Amy Webb、AIの生産性ブームが企業を「パイロット煉獄」に閉じ込めていると警告
Amy Webbは、Google Newsで注目記事として紹介されたFortuneの報道を通じ、AIはコンテンツ制作を安くする一方で、企業の運営をより困難かつ高コストにしていると鋭く警告した。
この警告は、生産が速くなれば自動的に経済的価値が生まれるという前提に異議を唱えるものだ。企業は今や、プレゼンテーション、分析、コード、提案書を数時間で生成できる。しかし、その出力を意思決定や業務フロー、測定可能な成果へ統合できない企業は多い。
Future Today Strategy GroupのCEOであるWebbは、この市場を出来の悪いデーティングアプリになぞらえる。利用者が長続きする相手を見つけるよりも、検索を続けるほうがプラットフォームには利益になる。同様に、エンタープライズAIベンダーも、顧客が持続的な導入を完了させずに、パイロットを立ち上げ、トークンを購入し、モデルを試し続けることで利益を得る。
この力学により、現在のブームはドットコム時代を思わせる。ただし、そこには追加の複雑さがある。インターネット・バブルは、実際に機能する事業を欠く企業に資金を供給したことが多かった。一方、AI経済にはすでに有用な製品、多額の収益、そして実際の生産性向上がある。
弱点は別の場所にある。AIは、組織が評価、統制、吸収できる量を超える仕事を生み出せる。テクノロジーは出力の生成には成功する一方、周囲の事業運営はその出力を成果に変換できていない。
Amy Webbの警告がGoogle NewsにおけるAIバブル論争を変える
最も重要な変化は、AIが突然機能しなくなったことではない。生産の成功が、企業が認識するより速く新たな組織コストを生み出し得ることだ。
Webbは8月30日付のFortuneによるAI経済の分析で、この主張を示した。彼女は同誌に対し、AIは生産を安価にする一方、企業内のほぼすべてをより高コストにすると語った。
この点は、生成AIが単なる誇大宣伝にすぎないというよくある主張とは異なる。モデルは説得力のある文書を書き、情報を分析し、ソフトウェアを生成し、プレゼンテーションを作成できる。まさにその能力が、新たな問題を生み出している。
プレゼンテーションの作成に1週間かかっていた頃、チームが受け取るのは慎重に準備されたデッキ1本だったかもしれない。AIによってその作業が1日に短縮されれば、管理職は重複する問いを扱う5本のデッキを受け取ることになり得る。
文書1本当たりの作成コストは下がる。しかし、それらをレビューし、比較し、検証し、その中から意思決定するコストは上がる。
Webbはこれを「デッキに溺れる」と表現する。ある経営幹部は、分析が少なすぎるのではなく多すぎるために、直属の部下が意思決定麻痺に陥っていると彼女に語った。別の人物は、従来の5倍の頻度で届く「insta-decks」について述べた。
これは能力のミスマッチだ。生成システムはもっともらしい仕事の供給を増やすが、経営陣の注意力、法務レビュー、組織としての判断力は同じ速度で増えない。
AI economy warningでは、デーティングアプリとの比較も示される。Webbは、ユーザーがパートナーを見つけて離脱するよりも、検索を続けるときにデーティングプラットフォームは利益を得ると論じる。
エンタープライズAI市場でも、同様のインセンティブが生じ得る。ベンダーは、顧客が実験し、コンピューティングリソースを消費し、サブスクリプションを追加する間に収益を得る。こうした支出が継続するために、顧客が収益性のある導入を完了させる必要はない。
一方、経営幹部は、AIに対応している証拠として進行中のパイロットを示せる。パイロットは、重要な業務フローを再設計するより安全に見える。短期的なリスクを抑え、説明責任に関する難しい判断を先送りできる。
その安全性が罠になり得る。パイロットのたびに、また別のデモ、レポート、戦略デッキが生まれる。企業はAIがタスクを実行できる証拠を得るが、そのタスクが持続可能な業務プロセスの中に属するという証明は得られない。
Webbによれば、経営幹部はこの状態を「pilot purgatory」と表現している。チームは、法務、情報技術、調達、既存の事業システムに統合することなく、アプリケーションのテストを続けている。
