ヘッドカウントがまだ答えなら、あなたの会社は決してスケールしない

Scaling Business Summit 2026、ホーチミン市からの洞察。

午後のセッションはその日で最も難しい時間帯を持っていました — 昼食直後、並行するmasterclassが競合していました。 Lars Jankowfsky、Gradionの創業者は、それでもステージに上がり、ドイツのことわざで始めました: 靴職人は最も悪い靴を履いている。それは告白でした。Gradionは何年もの間、顧客のためにAIソリューションを構築してきました。自分たちの家は混乱の中にありました。

Dung Nguyen、GradionのDirector of Technology & Innovationと共に、LarsはAIを触れる前にデータをクリーンアップする必要があったことを認めるコストも含め、彼らが構築したものを正確に示すために次の四十分を費やしました。

このセッションは、実際のビジネスでエージェントベースのAIを機能させるために実際に何が必要かについてのライブケーススタディでした — 7カ国、3大陸で事業を展開するビジネスです。

1. Garbage In, Garbage Out – AIに触れる前にデータをクリーンアップする

ほとんどの企業はこのステップをスキップしたいと思っています。AIについて聞き、AIのために予算を組み、AIツールを購入し始めます。そして、Gradionが最初に直面した壁にぶつかります。

LarsとそのチームがAIの内部システムを検査したとき、従業員コード — ID番号のような単純なもの — がエジプト、ベトナム、タイで異なる形式になっていることがわかりました。 "包括的なソリューションを開発しようとすると、わかります: このような方法では作業できません。" 同じ問題が顧客コードにも現れました。国が違えば、法制度が違い、形式が違います。単一の情報源はありません。

AIを実行することを考える前に、統一された従業員コードと統一された顧客コードを確立するのに数ヶ月かかりました。この教訓は普遍的に適用されます。Larsが言ったように: "どこで働いていても、あなたのデータはAIで前進するのに十分なほどクリーンでも構造化されてもいないと100%確信しています。" これはGradionが潜在的な顧客と最初に行う会話でもあります。データを見るまでAIについては話しません。

教訓1: AIの予算を組む前に、データを確認してください。問題はほぼ常にそこに最初にあります。

2. エージェントはchatbotではありません。タスクを定義して出力を測定する

誰も使わないものを提供せずに何百万ユーロもを消費するAIのバージョンがあります。Larsはそれを見てきました。パターンは予測可能です: 大規模で、コストがかかり、汎用的なシステムが、明確な成功基準なしに長期間にわたって構築されます。

エージェントベースのアプローチはこれを完全に逆転させます。 "非常に明確なドメイン固有のタスクを引き受けて測定可能な出力を提供する、小さくて特定のエージェントを開発しています。" Gradionにとって、それは履歴書のスクリーニング用エージェントと請求書抽出用エージェントを意味しました。プラットフォームはありません。スイートもありません。1つのエージェント、1つの問題、それが機能することを証明する1つの数値。

Dung Nguyenは請求書抽出ワークフローをライブで実演しました。請求書は定義されたフォルダに着地します。エージェントがそれらを処理し、分類します — 請求書と領収書を区別し、タイ語のドキュメントを処理します — そして結果を直接Slackチャンネルと Google Sheetsに投稿します。財務チームは出力に基づいて行動します。彼らはプロセスを管理しません。トークンコスト: 1日数ドル。

教訓2: エージェントが解決する正確な問題とそれが機能することを証明する数値を述べることができない場合、あなたはまだそれを構築する準備ができていません。

3. 線形コストを非線形コストに置き換える

成長はかつてヘッドカウントを意味していました。より多くの収益にはより多くの人が必要で、より多くの管理、トレーニング、ミス、オーバーヘッドが必要でした。部屋の創業者全員がその計算を知っていました。

Gradionの人材獲得チームは1日に300件以上の履歴書を受け取っていました。チームに5人のリーダーがいて、履歴書1件につき7分かかると、それは採用プロセスの最初のステップだけで1人あたり1日7時間でした。彼らは現在1日700件の履歴書を処理する単一のエージェントを構築しました。容量を追加するにはGeminiのトークン消費をドルで追加するだけで、給与ではありません。

