Bainの通信AIコスト警告が露呈させるOpexの罠
Bainは、雇用や業務がなくなった後でも、自動化への支出が運用費用を増加させ得るという、通信AIコストに関する重大な警告を発した。同社は、AIエージェント、トークン、関連するデータサービスが、最終的には通信事業者のコストベースの20%から30%を占める可能性があると見積もっている。
この警告は、通信AIプログラムを支える一般的な前提に疑問を投げかける。モデルが低廉化し、手作業が減っても、運用予算が縮小するとは限らない。既存のシステム、契約、承認プロセス、人間によるワークフローを維持したままなら、AIは従来の構造に積み重なる新たな支出となる。
この対立が重要なのは、通信事業者がすでに顧客対応、ネットワーク運用、ソフトウェアエンジニアリング、業務支援システム全般にAIを適用しているためだ。AT&Tはモデルルーティングやオープンモデルを試行する一方、Microsoftは専門特化型のネットワークエージェントを推進している。Bainの主張は、通信事業者が業務そのものを再設計した場合にのみ、これらのツールがコスト削減を生み出すというものだ。
Bainの通信AIコスト警告が削減方程式を変える
Bainの中心的なメッセージは、通信事業者はコストベースの一部をAIに置き換えることも、置き換えるはずだったコストを残したままAI支出を追加することもできる、という点にある。
同社は9月10日、2026年に通信業界向け分析を公表した。そこでは、今後3〜5年で通信事業者の運営構造が変化する可能性が示されている。AIエージェントがより多くの業務を実行・支援する一方で、人間は重要な意思決定の責任を担い続ける。
Bainは、従来型の費用が総コストの70%から80%を占め、AIエージェント、トークン消費、関連サービスが残りの20%から30%を構成する可能性のある運用モデルを提示している。
このモデル自体は、コスト削減の予測ではない。通信事業者が何に対して支払い、その費用がどのように変動するかの変化を表している。
好ましいシナリオでは、AIコストが同程度のレガシー支出を置き換える。通信事業者は重複業務をなくし、プロセスを簡素化し、不必要なソフトウェアを削減し、人員要件を変更する。スピード、処理能力、サービス品質が向上する一方で、総コストはおおむね安定する可能性がある。
危険なシナリオは、通信事業者が既存のコストベースをほとんど削減せず、同じAI支出を追加したときに始まる。従業員は従来のプロセスに従い続ける。ソフトウェアのサブスクリプションは有効なままだ。アウトソーシング契約も継続する。AIアシスタントは個別の工程を処理するが、引き継ぎや重複システムをなくすには至らない。
そうなると、総運用費用は新たなAIレイヤーの分だけ増加する。生産性、顧客体験、収益が、その増加を正当化できるほど改善しなければならない。そうでなければ通信事業者は、より効率的な組織ではなく、より複雑な組織に資金を投じたことになる。
この違いは重要だ。一般にopexと略される運用支出は、事業を継続する限り繰り返し発生する。失敗した設備投資案件では、目に見える資産と明確な減損が残る場合がある。一方、トークン利用、クラウド推論、監視、人間によるレビューは、部門横断で配分される月次の変動費を生み出し得る。
AIエージェントは、モデルへのアクセス以外にも支出を生む。ソフトウェアツールを呼び出し、保存された情報を取得し、出力を評価し、コンテキストを維持し、ときには失敗した手順を繰り返す。通信事業者は、こうした行動を支えるインフラと統制にも費用を支払わなければならない。
そのためBainは、トークン単価を主要指標とみなさない。トークンが安価でも、自動化されたワークフローが問題を解決したかどうかは分からない。有用な単位は、顧客課題の解決、ネットワーク障害の処理、提案書の作成、ソフトウェアリリースの完了にかかるコストだ。
元の報道は、最も厳しい含意を捉えている。Bainが例示したどちらの道筋も、総コストを自動的に削減するわけではない。一方は従来支出をAI支出に置き換え、もう一方は合計請求額を増加させる。
ここに変化がある。通信AIをめぐる議論は、モデルが業務を自動化できるかどうかだけの話ではなくなった。自動化によって不要となるプロセス、契約、組織階層を通信事業者が廃止できるかどうかを問う、財務上の試験になりつつある。
安価なモデルでも請求額は膨らみ得る
モデル価格の低下よりも、利用量、ワークフローの複雑性、需要の増加が速ければ、トークン単価が下がっても重要性は薄れる。
Bainによると、モデル価格は毎年およそ10分の1に低下している。これはAI支出削減への直接的な道筋に見える。しかし単価の低下は、多くの場合、利用範囲の拡大、より長いプロンプト、複雑な推論、長時間稼働するエージェントを促す。
