GartnerのAI支出予測、2兆5,200億ドルに到達へ。だが米企業はROIの現実に直面
Gartnerは、2026年の世界のAI支出が2兆5,200億ドルに達するとの予測を示し、企業のAI戦略に対するハードルを引き上げた。しかし、このGartnerのAI支出予測には鮮明な矛盾がある。支出は加速している一方で、多くの企業はいまだに投資対効果を証明できず、運用コストを追跡できず、最終責任を負う経営幹部を特定できていない。
この見出しの数字は、米企業だけのソフトウェア請求額を示すものではない。インフラ、サービス、ソフトウェア、サイバーセキュリティ、モデル、データ、開発プラットフォームへの世界全体の支出を含む。その半分以上はインフラであり、その多くはテクノロジー提供企業が資金を拠出している。
この区別によって、顕在化しつつあるAI後遺症は弱まるどころか、より明白になる。ハイパースケーラーは、企業需要が十分に成熟する前に能力を増強している。一方、ビジネスリーダーには、実験を測定可能な収益、コスト削減、あるいは業務の高速化へ転換する圧力がかかっている。
現在の中心的な争点は、AIへの野心と実行規律の対立だ。企業の購買担当者は人工知能を放棄しているわけではないが、責任者、ベースライン、あるいは本番運用の経済性を欠く実証実験への許容度は下がっている。次の段階では、各ワークロードを事業成果に結び付けられる企業が報われるだろう。
GartnerのAI支出予測が実際に測定しているもの
2兆5,200億ドルという数字は、単一の企業向けソフトウェア購入の波ではなく、テクノロジーのサプライチェーン全体を示している。
Gartnerが1月に発表した予測では、2026年の世界のAI支出は2兆5,278億ドルに達する。これは2025年の1兆7,572億ドルから44%の増加となる。同社は、総額が2027年に3兆3,367億ドルへ達すると見込んでいる。
AIインフラは、2026年予測のうち1兆3,664億ドルを占める。このカテゴリーには、AIシステムの開発・運用に必要なコンピューティング、ストレージ、ネットワーキング、および関連する基盤が含まれる。予測総額のおよそ54%に相当する。
Gartnerは、インフラ支出が2025年の水準から約4,010億ドル増加すると予想している。AI向けに最適化されたサーバーだけでも、支出は49%増える見通しだ。これらのサーバーは、年間のAI支出全体の17%を占めることになる。
2番目に大きいカテゴリーは5,886億ドルのサービスである。続いてソフトウェアが4,525億ドル、サイバーセキュリティが513億ドルを占める。モデルは264億ドル、データサイエンス・プラットフォームはさらに311億ドルを占める。
より小規模なカテゴリーには、アプリケーション開発プラットフォームとAIデータがある。その総額はインフラに比べてなお小さいが、モデルと実際に機能する業務プロセスの間にどれほど多くの層が存在するかを示している。
したがって、完全なAI支出予測が測定しているのは、Copilot、Gemini、Claude、ChatGPTといったアシスタントのサブスクリプションをはるかに超えるものだ。モデルのトレーニング、推論、セキュリティ、統合、事業導入を支える幅広い産業的な構築を捉えている。
推論とは、学習済みモデルがリクエストに応答する際に実行するコンピューティング処理である。そのコストは、利用量、タスクの複雑さ、コンテキストの大きさ、生成される出力の量に応じて増加する。そのため、一見単純なアシスタントであっても、大規模運用では大きな継続的コストを生み出し得る。
この構成が重要なのは、エンドユーザーが事業価値を証明する前に、インフラ提供企業が需要を計上できるためだ。クラウドプロバイダーは、たとえその実証実験が本番運用に至らなくても、パイロットを実施する企業にコンピューティング能力を販売できる。
その結果、この支出予測は成功よりもコミットメントを明確に測定している。企業とそのサプライヤーがAIへ資源を配分していることは示すが、その資源が持続的な利益や生産性を生むかどうかは示していない。
Gartnerはまた、2026年にAIが「幻滅期」にあると表現した。この言葉は、実験が過度に膨らんだ期待に応えられず、初期の興奮が薄れる時期を指す。
同社は、この期間の企業導入の多くを既存ソフトウェア提供企業が牽引すると予想している。買い手は個別の壮大なプロジェクトを立ち上げるのではなく、既存システムを通じてAIを導入する場合が多いだろう。
