Amazon CEO：既存製品にAIを付け足すだけでは、未来を守りきれないかもしれない

Amazon CEOのアンディ・ジャシー（Andy Jassy）氏は、a16zのベン・ホロウィッツ（Ben Horowitz）氏、エリック・トレンバーグ（Erik Torenberg）氏との対談の中で、ある週末のプロトタイプ作りのエピソードを明かした。木曜日にコンシューマー向けAgentの構想を固め、4〜5人の従業員が週末にかけて連携したところ、日曜には同氏が言う「約80%完成」の動作するプロトタイプ（working prototype）を作り上げたという。Agentとは、ツールを呼び出し自律的に連続タスクを実行できるAIアシスタントを指し、ここでの80%とは同氏による試作進捗の見立てである。この事例は、対談における2つの核心的な洞察へとつながっている。すなわち、AIはチームの組織形態を変え、企業が生み出すべきプロダクトのあり方をも変えるという点だ。

全社で年間約2,200億ドル（$220 billion）に達すると見込まれる巨額の設備投資（CapEx）が進む一方で、チームの規模や働き方の見直しも進行している。Jassy氏は、かつてのように社員が価格設定の一工程のみを担当するような過度の分業体制は見直され、企業はAIツールを使いこなして職能横断でプロジェクトを推進できる小規模チームへの依存度を高めていくと予想している。

---

組織の再編：過度な細分化から、職能横断の少人数チームへ

29年前、Andy Jassy氏がアソシエイト・プロダクトマネージャーとしてAmazonに入社した際、同時に約5つのプロダクトを担当していた。しかし、事業規模が拡大しプロダクト体系が複雑化するにつれ、大企業には人員配置の極端な細分化が一般化していった。ひとりのプロダクトマネージャーが、特定製品の価格設定プロセスだけを担当するようなケースである。多くの人々はこの極端な専門分化を事業拡大における必然の道と見なしがちだが、Jassy氏はこの前提は成立せず、AIが普及するこれからの時代にはなおさら見直されるべきだと考えている。

組織的なスピードアップという発想は、かつてのAWS（Amazon Web Services）誕生の経緯とも通底している。当時、Amazonの社内プロダクトチームは、コンピュート、ストレージ、データベースといった基盤インフラの構築を重複して行う作業に業務時間の70%〜80%を費やしており、真に差別化を生むプロダクト機能の開発に充てられていたのはわずか20%にすぎないことが判明した。コンピュートやストレージなどの基本機能を共有クラウドサービスとして提供することで、チームはようやくその重複作業から解放されたのである。Jassy氏の目には、基盤モデル（大規模言語モデル）も同様のインパクトをもたらしつつあると映る。モデルがコーディング、カスタマーサポート、分析、リサーチといった多様な職能において、作業の約80%程度までを一気に推し進めてくれるため、人間はより高いスタートラインからタスクを完遂できるようになる。これにより、少人数チームのメンバーが従来の専門的な役割分担の壁を越え、ひとつのプロジェクトを最初から最後まで協力して前進させることが可能になる。

Amazon社内では、この変化を象徴する2つの具体的事例がある。

基盤エンジニアリングの側面では、顧客がモデルを呼び出して利用するためのサービスである「Bedrock」が挙げられる。ここで言う推論とは、学習済みモデルが新たな入力を処理して結果を出力するプロセスを指し、推論エンジンはその実行を支える基幹システムである。Bedrockのチームは、わずか6名のエンジニアが76日間でこの推論エンジンをゼロから書き直した。対談内での推定によれば、従来の手法であれば約40人が1年を費やす規模の作業であった可能性があるという。一方、アプリケーションの探索においては、コンシューマー向け事業のAgent構想において、木曜日にチームで合意した後、4〜5人が週末に連携し、日曜にはJassy氏の見立てで「約80%完成」の動作するプロトタイプ（working prototype）を作り上げた。このパーセンテージは試作段階の進捗状況を示したものであり、職能横断ツールに支援された少人数チームが、きわめて短期間でコンセプトを具現化できることを示している。