かつて1つの文書の要約にAIを使っていた従業員が、後にはケース履歴全体のレビューを依頼するかもしれない。ネットワークチームも、障害メモの生成から、診断、復旧、検証、エスカレーションの調整へと進む可能性がある。こうした改善のたびに、必要なコンテキスト、推論、ツール利用の量は増える。
エージェント型AIはこの影響を増幅させる。AIエージェントとは、1つのプロンプトに答えるだけでなく、一連の行動を計画・実行できるソフトウェアだ。複数のシステムを参照し、失敗した結果を再検討し、1つのタスクを終える前に別のモデルを呼び出すこともある。
こうしたループは、許容可能な結果を生まないままトークンを消費する可能性がある。繰り返し使われるコンテキストは、モデル呼び出しのたびに送信されることがある。複数のガードレールが同じ出力を検査する場合もある。別々のチームが独立して設計したために、2つのエージェントが重複したチェックを行うこともあり得る。
モデルの請求書が捉えるのは、費用の一部にすぎない。本番ワークフローには、オーケストレーションソフトウェア、ストレージ、オブザーバビリティ、評価、サイバーセキュリティ統制、人間による監督が必要になる可能性がある。通信事業者は推論を最適化しても、それを取り巻くより大きなシステムを見落とす可能性がある。
需要もまた、別の圧力源となる。従業員が有用な用途を見いだすと、導入は事業部門全体へ広がる。ネットワーク運用と顧客対応は、大量の運用コンテキストを伴う高ボリュームのワークフローを含むため、特に影響を受けやすい。
チームは、定型業務にも新しい推論モデルを標準的に使うようになる可能性がある。これらのモデルはより優れた分析を提供できるが、より長い推論チェーンによって多くのトークンを消費する。1トークン当たりの支払いが減っても、タスクが使用するトークン数が大幅に増えれば意味がない。
このパターンは、他の技術で見られるリバウンド効果に似ている。効率化は個々の活動のコストを下げ、それが人々により多くの活動を促す。各単位が安価になっても、総消費量は増える可能性がある。
通信事業者は、ワークロードが恒常的であるため、さらなる複雑さに直面する。顧客からの依頼、アラーム、チケット、設定変更、不正チェックは、24時間継続する。自動化イベント1件当たりのコストがわずかに上がるだけでも、ネットワーク規模では大きな金額になり得る。
したがって、正しい比較はあるモデルと別のモデルの比較ではない。通信事業者は、AIを有効にしたワークフローと、それが置き換えるプロセスの総コストおよび成果を比較しなければならない。
その計算には、完了率、再試行、エスカレーション、エラー、監督、インフラ、後工程での修正を含めるべきだ。また、復旧の迅速化や顧客離反の抑制といった、即時の人件費削減には現れない価値も認識すべきである。
直接支出が増加しても、AIが有利になる結果はあり得る。大規模な障害の復旧時間を短縮するネットワークエージェントは、大きな事業価値を生む可能性がある。より多くの依頼を解決することなく会話時間だけを延ばすチャットボットは、逆の結果をもたらすかもしれない。
これが、Bainの通信AIコスト分析が完了タスク当たりのコストに焦点を当てる理由だ。トークン単価の低下や導入率の上昇を称賛するのではなく、支出を測定可能な結果と結びつけるよう通信事業者に求める。
本当のOpexの罠は二重運用モデルにある
AIが周辺部分で新たな業務を担う一方、レガシー組織が変わらず稼働し続けるとき、AIはopexの罠となる。
通信会社がクリーンなシステムから始めることはほとんどない。多くの企業が、複数ベンダーのネットワーク、カスタマイズされた業務支援プラットフォーム、長期のアウトソーシング契約、長年の拡張や買収を通じて蓄積されたソフトウェアを運用している。
そうした環境にアシスタントを追加すれば、1つの工程を速くできるかもしれない。しかし、残る工程が自動的になくなるわけではない。
AIで通話を要約する顧客サービス担当者を考えてみよう。要約は時間を節約するかもしれないが、担当者は依然として本人認証を行い、複数のシステムを検索し、承認を依頼し、記録を更新し、顧客の問題を解決する必要がある。通信事業者は、基盤となるすべてのプラットフォームと組織上の引き継ぎに対して、引き続き費用を支払う。
ネットワーク運用アシスタントにも同じリスクがある。アラームを分類したり対応を推奨したりしても、エンジニアは従来の監視、チケット管理、エスカレーションのプロセスを使い続ける。AIの出力は、従業員が確認しなければならない新たな成果物となる。
