AI導入の規模拡大:本当の課題はコスト削減ではなく価値の管理にある

AIはテクノロジーの経済性を変える

従来のエンタープライズ向けテクノロジーは、ライセンス、サブスクリプション、インフラ契約、導入プログラムといった、比較的予測しやすい形で調達されてきました。コストは、従業員数、システム容量、あるいは合意された作業範囲をもとに、概ね見積もることができました。

AIはこのモデルにうまく当てはまりません。

AIのコストは実際の消費量によって決まります。使用するモデル、処理される情報量、応答の長さ、ワークフローの設計、自動化されたエージェントが他のシステムやモデルを呼び出す回数などによって変動します。

そのため、一見よく似た2つのタスクでも、コストが大きく異なることがあります。

これは、AIが業務プロセスに組み込まれる場合に特に重要になります。1回のやり取りが、検索、モデル呼び出し、検証、再試行の連鎖を引き起こすことがあります。単純なユーザーリクエストに見えるものが、裏側では驚くほどリソースを消費するワークフローになることもあるのです。

同時に、AIへのアクセスはもはやテクノロジー部門だけが管理するものではありません。従業員は、新しいツールを契約し、独自のアシスタントを作り、比較的少ない技術知識で自動化プロセスを構築できます。この手軽さはイノベーションの強力な源泉ですが、調達の分断、機能の重複、そして誰も全体像を把握できない消費を生む可能性もあります。

従来型の年間予算編成だけでは不十分なのは、このためです。AIには能動的な需要管理が必要です。

まず消費を可視化する

AIがどこで使われているかを把握していなければ、組織はAIを効果的に管理できません。

最優先事項は、部門、アプリケーション、サプライヤー、クラウドプラットフォームを横断したAI消費の統合ビューを作ることです。そのビューは請求書の内容にとどまってはなりません。どの業務プロセスがAIを使っているのか、誰が責任者なのか、いくらかかっているのか、どのような成果を生んでいるのかを、リーダーが確認できる必要があります。

モデル呼び出し回数や処理量といった技術的な指標はエンジニアにとっては有用ですが、経営判断には十分ではありません。より意味のある指標には、次のようなものが考えられます。

• 解決した顧客からの問い合わせ1件あたりのコスト
• レビューした文書1件あたりのコスト
• 選別した営業機会1件あたりのコスト
• ソフトウェアリリース1回あたりのコスト
• 処理した請求、案件、取引1件あたりのコスト
• AI活用ワークフローによって生み出された収益、処理能力、またはリスク低減

これにより、議論の方向が変わります。組織がAIを使いすぎているかどうかを問う代わりに、特定のAI活用が十分な価値を生み出しているかどうかを問えるようになります。

可視性は、説明責任も生み出します。消費が特定の製品、プロセス、事業部門と結びつけば、AIは説明のつかない中央のテクノロジー費用ではなくなります。責任者と期待されるリターンを持つ、事業投資になります。

タスクに見合った水準のインテリジェンスを使う

組織は、あらゆる業務に最も高度な資格を持つ人材を充てるわけではありません。同様に、あらゆるリクエストに最も強力で、たいていは最も高価なAIモデルを使うべきでもありません。

分類、抽出、基本的な要約、構造化された文書作成といった多くの定型タスクは、より小型で安価なモデルでも効果的にこなせる場合があります。より高性能なモデルは、深い推論、高い精度、専門的な性能が本当に必要な業務のために取っておくことができます。

目的は、あらゆる場面で最も安いモデルを選ぶことではありません。求められる水準を確実に満たす、最も経済的な選択肢を選ぶことです。

その判断では、価格以外のことも考慮すべきです。品質、速度、プライバシー、回復力、リスクのすべてが重要です。プレミアムモデルが十分に正当化される場合もあれば、小型のホスト型モデル、社内で運用するモデル、あるいはデバイス上でローカルに動作するモデルのほうが適している場合もあります。

重要なのは柔軟性です。つまり、ワークロードごとに異なるモデルへ振り分け、テクノロジー、価格、要件の変化に応じてその判断を変更できる能力です。

モデルを最適化する前にワークフローを改善する

モデルの選択には多くの注目が集まりますが、非効率なワークフロー設計のほうが、より大きな無駄の原因になっていることがあります。

AIシステムが、必要のない情報を繰り返し処理したり、不必要に長い会話履歴を保持したり、タスクに必要な範囲をはるかに超えて詳細な応答を生成したりすることがあります。自動化されたエージェントが、非生産的なループに陥ったり、失敗した操作を繰り返したり、単純なルールで済むはずの場面で高価なサービスを呼び出したりすることもあります。

