IRCA-マネジメントシステム審査員/監査員の国際登録機関 > 情報メディア > ソートリーダーシップ > 証拠からインテリジェンスへ

証拠からインテリジェンスへ

  • LINEで送る
  • このエントリーをはてなブックマークに追加
証拠からインテリジェンスへ

自動化と人工知能 (AI) は、品質専門職にとって脅威となるものではありません。これらをうまく活用すれば、品質専門家は証拠 (エビデンス) に関する事務作業から解放され、保証そのものに集中することができます。リジョシュ・セバスチャン (Rijosh Sebastian CQP MCQI) が、実用的で業種を問わないロードマップを提案します。

あらゆる業界の、ほぼすべての品質部門に足を踏み入れれば、同じような静かなパラドックスを目の当たりにするでしょう。製品やサービスを保証するために雇われた人々が、週の労働時間の驚くべき割合を、それに関する事務作業に費やしているのです。検査や試験の記録を、作業現場からテンプレートへと転記します。不適合報告書を作成、分類し、追跡調査を行います。監査証拠を、6つほどのシステムから1つのパックへと集約します。これらの多くは保証そのものではなく、保証に伴う事務作業であり、有能な人材の注意力という、この職業において最も希少な資源を消費しているのです。

これこそまさに、人工知能 (AI) がサポートできる種類の仕事です。大規模言語モデル (LLM) は、非構造化情報を構造化情報に変換したり、再び非構造化情報に戻したりすることに特に長けています。これは、品質マネジメントシステム (QMS) における文書化の負担の多くを代表する作業です。品質専門職の前にあるAI にこれらを代替させる機会はSFの世界の話ではありません。人間による適切な監視の下、今や客観的な品質証拠に関する作業を自動化することができます。

AIがQMSを真に支援するポイント

最も直接的に得られる恩恵は、作業現場のすぐ近くにあります。保守タスクの完了、製造工程、またはサービスの提供について考えてみましょう。現在は、通常、有資格者が測定値、写真、チェックリスト、技術者のメモなどの生データを確認し、それらを適合記録としてまとめます。管理されたテンプレートとプロンプトで動作するAI対応システムは、業務の終了時に、一貫した形式で元の入力情報まで追跡可能な形で記録を作成することができます。有資格者の役割は作成者からレビュー担当者へと変わり、「作業完了」から「証拠受理」までの経過時間を大幅に短縮できます。資産集約型の産業において、遅延は単なる事務的な煩わしさにとどまりません。利害関係者が証拠を待つ間に、稼働状況、請求処理、そして案件の完了に影響が及ぶ可能性があります。

第2の領域は、不適合と改善です。AIは、届いた不適合報告書 (NCR) を承認済みの分類体系に照らして分類し、重複の可能性があるものや繰り返される状況にフラグを立て、個々のコーディネーターでは容易に特定できないような、複数の拠点にわたるパターンを明らかにすることができます。AIはファシリテーターがテストするための原因因子の候補を提案できます。これは関連データをすでに整理された状態で提示し、チームが「なぜなぜ分析」のセッションに臨めるよう支援するものでり、根本原因分析に取って代わるものではありません。かつてはマネジメントレビューの前、数日を費やしていた傾向報告も、より継続的に更新できるようになります。

第3の領域は、監査と適合の対応準備です。AI支援ツールは、手順書と特定の要求事項を比較し、見落とされている可能性のある文書を特定し、プロセスに合わせた監査チェックリストを作成し、監査員が要求しそうな一連の証拠の収集を支援できます。多くの内部監査チームが、準備と証拠の照合に相当な時間を費やしています。AIはその準備にかかる時間を圧縮することができます。一方、監査時の判断は力量を有する人々に委ねられます。

作業指示を完了する前に、測定値、写真、チェックリスト、技術者のメモを客観的な品質証拠パッケージとしてまとめなければならない、架空の資産保全プログラムを考えてみましょう。AIを活用したワークフローは、承認済みのソースレコードからパッケージを起案し、不足している入力情報にフラグを立て、各証拠項目へのリンクを保持できる可能性があります。権限を持つ品質専門家が、リリース前に完全性、正確性、及び適合性を引き続き検証します。AI活用の価値は、保証のための証拠を収集するのに必要な労力を削減することにあり、保証をなくすということではありません。

