大企業が中小企業に示す、AIで何をすべきか、何を避けるべきか

Google Newsは8月30日、Gene Marksによる率直な警告を取り上げた。中小企業が模倣すべきなのは大企業のAI活用の成功であり、その支出習慣ではない。

Guardianに寄稿した同氏のコラムは、大企業がすでに多くの高コストな実験に資金を投じてきたと論じる。中小企業はいま、どのプロジェクトが有用な成果を生み、どれが業務を変えないまま資金を消費するのかを見極められる。

これは中小企業にとって単純な優位性のように聞こえる。しかし、その背景にある証拠はより厳しい対立を示している。大企業ほどAIを頻繁に利用している一方で、全社的に意味のある財務上の利益を報告する企業は一部にとどまる。

分かれ目は、AIを使う企業と無視する企業の間にあるのではない。焦点を絞ったワークフローの変更と、期待、経営陣からの圧力、あるいは取り残されることへの恐れを軸に組み立てられた大規模プログラムとの間にある。

大企業は、ソフトウェア開発、顧客サービス、セキュリティ、音声アプリケーションで実用的な用途を見いだしてきた。一方で、増大する計算コスト、信頼性に欠ける出力、従業員の抵抗、期待外れの収益にも直面している。

中小企業は、より少ない財務的余力で同じ技術的リスクに向き合う。その優位性は、より優れた技術ではない。狭い課題を選び、1つのワークフローを変え、成果が期待を下回れば迅速に止められることだ。

この違いは、経済全体でAI導入が進むなかで重要になる。必ずしも最大の予算を持つ企業が勝者になるわけではない。支出を測定可能な業務につなげられる企業が勝つ。

Google Newsが見出しの陰に残したもの

中心的な出来事は、AI実験から、大企業での導入実績に基づく選択的な採用への移行である。

Marksは、大規模な企業投資が続いた数年を経て、small business AIで自身の主張を発表した。彼の指摘は技術論ではなく、観察に基づくものだ。大企業は、中小企業にはほとんど手の届かない規模でAIを試験してきた。

こうした試験の一部は、有用なパターンを生み出した。AI支援コーディングは、開発者によるソフトウェアの草案作成、レビュー、文書化、テストを支援できる。顧客サービスチームは、会話の要約や、人間による承認のための回答案作成にモデルを利用できる。

セキュリティシステムは、機械学習を使って異常な活動にフラグを立てられる。音声ツールは、通話を文字起こしし、アクション項目を特定し、記録された情報を検索可能にできる。

これらのアプリケーションには重要な共通点がある。いずれも、すでに企業内に存在する認識可能なタスクから始まる。企業は新しいプロセスを確立済みの基準値と比較できる。

ソフトウェアチームは、レビュー時間、不具合率、提供速度を測定できる。サポートマネージャーは、応答品質、解決時間、エスカレーション、顧客満足度を監視できる。

営業チームは、通話の処理や記録の更新に必要な時間を比較できる。セキュリティ担当者は、誤警報、調査時間、検知したインシデント数を測定できる。

弱いプロジェクトは、しばしば異なる形で始まる。リーダーは、改善すべき業務を特定する前に全社AI戦略を発表する。その後でチームはツールを購入し、インフラを構築し、用途を探し始める。

この順序は、コストのかかる組織的な見せかけを生む。企業は、信頼できる本番ワークフローを作らないまま、パイロット、プレゼンテーション、ベンダー契約、研修を積み上げかねない。

Google Newsでは、背景にある証拠が異なっていても、こうした記事が並列に表示される。コーディング支援ツールの導入成功と、野心的な自律エージェントのプログラムは、どちらも「enterprise AI」と分類され得る。

中小企業の経営者にとって、そのラベルは意思決定の指針として広すぎる。重要な問いは、タスク、データ、人間によるレビューのプロセス、そして経済的な結果に関するものだ。

元のコラムは、生産性と給与削減も区別している。Marksは中小企業の雇用主に対し、AIを即時の人員削減を掲げるためではなく、従業員の能力を高めるために使うべきだと主張する。

この選択には業務上の価値がある。目的が雇用削減ではなく成果向上であると明示されれば、従業員が問題を隠す理由は減る。彼らのフィードバックは、顧客が遭遇する前にエラーを明らかにできる。

