPの表現な ど新しい映像 表現 業務効率化の枠を超えたAIプロダクト/機能たち WINTICKET ゲームのバランス調整支援システム 広告クリエイティブ 遠隔接客AIアシスタント
6. Speakerの担当プロダクト 「AI手段」のすごさに影響を受け、プロダクトを企画し事業化 日々のプロダクトづくりでの事例や考えをシェアします 作業なし、待っていれば届く 人間のBI操作では追いつかない量の分析をAIが自動で毎日実施 重要な情報や変化をAIが選び、作業なしでメール/チャットで受信 誰でもデータに詳しくなれる 非・分析者でも使いやすい、スピーディなチャットUIを搭載 データ分析・深掘りがサクサク進むなかで、データに詳しくなる 分析だけでは終わらない 分析結果を踏まえて、実施すべき施策やその仮説をAIが推薦可能 分析だけでは終わらず、今後の改善につなげていくことができる 小売・メーカー・リテールメディア領域の分析AIエージェント
7. あえて「手段を目的化する」 AIプロダクトマネジメント
8. 名著に書かれた 圧倒的に正しい一文 “あくまで解決すべきはユーザーの課題であり、 AIはそのための手段であることは忘れてはならない。”
9. 「AIを目的化」した瞬間、少なからずあると思います。 でも最近みなさんも コーディングは AIにやらせてな いと、やばい PMもCursor 使わないと、 やばい そろそろ AI機能つくらな いと、やばい AIエージェント 使った新規事業 やらないと、 やばい
10. AIという手段は多分大事っぽい AIプロダクトをつくるうえで 手段側の解像度をもっと上げられるとよいのでは？
11. 本日の内容 AIプロダクトをつくるうえで 手段側の解像度をもっと上げていくための議論 AI手段ありきのプロダクトマネジメント = 手段の目的化！ 意味のある AI機能を作りたい 1 PM現場業務 AIプロダクトで もっと価値 を生みたい 2 プロダクト戦略 AI手段を 事業の競争力に したい 3 技術戦略/組織戦略
12. 1.　 意味のあるAI機能を作りたい
13. ・テキスト/画像/音声/動画を生成する? ・人間の業務をおきかえる？ AI機能をつくろう！何から考える？
14. シンプル生成/業務置換えではなぜ微妙か？ 機能の責任範囲を 定めるのが難しい ユーザの観察 課題の特定 が足りていない 手段にフォーカスしたときの 主な問題 目的にフォーカスしたときの 主な問題（議論割愛）
15. 機能の責任範囲を定めるのが難しい 分析の解釈だけでなく、次の分析の提案までしてくる 重要な売上データの説明でハルシネーションしてしまう 複数タスクこなせてしまう汎用モデルだから 意図する機能とできちゃう機能の差分が大きい 手段であるAIの性質 困る例（分析AI） 出力の再現性は基本なし＆入力に依存した挙動なので どれだけ精度が出るかは事前にはわからない
16. 王道の対策はユーザに責任を持ってもらうこと 機能の責務範囲が曖昧になるリスク AIはざっくりこんな方向性で支援しますが、最後は人間が確認して責任持ってね。 しかし、このスタンスでは成立しにくい場面は多々あるので責任を取る方法を 考えていきたい。
17. 手段の目的化のススメ AIと人間の出力結果のブラインドテスト（どっちがよい？） 既存のAIと新AIのブラインドテスト 専門家が、ルーブリック（採点基準表）をつくり判定 　 →AI POSでは結果50vs50に近ければリリース可と判断 　 →新AIが十分な差（効果量）で勝っていればリリース 　 →PMやドメインエキスパートによる要求の分解/構造化が鍵に AIの世界の「評価の手法」をプロダクトに持ち込む 実は、PMも受け入れやすいものが多そう
18. PMやドメインエキスパートによる要求の分解/構造化が鍵 漠然とした要求 なんとなく出来そうなこと 個別の要求・ AIのタスク
19. PMやドメインエキスパートによる要求の分解/構造化が鍵 個別の要求・ AIのタスク → 世の中で名前のついているAIタスクとほぼ同じ
 （例：要約, 翻訳, 物体認識, 文字認識, ...） ベストプラクティスに準拠 → 明確なルールで解けそうな曖昧さのない要求/タスク AIを使わないことを検討 → その他の要求/タスクも色々出てくる
