2019年、ケニア出身のムテンベイ・カリウキ氏は、東京大学で開かれたAIの未来をテーマとする会議に参加していました。登壇者たちはAIが世界を変えると盛んに語っていましたが、アフリカの利用者や市場はほとんど話題に上りませんでした。この経験からカリウキ氏が考え始めたのは、先進国で成立したAIをどう輸出するかではなく、ケニアの生活環境で実際に使えるAIはどのようなものか、という問いでした。



当時のケニアには、AIの普及を妨げる条件がいくつもありました。インターネット接続は遅く、利用環境には地域や所得による差があります。モデルの学習に必要な計算資源や、品質のそろった構造化データも限られていました。利用者の多くがインターネットへの入口として使っていたのは、パソコンや高性能スマートフォンではなく、メモリー容量の小さい旧型の携帯電話です。常時接続やクラウド処理を当然とするサービス設計では、利用できる人が限られてしまいます。

カリウキ氏はジュード・ムウェンダ氏、ステファニー・ニェレンガ氏とFastaggerを共同創業し、低消費電力の携帯電話でオフライン動作するAIモデルの開発に取り組みました。同社の特徴は、既存サービスから機能を削って低価格端末へ移すのではなく、端末性能、通信事情、事業者が保有するデータ、日々の仕事の流れを出発点にしていることです。AI導入の成否をモデルの規模だけで測らず、利用者の手元でどこまで処理を完結できるかを重視する姿勢が、同社の製品設計を貫いています。

Fastaggerが2024年に提供を開始したAuniは、中小事業者向けのビジネスインテリジェンス支援ツールです。ケニア最大のモバイルマネーサービスであるM-Pesaの事業者向けアプリに組み込まれたことで利用が広がり、約6,000事業者が登録しました。モバイルマネーとは、携帯電話を通じて送金や支払いを行う仕組みです。ケニアでは成人の80％以上が利用しており、日々の取引履歴が小規模事業者にとって貴重なデータ源になります。



Auniは、理髪店、飲食店、小規模メーカーなどの取引データを分析し、売上の傾向や顧客との関係を把握できるようにします。ナイロビで美容室兼理髪店を経営するピーター・チェゲ氏は、導入前には売上を紙に記録していました。記録そのものは残っていても、グラフに変換して繁忙時間やリピーターを見つけるところまでは手が回りませんでした。Auniを使うことで、忙しい曜日と時間帯、継続的に来店している顧客を確認できるようになっています。

価値が生まれるのは、きれいなグラフを表示した時点ではありません。常連客の来店が途絶えた場合には、その人に合わせた再来店の案内を送れます。売上記録が「過去に何が起きたか」を保存するだけの帳簿から、「明日どの顧客に働きかけるか」を決める材料へ変わるわけです。企業向けAIで見落とされやすいのは、この分析と行動の距離でしょう。Auniは高度な予測を前面に出すのではなく、事業者がすでに持っている取引履歴を、時間配分や顧客維持といった身近な判断へ結び付けています。

Auniの開発に先立ち、Fastaggerが向き合ったのは学習・分析に使えるデータの不足でした。同社はモバイルマネーアプリが出力する取引明細に着目し、オープンソースの光学文字認識、いわゆるOCRモデルを調整しました。一般的なOCRでは、低品質なPDF、見慣れない書式、押印、記載上の誤りが混在する明細を安定して読み取れなかったためです。文字を抽出するだけでなく、どの数字が日付、金額、取引相手などに対応するのかを整理する必要もありました。



実際の処理には、AIと従来型ソフトウェアが併用されています。標準的なOCRソフトウェアが文字を抽出し、小型のニューラルネットワークが文書の構造を識別します。その結果を表へ整理する主要工程や、売上明細の読み取り、基本的な分析、可視化の一部は、低価格端末の内部で実行できます。クラウドへの問い合わせを必要としないため、通信が不安定な場所でも最低限の機能を維持しやすい構成です。

すべてをオフラインで処理しているわけではありません。より詳細な分析や、利用者がデータについて質問して回答を得る機能にはインターネット接続が必要です。ここで採られているのは、端末処理かクラウド処理かを一律に選ぶ方式ではなく、作業ごとに実行場所を分ける設計です。頻繁に使う定型処理は端末へ置き、計算負荷や柔軟性が必要な処理だけをオンラインへ回します。B2Bシステムとして見ると、通信断の最中にも業務を止めない部分と、接続時に能力を拡張する部分を切り分けた点が要所です。

取引明細を処理できるようになっても、それだけでは小規模事業者に役立つ製品になりません。Fastaggerの創業者たちは、店主が働き、顧客と接する様子を丸一日かけて観察しました。そこで見えてきたのは、経営者が分析に関心を持っていないのではなく、日々の営業から離れて考える時間を確保しにくいという事情です。理髪店の経営者自身が一日中立ったまま髪を切っているなら、複雑な管理画面を長時間操作する前提は現実に合いません。



チェゲ氏にとって効果が大きかったのは、時間の使い方を変えられたことでした。Auniの簡潔なグラフから午前中の来店が少ないと分かり、その時間に用事を済ませたり、客足が増える午後1時ごろまでは出勤する理髪師を減らしたりできるようになりました。分析結果が抽象的な指標ではなく、当日の人員配置と店主の行動へ直結しています。

