AmazonとGoogleのAI投資が浮き彫りにする、エンタープライズCXに潜むコスト危機

Amazonは、AWSが18四半期ぶりの高成長を記録したにもかかわらず、2026年の設備投資計画を2,200億ドルへ引き上げた。AmazonとGoogleによるインフラ競争は今、エンタープライズのカスタマーエクスペリエンスチームにとって厳しい現実を浮き彫りにしている。AI需要は急増している一方で、それを支えるシステムには、より多くの資本、希少なハードウェア、そして長期的なコミットメントが求められる。

これはエンタープライズAIの失敗を示すものではない。Amazonのクラウド事業は第2四半期に37％成長し、AI事業とチップ事業はそれぞれ年間換算250億ドルを超えた。それでもAmazonは、2026年にはインフラ容量が需要に届かないと見込んでいる。

Googleも規模こそ異なるが、同じ緊張関係に直面している。Google Cloudの売上高は82％増加し、Alphabetは2026年の設備投資見通しを1,950億〜2,050億ドルへ引き上げた。両社の動きは、AI導入の拡大が自動的に、より安価でシンプルなカスタマーエクスペリエンスにつながるわけではないことを示している。

企業にとっての課題は、クラウド料金だけにとどまらない。AIカスタマーエクスペリエンスシステムには、モデル推論、データ検索、セキュリティ制御、評価、人によるレビュー、既存プラットフォームとの統合が必要だ。組織が体験の向上を証明する前に、各レイヤーがコストを積み上げていく。

Amazonの第2四半期決算が変えたAIコスト論争

Amazonの業績は、強いAI需要と深刻なコスト圧力が同時に存在し得ることを示している。

Amazonは2026年7月30日に第2四半期決算を発表した。AWSの売上高は4月から6月にかけて37％増加し、前四半期の28％増から加速した。同社はこれを、18四半期で最も速いAWS成長率だと説明した。

Amazonはまた、AI事業とチップ事業がそれぞれ年間換算250億ドルを突破したと述べた。これらの数字は、顧客が単なる試験利用ではなく、インフラを購入していることを示唆する。

その成長を支えるための支出も、同様に急増した。最高経営責任者のAndy Jassyは、Amazonの2026年の設備投資見通しを約2,000億ドルから2,200億ドルへ引き上げた。総額には、AIインフラ、半導体、ロボティクス、衛星への投資が含まれる。

Jassyによれば、追加支出の主な理由はメモリーコストの上昇だった。メモリーはモデルの学習と推論の実行、つまり学習済みモデルをユーザーに提供するために不可欠だ。そのため、部品コストの上昇は実験段階のシステムと定着した本番ワークロードの双方に影響する。

Amazonの第2四半期決算資料は、発表の時期を裏付けている。その後の報道は、今回の増額が重要だった理由を示した。同社は前年に約1,280億ドルを支出しており、新計画は大幅な上積みとなる。

支出増は、稼働していない建設だけを反映したものではない。Jassyは、Amazonが2026年に見込まれるすべての需要を満たすには、なお十分な容量を確保できないと述べた。また、2028年に向けてすでに見えている需要についても、際立ったものだと説明した。

この点は、その四半期の解釈を変える。Amazonは、AI需要が仮説の域にとどまるからインフラを建設しているのではない。顧客需要が依然として供給可能な容量を上回ると投資家に伝えながら、大規模な投資を続けている。

この制約は、企業に広くある前提も複雑にする。買い手はしばしば、クラウド規模の拡大によって、自動化の世代ごとのコストが下がると期待する。規模は役立つが、不足、電力要件、データセンター建設、頻繁なハードウェア更新を完全に相殺することはできない。

カスタマーエクスペリエンスチームにとって、これは導入時点で重要になる。パイロットでは数千件の会話を、許容できる速度と精度で処理できるかもしれない。しかし本番サービスは、季節的なピーク、障害、モデル変更、予測不能な顧客行動に耐えなければならない。

本番システムには余剰容量も必要だ。コンタクトセンターは、他の場所で推論需要が高まったからといって応答を停止するわけにはいかない。プロバイダーはピーク時にもサービス水準を満たせるだけのハードウェアとネットワーク容量を維持する必要がある。

