人工知能が 経営にもたらす 「創造」と「破壊」 ∼市場規模は 2030 年に 86 兆 9,600 億円に拡大∼ EY Institute 人工知能が経営にもたらす「創造」と「破壊」 1 Ⅰ． 機械学習・深層学習の威力 ・・・・・03 Ⅱ． 統計的・確率的手法の限界とロジック・知識ベース手法の可能性 ・・・・・04 Ⅲ． システム自動化に関する課題 ・・・・・05 Ⅳ． 人工知能がもたらす市場 ・・・・・05 1．人工知能全体の市場規模 ・・・・・08 2．分野別市場規模（2030 年時点） ・・・・・08 コラム 自動化のレベルと法的側面 ・・・・・13 Ⅴ． 人と人工知能のあり方 ・・・・・14 Ⅵ． 市場推計から考察される今後の課題 ・・・・・15 EY Institute 「人工知能（AI: Artificial Intelligence）」という言葉は 1950 年代から存在し、 工学研究者だけでなく映画や SF 小説などの多くのメディアを通じて、そのイメージ だけは流布されてきている。そのメディアで「人工知能」がどのように取り扱われて いるかによって、親近感を抱かせたり恐怖感をもたらしたりするなど、さまざまな反 応を引き起こしてきた。 その「人工知能」が、近年にわかに注目されるようになってきている。しかも、か つての「現実の場面での使い勝手は今一つ」といったイメージを次々と塗り替え、ビ ジネスの現場でも活用される事例が増えてきている。 しかし「人工知能」とは実は明確な定義は無く、利用されているテクノロジーもさ まざまなものが混在している。 「人工知能」研究者は何度かの「冬の時代」があったため、 あえて「人工知能」ではなく別の用語を使っていた事などがあり、その事が混乱に拍 車をかけている面もある。 さらには「人工知能」が人間の能力を超えて暴走する※ 1、といった脅威論が喧伝 されたり、それには至らなくてもさまざまな事業や雇用に破壊的な影響をもたらすの ではないか、といった危惧も囁ささやかれている。 本レポートは、これらの「人工知能」にまつわる混乱した情報を整理し、現実に人 工知能には何が可能なのか・不可能なのか、また企業経営にどのようなインパクトを 与えるのかについて、考察を行ったものである。 未来社会・産業研究部 上席主任研究員 廣瀨明倫 人工知能が経営にもたらす「創造」と「破壊」 2 I. 機械学習・深層学習の威力 人工知能を構成するテクノロジーには、さまざま い出す、といった、これまでコンピュータには難しい な も の が あ る。 そ の 多 く は「 機 械 学 習（Machine と考えられていたタスクを処理可能にした事で脚光を Learning）」と呼ばれるもので、人間では処理しき 浴びている。 れないような大量のデータを基にコンピュータに自動 さらに深層学習が注目を集めているのは、これまで 学習を行わせ、コンピュータはそのデータの中から自 学習の際に必要であった「特徴量※ 3」と呼ばれる情 分で法則を導き出し、その法則に従って予測を行った 報を、自動的に抽出可能としたことにある。特徴量は り、あるいはデータを分類したりしている。 これまで人間が手作業で指定し抽出してきていたが、 昨 今 非 常 に 注 目 さ れ て い る「 深 層 学 習（Deep これを自動化できたことで、音声認識など、適用でき Learning）」も基本的には機械学習の一種である。 深層学習は 60 年代頃から考案されていたニューラル る領域が飛躍的に広がる事が期待されている。深層学 ネットワーク ※2 の処理階層を多くしたもので、画像 を見てそこにどの様なモノがあるのかをテキストで拾 習はこのような極めて画期的な利点を有しており、欧 米では多数の関連ベンチャー企業が生まれてきている （＜表 1 ＞参照）。 表 1 海外ベンチャー（深層学習関係） 分類 総合 社名 本社所在地・設立年 技術・応用領域 AlchemyAPI 深層学習によるテキスト解析、画像認識、顔認識（ク 15 年 3 月 IBM が買収 ラウド API 提供） Deepmind 英国、ロンドン 2011 年 深層学習（DQN（アタリのゲームを攻略）、DRAW（キャ 14 年 1 月 Google が買収 プチャ生成）等） Metamind 米国、CA、パロアルト 2014 年 7 月 Nervana Systems CNN を利用した画像分析（Vision）、自然言語解析エ 14 年 12 月 800 万 $ ンジン（Language）、食事写真からのカロリー計算、 （9.6 億円）調達 撮影画像からのがん解析 米国、CA、サンディエゴ 2 ラウンド 390 万 $ 深層学習のオープンソース（neon）を提供 2014 年 （4.7 億円）調達 深層学習機能のクラウドサービス（GPU プロセッサの − 貸し出し） Ersatz Labs 米国、CA、パシフィカ 2014 年 Skymind 米国、CA、サンフランシスコ 15 年 4 月資金調達 音声認識、時系列データ解析、画像・顔認識、不正行 2014 年 （金額非公開） Cortica 米国、NY、ニューヨーク 画像や動画から核になるコンセプトを抽出、適切なリ 4 ラウンド 3,790 万 $ 2007 年 （45 億円）調達 ンク等を提示（広告応用） Vicarious 米国、CA、サンフランシスコ 再帰皮質ネットワーク（Recursive Cortical 2010 年 Network）、画像処理（キャプチャの判読）等 Orbeus 米国、CA、サニーベール 換、動画タグ付け 2012 年 5 月 Madbits 米国、NY、ニューヨーク 深層学習による画像認識（一般画像認識） − Clarifai 米国、NY、ニューヨーク 深層学習による画像認識、動画解析、動画の中で「コー 15 年 4 月 1,000 万 $ 2013 年 （12 億円）調達 ヒーを薦めるタイミング」を検知 医療 Enlitic 米国、CA、サンフランシスコ 医療画像解析 2014 年 医療・IoT Butterfly Networks 米国、CT、ギルフォード 14 年 11 月 1 億 $ スマートフォンサイズで安価な超音波画像診断装置を開 2014 年 （100 億円）調達 基盤・ クラウド 動画・ 画像解析 企業向け深層学習プラットフォーム 為検出等 深層学習による顔認識、物体認識、画像⇒テキスト変 セキュリティ Signal Sense 写真整理アプリ PhotoTime EY Institute 4 ラウンド 7,200 万 $ （86 億円）調達 2 ラウンド 150 万 $ （1.4 億ドル）調達 14 年 7 月 Twitter が買収 14 年 10 月 200 万 $ （2.4 億円）調達 深層学習とデバイス、クラウド技術の連携 発中 米国、WA、シアトル 2013 年 深層学習を利用した情報セキュリティ対策 ネットワーク内部からの脅威にも対応 出典：CrunchBase 社公表情報等に基づき、EY 総合研究所作成 3 備考 米国、CO、デンバー 2005 年 − II. 