20. 要求が「最小粒度の曖昧性」まで分解できたかチェック PMやドメインエキスパートによる要求の分解/構造化が鍵 曖昧性 = 人間がやるとしても、 なんとなく、属人的に、まあ大体こうかな？で決めているもの。 やっていること。 最小粒度 = これ以上分解することに意味がない
21. 要求を「最小粒度の曖昧性」まで分解してみる PMやドメインエキスパートによる要求の分解/構造化が鍵 お題： 「商品の売上がどんな店舗で伸びているかを分析したい。 人間がやっているように。いい感じに」 →これはまだかなり曖昧
22. 対策：要求を「最小粒度の曖昧性」まで分解してみる お題： 「商品の売上がどんな店 舗で伸びているかを分析 したい。人間がやってい るように。いい感じに」 分解1： 「どんな店舗」の軸は都 道府県/都心or郊外/業態 あたりからいい感じに選 んでほしい。 分解2： 転売目的の大量購入は見 たうえで判断して除外し て分析したい。 ＝ + + ... PMやドメインエキスパートによる要求の分解/構造化が鍵
23. 対策：要求を「最小粒度の曖昧性」まで分解してみる お題： 「商品の売上がどんな店 舗で伸びているかを分析 したい。人間がやってい るように。いい感じに」 分解1： 「どんな店舗」の軸は都 道府県/都心or郊外/業態 あたりからいい感じに選 んでほしい。 分解2： 転売目的の大量購入は見 たうえで判断して除外し て分析したい。 ＝ + + ... → 何をできるといいかがシンプルになり評価や検証がしやすい。 → 曖昧じゃない要求に分解できたら、それはルールベースでokとわかる。 → 分解した後、まとめて１機能にするのは比較的容易 PMやドメインエキスパートによる要求の分解/構造化が鍵
24. 1.　 意味のあるAI機能を作りたい →AI研究の評価スキームを積極的に取り入れてみる →スキームに乗せやすいように要求を分解してみる
25. 2.　 AIプロダクトでもっと価値を生みたい
26. AIの価値とは？
27. AIの価値は「予測のコストが下がること」 と言った人がいた　 AIの価値とは？ まだ生成AI以前の時代（2018） の経済学者たちの見解 生成AIによって文章生成/画像生成のコストが下がったと言ったらみんな頷く
28. 安い！速い！が価値の源泉 「〇〇時間の削減」系はわかりやすく、多くの場合人間がやるより高速化する ただし業務効率でとどまらない価値は？ 弊社事例
29. 手段の目的化のススメ 予測/生成 のコストが大きく下がる として... その結果、起こる変化 はなにか？ AIによるコストダウン前提でIF THENで考えてみる IF THEN 構造転換
30. 安い！速い！を構造転換① 裏返すと「大量にできる。」「きめ細やかにできる。」のが価値 AI POS 分析 レコメンド 推薦が速く、安いので何億人ユーザがいても、一人ひとりに 「おすすめ」できる　 分析速く、安いので人間では分析しきれない量を分析して、 有用な情報だけ抜粋
31. Speakerの事例 AI POS構想時の資料でも価格破壊と大量&スピードが強調されていたｗ
32. 安い！速い！構造転換②｜Amazonの思考実験 Amazon.comが顧客の購買の完璧な予測 常に低コストでできるようになったら、何をするか？
33. Amazonの思考実験：Shipping then Shopping 玄関を開けたら欲しい ものが届いていて、後で支払い
34. Amazonの思考実験：Shipping then Shopping 全会員に商品を 送りつけるられる。 商品を送りつけても 返品されなくなる 完璧な購買予測精度 予測のコストが下がり 高速大量にアクセス可能 返品コスト の期待値 購買機会が増える 売上増 ＜ × 「予測のコスト低下」は「返品コスト低下」に。 勝手に配送してもの売上増分がコストを超える　
35. Shipping then Shoppingフレームワーク 大量にできる アクション 回避できるリスク 高い予測/生成の性能 コストが下がり 高速大量にアクセス可能 リスクに起因する 期待コスト アクションを増やす 売上/利益増分 ＜ × このフレームで考えてみるとより業務効率を大きく超えた価値を創出できるかも？ ※文末に付録として生成AIと考えるためのプロンプトをご用意しましたので試してみてくださいw
36. 3.　 AI手段を事業の競争力にしたい
37. ここまで話したことを実践したうえで AI手段そのものを競争力にしていきたい