あるパイロットが終われば、別のチームが再びゼロから始めるかもしれない。企業は発見のために繰り返し費用を払う一方、過去の試みから得られた組織的な記憶はほとんど残らない。
その結果、奇妙な種類の豊かさが生じる。従業員はより多くの資料を作れるが、経営幹部は何に行動を起こすべきか、かえって確信を持てなくなる。組織はAI能力を増やしても、その経済的貢献を説明できないままだ。
これは生成の失敗ではない。変換の失敗である。
モデルはプロンプトを出力に変換する。企業は出力を意思決定、行動、収益、節約、あるいはリスク低減に変換しなければならない。これらは、所有者も制約も異なる別のプロセスだ。
この区別は、バブル論争を捉え直す。問題はもはや、AIが印象的な仕事を生み出せるかどうかではない。高価なレビューと混乱の層を作ることなく、企業がその仕事を吸収できるかどうかである。
成果が現れる前にエンタープライズAI支出は増え続ける
エンタープライズの購入担当者は両方向から圧力を受けている。取締役会は目に見えるAIの進展を期待する一方、運用チームはパイロットが財務成果を改善していることを証明するのに苦労している。
Fortuneが引用したBainの調査は、世界の951社を対象とした。AIによるコスト削減を測定している回答者のうち、11〜20％のリターンを目標にしていたにもかかわらず、実現した削減率が10％未満だった企業は4割近くに上った。
この不足は投資を止めなかった。調査対象企業の90％は、AI予算を増やす予定だと回答した。
この組み合わせは、どちらか一方の数字だけを見るより重要だ。通常なら、測定された節約効果が弱ければ支出は減るかもしれない。AIでは、競争への不安が、既存の導入が期待を下回った理由を理解する前に企業へさらなる支出を促す。
誰も後れを取りたくない。経営幹部は、消費者向け導入の加速とモデル能力の向上を見てきた。また、小規模なAIネイティブチームがより大きな既存企業を上回り得るという主張も耳にしている。
したがって、多くの企業内で政治的により安全な選択肢は、もう一つのパイロットになる。AI施策を中止すれば臆病に映りかねない。組織にデモから本番環境への道筋がなくても、実験を承認することは対応しているように見える。
より広範な導入データも同じ隔たりを示す。McKinseyのAI adoption surveyでは、回答者の88％が少なくとも1つの事業機能でAIを定常的に利用していると報告した。
しかし、全社的にAIプログラムのスケールを開始したと答えたのは約3分の1にとどまった。大半は実験またはパイロット段階にとどまっていた。
財務への影響はさらに限定的だった。39％がAIによる何らかの全社的な利益への影響を認めた。そのグループの大半は、AIが金利・税引前利益に占める割合は5％未満だと回答した。
これらの結果は、テクノロジーに価値がないことを意味しない。利用、規模、財務的価値は、3つの異なる測定対象であることを示している。
従業員は、企業の経済性を変えることなくチャットボットを定常的に使える。部門は、業務フロー自体を再設計せずにエージェントを導入できる。企業は従業員の時間を節約しても、その時間をコスト削減や生産量増加として回収できないことがある。
企業は、観察しやすい活動を数えがちだ。ライセンス、プロンプト、ユーザー、生成されたコード、完成した文書を追跡する。これらの数字が示すのは消費であり、必ずしも価値ではない。
有用な測定には、システムを事業成果へ結び付ける必要がある。たとえば、案件解決の迅速化、サポートコストの削減、販売転換率の向上、開発サイクルの短縮、コンプライアンス違反の減少などが含まれる。
それでも、因果の帰属は難しいままだ。AI導入後にチームが改善したとしても、同時にリーダーシップを変え、データを整理し、プロセスを簡素化した可能性がある。モデルがすべての功績を得るべきでも、すべての責任を負うべきでもない。
コストは別の圧力源にもなる。Fortuneは、世界のAI支出が2026年に2兆5,000億ドルへ達し、前年比44％増になると予測されていると報じた。
一部の最高情報責任者は、すでに利用を厳格化している。たとえばSamsaraはAI支出を毎日監視し、従業員の業務に応じて異なる利用上限を設けている。
Docusignは、コーディングエージェントがコンテキスト取得のためにコードベースを過剰にスキャンしていることを発見し、調整を行った。同社によると、取得対象を絞り込むことでトークン使用量を約50％削減できた。