この経路は調達の摩擦を減らす一方で、コストを見えにくくする可能性もある。AI関連の料金は、クラウド利用量、ソフトウェア契約、コンサルティング案件、データ業務、セキュリティ予算の中に現れることがある。財務チームは複数の支出を把握しても、1つのワークロードの総コストを把握できない場合がある。
これが後遺症の第一の要因だ。組織は、リターンを測定する一貫した方法を確立する前に、複数の予算項目にまたがってAIへコミットしてしまった。
企業のAI支出は経営統制を上回っている
直接的な圧力は、同程度に明確な責任体制や運用管理を構築せずに急速な導入を承認した経営幹部にかかっている。
企業は熱意だけでAI支出を管理することはできない。どのプロジェクトを継続するか、どの指標を重視するか、コストが便益を上回った場合に誰が責任を負うかを決める人が必要だ。
Pearl Meyerの2026年第2四半期の調査は、経営幹部の自信と組織の準備状況の間に大きな隔たりがあることを示した。同社の調査は116社を対象とし、リーダーシップ、変革、人材、AI実行を検討した。
CEOの80%は、自社の経営幹部が企業全体を見据えたトレードオフを行えると考えていた。一方で、他のC-suiteリーダーでこの見方を共有したのは30%にとどまった。この差は、戦略を実行する人々の方が、最高経営責任者よりも多くの対立を認識している可能性を示唆する。
同じリーダーシップ調査では、回答者の80%が、自社には変革を管理するリーダーシップ能力があると考えていた。しかし、従業員が過度な負担を抱えずに追加的な変化を受け止められると考えたのは41%にすぎなかった。
これらの調査結果は、2つの異なる制約を示している。1つ目は意思決定の責任所在である。2つ目は、従業員が既存の責務を継続して担いながら業務を再設計する組織の能力だ。
AIプロジェクトはしばしば従来の部門境界をまたぐ。顧客サービス向けアシスタントには、オペレーション、セキュリティ、法務、財務、データエンジニアリング、人事、調達が関わることがある。共同参加が、共同責任を保証するわけではない。
責任所在が曖昧なままだと、各グループが異なる成果を最適化する可能性がある。テクノロジーチームはモデルの品質を優先し、財務は利用量を監視する。法務チームはリスクを重視し、事業リーダーは導入を追求する。
これらの目標はいずれも本質的に誤りではない。問題は、統合された結果に対する責任を誰も負わないときに始まる。
必要な対応は、導入目標からワークロードの経済性への転換だ。リーダーは各ユースケースの総コストを特定し、それを測定可能なベースラインと比較する必要がある。
そのコストには、モデルが情報を受け取り生成する際に処理する単位であるトークンだけでなく、データ準備、統合、評価、セキュリティレビュー、従業員研修、監視、人による修正も含まれ得る。
社内調査に用いるAIアシスタントを考えてみよう。ソフトウェアは初稿をより速く作成できるかもしれないが、従業員は依然として引用を検証し、矛盾する情報を照合する必要がある。そのレビュー時間も経済性の評価に含めるべきだ。
同じ原則はコーディング支援ツールにも当てはまる。レビュー待ち行列が増加したり、不具合率が上昇したりするなら、コード生成の高速化に大きな価値はない。出力量は、デプロイ速度、信頼性、顧客への影響の代替にはならない。
したがって、ダッシュボードが成果ではなく活動を数える場合、企業のAI支出を正当化することは難しくなる。送信されたプロンプト数、割り当てられたライセンス数、有効化された機能は導入指標である。これらは財務的リターンを証明しない。
長期的な圧力は、業務執行を担う経営幹部だけでなく取締役会にも及ぶ。取締役は、経営陣が契約、インフラ、データ、人員計画にまたがるAIリスクを理解しているかを判断しなければならない。
AIが既存の提供企業を通じて導入される場合、この課題はさらに難しくなる。組み込み機能は、専用の投資委員会を経ることなく部門横断的に広がる可能性がある。
調達の規律は、この分散型の導入モデルに追い付く必要がある。企業は、割り当て済みの席数や総合的な活動量だけでなく、利用の質と事業成果に基づいて更新を判断する必要がある。
この転換は、必ずしも全体の支出を減らすものではない。Gartnerの予測は、市場が急速に拡大していることを示している。むしろ、より厳格な財務・運用レビューを通過するワークロードへ資源を集中させることになる。
AIへの野心は測定可能なROIと衝突している