統計的・確率的手法の限界とロジック・知識 ベース手法の可能性 それでは機械学習・深層学習の進展によって、コン 統計的・確率的手法と対を成しているのがロジック ピュータは一気に人間の知能を超える事になるのだろ （論理）やナレッジ（言語知識・世界知識）をベース うか。 にした手法である。これらについては包括的に表す用 結論から言えば、「課題山積」だと考えられる。 語は無いものの、80 年代には、エキスパートシステ 先に紹介した機械学習でも深層学習でも、基本的に ムと呼ばれる手法が多く検討されてきた。こちらの取 はデータに基づく統計的・確率的手法を用いて分析や り組みは純粋に人間の思考形式や、常識のような、言 予測を行っている。現在、既にさまざまな人工知能を 語や世界そのものに関する知識体系を機械上に再構築 応用したサービスが提供され始めており、医師への助 していくというアプローチを取っており、統計的・確 言システムや、スマートフォンでの対話システム、不 率的手法とは異なる方法論である。 正メール検知システムなどが構築されているが、これ 最近でも、国立情報学研究所による「ロボットは東 らはほとんど全て、大量のデータを基にした統計的・ 大に入れるか」という人工知能プロジェクト※ 4 では、 確率的手法を利用しており、あくまでも提示される助 統計的・確率的な手法に加えて、数学などの問題を解 言内容や回答などはこれまでのデータを参照した上で く際に、ロジック・知識ベースによる手法※ 5 が利用 「確からしい」と判定されたものであって、論理的に されている。世界的に見ても、こちらの方向性での人 導かれたものではない。 工知能に関する取り組みは少なく、また、高度な人工 統計的・確率的手法を利用している場合、これまで 知能を作り上げていくためにはまだかなりのハードル にない事象（データ）が発生した場合の挙動が不安定 があるのが実状である。ただし、今後、完全に人間の になり得ることが指摘されている。あくまでもコン 思考を再現し、真に人間を代替しうる人工知能を作り ピュータはこれまでの事象（データ）に基づいて判定 上げていくためには、こちらの方面でのアプローチも 基準を構築しているため、それらに類似しないデータ 必要不可欠であり、継続的な取り組みを行う事が望ま が現れた場合には、人間では考えられないような突飛 れる。 な判断を下してしまう可能性がある。 そのため、医師の診断や重要な機械装置の操作など、 判断に万が一の事があっては危険なシステムについて は、コンピュータはあくまでも補助的な役割しか担う 事ができず、最終的な判断責任は基本的に人間が負う 必要がある。従って、コンピュータの機能が高度化す るにつれて、重要な判断を伴わない作業については機 械に置き換えられていく事も想定されるが、そうでな い作業については一定の役割が人間側に残されること になり、機械が人間を完全に駆逐する、といった事態 は当面は考えにくい。 人工知能が経営にもたらす「創造」と「破壊」 4 III. システム自動化に関する課題 IV. 人工知能がもたらす市場 上記で、統計的・確率的手法による人工知能の利用 EY 総合研究所では、統計的・確率的手法を利用し に際しては、重要なシステムの場合、最終決定を人間 た人工知能（機械学習・深層学習を含む）が今後もた が行う事が必要だと指摘した。ただし、一部のシステ らす市場規模について推計を行った。以下にその推計 ムでは既に機械側の判断を人間の判断に優先させるこ 内容（＜図 1 ＞参照）を紹介する。 とが発生している。その代表的なものは、自動車にお なお、推計を行うにあたっては以下の影響を考慮し ける自動ブレーキである。 ている。 現在の自動ブレーキは、事故の可能性を検知したの ち、一定の時間がたっても人間がブレーキを踏まず、 【ニーズ面】 これ以上待つと危険と判定された場合、機械が優先し ＜経済的・社会的ニーズの強さ＞ てブレーキをかけるシステムとなっている。これは、 • 経済的・社会的ニーズが強いほど早期に市場が拡 大する事を想定 重要な判断を機械側が下しているシステムと言える。 現在の自動ブレーキに利用される判定手法は、基本的 に統計的・確率的手法によるものである（カルマン・ ＜対象データの性質＞ フィルターと呼ばれる確率理論に基づくものなどが利 • 人工知能を利用しないと、解析や利用が困難な性 質のデータであるかどうか 用されている）。そのため「前例の無い事態」が生じ た場合に誤作動を起こす可能性は原理的にはゼロでは ない。しかし、自動車メーカーは長期間にわたるテス トを行い、統計的・確率的手法に基づくアプローチで 【シーズ面】 あっても、事実上誤作動を起こすリスクがゼロに近い ＜技術水準・人材＞ レベルまで完成度を高めた上で、自動ブレーキシステ • 人工知能の技術レベルが、サービス提供のために ムを市販している。また、販売に際しては基本的に「運 必要十分なレベルに達しそうかどうか。必要な人 転支援システム」であり、自動ブレーキに頼り切る運 材が十分に供給されうるかどうか 転は避ける事をドライバーに念押しする事で、法的な 問題を回避している。 ＜データの取得可能性＞ 今後、完全自動運転（運転に伴う法的責任が、ドラ • そもそも必要なデータ自体が、適切なコストで取 得可能であるかどうか イバー側から自動運転システムの提供者側に移行した 状態）が実現されてきた場合、おそらく利用される人 工知能の技術も現在の延長線上で考えれば統計的・確 率的手法となるはずである。その際、複雑な一般道路 【環境面】 での状況を的確に把握し、運転操作を適切に行うため ＜法令・規制＞ には、自動ブレーキシステム以上に、さまざまな状況 • 法令面・規制面で障壁となるものがないかどうか での事前テストが必要になる。完全自動運転を目指す 企業が長い時間をかけて実環境でのテストを行ってい ＜リスク許容度＞ るのはそのためである。 • このように、重要なシステムに対して統計的・確率 的手法に基づく人工知能を適用する場合であっても、 上記のとおり長いテスト期間を経ることで、限定的な 領域において、人間の判断を超えてシステムが自動的 に判断を行う部分は出現してくると考えられる。 