PartsSource、AI戦略の責任者にNick Marzottoを任命
PartsSourceは、Epicで15年間勤務したNick MarzottoをAIおよびデータ部門の責任者に任命した。このGoogle News掲載記事は、単なる経営幹部の採用を超えた意味を持つ。同社は病院全体の機器ニーズを予測しようとしているが、その予測は、多数のベンダー、システム、診療拠点にまたがる断片化した記録に依存する。
Marzottoは2026年9月1日付で、PartsSourceのAIおよびデータ担当バイスプレジデントに就任した。同氏は同社の臨床技術プラットフォーム全体で、人工知能、機械学習、データサイエンス、ワークフロー自動化を主導する。PartsSourceによると、このプラットフォームは5,000超の病院と15,000の臨床拠点に利用されている。
この構想は、かつて電子カルテが主導した医療変革に似ている。EpicなどのEHRベンダーは、以前は別々の部門に存在していた臨床情報をつないだ。PartsSourceは現在、医療機器、保守、部品、サプライヤー、サービス業務に向けた同等のインテリジェンスレイヤーを構築しようとしている。
この比較こそが、中心的なリスクでもある。患者記録は、長年にわたる標準化、導入作業、ガバナンス、規制上の圧力を通じて価値を高めてきた。一方、病院の資産データは、保守システム、ベンダーポータル、サービス履歴、購買ツール、各拠点のスプレッドシートに分散したままだ。経験豊富な幹部の採用は方向性を示すが、その断片化を解消するものではない。
PartsSourceの人事が実際に変えるもの
PartsSourceは、AI戦略を一般的な製品上の構想から、特定の幹部に託された責務へと移行させた。
同社のAIリーダーシップに関する発表によると、Marzottoは製品・技術組織を横断して活動する。同氏の管轄はAI、機械学習、データサイエンス、インテリジェントなワークフロー自動化に及ぶ。
この広がりは重要だ。限定的な任命であれば、対話型アシスタントの追加や保守概要の生成に焦点を当てるかもしれない。しかしMarzottoの役割は、洞察が実際の行動につながるかを左右するデータ基盤、分析モデル、製品インターフェース、業務ワークフローにまたがる。
PartsSourceは自らを臨床技術向けのパフォーマンスプラットフォームと位置付けている。そのネットワークは、病院チームを部品、サービス、サプライヤー情報、資産記録、エビデンスに基づく意思決定支援と結び付ける。同社は、400万点を超える製品・サービスのカタログと、5,000人を超えるサービス技術者のネットワークを有すると報告している。
これらの数値は同社公表値であり、AI導入準備度を独立して測定したものではない。それでも、PartsSourceのAI戦略に可能性がある理由を示している。多くの機器カテゴリーとサービスイベントを扱うプラットフォームは、1つの病院では決して観測できないパターンを捉えられる可能性がある。
ある拠点での部品故障は、限られた証拠しか提供しない。同等のデバイス、病院、気候、使用水準、サービス履歴にまたがる類似の故障は、より有用なシグナルになり得る。基礎となるデータで互換性のある定義が使われているなら、機械学習はそれらの記録から繰り返し現れる関係を探せる。
Marzottoは、大規模な医療ソフトウェア組織内でAI導入を調整した経験を持つ。PartsSourceによると、同氏は2020年からEpicで臨床アプリケーションおよび人工知能担当バイスプレジデントを務めた。また、共有の生成AIアプローチのもとで50超の製品チームを連携させたという。
同社は、同氏が主導したEpicの取り組みにより、500の医療システムで導入が32倍に増加したとしている。この主張について、発表内には独立して公表された方法論が示されていない。ただし、PartsSourceが同氏を採用した目的、すなわちモデル開発を監督するだけでなく、多数の製品と顧客にまたがるAI展開を組織化することは明確になる。
だからこそ、この人事はGoogle Newsの見出しが示す以上に注目に値する。PartsSourceは、データ品質、モデルの挙動、ガバナンス、業務導入のつながりについて、1人の幹部に責任を委ねている。