既存の運営方式を根本から見直す姿勢は、Amazonが過去に実施したフルフィルメントネットワークの再編にも通じるものがある。これは物流網そのものの抜本的改革であった。パンデミックの最中、顧客と出品者の切迫した需要に応えるため、Amazonは急速な規模拡張を最優先とし、25年かけて構築してきたフルフィルメント網の規模をわずか18か月で倍増させ、多くの工程が未最適化のままであったにもかかわらず、既存の大手宅配業者に匹敵するラストマイル配送体制を一気に立ち上げた。しかし急速な拡張は、必然的にコストと効率の悪化というプレッシャーをもたらした。チームは実態を示す指標と率直な議論を通じて非効率に真正面から向き合い、全米一元化されていたネットワークを地域分散型ネットワークへと再構築した。在庫を顧客の近くに配置して輸送距離を短縮することで、コスト削減と配送迅速化を両立させたのである。

技術や外部環境の変化に直面し、組織構造や人員規模も同様に見直しを迫られている。将来的な雇用の変化について、Jassy氏は、膨大なプログラミング、カスタマーサポート、分析作業がAgentの支援によって推進できるようになるため、既存の特定業務に従事する人員は、事業規模の拡大に合わせて人員を直線的に積み上げていた過去よりも少なくなると見込んでいる。それと同時に、AI、ロボティクス、宇宙開発といった分野の進化に伴い、現在知られている職種だけでなく、まだ見ぬ新たな職種も数多く生まれるだろうと指摘する。社会全体の純雇用者数の増減について結論を下すことはしなかったものの、企業内部においては、より小規模で職能横断的に連携できるチームに依存しながら新規ビジネスを模索していく傾向が強まると述べた。

大企業がこうした組織再編を急ぐ背景には、スタートアップがもたらすスピードのプレッシャーもある。Jassy氏の観察によれば、現在多くの新興企業は創業当初から「Agentネイティブ」または「AIネイティブ（agent/AI-native）」であり、成熟した大企業も同等の開発スピードを実現する方法を編み出さなければならない。同氏の目には、巨大な事業基盤と忠誠度の高い顧客層を抱える大企業の中には、往々にして行動の遅い企業が存在し、動きの鈍い企業はスタートアップの攻勢に対してきわめて脆弱になりやすいと映っている。

特定の一工程の担当から、職能横断でひとつの成果を形にする体制へ

Jassy氏が見込む変化：モデルが基礎作業の多くを担い、少人数チームは統合・判断・創造に注力する。

彼が描写する大企業の分業

1人がごく一部を担当

プロダクトが巨大化するにつれ役割が細分化。プロダクトマネージャーが価格設定のみを担当するような事態も。

→

彼が想定するAI時代のチーム

少人数による職能横断の協業

モデルが多様な職能の作業を推し進め、人間はより高いスタートラインからタスクを完遂する。

Bedrock推論エンジンの再構築

6人 · 76日

対談では「従来なら40人で1年かかっていたかもしれない」との対比も挙げられた。後者は試算であり、同一条件での実験結果ではない。

コンシューマー向けAgentプロトタイプ

4〜5人 · 1週末

木曜に構想を固め、日曜には動作するプロトタイプを構築。約80%の完成度とは、Jassy氏の主観による試作進捗の推定。

既存業務に必要な人員は減る可能性がある一方、新たな雇用も生まれる。対談内で雇用の純増減の予測は示されていない。

---

約2,200億ドルの設備投資：データセンターとサーバーが生み出すキャッシュ循環

組織の再編と並行して進んでいるのが、インフラストラクチャ建設の大幅な加速である。Amazonは、当年の設備投資額が約2,200億ドル（$220 billion）に達すると見込んでいる。この巨額投資を裏付ける最大の背景は、事業規模の拡大スピードにある。Jassy氏は対談の中で、初期のAWS事業が立ち上げから3年経過した時点での年間ランレート（run rate：当時の売上ペースを年間換算した規模であり、3年間の累計売上ではない）は約6,000万ドル（$60 million）であったのに対し、生成AIの台頭から最初の3年間におけるAWS単体のAI事業年間ランレートはすでに250億ドル（$25 billion）を突破していると対比した。現在の需要拡大ペースが、黎明期のクラウド事業をはるかに凌駕していることを示している。