Bainはこれを二重運用モデルと呼ぶ。人間主導のワークフローはそのまま残り、AIはその周辺で断片的な業務を行う。基盤プロセスが変わらないため、ライセンス、アウトソーシング費用、管理階層、手作業の統制は残り続ける。
エンドツーエンドの再設計では、異なる結果が生まれる。通信事業者は成果から始め、それを達成するために必要なすべての工程を可視化し、なくすべき工程を判断する。AIは、継承された複雑性に付け足されるのではなく、より単純なプロセスに参加する。
Bainは、Vivoのクローズドループ型ネットワーク運用の取り組みを例として挙げている。コンサルティング会社によれば、同社は検知から解決までの完全なプロセスを再設計した。AIは異常を検知し、考えられる原因を特定し、是正措置を実施し、結果を検証し、例外をエスカレーションできる。
この構造は、1つの分析工程ではなく、インシデント全体を対象とする。人間の注意は、判断や介入を必要とするケースへと移る。手作業による引き継ぎが減り、解決の遅れが小さくなるため、AI支出が依然として大きくてもワークフローは価値を生み出し得る。
ただし通信事業者は、ベンダー契約を再設計の一部として扱わなければならない。エージェントがソフトウェアのシート、外部サービスプロバイダー、アウトソーシングチームが従来担っていた業務を引き継ぐなら、こうした契約上の義務を見直すべきである。そうしなければ、自動化は技術的な削減を生んでも、財務上の削減にはつながらない。
人員計画にも同程度の注意が必要だ。新しいプロセスが機能する前に経験豊富な従業員を削減すれば、サービス品質と組織知識を損なう可能性がある。自動化が成熟した後もすべての役割を変えずに維持すれば、重複コストを残すことになり得る。
Gartnerは9月9日、より広範な警告を加えた。将来の働き方に関する予測では、AIによる代替を理由に解雇された従業員の30%は、2029年までに再雇用が必要になると予測している。同社は、人材パイプラインと組織知識が弱まるため、多くの再雇用人材のコストが高くなると見込んでいる。
この予測は通信業界を超えた産業を対象とするものだが、Bainのストレステストを直接補強している。性急な人員削減は、当初のビジネスケースを魅力的に見せる一方で、後から採用、研修、サービス、是正のコストを生み出す可能性がある。
目標は既存のすべての活動を守ることではない。人員削減を、再設計されたシステムが機能している証拠として扱わないことだ。
通信事業者はまず、AIが対象ワークフローを許容可能な品質とリスク水準で完了できるかを確認すべきである。その後、検証済みの成果を基に、役割、契約、承認、システムを変更できる。この順序により、組織変革が運用上の証拠と結び付く。
したがって、opexの罠は単に高価な推論コストではない。明日の自動化レイヤーの下に、昨日のコスト基盤が残り続けることだ。
AT&Tが示す、実務におけるトークンエコノミクス
AT&Tの対応は別の選択肢を示している。各タスクにモデル能力を適合させ、ワークフロー全体のコストを軸にオーケストレーションを設計することだ。
Bainによると、AT&Tは毎日数十億トークンをより効率的に処理する方法を検討した。この通信事業者は、大規模な調整エージェントが小規模で専門特化したモデルに作業を委任できるよう、オーケストレーションを再設計した。
Bainが引用したAT&Tの説明によれば、このアプローチによりコストを最大90%削減し、スループットを3倍にしたという。これらの数値は企業側の主張であり、独立監査を受けた業界ベンチマークではない。それでも、本格的なコスト管理戦略が何を最適化しようとするのかを示している。
AT&Tはこのアプローチをトークノミクスと呼ぶ。この文脈でのトークノミクスとは、タスクの複雑さ、性能、コストに基づいて選択し、モデル消費を運用リソースとして管理することを意味する。
この通信事業者は、導入と最適化をより細かく制御できることから、オープンモデルを検討してきた。そのtokenomics strategyは、利用可能な最大モデルにすべてのリクエストを送ることを前提としていない。
日常的な分類タスクには小規模モデルで十分な場合がある。複雑なネットワーク診断では、より高性能な推論システムを正当化できるかもしれない。調整エージェントは、すべての工程で1つの高価なモデルを使うのではなく、それらの間で作業を振り分けられる。
この戦略が重要なのは、モデル選定がしばしば見えないところで行われるためだ。従業員は使い慣れたツールを選び、開発者はアプリケーションに1つのデフォルトモデルを設定する。パイロット段階ではコスト差は小さく見えるが、利用が本番規模に達すると拡大する。
