AIの予算には、自社の経営モデルに関する賭けが隠されている
資金はすでに承認された。パイロットプログラムも走った。一部は機能したが、ほとんどは測定可能な価値を生み出す前に止まった。S&P Globalによると、2025年には組織の42%がAIイニシアチブの大半を中断した。前年の17%から大幅に増加した数字だ。この統計は技術的な問題を描写しているのではない。意思決定アーキテクチャの問題を描写している。つまり、企業はキャパシティを購入したが、それを支えるべき業務モデルを設計しなかったのだ。
人工知能の予算における各費目の背後に横たわるのは、まさにそういったものだ。どの言語モデルが市場を制するか、あるいはどのクラウドプロバイダーがより優れたレイテンシーを提供するかという賭けではない。業務がどのように流れるか、誰がどの意思決定を行うか、独自の判断がどこに宿るか、そしてそれをスケールで運用するのにどれほどのコストがかかるかという賭けなのだ。このように問いを立て直すことで、CFOや取締役会が署名する前に行うべき財務分析が、まったく異なる様相を帯びてくる。
ほとんどの企業はそれをやっていない。そして、コミットされた資本と、それを支えるべきモデルの明確さとの間のギャップこそが、今回のAI投資サイクルにおける最も重要な構造的リスクが蓄積されている場所だ。
座席単位で課金していたSaaSプロバイダーが言わなかったこと
10年間にわたり、座席単位のサブスクリプションモデルは経営幹部に、キャパシティとは賃貸するものだという思考を植え付けた。プロバイダーが技術的な複雑さを管理し、企業は成果を購入する。そのような取り決めは、テクノロジーが記録システムであったりサポートツールであったりする限りは機能した。テクノロジーがビジネス上の判断を実行し始めた瞬間に、機能しなくなる。
AIエージェントが返金ポリシーを適用したり、与信判断を下したり、サポートケースをエスカレーションしたりするとき、それはソフトウェアを実行しているのではない。業務モデルのロジックを本番環境で走らせているのだ。それが起きるサーバーはアウトソーシングできる。何を決定するかを規定するルールはアウトソーシングできない。それらのルールこそが企業そのものだ。
SaaS市場で起きている変化がそれを裏付けている。企業は座席数を削減し、業務を社内エージェントへとシフトし、異なる条件のもとで契約を再交渉している。プロバイダー自身も成果単位の価格モデルへと移行しつつある。賃貸するものと構築するものの境界が動いていることを知っているからだ。そのシフトの暗黙の認識が示すのは、価値はもはやツールへのアクセスにあるのではなく、その上で動くロジックにあるということだ。
これは、ほとんどの投資収益分析が捉えていない直接的な財務的帰結をもたらす。企業が200万ドルのSaaS契約を削減して独自エージェントによって機能を内製化しようとするとき、その資金は消えない。再配分される。モデルの推論に約30〜45%、データエンジニアリングとツールに約20〜30%、そしてエージェントが下す意思決定を管理するための2〜4つのポジションに充てられる。初年度の結果は支出の再配分であって、コスト削減ではない。この移行をコスト削減として提示しながら、資金がどこへ行ったかをマッピングしないビジネスモデルは、その投資ケースに構造的な会計上の誤りを抱えている。
以前の自動化モデルという亡霊
現在のリスクをより読み解きやすくする先例がある。2017年から2022年にかけてのロボティック・プロセス・オートメーション（RPA）の波だ。企業はデプロイメントの標準もなく、バージョン管理もなく、ライフサイクルの定義もないまま、何千ものボットを展開した。2023年には、パターンが一貫していた。本番環境で動くボット、何をしているのか正確に把握している人間が誰もいない状態、そして、何かに触れると誰も完全には理解していない何かが壊れるかもしれないという恐怖から、エンジニアたちが手を出せない状況。
AIエージェントは、その同じ失敗アーキテクチャに推論機能が組み込まれ、影響範囲が桁違いに拡大したものだ。フォームを誤って処理するボットはコストのかかるエラーを生み出しうる。ポリシーを解釈し、文脈的な意思決定を行い、複数のシステムに同時に作用するエージェントは、事後的な人間のレビューシステムでは到底抑えられない速度とスケールでエラーを伝播させうる。