その信頼性には現実のコストが伴う。利用料、予約容量、プラットフォーム料金、導入作業、あるいはモデル品質や応答長への制約として現れる。企業はサーバーを所有せずに済むかもしれないが、それでもすべてのやり取りの背後にあるインフラに支払い続ける。

したがってAmazonの四半期決算は、中心的な対立を露呈させた。需要はAIの機会を裏付けるが、その需要に応えるコストも上昇し続ける。エンタープライズCXの買い手は、その対立の最前線にいる。

AmazonとGoogleの競争がエンタープライズの買い手へコストを押し出す

AmazonとGoogleの競争はAI容量を拡大する一方、顧客により大きく、より早い段階でのコミットメントを求める。

GoogleはAmazonの1週間前に第2四半期決算を発表した。Google Cloudの売上高は82％増加し、クラウドの受注残高は5,140億ドルに達した。Alphabetはまた、Fortune 100の約90％がGemini Enterpriseを利用していると述べた。

Googleの成長は、Amazonの投資に対する最も単純な批判を弱めるという点で重要な比較材料となる。Amazonは単独で動いているわけでも、企業固有の非効率性だけに対応しているわけでもない。複数のクラウドプロバイダーが、強い需要を報告しながら投資を増やしている。

Alphabetは、2026年の設備投資を1,950億〜2,050億ドルと見込んでいる。従来の予想は1,800億〜1,900億ドルだった。その支出の大半は、AIワークロードに使われるサーバーやデータセンターを含む技術インフラを支える。

Googleの決算説明でも、Gemini Enterpriseにおけるコスト管理とガバナンスが強調されている。この位置付けは、財務部門から運用上の購買判断へとすでに広がりつつある懸念を認識したものだ。

AmazonとGoogleの競争は、企業の買い手により多くのインフラ選択肢をもたらす。AWSはAmazon Bedrock、Novaモデル、Anthropicモデル、独自のTrainiumチップを提供する。GoogleはGeminiモデル、クラウドプラットフォーム、独自のテンソル処理ユニットを組み合わせている。

カスタムチップは、外部アクセラレーターへの依存を減らし、特定のワークロードで性能を高められる。しかし同時に、顧客がプロバイダー固有のアーキテクチャを中心にシステムを設計することも促す。後から移行するには、新たなテスト、データ作業、アプリケーション変更が必要になる場合がある。

モデル選択にも同様のトレードオフがある。企業は単純なリクエストを小型モデルに、難しいリクエストを大型モデルに振り分けられる。この方法は推論利用を抑えられるが、オーケストレーション、監視、評価の作業を増やす。

つまり競争は、一部の単位コストを下げる一方で、システムの複雑性を高める。企業は選択肢を増やせるが、それらを責任ある形で使うための専門性を身につけなければならない。ルーティングエラーがエスカレーションを増やしたり、誤答を生んだりするなら、トークン単価が低くても価値はほとんどない。

カスタマーエクスペリエンスでは、その影響が特に大きい。コーディング支援ツールなら、開発者に出力のレビューを求められる。顧客向けエージェントは多くの場合、正確な回答、明確な方針、即時の解決を期待する相手に直接応答する。

誤った請求説明は再問い合わせを生む可能性がある。裏付けのない返金は財務上の損失につながり得る。自信を持って提示された虚偽のアカウント情報は、法的、規制上、評判上の問題を引き起こしかねない。

こうしたリスクのため、企業は生成モデルの周囲に制御策を設ける必要がある。検索拡張生成は、モデルが応答する前に承認済みの企業情報と接続する。ガードレールは出力を制限し、評価システムは回答が定義された基準を満たすかを検証する。

各制御策はエンジニアリング時間とコンピューティングリソースを消費する。検索システムにはインデックス化されたデータが必要だ。評価にはテスト会話、モデル呼び出し、レビュアー、そしてモデルやプロンプトが変わるたびの反復測定が必要になる。