これらの例は、洗練されたデモでは隠れ得る、本番運用のコストを示している。デモはモデルがタスクを完了できることを証明する。しかし、数千人の従業員にまたがって繰り返し利用する際の費用は明らかにしない。
本番運用では、セキュリティレビュー、ID管理、データ権限、監査要件、トレーニング、サポートも必要になる。それぞれが、モデルの目に見える出力を超えた作業を追加する。
真の圧力の対象は、エンタープライズの購入者だ。ベンダーは利用量の増加を報告できる一方、顧客側は統合と組織変革のコストを負担する。
取締役会は最終的に、より明確な答えを求めることになる。どのAIシステムが測定可能な成果を変えたのか、どれが単に仕事を移し替えただけなのか、どれが誰にも必要のない資料を増やしたのかを問うだろう。
適切に管理されたAI workflowは、情報を明確に定義された意思決定へ結び付けることで、断片化された作業を減らせる。重要なのは出力の量ではなく、その定義された意思決定だ。
その軸がなければ、AIへのアクセス拡大は既存の混乱を増幅し得る。チームはより速く作成し、管理職はより長くレビューし、説明責任が曖昧なまま予算だけが増え続ける。
中核的な逆転：生産性の向上が進歩の低下を意味し得る
AIにおける中心的な経済の逆転は単純だ。安価な出力は仕事量を増やすが、組織がそれを判断し活用する能力には依然として限りがある。
従来の生産性指標では、多くの場合、1時間当たりの出力量が増えることを改善とみなす。この論理は、追加の単位に明確な需要があり、品質が一貫している場合には機能する。
知的労働は必ずしもそのようには振る舞わない。経営陣が資金を提供できる戦略的提言が1件だけなら、5件の提言を受け取っても企業が利益を得るとは限らない。選択肢が増えることで、判断が改善するのではなく、決断が遅れることがある。
AIは、平凡な仕事を生み出すコストも下げる。提案書は、数日間の労力を正当化するほどの確信がなくても作成できるようになった。誰でも、根底にあるアイデアが重要かどうかを検証する前に、洗練された文書を生成できる。
プレゼンテーションの質は、弱い論理を覆い隠し得る。デッキには、もっともらしい文章、整理された図表、詳細な提言が含まれているかもしれない。しかし、見た目がプロフェッショナルであることは、前提が正確であることや、判断が有用であることを保証しない。
これにより、レビュー税が生じる。管理職は、どの部分が信頼できる証拠に基づくのか、どの部分が推論なのか、どの部分が十分な文脈なしに生成されたのかを判断しなければならない。
レビュー税は部門全体に広がる。法務チームは責任を検討する。セキュリティチームはデータ露出を評価する。財務部門は節約効果の見積もりを問う。事業運営のリーダーは、従業員が実際に行動を変えるかを判断する。
パイロットは管理された環境内で運用されるため、この摩擦の多くを回避できる。本番運用ではそうはいかない。
本番運用には、安定した責任者、承認済みデータ、監視、エスカレーション経路、エラーへの対応計画が必要だ。また、AIが行動すべきではない場合を判断する担当者も必要になる。
こうした要件が、技術的には成功したパイロットがなお停滞する理由を説明する。組織はモデルがタスクを実行できることを証明したが、その実行を信頼するために必要な周辺システムを構築していなかった。
McKinseyの調査は、ワークフローの再設計が重要な分岐点になると指摘している。価値を得る組織は、古いプロセスの横にAIインターフェースを置くだけではない。
役割、インセンティブ、インターフェース、評価指標を変える。フィードバックの仕組みを整え、導入に対する明確な責任を設ける。
この作業に時間がかかるのは、パイロットでは隠せる意見の不一致が表面化するためだ。チームは、誰がデータを所有するのか、誰がリスクを引き受けるのか、誰の予算で継続利用を賄うのかを決めなければならない。
「資料の山に溺れる」問題は、より小さな規模で起きる同じメカニズムだ。AIが制作上のボトルネックを取り除くと、今度は意思決定のボトルネックが露わになる。
マーケティングチームは、一晩で30のキャンペーン案を生成できる。それは、ブランドが30本のキャンペーンを実施すべきという意味ではない。誰を対象にするのか、どの主張を承認するのか、予算をどう配分するのか、結果をどう解釈するのかは、依然として人が決めなければならない。