エージェントの展開を拡大する前に、どの経営幹部も答えられるべきガバナンスの問いは、哲学的なものではない。業務的なものだ。企業が本番環境で動かしているエージェントは何か、それぞれの所有者は誰か、何か問題が起きたときにどのように差し戻すか。その答えが存在しないなら、問題はすでに発生している。欠けているのは、それが可視化されることだ。
その可視性の欠如は偶然ではない。AIのガバナンスが後付けのレイヤーとして扱われてきたことに起因する。システムがすでに稼働した後で追加されるものとして。他の技術サイクルからの証拠が示すのは、その順序が正確に、後になって誰も触りたくない種類の依存関係を生み出すということだ。推論機能が組み込まれた技術的負債である。
AIへの支出が管理不能な消費に変わる場所
ほとんどの社内ビジネスケースが無視しているコストのダイナミクスがある。推論の単価は下落している。同時に、消費はその価格下落を上回るペースで拡大している。その正味の結果として、1トークンあたりのコストが下がっているにもかかわらず、AIの運用に関わる総支出は増加している。
幅広くAIツールを展開した企業は、アクセスを絞り込んでいる。チームが実験するには十分だが、システムに依存するには不十分な状態だ。実験と業務上の依存関係との間のそのギャップが、次の投資サイクルが蓄積される場所だ。そのギャップを埋めることには現実のコストがかかり、そのコストはすでに現在のテクノロジーポートフォリオの中に存在している。統合されつつあるSaaS契約や、リプレースされつつあるインフラに分散している。問題は資本の不足ではなく、その資本のどの部分が生産的なキャパシティを生み出し、どの部分が測定可能なリターンのない運用に充てられているかについての可視性の欠如だ。
これが、ガバナンスを単なる技術的問題ではなく財務的問題にする理由だ。どのエージェントが動いているか、どのような意思決定を下しているか、どのような成果を生み出しているかを追跡する能力がなければ、AIの予算は信仰に基づく支出になってしまう。そしてこれを理解し始めた取締役会は、投資レビューで問う内容を変えつつある。デプロイされたモデルの数を問うのではなく、ワークフローの指標、エラー率、節約された時間、ユーザー満足度を問うようになっている。この2つの指標群の違いが、テクノロジーに賭けている企業と、業務モデルを構築している企業との距離を描き出している。
ハイブリッドモデルは妥協ではなく、現時点での正しい経済構造だ
業務モデルに関する無秩序な賭けがどこへ向かうかを最もよく示す事例は、Klarnaから来ている。同社の収益は2022年から2025年にかけておよそ2倍になった一方、従業員数はほぼ半減した。それは極端なテーゼを裏付けているように見えた。AIが大規模に人間の労働を代替するというテーゼだ。しかし同社は、自動化された対話における満足度が低下したことを受けて、人間によるカスタマーサービスを再構築しなければならなかった。
残ったのは、純粋な成功物語でも失敗物語でもない。特定のロジックを持つ業務モデルだ。ボリュームにはAI、複雑性には人間。予測可能で、スケール可能で、標準化可能なものには自動化。文脈、例外、あるいは関係的な影響が大きいものには人間の判断。この区別は哲学的なものではない。運用コストが持続的に下がるか、それとも最終的に追加支出で解決しなければならない品質問題へとシフトするだけかを決定する変数だ。
AIの採用に関する財務モデルで最も頻繁に見られる誤りは、その区別を、すべてが自動化可能な将来の状態への一時的な移行として扱うことだ。現在の証拠は、ほとんどのセクターでそのシナリオを支持していない。証拠が支持するのは、AIがうまく実行できるものと人間の判断を必要とするものとの境界は動くが、消えないということだ。その境界を精確に管理している企業、つまりその境界がどこにあるかを正確に把握し、条件が変わったときに調整できる企業は、その境界を曖昧なままにしている企業に対して、測定可能な業務上の優位性を持っている。
したがって、AIへの投資はテクノロジーの未来への賭けではない。継続的な変化の条件のもとでハイブリッドモデルを設計し、運用し、修正する組織の能力への賭けだ。今日その能力を備えている企業は、次のツール統合サイクルが到来したときに、情報に基づいた買い手となるだろう。その能力を持たない企業は、移行の時が来たときに誰も棚卸しできないような依存関係を構築し続けている。