AmazonとGoogleは、インフラ投資を数千の顧客に分散できる。個々の企業は、統合とガバナンスのコストをそこまで広く分散できない。事業性は、より限定的なワークフローと測定可能な成果に依存する。

ここでコスト負担が移る。ハイパースケーラーはデータセンターに資金を投じるが、顧客は有能なモデルと信頼できる体験の間にある最後の一段に資金を投じる。その最後の一段が、AIプログラムが価値を生むかどうかを左右することが多い。

結果は単純な価格上昇ではない。これはコミットメントの問題だ。企業は、長期的なコストと品質が完全には見えないうちに、プロバイダー、アーキテクチャ、運用モデルを選ばなければならない。

エンタープライズCXの経済性はパイロット後に崩れる

隠れた危機は、統制されたデモが説明責任を伴う顧客サービス運用へ変わるときに始まる。

パイロットは通常、モデルが選定された質問に答えられるかを検証する。整備された文書、協力的な従業員、限られた会話セットを使う場合がある。本番環境では、不完全なデータ、例外的なリクエスト、感情的な顧客、矛盾する方針が持ち込まれる。

モデルは本番コストの一部にすぎない。完全なシステムは、顧客を識別し、アカウント情報を取得し、権限を強制し、判断を記録し、難しいケースを引き継がなければならない。また、すべての段階で機密データを保護する必要もある。

レイテンシーは、さらに別のコストレイヤーを生む。顧客は、リクエストに複数回のモデル呼び出しが必要な場合でも、会話システムが迅速に応答することを期待する。より長い推論は一部の回答を改善できるが、コンピュート消費を増やし、会話を遅らせる。

組織は小型モデルやキャッシュ済み応答によってレイテンシーを減らせる。だが、こうした選択は複雑なケースの品質を下げる可能性がある。チームは、より速く安価な出力がどこまで許容されるかを判断し、テストでそれを証明しなければならない。

導入後には、問い合わせ量自体も変化し得る。使いやすいデジタルチャネルは、これまで顧客が途中で諦めていた質問を呼び込む場合がある。自動化によってエージェントの対応量は減っても、総インタラクション数は増えるかもしれない。

そのため、企業は全体の経済性を改善せずに高いコンテインメント率を報告することがあり得る。コンテインメントは、人間のエージェントに引き継がれずに会話が終わる頻度を測る指標だ。顧客が正確で持続的な解決を得たかは示さない。

より重要なのは再問い合わせだ。AIシステムが不完全な回答をした場合、顧客はチャット、電話、メールを通じて再び連絡するかもしれない。最初のやり取りは自動化されて見える一方、顧客ジャーニー全体はより高コストになる。

企業には、AIの挙動を事業成果へ結び付けるアウトカム指標が必要だ。再問い合わせ率、タスク完了率、訂正頻度、エスカレーションの品質、顧客努力などが含まれる。平均処理時間だけでは、これらの影響を捉えられない。

データ準備も大きな費用を生む。顧客向けの方針は、Webサイト、サポートプラットフォーム、社内文書、従業員メッセージにまたがって存在することが多い。最新の情報もあれば、古い指示や矛盾する指示を含む情報もある。

モデルだけで、こうした矛盾を信頼性高く解決することはできない。チームには、所有権のルール、バージョン管理、権限、レビューのプロセスが必要だ。検索可能なAIナレッジベースは検索を支援できるが、コンテンツガバナンスは依然として人間の責任である。

AIエージェントはこの問題をさらに大きくする。エージェントは単にテキストを生成するのではなく、目標に向けてツールを選び、手順を実行できる。この能力は、注文変更、スケジューリング、トラブルシューティング、アカウント更新に役立つ。

アクションは失敗時のコストも押し上げる。不十分な回答は顧客を苛立たせるだけで済むかもしれないが、誤ったアクションはアカウントを変更したり、金銭的な義務を発生させたりする可能性がある。企業は認可ルール、監査証跡、取り消し手順を追加しなければならない。

このモデルで人による監督がなくなるわけではない。その場所が変わる。従業員はすべてのリクエストを処理する役割から、例外のレビュー、ナレッジの保守、障害の調査、システム改善へと移行する。