また、システムが機能する前に予想される人件費削減を計上したくなる誘惑も抑えられる。従業員が信頼性に乏しい出力を修正する時間を費やすなら、予測された削減は実現した価値ではない。

したがって、この見出しはAIの意思決定におけるより広い変化を示している。導入は抽象的な熱狂から、どこまで自動化を信頼に値すると判断するかという選択へ移りつつある。

この物語において、中小企業は単に導入が遅い存在ではない。企業による最初の検証結果が可視化された後に参入する観察者なのだ。

大企業では導入が進む一方、価値はなお一部に集中している

大企業はAI導入で明確な優位性を持つが、幅広い財務的効果を立証することははるかに難しい。

米国国勢調査局は、2025年12月から2026年5月3日にかけて収集された企業調査データを検討した。この期間のAI利用率は全体で17%から20%の間にとどまった。

同じbusiness AI dataは、企業規模による大きな差も示した。従業員250人以上の企業では、37%がAIを利用していると回答した。

従業員100人から249人の企業では、5月3日終了時点の期間に32%が利用を報告した。これらの数字は、大企業ほど新しいシステムを導入する能力を依然として多く持つことを裏付ける。

大企業は専門家を採用し、ベンダー契約を交渉し、データを準備し、社内ガバナンスプログラムを作れる。また、初期の収益が不確実なままでも、実験をより長く継続できる。

しかし、導入は価値を証明しない。従業員がメールの下書きを作ることから、企業が主要な業務プロセスを再構築することまで、幅広い活動を指し得る。

Federal Reserveは2026年4月のレビューで、この測定上の問題を取り上げた。国勢調査データによると、2025年末までにAIを導入していた企業は約18%だった。

しかし、雇用者数で加重した経営者調査では、78%の労働者がAIを利用する企業に雇用されていると推定された。約54%は、大規模言語モデルを利用する企業で働いていた。

adoption measurementが変わるのは、調査ごとに数える単位が異なるためだ。企業単位のデータでは、小規模企業も全国規模の雇用主も、それぞれ1社として数えられる。

この結果は、AIが職場で一般的に感じられる一方で、大多数の企業にはまだ存在しない理由を説明する。大規模雇用主は労働力の大きな割合をカバーしている。

質問文の違いも別の差を生む。国勢調査局は2025年11月、調査対象を本番業務から、あらゆる事業機能におけるAI利用へと広げた。

この変更は、管理業務を含むより多くの活動を捉える。同時に、古い結果との比較をより直接的ではないものにする。

中小企業は導入統計を、義務ではなく文脈として扱うべきだ。高い割合は、特定のツールが自社の顧客、データ、あるいは運営モデルに適していることを示さない。

財務面の証拠のほうが、より多くを明らかにする。McKinseyの2026年グローバル調査には、97カ国の1,719人が回答した。

37%は、AIが少なくとも何らかの利益への影響をもたらしたとした。しかし、重大な影響があり、利益の少なくとも5%がAIに結び付く高業績企業に該当したのは約6%にすぎなかった。

enterprise AI resultsは、この高業績企業の割合が2025年から増えていないことも示した。導入は、最上位の財務的成果より速く広がった。

この隔たりが、この物語の背後にある圧力を生んでいる。ベンダーはより広範な導入を望み、経営陣は目に見える進捗を求め、従業員は日々の仕事を楽にするツールを求める。

財務責任者は検証済みの収益を求める。セキュリティおよび法務チームは統制を求める。顧客は正確性と、自身の情報が責任を持って扱われることを期待する。

中小企業は、より大きな戦略文書でこうした競合する要求を解決できない。誰もが検証できる、より小さな経済単位が必要になる。

その単位がワークフローだ。ワークフローには、入力、出力、責任者、品質基準、コストがある。

例えば、サポートチームは従業員がすべてのメッセージを承認する形で、AIを返信案の作成に使える。企業は節約された時間を測定し、修正率を追跡できる。

また、会社全体を混乱させることなく試験を停止できる。モデル、価格、ポリシー、ベンダーの能力は変化し続けるため、この可逆性は価値がある。

したがって、企業のAI導入から得られる最も強い教訓は、「より多くのAIを使う」ことではない。「それぞれのユースケースに、自らの価値を証明させる」ことだ。

焦点を絞ったワークフローは、全社AIの見せかけを上回る

主な競争は、測定可能なワークフロー再設計と、目に見える活動を業務上の進展と取り違えるAIプログラムとの間にある。

ワークフロー再設計とは、定義されたタスクが開始から完了までどのように進むかを変えることだ。変更されていないプロセスの横にチャットボットを追加することではない。

営業電話を考えてみよう。表面的な導入では、営業担当者に汎用的な文章作成ツールを渡し、推定の時間節約を記録する。

再設計されたワークフローでは、会話を取得し、構造化された要約を作成し、約束事項を特定し、顧客記録の更新案を提示する。情報がシステムに入力される前に、人が確認する。

