OMVのAI Hub、全社規模で信頼を拡大

OMVは、企業導入をしばしば停滞させるセキュリティ上の懸念にもかかわらず、AI Hubの月間ユーザー数を500人から2,500人へ拡大した。Google Newsの見出しは、これを大規模な信頼構築の物語として位置付けている。OMV自身の数字が示すのは、より具体的な動きだ。管理されたアクセス、再利用可能なアプリケーション、従業員研修が並行して進んでいる。

この組み合わせは、また一つ企業向けチャットボットを立ち上げること以上に重要だ。企業はしばしば、従業員に汎用アシスタントを提供し、初期の利用状況を発表するものの、利用を実務と結び付けることに苦戦する。これに対しOMVは、法務リサーチ、社内規程、コミュニケーション、海洋エンジニアリング向けの専門ツールを構築したとしている。

同社の事例は有望だが、証拠はなお不完全である。OMVはプロンプト数と参加者数の大幅な増加を報告している一方、独立した生産性測定、エラー率、財務上のリターンは公表していない。したがって中心となる競争は、OMVと他のエネルギー企業との比較ではない。信頼できる全社規模のAIというOMVの約束と、信頼性のある事業価値を証明するという、より困難な現実との間にある。

OMVが実際に変えたこと

OMVは、AI実験の集合を、ツール、学習、社内情報のための一元管理された入口へと転換した。

OMVは2025年、生成AIアシスタントと関連学習リソースを提供する全社プラットフォームとしてAI Hubを立ち上げた。同社はこれを、Microsoft Azure上に構築され、既存のデジタルシステムに統合された安全な環境と説明している。

このプラットフォームは、オフィス、産業現場、海洋関連の職務にまたがる従業員を対象とする。OMVの2026年8月の説明によると、同社には地質学、掘削、法務、分析などの職務に従事する18,000人以上の従業員がいる。別の企業発表では、より広いOMV Group全体を反映し、2025年に世界で約22,300人の従業員がいると報告された。

この組織的な広がりは、導入を難しくする。判例履歴を確認する弁護士には、技術レポートを検索するエンジニアとは異なる情報源と保護策が必要になる。データアクセスとタスク設計を慎重に行わなければ、単一の汎用チャットボットが両方の文脈を信頼性高く扱うことはできない。

OMVの対応は、汎用の社内アシスタントであるOMVickyから始まる。同社によれば、このツールはブレインストーミング、下書き、編集を支援しながら、大量の文書やデータセットを分析できる。

同社のAI Hub accountによれば、Hubには業務別のツールも10種類含まれる。翻訳ツール、法務アシスタント、規程アシスタント、OMVが望む文体でコンテンツを作成するツールなどだ。

法務アシスタントは、2テラバイトの過去の事例を利用する。Regulations Assistantは、従業員が約1,500件の社内規程と手順を検索するのを支援する。これらは、システムが回答を生成する前に関連資料を探し出す、検索ベースのタスクである。

Norwegian AI Companionは、別の情報ボトルネックに対応する。OMVによると、これは250万ページの技術レポートを参照し、リグエンジニアが多数の文書を手作業で検索することなく、統合された回答を得られるようにする。

これらの例は、この取り組みがGoogle Newsの要約だけから受ける印象よりも実質的であることを示している。OMVは単に、企業ログインの背後に言語モデルを置いているのではない。選定した社内コレクションとモデルを接続し、認識しやすい職務に合わせて提供している。

同社はまた、クエリが管理下の環境内にとどまるとしている。ツールはOpenAIモデルを基盤としているが、従業員は公開された消費者向けインターフェースではなく、OMVのインフラを通じて利用する。

この違いは、機密文書が職場AIにおける最も明確な障壁の一つを生むため重要だ。従業員は契約書や技術記録の要約支援を望むかもしれないが、公開ツールは受け入れがたい取り扱いリスクを持ち込む可能性がある。

HubはOMVに、承認された代替手段を提供する。ただし、社内インターフェースは、それだけで正確な回答、完全なアクセス制御、適切な人間によるレビューを保証するものではない。利用が業務に広がるほど、これらの問いは重要になる。