直近の変化は組織的なものだ。最終的な試金石は、測定可能な製品パフォーマンスとなる。病院側には、新たなインテリジェンスレイヤーが安全でない推奨を生むことなく、遅延を減らし、機器の可用性を高め、反復作業を取り除くという証拠が必要になる。
病院の機器データが戦略的資産となる理由
機会はより優れたチャットボットではなく、あらゆる臨床資産を信頼できる形で把握する運用像にある。
Healthcare technology management（しばしばHTMと略される）は、医療機器を安全かつ利用可能な状態に保ち、適切に保守するための人員とプロセスを指す。これには予防保全、修理、リコール、更新計画、部品調達、サイバーセキュリティ、サービス契約管理が含まれる。
病院の機器情報が、1つの整ったデータベースから始まることはほとんどない。輸液ポンプは、コンピューター化保守管理システム、購買記録、メーカーのポータル、技術者の作業指示書にそれぞれ記載されている可能性がある。各ソースで、同じ機器が異なる識別方法で扱われることもある。
こうした不整合は、有用な分析を妨げる。ECRIは、機器名や分類のばらつきが、保守計画、リコール対応、サイバーセキュリティ対応、更新判断を阻害し得ると指摘している。機器データ品質に関する同組織の議論は、正規化が単なる事務的な整理ではなく、業務上の要件であることを示している。
PartsSourceは、資産、ベンダー、サービス組織、医療システムのワークフローにまたがる記録を接続しようとしている。この接続が機能すれば、病院は最新の作業指示書だけに頼らず、修理を評価できるようになる。
意思決定エンジンは、機器の使用年数、過去の故障、部品の入手可能性、技術者の対応可否、保証状況、サービス契約条件、臨床需要、類似機器での性能を考慮できるかもしれない。その出力は、資産を修理、交換、移設、監視のいずれにすべきか、チームが判断する助けになる可能性がある。
予知保全は、有力な用途の1つだ。この用語は、故障が業務を中断する前に機器の保守が必要になる時期を推定するため、状態データと履歴データを使うことを意味する。医療分野では、予測は有資格の専門家の判断を迂回するのではなく、それを支援しなければならない。
AI支援保守に関する研究は、完成した手引きではなく、発展途上の分野を描いている。最近の予知保全に関する研究では、医療分野での導入は依然として断片的であり、センサー、インフラ、意思決定システム、人による監督との統合が必要だとされた。
PartsSourceはすでに、こうした入力のいくつかが交わる場所で事業を展開している。同社のマーケットプレイスとサービス関係は、部品の入手可能性、サプライヤーのパフォーマンス、修理活動に関する情報を提供できる。病院との統合は、ローカルの資産およびワークフローの文脈を追加できる。
この組み合わせは、もっともらしいデータ優位性を生み出す。しかし、それだけで正確な予測が生まれるわけではない。同社は、どの記録が実際の機器状態を表し、どの記録が一貫性のない文書化や各拠点の慣行を反映しているにすぎないかを見極める必要がある。
同じ画像診断システムで繰り返し故障を記録している2つの病院を考えてみよう。一方は技術者が訪問するたびに別の作業指示書を作成するかもしれない。もう一方は、長期にわたる修理の間、1つのチケットを開いたままにするかもしれない。モデルは、文書化の習慣を機器の信頼性の違いと誤認する可能性がある。
同じ問題は欠損データにも影響する。事故記録のない資産は、非常に信頼性が高いのか、追跡が不十分なのか、接続されていないシステムで保守されているのかもしれない。AIは、それを裏付ける文脈なしにこれらの説明を区別できない。
このため、データリネージは不可欠になる。データリネージは、情報の出所、変更の経緯、出力を形作ったルールを記録する。病院チームは、高価で臨床的に重要な機器に関する推奨を信頼する前に、その追跡可能性を必要とする。
したがって、戦略的な賞品は汎用モデルではなく、信頼できる資産グラフである。そのようなグラフは、機器の識別情報、設置場所、保守イベント、サプライヤー、部品、技術者、リスク、結果を結び付ける。また、ユーザーが重要な推奨を検証できるだけの文脈も保持する。