企業の熱意は依然として高いが、実証済みのAIリターンは、より強い説明責任とコスト可視性を持つ組織に集中している。
KPMGの2026年第2四半期版Global AI Pulseは、20の国・地域・管轄区域にまたがる2,145人のシニアリーダーを対象に調査した。回答者は、相当規模の年間収益と積極的なAIプログラムを持つ組織を代表していた。
AIを主要な投資領域と見なす回答者は79%で、前四半期の74%から増加した。導入を積極的に推進する組織の割合も、13%から22%へ上昇した。
しかし、投資収益率が確立していると報告した調査対象のリーダーはわずか7%だった。4分の1近くは、投資家から価値を証明するよう圧力を受けていた。
グローバルAI調査はまた、組織の42%がAI支出を部分的にしか把握できていないことを明らかにした。コスト基盤が不完全であれば計算も不完全になるため、このギャップはリターンに関する確信を持った主張を弱める。
投資収益率は、取り組みの純便益を総コストと比較するものだ。エンタープライズAIでは、この方程式の両側を切り分けることが依然として難しい。
収益の変化には複数の原因があり得る。コスト削減は、採用判断、需要の変動、プロセス再設計、あるいは通常のソフトウェア更新を反映している場合がある。信頼できる測定計画では、これらの効果をAIシステムの寄与から分離しなければならない。
便益が現れる速度も異なり得る。あるアシスタントは今日、従業員の時間を数分節約するかもしれないが、再設計された顧客ワークフローは数カ月後に測定可能な顧客維持率の向上をもたらす可能性がある。
この時間差は、認識が財務諸表より速く変化し得る理由を説明する。従業員は、自社がより大きな生産量や低コストを記録する前に、生産性の向上を実感するかもしれない。
KPMGは、AI成果に対する明確な責任を持つ企業は、実証済みROIを報告する可能性が3倍高いことを明らかにした。運用コストを完全に可視化している組織は、リターンを確立する可能性が5倍高かった。
これらの関係は、ガバナンスだけが価値を生むことを証明するものではない。成功している組織は、より良いデータ、より強いプロセス、あるいはより適切なユースケースを持っている可能性がある。それでも、この傾向は、導入範囲を広げれば自動的に成果も良くなるという考えを覆している。
組織の7%は、運用コストが想定された便益を上回ったため、計画していた展開を延期していた。この結果は、全面的な拒絶ではなく規律を示している。
合理的な企業であれば、経済性が成り立たない展開を停止すべきだ。あらゆる中止をAIそのものの失敗の証拠として扱うことは誤りである。
最も強力なプログラムは、ますます限定的な業務上の問題から始めている。責任者、ベースライン、AIが改善すべき明確な意思決定を特定する。
例えば、サポートチームは解決時間、エスカレーション率、顧客満足度、修正件数を測定できる。こうした指標により、アシスタントがプロセス全体を改善しているのか、それとも一つの工程を速めているだけなのかが明らかになる。
ナレッジワーカーも同様の検証に直面している。より速く要約を作成するシステムであっても、ユーザーが主張を信頼できるソース資料までたどれなければ、品質を低下させる可能性がある。
AI knowledge baseを活用するチームは、生成された回答を管理された社内コンテキストと結び付けられる。それでも、正確性、導入状況、レビュー時間、実際のタスク完了を評価しなければならない。
したがって、AI支出のROIにおける本質的な問いは、モデルが有用なテキストを生成するかどうかではない。継続費用と導入費用を正当化できるだけの検証済み価値を、ワークフロー全体が提供できるかどうかである。
この基準はデモンストレーションより厳しい。不完全なデータ、変化するポリシー、例外的な依頼、スキル水準の異なる従業員を含む日常的な条件下での性能が求められる。
最も大きな圧力を受けるのは、この証拠を定義しないまま広範な変革を発表した企業だ。彼らの課題は、もはやモデルへのアクセスを得ることではない。そのアクセスが経済的成果を変えることを証明することにある。
生産性に関する証拠は、反発が示す以上に複雑だ
測定されたリターンが弱いことは、AIが価値を生まない証拠にはならない。しかし、即時の変革についての自信に満ちた主張には疑問を投げかける。
National Bureau of Economic Researchの2026年2月のワーキングペーパーは、約6,000人の上級経営幹部を調査した。参加者は米国、英国、ドイツ、オーストラリアの企業を代表していた。