こうした問題が調達だけで解決されることはまずありません。入念なエンジニアリングとプロセス設計が必要です。

組織は、次のことができないかを検討すべきです。

• タスクに関連する情報だけを送信する
• すでに生成された結果を再利用する
• 明確な応答形式と適切な長さの上限を定める
• 自動化された再試行やツール利用に境界を設ける
• 単純なリクエストはより簡易なモデルで処理する
• 本当に複雑なケースだけをエスカレーションする
• AIを加える前に、不十分なプロセスを再設計する

最後の点は重要です。非効率なプロセスを自動化しても、必ずしも効率的になるわけではありません。非効率がより速く、より大規模に動くようになるだけかもしれません。

ガバナンスを利用体験に組み込む

ポリシーや研修は引き続き重要ですが、エンタープライズAIを管理する負担のすべてを担うことはできません。

ほとんどの従業員に、あらゆるモデル、プロンプト、自動化ワークフローの経済性を理解することを期待するのは現実的ではありません。AIサービスを使うたびにポリシー文書を参照することを求めるべきでもありません。

したがって、優れたガバナンスはテクノロジー自体に組み込まれているべきです。

組織のAI環境は、承認されたアクセスルールを適用し、通常とは異なる消費を特定し、妥当な上限を強制し、リクエストを最も適切なサービスへ振り分けられる必要があります。追加のコストやリスクが正当化される場合には、承認やエスカレーションのための明確な経路が必要です。

これにより、責任ある利用がユーザーにとって自然な道筋になります。また、請求書が届く数週間後ではなく、結果に影響を与えられる活動の時点でガバナンスを機能させることができます。

ガイダンスにも同じ原則が当てはまります。AIワークフローを作成している最中に提供される状況に即したアドバイスは、数か月前に一度だけ受講した研修よりも、役に立つ可能性が高いでしょう。

AIの経済性を恒久的な能力として位置づける

AI需要の管理は、テクノロジーチームだけが主導する一時的なコスト削減活動にしてはなりません。

テクノロジー、財務、調達、リスク、事業部門のリーダーシップが、継続的に連携することが求められます。これらの部門が協力して、需要を予測し、消費をモニタリングし、サプライヤーを評価し、支出を測定可能な成果に結びつける必要があります。

この能力は、市場が変化し続けることも前提としなければなりません。現時点で最も性能の高いモデルが、明日も最も価値の高いモデルであるとは限りません。新しいサプライヤー、商業的な仕組み、導入オプションが今後も登場し続けるでしょう。

したがって、単一のモデルやプロバイダーに長期的に依存することは、財務面と運用面の両方でリスクとなりえます。組織は、ワークロードを移行し、調達の判断を見直し、購入したもの、社内で開発したもの、ホスト型の機能を組み合わせる能力を維持すべきです。

購入するか構築するかという従来の問いは、次第に狭すぎるものになりつつあります。より良い問いは、ワークロードごとに適切なサービス、モデル、運用アプローチの組み合わせをどのように構成し、継続的に調整していくかです。

コスト管理は野心を支えるものであるべき

AI支出の増加によって、テクノロジーが意味のある成果を出し始めたまさにその時に、組織が過度に慎重になってしまう危険があります。

それは誤りでしょう。

健全な財務管理はイノベーションの敵ではありません。持続的なイノベーションを可能にするものです。無駄を特定できれば、最も大きな可能性を持つワークフローへリソースを振り向けることができます。成果にかかるコストを理解していれば、どこで規模を拡大すべきかについて、根拠のある選択ができます。ガバナンスが環境に組み込まれていれば、従業員は明確で実践的な境界の中でイノベーションを起こすことができます。

AIで成功する組織は、必ずしも最も多くを費やす組織でも、最も厳しく削減する組織でもありません。AIがどこで独自の価値を生み出すかを理解し、それに応じて消費を方向づけられる組織です。

したがって、エンタープライズAIの次の段階は、モデルへのアクセスよりも、マネジメントの規律によって特徴づけられるようになるでしょう。

問うべきことは、もはや単に「どれだけAIを使っているか」ではありません。「AIで何を達成しているのか、そしてその成果は投資に見合うものなのか」です。