この記事は、2026/3/10に公開された「Dr. Jake Trippel on Why Your Technical Debt Is Compounding」の翻訳です。
AI が真価を発揮できるかどうかは、その基盤となるデータアーキテクチャにかかっています。
The AI Forecast のエピソード52「LLM だけでは不十分な理由、AI ファブリックがすべてを変革する」（英語）では、ホストの Paul Muller が、コンコルディア大学セントポール校ビジネステクノロジー学部長であり、Codename 37 の共同創設者兼CTOである Jake Trippel 博士と対談し、企業が AI を大規模に導入し、拡大する際に直面する課題について掘り下げます。
サイロ化されたデータアーキテクチャ
機械学習、ディープラーニング、ニューラルネットワークの力に対する誤解
技術的負債の累積
この対話は、クラウドとオンプレミスの経済性の比較から、SaaS アプリケーションからボットベースのエクスペリエンスへの移行まで、幅広い話題に及びます。ここでは、議論の主なポイントをいくつかご紹介します。
AI アーキテクチャが限界に達しつつある理由
Paul：過去に AI とデータアーキテクチャについて見てきたこと、それから、今それらを再考する必要がある理由を教えてください。
Jake：私たちはデジタル変換の時代を経験しました。それがデータに関する課題でした。データがサイロ化されていたのは、プラットフォームの設計上、そしてデータの構成方法に問題があったからです。その後、たくさんの統合を試みました。あらゆるアプリ統合エンジンを試みました。何かうまい方法を見つけようとしたのですが、結果として ELT から ETL、システムからシステムへと繋ぐスパゲッティのような絡み合った状態になってしまいました。
そして今日に至ります。現在の課題は、これらの組織がサイロに留めようとするインセンティブを持っていることです。AI データサイロが登場し、データは依然としてサイロ化されており、そこにクラウドの力が発揮されます。私たちは Cloudera のパートナーであることを誇りに思っています。
同じ問題が、さらに深刻になった状況を想像してみてください。AI エージェントはたくさんありますが、それぞれが自分のデータサイロの中でしか機能していません。
人々はもっと多くのことを求めるようになるでしょう。協力し合い、話し合い、論理的に判断できるエージェントを求めています。しかし、データがまだサイロに閉じ込められている場合、どうやってそれを行えばいいのでしょうか？このデータメッシュの状態を実現するには、抜本的な変革が必要となります。だからこそ、Cloudera はそれを実現するのに役立つ優れたソリューションなのです。
大規模な言語モデルだけでは不十分な理由
Paul：データを最大限に活用するために利用している工夫、ベストプラクティス、ヒントやコツを教えてください。
Jake：最も重要なことは、大規模言語モデルがすべての答えではないことを理解することです。AI は広い世界です。
大規模言語モデルは、ある用途には非常に優れていますが、別の用途には非常に不向きです。機械学習、ディープラーニング、ニューラルネットワークの力を理解しなければなりません。これらは他の 2 つ（機械学習とディープラーニング）の本質です。
現代において求められるスキルは、適切なユースケースに適したモデルを開発または活用し、データを迅速に処理する能力です。そこに人々が注目すべきです。
技術的負債の複利効果
Paul：博士のご意見やご経験から、組織はどのようにして、現状から将来の目標へと現実的に移行していくとお考えですか？どのようにデータをクリーンアップしているのでしょうか？それを壊さずにできるメカニズムはあるのでしょうか？
Jake：それはかなり複雑な質問なので、少し分解して考えてみましょう。あなた方が 30 年間続けているのには、理由があります。今でも AS/400 は見かけますし、実際に機能しています。IBM の功績は認めなければなりません。
これらの組織が抱える課題は、「どれだけの資本を費やしているのか？」という点です。この技術的負債が複利のように蓄積していくため、問題を先送りして何年も、何十年も先へ延ばすことができます。しかし、そのコストはただ増える一方です。
しかし今は、少なくとも選択肢があります。データを取り出せば、これまで以上に多くのことができるのです。場当たり的な対応ではなく、データへのアクセスが確保され、かつ継続的にアクセスできる限り、並行してあらゆるタイプの体験を作り出せるようになりました。
AI ワークロードの一部がオンプレミス環境に戻りつつある理由
Paul：既存の顧客が新しいワークロードを導入しようとしている現状について、どのような状況が見られますか？
Jake：オンプレミスへの大規模な移行が見られます。信じられませんでした。そんなことは予想もしていませんでしたから。
これらの組織がより多くのモデル開発やトレーニングなどを行っているため、クラウドコストモデルは単に高すぎます。このようなモデルの学習に毎月どれだけの金額をかけるかを楽しみにしている CFO にまだ出会ったことがありません。
だからこそ、彼らは投資しているのです。データセンターへと回帰し、それを今後 5 年にわたり減価償却するそうです。医療機器や金融サービス、航空業界などでこうした傾向を見られ、通常はハイブリッド型ですが、特にトレーニングや開発といった特定のワークロードにおいては、はるかにコスト効率が高いのです。
学習を促進するAI：メリットとデメリット
Paul：学術界の現状と、将来の労働力を育成する方法について、どのような見解をお持ちですか？
Jake：AI は増幅器です。良い面も増幅し、悪い面も増幅させるでしょう。
良い面としては、人々はこれまでよりも 10 倍、20 倍速く学習できるようになることです。私は、たった 3 秒で本を読み上げることができるモデルを開発しました。今ではデータに没頭し、自分の学習スタイルに合わせて、あらゆる種類の学習体験を作り出すことができます。
悪い面は、学生たちが「自分は何もしなくてもいい」と選んでしまうことです。AI にすべての仕事を任せることができるから、何も学ぶことはありません。そこが怖いところです。
私たちの時代に求められるスキルとして「学ぶことが好き」であって欲しいと思います。今後のキャリアを通して、毎日毎日、学び続けなければいけないのですから。
Jake Trippel 博士との対談全編は Spotify、Apple Podcasts、YouTube の The AI Forecast でお聴きいただけます。