5 EY Institute サービス提供に付随するリスクが、社会的に許容 されるレベルであるかどうか 図 1 人工知能関連産業の市場規模 1,000,000 （億円） 900,000 800,000 農林水産分野 製造分野 建設・土木分野 電力・ガス・通信分野 情報サービス分野 卸売・小売分野 金融・保険分野 不動産分野 運輸分野 物流分野 専門・技術サービス分野 広告分野 エンターテイメント分野 教育・学習支援分野 医療・福祉分野 生活関連分野 合計 2015 年 28 1,129 791 300 1,825 14,537 5,964 49 1 465 90 6,331 2,260 2,030 343 1,308 37,450 市場規模（億円） 2030 年 2020 年 316 29,658 12,157 5,217 8,245 46,844 22,611 2,426 46,075 1,443 2,440 19,305 5,990 5,039 5,761 17,111 230,638 3,842 121,752 59,229 18,810 23,731 151,733 47,318 4,853 304,897 5,035 6,149 36,047 15,104 9,285 21,821 40,015 869,620 700,000 86兆9,620億円 農林水産分野, 3,842 製造分野, 121,752 建設・土木分野, 59,229 電力・ガス・通信分野, 18,810 情報サービス分野, 23,731 600,000 卸売・小売分野, 151,733 CAGR 14.2% 500,000 金融・保険分野, 47,318 不動産分野, 4,853 400,000 300,000 運輸分野, 304,897 23兆638億円 製造分野, 29,658 200,000 CAGR 43.8% 卸売・小売分野, 46,844 物流分野, 5,035 専門・技術サービス分野, 6,149 広告分野, 36,047 100,000 運輸分野, 46,075 3兆7,450億円 エンターテイメント分野, 15,104 教育・学習支援分野, 9,285 医療・福祉分野, 21,821 生活関連分野, 40,015 0 2015年 2020年 2030年 出典：各所公表資料等（注 1）に基づき、EY 総合研究所作成 産業別の市場規模の概要・詳細については、次項の表 2 を参照 人工知能が経営にもたらす「創造」と「破壊」 6 表 2 人工知能関連の産業別市場規模の詳細 2015 年 № カテゴリ 1 農林水産業関係 2 製造業関係 3 建設・土木関係 4 5 6 7 8 9 11 12 13 14 15 16 17 概要 農林水産業用ロボティクス市場等 産業用ロボティクス市場等 自動運転車製造市場 建設用ロボティクス市場等 老朽インフラ監視システム市場等 電力・ガス・通信関係 電力市場（デマンドレスポンス、HEMS）等 通信トラフィック制御関係市場 情報サービス業関係 クラウド AI 市場等 経営支援システム市場 ソーシャルメディア等監視システム市場 卸売・小売業関係 顔認証受付 / 店舗監視 / 顧客行動観察システム等市場 AI 利用電子商取引市場（BtoB、BtoC） 金融・保険業関係 Fintech（与信・貸付審査、クラウドファンディング等）市場 HFT 関係市場 自動運転車保険市場 不動産業関係 都市再開発設計支援システム市場等 運輸業関係 オンデマンド・モビリティ市場 自動運転トラック輸送市場 物流関係 倉庫業等システム対応機器、ドローン利用輸送システム等市場 専門・技術サービス関係 法務・財務等業務支援システム市場 デザイン作成支援システム市場 広告業関係 アドテクノロジー関連システム市場 エンターテイメント関係 旅行業関係市場（添乗員アプリ市場等） ペット産業関係市場（体調診断・活動レコメンドシステム等） 興業場関係市場（来客者支援システム、イベント支援システム等） 教育・学習支援業関係 自学習支援システム等市場 教員用授業支援・評価支援システム等市場 医療・福祉関係 介護・手術支援ロボティクス市場 医療診断支援システム・医療助言アプリ等市場 遺伝子解析・新薬開発支援等システム市場 生活関連産業関係 職業紹介業関係（人材マッチングシステム等）市場 清掃用ロボティクス市場 警備業関係（警備用ロボティクス・警備警戒監視システム等）市場 コールセンターオペレーター補助システム市場 計 出典：各所公表資料等（注 1）に基づき、EY 総合研究所作成 7 EY Institute 2020 年 2030 年 市場規模（億円） 28 28 1,129 60 1,069 791 302 488 300 249 51 1,825 376 1,381 68 14,537 14 14,523 5,964 15 5,949 0 49 49 1 0 1 465 465 90 21 69 6,331 6,331 2,260 127 2,025 108 2,030 664 1,366 343 5 31 307 1,308 11 641 591 65 37,450 316 316 29,658 6,164 23,494 12,157 10,156 2,001 5,217 4,734 483 8,245 2,610 5,289 346 46,844 646 46,198 22,611 8,327 10,129 4,155 2,426 2,426 46,075 8,630 37,445 1,443 1,443 2,440 1,068 1,372 19,305 19,305 5,990 1,946 3,735 309 5,039 1,880 3,159 5,761 72 2,064 3,625 17,111 707 13,542 2,038 824 230,638 3,842 3,842 121,752 17,571 104,181 59,229 51,788 7,441 18,810 15,112 3,697 23,731 8,507 14,359 865 151,733 1,405 150,328 47,318 17,171 22,555 7,593 4,853 4,853 304,897 106,449 198,448 5,035 5,035 6,149 2,718 3,431 36,047 36,047 15,104 6,341 8,028 735 9,285 5,424 3,861 21,821 2,390 5,536 13,895 40,015 6,906 26,645 3,110 3,354 869,620 1. 人工知能全体の市場規模 2015 年現在における人工知能を活用した機器、 システム等の国内市場規模は、EC 市場でのレコメン 2. 分野別市場規模（2030 年時点） ① 運輸分野 ド活用など IT 領域を中心に卸売・小売分野として 1 市場規模全体を俯瞰した際に、最も大きく計上され 兆 4,537 億円、広告分野 6,331 億円、金融・保険 ているのは運輸分野である。これは現在の統計的・確 分野 5,964 億円など合計 3 兆 7,450 億円と推計さ 率的手法に基づく人工知能のテクノロジーの延長線上 れる。今後、技術の成熟・安全性の向上・コストの減 で、自動運転を実現できることがほぼ確実視されてき 少などにより、運輸分野における自動運転の実用化、 ている事が大きな要因として働いている。 製造分野における情報化・知能化、生活関連分野への 最も大きな影響は、完全自動運転車によるトラック 導入などさまざまな産業分野での市場形成が進むこと 輸送への市場インパクトだと推計している。これは当 が予測される。