設備投資の急増がフリーキャッシュフローを圧迫する懸念に対し、Jassy氏はAWSにおける2つの異なる資産クラスの投資と回収のサイクル（キャッシュ循環）を説明した。

第1は、データセンターの土地、建屋、および電力インフラである。この投資はサーバーを設置して収益を生み出し始めるまでに約2年先行して支出する必要がある。この資産の耐用年数は約30年と長く、先行して投じられる固定資産であるが、長期の耐用年数がそのまま30年間の安定したキャッシュリターンを保証するわけではない。データセンターの建設には初期段階で多額の現金を集中して投じる必要があり、急成長フェーズで大規模な施設を同時に建設すれば、現金が先行して大量に流出する一方で収益の回収は遅れて立ち上がるため、初期段階におけるフリーキャッシュフローは必然的に強く抑制されることになる。

第2は、サーバー、AIアクセラレータチップ、およびネットワークハードウェアである。これらの機器調達のリードタイムは短く、通常は数か月程度であり、企業は顧客からの比較的明確な需要シグナルを確認した上で調達の意思決定を下すことができる。ハードウェアの投入後、平均して約3年で投資回収の損益分岐点に達し、機器の耐用年数は約5〜6年である。また同氏は、当時進められていた関連取引の大半が約5年契約であったことにも言及した。もしその後の需要が予想を下回った場合、サーバー調達を減速または縮小することで将来の支出をある程度緩和することは可能である。しかし、事前のデータセンター建設投資はすでに発生しているため、電力コスト、運用保守費、および施設の稼働率は依然としてキャッシュフロー全体の動向に継続的な影響を与え続ける。

さらに、データセンターの大規模な建設は、地域社会や公共政策の面でも議論を呼んでいる。Jassy氏は、金融、医療、Eコマースなどの現代のデジタルサービス自体がデータセンターの上に成り立っていると指摘する。同氏は現在のAI計算インフラを1950年代の全米ハイウェイ・橋梁建設に例え、建設を減速させれば他国との競争に立ち遅れるリスクがあると主張した。資源消費に関する懸念に対しては、ゴルフ業界全体の総水使用量とAmazonの全データセンターの使用量を比較し、後者のほうがはるかに少ないと反論した。また、非常用発電機が実際に稼働するのはごく稀なメンテナンス時のみであることにも触れた。電力網（グリッド）への負荷については、送電網自体の投資・更新が必要であり、送電容量の増強に伴って一部地域の電力価格は長期的には安定する可能性があるとの見方を示した。同時に、データセンターが地元自治体に莫大な税収をもたらしていること（インディアナ州セントジョセフ郡における約30億ドル（$3 billion）の税収など）を強調し、Amazonとしても「Built Together」プログラムを通じて今後5年間で周辺コミュニティに10億ドル（$1 billion）を投じることを約束していると述べた。需要が旺盛だからといって拡張を当然視するのではなく、官民連携を通じて地域社会とのバランスある発展を図る必要があるというスタンスである。

2種類の資産、2つの投資サイクル

建屋を先行して建設し、サーバーやネットワーク機器は需要が明確になってから調達できる。

データセンター建屋

投資先行期間

約2年

資産耐用年数

約30年

先行建設でまずキャッシュが流出し、機器を搬入してサービスを提供し始めてから徐々に収益化する。

サーバーおよびネットワーク機器

調達リードタイム

数か月

平均回収期間

約3年

機器耐用年数

約5〜6年

当時の関連取引の大半

約5年契約

需要が予想を下回った場合

建屋投資は支出済み→以後の機器調達を縮小→追加投資を一定程度抑制

機器の調達ペースは調整できるが、すでに投じた建屋のコストは残る。30年とは資産の耐用年数であり、投資回収期間ではない。

数字はJassy氏が説明したAWS投資の現金循環モデルに基づく。投資と回収のタイムラグを説明するもので、リターンを保証するものではない。

---

ダンベル型の需要とリソース配分：長期顧客と計算資源の奪い合いをめぐる判断

これほど巨額の設備投資を行ってもなお、計算資源の供給は逼迫している。Jassy氏が明かしたところによると、現在の大口コンピュート容量のうち、当年度の利用可能枠はほぼ完売、翌年度分も大半が完売しており、翌々年度分でさえかなりの部分がすでに押さえられているという。ただし、AWSはBedrockやEC2などのサービスにおいて常に一定割合のオンデマンド枠を確保しており、すべてのリソースが予約で埋まり尽くしているわけではない。同氏はまた、主要コンポーネントの供給制約は短期間で完全に解消されるものではなく、数年間は続く可能性があるとの見通しを示した。