38. サイバーエージェント AI Lab
39. プロダクト応用を前提としたAI技術開発
40. 【再掲】サイバーエージェントとAI AIがクリエイ ターと協業 し、効果の高 い広告クリエ イティブを大量 に作成 実店舗での自 立型対話AIによ る調剤受付な ど、リアル世界 のAIも参入 AIが10億回 （人力なら 1900年分）プ レイしたの ち、サービス リリース レース状況に応 じた自動テ ロップ付与/残 りHPの表現な ど新しい映像 表現 業務効率化の枠を超えたAIプロダクト/機能たち WINTICKET ゲームのバランス調整支援システム 広告クリエイティブ 遠隔接客AIアシスタント
41. HCI クリエイティブ 行動理解 NLP エージェント 強化学習 AI POSの技術開発 学際的、横断的な領域で複数テーマを推進
42. 手段の目的化のススメ 解くべき本質的な課題 “インパクトのある技術的テーマを、 事業や市場から逆算して考え”技術開発に踏み込む https://www.cyberagent.co.jp/way/list/detail/id=32549 業界の ビジョン AI手段の ビジョン
43. まとめ AI手段をうまく取り入れながら、 業務効率化を大きく超えた価値を提供していきたい 意味のある AI機能を作りたい 1 PM現場業務 AIプロダクトで もっと価値 を生みたい 2 プロダクト戦略 AI手段を 事業の競争力に したい 3 技術戦略/組織戦略 AI評価を手段とする 思考フレーム を手段とする 技術開発を 手段とする
44. Appendix
45. Shipping then Shoppingフレームワーク プロンプト 1. AIの予測や生成の性能があがると、あるリスク（例：返品/貸倒/システムダウンタイム）に基づく期待コスト（例：返送料/貸倒料金/ダウンタイムの保証料金）が下がります。 2. 全く新しいアクション（例：買う前に送る/審査前に売る/壊れる前に交換する）ことによる期待売上増分が1.のコストを上回りROIが正になります。 のような構造のビジネスや機能を探したいです。例を参考に以下のフォーマットに従って5つ記載してください 生成AIに関連するもの、ビジネス全体ではなく、プロダクトや機能レベルのものも積極的に記載してください ========================== 1. AIの性能向上により何の（予測/生成等）タスクの精度が改善するか？ 2. どんなリスクに基づく期待コストが予測/生成によって下がるか？（ただしここでのリスクは顕在/潜在的問わず元々その事業やプロダクト周辺環境に存在するものであること） 3. 全く新しいアクションはなにか？ 4. 全く新しいアクションによる期待売上増分はどうか？ 5. 2.と4.を比較した結果4.が大きければ新しいアクションが正当化される ============================ 例：AmazonのShipping then Shoppnig 1.何の精度が改善するか？：ユーザの3日後の購買有無の予測 2.どんなリスクに基づく期待コストが予測によって下がるか？：購買前に配送したときの返品のリスクに基づく、返送料が減る。 3.全く新しいアクションはなにか？：購買前に配送 4.全く新しいアクションによる期待売上増分はどうか？：他の小売店ではなくAmazonで買ってくれる（シェアアップ） 5.返送料の期待値 < シェアアップによる期待売上増分になればShipping then Shoppingが正当化される。 例：BNPL（後払い / 即時与信） 1.何の精度が改善するか？ 　 ユーザーの「返済不能になる確率」「継続利用・LTV」の予測 2.どんなリスクに基づく期待コストが予測によって下がるか？ 　 貸倒リスクに基づく期待損失（デフォルトしたときの未回収分＋回収コスト） 3.全く新しいアクションはなにか？ 　 ・チェックアウト画面で数秒以内に「分割/後払いOK」を出す 　 ・少額＆新規ユーザーにも広く BNPL を解放する（従来なら審査コスト的にやらなかったゾーン） 4.全く新しいアクションによる期待売上増分はどうか？ 　 ・EC のカゴ落ち減少 → 決済コンバージョン向上 　 ・「今買えるなら買う」需要が掘り起こされ、平均注文額・購入頻度が上がる 5. 期待売上増分 −（予測が外れた分の貸倒コスト）がプラスなら、BNPL が成立