その結果、2020 年には 23 兆 638 該ビジネス領域で顕著な人手不足による供給制約を自 億 円（15 ∼ 20 年：CAGR43.8%）、2030 年 に は 動運転で緩和できる事や、人件費が多くを占めるコス 86 兆 9,620 億 円（20 ∼ 30 年：CAGR14.2%、 15 ∼ 30 年の全体：CAGR23.3%）へと市場が拡大 ト構造が改善され、より安価なサービスが提供可能に することが期待される。 である。 なる事で、大きな需要が喚起されると見込まれるため このように人工知能の活用分野は当初、電子商取引 トラック輸送の場合、20 年頃から高速道路を中心 （EC）などのネット IT 領域から普及が始まり、次第 とする自動運転が先に普及し、隊列走行による輸送容 に IoT（Internet of Things）との連携により実世 量の向上なども徐々に採用されてくる。当初は高速道 界へ展開され、運輸・製造・生活関連分野などで巨大 路用の自動運転トラックと一般道路用の普通のトラッ な市場が出現・成長していくと考えられる。 クが混在しているが、完全自動運転が実現する頃から 自動運転トラックの普及が加速すると考えられる。 また、次に大きな影響は「オンデマンド・モビリティ」 に現れると考えられる。IT 企業によるタクシー配車 サービスは各国への広がりを見せているが、自動運転 車によるタクシー配送やカーシェアリングが実現した 場合、自動車というアセットを 24 時間フルに活用で きる事に加えて人件費分のコスト構造改善を見込める ことから、現在の公共交通機関と同程度の極めて低額 な料金設定も可能になり、モビリティに関する大きな 需要を喚起すると考えられる。 本稿ではこれらのサービスを「オンデマンド・モビ リティ」と定義している。その普及は、東京 23 区を 除く人口集中地区（DID ※ 6、補足 1 参照）がやや先 行すると考えられる。乗り合いなども考えた場合、普 及には人口が集中している事が規模の経済上有利に働 くものの、巨大都市圏である 23 区では、コスト面な ども含めて公共交通機関に匹敵するほどの利便性が即 時には生まれないと考えられるためである。一方で、 人口集中地区でない地方部においては、配車サービス を面的に十分な密度で供給可能となるまでには、相応 の時間を要すると考えられる。 人工知能が経営にもたらす「創造」と「破壊」 8 なお、自動運転車そのものの製造に係る市場規模は 事業分野ごとの関連ガイドラインなどの整備が、今後 別途製造業分野の枠組み内で推計を行っている（約 の普及のためのトリガーになると考えられる。 10 兆円の規模）。 また、監視カメラ等の画像をマーケティングのため ちなみに本市場推計の際には、前記のとおり「完全 に、顧客行動観察用として利用するケースはガイドラ 自動運転車（運転者不在で自動運転を行う車） 」の存 イン等が未整備であるが、現在の画像認識技術の高度 在を前提としているが、このためには法的側面などを 化に伴い、店舗等の実空間における顧客行動の理解の クリアしている必要があることは留意したい（コラム ため利用したいというニーズは強いため、ルール整備 参照）。トラック輸送にせよオンデマンド・モビリティ が行われた後、急速に普及していくと考えられる。 にせよ、技術面は急速に高度化しており課題は少なく なりつつあるため、普及の最大のトリガーとなるのは 政府による規制緩和の枠組みになると考えられる。 また、自動運転車の市街地走行に際しては、一般市 ③ 製造分野 民の受容の程度も普及に影響すると考えられる。この インダストリー 4.0 ※ 10 やインダストリアル・イ 様な法的側面や一般社会の受容などに鑑みると、より ンターネット※ 11 といった動きと連動して、工場の情 低速な移動体（例えば欧州で普及している時速 10 ∼ 報化・知能化は注目を集めているところである。 20km 程度の移動体）を利用するものから順に普及 現在の産業用ロボットや生産機械は、精密な操作を が進んでいくものと考えられる。 行うために事前に多大な時間を要して、位置決めや動 作に関する指示・調整（ティーチング）を行う必要が あるが、あらかじめ細かい指示を出さなくても人間が 簡単にインストラクションを行う事で同じ様な動作を ② 卸売・小売分野 9 行う事のできるロボットや、試行錯誤を経て自ら最適 社会に相当に根付いたと考えられている電子商取引 な動作を学び取る生産機械などが登場すると考えられ であるが、経済産業省の統計※ 7 によれば、EC 化率※ 8 る。この様な柔軟性を有したロボット・生産機械が登 は BtoC 取引ではいまだ 4.37% にとどまっており、 場することにより、製造業の効率性も飛躍的に増大す 今後 30 年にかけてさらに拡大していく事が想定され る事が考えられ、セル生産※ 12 の自動化による変種変 る。この電子商取引において、人工知能が適用される 量生産への対応や、ラインの自動化・機器間の協調制 機会も現在よりさらに拡大していくと考えられる。現 御による全体最適化といった、人間の手による効率化 時点でもテキストベースでのレコメンドなどは行われ がこれまで難しかった分野について、適用が進んでい ているが、今後は映像を対象とした一般物体認識 く事が想定される。 ※9 等の技術が進展することにより、20 年を待たず早い 当該分野については、工場内という人為的環境であ 段階で、スマートフォン・PC・TV の画面に映し出 るため人工知能も比較的早期から適用される事が想定 されている映像情報を解析し、ユーザーに最適な情報 される。ティーチングの自動化については現時点でも 提供を行う機能などが提供される。また、顔認証によ 取り組みが行われており、20 年頃には一定程度普及 る受付システム（いわゆる「顔パス」）も 20 年頃に しているものと考えられる。さらにライン自動化や機 は普及を開始しており、30 年には一般の店舗にも普 器間協調制御といった高度化技術も 30 年には相当に 及する事が想定される。店舗監視システムなども、画 普及している事が想定される。当該分野には工場内の 像認識技術の向上と共に比較的早期に普及すると考え 安全規制のほかには大きな規制枠組みなどは無く、そ られる。 の点でも早期の適用が期待されるところである。 なお、当該分野の市場拡大にはオムニチャネルなど ただし、工場間などの大域にわたる協調制御などは、 の取り組みに見られる「より深く顧客を理解する」事 交換情報に関する標準化が必要であり、特に複数の事 が重要であり、そのためにはパーソナルデータの取り 業者を横断的に協調させるような制御については、セ 扱いに関するルールが整っている事が必要となる。個 キュリティ面も含めた標準化が進むことが普及のため 人情報保護法は本年（15 年）改正されているが、各 のトリガーになると考えられる。 