こうした作業は調達時に見積もるのが難しい。ベンダーはモデル性能を実演できるが、企業データの状態を完全に予測することはできない。また、組織がどの程度のリスクを受け入れるかを決めることもできない。

AmazonとGoogleのインフラ競争は、モデルとプラットフォームのリリースを加速させることで、この課題をさらに深刻にしている。リリースの高速化は新たな機能を生む一方、あらゆる変更が出力品質、レイテンシ、コストに影響し得る。本番運用チームは、再テストの価値がその混乱に見合うタイミングを判断しなければならない。

カスタマーエクスペリエンス・プラットフォームは、複数のプロバイダーに依存する場合もある。あるベンダーがコンタクトセンターを提供し、別のベンダーがデータをホストし、さらに別のベンダーがモデルを提供する。可観測性と責任は契約をまたいで分断される。

回答が遅延または失敗した場合、企業はどのレイヤーが問題を引き起こしたのかを特定しなければならない。その調査には時間と専門スタッフが必要になる。顧客が体験するのはベンダーの境界ではなく、統合されたシステム全体だ。

したがって経済性に関する問いは、AIがオペレーター1分あたりのコストより安いかどうかにとどまらない。リーダーは、失敗した自動化、再問い合わせ、ガバナンス、統合、インフラ利用を含む、完全なジャーニーを比較する必要がある。

導入が成功しても、大きなコスト削減につながる可能性はある。明確なポリシーに基づく定型的なリクエストは、依然として有力な候補である。リスクは、一つの限定的なワークフローでの成功が、あらゆる顧客対応の経済性を証明すると考えることにある。

より速いクラウド成長は、より良いカスタマーエクスペリエンスを証明しない

AmazonとGoogleはAIインフラへの需要を証明したが、すべての企業導入がより良いCXを生み出すことまでは証明していない。

AmazonのAWS成長とGoogle Cloudの加速は、顧客支出の証拠を提供している。しかし、その支出のどれだけが実験、トレーニング、移行、あるいは収益性の高い本番システムを支えているのかは明らかにしない。

クラウド収益が測るのは、買い手のリターンではなくプロバイダーの成果でもある。顧客がより多くのコンピューティングを消費すれば、プロバイダーは利益を得る。顧客が利益を得るのは、その消費がコスト削減、収益増加、リスク低減、またはより良い体験につながる場合に限られる。

この違いはインセンティブの隔たりを生む。プロバイダーはワークロードの拡大を望む。企業リーダーは、どのワークロードを拡大すべきか、どれを決定論的な仕組み、人主導、あるいは非対応のままにすべきかを判断しなければならない。

Alphabetの業績は両面を示している。クラウドの成長率は82％に達したが、同社は設備投資見通しも引き上げた。四半期に関する報道では、投資家がインフラ投資の増加がキャッシュ創出を圧迫するかどうかを疑問視したと指摘されている。

Googleの急速な拡大は、その戦略を否定するものではない。堅調なクラウド需要と大規模な受注残は、顧客が同社の能力を評価している証拠となる。不確実なのは、リターンが得られる時期とその持続性だ。

Amazonも同じ試練に直面している。earnings coverageによれば、支出の加速に伴い年間フリーキャッシュフローはマイナスに転じた。同社は、現在進めている建設が将来の契約済み需要を支えると主張している。

データセンターは計画と建設に何年もかかるため、この説明には妥当性がある。サーバーは稼働開始に近い時期に導入される一方、建物は複数世代のハードウェアを支えられる。需要が弱まれば、Amazonは一部の機器発注を調整できる。

ただし、すべてのコストが柔軟に動くわけではない。土地、電力契約、ネットワーク容量、建設は長期にわたるコミットメントである。メモリーやアクセラレーターの不足も、設備計画が進行した後でコストを押し上げる可能性がある。

企業も、このタイミングのずれをより小さな規模で経験する。導入が予測可能になる前に、統合とガバナンスに費用を支払う。顧客がシステムを問題なく利用し、運用チームが業務を再設計して初めて、効果が現れる。