類似の社内システムを構築する組織は、同じ知識上の課題に直面する。文書、意思決定、業務シグナルは、検索可能で相互に接続された状態を維持して初めて有用になる。適切に設計されたナレッジマネジメントガイドはこの基本原理を説明しているが、病院の資産ガバナンスにははるかに厳格な統制が求められる。
PartsSourceの機会は、買い手、サービス提供者、メーカー、機器記録の間に位置することから生まれる。その難しさも、同じ立場に由来する。ソースが1つ増えるごとに、利用可能なインテリジェンスと正規化の負担の両方が拡大する。
真の競争相手は断片化したワークフロー
主な競争は、接続された意思決定支援と、病院が現在利用している継ぎはぎのプロセスとの間にある。
Marzottoが一方の企業からもう一方へ移ったため、PartsSourceをEpicとの対決として描くのは容易だろう。しかし、それでは発表の意味を読み違える。Epicは臨床情報と患者情報を事業の中心に据える一方、PartsSourceは医療提供を支える機器とサービスに焦点を当てている。
PartsSourceの主な競争相手は、別の特定のソフトウェア企業ではない。現在の機器に関する意思決定を形作る、接続されていないシステム、ベンダー固有のデータ、手作業での照合、組織内の知識の組み合わせである。
こうしたワークフローが続くのには、理解できる理由がある。医療機器は、多数のメーカーや世代にまたがる。病院は施設を取得し、契約を引き継ぎ、保守プラットフォームを変更し、機器を長期間保持する。統一されたデータモデルは、その履歴を受け入れなければならない。
臨床工学チームもまた、プレッシャーの下で働いている。Association for the Advancement of Medical Instrumentationは、2025年の人材レポートに向けて、北米のHTM専門職約1,000人を調査した。回答者は、採用上の不足、退職、離職、デバイスの複雑化、サイバーセキュリティ業務の拡大を挙げた。
そのHTM人材に関する調査結果は、PartsSourceの人事に実務的な文脈を与える。病院に必要なのは分析上の新奇さだけではない。より広い責任を担うチームの、回避可能な作業を減らすツールが必要だ。
ここで、Nick MarzottoのAI経験が意味を持つ。50を超える製品チームで生成AIを調整するには、共通の技術パターン、評価手法、ガバナンスルール、導入支援が必要となる。PartsSourceも、自社プラットフォーム全体に同様の規律を確立しなければならない。
最初に役立つ用途は、自律的な資産管理ほど劇的なものではないかもしれない。AIは、一貫性のない作業指示書の記述を分類し、部品と機器記録を照合し、修理履歴を要約し、欠落した項目を特定し、人による確認が必要な記録に優先順位を付けられる可能性がある。
これらの作業には価値ある特性がある。ユーザーが結果を検証できることだ。技術者は誤った分類を却下できる。管理者は提案された照合を確認できる。こうした修正は、システムがより重大な予測を支援する前に、繰り返し発生するデータ問題を明らかにすることにもつながる。
より成熟したPartsSourceの医療AIレイヤーであれば、介入の選択肢を優先順位付けできる可能性がある。故障履歴、部品の希少性、臨床需要を踏まえ、より早期の交換が妥当な機器を示すこともできるかもしれない。同種の契約と比べて成果が低いサービス契約を特定することも可能だろう。
それでも、システムは説明のない指示ではなく、根拠を提示すべきだ。病院チームは、どの記録が推奨に影響したのか、その記録はどれほど新しいのか、比較対象となる機器が実際に同じ運用条件を共有しているのかを知る必要がある。
分断されたワークフローには、もう一つの擁護者がいる。現場の専門知識だ。経験豊富な生物医学機器技術者は、公式説明とは異なる挙動を示す機器を把握していることが多い。繰り返されるサプライヤーの問題、建物上の制約、臨床現場の好み、一時的な回避策を認識している。
この知識を無視するAIプラットフォームは、技術的には整っていても運用面で脆弱な推奨を生み出す。一方で、専門家のフィードバックを取り込むプラットフォームは、現場の修正を再利用可能な組織知へと変えられる。
ここには繊細な導入上の問題がある。価値を提供する前に広範な手作業によるクリーンアップを求める製品なら、過重な負担を抱えるチームは受け入れないかもしれない。自動化を急ぎすぎれば、初期の誤りが信頼を損なう恐れがある。