現在の市場において、Jassy氏は計算リソースの需要が両端に集中し、中央部分が未解放のまま残されている「ダンベル型」の分布を呈していると観察している。

現在におけるAIの実質的なユースケースは、主にダンベルの両端に集中している。一方の端にあるのは、驚異的な計算資源を消費する最先端のAI研究所群と、ChatGPTやClaude Codeのような一握りの爆発的ヒットアプリケーションである。もう一方の端にあるのは、コスト抑制や効率化のために企業がすでに導入しているカスタマーサポートの自動化、不正検知、定型業務プロセスの自動化といった具体的シナリオである。同じ企業がカスタマーサポートなどの領域でAIを採用しつつ、他の多くの業務アプリケーションでは従来通りの方式を維持していることもあり得る。Jassy氏の言うダンベルの中央部こそが、企業の日常業務を支えている膨大な既存アプリケーション群である。これらの一部はすでにモデルを呼び出しているものの、圧倒的多数はまだ本格的な推論処理を組み込んでいない。Jassy氏から見れば、現在の利用は両端に極度に偏っているが、この日常業務を支える主流の本番システム群こそが、将来的に絶対規模として最大の潜在成長余力を持っている。同氏はこうした採用が年を追うごとに拡大し、5〜7年のスパンで見れば、かなりの数、あるいは大半の既存エンタープライズアプリケーションが広く推論を活用するようになる可能性があると考えている。

こうした需給環境は、リソース配分におけるシビアなトレードオフも生み出している。メモリ資源の供給が限られる中、ベンダーはAIアクセラレータチップに用いられる高帯域幅メモリ（HBM）と、汎用サーバー向けに使われるDRAMとの間で配分の選択を迫られている。対談の中で、ホストから仮説的な質問が投げかけられた。新世代のAIラボが電力やチップに対してより高いプレミアムを支払う意欲を示している状況において、クラウド事業者は既存顧客の通常のコンピュート割り当てを買い戻したり圧迫したりして、転売したい衝動に駆られることはないのか、という問いである。

これに対し、Jassy氏は顧客の長期的な成功を最優先する論理からAmazonの判断基準を説明した。金融や医療などの分野には、基幹業務を支えるインフラとしてAWSを長年利用してきた成熟した顧客が数多く存在する。短期的なプレミアム収入のために既存顧客の正常な拡張需要を圧迫すれば、長年培ってきた信頼関係を傷つけることになる。同氏はパンデミック期を振り返り、当時AWSが顧客のクラウド構成の最適化やコスト削減を主体的に支援したエピソードを挙げた。それによって短期的にはAmazonのクラウド売上が減少したとしても、長期的な視点で顧客の成功を後押しできれば、最終的にはクラウド事業自体も成長を遂げる。そのため、Amazonの戦略は供給能力の拡大に全力を尽くし、基幹の本番システムの安定稼働を確保しながらAI事業の拡大を支え、かつその供給拡大を経済的に持続可能なものに保つことにある。

---

独自開発チップの進化と推論コストのハードル

ダンベルの中央にある膨大な企業の主流業務を段階的に推論へと接続していくためには、企業自身がモデルのファインチューニングや事後学習（ポストトレーニング）、業務の優先順位付けに関する組織的スキルを身につけられるかどうかに加え、推論コストの低減にかかっているとJassy氏は考える。ここ数年で推論コストは低下しているものの、同氏の見解では、広く普及する水準に達するにはコストが依然として1桁ほど高すぎ、つまり約10分の1にまで引き下げる必要がある。企業がこれまで汎用CPU上で稼働させていたアプリケーションをAIアクセラレータチップ駆動へと書き換える場合、高額な計算コストに見合うだけの、より高い追加ビジネス価値を生み出さねばならないという強い制約が生じる。推論コストの引き下げこそが、企業の業務変革への参入障壁を効果的に引き下げる鍵となる。

