Ep.22「AIでエネルギーの隠れた価値を解き放つ。

Transcript

Intro

このエピソードでは、Ellie Tehrani が Akash Sharma（Enverus の Director of Product Innovation）と対談し、伝統的に保守的なエネルギー業界が AI によってどのように変革されているかを探ります。高リスクな現場への生成 AI の導入から、顧客の潜在的ニーズの発見まで、Akash Sharma は人間の専門性とイノベーションのバランスを取るプロダクト開発戦略について洞察を共有し、エネルギー企業が膨大な未活用データを活用して「後知恵」を「先見」へと変えている実態を明らかにします。

 

00:11
Ellie Tehrani
The Elusive Consumer へようこそ。本日は、北米エネルギー市場の85％超にサービスを提供する大手 SaaS 企業 Enverus の Director of product innovation and management、Akash Sharma をお迎えしています。エネルギーテックで8年以上の経験を持つ Akash は、エネルギー分野で「後知恵を先見へ」変え、組織に見えない機会を発見させるという使命を掲げる社内イノベーション部門 Andera を率いています。Elusive Consumer では、より良い製品とサービスを生むためのデータ駆動の意思決定を重視しています。そこで、エネルギーテックの未来について Akash がどう考えているのか、ぜひ伺いたいと思います。さて本題ですが、あなたは petroleum engineering からプロダクト・イノベーションへと転身しました。エンジニアと経営層の双方に響く、商業的に成立するプロダクトへ、技術的専門性をどう翻訳していますか？

01:24
Akash Sharma
もちろんです。まずは招待いただきありがとうございます、Ellie。お話しできて光栄です。技術的専門性をプロダクトマネジメントに持ち込む観点で言うと、キャリアの初期はプロダクトマネジメントを目標にしていたわけではありません。アナリストとしてキャリアを始め、当時は目の前の分析課題の解決に集中していました。キャリアが進むにつれ、解く課題の規模と範囲が大きくなり、やがてアナリストの領域を超えるようになった——それが自然にプロダクトマネジメントへ足を踏み入れたきっかけです。
技術的バックグラウンドを活かして顧客向けの解決策を作る上では、業界のコンテクストを持っていることが大いに役立ちます。ユーザーの要望を聞くときには、なぜそれが必要なのか（“Why”）を掘り下げ、表層ではなく本当のユースケースを理解することが重要です。同じ業界出身だと、専門用語や行間を自然に読み取り、その“Why”に早く辿り着けます。これは、プロダクトの旅路の「一歩目」ではなく「二歩目」から始められたという意味でも、初期には特に助けになりました。

03:01
Ellie Tehrani
その点は納得です。顧客の潜在ニーズに戻ってまた触れますが、まずエネルギー分野特有の話を続けましょう。この業界はサイクルが長く、規制変更も多いですよね。外部要因が制御不能で予測困難な中、意思決定とプロダクト開発をどう進めていますか？

03:34
Akash Sharma
まさにそこがエネルギー業界の面白いところです。多くの変数や視点が絡み合います。2005〜2010年頃、北米のエネルギー産業は根本的に変化しました。従来のオフショア／オンショア開発（年単位）から、シェール革命による非在来型開発へ移行し、開発サイクルが大幅に短縮されました。企業は数か月ではなく数週間で案件を回せるようになり、意思決定も、重厚な段階的計画から、小さな意思決定の連なりへと変わりました。
私たちプロダクト側は、顧客が問題解決を各ステージで進められるようなソリューション設計が重要です。景気循環や地政学的不確実性については、価値あるプロダクトづくりの原点に立ち返ります。すなわち「Must-have」かどうか。業務に不可欠な製品は市況に強い。顧客が仕事をより効果的に進められるようにすることに軸足を置けば、景気の山谷でも選ばれ続けます。組織がリーンでレジリエントでありたい時期ほど、その価値は増します。

05:27
Ellie Tehrani
複数のサブセグメントを相手にしていますよね。その経験は、あなたのプロダクト開発哲学にどう影響していますか？

05:47
Akash Sharma
先ほどの答えと逆説的に聞こえるかもしれませんが、出発点は顧客への共感です。経験は有益ですが、誰もが自分の課題は固有だと感じています。十分な数の顧客と話すと共通項も見えてくるので、どの粒度で課題を捉えるかのバランスが重要です。
エネルギー業界内でも、オペレーター、ミッドストリーム、オイルフィールドサービス、再エネ・電力、市場を支える金融機関——それぞれが根本的に異なります。そこで私たちは、しばしば共通のペルソナを軸に設計します。あるペルソナが各セグメントで何をしているか、共通ペルソナが成立するか、あるいは相互作用する場面に着目するか。例として、ソース・トゥ・ペイの業務自動化領域では、請求やチケット管理を簡便化するだけでなく、同一エコシステム内の顧客同士の相互作用（コミュニティ効果）を重視します。要するに、戦略の整合性は保ちつつも、各ユースケース／プロダクトを個別のケーススタディとして解く、という姿勢です。

08:03
Ellie Tehrani
セグメントだけでなく、部門という観点のペルソナはどうでしょう。現場エンジニアから C-suite まで、利害関係者は多様です。全員のニーズ整合はどう図りますか？