Google Newsの記事が実際に扱っているのは導入だ

重要な変化はOMVがAIツールを提供していることではなく、体系的な研修プログラムとともに継続利用が拡大したことだ。

OMVによると、月間参加者数は2025年3月の500人から12月には2,500人へ増加した。同期間にプロンプト数は50,000件から250,000件に増えた。

両指標は5倍に増加した。報告された合計に基づけば、月間ユーザー1人当たりの平均プロンプト数は、各時点で約100件にとどまる。この傾向は、少人数の利用者が大幅に活動量を増やしたのではなく、主に利用者数の増加によって成長したことを示唆する。

ただし、この数字には慎重な解釈が必要だ。プロンプトは対話であって、完了したタスクや検証済みの成果ではない。弱い回答を修正するための長い会話は、成功した一回限りの検索より多くのプロンプトを生む可能性がある。

それでも、継続的な月間参加は登録者数より意味がある。少なくとも従業員の一部が、初回利用後にプラットフォームへ戻ったことを示している。

OMVの2025 digitalization reportは、別の導入指標を加えている。10,000人以上の従業員が生成AIのワークショップと研修に参加し、前年の到達人数の2倍となった。

同社は、発見セッション、社内専門家、厳選されたプロンプト、学習教材をツール自体と組み合わせている。また、異なるスキルレベル向けのAI学習パスも作成した。

この研修層は、プロジェクトの性格を変える。従業員は、使用可能なデータ、生成回答が失敗し得る場面、人間が結果を検証すべきタイミングを理解する必要がある。そのような判断を伴わないアクセスは、AIが広く導入されたように見せながら、リスクを高める可能性がある。

OMVの過去の成果は、プログラムがどれほど速く発展したかを示す。2024 digitalization reviewでは、140件以上のAIアイデアと25件の進行中プロジェクトが説明されている。また、2024年中に社内GPTベースツールが数百万回利用されたことも報告した。

2025年までに、OMVは50件以上の進行中AIプロジェクト、40件を超える開発中プロジェクト、パイプライン内の210件以上のアイデアを報告した。これらの数字はポートフォリオの拡大を示すが、測定可能なリターンを生んだプロジェクトの数を立証するものではない。

その順序は注目に値する。OMVはまず、翻訳、文書分析、音声テキスト変換を含む共有技術サービスを開発した。その後、これらのコンポーネントを使って、より専門的なアプリケーションを支援した。

再利用可能なコンポーネントは、重複するエンジニアリング作業を減らせる。また、チームがパイロットごとに別々のID管理、ログ記録、データ処理システムを構築する必要がなくなるため、ガバナンスの一貫性も高まる。

これは、報告された導入曲線の説明にもなる。従業員には、空白のチャットウィンドウから自分で用途を見つけるよう指示するのではなく、タスクに特化した入口が提供された。

目標は現時点の参加者数よりはるかに大きい。OMVはアシスタントをホワイトカラー従業員の90％に届けることを目指している。また、ハンドヘルド端末を通じてブルーカラー従業員にもアクセスを拡大する計画だ。

この拡大により、現在のモデルが文書中心の職務を超えて適用できるかが試される。産業現場では、インターフェース、接続条件、安全要件、不正確な回答がもたらす影響が異なる。

信頼はアーキテクチャと行動に依存する

OMVは、信頼を管理されたインフラ、関連情報、従業員の判断から成るシステムとして扱っている。

アーキテクチャは第一の層に対応する。OMVによると、アプリケーションは企業環境で稼働し、基盤クラウドプラットフォームとしてMicrosoft Azureを使用している。従業員は、機密性の高い業務を管理されていないアカウントへ移すのではなく、一元化されたアクセスを得る。

このアプローチは、職場で広く見られるパターンに対応する。MicrosoftとLinkedInは、2024年に調査対象となったナレッジワーカーの75％が職場でAIを利用していたと報告した。その利用者のうち78％は、自らのAIツールを職場に持ち込んでいた。

このworkplace AI surveyは、31市場の31,000人を対象にした。結果はテクノロジーベンダーによるものだが、大企業が直面するガバナンス上の問題を示している。

承認済みツールの導入が遅い場合、従業員は独自に公開サービスを採用する可能性がある。この行動により、セキュリティチームが一貫して監視できないアカウント、インターフェース、プロバイダーに企業情報が分散するおそれがある。

一元化されたHubは、OMVにID管理と利用ポリシーを適用する場所を与える。また、機密タスクにどのツールが承認されているかを従業員が尋ねた際、より明確な回答を提供できる。