EY Institute 緩和の動きもあり、銀行法の出資規制などによりこれ ④ 建設・土木分野 まで Fintech 領域には進出が難しかった既存の金融 建設機械のオペレーションの自動化が進み、建設現 機関が、大挙して同領域での事業に乗り出す可能性も 場における人手不足を補う形で、人工知能の適用が進 指摘されている。これまで活躍してきたベンチャー企 むと考えられる。通常の建設現場における敷均（しき 業との競争・協業もつうじて、規制緩和が同分野にお などは現在、試験的に自動化が進め ける人工知能適用拡大のトリガーになると期待される ならし）作業 ※ 13 られつつあり、20 年には一定の自動化が進展してい ところである。 るものと考えられる。また、これまで難しいとされて きたがれき撤去などの複雑な作業にも、深層学習を適 用したものなど、高い自己学習機能を有した建設機械 などによる自動化の適用が進んでいくものと考えられ ⑥ 生活関連分野 る。災害時の複雑な状況にも対応可能な自動土木機械 現在、応用が始められているコールセンターのオペ と合わせて、これらは 30 年にかけて普及をしてくる レーター補助のシステムをはじめとして、職業紹介 ものと想定される。また、当該分野では、建設・土木 業、清掃用ロボティクス、警備分野等で市場が拡大し 現場での安全規制が主たる規制であり、比較的法令面・ ていくと考えられる。自動運転技術と同様に、清掃用 規制面での影響は少ないと考えられる。 のロボティクス市場が比較的大きな市場として期待さ 20 年までには一定程度の技術レベルには達してく れ、既に普及が始まっている家庭用の清掃ロボットに ると考えられるため、同年開催のオリンピックに向け 加え、路上やオフィスビルなども、限定された環境で た建設・土木事業が普及の一つのトリガーになると考 あるため清掃用ロボットの導入は比較的容易であり、 えられる。 20 年代には一定程度普及し始めていると考えられ る。 警備分野では特に監視システムについて、20 年の 東京オリンピック開催時に都心部に集中する大量の旅 ⑤ 金融・保険分野 行者・観戦者に対する監視警備の必要性が高まる事か アルゴリズムトレードでは現在でも機械学習などが ら、同年を目途として人工知能の適用が急速に普及す 相当程度適用されており、HFT る事が想定される。 ※ 14 を含めて既に大 きな市場を獲得している。また、金融分野では近年、 職業紹介（人材マッチング）における人工知能の適 IT 技術を活用した Fintech と呼ばれるサービスが注 用も、ネットワーク外部性が働くため比較的早期（20 目されており、ソーシャルメディアにおける書き込み 年代以前）から市場が急速に拡大していくと思われる。 などを基に与信審査を行う人工知能なども登場してい る。Fintech では、スマートフォンを中心とした決 済や送金システムのユーザーインターフェイス最適化 などに、早期（20 年代以前）から人工知能の応用が ⑦ 広告分野 開始されると考えられる。また、個人間の貸借をネッ アドテクノロジーと呼ばれる広告配信・流通のた ト上で仲介するビジネスなどに、人工知能による信用 めのビジネス領域において人工知能の活用が拡大す 度推計機能などが付随して利用される場面も想定され る。広告業自体の市場規模は国全体の経済規模（GDP る。この様なネットワーク外部性の働くマーケットプ 等）との関連性が強く、一定の上限は想定されるもの については、比較的早期（20 年代∼）に の、その中で他の広告手段に代わる形でアドテクノロ 普及する事が考えられる。深層学習の技術発展に応じ ジー関係の市場が拡大していく事が考えられる。既 て、掲載された画像や写真などを参照して与信判定等 に DSP ※ 16・SSP ※ 17・DMP ※ 18 といったアドテク を行う人工知能も、同時期頃から登場すると考えられ ノロジーの各要素に人工知能は活用され始めており、 る。 パーソナルデータ関係以外では法的な規制などもほと 当該分野に多数存在する金融関係の規制については んど存在しないため、20 年代にかけて加速度的に利 レイス ※ 15 人工知能が経営にもたらす「創造」と「破壊」 10 用が進展すると考えられる。逆に 30 年代にかけては になり、NFV ※ 21 や SDN ※ 22 といったネットワーク それ以前よりやや緩やかな伸びに移行すると想定され システムと、OSS ※ 23 や BSS ※ 24 といった顧客・課 る。 金管理システムが連携するようになる。 20 年の東京オリンピック開催期間中には、大量の 旅行者・観戦者により通信のトラフィックが急激に増 ⑧ 情報サービス分野 加すると考えられる。同イベント開催に向けての準備 人工知能に関する基盤的な機能を提供する、クラウ がトリガーとなり、20 年代にかけて、これらの高度 ドの AI 関連市場が拡大する。また、経営に関する高 なトラフィック管理も普及していくと考えられる。 度な支援システムも企業経営に必要不可欠なサポート アイテムとして定着する。ソーシャルメディア等の監 視、内部情報漏えい等に対する監視システム機能も利 用が拡大する。 ⑩ 医療・福祉分野 監視系のシステムについては、現在既に利用されて 遺伝子解析・新薬開発等の支援システムなどが大き いる実システムもあり、市場が BtoB 中心であるこ な市場として期待される。現在の人工知能では薬品の とや、人手による労力を大幅に削減できる事から、今 立体構造や細胞内の反応過程などを物理化学的知見か 後 20 年、30 年と進むにつれて急速に普及していく ら読み解くといった論理的推論は困難であるが、数 事が考えられる。 千万件といった論文情報を読み込むことによる候補化 経営支援システムも、既に一部では人工知能の利用 学物質のスクリーニングなどには威力を発揮し始めて が開始されており、30 年代にはほぼ全てのシステム いる。また、介護や手術支援用ロボティクス市場や、 で適用されると考えられる。また、サイバー攻撃やマ 医療診断支援システムなども成長が期待されている。 のタイプを予測する人工知能も 20 年代 医療助言アプリなどは、規制対象外となる場合には ルウェア ※ 19 には登場してくると考えられる。 比較的早期（20 年代以前∼）に普及し始める事が想 業務システム用人工知能の基盤をクラウドで提供す 定される。医療診断支援システムや、手術支援ロボティ るサービスも、既存のクラウドと同様の急速な普及を クスは、20 年代に本格的に普及し始めると考えられ 示す事が考えられる。25 年頃には現在のクラウドの る。画像診断システムは特に先行して人工知能が搭載 国内市場と同程度にまで成長すると期待される。 され、現在恒常的に不足している専門医をカバーする 形で、急速に適用が進んでいくものと考えられる。遺 伝子解析・新薬開発等の支援システムは市場規模は大 きいものの、長期にわたる研究開発に組み込まれるた ⑨ 電力・ガス・通信分野 め、立ち上がりには若干の時間を要するものと考えら 電力改革の後押しも受けて、デマンドレスポンス等 の電力取引市場や HEMS ※ 20 れる。 