こうしたコストパフォーマンスを求める姿勢が、Amazonにおける独自開発チップの3段階の進化を促した。

1. 専用ネットワークカード（NIC）による負荷オフロード：初期に半導体設計チームAnnapurna Labsを買収した際の動機は、より根源的な課題の解決にあった。サーバー上で仮想化、ネットワーク、ストレージ、セキュリティが過大なリソースを消費していた点である。共同で専用NICを開発してこれら基盤コンポーネントの負荷をオフロードすることで、サーバーリソースのほぼ100%近くを顧客のコンピュート処理専用に開放することを目指した。
2. 汎用CPUチップ「Graviton」：汎用コンピュートの分野では、市場の主要ベンダーにコストパフォーマンスを劇的に改善させようとする動機が欠けていた。そこでAnnapurnaチームは独自CPUチップ「Graviton」を開発した。Jassy氏の説明によると、他のx86プロセッサと比較してコストパフォーマンスが約40%向上し、現在ではAWSの上位1,000社のEC2顧客のうち99%に広く採用されている。
3. AIアクセラレータチップ「Trainium」：特定ベンダーが支配するアクセラレータ市場に対し、Amazonは学習と推論に特化した独自チップ「Trainium」を開発する専門チームを組織した。Jassy氏によれば、競合する同クラスのプロセッサと比較して、こちらも約30%〜40%優れたコストパフォーマンスを実現しているという。

独自チップの開発進展は、トップAI企業とのパートナーシップとも相互補完の関係を築いている。AmazonによるAnthropicやOpenAIへの出資は、相手先チームの能力、モデルの技術水準、急速な事業成長、そして双方の長期的な事業シナジーを総合的に勘案した上での判断である。具体的な協業において、AnthropicはモデルをBedrockに接続し、Trainiumを基盤とした構築を進めている。一方のOpenAIについても、同社モデルのBedrockへの導入を進め、ステートフル・ランタイム（stateful runtime）環境を共同構築するとともに、Anthropicと同様にOpenAIもTrainiumに対して複数年にわたるマルチギガワット規模のコンピュート利用をコミットしている。Jassy氏の目には、Agentが複雑なタスクを遂行する上でコンテキストと実行進捗を永続的に保持し続ける必要があり、ステートフルな実行環境こそが将来のAgent構築における極めて重要な要件になると映っている。

---

現実における差し迫ったリスク：サイバーセキュリティとコード対応速度

社会で広く議論されている将来的なリスク――例えば悪意あるボットネットの暴走や、ロボットへの悪意ある意図の注入といった懸念――について、Jassy氏はこれらも将来起こり得ることであり、産業界と公共部門が共同で対処する必要があると認めている。しかし同時に、今まさに差し迫っており、かつ過小評価されがちな目前のリスクはサイバーセキュリティにあると強調する。最先端の基盤モデルは、従来のエンジニアが見落としていたシステムの無数の脆弱性を発見することが可能であり、脆弱性探査の効率を飛躍的に高めてしまっているからだ。

防御側の猶予期間が急速に短くなっている大きな要因は、攻撃手法の高速化にある。Continuumに関するAWSの技術解説では、攻撃者がフロンティアモデルを悪用することで、脆弱性の公表からわずか数分以内に実用可能なエクスプロイトコード（脆弱性攻撃コード）を作成できる現実が指摘されている。これに対し、既存のエンタープライズ運用におけるセキュリティプロセスは通常、脆弱性の発見、トリアージ評価、パッチ開発からテスト・本番デプロイに至る一連の長いチェーンを辿る。パッチ開発自体が迅速に行われたとしても、複雑なシステム依存関係が実環境へのデプロイを遅らせてしまう。このスピードの非対称性に直面する中で、Jassy氏は、将来のシステムがセキュリティ脅威に対抗するには「分単位」の応答速度を実現しなければならないと考えている。