最も有力な実装の道筋は、範囲を限定した判断と可視化された根拠から始めることだ。PartsSourceはまず反復的な照合作業を対象にし、精度を測定し、ユーザーが基盤を検証してから拡大すべきである。このアプローチは、大胆なマーケティング上の主張よりもワークフロー統合を優先する。
Google Newsでの露出は、この役員人事への注目を集めるかもしれない。病院での導入を左右するのは、より静かな証拠だ。手作業の引き継ぎの削減、より明確なサービス履歴、迅速な調達、そして経験豊富なチームが信頼できると考える推奨である。
Nick MarzottoのAI任務はガバナンスの試金石だ
医療AIが成功するのは、自動化の後ではなく、それに伴って説明責任が強化されるときだ。
PartsSourceによると、Marzottoは以前、Epicの顧客がAIを監視し責任を持って利用するためのガバナンス基盤を整備する支援を行っていた。この責務は、彼の生成AI導入に関する実績数値以上に重要かもしれない。
ガバナンスは、誰がユースケースを承認するのか、システムがどのデータにアクセスできるのか、性能をどのように検証するのか、人間がいつ介入しなければならないのかを定める。また、モデルが誤った、あるいは有害な推奨を出した場合に何が起きるべきかも規定する。
PartsSourceのAI戦略は、複数のリスク領域にまたがる。資産データには、機微な運用上の詳細が含まれる可能性がある。サービス履歴には技術者のメモや施設情報が含まれ得る。接続機器の記録は、セキュリティ脆弱性や保護対象の臨床ワークフローと交差する可能性がある。
FDAは、医療機器のサイバーセキュリティを、製造業者、病院、医療提供者、研究者、政府機関が関与するライフサイクル全体の共同責任として扱っている。同庁のサイバーセキュリティ指針は、脅威モデリング、文書化、監視、市販後リスク管理を重視している。
PartsSourceは今回の発表で、AI医療機器を発表しているわけではない。それでも同社の運用プラットフォームは、患者ケアに影響し得る機器に関わる。不適切な調達提案は誤診とは異なるが、必要な機器が利用できないままなら、いずれも重要になり得る。
リスクはユースケースごとにも異なる。完了済みの作業指示を要約することと、機器が安全に稼働を継続できると予測することでは、影響が異なる。PartsSourceは両者に同一の承認基準を適用すべきではない。
実務的なガバナンスモデルでは、AI機能を影響度別に分類する。低リスクの支援は、自動テストと定期的なサンプリングで対応できるかもしれない。保守の優先順位、資産の可用性、サイバーセキュリティ、交換判断に影響する推奨には、より強い検証と人間による承認が必要となる。
同社はモデルドリフトにも対応しなければならない。ドリフトとは、入力データや現実世界の条件が変化し、モデル性能が低下する現象である。新しい機器モデル、サプライヤー、文書化のパターン、サービス方針はいずれも、過去の記録から学習した関係性を変え得る。
したがって、監視は導入後も継続すべきである。チームには、機器タイプ、病院の環境、データソース、推奨カテゴリごとに分けた性能指標が必要だ。全体として許容できるスコアでも、小規模ながら重要な資産グループでは不十分な結果を隠している可能性がある。
ECRIの医療AIに関する資料も、別の警告を示している。同組織は、AIチャットボットの誤用を2026年における最大の医療技術ハザードに位置付け、AI安全性リソースでプライバシー、バイアス、ガバナンス、監視、教育を重視している。
チャットボットは、PartsSourceの発表における中心的な約束ではない。それでも、この警告は当てはまる。自然言語インターフェースは、不確かな出力を権威あるもののように聞かせる可能性があるからだ。流暢さは根拠ではない。
PartsSourceが会話型アクセスを追加するなら、インターフェースは情報源、日付、信頼性の限界、未解決の矛盾を示すべきである。検証済みの資産記録と、生成された要約や確率的な提案を区別すべきだ。
データ権利も別の論点となる。病院は、自らの記録が共有モデルの学習に使われるのか、分離されたままなのか、集計済みベンチマークへの寄与に限られるのかを明確にしたいだろう。サプライヤーも、比較パフォーマンス情報がどのように算出・表示されるかを精査する可能性がある。