この2つ目のアプローチでは、明確な確認ポイントが生まれる。マネージャーは、記録がより完全になるか、フォローアップが早まるか、従業員が管理業務に費やす時間が減るかを測定できる。

同じ原則は社内ナレッジにも当てはまる。企業は数千の文書を保有していても、従業員が正しいポリシーやプロジェクト判断を見つけられない場合がある。

AIを整理されていないファイルに接続しても、その問題が自動的に解決するわけではない。システムには適切なアクセス制御、最新のソース資料、回答の根拠を示す手段が必要だ。

証拠が欠けている場合に、従業員がどう対応するかも定義する必要がある。AIシステムはもっともらしい回答を捏造するのではなく、不確実性を表明すべきだ。

中小企業は、このパターンを1つのチーム内で試せる。承認済みの営業資料、技術文書、社内手順から始めてもよい。

検索可能なAI knowledge baseは、ソースと権限がワークフローに合致している場合、この作業を支援できる。情報の所有責任を置き換えることはできない。

大企業は、焦点を絞った導入が機能しやすい領域を示してきた。コードはテスト、レビュー、バージョン管理を通過できるため、ソフトウェア開発はその一例だ。

AIは最終的な権限を与えられることなく、コードを提案できる。開発者は変更を検査し、必要に応じて元に戻せる。

顧客サービスも、もう1つの有用なパターンを提供する。モデルは、問い合わせを分類し、長い会話を要約し、承認済み情報を取得し、返信案を作成できる。

企業が通常ケースと例外ケースの両方で正確性を測定する前に人間によるレビューを外すとき、リスクの高い段階に入る。流暢な回答でも誤っている可能性がある。

音声アプリケーションも同様のパターンに従う。文字起こしと要約は事務作業を減らせるが、機微な録音には明確な保持およびアクセス規則が必要だ。

セキュリティアプリケーションは、大量の活動のなかから異常な行動を検知できる。しかし、誤検知には依然として調査が必要であり、自動応答は正当な業務を中断しかねない。

これらの例は、中小企業のAI活用が無制限の自律性ではなく、支援から始めるべき理由を説明している。支援は、顧客と事業の文脈を理解する人の手に権限を残す。

自律性は、あらゆるエラーのコストを押し上げる。不適切なメッセージを下書きするモデルは、レビュー作業を生み出す。それをモデルが独自に送信すれば、顧客対応の問題になる。

AIエージェントが複数のシステムにまたがって行動する場合、その差はさらに大きくなる。エージェントとは、目標に向けて複数の手順を計画し実行するソフトウェアである。

エージェントはメールを読み、データベースを更新し、見積書を作成し、フォローアップを予定することがある。接続先が増えるたびに、潜在的な価値と損害の両方が拡大する。

大企業は、テスト環境、アクセス制御のレビュー、監視システム、インシデント対応チームに資金を投入できる。多くの中小企業は、そうしたインフラを再現できない。

したがって、システムの権限を抑えるべきだ。読み取り専用アクセス、限定的なデータ範囲、承認ゲート、取引上限を設ければ、パイロット導入をより安全にできる。

このアプローチはイノベーションに反対するものではない。信頼性を、導入後に追加する障害ではなく、製品の一部として扱うものだ。

組織は、初稿作成で節約された時間だけでなく、総作業量も測定すべきである。レビュー、修正、再トレーニング、統合、ベンダー管理にかかる時間は、すべて計算に含める必要がある。

コンテンツを素早く下書きするツールでも、従業員が裏付けのない主張をすべて検証しなければならないなら、負の価値を生む可能性がある。ある工程での速度向上は、別の場所へ労働を移すだけになり得る。

だからこそ、「生産性向上」という言葉には分母が必要だ。企業は、それが処理完了件数の増加、サイクルタイムの短縮、品質向上、運用コスト削減のどれを指すのかを明確にすべきである。