この予測は、ソフトウェアアーキテクチャに対して新たな変革を迫っている。企業はコードを書き直すか調整し、Agentとの協調が可能な構造（agentically capable）へと進化させ、厳格に設定された制約と境界の内部で、Agentがコード断片の更新を支援できるようにする必要がある。同時に、モデルと自動化の融合は、防御側にとってもペネトレーションテスト（模擬攻撃による潜在的脆弱性の探索）の網羅性を広げ、過去には人員不足ゆえに手が回らなかった死角の検出を可能にする。こうした防御ワークフローに向けて、AWSはセキュリティサービス「Continuum」を発表した。現行版では脆弱性の検証とパッチやプルリクエストの生成を実行できるが、本番適用には依然として人間のレビューと承認が必須である。十分な確信が得られた段階で、事前に定められた制約の下で自動修復を実施することが将来の方向性として位置づけられている。本番環境において、いかに分単位のレスポンスを実現しつつ、自動化された変更を厳格な統制下に置き続けるかという点は、企業が今後も探求し続けるべきエンジニアリング上の課題である。

---

コア事業の再定義：Alexaから定番プロダクトに至るゼロからの再考

対談の中で、両者は企業がAIを活用する道筋を3つのレイヤーに整理した。第1は、AIを用いて法務、財務、カスタマーサポートなどの基礎的な業務コストを削減する段階。第2は、これまで存在しなかったまったく新しいプロダクトをゼロから生み出す段階。そして第3が、すでに成功を収めている既存プロダクトをシステム全体として再設計する段階である。

Jassy氏の目には、世代交代を告げる技術変革に直面しながら、AIを単なる漸進的な改善ツールとしてしか捉えない企業は、3〜5年後には業界トップのユーザー体験を守りきれなくなる可能性が高いと映っている。チームは過去の枠組みを打ち破り、「利用可能なあらゆる最新AI技術を使って今日ゼロから作り直すとしたら、一体どのようなプロダクト体験を設計するか？」という根本的な問いに向き合わなければならない。音声アシスタント「Alexa」を例にとると、初期に構築された「頭脳」のアーキテクチャは極めて先駆的であったが、生成AIの登場以降、技術が実現できる体験の次元は激変した。長期的に競争力のある体験を提供し続けるためには、Alexaの「頭脳」を根本から再設計する必要があると彼は考えている。

Alexa+に関するAmazonの技術解説では、具体的なタスクの例が挙げられている。ユーザーがお気に入りのレストランのランチ予約を頼み、その予定を友人に連絡するよう指示するシナリオだ。この一連の動作を完遂するには、まず予約サービスを呼び出し、次いでメッセージングサービスを通じて連絡先に通知しなければならない。モデルが気の利いたテキストを1行返答しただけでは、レストランの予約もメッセージの送信も完了していないのである。Amazonはこのために外部サービスをオーケストレーションするアーキテクチャを再構築し、モデルが複数のサービス呼び出しを連続的に連携させられるようにした。システム側で情報を照合し、リクエストを適切なモデルに振り分け、レイテンシー（待ち時間）をコントロールして初めて、これらのアクションを正確かつタイムリーに実行できる。これが「頭脳の入れ替え」が意味する本質である。すなわち、プロダクトが引き受けるべきユーザーのタスクそのものが変化したため、そのタスク遂行を支えるシステム全体も再設計を余儀なくされたのである。

こうした抜本的な再構築は、通常、2つの強い慣性に直面する。1つは、エンジニア自身が手塩にかけて作り上げたシステムへの愛着と過去の成功体験に基づく行動規範であり、過去に有効だった実績ある手法に本能的に固執しがちになる点である。もう1つは、膨大な既存顧客が現在の使用感や仕様に慣れ親しんでいる点である。Jassy氏は、こうした根本的変革を推進するには、新技術、プロダクト体験、そしてビジネス上の根拠がきわめて強力で説得力に富んでいることが大前提になると指摘する。仮にそれが満たされていたとしても、変革の推進は極めて困難なチェンジマネジメントを伴う。かつてオンプレミスの社内サーバーからクラウドへの移行を促した時代と同様、認識と習慣の双方において大きな転換を乗り越えなければならないからだ。