ルーティング自体にもコストとリスクがある。通信事業者は、各タスクをどのモデルが確実に処理できるかを評価しなければならない。フォールバックルール、性能監視、セキュリティ管理、人によるレビューの明確な境界も必要になる。
それでも、こうした仕組みはより良い財務上の問いを支える。通信事業者は、必要なサービス水準でタスクを解決するには、モデル、ツール、人材のどの組み合わせが最適かを問えるようになる。
Microsoftの経験は有益な比較対象となる。同社の通信業界CTOは、大規模な異常検知モデルは大きな複雑性を加える一方、従来の統計手法を上回る改善は限定的だったと述べた。同社は、あらゆるネットワーク障害を予測することから、障害発生時に迅速に対応することへと焦点を移した。
この認識は、技術的に興味深いユースケースと、財務的に有用なユースケースを分ける点で価値がある。より高度なモデルであっても、より単純な手法がほぼ同等の性能を発揮するなら価値を生まない。
Microsoftは引き続き、ネットワーク運用と業務支援システムに可能性を見ている。同社のNetwork Operations Agentフレームワークは、テレメトリー、チケット処理、トラブルシューティング、現場調整などの機能に特化したエージェントを利用する。
Far EasTone Telecomは、このフレームワークをネットワーク運用センターで活用している。Microsoftの導入事例によると、同社のネットワーク運用センター活動の約60%はAI支援を受けている。
支援されていることは、自律化されていることを意味しない。Microsoftは、エージェントが高度な運用ワークフローを支援する場合でも、自社ネットワークの変更については人による監督を維持している。この区別は運用リスクを抑える一方、人件費の一部を残すことにもなる。
これが、Bainの通信AIコスト管理における中心的なトレードオフである。通信事業者はより大きな自動化を望むが、信頼性要件は評価、承認、説明責任を求める。監督を早すぎる段階で外せば、障害や誤操作を招く可能性がある。過度な監督を残せば、経済的なメリットが消える可能性がある。
AT&Tのアプローチはこの緊張関係を解消するものではない。それを測定可能にする。モデルルーティング、専用予算、タスク単位の会計により、リーダーは自律性の向上が成果を改善する箇所と、単に消費量を増やすだけの箇所を把握できる。
実務上の教訓は、すべての通信事業者が1つのアーキテクチャを模倣すべきだということではない。AI支出には、導入が1日あたり数十億トークンに達する前に、設計された管理システムが必要だということだ。
コスト削減の物語が依然として証明していないこと
Bainは有用な運用モデルを提示しているが、その比率はシナリオであり、通信業界全体で検証済みの節約額や損失額ではない。
70対30という構造は、コストがどのように変化し得るかの推定である。Bainは、この図解には支出額の絶対的な変化が含まれていないと指摘している。すべての通信事業者がAIに同じ割合を支出するという予測として解釈すべきではない。
通信事業者ごとに、ネットワークの規模、労働構造、アウトソーシングの取り決め、規制、クラウド戦略は異なる。ある企業に適したモデルが、別の企業には不適切な場合もある。
完了したタスクのコストは、選んだ成果指標にも左右される。顧客対応は、処理時間、解決率、満足度、継続率、収益で測定できる。自動化プログラムは、ある指標では成功に見えても、別の指標では弱く見えることがある。
ネットワーク障害にも同様の問題がある。診断の高速化は有益だが、推奨内容が正確で、修復が成功した場合にのみ意味を持つ。迅速だが信頼性の低い回答を生成するエージェントは、レビューや修正作業を増やす可能性がある。
Bainの主張はまた、通信事業者がレガシーコストを特定し、削減できることを前提としている。しかし、それは技術的な課題というより、契約や組織に関わる課題であることが多い。ソフトウェア契約は何年も続く可能性がある。規制上の管理措置は引き続き必須かもしれない。外部委託機能は、AIが一部しか扱えない活動までカバーしている場合がある。
需要の不確実性は、予測をさらに複雑にする。従業員がより多くの用途を見つければ、トークン消費は加速し得る。一方、ガバナンスが改善し、小規模モデルが成熟し、通常の自動化が不要なAI呼び出しを置き換えれば、消費は安定する可能性もある。
利益は営業費用の項目以外に現れる可能性がある。ネットワーク信頼性の向上は解約率を下げ得る。提案書作成の高速化は営業能力を高め得る。自動化された地方のキオスクは、有人店舗では採算が取れない市場にサービスを提供できる。