そのため、リターンの計算は前提条件に左右されやすい。エスカレーション率のわずかな変化でも必要な人員体制は変わる。品質の小さな低下でも、自動化によって削減した以上の再問い合わせを生む可能性がある。

ベンダーのベンチマークがこの問いに決着をつけることはほとんどない。標準テストは、定義された条件下でのモデル能力を測定する。企業のCXは、非公開データ、ローカルポリシー、顧客行動、接続されたシステムの品質に依存する。

懐疑的な見方は、「AIコスト危機」という表現にも疑問を投げかける。インフラ支出だけでは、企業CXが手の届かないものになりつつあることは証明できない。クラウドの成長は、多くの顧客が購入を続けるだけの価値を見出していることを示唆する。

モデル、チップ、ソフトウェアが成熟するにつれて、効率は急速に改善し得る。かつてはより大きなシステムを必要としたタスクを、すでに小規模モデルが処理している。AmazonとGoogleのカスタムシリコンは、それらのチップに適したワークロードのコストを下げられる可能性がある。

適切な結論はより限定的だ。企業は、モデルコストの低下を総コスト低下の保証として扱うことはできない。モデル層での改善は、利用量の増加、対象範囲の拡大、統制の強化、統合の複雑化によって相殺され得る。

Microsoftは有用な比較対象となる。同社の四半期設備投資は70％増の410億ドルに達し、その約3分の2はプロセッサーやグラフィックスチップなど、比較的短命な資産を支えるものだった。asset replacement cycleは、インフラがどれほど速く老朽化し得るかを示している。

このサイクルは、プロバイダーが当初の購入費用を負担する場合でも顧客契約に影響する。プロバイダーは最終的に、稼働率、価格設定、またはより高付加価値なサービスを通じて資本を回収しなければならない。競争はその自由度を制限するが、根本的な費用をなくすわけではない。

CXリーダーは、楽観的な主張と悲観的な主張の両方を厳しく検証すべきだ。自動化された会話のすべてがコスト削減を生むと考えるべきではない。同時に、ハイパースケーラーの巨額投資がAI導入に実現可能なリターンがないことを意味すると考えるべきでもない。

決定的な証拠は、安定した本番成果から得られる。システムは、ピーク時、モデル更新、ポリシー変更、異例のリクエストの間も品質を維持しなければならない。また、付随するすべての作業を計上した後でも利益を生み出す必要がある。

企業のAI購入者が次に注視すべきこと

現在の投資サイクルが企業CXコストを下げるのか、それとも単に新たなカテゴリーへ移し替えるだけなのかを示すシグナルは3つある。

第1のシグナルは、Amazonが設備能力を持続的なAWS成長とプラスのキャッシュ創出へ転換できるかどうかだ。同社の現在の主張は、インフラが稼働を開始し、契約済み需要に応えることに依存している。堅調な成長は最終的に、建設とハードウェアが生むキャッシュ負担を上回らなければならない。

AWSの成長率は第2四半期に37％に達した。同社はメモリー価格の上昇を理由に支出も増やした。今後の四半期では、この追加投資がキャッシュ創出を恒久的に弱めることなく、持続的な収益を支えられるかが示されなければならない。

AWSの加速が続く中でフリーキャッシュフローがプラスへ戻れば、Amazonの主張は強まる。クラウド成長が鈍化する一方で支出が再び増えれば、その主張は弱まる。CXの購入者は、収益成長だけを十分な証拠とみなさず、両方の数値を注視すべきだ。

第2のシグナルは、Google Cloudが拡大した資本計画を管理しながら、例外的な成長を維持できるかどうかだ。Googleはクラウド成長率82％と、5,140億ドルの受注残を報告した。これらの数値は、今後の四半期に対する厳しい比較基準となる。

Googleはまた、Fortune 100の約90％がGemini Enterpriseを利用しているとしている。次の問いはロゴ数ではなく、利用の深さに関するものだ。購入者が必要とするのは、企業がアクセスやパイロットから、継続的な本番ワークロードへ移行している証拠である。