研究者らは、69%の企業がAIを積極的に利用していると明らかにした。調査対象となった幹部の3分の2超も定期的に利用していたが、個人利用の平均は週わずか1.5時間にとどまった。
幹部の10人中9人は、過去3年間にAIが自社の雇用または生産性に影響を与えなかったと回答した。それでも企業は、今後3年間でより大きな影響を予想していた。
企業レベルの証拠では、その期間に平均で約1.4%の生産性向上と、約0.7%の雇用減少が見込まれていた。米国の幹部は、より大きい2.3%の生産性向上を予想した。
これらの結果は、二つの極端な見方に必要な修正を加える。AIはまだ大半の企業レベルの生産性を変革していない。一方で、幹部が投資を一様に無駄だと見なしているわけでもない。
測定のタイミングも依然として不確実要因である。多くの生成AIツールが導入されたのは最近であり、エンタープライズのプロセス再設計には通常、ソフトウェアの導入より長い時間がかかる。
約750人の企業幹部を対象とした別のNBER研究では、前向きながら不均一な生産性向上が確認された。最大の効果は、高スキルのサービス業と金融業で見られた。
著者らは生産性パラドックスを指摘した。収益効果がまだ十分に現れていない可能性があるため、リーダーは測定された改善を上回る効果を認識していた。
この乖離は、どちらの方向にも解消され得る。財務結果が最終的に初期の生産性認識を裏付けるかもしれない。あるいは、より優れた測定によって、従業員が利便性を経済的アウトプットと混同していたことが明らかになる可能性もある。
生成AIは仕事をなくすのではなく移転させる場合があるため、後者の可能性には注意が必要だ。モデルが草案作成を短縮する一方で、別の場所に検証、コンプライアンス、修正の業務を追加することがある。
従業員体験も分析を複雑にする。Pearl Meyerは、従業員が過度な負担を抱えずにさらなる変化を受け止められると考えた回答者は41%に過ぎなかったと報告した。
組織は有用なツールを導入しながら、仕事をより断片化されたものに感じさせることがある。従業員は、既存の責任が減らないまま、複数のインターフェースを学び、自動出力を監視し、例外に対処しなければならない可能性がある。
これは隠れた導入コストを生む。研修、ポリシーレビュー、プロンプトの試行、繰り返されるツールの切り替えは、効果が確実になる前に時間を消費する。
懐疑的な見方は、すべてのAI施策にリターンがないと主張すべきではない。KPMGは、確立されたROIを持つリーダーは7%にとどまったにもかかわらず、76%のリーダーが測定可能なビジネス価値を確認したと報告した。
ビジネス価値と確立されたROIは、異なる確信水準を表している。企業は、擁護可能な財務計算を完了していなくても、サービスの迅速化や従業員による情報アクセスの改善を観察できる。
同様に、Gartnerの2兆5,200億ドルという総額を、企業利益と直接比較すべきではない。その支出の多くは、複数の顧客と将来の需要に対応するインフラを表している。
有効な批判は、支出の可視性と成果の可視性の不一致に関するものだ。企業リーダーはAI活動が増加したことを把握している場合が多い。しかし、各導入の正確なコストと検証済みの貢献を特定できる企業ははるかに少ない。
この違いは、AIハングオーバーが予算増加と共存し得る理由も説明する。組織は依然として競合他社に遅れを取ることを恐れている。同時に、個別プロジェクトにはより厳しい要件を課している。
結果として市場は、より選別的になる可能性が高い。ベンダーには、統合の品質、セキュリティ、制御可能な利用量、ワークフローの成果を示す圧力がかかる。
買い手も、より優れた評価ツールを求めるようになる。ベンチマークスコアは、標準化テストにおけるモデル性能を示す。カスタマイズされた業務プロセスの価値を予測するものではない。
エンタープライズ評価では、実際のタスク、代表性のあるデータ、定義された失敗閾値を用いなければならない。人間によるレビューと下流への影響を含め、ワークフロー全体を測定すべきである。
これはパイロットを発表するより時間がかかる。しかし、持続的な導入と一時的な実験を分けるのは、まさにこの作業だ。
買い手が大勝負を避ける中、既存ベンダーが優位に立つ
AIハングオーバーは、慎重な企業がなじみのある契約、データ管理、ワークフローを好むため、確立済みプロバイダーに有利に働く。