例外を捉えられるだけの十分な期間にわたって、結果を測定する必要もある。きれいな事例を使ったデモは、顧客対応が混乱しがちな通常の1か月を代表できない。

Google Newsの報道は、孤立した成功事例を一般化可能な公式のように見せることがある。中小企業は見出しの先を見て、その結果を可能にした条件を特定すべきだ。

そうした条件には、準備されたデータ、積極的に関与するプロセス責任者、明確な品質指標、経営陣の支援が含まれることが多い。モデル自体は構成要素の一つにすぎない。

コスト、精度、信頼が節約分を打ち消しかねない

AIが価値を生むのは、その運用コストと障害リスクが、改善する業務の価値を下回る場合に限られる。

コンピューティングコストは、導入をめぐる議論の一部になっている。AIシステムは多くの場合、情報の処理や生成に使われる単位であるトークンに応じて課金する。

短い対話であれば、使用するトークンは少ないかもしれない。長文書、繰り返されるエージェントループ、大規模な検索・取得プロセスは、はるかに多くを消費する可能性がある。

McKinseyの調査では、回答者の5人に1人が、運用コストが自組織のAI利用を制約していると答えた。この制約にはトークン費用が含まれ、企業規模を問わず見られた。

チャットボット、AIエージェント、コーディングエージェントの3カテゴリーについて、それぞれおよそ10人に1人がコスト制約を報告した。これらの数字は、ソフトウェアは導入後に自動的に安くなるという考えに疑問を投げかける。

中小企業は、パイロットを拡大する前にコスト管理を整える必要がある。タスク当たりの平均費用と、繁忙期に利用量がどう変化するかを把握すべきだ。

システムが失敗したときに何が起きるかも検証すべきである。再試行、長いプロンプト、繰り返しの検索、エスカレーションは、コンピューティングコストと人件費の両方を増加させる可能性がある。

デモ規模では手頃に見えるプロセスも、本番規模では採算が取れなくなることがある。重要な指標は、生成された回答当たりのコストではなく、承認された成果物当たりのコストである。

精度にも別のリスクがある。生成AIはデータ内のパターンから出力を予測するため、自信に満ちた表現が事実の正確性を保証するわけではない。

顧客向けのエラーは、返金、苦情、信頼の喪失を招く可能性がある。誤った財務上または法的な記述は、より深刻なリスクにつながり得る。

NISTのAIリスクフレームワークは、こうした問題を管理するための自主的な枠組みを組織に提供している。その中核となる活動は、リスクのガバナンス、マッピング、測定、管理に関するものだ。

NISTは2024年7月、生成AIのプロファイルも公表した。このプロファイルは生成システムに特有のリスクを特定し、組織が適応できる対策を提案している。

中小企業が、この中心的な考え方を適用するために大規模なコンプライアンス部門を持つ必要はない。ただし、責任者を明確にし、境界を文書化する必要はある。

責任者は、どのデータがシステムに入力されるか、誰が出力を閲覧できるか、どの行為に常に承認が必要かを把握すべきだ。企業は障害も記録すべきである。

その記録は、逸話を証拠へと変える。従業員が同じエラーを繰り返し修正しているなら、ワークフローには異なる指示、より良いソースデータ、または別のツールが必要である。

プロンプトの工夫では解決できない問題もある。モデルには、最新情報、信頼できるアクセス制御、あるいは高リスク業務に必要な十分な精度が欠けている場合がある。

証拠がそれを裏付けるなら、弱いプロジェクトを中止することは成功した判断である。中小企業は、すでに時間を投じたという理由だけでパイロットを維持すべきではない。

従業員の信頼は、技術的な性能と同じくらい重要だ。人員削減の正当化として主に提示されるツールには、従業員は抵抗するだろう。

また、修正のたびに自らの雇用の安定性が損なわれるように見えるなら、欠陥の報告を避けるかもしれない。その行動は、システム改善に必要な情報を経営陣から奪う。

企業の実績は、有用な現実確認を提供する。McKinseyによると、AIを利用する組織の回答者のうち14%は、前年にAIが全体的な従業員数の減少に寄与したと見ていた。

