テクノロジー、
メディア、
および通信（TMT）

AIを製品戦略・収益戦略と結びつける

例えば、次のようなことです。

• テクノロジーソフトウェア製品、検索、開発環境、顧客向けのプラットフォームにAIを直接組み込む。
• メディアより良いコンテンツの発見、レコメンデーション、ローカライズ、視聴者体験、広告商品を生み出す。
• 通信AIを活用して、ネットワークサービス、顧客への提案、法人向けサービス、データを活用した新サービスを改善する。

この違いは重要です。

社内の時間を削減するプロジェクトも、価値を生むことはできます。

しかし、自社の製品をより便利で、より差別化された、顧客にとってより価値のあるものにするAIの能力は、はるかに大きな戦略的インパクトをもたらし得ます。

Deloitteの2026年TMT展望は、AIへの大規模な投資と、その投資を持続的な収益化や顧客にとっての実際の価値へと転換する必要性との間で、緊張が高まっていることを指摘しています。

リアルタイムかつデジタルの規模を前提に設計する

TMTのシステムは、従来のバックオフィス業務とは大きく異なる形で動いていることが少なくありません。

社内の100人のユーザーにはうまく機能するAI機能も、数百万人の顧客や絶え間ないネットワーク活動にさらされると、まったく異なる挙動を示す可能性があります。

導入の前に、TMT企業は次の点を検討すべきです。

レイテンシー

AIはどれだけ速く応答する必要があるか？

可用性

AIサービスが利用できなくなったら、どうなるか？

処理量

どれだけのリクエストを処理する必要があるか？

処理場所

処理はクラウド、エッジ、デバイス上のどこで行うべきか？

コスト

利用が増えると、推論コストはどうなるか？

Deloitteは、AI推論（学習済みAIモデルの実行）が2026年のAI計算需要の大きな割合を占めると予測しており、インフラ設計と運用の経済性がますます重要になっています。

TMTにとって、スケーラビリティはパイロットの後で解決するものではありません。

最初から考慮しておくべきものです。

コンテンツ、データ、知的財産を守る

このポイントは、テクノロジーとメディアにおいて特に重要です。

AIシステムは、次のような情報を扱う可能性があります。

AIにこれらの情報を使わせる前に、企業は次のような問いに明確に答えられる必要があります。

• このコンテンツをAIに使わせてよいか？
• 所有者は誰か？
• 組織は、これを処理するライセンスを持っているか？
• 出力を商業的に再利用できるか？
• このデータを組織の環境の外に出してよいのか？
• 生成されたコンテンツを、どのように元の情報源までたどれるか？
• 公開モデルに決して渡してはならないものは何か？

これは、単なるITの問題ではありません。

特にメディア企業にとって、AIは著作権、ライセンス、来歴、出演者・クリエイターの権利、そして価値あるコンテンツライブラリの保護に関わる根本的な問いを投げかけます。

Deloitteは、大手スタジオが中核となるクリエイティブ制作への生成AIの活用に慎重な姿勢を保っている理由の一つに知的財産と権利への懸念がある一方で、ローカライズ、マーケティング、配信、アーカイブ管理などの領域では導入がより速く進んでいると指摘しています。

パーソナライズを進めながら、信頼を守る

TMT企業は、顧客向けの体験の中で直接AIを使うことが少なくありません。

そのため、信頼が特に重要になります。

パーソナライズを進めることで、体験を向上させることができます。

しかし、AIの判断が誤っていれば、信頼はあっという間に損なわれる可能性もあります。

そのため、企業は次の点を考えておくべきです。

正確性

情報は信頼できるか？

透明性

AIが関わっていることをユーザーに知らせるべきか？

バイアス

特定のユーザーやコンテンツが不公平に扱われる可能性はないか？

ブランドの安全性

生成・推奨されたコンテンツがブランドを傷つける可能性はないか？

プライバシー

パーソナライズで顧客データを適切に使っているか？

人へのエスカレーション

慎重な対応が必要なケースを、すぐに人につなげられるか？

AIの判断は多くのユーザーに即座に影響し得るため、これはメディア、通信、消費者向けテクノロジーの企業にとって特に重要です。

賢さだけでなく、信頼性を設計する

最も賢いモデルが、本番システムとして最適だとは限りません。

つまり、企業は出力の品質以外も監視する必要があります。

このことは、通信において特に明確です。

ネットワーク環境には、もともと極めて高い信頼性が求められます。そのため、AIを活用したネットワーク運用は、予測できない層をさらに加えるのではなく、レジリエンスを高めるものでなければなりません。

McKinseyによるAI主導の通信ネットワークに関する2026年の研究は、ネットワークの複雑さが増し続ける中で、ネットワークの経済性、信頼性、運用パフォーマンスを高めるためにAIを活用することを重視しています。