第二の層は情報の範囲だ。OMVの専門アシスタントは、規程、法的事例、技術レポートを含む、選定された社内資料群を利用する。この設計は一般に検索拡張生成、すなわちRAGと呼ばれる。検索された文書が回答の文脈を提供するためだ。

RAGは、企業業務により関連性の高い回答を実現し得る。ただし、モデルが根拠のない、または誤ったテキストを生成するハルシネーションをなくすわけではない。

検索の品質は、文書の鮮度、権限、インデックス、各リクエストの文言にも左右される。アシスタントは適切な文書を見落としたり、文章の一部を誤解を招く形で組み合わせたりする可能性がある。

第三の層はユーザーの行動である。従業員は、流暢な言語が検証済みの分析と同じではないことを知る必要がある。また、許容される入力と必要なレビューについて、タスク固有の指針も必要だ。

ここでOMVの研修プログラムは、管理システムの一部となる。ワークショップと発見セッションは、従業員にリクエストの組み立て方、裏付け資料の確認方法、専門家の判断を必要とするタスクの見分け方を教えられる。

このタイミングは欧州の規制とも一致する。EU AI Actの第4条は、AIシステムを運用または利用する従業員のAIリテラシーを、提供者と導入者が支援するよう求めている。

欧州委員会のAI literacy guidanceによると、この規定は2025年2月2日から適用されている。各国当局は2026年8月にルールの監督と執行を開始した。

この要件は、単一の普遍的な習熟度を義務付けるものではない。組織は、技術的知識、経験、教育、研修、そしてシステムが使用される文脈を考慮しなければならない。

共通の学習リソースと専門アプリケーションを組み合わせるOMVのアプローチは、このリスク感応的な考え方に合致する。コミュニケーションアシスタントとリグエンジニアリング向けコンパニオンに、同一の指導や監督が必要であるべきではない。

したがって信頼は、モデルが安全だという約束だけに依存するものではない。プラットフォームの成長に伴い、OMVがデータ境界、情報源コレクション、アクセス権、研修、人間の責任を整合させ続けられるかにかかっている。

個々のナレッジワーカーにも、同様の原則が当てはまる。有用なknowledge baseには、単なる会話型インターフェースではなく、明確な情報源の境界と検索の規律が必要だ。

OMVの数字が証明していないこと

利用の増加はOMVの導入に関する主張を裏付けるが、生産性、正確性、安全性、財務上のリターンをまだ検証するものではない。

同社はAI Hubを、プロジェクトの迅速な遂行、業務品質の向上、安全性の改善と結び付けている。これらは引き続き、独立した監査結果ではなく、同社が報告した結論である。

OMVは、Hubを利用する従業員と利用しない従業員の間で統制された比較を公表していない。ここで説明された個別アプリケーションについて、タスクごとの検証済み削減時間、エラー削減、インシデント傾向、投資対効果も開示していない。

この隔たりは、ツールに価値がないことを意味しない。むしろ、証拠が裏付ける結論はより限定的である。従業員はシステムをより頻繁に利用しており、OMVはアプリケーションのポートフォリオを拡大している。

特にプロンプト数は過大に解釈しやすい。プロンプトは有用な回答を生むこともあれば、失敗に終わる検索の起点になったり、以前の回答を修正したり、価値の低い下書き作業に使われたりすることもある。すべてのプロンプトを同等に扱えば、こうした違いは見えなくなる。

月間ユーザー数にも文脈が必要だ。報告された2,500人のユーザーは意味のある社内利用者層を示すが、同社の全従業員数と比べれば依然として大幅に少ない。この数値は社内アシスタントを対象としており、ほかのツールでは参加状況が異なる可能性がある。

研修参加についても同様の問題がある。ワークショップ参加者が1万人を超えることは組織的な到達範囲を示す。しかし、参加だけでは、従業員が指針を身に付けたか、あるいはAI生成物の検証方法を変えたかは分からない。

専門アプリケーションには、それぞれ固有の測定課題がある。規制アシスタントは、正しい現行ルールを取得できるか、文脈を保持できるか、追跡可能な情報源を示せるかで評価すべきだ。

法務ツールは、機密性、権威性、完全性、誤った引用の有無を評価する必要がある。コンテンツアシスタントには、事実の正確性、開示、社内方針との整合性に関するレビューが必要だ。

ノルウェーのAI Companionは、より大きな運用上のリスクを伴う。250万ページの技術文書を検索できれば時間を節約できるが、不完全な回答は誤った安心感を生む可能性もある。エンジニアには、権威ある文書へ戻る明確な経路が必要だ。