ソフトウェアチームは、より多くのコードを生成できる。だがエンジニアは、依然としてアーキテクチャをレビューし、エッジケースをテストし、依存関係を保守し、本番稼働したサービスを支えなければならない。
リサーチチームは、数百の文書を要約できる。だが、情報源の集合が完全かどうか、相反する証拠が結論を変えるべきかどうかを判断する人は依然として必要だ。
こうした業務には、文脈、説明責任、判断力が求められる。正しい結果が普遍的な答えではなく組織の優先順位に左右されるため、自動化はより難しい。
したがって、生産性向上の約束には隠れた前提がある。それは、モデルが生み出すものを周囲の組織が受け止められるという前提だ。
この前提はしばしば崩れる。管理職はすでに、あふれる受信トレイ、競合するダッシュボード、繰り返される会議に直面している。企業が古い情報チャネルを減らさない限り、AIはもう一つの大量情報チャネルを加えることになる。
解決策が必ずしも新たなモデルとは限らない。推論能力が高いモデルは個々の成果物を改善するかもしれないが、より長大で説得力のある文書を生み出す可能性もある。
システムの能力が高まるほど、本格的なレビューに値する分析を作るのは容易になる。それは、限られた専門家への負担を増やしかねない。
Webbによる、ありきたりなアイデアについての指摘は別の懸念も示している。多くのチームが類似したモデルに依存すれば、類似した戦略、表現、提案を生み出す可能性がある。
これは、真の多様性を伴わない広範な分析という印象を生み出す。生成された5つの資料は、5通りに表現された一つの統計的な重心を示しているだけかもしれない。
企業はその結果、量を独立した裏付けと取り違えるリスクを負う。すべての文書が洗練されて見えるとき、反復はとりわけ説得力を持つ。
最善の対応は、生成された成果物を拒むことではない。生成する前に、その成果物が何を変えなければならないかを定義することだ。
有用なプロジェクトは、業務上の意思決定、測定可能なベースライン、責任を負うオーナー、継続のための閾値から始まる。その後でAIコンポーネントがその構造に奉仕する。
パイロット地獄は逆方向から始まる。企業はツールから出発し、用途を探し、技術的な実現可能性を何度も祝う。
モデルは改善を続けるため、このプロセスは無期限に続き得る。リリースのたびに、同じワークフローを再検証する理由が生まれる。
ここでは、出会い系アプリとの比較がより明確になる。探す行為そのものが製品になる。次のモデルやエージェントがついに約束されたマッチを実現するかもしれないため、企業はアクティブな顧客であり続ける。
ドットコムとの比較が当てはまる点と、当てはまらない点
ドットコムとの類似性があるのは、実証済みの収益に先行して設備能力に資金が投じられているからだ。ただし、現在のAI製品はすでに実用的な価値と大きな需要を生み出している。
インターネット・ブームの時期、投資家はネットワーク化とデジタル商取引が経済を変えることを正しく認識していた。一方で、どの企業がその価値を取り込み、収益がどれほど早く現れるかについては、しばしば見誤った。
AIにも、技術的重要性と投資規律の間に同じ隔たりがある。ある技術が社会を変革しながら、それを軸に構築された多くの事業が失敗することはあり得る。
Webbは、AIが投機資本を引きつけるだけではないため、現在の状況はさらに悪化し得ると論じる。AIは、機能している組織にも安価なアウトプットを大量に流し込む。
失敗したドットコム小売企業は、投資家の資金を失って閉鎖するかもしれない。ガバナンスが不十分なAI導入は、健全な企業の内部で、意思決定、人員配置、情報の流れ、運営コストを変えてしまう可能性がある。
インフラ投資は、その賭けをさらに大きくする。Goldman Sachs Global Instituteの共同責任者であるGeorge Leeは、AIインフラへの総投資額が最終的に7兆ドルから8兆ドルに達する可能性があると推計した。
Leeは、既存の利益プールを置き換えるだけでは十分な回収は得られないと主張した。この投資には、純増となる経済活動が必要になる。
これは厳しい基準だ。コスト削減は、価値を生み出すというより移転することが多い。すべての企業がAIで同様の人件費を削減すれば、競争によってその便益の多くが顧客へ回る可能性がある。