これは、人員削減を予想していた32%の半分未満だった。3分の2は、総雇用にAI関連の変化がほとんどない、またはまったくないと報告した。

したがって、期待と現実には依然として大きな隔たりがあった。それでも39%は、翌年にAIが人員削減につながると予想していた。

中小企業は、そうした予想される削減をリターンとして数えるべきではない。企業がそれを前提に人員配置を再設計できるのは、ツールが確実に機能してからである。

従業員を関与させ続けることで、より良い証拠が得られる。彼らは、どのケースが定型的か、どの顧客に配慮が必要か、どこでソース情報の信頼性が下がるかを知っている。

ベンダーのデモがプロジェクトに影響を及ぼす前に、受け入れ基準の定義を手伝ってもらえる。また、決して委任すべきでない業務も特定できる。

懐疑的な見方としては、中小企業には、規律あるパイロット導入に必要な時間、データ、技術的専門性すら不足しているというものがある。この懸念は正当である。

限定的なテストであっても、プロセスの知識、評価、トレーニング、監督が必要になる。使い慣れたサブスクリプションを購入しても、こうした責務がなくなるわけではない。

しかし、リソースが限られているからこそ、規律はより重要になる。中小企業はユースケースを絞り込み、それぞれにより明確な証拠を求めるべきである。

また、元に戻せる決定を優先すべきだ。エクスポート可能なデータ、短い評価期間、人による承認、限定的な権限は、悪い選択による影響を抑える。

これらの管理策は、リターンを保証するものではない。失敗が企業全体のコミットメントになる前に、それを可視化する。

中小企業のAIには中核業務の課題がある

中小企業は、業務の周辺で利用しやすいAIを活用することが多い一方、より深い業務運用への導入は依然として限定的である。

OECDの2025年レビューは、中小企業と大企業の間に根強い導入格差があることを示した。加盟国全体では、従業員250人以上の企業の40%がAIを利用していた。

従業員50人から249人の企業では、この割合は20.4%に低下した。従業員10人から49人の企業では、わずか11.9%にとどまった。

これらの数値は、2024年または入手可能な最新の各国データを用いたものだ。国によって定義が異なるため、OECDは不用意な比較を避けるよう注意を促している。

それでも、より広い傾向は一貫していた。G7全体で、中小企業は大企業よりもAIの導入頻度が低かった。

格差は用途によって異なった。欧州のデータでは、自然言語生成における差は自律型機械に比べて小さかった。

これは、テキストツールのほうが利用しやすいため理にかなっている。専門的なハードウェアを必要としないことが多く、個々の従業員を通じて企業に入り込むことができる。

しかし、アクセスのしやすさは業務運用の深さと同義ではない。SME導入レビューによると、AIを利用する中小企業のうち、生成AIを中核活動に適用していたのは29%にすぎなかった。

多くは、生産を変えることなく業務を支援する周辺的なタスクに利用していた。マーケティングと営業は、中小企業がAIを比較的積極的に活用していた分野として際立っていた。

周辺業務でも価値をもたらすことはある。キャンペーンのバリエーションを下書きしたり、会議を要約したりすることで、有意義な時間を節約できるかもしれない。

問題は、企業が散発的な個人利用を業務能力と取り違えるときに生じる。従業員は異なるツールを使い、異なる情報をアップロードし、一貫性のない品質チェックを適用する可能性がある。

すると、管理者はリスクと結果を把握できなくなる。AIがワークフローを改善したのか、それとも従業員が孤立したタスクを完了する方法を変えただけなのか、企業には判断できない。

未承認のAIツールを従業員が利用する「シャドーAI」も、データ上の懸念を生む。スタッフは保持ポリシーを理解しないまま、機密資料をサービスに貼り付ける可能性がある。