08:38
Akash Sharma
大きな挑戦です。私たちは「一つですべて」を避け、相互運用するフレームワーク群として設計します。C-suite、オペレーション、アセットマネジャー、現場エンジニアが同じデータセットを使っていても、必要とする情報は全く違う。
ただし、科学・工学寄りの顧客基盤に合わせ、階層間の整合性は確保します。たとえば、経営層がリサーチや AI 支援のインサイトで高位の視座を得るなら、その内容は生データまで遡って検証可能であるべきです。エンジニアが特定数値を裏取りできるように。全体のパラダイムは相互に整合していなければなりませんが、「万人向け」の単一 UI／機能で済ませることはしません。

10:20
Ellie Tehrani
顧客フィードバックが製品を形作った具体例はありますか？

10:33
Akash Sharma
直近の例を。6か月ほど前、InstantAnalyst をリリースしました。これは既存の Enverus Intelligence Hub への生成 AI 統合です。Intelligence Hub は、当社の SEC 免除のリサーチチームがエネルギー分野向けに日々発信する投資調査を蓄積するリポジトリです。
しかしお客様からは「価値は高いが、1日20〜30本は読み切れない。過去のどこかで読んだ情報も見つけづらい」という声が多数寄せられました。複数の案を検討した結果、「必要な断片を素早く抽出・要約したい」というニーズが多くのペルソナで共通することが分かり、ちょうど生成 AI の台頭とも重なって、このユースケースに最適だと判断。非構造データの抽出・要約・評価は GenAI の得意領域です。
こうして技術と顧客ニーズの合流点から生まれたのが InstantAnalyst です。公開以来、すでに4〜5万件のプロンプトが処理され、最も活発に使われる追加機能の一つになりました。

13:24
Ellie Tehrani
顧客が語る明示ニーズだけでなく、ブレークスルーにつながる潜在ニーズはどう見つけますか？

13:47
Akash Sharma
定期的な顧客インタビューと、開発前の顧客向けロードマップ共有で「計画の段階」から顧客を同席させます。また、顧客の仕事そのものの理解が要です。現場、サプライチェーン、経営……成功指標も思考法も違います。そこで、要望の背景を「なぜ」を重ねて最下層まで掘る。さらに、プロトタイプ／ワイヤーフレームを素早く作って見せる。視覚化するとフィードバック量が飛躍的に増え、「本当に欲しかったもの」が見えやすくなります。私は常に高速プロトタイピングを重視し、自分のアイデアに執着しない——素早く検証・学習・転換する姿勢を持っています。

16:35
Ellie Tehrani
高速に新機能を出しつつ、ユーザーとの人間中心の関係性はどう維持しますか？

16:54
Akash Sharma
関係負荷の分散が鍵です。毎回同じ“協力的な”顧客に11本もベータ参加をお願いすれば、翌年は返事が来なくなるでしょう。ペルソナごとに適合度の高い参加者を見つけ、同じ井戸を汲み尽くさない。さらに、ベータがユーザーの時間を奪わないこと——最低でも追加作業を生まないこと——を条件にします。無料でも実益があるなら、双方の価値交換が成立します。

18:20
Ellie Tehrani
多くのアイデアの優先順位はどう決めますか？

18:32
Akash Sharma
ベータ開始前に公平な KPI と明確な仮説を置きます。「思いついたから出す」ではなく、何を検証するのか、どの反応なら成功かを定義する。使用状況やフィードバックでテスト結果をスコア化し、中央ロードマップでの位置づけは「顧客価値 × ROI」で決めます。実装コストと到達可能な市場規模の組み合わせで優先度を判断します。

19:43
Ellie Tehrani
エネルギー業界は採用が遅いと見られがちです。伝統とイノベーションの両立は？

20:09
Akash Sharma
「顧客の位置」に合わせます。革新度10の市場に6の顧客がいるなら、提示は7から。現在のメンタルモデルを壊さずに生活を楽にするところから始め、ロードマップで10へ導く。
また、エネルギーは資本・リスク集約的で、安全プロトコルも厳格です。AI が井戸圧を誤制御すれば、損失だけでなく爆発にもつながる。だからこそ慎重に。
とはいえ、この産業は驚異的なスピードで進化してきました。原油の発見から標準生産、再エネ、ミックスへ——千年単位の話ではありません。需要の伸びが技術の進化を上回ってきた歴史があり、その現実を踏まえ、既存業務をより確実・効率的にする技術導入にフォーカスしています。

22:32
Ellie Tehrani
生成 AI 導入の固有課題は？

22:42
Akash Sharma
他業界同様、技術が若く（実質2〜3年）、標準的な GTM が確立していない点です。特に私たちの顧客はエンジニアや地質家が多く、“ブラックボックス”を嫌います。因果と応答の対応関係が説明可能（Explainable）であること、データの扱い（In-context 学習と Fine-tuning の違い）を明確にし、プライバシー・セキュリティへの不安を解くことが重要でした。専門用語が多く伝わりにくいので、透明性と説明責任が肝です。同時に社内のスキルアップも急務でした。