これらの疑問は、AI活用への反対ではない。信頼できる導入の条件である。Marzottoの任務が意味を持つのは、PartsSourceが製品機能と並行して明確な統制を公表するときだ。
同社の発表は、チームを事後対応から予見へと移行させるという幅広い主張をしている。この成果は独立して検証されていない。この人事は、必要なシステムを構築するというコミットメントとして読むべきであり、そのシステムがすでに存在する証拠ではない。
Google Newsの読者がまだ想定すべきではないこと
役員採用は意図を示すが、機器の稼働率向上や運用負担低減を示す独立した証拠にはならない。
この発表は、規模に関する数値、MarzottoのEpic在籍時の導入実績に関する主張、そして接続されたインテリジェンスのビジョンを提示している。しかし、新製品のリリース、顧客導入のスケジュール、外部検証調査、新戦略に結び付いた測定済みの病院成果は示していない。
この区別は重要だ。AIに関する発表は、既存の分析機能、将来の開発、幅広い企業方針を組み合わせることが多い。読者は、PartsSourceが現在運用しているものと、拡大したAIプログラムが提供を計画しているものを分けて考えるべきである。
現在の基盤には、大規模なマーケットプレイス、サービス関係、ワークフローソフトウェア、ベンチマークデータが含まれる。将来の約束は、接続された情報を使って機器ニーズを予測し、行動を推奨することにある。
PartsSource自身の医療技術レポートは、幅広い予算編成や評判に基づくベンダー選定から、モダリティ別の計画と検証可能な性能基準への移行を提唱している。この方向性は同社の主張を支えるが、あくまで同社が作成した証拠である。
独立した検証では、より難しい問いに答える必要がある。推奨は既存の慣行と比べ、計画外のダウンタイムを減らすのか。異なる病院でも精度を維持できるのか。技術者はどの程度の頻度で推奨を上書きするのか。データが不完全な場合はどうなるのか。
答えを得るには、慎重に設計された評価が必要だ。単純な導入前後の比較では、モデルの効果と、人員配置の変更、新しいサービス契約、機器の交換、文書化の改善を混同する可能性がある。
病院は偽陽性と偽陰性も検討すべきである。偽陽性は不要な点検や交換を引き起こす可能性がある。偽陰性は、進行中の故障兆候を見逃す可能性がある。許容されるバランスは、資産の重要度と利用可能な代替能力に左右される。
PartsSourceの医療AIの取り組みでは、データカバレッジの不均衡を考慮しなければならない。大規模な医療システムは、多くの拠点にわたる詳細な履歴を提供できるかもしれない。小規模な施設では、記録が少ないか、一貫性に欠ける可能性がある。前者で学習したモデルが、後者でも同等に機能するとは限らない。
サプライヤー比較には関連する懸念もある。複雑な機器や遠隔地を扱うベンダーは、大都市近郊で定型的な業務を扱うベンダーより遅く見える可能性がある。ランキングには、案件の複雑性、地理的条件、可用性、報告品質に応じた調整が必要だ。
生成AIはさらに不確実性を加える。ユーザーが複雑な記録を日常的な言葉で照会する助けにはなるが、裏付けのない記述を生み出すこともある。検索、引用、権限制御、決定論的なチェックによって、生成される回答を制約すべきである。
これらの問題は、戦略が非現実的だということを意味しない。人事発表と信頼できる運用価値の間で必要となる作業を定義している。
EpicでのMarzottoの実績は、多数のチームや医療システムにまたがる導入を進めた経験を示唆する。しかし、PartsSourceが直面するデータ環境は異なる。EHR情報は、相互運用性が依然として不完全であっても、高度に標準化されている。機器とサービスのデータは、ベンダーや施設間で一貫性が低い可能性がある。
したがって同社は、自らの成果を示さなければならない。Epicから借りた信頼性は会話の扉を開くことはできても、PartsSource固有の証拠の代わりにはならない。
これがGoogle Newsの記事の背後にある中心的な逆転である。同社は病院の機器管理をより予測的にするため、AIリーダーを採用した。予測が信頼を得る前に、PartsSourceは識別、正規化、ガバナンス、検証という、目立ちにくい作業を進めなければならない。