Larsは同じロジックをSaaSスタックに適用しました。GradionはHubSpot、Slack、Expensify、Lever、Googleなどのツールに年間50万ユーロ以上を費やしています。HubSpotだけで年間47,000€がかかりますが、約5%の機能しか使っていません。 "それはベトナムで少なくとも2〜3人のエンジニアが1年間働くのと同じコストです。" 計画: AIを使った独自のCRMを構築し、そのIPを所有して他の企業に提供する。

"鍵は、私たちが成長をコストから切り離しているということです。過去には成長はより多くの人を意味しました。今、私たちはヘッドカウントを追加せずに成長できます。"

教訓3: ヘッドカウントからエージェントへの移行は人を削減することではありません — それはあなたの成長の上限を取り除くことです。

4. 文化的抵抗を予期する。それでも卓越性に向かって努力する

パフォーマンスレビューのケースはセッションで最も率直な部分でした。最初はうまくいきませんでした。

GradionはAI支援の360度評価を実施しました: 自己評価、リーダーシップのインプット、第三の評価者、AIが処理して明確で測定可能なパフォーマンス出力を生成します。技術的には機能しました。文化的には、Larsが呼ぶ "お世辞経済" "あなたの背中を掻けば、あなたが私の背中を掻く。あなたが良い評価をくれれば、私も良い評価をあげます。" というものと衝突しました。AIはこのシステムを打ち壊しました。従業員は抵抗しました。最初のバージョンは率直すぎました。彼らは学び、適応し、続けました。

Larsはより広い意味について明確でした: "私たちは卓越性の文化を構築しています、快適さの文化ではありません。私たちは快適さと礼儀の代わりに明確さと卓越性を交換します。"

従業員がAIとともに成長する準備ができていないか、積極的にイノベーションに反対するなら、彼らは留まるべきではありません。率直に聞こえます。それはまた、この移行を成功させたすべての企業の誠実な姿勢でもあります。

教訓4: 自動化は人々が依存してきた非公式なシステムを打ち壊すでしょう。それが目的です。従業員を準備させるか、従業員を変えるかです。

5. 象を一口ずつ食べる

観客からの最後の質問が最も役に立ちました: なぜ多くのAIプロジェクトが失敗するのか、そしてGradionは何が違うのか?

答えはシンプルでした。 "エージェントベースのプロジェクトは非常に小さいです。それらは1つの部門にあります。正確に1つの特定のビジネス問題を解決します。" 変革プログラムはありません。全部を一度には行いません。1つの痛点、2〜3人、1つの測定可能な結果。うまくいけば、次が来ます。そうしてGradionは履歴書スクリーニングから請求書抽出、パフォーマンスレビュー、計画されているCRM置き換えへと進んだのです — 完全なロードマップを事前に計画するのではなく、エージェントごとにモデルを証明することで。

観客の医療分野のリーダーが販売、マーケティング、POSシステム全体にわたるデータの断片化という課題を取り上げたとき、Larsは同じ答えを出しました。最も大きな痛点から始めてください。その1つの問題のためにシステムを接続する。それを解決する。そして繰り返す。

"象をどうやって食べますか? 一口ずつ。多くのAIプロジェクトは象を一度に食べようとするから失敗します。"

教訓5: AIで失敗する企業は海を沸かせようとしています。最も痛みのある1つのことを選び、それだけを解決してください。

CEOのための実行プレイブック: 明日すべきこと

1. まずデータを確認する。 会社内で運用データを含むすべてのシステムをリストアップしてください。同じエンティティ — 従業員、顧客、請求書 — が異なるシステムで異なる説明をされている場所を特定してください。そのギャップが実際のスタート地点です。
2. 測定可能なコストと明確な出力を持つプロセスを特定する。 「1単位あたりX分かかる、1日あたりY単位処理する」と言えるタスクを見つけてください。それが最初のエージェント候補です。
3. SaaSスタックが使用された機能ごとに実際にかかっているコストを計算する。 計算してみてください: 20%未満のキャパシティで使用しているツールにいくら支払っていますか? それがbuild vs. buyの機会です。
4. 客観的にする準備ができているフィードバックループを決定する。 1つの領域を選んでください — 採用、プロジェクト実行、顧客満足度 — そして政治的な緩和なしにそれを測定することにコミットしてください。不快感に耐えてください。
5. 1つの問題を選び、2人を割り当て、30日の期限を設定する。 すべてを繋げようとしないでください。最もコストがかかるか最も妨げになっているものを解決してください。モデルを証明してください。そしてそれをスケールさせてください。

→ YouTubeでフルライブデモを見る