25:08
Ellie Tehrani
エンジニアに納得してもらうための工夫は？

25:32
Akash Sharma
反復的な教育（L&D）に加え、システムの「見える化」を徹底します。推論のチェーン・オブ・ソートやマルチエージェントの各ステップをユーザーに公開し、なぜその答えに至ったかを追跡可能にします。例えば「Exxon が Permian で稼働中のリグ数は？」に対し、最終値だけでなく、どのテーブルに当たり、どう集計し、どうロジックを辿ったかを開示。使い始めは全員が詳細を精査しますが、数回の検証で信頼が醸成され、違和感があるときだけ深掘りするようになります。透明性・トレーニング・既存ワークフローへの親和性、この三点の組み合わせで前進させています。

28:41
Ellie Tehrani
自動化と人間の専門性のバランスは？

29:08
Akash Sharma
人間の専門性なしに機能する枠組みはありません。現状のモデルは「サブヒューマン」インテリジェンスです。繰り返しで認知負荷の低い、ヒューマンエラーが起こりやすい作業を自動化し、重大な意思決定点には必ず人間を介在させる——これが基本です。AI により分岐条件を網羅しなくても不確実性を扱えますが、ヒトを完全に外すのは危険です。

31:10
Ellie Tehrani
今後、エネルギーを形作る新潮流は？

31:22
Akash Sharma
知識管理の変革です。業界は日々ペタバイト級のデータを収集し、社内の未構造データ（PDF など）が巨大に眠っています。生成 AI／トランスフォーマはパターン認識でこれを解錠し、意思決定のリスク低減に寄与します。容易な資源は枯渇に向かい、構造・工学的に難度の高い案件が増えるほど、認知負荷を AI が補完する意義が高まります。
同時に電力需要側では データセンター 需要が予測を塗り替えています。エネルギーなくして Generative AI なし、Generative AI によってエネルギーはより効率化——好循環が生まれるはずです。

33:59
Ellie Tehrani
Stargate プロジェクトの影響は？

34:15
Akash Sharma
投資拡大は歓迎です。現状では GPU クラスターの希少性ゆえに「ボーダー下」のユースケースが保留になりがちです。Microsoft、Meta、AWS らのデータセンター増設や Stargate のような取り組みは、利用可能性を高め、試行コストを下げ、イノベーションを加速します。

35:25
Akash Sharma
加えて「手頃さ」も。推論コストは3年前から劇的に低下しました。企業予算に大穴を開けずに探索できます。

35:43
Ellie Tehrani
この環境変化はあなたのプロダクト戦略にどう影響？

35:48
Akash Sharma
当社の Generative AI 戦略ロードマップを主管しており、全ロードマップを「GenAI で強化すべきか」「GenAI ネイティブに再設計すべきか」の観点で見直しました。目的なき GenAI 化は避け、顧客価値が最上位。結果として、開発スピードや解法そのものが変わる案件も出ています。ChatGPT 以降、顧客からのアイデア流入も増え、優先順位の再考が進みました。

37:43
Ellie Tehrani
スキルギャップへの対処は？

38:32
Akash Sharma
ビジネスリーダーは LLM の基本挙動、RAG、エージェント、ハルシネーションの要因など「仕組み」を理解すること。コード記述は不要でも、強み・弱みを知らなければ適用判断ができません。組織側は広範な座学よりも、小さなインキュベーション・チームで低リスクの社内ユースケースを A→Z で作り切る体験を。作ってみて初めて「何を知らないか」が分かり、適切な研修設計ができます。

40:39
Ellie Tehrani
社内インキュベーションですね。

40:42
Akash Sharma
（少しバイアスがあるかもしれませんが）その通りです。

40:46
Ellie Tehrani
5〜10年先、エネルギー企業の技術利用はどう変わる？

41:07
Akash Sharma
技術の変化速度を前提にしつつも、多くの企業が「AI Ready なデータ基盤」へ移行を急いでいます。小型言語モデルと安価な計算資源の台頭で、垂直特化のエージェント（生産監視、異常検知、天候・日射の局所トラッキング等）を各所に配置する「ターゲテッド・イノベーション」が実を結ぶでしょう。
マルチモーダルの精度向上で、画像・動画からの知見（例：メタン排出プルームのモニタリング）が現実解に。データを AI Ready にし、小型モデルでニッチを攻め、AI を既存フローに溶け込ませる——そんな統合が進むはずです。

44:31
Ellie Tehrani
その効率化は最終的に消費者へも還元されますか？

44:42
Akash Sharma
はい。特定業務をより少ないリソースで回せれば、企業は高効率化し、より多くを実行できます。労働構造には影響が出ますが、インターネット前後でリサーチが一変したように、新たなユースケースと機会が生まれるでしょう。

45:41
Ellie Tehrani
最後に、リスナーへメッセージは？

45:49
Akash Sharma
すでに多くを語りましたが、続きに関心があれば SNS で私を見つけてください。AI プロダクト実装が私の仕事そのものです。いつでも話しましょう。

46:13
Ellie Tehrani
Akash、本日はありがとうございました。