などの複合電力利用シ ステムにおいて、人工知能の利用が拡大していく。特 にデマンドレスポンスにおいては、人工知能による需 要家の分析・判断などが重要となってくる。HEMS 11 ⑪ エンターテイメント分野 でも同様であるが、こちらは BtoC のビジネスが中 旅行業において添乗員の代わりをするアプリ、ペッ 心であり、かつ要となる HEMS コントローラーは各 トの体調管理等のシステム、興業場における来客監視 家庭による購入が必要であるため、デマンドレスポ やイベントの発生タイミングを最適化するシステムな ンスに比較すると普及はやや遅れると考えられるが、 どが登場する。基本的に大きな規制枠組みの無いビジ 16 年からの電力小売自由化は普及のための一つのト ネス領域であるため、サービスの展開は早期に行われ リガーになると考えられる。 やすい。添乗員アプリなどは東京オリンピック開催の また、通信事業者が利用する通信機器においても、 20 年にかけて、特に外国人対応のなされているもの 人工知能を利用したトラフィック制御が行われるよう は急激に市場を獲得すると考えられる。 EY Institute ⑫ 教育・学習支援分野 【補足 1 都市計画への影響】 自学習を支援するシステムや、教員用の授業サポー 前述の自動運転技術はタクシー・レンタカー・カー トを行うシステムが登場し、より個人の習熟度などに シェアリングから公共交通機関に至るまで、人間の移 応じたきめ細かい教育を行う事が可能になる。また、 動に関するサービスのあり方を根源的に変えてしまう 進路相談を支援するシステムなども登場する。 と共に、自動車所有の形態・インフラの整備・都市設 文部科学省が 11 年に取りまとめた「教育の情報化 計のあり方まで変革をもたらすと考えられる。上記推 」では 20 年に生徒一人に一台の情報化 計においても、①東京 23 区、②左記を除く東京の人 端末を配布することとされており、自学習支援システ 口集中地区（DID）および地方の DID、③ ①・②以 ムや、教員用授業サポートシステムは政策の後押しを 外の地域で自動車の所有率や自動運転タクシーの利用 受けて、同時期に急速に普及が進むことが考えられる。 率が異なってくると考えられたため、それらを計算に ビジョン ※ 25 反映している。 一方で、自動運転車・自動運転タクシーの普及は、 ⑬ その他 各自治体において取り組みが行われているコンパク トシティ※ 26 に関する施策に影響を与えると考えられ 物流分野では倉庫内の棚を移動させる無人搬送車へ る。都市計画の計画立案から実行までは 10 年以上の の人工知能の搭載などが進んでいるが、商品の種類が 歳月がかかる事も珍しくはなく、各自治体においては 多く、かつ頻繁な変更があるため、商品を倉庫から取 現時点から、将来の自動運転を見越した都市づくりを り出す作業（ピッキング）については自動化が困難で 検討しておくことが必要になるはずである。 あった。 今後は多様な対象物を柔軟に学習する画像認識や、 ロボット制御の簡易化が大幅に進展すると考えられる ことから、20 年頃からピッキングも含めて倉庫全体 を自動化する動きが顕著になると考えられる。 【補足 2 介護ロボット】 介護に関しては介護保険料制度の現行枠組みを前提 としている。そのため、現在以上の高額な介護費用を 前提として市場を想定するのは困難である。しかし、 人工知能クラウドに接続された介護ロボットを想定す れば、劇的な価格破壊が起こる事も想定される。介護 ロボットの場合、自動運転車の様なミリ秒単位でのレ スポンスは必要ではない（むしろ「ゆっくり」とした 反応の方が望ましい）ため、認識に関する頭脳部分は 全てクラウド側に持たせ、現場にあるロボットは単純 に動作を行うだけの躯体とセンサーのみで構成する事 が可能なためである。 人工知能が経営にもたらす「創造」と「破壊」 12 Column 自動化のレベルと法的側面 自動車の自動運転については、自動化のレベルが定 導入されているシステムは既に多く存在している。航 義されている。内閣府の SIP（戦略的イノベーション 空機などは、既に離陸時以外はほとんどが自動操縦と 創造プログラム）研究開発計画では、国際的潮流も加 なっているのが実態であり、パイロットは飛行時間中 味して自動化のレベルを 4 段階で捉えている（＜表 の 3 ∼ 4% 程度しか、自ら操縦を行っていないと言 3 ＞参照）。 われている※ 27。パイロットが操縦席にいるのは「万 現在、自動車各社からはレベル 1 ∼ 2 のものが一 が一」が生じた際のバックアップのためでもあるが、 部で市販されている。また、幾つかのメーカーではレ では本当に「万が一」が生じた場合に、航空機の様な ベル 3 の取り組みが行われると共に、レベル 4 の取 複雑なシステムの管理がスムーズに人間側に移行さ り組みを行う企業も存在する。 れ、緊急対応が行えるのかどうかについては、現在で なお、事故を起こした際の法的責任については、自 も議論があるところである。 動化のレベル 4 からシステム（車両）側になると考 いずれにしても、「自動化」と「人間の判断」のあ えられる。法的責任が運転手からシステム（車両）側 り方については、航空機や工業用プラントといった先 に移行する事で、事故時の対応や保険の枠組みなども 例においてもまだ完全な整理はついておらず、引き続 今後変わってくることが予想される。 き現実の状況を確かめながら、実際的な対応を行って ちなみに航空機や工業用プラント等、自動化機構が いく事が必要であると考える。 表 3 自動化レベル 自動化レベル 概要 レベル 1 加速・操舵・制動のいずれかを自動車が行う状態 レベル 2 加速・操舵・制動のうち複数の操作を同時に自動車が 行う状態 レベル 3 加速・操舵・制動を全て自動車が行い、緊急時のみド ライバーが対応する状態 レベル 4 加速・操舵・制動を全てドライバー以外が行い、ドラ イバーが全く関与しない状態 左記を実現するシステム 安全運転支援システム 準自動走行システム システム 完全自動走行システム 事故が起きた時の責任： システム（車両）側となるレベル 出典：内閣府「SIP（戦略的イノベーション創造プログラム）自動走行システム研究開発計画」より EY 総合研究所作成 13 EY Institute 自動走行 V. 人と人工知能のあり方 前述のとおり、人工知能は今後の経済拡大に多大な なお、前記Ⅱ．で述べたとおり、人間のロジックや 貢献を行うものと期待されている。一方で、人工知能 ナレッジを再現できる人工知能の到来はまだ先の事だ が人間の仕事を奪ってしまうのではないかという懸念 と考えられている。文学作品を理解するといったタス も、特にホワイトカラーの分野でささやかれているが、 クは今でも困難であるし、思考のフレームワークその 実際のところはどうなのであろうか。 