OMVは、Data, AI and Transformation部門の責任者であるLexander Brouwerの発言として、このシステムは複雑な文書を数秒で精査できるとしている。同社によれば、その速度により従業員は批判的思考に時間を充てられる。

しかし、速度と品質は相反する方向に動き得る。迅速な取得が価値を生むのは、返された情報が関連性を持ち、最新で、正しく解釈される場合に限られる。

セキュリティに関する主張にも同じ精度が求められる。やり取りをOMV管理下の環境に留めることは、管理されていない消費者向けツールへの情報露出を減らす。しかし、誤設定された権限、過剰なデータ保持、悪意ある文書、侵害されたアカウントに起因するリスクをなくすわけではない。

Azureを通じてOpenAIモデルを利用することも、依存関係を多層化する。OMVはアプリケーション環境とデータ統合を管理する一方、基盤モデルの挙動は依然として一部、外部テクノロジー提供者に依存している。

モデルの更新は、出力品質や拒否応答の挙動を変え得る。そのため専門アシスタントには、技術変更後も既知のタスクで許容可能な結果が得られるかを確認する回帰テストが必要となる。

ガバナンスは、ソース資料のライフサイクルも対象にしなければならない。規制は変わり、法務記録は蓄積し、技術レポートは新たな情報によって置き換えられることがある。古い文書を自信を持って取得するアシスタントは、実際以上に有用に見える可能性がある。

OMVの信頼性に関する主張を最も強固にするのは、導入状況をタスクレベルの証拠と結び付けることだ。これは、検索成功率、引用元の正確性、修正頻度、ユーザー継続率、検証済みの削減時間といった指標を公表することを意味する。

財務面での影響も重要だ。OMVは戦略的・財務的価値を持つプロジェクトを優先するとしているが、公開資料ではAI Hubのコストや収益を内訳として示していない。

そのため、中心的な緊張関係は未解決のままである。OMVは、実験から利用へ至る信頼できる道筋を構築したように見える。しかし、利用が一貫して信頼性の高い運用価値へ転化するかは、まだ示していない。

OMVの真の相手はパイロット文化

AI Hubは、企業AIは熱心なチームが主導する孤立した実験を通じて広がるべきだという考え方に挑戦している。

パイロット文化は、初期の露出を限定できるため安全に感じられる。部門はチャットボットを試し、いくつかのタスクを実演し、共有インフラや広範な研修へのコミットメントを避けられる。

しかし、各チームが同じ作業を繰り返すようになると、このアプローチは高コストになる。個別のパイロットは、異なるデータルール、セキュリティ審査、インターフェース、モデル提供者、評価手法を生み出しかねない。

OMVは、当初から再利用可能な構成要素を設計したとしている。同社は各アプリケーションを個別に調整しながら、翻訳、文書分析、情報検索、テキスト生成に共通サービスを適用できる。

この「構築より先に購入する」哲学は、OMVの年次報告にも表れている。同社は戦略的テクノロジーパートナーとして、Microsoft、SAP、Salesforce、SLBを挙げている。

中核サービスを購入すれば、導入を加速し、一部の技術保守を確立されたベンダーへ移管できる。対象を絞ったレイヤーを社内で構築すれば、企業固有のワークフローや知識を維持できる。

その代償は依存である。ベンダーのサービス、モデルへのアクセス、ライセンス条件、製品ロードマップは変わり得る。中央集約型プラットフォームは、その露出を多くの社内ツールにまたがって増幅する可能性がある。

共有Hubは集中リスクも生む。ID管理、検索、モデルへのアクセスに障害が起きれば、複数のワークフローが同時に影響を受ける可能性がある。中央集約はガバナンスを簡素化するが、レジリエンスと緊急時対応計画の重要性を高める。

代替案には別のリスクがある。断片化したツールは、データ移動や重複支出を見えにくくし、部門間での学びの共有を妨げる可能性がある。

OMVのモデルは、分散したユースケースと中央管理を選択している。事業チームが課題を持ち込み、共有のAI組織がインフラ、ガバナンス、再利用可能なコンポーネントを提供する。

この構造は、社内テクノロジーリーダーに、門番というよりプラットフォーム運営者として振る舞うよう求める。従業員が管理されていない代替手段を好まないほど、承認済みツールを有用にしなければならない。