新しい製品、市場、需要は、より強い基盤をもたらすだろう。しかし、そうした機会は生産性の実演よりも証明に時間がかかる。
GoldmanのJim Covelloは、タイミングの問題を強調してきた。消費者の導入と技術的進歩が自身の予想を上回ったことは認めつつも、インフラ投資の最終的なリターンには懐疑的な姿勢を保っている。
彼の基準は実務的だ。さらに2年後も業界がこの技術を「まだ初期段階」と呼んでいるなら、収益性の遅れを正当化することは難しくなる。
楽観的な見方にも同等の重みを置くべきだ。AI事業は実際の収益を生み出しており、コーディングツールは一部の環境で測定可能な改善を示している。
The Atlanticの分析によれば、有料の法人導入は2025年から2026年にかけて大幅に拡大した。また、Anthropic、OpenAI、Anysphereが提供するコーディングエージェントへの需要も高まっているとした。
そのAI生産性分析で引用された最近の研究では、新しいツールにより、開発者は対照群よりも割り当てられたタスクを約20％速く完了できたことが示された。
この結果は、AIを利用した開発者の所要時間が20％長くなった以前の実験を覆すものだった。ツールの品質とユーザー体験は、測定結果を変えるほど改善した。
これが、「AIはもう一つのドットコム・バブルだ」という単純な結論が誤解を招く理由だ。能力は向上し、顧客は対価を支払い、一部の用途では直接的な利益が生まれている。
コーディングは、AIにとって特に有利な領域かもしれない。ソフトウェアには大規模な学習データセット、構造化されたフィードバック、チームがテストできるアウトプットがある。
他の知識労働には、こうした利点がない。戦略に関する提案は、必ずしも自動テストで評価できるわけではない。経営判断の質が明らかになるまでには、数カ月かかることもある。
したがって、現在のブームには持続的な勝者と深刻な過剰投資の両方が含まれ得る。これらの状況は矛盾しない。
クラウドプロバイダー、半導体メーカー、モデル開発者、アプリケーションベンダー、コンサルタント、企業チームは、それぞれ異なる位置を占めている。あるレイヤーの収益は、別のレイヤーにとって生産性を生まない支出になり得る。
モデルプロバイダーは、顧客が実験を続けることで成長できる。クラウド企業は、モデルプロバイダーが計算能力を必要とすることで成長できる。どちらも、企業の購入者が十分なリターンを得ていることを証明するものではない。
エンドユーザーが最終的に、上流への支出を支えられるだけの経済価値を生み出して初めて、この連鎖は健全に保たれる。
ここで、Webbの「豊富さのコスト」という警告は、バブルというラベルより有用になる。バブルをめぐる議論は、しばしば市場暴落の予測へと収束する。
彼女の主張は、運営上の経済性に焦点を当てている。上場企業の評価額が高水準を維持していても、企業は重複するパイロット、過剰なアウトプット、弱い統合によって資金を浪費し得る。
懐疑論者にとって最も強い証拠は、劇的な失敗ではない。広範な導入と、企業規模での利益への限定的な影響との間に残る、持続的な隔たりだ。
楽観論者にとって最も強い証拠は、ベンチマークではない。実際の業務における測定可能な改善と結び付いた、有料の需要だ。
移行期には、両方が真実であり得る。未解決の問題は、インフラと運営コストがリターンを上回る前に、今日の強力なアプリケーションが十分な数の産業へ広がるかどうかだ。
パイロット地獄は、モデルだけでなく統合の問題である
企業がパイロット地獄から抜け出すのは、AIを単独の製品として扱うのをやめ、導入をオペレーティングシステムの変更として扱い始めたときだ。
パイロットは通常、モデルがタスクを実行できるかを問う。本番プログラムは、企業が現実の制約下でその性能に依存できるかを問う。
その制約には、プライバシー、権限、レイテンシー、コスト、精度、従業員の行動が含まれる。予算と所有権に関する日常的な問題も含まれる。
多くのパイロットは、法務チームや情報技術チームから切り離されたままだ。これにより迅速な実験は可能になるが、導入に必要な作業は先送りされる。
これらの部門が最終的にプロジェクトをレビューすると、当初の設計はもはや実現可能ではない場合がある。チームはそこでパイロットを修正し、ベンダーを入れ替え、あるいは最初からやり直す。
