根本的な問題はスコープでした。AI戦略資料は4部門にまたがる7つのユースケースを扱っていました。各ユースケースには事業根拠、ベンダー推奨、スケジュールがありました。しかし誰も最も重要な問いを立てていませんでした。どれを最初に作るのか、そしてその一つにとって「完了」とは何を意味するのか、という問いです。この戦略は7つのユースケースすべてを並行して提供すべきポートフォリオとして扱っていました。実際には、これはあらゆる会議が、7つの施策にまたがる相対的優先順位、ベンダー選定、リソース配分をめぐる議論になることを意味しました。どの施策にも、本番に到達するだけの集中もリソースもありませんでした。McKinseyの2025年AI調査では、有意な財務リターンを報告している組織は、モデリング手法を選択する前にエンドツーエンドのワークフローを再設計している可能性が2倍であることが分かりました。この資料はその順序を逆にしていました。一度も実際には再設計していない7つのワークフローに対して、ベンダーとアーキテクチャを選んでいたのです。
断念された2件の概念実証が問題を明確に示していました。1件目は需要予測モデルで、学習を開始する前に18か月分の履歴データをクレンジングし正規化する必要がありました。データチームはデータ準備だけで3か月と見積もりました。データクレンジングが予想以上に複雑だと判明した2か月目に、このプロジェクトは棚上げされました。2件目はカスタマーサービス向けのチャットボットで、7つの社内システムとの統合が必要でした。統合作業は4か月と見積もられました。最初の統合が見積もりの3日ではなく3週間かかった1か月目に、このプロジェクトは棚上げされました。どちらも教科書通りの失敗パターンをたどりました。クリーンなサンプルデータの上に作られたデモは、リアルタイムのシステムや雑然とした本番レコードに直面した瞬間に壊れるのです。業界の調査はこのギャップについて率直です。本番に到達するAI概念実証であっても、プロトタイプから稼働システムまでの平均的な道のりは約8か月かかり、ほとんどはその旅を最後まで進むことすらありません。
運用チームの痛みが最も深刻でした。彼らは週におよそ2,000件の配送例外を処理していました。遅延、誤ルーティング、破損した荷物です。各例外について、人間のオペレーターが詳細を確認し、適切な解決ワークフローを判断し、正しいチームへ手作業でルーティングする必要がありました。このプロセスは1例外あたり平均8分かかり、週に約260人時を消費していました。運用ディレクターは2年間にわたって自動化を求めてきました。この作業はまさに機械学習が得意とする構造化された反復的な分類でした。少数の例外属性を読み取り、それを正しい解決ワークフローへマッピングすること、すなわち2026年の物流プラットフォームが今や自動化し、後手の火消しから先手のルーティングへ移行しているのと同じトリアージです。AI戦略資料はこれを7つのユースケースのうち5番目として、第4四半期に予定していました。運用チームは待つのをやめていました。