本番環境で動くTMTシステムにとっては、

システムをまたいでAIを連携させ、新たなAIのサイロを作らない

TMTにおける最大の機会の一つは、AIが複数のデジタルシステムをまたいで機能できるときに生まれます。

通信サービスの問題を考えてみましょう。

AIエージェントは、次のことを行う必要があるかもしれません。

1. 顧客の依頼内容を理解する。
2. アカウント情報を取得する。
3. ネットワークの状態を確認する。
4. 過去のインシデントを検索する。
5. 考えられる原因を特定する。
6. サービスチケットを作成または更新する。
7. 次のアクションを推奨する。
8. 適切なチームに通知する。

あるいは、メディアの業務を考えてみましょう。

AIのワークフローは、次のように動くかもしれません。

1. 新しいコンテンツを受け取る。
2. コンテンツを分析する。
3. メタデータを生成する。
4. 権利上の制約を特定する。
5. ローカライズを準備する。
6. コンテンツを分類する。
7. 公開システムへ回す。

価値は、オーケストレーション（システムをまたいだ連携）から生まれます。

これは、エージェント型AIにおいて特に重要になりつつあります。

Deloitteは、2026年の実際の進展が、単独のAIアシスタントを導入することよりも、AIエージェントのオーケストレーションを成功させられるかに大きく左右されると予測しています。

そのためには、次のことを明確にする必要があります。

• API
• 権限
• アクションの境界
• 監視
• エスカレーションのルール
• 人による承認のポイント

規模が拡大しても経済性が成り立つようにする

これは、TMTと多くの従来型の自動化プロジェクトとの最大の違いの一つです。

AIは価値を生み出す可能性がありますが、同時にインフラも消費します。

計算コストがかかる可能性があります。

小規模なパイロットでは、ほとんど問題にならないかもしれません。

数百万人のユーザーになると、ビジネスケースが根本から変わる可能性があります。

拡大する前に、TMT企業は次のことを理解しておくべきです。

• インタラクションあたりのコスト
• 想定される利用量
• クラウドと推論のコスト
• モデルの規模と性能の要件
• より小さなモデルでその作業をこなせるか
• 一部の処理をデバイス上やエッジで行うべきか
• 利用の増加に伴ってインフラコストがどう変化するか

Deloitteの2026年展望は、推論の経済性、電力消費、AIインフラへの投資、そしてAIへの支出と収益化の間に続くギャップの重要性が高まっていることを指摘しています。

TMT企業にとって、AIの経済性は製品の経済性の一部になり得ます。

AIを選ぶ前に、成果を定義する

変えたい結果から始めましょう。

そうではなく、例えば次のようにします。

成果が明確に定義されているほど、実際にどのようなAIの能力が必要かを判断しやすくなります。

通信については特に、TM Forumの最新のAIネイティブに関するガイダンスが、エンドツーエンドのビジネス成果から出発し、それを実現するために必要な能力、データ、プロセス、KPIを特定することを推奨しています。

AIにどこまでの権限を持たせるかを決める

すべてのAIシステムが、自律的に動く必要があるわけではありません。

アーキテクチャを設計する前に、AIが担う責任の範囲を定めます。

有効な段階の進め方は、次のとおりです。

例えば、通信ネットワークのエージェントは、最初は障害の考えられる原因を特定し、対処方法を提案するところから始めるかもしれません。

システムが十分に検証された後で初めて、リスクの低い特定の変更を自動で実行することが認められるかもしれません。

GSMAの2026年のAgentic AI Testbedは、自律型エージェントを本番の通信環境に投入する前に、実践的な評価が必要であることを反映しています。

目指すのは、自律性を最大にすることではありません。

リスクに見合った適切な水準の自律性を持たせることです。

適切なモデルと実行環境のアーキテクチャを選ぶ

概念実証（PoC）であれば、多くの場合、クラウドのAI APIを1つ使うだけで足ります。

本番のTMTシステムには、はるかに慎重な設計が必要になる場合があります。

次のことを決める必要があります。

1. どのモデルが適切か？

   大規模な汎用モデルが、常に必要とは限りません。

   より小さなモデルや特定領域向けのモデルのほうが、コストを抑え、応答を速くし、制御しやすくできる場合があります。

2. 推論をどこで実行すべきか？

   用途によって異なります。

   • クラウドなら、柔軟性を得られる場合があります。
   • プライベートなインフラなら、より高い制御性を得られる場合があります。
   • 低レイテンシーが求められる用途では、エッジでの処理が必要になる場合があります。
   • 消費者向け製品では、デバイス上のAIが適している場合があります。

3. システムはどれだけ速く応答する必要があるか？

   • メディアのメタデータ作成ワークフローなら、数秒かかっても許容されるかもしれません。
   • ネットワーク制御システムでは、そうはいかないかもしれません。

Deloitteの2026年のインフラに関する調査は、本番のAIによって企業が、すべてのワークロードで当然のようにクラウドを選ぶのではなく、レイテンシー、レジリエンス、データ主権、知的財産の保護、推論の経済性に応じてインフラを選ぶ必要にますます迫られていることを強調しています。