Googleは、企業向けAIエージェントを構築するフレームワークであるAgent Development Kitについて、ダウンロード数が約7,000万件に達したと強調した。ダウンロード数は開発者の関心を示すが、稼働中の導入件数や顧客成果を測るものではない。本番利用は、より強い導入シグナルとなる。

Googleが資本集約度を安定させながらクラウド成長を維持できれば、AmazonとGoogleの競争は規模とカスタムシリコンを通じて単価を下げる可能性がある。支出が収益化を上回るペースで増え続けるなら、顧客はより厳格な利用管理と、より強いコミットメント圧力を予想すべきだ。

第3のシグナルは、企業内で測定可能なCXパフォーマンスである。購入者はベンダーと社内チームに対し、デモの精度ではなく完全なジャーニー指標を求めるべきだ。これらの測定には、タスク完了、再問い合わせ、エスカレーション、訂正、顧客の負担を含める必要がある。

自動化されたインタラクションあたりのコストは依然として有用だが、それはこのより広い指標群の中でのみ意味を持つ。別の問い合わせを生む安価な回答は、安価ではない。困難なタスクを完了させるより高価な回答は、より良い経済性を生む可能性がある。

企業は、導入後にシステムが人の介入を必要とする頻度も追跡すべきだ。この数値には、目に見えるエスカレーションと、目に見えない保守作業の両方が含まれる。ナレッジ更新、プロンプト変更、インシデントレビュー、コンプライアンスチェックはいずれも労力を消費する。

調達チームは、コストを3つのカテゴリーに分けることで意思決定を改善できる。インフラには、モデル呼び出し、ストレージ、ネットワーク、予約済み容量が含まれる。実装には、統合、データ準備、テスト、ワークフロー設計が含まれる。

運用には、監視、評価、コンテンツのオーナーシップ、セキュリティレビュー、例外処理が含まれる。これらのカテゴリーをまとめたベンダー提案は、将来どこでコスト増が起きるかを隠してしまう可能性がある。

購入者は、実用的な価値を生む場面ではポータビリティも要求すべきだ。モデルルーティングと共通インターフェースは、単一プロバイダーへの依存を減らせる。クラウドごとにアイデンティティ、データ、監視、エージェントツールが異なるため、完全なポータビリティは依然として難しい。

目標は理論上の独立性ではない。コスト、品質、リスクが変化した際に、選択したワークロードを移せるだけの柔軟性を持つことだ。この立場は、どこでも同一のシステムを維持することを強いることなく、企業に交渉力を与える。

チームは、望ましい成果を観測できるワークフローから始めるべきだ。注文状況、予約変更、承認済みのトラブルシューティング手順には、より明確な完了シグナルがある。自由形式の助言や機微なアカウント判断には、より大きな慎重さが必要となる。

その後、拡大する前にジャーニー全体を測定すべきだ。成功したパイロットが意味を持つのは、実際のトラフィックとポリシー変更を乗り越えた後に限られる。拡大は、より新しいモデルが利用できることではなく、証拠に基づくべきだ。

AmazonとGoogleの競争は、より高速なモデルとより多くのクラウド能力を生み出し続けるだろう。しかし、各企業のデータ品質、説明責任、ワークフロー設計を解決することはない。これらは依然として、現場固有の運用課題である。

カスタマーエクスペリエンスのリーダーはいま、直接的な選択に直面している。AIを安価な知性が増え続けるプールとして扱うこともできるし、高価な本番システムとして管理することもできる。後者の見方は、品質、所有責任、リターンについて、より良い問いを生み出す。

次のAI拡大を承認する前に、改善すべき事業成果と、そこに到達するために必要なあらゆるコストを特定する。そのうえで、エスカレーション、再問い合わせ、人による監督を含めた後のパフォーマンスを測定する。それでもシステムが価値を生むなら、自信を持って拡大すればよい。事業性の根拠がそれらのコストを無視することに依存しているなら、より大きなモデルやクラウドへのコミットメントでは修復できない。AmazonとGoogleの投資競争は利用可能な能力を増やすが、その能力がどこで価値を生むかを決めるのは企業自身である。