ナイロビの魚料理店では、常連客へ割引を提供するために、SMSで届く販売レシートを一件ずつ確認していました。手作業の負担が大きく、顧客維持の施策を継続するのは困難でしたが、Auniによって上位顧客を自動的に特定し、割引を案内できるようになっています。ここから得られる設計上の示唆は、機能を増やす前に、利用者が諦めている手作業を見つけることです。分析精度だけでなく、閲覧に必要な時間や、結果を実行へ移す手間まで含めて利用体験を組み立てなければ、現場で使い続けられる道具にはなりにくいでしょう。

FastaggerはAuni以外にも、ケニアの警備会社向けに人員管理ツールを開発しています。警備員は通信の安定しない遠隔地で働き、低価格の携帯電話を使う場合があります。このツールのAIエージェントはSMSを通じて警備員と連絡し、巡回経路を追跡して異常を検知します。運用チームには、状況を確認して対応へ移せるアラートが生成されます。専用アプリや高性能端末を前提にせず、現場ですでに利用できる通信手段をインターフェースにした事例です。



同様の発想はケニアだけに限られません。通信環境のないチリの地方学校向けアプリ、インドの地方患者を対象とした医療トリアージ用チャットボット、基本的な携帯電話で動くアフリカ諸語の翻訳モデルなど、各地域の条件に合わせた取り組みが進んでいます。用途や技術は異なりますが、利用者に新しい端末や安定した回線を要求するのではなく、既存の環境へAIを合わせる点は共通しています。

コロンビア大学で開発途上地域におけるAIの影響を研究する経済学者、ダニエル・ビョルケグレン氏は、サブサハラ・アフリカで基本的な携帯電話が広く使われている状況から、パソコン上の開発支援AIとは異なる利用形態が生まれる可能性を指摘しています。誰もがノートパソコンで高度なAIエージェントを操作する未来を想定するのではなく、SMS、音声、取引画面、オフライン処理など、仕事や生活に溶け込む接点を考える必要があります。AIへのアクセスを広げる鍵は、モデルを提供することだけでなく、その地域で無理なく使える入口を用意することにもあります。

Auniの事例は、日本企業が現場向けAIを導入する際にも参考になります。国内では通信や端末の条件がケニアと同じではありませんが、すべての職場が最新端末、常時接続、整ったデータを備えているわけではありません。店舗、工場、移動を伴う業務などでは、担当者が画面操作に割ける時間や、利用できる入力方法に制約が生じます。こうした条件を導入後の例外として扱わず、最初から製品要件へ組み込むことが重要です。



検討の起点に置くべきなのは、導入したいモデルではなく、現場に残っているデータと未完了の作業です。紙の売上記録、PDF明細、定型メッセージなどの断片的な情報でも、対象業務を限定すれば判断材料へ変換できる可能性があります。Auniも、最初から万能な経営支援を目指したのではなく、モバイルマネーの取引履歴を読み取り、繁忙時間や常連客を把握する流れを形にしました。利用可能なデータと、実行したい一つの行動を結び付ける考え方です。

システム構成では、オフラインで必ず残す機能と、オンライン時に拡張する機能を分けて考えられます。データの読み取りや定型的な集計を端末側へ置き、複雑な質問への回答だけをクラウドへ送る設計なら、接続状況による業務停止を抑えやすくなります。ただし、端末性能、更新方法、データ管理などの条件によって適切な分担は変わるため、一律の正解はありません。現場観察、小さな対象業務での検証、利用状況の確認を繰り返し、「使えるAI」の境界を具体的に決める必要があるでしょう。

FastaggerはM-Pesaとの連携や約6,000事業者の登録を実現したものの、現在も創業者3人で運営する小規模なスタートアップです。Google、Microsoft、NVIDIAのアクセラレータープログラムから支援を受けながら、Auniが提案するだけでなく、事業者に代わってマーケティング施策を実行するエージェント機能の追加を進めています。分析から行動へ進むほど利便性は高まりますが、自動実行の範囲や確認手順を業務に合わせて設計する必要も出てきます。



地域の制約から生まれたAIは、これまで十分なサービスを受けられなかった人々へ利用機会を広げます。ただし、制約に適応することと、制約を固定化することは同じではありません。ビョルケグレン氏は、新興国には小型モデル、豊かな地域には大型で高性能なモデルという明確な二分化が起きるリスクを懸念しています。低価格端末で動くことを理由に、利用者が高度な機能へ到達する道まで閉ざされれば、AI能力の格差が別の形で残りかねません。

企業が目指すべきなのは、単一のモデルを全利用者へ押し付けることでも、環境ごとに能力の上限を決めることでもないでしょう。端末上の小型モデルで日常業務を支え、必要な場面では接続可能なクラウド機能へ移れるなど、複数の選択肢を用意する発想が求められます。AI導入を検討する企業は、最初の一歩として「通信がなくても完了させるべき作業」と「接続時だけ使えればよい高度な処理」を現場担当者と切り分けるとよいでしょう。その境界が見えれば、モデル選定より先に、利用者が取り残されないサービス構成を描けます。