安全性を確保するためのルール: 人間が保証し、機械が管理する

これらAI を応用する際には、いつでも注意しなければならない事項がありますが、それを徹底させるのに最も適しているのは私たち、品質の専門家です。生成AIは確率論的に推定します。特に管理やレビューが不十分であれば、生成AIは流暢に、かつ自信満々と、不正確なアウトプットを生成する可能性があります。捏造された品質記録は、たとえ部分的、または偶発的なものであっても、提出が遅れた記録よりも悪質です。なぜなら、証拠のつながり (evidence chain) の完全性を損なうからです。

したがって、ガバナンスの原則は単純です。AIが起案し、人間が承認する。機械が生成したコンテンツをQMS に受け入れる際は必ず、その採用を決定したこと対して責任を負う、権限と力量をもつ人を介在さなければなりません。このアプローチは、力量や文書化した情報に関して確立されたQMSの管理方法と一致しています。実務においては、管理方法は設計段階から組み込むべきです。生成された各記録は、ソースデータへのリンクを保持する必要があります。レビュー担当者が各記録をそのまま受け入れるのではなく、検証できるようにするためです。また、プロンプトやテンプレートはバージョン管理と変更管理を行うべきであり、システムの出力はリスクに応じて監視、サンプリング、監査を行う必要があります。検証作業は、リスクが集中する部分に集中するべきです。

これらの管理方法は、使い慣れた品質マネジメントの手法に基づいています。ISO 9001に基づくQMSにおいて、AIを活用するワークフローは、力量、文書化した情報、運用管理、監視及び測定、内部監査、是正処置、継続的改善に関する組織の既存の仕組みを通じて対応するべきです。AIはQMSの外側にあるものではなく、QMSが管理しなければならない新たなプロセスやテクノロジーの1つとなります。

AI は、ある意味、データの品質に正直であるとも言えます。AIは供給されたものを増幅させます。組織のマスターデータに一貫性がなく、帳票の記入が不規則で、記録が個人のスプレッドシートに保存されているようであれば、単に組織自らの混乱を自動化するだけになってしまうかもしれません。私たちの分野で最も古くからある手法、「まずプロセスとそのデータを管理下に置くこと」が、実は最新技術への入場券であることがわかります。AIを搭載したシステムに情報を提供する前に、データのセキュリティ、プライバシー、機密保持、顧客または規制上の制約についても対処しなければなりません。

リスクアセスメントでは、偏りのある、または一貫性に欠けるアウトプット、情報の不正開示、自動化への不適切な依存、モデルの挙動の変化、そしてプロセスに関する知識が人間から徐々に失われることについても考慮する必要があります。管理方法には、承認された使用範囲、アクセス制御、出力テスト、レビュー記録、パフォーマンスのしきい値、代替手段、定期的な再評価などが含まれる場合があります。これらの管理の厳格さは、不正確な、または不完全なアウトプットが発生した場合に生じる結果に見合ったものであるべきです。

あらゆる品質組織が従うことのできるロードマップ

テクノロジーの導入は、まずテクノロジーありきで、導入してからその用途を探そうとすると、失敗に終わりがちです。明確に定義された課題から出発し、それに適したテクノロジーを選択すれば、成功する可能性が高まります。私があらゆる規模の組織に推奨する手順は以下の通りです。

まず、件数が多く、高度な判断を必要としない文書作成タスクを1つ選びましょう、誰もが書くのを面倒がるものの、レビューは難しくない報告書のことです。記録1件あたりの所要時間、経過時間 (遅延)、エラー率、手直しの発生率など、現状のコストを正直に数値化します。このベースラインこそが、パイロット運用をビジネスケースへと変えるものです。

2つ目、自動化する前に構造化しましょう。記録に必要な内容を、明示的なフィールドを持つテンプレートとして定義し、承認された入力ソースからそのテンプレートにデータを入力するプロンプトやワークフローを設計します。このステップはまさに品質工学そのものです。つまり、仕様書を作成する作業です。品質専門家は、プロセスオーナー、情報セキュリティ、法務またはプライバシーの専門家、さらにIT部門と協力してこれを主導しなければなりません。

