Uberはマーケットプレイスの両側でAIが摩擦を減らすことを目指す
Uberの最新のAI推進は、話題づくりのためにチャットボットを追加することが目的ではなく、世界でも最も複雑な消費者向けマーケットプレイスの一つを簡素化することに重点がある。 同社はOpenAIのモデルを使って、ドライバーがより良い収益判断を下せるよう支援し、15,000都市にまたがるサービスで乗客がより দ্রুতに予約を進められるよう会話型アシスタントと音声機能を提供しているという。
この課題の大きさが、なぜUberが大規模言語モデルを新たに有用だと見ているのかを示している。 同社によると、同社のプラットフォームは1日あたり4,000万回の配車を処理し、70カ国以上の15,000都市で1,000万人のドライバーと配達員をつないでいる。 それぞれの都市には異なる交通パターン、天候、空港の動き、地域規制、需要の振る舞いがある。 Uberは長年この環境で機械学習を使ってきたが、現在の主張は、最先端の言語モデルが広範な運用シグナルを、人が実際に使える会話型ガイダンスへと変換できるというものだ。
これは微妙だが重要な転換だ。 従来の機械学習は、裏側でマッチングや予測を最適化できる。 生成AIは、そうした知見を平易な言葉や音声で人に直接示し、複雑な運用システムをリアルタイムでより理解しやすくすることを目指す。
ドライバー向けが最も明確なユースケース
Uberが最も詳しく示している例は、Uber Assistantだ。これは、ドライバーの登録、初回乗車、日々の収益判断を支援するために設計されたAI搭載ツールである。 同社によると、ドライバーは生のダッシュボードだけでは答えにくい実務的な疑問に日常的に直面する。 どこに待機すべきか、空港まで行く価値があるのか、昼食時に配車からデリバリーへ切り替えるべきか、あるいは特定の日の収益がなぜいつもと違って見えたのか、といった点だ。
これらは些細な質問ではない。 Uberのプラットフォームは、異なる時間に参入・退出し、目的や経験値も異なる柔軟な労働力に依存している。 フルタイムで働くドライバーもいれば、パートタイムの人もおり、予定が空いた時だけ働く人もいる。 この柔軟性は売りの一つだが、同時に絶え間ない不確実性も生む。 より良いガイダンスがあれば、時間ごとに変化するライブなマーケットプレイスを行き来する際の認知負荷を減らせる。
Uberによれば、このアシスタントは収益トレンドやヒートマップなどの複雑なデータを、行動に移しやすい配置判断の示唆へと要約する。 ドライバーはその後、自然言語で追加の質問をし、アプリ内をより簡単に操作しながら、個別化された回答を受け取れる。 同社が掲げる目的は「cognitive overhead」を減らすことだ。これは、ドライバーに必要なのは単なる追加データではなく、実用的な助言だという、実際のプロダクト課題を言い表している。