レガシーシステムは問題をさらに深刻にする。企業データは、定義やアクセスルールが一貫しない互換性のないアプリケーションに散在していることが多い。
関連情報が断片化され、ガバナンスが不十分な場合、エージェントはワークフローを確実に完了できない。より優れた推論でも、欠けている権限や矛盾した記録を補うことはできない。
このため、エンタープライズAIは、信頼できる自動化を実現する前に説得力あるデモを生み出すことが多い。デモは整った例を使う。本番環境は、企業が実際に存在するありのままの状態に直面する。
従業員も非公式な回避策を作り出す。ツール間で情報をコピーし、個人用スプレッドシートを維持し、文書化されていない知識に頼る。
公式プロセスで学習したAIシステムは、実際に業務が完了する方法を見落とす可能性がある。広範なアクセスを与えられたシステムは、機密情報を露出させたり、権限のない変更を行ったりするおそれがある。
人によるレビューは引き続き不可欠だが、ワークフローに組み込んで設計する必要がある。従業員にすべてのアウトプットを確認するよう指示するだけでは、約束された時間削減が失われかねない。
レビューは、重大なリスクに焦点を当てるべきだ。顧客向けの主張には、社内のブレインストーミングリストよりも厳格な精査が必要である。支払いに関する判断には、会議の要約よりも強い統制が必要だ。
企業には中止基準も必要だ。パイロットでは、本番導入を正当化する性能、導入状況、経済的成果を定義すべきである。
こうした閾値がなければ、成功は主観的になる。スポンサーは、利用率の低さやコスト上昇を無視しつつ、印象的な事例を強調できてしまう。
懐疑的な観点から見れば、組織改革がすべてのケースを解決するとは限らない。一部のタスクは曖昧すぎる、頻度が低すぎる、あるいはリスクが高すぎるため、AI導入を正当化できない。
企業はモデルを適切に統合しても、そのユースケースがほとんど価値を生まないと分かることがある。それは必ずしも実行上の失敗ではなく、妥当な結果だ。
AIベンダーには、停滞したすべてのプロジェクトを統合上の課題として説明するインセンティブがある。その説明は、基盤となる製品を批判から守る。
証拠が別の方向を示す場合、購入者はその枠組みに抵抗すべきだ。モデルが、そのタスクに対して信頼性に欠ける、コストが高すぎる、遅すぎる、あるいは汎用的すぎる可能性がある。
この区別には、統制された測定が必要だ。企業は、レビュー時間とエラー修正を含め、AI支援による業務を適切なベースラインと比較すべきである。
継続的な利用も測定すべきだ。従業員は導入時には熱心にシステムを試すかもしれないが、新鮮さが薄れると使わなくなる可能性がある。
成功したパイロットは、日常的な条件を乗り越えなければならない。実データ、通常のユーザー、反復的な処理量、本番環境と同じ統制が必要だ。
また、知識の継続性も必要である。チームは、ベンダーやモデルがリリースされるたびに最初からやり直すのではなく、これまでのプロンプト、評価、失敗事例、意思決定を保持すべきだ。
こうした組織的な記憶は、実験の繰り返しを防ぐ。また、新しいモデルが経済性を変えるのか、それともデモを改善するだけなのかを、購入者が判断する助けにもなる。
より深い教訓は、エンタープライズ変革は依然として企業自身の責任だということだ。ベンダーはモデルやツールを提供できる。しかし、顧客の業務プロセスにあるあらゆる対立を解消することはできない。
経営幹部は、どのワークフローを再設計すべきかを決めなければならない。重複した手順を排除し、責任を持つチームに業務運営を変更する権限を与える必要がある。
そうでなければ、AIは単なる追加レイヤーになる。従業員は安全策として旧来のプロセスを維持しつつ、可視性を確保するために新たなAI支援プロセスも実行することになる。
この重複はコストを押し上げる。また、チームが二つのシステムを同時に維持するため、移行期間中は生産性が悪化したように見える可能性もある。
信頼できる導入計画では、どの旧来業務がなくなるのかを説明すべきだ。会議、レポート、承認、手作業のいずれも削減されないなら、そのAIシステムは複雑さを増している可能性が高い。
今後3カ月で企業が注視すべきこと