したがって、アーキテクチャの判断は、特定のモデルの人気ではなく、ワークロードに基づいて行うべきです。

事業を動かしているシステムとAIをつなぐ

AIは、既存のTMTシステムの中で機能できるようになって初めて、業務で役立つものになります。

• テクノロジー企業の場合、例えば次のようなものです。Gitリポジトリ、開発パイプライン、チケット管理システム、クラウド環境、プロダクト分析、ドキュメント、サポート基盤。
• メディアの場合：CMS、DAM、アーカイブシステム、権利データベース、公開プラットフォーム、広告システム、視聴者分析。
• 通信の場合：OSS/BSS、ネットワークの管理システム、課金プラットフォーム、CRM、サービス保証、テレメトリー、カスタマーケアのシステム。

通信の障害管理ワークフローを考えてみましょう。

役に立つシステムなら、次のように動くことができます。

これが、ツールとしてのAIと、事業のオペレーティングシステムの一部としてのAIとの違いです。

TM ForumのAIネイティブに関するロードマップも同様に、個別のAIアプリケーションではなく、データ、判断、アクション、コントロールポイントをつなぐ、領域横断のワークフローを重視しています。

本番の前に、信頼のレイヤーを築く

TMTのシステムには、極めて機密性の高い資産が含まれることがあります。

• テクノロジー企業でさらされる可能性があるもの：ソースコード、知的財産、顧客情報、本番システム。
• メディア企業でさらされる可能性があるもの：ライセンスを受けたコンテンツ、未公開の素材、出演者・クリエイターの権利、アーカイブ、著作物。
• 通信事業者でさらされる可能性があるもの：顧客データ、請求情報、ネットワークインフラ、サービス情報。

本番の前に、次のことを定義します。

• AIが誰（何）であるか
• AIがアクセスできるもの
• AIが実行できるアクション
• 承認が必要なアクション
• 操作の記録方法
• アクセス権の取り消し方法

メディアのワークフローでは、コンテンツの来歴もますます重要になっています。

Adobeは2026年、AIで生成・編集されたコンテンツのワークフロー全体でC2PAメタデータへの対応を展開し始め、対応する素材が、どのように作成・変更されたかを示す機械可読な情報を持てるようにしました。

信頼は、導入後に付け足すものではなく、アーキテクチャの一部であるべきです。

現実に近い環境でテストする

デモが成功するだけでは不十分です。

TMTのAIは、実際に直面する条件のもとでテストすべきです。

• ソフトウェアのシステムなら、通常とは異なるコード、不完全な文脈、権限、本番での障害、矛盾する情報をテストします。
• メディアなら、さまざまな言語、権利上の制約、曖昧なコンテンツ、慎重な扱いが必要な素材、通常とは異なる形式をテストします。
• 通信なら、ネットワーク障害、アラームストーム、矛盾するテレメトリー、欠けたデータ、モデルがこれまでに見たことのない状況をテストします。

可能であれば、AIに本番での権限を与える前に、サンドボックス、デジタルツイン、テストベッド、シャドーモードを使いましょう。

GSMAのAgentic AI Testbedは、汎用的なベンチマークだけでは通信には不十分だという理由から作られました。通信事業者は、ネットワーク計画、容量管理、障害対応など、実際の通信のシナリオに照らしてモデルやエージェントを比較できます。

有効な検証プロセスでは、正確性以外も評価すべきです。

次の点も評価します。

レイテンシー、信頼性、コスト、セキュリティ、エスカレーション時の挙動、そして誤った場合の影響。

AIを本番システムとして運用する

AIが本番に入っても、プロジェクトは終わりません。

運用するシステムになるのです。

これは、AIエージェントにとって特に重要です。

従来のアプリケーション監視では、APIが利用可能かどうかがわかるかもしれません。

エージェントの監視では、システムが正しく振る舞っているかがわからなければなりません。

TM Forumは現在、通信のAIを実験段階から本番水準の環境へ移すための中核的な能力として、AIオペレーションとガバナンスを位置づけています。

パイロットだけでなく、能力を拡大する

一つのAI導入がうまくいったら、新しいユースケースをすべて一から作るのは避けましょう。

その代わりに、再利用できる能力を特定します。

これにより、AIは個別のプロジェクトの寄せ集めから、プラットフォームとしての能力へと変わります。

また、重複した連携、セキュリティ管理、モデル基盤も減らせます。

TM Forumの2026年のAIネイティブに関する取り組みは、通信事業者が分断されたパイロットから脱し、拡張可能なAI運用へと進めるよう、共通のデータアーキテクチャ、セキュリティ、エージェント間の連携、モデル運用、再利用できるアーキテクチャに特に焦点を当てています。