3つ目、人間が完全にプロセスに介在した状態でパイロット運用を行いましょう。一定期間、AIが作成したすべての記録は、従来それを作成していた担当者によって一行ずつチェックされるべきです。承認率、修正の種類、裏付けのない記述、及び節約された時間を測定します。修正箇所をプロンプト、モデル、ワークフロー、またはソースデータに関する不適合データとして扱い、通常の是正処置の考え方を通じてシステムを改善します。

4つ目、リスクと証拠に基づいて調整しましょう。AIのパフォーマンスが明らかに信頼できる場合、文書化したリスク基準を用いてレビューの仕組みを調整できますが、新規の記録、安全上重要な記録、規制対象の記録、または顧客が管理する記録については、引き続き必要なレベルのレビューが行われます。サンプリングへの移行は証拠によって裏付けられるべきであり、法的要求事項、規制要求事項、契約上の要求事項、または認証の要求事項が優先されなければなりません。これは、品質専門家が信頼性の高いプロセスやサプライヤーに対して長年適用してきた、(重要度やリスクに応じて調整する) 段階的検査体制に似ており、現在ではアルゴリズムを活用したワークフローに対して慎重に適用されています。

最終的な記録が内部でレビューされたという理由だけで、承認されたと見なすべきではありません。規制当局、顧客、契約、認証スキーム、または業界規範が、記録はどのように作成、承認、保持、または転送されなければならないかを指定している場合は、それらの要求事項が優先されます。組織は、AIがどこで使用されたかを説明し、信頼できるソースデータへのトレーサビリティを実証し、必要に応じて力量をもつ人間による検証の証拠を提供できなければなりません。

5つ目、システムとして管理 (govern) しましょう。「ISO/IEC 42001:2023 情報技術 - 人工知能 - マネジメントシステム」は、方針、リスク及び影響評価、管理策、パフォーマンス評価、そして継続的改善のための明確な枠組みを提供します。そのマネジメントシステム構造は、ISO 9001に携わる人なら誰でも馴染みがあると感じるでしょう。認証を取得するつもりのない組織であっても、AIを行き当たりばったりにではなく、意図的に採用するための参照情報としてこの規格を活用することができます。

品質の職務にとっての意味

このトピックの根底には、当然ながら不安があります。もし機械が記録を作成するようになれば、これまでそれを作成していた人々はどうなるのでしょうか。定型的な事務作業の自動化が進むにつれ、品質専門家には、より高い価値を生み出す判断業務へと移行する機会が訪れています。次の10年のうちに、品質専門家が証拠の作成者であることは少なくなり、それを生み出すシステムの設計者や監査員としての役割が増えるでしょう。プロンプト、テンプレート、管理方法を設計し、検証体制を整え、アウトプットを監査し、証拠のつながりが信頼できるものであり続けることを経営層に保証するのです。

品質専門職の役割が縮小したということではありません。品質専門職の貢献度が高まるのです。品質部門が文書作成というバックオフィス業務から、信頼できる組織情報の設計者へと転換するのです。これこそが、書式や略語を取り除いたときに、品質マネジメントが常に守ろうとしてきたものなのです。

これをうまく実行する組織は、必ずしも最大のテクノロジー予算を持つ組織とは限りません。それは、品質専門家が早い段階から関与し、釣り合いの取れたガバナンスを徹底させ、この専門職の長年の習慣である「特定し、検証し、測定し、改善する」を最新のツールに取り入れる組織です。

将来的には、AIは文書化した情報のワークフローだけでなく、リスクアセスメント、監査計画、サプライヤー評価、パフォーマンス分析にも組み込まれていくでしょう。品質の専門家にとっての今後も続く課題は、証拠に対する信頼を、テクノロジーに対する信頼と同等のペースで維持し続けることでしょう。

すべての読者に対する提案は、私がどのような改善プロジェクトにおいても行うものと同じです。すなわち、苦労している記録を1つ選び、基準を定め、構造化し、細心の注意を払って試験的に導入し、その結果から次のステップを判断するとうことです。

CQI レポート The Future of Work 未来の働き方
IRCAテクニカルレポート:ISO22000:2018