Webb氏の警告が持続的な経済パターンになりつつあるかどうかは、本番運用への移行、実際に獲得された財務価値、AI利用に対する統制強化という三つのシグナルによって示される。
最初のシグナルは、パイロット案件のうち継続的な本番運用へ移行する割合だ。新たな実験に関する発表よりも、既存のワークフローで一般社員が日常的に利用するシステムの方が重要である。
移行率が上がれば、「パイロット煉獄」説は弱まる。企業がガバナンス、データ、統合の障壁を解消していることを示すからだ。
本番運用の拡大を伴わずにパイロットだけが増え続けるなら、Webb氏の主張は強まる。それは、実験が導入への橋渡しではなく、持続的な購買カテゴリーになったことを示唆する。
企業がこれらのプログラムをどう表現するかにも注目すべきだ。「従業員が利用可能」であることは、日常的に使われていることと同義ではない。「導入済み」であることは、経済的価値があることと同義ではない。
二つ目のシグナルは、企業レベルの財務インパクトだ。McKinseyは、収益への何らかの寄与を報告した組織の大半でさえ、AIによるEBITへの寄与は5％未満だったと報告している。
今後の調査や決算説明会では、その寄与が拡大するかどうかが明らかになるはずだ。企業は、測定可能なコスト削減、売上高、サイクルタイムの改善、リスク低減を報告すべきである。
曖昧な生産性向上の主張には慎重であるべきだ。削減された時間に価値が生まれるのは、組織がそれを追加の成果、より良いサービス、またはコスト削減に活用する場合に限られる。
企業がAIを持続的な利益拡大と結び付け始めれば、バブルとの比較は弱まる。インフラ投資には、より明確な回収原資が生まれることになる。
一方、支出が増加するのに測定されたリターンが横ばいなら、警告は強まる。市場は、獲得価値の増加を伴わない活動拡大に資金を供給していることになる。
三つ目のシグナルは、利用制限やモデルルーティングシステムの普及だ。これらの統制は、コスト、速度、必要な能力に応じてタスクをモデルへ振り分ける。
Samsaraの利用上限やDocusignのより限定的なコンテキスト取得は、企業が隠れた運用コストを発見した後にどのように対応しているかを示している。
統制が増えたからといって、AI経済が崩壊している証拠にはならない。それは、市場が実験段階を終え、ユニットエコノミクスに向き合い始めたことを示すだろう。
この移行は健全であり得る。クラウドコンピューティングも、コスト管理、ガバナンス、ワークロード最適化に長年を要した。
ただし、予算超過の後に厳格な制限が導入されるなら、Webb氏の懸念を裏付けることになる。組織がコストを理解する前に、潤沢な利用を購入していたことを示すからだ。
読者は、業界ごとの違いも区別すべきだ。コーディング、顧客サービス、ナレッジマネジメント、文書処理では、構造化の度合いも測定可能なフィードバックの水準も異なる。
ソフトウェアエンジニアリングでの成功が、戦略や経営でも同様の成果を保証するわけではない。規制対象のワークフローでの失敗が、すべての社内アシスタントを無効にするわけでもない。
Google Newsが両方の側面に関する記事を引き続き表示するのは、根拠が実際に入り混じっているからだ。導入と収益は伸びても、企業のリターンは依然として均一ではない可能性がある。
重要な問いは、AIが実在するかどうかではない。AIが価値ある仕事をこなしていることは明らかだ。重要なのは、各導入が総コストを正当化できるほど業務上の成果を変えるかどうかである。
そのコストには、トークン、サブスクリプション、インフラ、統合、レビュー、トレーニング、そして組織の注意力が含まれる。また、パイロット段階を決して抜け出さないプロジェクトの機会費用も含まれる。
Webb氏のデーティングアプリの比喩は、終わりのない探索の危険を捉えている。企業は、安定した業務上の関係を築かないまま、ツールとユースケースを延々とマッチングし続けることができてしまう。
脱却への道は、実験を減らし、より厳しい基準を設けることから始まる。各プロジェクトには、責任者、経済的なベースライン、本番運用への道筋、明確な中止基準が必要だ。
経営陣は、新たなパイロットを承認する前に最後の一つの問いを投げかけるべきだ。この取り組みが成功した場合、どの意思決定、ワークフロー、またはコストがなくなるのか。
誰も答えられないなら、その企業に必要なのは新しい資料ではない。業務そのものについての明確さである。