戦略が機能しているかを示す三つのシグナル
次に必要な証拠は、順に製品の挙動、顧客の成果、ガバナンス開示から得られるべきだ。
第一のシグナルは、明確に定義された製品リリースである。PartsSourceは、AIが支援するワークフローを特定し、改善する判断を説明し、その周囲に組み込まれる人間によるレビューを記述すべきだ。
あらゆるワークフローにまたがる広範なアシスタントよりも、焦点を絞ったリリースの方が戦略を強化する。部品マッチング、サービス履歴の正規化、保守の優先順位付けはいずれも検証可能な出発点となる。境界が定義されない曖昧なAIレイヤーは、発表が持つ運用上の意味を弱めるだろう。
読者は入力と出力の詳細に注目すべきである。同社は独自モデルを公開する必要はない。どのデータカテゴリが推奨に反映されるのか、ユーザーが行動前に何を確認できるのかを説明すべきだ。
第二のシグナルは、顧客レベルの証拠である。信頼できるケーススタディは、基準となるプロセス、評価期間、導入範囲、関連する運用上の成果を特定すべきだ。
測定候補には、機器の可用性、作業指示の完了時間、再修理率、調達遅延、技術者による上書き、記録照合に費やす時間が含まれる。病院の機器構成と人員モデルは性能に大きく影響し得るため、各指標には文脈が必要である。
独立した評価があれば、さらに強固になる。医療システム、専門団体、研究パートナーは、AI支援ワークフローを既存の慣行と比較できる。評価では、好ましい結果だけでなく、限界や成功しなかった事例も報告すべきだ。
第三のシグナルは、公開されたガバナンスフレームワークである。PartsSourceは、データ権限、モデル監視、監査証跡、顧客による統制、異議のある推奨に対するエスカレーション経路を明確にすべきだ。
ガバナンスの開示は、Nick MarzottoのAI任務が機能開発を超えるものかどうかを示す。また、病院のセキュリティ、法務、臨床工学、サプライチェーン、ITの各チームが、プラットフォームを共通して評価する助けにもなる。
これらのシグナルは異なるタイムラインで現れる。製品仕様は早期に示せる。信頼できる成果データには継続的な利用が必要だ。より影響の大きい自動化が顧客に届く前に、ガバナンス方針は整備されているべきである。
競合各社の反応にも注目する必要があるが、それらはあくまで補足的な証拠にとどまる。機器メーカー、独立系サービス組織、保守ソフトウェアベンダー、医療システムのテクノロジーチームはいずれも、同じデータパズルの一部を握っている。
これらのグループが連携を拡大したり、同等の予測型製品を投入したりすれば、PartsSourceはネットワークの広さがより良い意思決定につながることを示すよう求められる。反対に、データアクセスが制限されれば、同社の統合に関する課題はより難しくなる。
今回の人事は、PartsSourceにとって次の段階を率いる認知度の高いリーダーを迎えるものでもある。同時に顧客にとっては、成果への責任を問うべき人物と組織が明確になる。
開発者にとっての教訓は、医療AIのインフラには、アイデンティティ解決、権限管理、監視、フィードバックループが含まれるということだ。モデル選定は、システムを構成する一要素にすぎない。
エンタープライズの買い手にとって優先すべきは、範囲を限定したワークフローに結び付く証拠である。どの意思決定が変わるのか、どの記録がそれを支えるのか、誰が承認するのか、導入後にパフォーマンスをどう測定するのかを確認すべきだ。
ナレッジワーカーにとって、より広い文脈で見れば、このパターンは馴染み深い。分散した情報をつなぐことで、繰り返しの検索を減らし、チームが文脈を維持しやすくなる。ただし医療業務では、利便性は常に追跡可能性と安全性に従属しなければならない。
Google News全体で報じられたPartsSourceの人事は、この評価の始まりであって結論ではない。明確に定義された製品、透明性のある顧客測定、そして一つのガバナンス枠組みに注目したい。これらのシグナルがそろえば、PartsSourceが信頼できる業務インテリジェンスを構築しているのか、それとも既存プラットフォームにAIという言葉を付け加えているだけなのかが分かるだろう。