研修の役割も変わる。一度きりの認知向上コースでは、変化を続けるポートフォリオを支えられない。従業員には、実際のツール、タスク、失敗パターンに結び付いた指針が必要だ。

エネルギー業界では、この課題が特に明確に現れる。OMVは産業プラント、現場環境、コーポレート機能、規制対象の活動にまたがって事業を展開している。これらの環境では、エラーと自動化に対する許容度が異なる。

誤ったマーケティング原稿は公開前に修正できる。不完全な技術回答は、より重大な意思決定に影響を及ぼしかねない。信頼に関する統制は、この違いを反映しなければならない。

Google Newsでの取り上げ方は従業員の信頼感を強調しているが、信頼感が無条件の依存になってはならない。より有用な目標は、ユーザーがツールの価値と限界の両方を理解する、適切に調整された信頼である。

適切に調整された信頼は、プロンプト数より測定が難しい。これは、引用を確認する、不確かな回答をエスカレーションする、不適切な判断にAIを使わないといった行動に表れる。

OMVは、こうした行動が導入とともに増えていることを示すことで、自社の主張を強化できる。そうでなければ、利用増加は責任ある統合を証明せず、単に利便性を反映している可能性がある。

同社のアプローチは、それでも有用な業界の教訓を提示している。企業AIは、モデルの能力と同じくらい組織設計によって拡張される。安全なアクセス、関連性の高い情報源、再利用可能なコンポーネント、継続的な教育は、一つのオペレーティングシステムとして機能しなければならない。

Google Newsでの注目後に見るべきこと

OMVのAI Hubが信頼できるインフラになりつつあるのか、それとも適切に管理された導入プログラムにとどまるのかを示すシグナルは3つある。

第1のシグナルは、タスクレベルのパフォーマンス報告である。OMVは、ユーザー数やプロンプト数を超え、個別アプリケーションにおける検証済みの成果へ進むべきだ。

Regulations Assistantについては、検索精度、情報源の鮮度、未解決の依頼、人間によるレビュー後の修正が有用な指標となる。文書分析については、定義されたタスクにおける受け入れられた出力と削減時間を報告できる。

持続的な品質を示す証拠があれば、再利用可能なツールが業務を改善するという同社の主張を強化できる。安定した品質指標を伴わないプロンプト増加は、その主張を弱めるだろう。

第2のシグナルは、オフィス勤務のナレッジワークを超えた導入である。OMVは、ハンドヘルド端末を使う現場労働者へアシスタントを拡張したいとしている。

この拡張は、インターフェース設計、接続性、言語サポート、安全統制を試すことになる。また、文書やデスクトップソフトウェアを中心としない業務に従事する従業員にもHubが役立つかを示すものとなる。

現場での導入成功には、明確な情報源へのアクセスとエスカレーション経路が含まれるべきだ。端末の利用可能性が単純に増えるだけでは不十分である。

第3のシグナルは、欧州での積極的な法執行の下におけるガバナンスである。AIリテラシーに関する義務はすでに発効しており、より広範な透明性・リスク要件が現在、企業導入のあり方を形作っている。

OMVは、そのガバナンスがEU AI Actに整合し、プライバシー、バイアス、説明可能性に対応しているとしている。次の証明は、文書化された統制、継続的な研修、アプリケーションがリスクに応じて異なる監督を受けている証拠から得られるだろう。

これらのシグナルは、アシスタントのリストがもう一つ増えることより重要だ。ユーザー数、ソースコレクション、モデル、規制上の期待がすべて変化する中で、OMVが信頼を維持できるかを示すからである。

同社はすでに重要なハードルを越えている。従業員が利用する意思を示している承認済みプラットフォームを構築し、アクセスに相当規模の研修を組み合わせた。

残るハードルはさらに難しい。OMVは、頻繁な利用が、非常に異なる環境において正確で、追跡可能で、価値のある業務を生み出すことを示さなければならない。

読者がGoogle Newsの見出しの先へ持ち帰るべき問いは、これである。組織で職場のAIを拡大しているなら、導入ダッシュボードの背後にどのような証拠があるかを問うべきだ。ユーザー数を数えるだけでなく、修正、情報源の品質、人間によるレビュー、測定可能なタスク成果も追跡する。従業員が、なぜ回答に信頼を置く価値があるのかを理解でき、限界がどこから始まるかを知り、組織が成功と同じ慎重さで失敗を報告するとき、信頼は育つ。