Gartnerは、2026年の幻滅期にAIが既存ソフトウェアベンダーを通じて多くの企業へ到達すると予想している。この予測は、スタートアップと大手プラットフォームの双方にとって競争環境を変える。
Microsoft、Google、Amazon、Salesforce、ServiceNowなどの確立済みプロバイダーは、すでに企業のテクノロジースタックに組み込まれている。これらの企業は、コミュニケーション、クラウドコンピューティング、顧客記録、開発、運用に使われる製品へAIを追加できる。
彼らの優位性は、必ずしもモデル性能の高さではない。流通力、既存のセキュリティ承認、統合されたデータアクセス、確立済みの調達関係にある。
買い手は多くの場合、新しいベンダーを承認するよりも、組み込み型アシスタントを速く有効化できる。取締役会が目に見える進展を期待する一方で、運用チームが統合リスクの低減を望む状況では、この速さが重要になる。
ただし、導入が容易でもコストが低くなるとは限らない。組み込みAIでは利用量が事業部門に分散し、総支出を追跡しにくくなる可能性がある。
また、競争圧力を弱める可能性もある。企業は、別のモデルが特定タスクでより優れた性能を発揮する場合でも、既存の生産性スイートに付随するアシスタントを選ぶかもしれない。
スタートアップは逆の課題に直面する。専門的なワークフローを構築し迅速に動ける一方、追加の契約、セキュリティレビュー、統合プロジェクト、データ境界を正当化しなければならない。
彼らが最も強い立場に立てるのは、測定可能な業界特化型の成果においてだ。専門ベンダーは、調達上の摩擦を上回るほど明確なプロセスを改善できる場合に競争できる。
これは、GartnerのAI支出予測に対する市場テストを生む。インフラ需要は増加を続ける一方、アプリケーション支出は少数のベンダーと実証済みのユースケースへ集約される可能性がある。
ハイパースケーラーも独自のROI問題に直面している。顧客がワークロードをより選別するようになる中で、高価なコンピューティング資産を稼働させ続けなければならない。
稼働率は、利用可能なコンピューティング能力のうち、どれだけが有用な作業を行っているかを測る。データセンターには大きな固定費がかかるため、低い稼働率は利益率を圧迫する可能性がある。
需要は継続的な建設を支えるほど強いままだが、その構成が重要である。最先端モデルのトレーニングと、数百万件に上る小規模なビジネスリクエストへの対応では、経済性が異なる。
企業の買い手は、利用に応じて繰り返し発生するため、推論コストへの関心をますます高めている。成功したパイロットも、従業員や顧客への導入が広がれば高コスト化する可能性がある。
これは異例のリスクを生む。利用拡大は製品需要を裏付ける一方で、その導入のユニットエコノミクスを同時に悪化させる可能性がある。
企業は、より単純な作業を小規模モデルへ振り分け、難しいタスクには高価な推論を限定する管理策を必要としている。また、コンテキスト、再試行、自動化チェーン、不必要な出力に対する制限も必要だ。
エージェント型システムはこの問題を増幅させる。AIエージェントとは、限定的な人間の指示のもと、目標に向けて複数のステップを選択・実行するソフトウェアである。
従業員からの一件の依頼が、複数回のモデル呼び出し、検索、ツール操作、検証ステップを引き起こすことがある。そのため、目に見えるプロンプトは総利用量の一部にすぎない可能性がある。
より優れたオーケストレーションはこうしたコストを下げられるが、技術的な成熟度が必要となる。企業はモデルの活動を記録し、成果と結び付け、どの自動化ステップが価値を加えているかを特定しなければならない。
セキュリティとガバナンスも同様に重要である。機密データを露出させたり、レビューなしの意思決定を行ったりするなら、より安価なプロセスは価値を生まない。
だからこそ、競争はベンダー同士ではなく、野心と規律の対決であり続ける。Microsoft、Google、Amazon、Anthropic、OpenAI、そして専門プロバイダーはすべて、同じ経済的な検証の中で事業を展開している。
ベンダーは導入を容易にできるが、ビジネスケースの責任は依然として顧客にある。どのモデルプロバイダーも、クライアントが許容できるエラー率、ワークフローのベースライン、規制上のリスクを定義することはできない。
既存ベンダーを経由する道筋は、アクセスを加速させる。ROIが改善するかどうかは、有効化後に何が起きるかを買い手がどれだけ慎重に管理するかにかかっている。