ものを新たに考え出す（例えばリンゴの落下を見て重 歴史に学ぶ一つの示唆として、職業分類の変遷を追 力を発見するなど）といったタスクに至っては、理論 いかけてみたところ、これまでにも既にかなり多数の 的な目星すらついていない（＜図 2 ＞参照）。 職業分類が消滅してきていることが分かっている。職 前述の人工知能がもたらす経済市場についても、基 業分類が無くなる事は、少なくとも統計情報を取得す 本的にはこの考え方で統一して推計を行っている。当 る意義が薄れてくるほどに、その職業に就いている人 面の人工知能の能力は人間の能力にはまだまだ及ばな 口が少なくなってきたことを示唆している。しかし、 いものの、現状の統計的・確率的手法による人工知能 これらの変遷に伴い、社会不安などに至った例は報告 ですら、経済社会に飛躍的な変化をもたらす可能性が されていない。むしろ経済学的に通常（？）と捉えら あることに注目すべきである。 れている「恐慌」「不況」「経済停滞」による雇用への 悪影響の方がはるかに深刻であると考えられる。 図 2 タスクごとに異なる人工知能の進化速度 人工知能の 能力 【四則演算】 電卓の登場時期に、 既に人間を上回る 【自動運転】 2030 年頃？ 完全自動運転へ 【文学作品の理解】 ロジック・知識ベース利用手法でも、 将来見通し困難 ？ 統計的・確率的手法 人間のレベル 統計的・確率的手法 ロジック・知識ベース 利用手法 1960 年代 時間 現在 2030 年？ 時間 現在 ？ 時間 出典：EY 総合研究所作成 人工知能が経営にもたらす「創造」と「破壊」 14 VI. 市場推計から考察される今後の課題 前述したとおり、人工知能の市場へのインパクトで 最大のものは自動運転であった。この市場効果が大き いのは、完全自動運転の実現を前提としているためで あり、統計的・確率的手法に基づく人工知能でありな がら、人間による最終意思決定を（常には）要求せず、 機械によるほぼ完全な自動化が達成されていることに 起因している。 従って、その他のビジネス領域においても同様に、 ＜人工知能関連ビジネスの課題＞ • • • • • • 十分な実証に基づくリスクの最小化 法令・規制面での後押し 責任分解点の設定と保険制度の再検討 社会の受容 人材の確保 ベンチャー企業との協業・提携 人工知能による完全な自動化が可能な部分の経済効果 は大きいと考えられ、例えば HFT などはその先行事 例として挙げることができる。逆に上記推計において なお、本稿では、全てのビジネスにおいて闇雲に自 も、最終意思決定権が人間に残り、完全な自動化が困 動化を進めよと主張しているつもりはない。場合に 難なビジネスに関しては「支援システム」までしか構 よっては、経済効果よりも安全性や確実性を優先させ 築できず、市場規模も一定程度にとどまる事となる。 るべき分野もあるはずである。人間が、人間による対 そのため、人工知能を活用しつつ大きな経済効果を 応を求める様な高度な接客業などは、そもそも機械に 狙う場合には、当面の間主流となる、統計的・確率的 よる代替需要そのものがあまり存在しない事も確かで 手法に基づく人工知能を活用する事で、いかに「完全」 ある。ただし、人工知能による多大な経済効果が期待 に近い自動化システムまで完成度を高められるかが重 されているビジネス分野については、一定程度の慎重 要となってくる。Ⅲ．で述べたように、IoT のような さを伴いつつ、実験的な取り組みを進めていくべきで 現実世界との相互作用のある分野では、時間をかけて はないかと考えている。 十分な実証を積み重ね、発生するリスクを極めて小さ 人工知能が浸透し、単純な（知的を含む）労働を任 くしていくと共に、必要に応じて特区や規制緩和措置 せる事が可能となれば、人間の労働はよりクリエイ などの法令面での対応を行い、後押しをしていく事や、 ティブな、創造的な方向にシフトしていくはずである。 実際に事故などが起きた事を想定した責任分界点の考 複数の人工知能を手足の様に使う、総合プロデュー え方・保険制度のあり方を事前に十分に検討しておく サー・ディレクターといった役割を担う層が増えてく 事、あるいは社会実証なども経て市民の受容を徐々に ると共に、ベンチャー企業など少人数の組織であって 促していく事も必要になってくると考えられる。 も、大企業に匹敵する業務量をこなす事も可能になる さらに、特に深層学習への注目度が高い事から、現 はずである。一方で、コールセンター業務支援の様に、 在世界的に当該分野の技術者・研究者人材へのニーズ 人間のいる現場での、人間による対応においても、人 が強く、必要な人材の確保が困難になりつつある。既 工知能が多様な補佐・支援を行っていく事が考えられ 存の企業が人工知能関連ビジネスを手掛ける場合に る。 は、これらの人材の直接確保を進めるほか、ベンチャー このように、人と人工知能の創造的かつ相補的な協 企業との協業や提携等を活用することも選択肢に含め 働により、経済社会が大きく飛躍していく姿こそ「よ るべきである。 り確からしい」未来予想図ではないかと考えられる。 人工知能ビジネスの興隆のためには、単純な技術開 EY 総研では、この飛躍する各産業に対して、共に歩 発だけではない複合的な取り組みが必要となってく みつつ、支援を行っていきたいと考えている。 る。その取り組みに先行できた国家・企業が人工知能 ビジネスで競争優位に立つことができると考えてい る。 15 EY Institute “人と人工知能の創造的かつ 相補的な協働により、経済社 会が大きく飛躍していく姿こ そ「より確からしい」未来予 想図ではないか” ※1 ※2 ※3 ※4 ※5 ※6 ※7 ※8 ※9 ※ 10 ※ 11 ※ 12 ※ 13 ※ 14 ※ 15 ※ 16 ※ 17 ※ 18 ※ 19 ※ 20 ※ 21 ※ 22 ※ 23 ※ 24 ※ 25 ※ 26 ※ 27 注1 レイ・カーツワイル著「The Singularity is Near :When Humans Transcend Biology」では、 2045 年頃にこのような「シンギュラリティ」 と呼ばれるイベントが発生するとされている 脳の神経回路にヒントを得て考案された情報処理モデル 例えば「人の顔」を認識するためには、局所的な明暗差が特徴量となり、「人間」を認識するためには輪郭を特徴量として機械的に捉える 必要がある。対象物が変わる毎に、これまでは人間が「何が特徴量となっているのか」を指定していた http://21robot.org/ 参照 例えば問題文を一階述語論理式と呼ばれる数学的表現に変換した上で、ロジックを基に解答を導く、といった方法が採用されている Densely Inhabited District。