Jassy氏の目には、このゼロからの再考は音声アシスタントにとどまるものではない。AmazonはリテールEC、Prime Video、Fire TV、Prime Musicといった成熟した主力事業においても、チームに対して白紙の状態から新しいバージョンを構想するよう働きかけている。これらの事業は現時点では音声対話ほど代替の切迫性に直面しているわけではないものの、既存企業が古いプロダクトへの局所的・漸進的な改善にとどまっていれば、3〜5年後には先進的な体験を提供し続けることが困難になるのではないかと同氏は危惧している。

この「ゼロからの再構想」は、一度にすべてを置き換えることだけを意味するわけではなく、初期段階で最初から正解を導き出すことも難しい。実装の推進において、企業はより柔軟なアプローチを採ることができる。独立したまったく新しいアプリケーションを先行して探索することもできれば、試行錯誤を通じて有効性が実証された要素を段階的に既存のコア体験へと組み込み、今後数年間をかけてユーザー体験全体を漸進的に刷新していくこともできる。

---

若手人材の能力の足場と、複数事業を並行推進するマネジメントの規律

若い世代がAIにどう向き合うべきかについて、Jassy氏のアドバイスは「ツールを敬遠するのではなく、自ら進んで学び、理解し、日常的に使い倒し、自分のコンフォートゾーン（居心地の良い領域）を超えるようなタスクに果敢に挑戦すること」である。同氏自身の2人の子どももプログラマーではないが、主体的に学ぶことでAIを活用してアプリケーションを開発し、日々の業務に取り入れているという。ビジネススクールにおけるケーススタディの分析を例に挙げれば、従来は事例を読み込み、図表を抜き出し、重要ポイントを要約する作業に膨大な時間を費やしていたが、AIを使えばそうした情報整理の基礎的なスタート地点へ一気に到達できる。

しかし同氏は同時に、ツールが人間の批判的思考（クリティカルシンキング）や総合的な判断力を代替するわけではないとも指摘する。モデルは人間がより高いスタートラインに素早く立つ手助けはしてくれるが、バラバラに散らばった断片的な情報をいかに繋ぎ合わせ、統合的な事業戦略、プロダクトの論理構造、実行計画へと昇華させるかは、依然として人間の判断力、創造力、そして実験・実践力に強く依存している。

大企業がいかにして複数の事業領域を同時にマネジメントできるのかという問いをめぐり、外部からはAmazonの戦線が広がりすぎているのではないかという懸念もしばしば呈される。Jassy氏は、これは組織の設計方針と経営陣のコミットメント次第であると考えている。Amazonは、AI、ロボティクス、地球低軌道衛星通信（Amazon Leo）、自動運転（Zoox）、ヘルスケアといった多角的な事業を推進する際、分散・専任型の組織モデルを採用する傾向がある。専任チームに適切なリーダーと現場の開発チームを配置し、同じマネージャー層が互いに性質の異なる複数の事業を掛け持ちすることを避けている。新たな領域に参入すべきかを判断する際には、いくつかの明確な基準を天秤にかける。すなわち、その新たな体験が大規模に育った際に事業全体に実質的なインパクトをもたらすか、チームに差別化された構想があるか、ターゲット領域において顧客のニーズがまだ十分に満たされていないか、そして会社として長期にわたり投資を継続する覚悟があるか、という点である。

Jassy氏はまた、単一のコア事業に集中して徹底的に深掘りすることも、それ自体が非常に有効なビジネス戦略であると強調した。一方で、複数事業を並行して推進する道を選んだ企業にとって、技術の激変期を生き抜いて前進し続けられるかどうかの鍵は、既存の基幹事業における着実な成長を維持しつつ、適切なチームと長期的投資への覚悟を備えた上で、時代の潮流を捉え、まだ満たされていない顧客の課題解決に能動的に挑み続けられるかどうかにかかっている。

より小さなチームが、より高いスタート地点から新しいアイデアを模索できるようになったこと。そして成熟したプロダクトもまた、顧客のためにいかなるタスクを完遂すべきかを白紙から問い直さねばならないこと。この2つの変化が、AI時代における企業経営についてJassy氏が下した核心的な見立てである。