AIハングオーバーの深刻化を左右する三つのシグナル
次の段階は、コストの可視性、本番運用の成果、インフラ成長とエンタープライズ需要の乖離によって評価される。
第一のシグナルは、企業の開示がAIのリターンについてより具体的になるかどうかだ。投資家は導入に関する声明を超えて、収益、利益率、サイクルタイム、運営費を検討すべきである。
企業がAI導入を監査済み、または一貫して測定された結果と結び付けるなら、GartnerのAI支出予測を支えるより強い根拠が生まれる。ライセンス数やパイロット数の増加は、同じ証拠にはならない。
幹部が基準値や総コストを示さないまま効果を報告し続けるなら、その判断は弱まる。そのパターンは、AI活動が経済的価値より測定しやすいままであることを示唆する。
KPMGの今後の四半期調査は、有用な指標の一つとなる。確立されたROIを報告する7%の割合が増えれば、導入の規律が採用に追いついていることを示すだろう。
第二のシグナルは、持続的な本番運用へ移行するパイロットの割合である。本番運用とは、監視、管理策、説明責任を負うオーナーを伴って、継続的な事業活動を支えるシステムを意味する。
パイロットは、整えられた条件下では成功し得る。本番運用では、多様なユーザー、変化するデータ、例外的な依頼、セキュリティ上の制約、実際の運用予算にシステムがさらされる。
耐久性のある本番利用の証拠は、初期支出が後の価値に向けた基盤を築いたという見方を強める。繰り返される中止や利用縮小は、ハングオーバーを深刻化させるだろう。
企業は、立ち上げの達成事項だけでなく、成果の維持率を報告すべきである。1か月間は良好に機能してもユーザーを失うワークロードは、持続的なリターンを支えない。
第三のシグナルは、大手テクノロジープロバイダーがインフラ投資と収益・利益率をどう均衡させるかだ。彼らの財務結果は、需要が構築中の能力を吸収しているかどうかを示す。
クラウドの継続的な成長、AIサービス収益の拡大、安定した利益率は、インフラ投資が実需を見込んだものだったという見方を支えるだろう。利用率の低迷や減価償却費の圧力拡大は、その見方に疑問を投げかける。
この3つのシグナルは、あわせて読む必要がある。企業のROI改善はインフラ需要を支え得る一方、インフラの低コスト化はエンタープライズ・ワークロードの採算性を高め得る。
逆の関係も成り立つ。高価なキャパシティは推論コストを押し上げ、事業成果の弱さは企業による利用制限につながる可能性がある。
Gartnerはすでに、世界のAI支出が2027年に3.3兆ドルを超えると予測している。この予測は、資本投入が拡大し続けているだけに、実行を裏付ける証拠の重要性をいっそう高めている。
米国企業が直面しているのは、投資するか撤退するかという単純な選択ではない。どのAIシステムを拡大すべきか、どれを再設計すべきか、そしてどれを終了すべきかを決めなければならない。
開発者にとっては、評価、オブザーバビリティ、コスト管理が中核的な製品要件になることを意味する。モデルの能力だけでは、エンタープライズ向けの商談を成立させられない。
ビジネスの買い手にとって実務上の問いは、ベンダーが技術的な性能を管理されたワークフローと結び付けられるかどうかだ。買い手は、人によるレビューと総運用コストを含む根拠を求めるべきである。
ナレッジワーカーは、雇用主がプロセスを再設計するのか、それとも単にアシスタントを追加するだけなのかを注視すべきだ。チームが従来のルーティンに新たな義務を重ねるのではなく、重複作業を取り除くとき、ツールはより強い成果を生み出す。
GartnerのAI支出予測は、巨額の資金が投入される市場を示している。AI支出のROIに関する証拠は、資金だけでは組織の準備態勢を整えられないことを示している。
説明責任が分断されたまま予算が膨らめば、その後遺症は深まる。どのワークロードが成果を改善したのか、いくらかかったのか、なぜ継続的な資金投入に値するのかを企業が示せるようになれば、後遺症は和らぐだろう。
組織における次のAI拡大を正当化するには、どのような証拠が必要だろうか。新たな導入を追加する前に、ベースライン、責任者、総コスト、測定可能な成果を定義する。そのうえで、実際の従業員が通常の条件下で利用した後に、そのワークロードを見直す。この規律はAIへの野心を否定するものではない。財務チーム、従業員、顧客、取締役会が評価できる基準を、その野心に与えるものだ。