人口密度が一平方キロメートルあたり 4 千人以上いる区域が互いに隣接し、全体の合計人口が 5 千人以上と なる地域のこと 経済産業省「平成 26 年度我が国経済社会の情報化・サービス化に係る基盤整備（電子商取引に関する市場調査）」 経済産業省では「全ての商取引金額（商取引市場規模）に対する、電子商取引市場規模の割合」として定義 画像を見て、そこに何が写っているのかを一般的な名称で認識すること ドイツ政府が提唱する ICT を活用した製造業の革新に向けたムーブメント 米国で提唱された産業機器をインターネットで統合管理する概念 数人以下の作業員で、製品の組み立て工程の全てを行う生産方式 搬入された土砂などを所定の厚さに均す作業 High Frequency Trade の略。コンピュータを活用する超高速取引 ネット上での取引市場の総称 Demand Side Platform の略。広告主（広告を依頼する側の企業）のための広告配信用ツール Supply Side Platform の略。媒体社（ポータルサイト等、広告枠を提供する側の企業）のための広告配信用ツール Data Management Platform の略。顧客に関連する社内外のデータを一元管理するツール ウィルス、ワーム等の悪質な動作を行うソフトウェアやコードの総称 Home Energy Management System の略。家庭用のエネルギー管理システム Network Functions Virtualisation の略。汎用のハードウェアを活用して通信の専用機器として利用する方式 Software Defined Network の略。ネットワークの機能をソフトウェアによって動的に変更できる技術の総称 Operation Support System の略。通信事業者がサービスを運営するために必要なネットワーク管理システムの総称 Business Support System の略。通信事業者が経営管理を行うために必要な、課金システムや顧客管理システムの総称 http://www.mext.go.jp/b_menu/houdou/23/04/1305484.htm 参照 中心市街地の活性化を伴い、職住その他の諸機能が中心に集中した都市の形態のこと 国立大学法人筑波大学 稲垣敏之氏「人と自動走行システムが織り成す光と影の交錯模様 −課題解決へ向けたデザインの視点−」参照 総務省「国勢調査」「産業連関表」「経済センサス」「情報通信白書」、国税庁「国税庁統計年報」、厚生労働省「人口動態調査」「介護サービ ス施設・事業所調査の概況」「薬事工業生産動態統計年報」、経済産業省「ロボット産業の市場動向」「情報セキュリティの市場調査」「特定 サービス産業動態統計調査」「特別サービス産業実態調査」「企業活動基本調査」「我が国経済社会の情報化・サービス化に係る基盤整備（電 子商取引に関する市場調査）」、中小企業庁「中小企業白書」、国土交通省「住宅着工統計」、日本貸金業協会「年次報告書」、日本損害保険 協会「日本の損害保険ファクトブック」、国立社会保障・人口問題研究所「日本の将来推計人口」、日本ロボット工業会「年間統計推移表」、 日本自動車工業会「乗用車市場動向調査」、全日本トラック協会「日本のトラック輸送産業 現状と課題」、日本ロジスティクスシステム協会、 日本物流システム機器協会「物流システム機器生産出荷統計」、日本交通公社「旅行年報」、日本建設機械工業会「建設機械出荷金額統計」、 全国警備業協会「警備業の概況」等 人工知能が経営にもたらす「創造」と「破壊」 16 17 EY Institute EY 総合研究所では、今後到来する社会や産業の在り方について、情報発信を積極的に行っています。 弊社 HP（http://eyi.eyjapan.jp/）をご参照ください。 また、企業の将来戦略立案にあたり、ご支援をするサービスメニューをご用意しています。 こちらにつきましても、当総合研究所までお問い合わせください。 ＜サービスメニューの例＞ 【調査・分析】 • • • • 業界動向、市場動向、企業動向調査（海外スタートアップ等含む） 新事業領域における最新トレンド・エコシステムの分析 法令、規制等のグローバルな動向調査 上記を踏まえた市場規模予測（短期∼中長期） 【戦略立案支援】 • • • • 中核事業／非中核事業分析支援 オープンイノベーション：他企業／スタートアップ企業との協業・提携戦略策定支援 M&A ／カーブアウト戦略の策定支援 法令、規制等対応支援 ＜執筆者＞ 廣瀨 明倫 EY 総合研究所株式会社 未来社会・産業研究部 上席主任研究員 【専門分野】 • 国内外 ICT（情報通信）の業界・政策動向 • ICT 事業政策の戦略立案 • 情報通信分野の法令対応 ＜執筆協力＞ 鈴木 将之 EY 総合研究所株式会社 未来社会・産業研究部 エコノミスト 山口 若菜 EY 総合研究所株式会社 未来社会・産業研究部 研究員補 人工知能が経営にもたらす「創造」と「破壊」 18 EY | Assurance | Tax | Transactions | Advisory EY について EY は、アシュアランス、税務、トランザクションおよびアドバイ ザリーなどの分野における世界的なリーダーです。私たちの深い洞 察と高品質なサービスは、世界中の資本市場や経済活動に信頼をも たらします。私たちはさまざまなステークホルダーの期待に応える チームを率いるリーダーを生み出していきます。そうすることで、 構成員、クライアント、そして地域社会のために、より良い社会の 構築に貢献します。 EY とは、アーンスト・アンド・ヤング・グローバル・リミテッドのグロー バル・ネットワークであり、単体、もしくは複数のメンバーファームを指し、 各メンバーファームは法的に独立した組織です。アーンスト・アンド・ヤング・ グローバル・リミテッドは、英国の保証有限責任会社であり、顧客サービス は提供していません。詳しくは、ey.com をご覧ください。 EY 総合研究所株式会社について EY 総合研究所株式会社は、EY グローバルネットワークを通じ、さ まざまな業界で実務経験を積んだプロフェッショナルが、多様な視 点から先進的なナレッジの発信と経済・産業・ビジネス・パブリッ クに関する調査及び提言をしています。常に変化する社会・ビジネ ス環境に応じ、時代の要請するテーマを取り上げ、イノベーション を促す社会の実現に貢献します。詳しくは、eyi.eyjapan.jp をご覧 ください。 © 2015 Ernst & Young Institute Co., Ltd. All Rights Reserved. ED None 本書は一般的な参考情報の提供のみを目的に作成されており、会計、税務及びその他の専 門的なアドバイスを行うものではありません。意見にわたる部分は個人的見解です。EY 総 合研究所株式会社及び他の EY メンバーファームは、皆様が本書を利用したことにより被っ たいかなる損害についても、一切の責任を負いません。具体的なアドバイスが必要な場合は、 個別に専門家にご相談ください。 Contact EY 総合研究所株式会社 03 3503 2512 [email protected]
© Copyright 2024 ExpyDoc