Bainは、地方コミュニティにおけるAI対応セルフサービスキオスクに関するTeliaのパイロットを例に挙げている。この事例は、既存業務を削減することから、これまで不経済だった需要に対応することへと経済的な問いを変える。
これは単純なコスト削減ではなく、成長のケースである。サービスが十分な収益または顧客価値を生むなら、新たなAI支出を正当化できる。すべてのプロジェクトをopex削減プログラムとして扱えば、この違いを見落とすことになる。
企業がこの警告を理由に、価値ある導入まで遅らせるリスクもある。AI支出は現実のものだが、遅延、障害、反復作業、顧客の不満も同様に現実のものだ。変動費をすべて避ければ、通信事業者が解消したい非効率性を温存することになる。
より良い対応は、事業成果に結び付いた規律ある実験である。パイロットでは、品質、完了コスト、導入状況、運用リスクを確立すべきだ。また、パイロットが拡大した場合に、どの旧来の支出を正確に削減できるかも特定する必要がある。
ここで概念実証はしばしば失敗する。デモンストレーションは、モデルがタスクを実行できることを示せる。しかし、組織がワークフローを廃止できること、契約を再交渉できること、その能力をめぐる説明責任を変えられることまでは、ほとんど証明しない。
したがって、Bainの警告を懐疑的に読む際にはバランスが必要である。その分析は、AIがすべての通信事業者の総コストを増加させると立証しているわけではない。モデル価格の低下や印象的なパイロットだけでは、節約の十分な証拠にならない理由を示している。
今や負担は通信事業者側に移る。単なる導入件数、トークン量、人員に関する発表ではなく、タスク単位の経済性を公表するか、社内で検証しなければならない。
通信事業者が罠から抜け出すかを示す3つのシグナル
次の試金石は、通信事業者がAI消費を完了成果に結び付け、重複コストを廃止し、サービスを損なうことなく実証済みワークフローを拡大できるかどうかだ。
第1のシグナルは、タスク単位の報告である。通信事業者は、解決済みの顧客案件、ネットワーク障害、ソフトウェアリリース、営業提案の総コストを追跡すべきだ。その数値には、モデル、インフラ、評価、再試行、ツール、人によるレビューを含める必要がある。
完了品質を維持しながらタスクコストが下がれば、Bainが示す好ましい道筋を裏付けることになる。トークン単価が下がっても、成果1件当たりの総コストが上昇するなら、opexの罠が形になりつつある。
第2のシグナルは、レガシー支出の廃止が可視化されることだ。通信事業者は、自動化の成功が、冗長なアプリケーションの削減、プロセスチェーンの短縮、外部委託契約の見直し、役割の再設計につながっていることを示すべきである。
人員削減だけでは不十分だ。Gartnerの再雇用予測は、自動化、トレーニング、ガバナンスの準備が整う前に人員を削減するリスクを浮き彫りにしている。持続可能な節約には、プロセスそのものの変更が必要だ。
通信事業者が重複ソフトウェアと手作業による引き継ぎを減らしている証拠は、ワークフロー再設計に関するBainの主張を強める。一方、AI支出とレガシー契約の両方が継続的に増加するなら、そのコスト増加シナリオを支持することになる。
第3のシグナルは、パイロットから高価値の本番ワークフローへの、統制された拡大である。Bainは、コストが高く難しい3つのプロセスを選び、エンドツーエンドで再設計することを推奨している。顧客対応、ネットワーク運用、ソフトウェアデリバリーは明白な候補だ。
成功する拡大は、デモンストレーション以上の成果を生むべきである。所有責任、許容可能なエラー率、人へのエスカレーションルール、財務上の説明責任を確立する必要がある。すべてのエージェントには、担当責任者の明示と測定可能な成果が必要だ。
通信事業者が財務アップデートや運用説明会でこれらのプログラムをどう語るかに注目すべきである。エージェント数や消費トークン数に関する主張が示すのは活動量であり、価値ではない。解決、復旧、継続、スループット、総コストに結び付いた指標は、運用モデルが変わったかどうかを示す。
今後数カ月で、通信AIの長期的な経済性が決着することはない。しかし、経営幹部が目先の会計上の課題を受け入れたかどうかは明らかになる可能性がある。
Bainの通信AIコストに関する調査は、通信事業者に具体的な選択を突き付けている。従来のワークフローにアシスタントを追加し続けるか、測定可能な成果を軸に選択したワークフローを再構築するかだ。買い手と従業員は、新しいエージェントが導入されるたびに、どのコストが消えるのかを問うべきである。リーダーがその問いに答えられないなら、約束された効率化は事業成果ではなく、支出予測にとどまる。