中小企業は、より大きな戦略を追求する前に、簡単な棚卸しを行う必要がある。どのツールが使われているのか、そこにどの情報が入力されるのか、どの出力が顧客に届くのか。

その棚卸しは、機会を明らかにできる。複数の従業員が類似した文書の要約や、同じ情報をシステム間で転記する作業に時間を費やしているかもしれない。

同時に、不適切な利用も明らかにできる。あらゆる記述に検証が必要な文脈で、従業員が生成された助言に依存している可能性がある。

現在の活動をマッピングした後、企業は測定に十分な量があるワークフローを一つ選べる。最も機密性が高い、または複雑なプロセスから始めるべきではない。

有用な候補には、反復的な入力、明確な出力、品質を判断できる人がいる。結果は、評価を正当化できるほど重要であるべきだ。

企業はAIを追加する前に、ベースラインを確立すべきである。時間、コスト、品質に関するベースラインデータがなければ、改善は認識の問題になってしまう。

次に、管理されたパイロットを行う。システムが定義された割合の業務を処理する一方で、人がその出力を既存プロセスと比較する。

評価には、通常のケースと例外の両方を含めるべきだ。チームは、誤った事実、欠落情報、不適切な口調、アクセス障害、予期せぬコストを記録すべきである。

その後、企業は中止、修正、拡大のいずれを選ぶか決められる。拡大は経営陣の焦りではなく、証拠に従うべきだ。

この手順は、Guardianの観察を運用原則へと変える。大企業に幅広いパターンを明らかにさせ、その後、中小企業の内部で関連するパターンを検証する。

Google Newsは、経営者がそうしたパターンを発見する助けになる。ただし、ワークフローがその顧客、記録、エラー許容度に適合するかどうかまでは教えてくれない。

その判断は現場に残す必要がある。実際の業務と、その結果を理解する従業員に依存するからだ。

教訓が有効かを示す3つのシグナル

次の段階を決めるのは、検証されたワークフローのリターン、管理された運用コスト、そして予想された人員変化と実際の人員変化の隔たりである。

最初のシグナルは、より多くの組織が全社的な収益への影響を報告するかどうかである。McKinseyの高業績企業グループは、2026年の調査でも約6%にとどまった。

この割合が上昇すれば、再現可能なAI価値の証拠は強まる。重要なのは見出しの割合以上に、その詳細である。

企業は、成果の背後にあるワークフローの再設計、定義されたパフォーマンス指標、リスク管理策を確認すべきだ。結果が依然として一部に集中するなら、広範な導入は実証済みの変革を上回り続ける。

中小企業にとって、このシグナルは期待に影響する。高業績企業の層が拡大すれば、検討できるテスト済みのパターンも増える。

横ばいの結果は、継続的な慎重さを裏付ける。より優れたモデルへのアクセスだけでは、組織上の問題を解決できないことを示唆するだろう。

2つ目のシグナルは、本番AIのコストである。McKinseyの回答者の5人に1人は、すでに運用コストに関連する制約を報告している。

ベンダー各社が推論コストを引き下げるか、また企業がエージェント利用の管理を改善するかに注目すべきだ。推論とは、AIが出力を生成するために必要なコンピューティング処理を指す。

単位コストが下がれば、大量処理を伴うタスクの魅力は増す。ただし、出力が安価になることで不要な利用が増え、プロセス設計の弱さが見えにくくなる可能性もある。

より有力な指標は、受け入れられた成果1件当たりのコスト低下だ。この指標は、モデルの費用に品質と人によるレビューを組み合わせて評価する。

トークン費用が下がっても修正作業が増えるなら、事業は信頼できるコスト削減を実現したとは言えない。両方のコストが下がれば、拡大の現実味は増す。

3つ目の指標は、人員予測と実際の雇用変化の差だ。2026年の調査では、事前の予想は報告された削減幅を大きく上回っていた。

この乖離が続けば、AIが自動的に大量の職務をなくすという主張は弱まる。Marksが述べた、生産性を優先するアプローチを裏付けることになる。

検証済みの人員削減が予測に一致し始めれば、中小企業は異なる計画上の課題に直面する。どのワークフローが変化し、どの能力が従業員に残ったのかを理解する必要がある。

どちらの結果であっても、決算説明会での約束以上の精度が求められる。人員数は、需要、組織再編、アウトソーシング、あるいは過去の過剰採用によって変化し得る。

企業は、根拠なしにすべての人員削減をAIに帰すべきではない。成果物、サービス品質、業務負荷、財務結果を合わせて検証する必要がある。

Google News経由で訪れた読者にとって、実践すべきことは明確だ。繰り返し発生するワークフローを1つ選び、現在の所要時間、コスト、品質、担当者を書き出す。

次に、AI支援による成果として何を許容できるかを定める。承認の責任者を置き、テスト中に生じたすべての修正を記録する。

従業員がより多くのテキストを生成したかではなく、システムが完了した業務を改善したかを問うべきだ。監督や失敗も含めた総コストを確認する。

証拠が弱いままなら中止する。通常のケースと難しいケースの双方で有効性が維持されるなら、慎重に拡大する。

大企業はすでに、AIへの投資が有用なシステムと高価な失望の両方を生み得ることを示している。中小企業には今、規模ではなく規律を手本にする機会がある。