AIへの93%の予算が機械に、作業者には回らない
ある種の構造工学の誤りは、建物が完成するまで図面に現れない。これは遅延荷重故障と呼ばれ、構造物は初期の重量を支えることができても、実際の圧力の下でのみ現れる重要な変数を無視している。今日、AIに投資する企業はちょうどその誤りを犯しており、その数字は厳然たる事実として文書化されている。
Deloitte、Wharton、Harvardがまとめたデータによると、組織はAI予算の93%をテクノロジーに、残りの7%を人間に：トレーニング、役割の再設計、変革マネジメント、採用可能性に振り分けている。これは企業文化の逸話ではなく、さまざまなフロントで既に負のリターンを生み出している資本配分の決定だ。
AIのリスクについての支配的なナarrされるものであるが、目を引くのは、AIは人間を置き換えるわけではなく、企業は彼らのチームが使えない、もしくは使いたくないシステムを実装しているという事実だ。
エンジンがシャーシを超えるとき
フォーミュラ1のエンジンがセダンの車体に取り付けられても、より早い車両は生まれない。運転不可能な車両が生まれるだけだ。これは、多くの企業がAIツールを展開する際に人間のプロセスを再設計せずに構築しているアーキテクチャだ。
93/7の不均衡は単なる予算の悪い決定ではない。技術の採用は、ツールがインストールされれば自動的に行われるという誤ったビジネス仮説を明らかにする。システムエンジニアは、部品間の統合が常に最大の摩擦点であることを知っている。実際には、新しい部品と既存システムとのインターフェースでプロジェクトが崩壊する。
組織は最も高価な部品を購入している。ライセンス、インフラ、モデル、セキュリティの層だ。しかし、その重要なインターフェース、実際のワークフローの中でその部品を効果的に操作しなければならない人を十分な資金を配分していない。見えてきた結果は予測可能である：限界的な能力を持つツールの低い採用率、スケールしないパイロットプロジェクト、そして投資のリターンに関するフラストレーションを報告する経営者たちが、正確にその理由を診断できていない。
これは技術の危機ではなく、システム統合の危機である。
誰も予算に組み込まなかった故障
この不均衡の背後には、冷静に監査する価値のある財政メカニズムがある。企業がAIの予算を割り当てると、テクノロジーコストは目に見え、定量化可能で、取締役会に対しても簡単に正当化できる。プロバイダーとの契約は具体的な数字を持つ。一方、チームトレーニング、プロセスの再設計、組織の変革管理は、遅延価値を生み出し、バランスシートの一つの線に直接帰属することが難しい。CFOは、短期に測定できるものを承認する。
この予算の論理は、明らかな構造的欠陥を持つコストアーキテクチャを生成する：テクノロジーにおける固定支出は、初日から蓄積し、運用上の利益は人間のチームがシステムを採用し操作することに依存しており、はるか後に訪れる場合がある。建物は、誰かが住む前にエネルギーを消費し、誰もが暖房の使用についてトレーニングを受けていない。
その直接の結果は、改善する前に悪化する単位経済である。設置された能力の単位あたりのコストは、実際の使用率が低いため上昇する。そして、使用が低いとき、テクノロジーチームは投資を正当化するためにプレッシャーを受けるが、これが通常は逆効果を生む：より多くのツール、より多くのソフトウェア層、さらに多くの技術的支出。サイクルは自己増殖し、正しい変数に対処することなく続く。
Deloitte、Wharton、Harvardのデータが指摘しているのは、技術資本主義への哲学的批判ではない。現行のAI投資モデルには構造的なボトルネックが人間の要素にあり、そのボトルネックは技術的投資の増加によって消えるわけではない。
測定可能なリターンを生むコンポーネント
AIの実装から具体的なリターンを得ている組織は、市場の平均が無視している一つのアーキテクチャ的特徴を共有している：彼らは人間の役割の再設計をリソースの支出ではなく、製品の投資として扱ったということだ。
これは正確な運用上の意味を持つ。AIの実装における人間要素への投資は、新しいインターフェースを使う方法について8時間のコースを提供することを意味しない。ワークフロー全体を再設計することを意味する —マシンがどの決定を行い、人間がどの決定を検証し、どの決定が完全に人間に委ねられるのか — そしてその再設計したワークフロー内でチームが操作するための能力を構築することだ。それはトレーニングではなく、組織アーキテクチャの演習である。
このプロセスを正しく実行した企業は、他の企業が示すことのできない何かを報告している：AIはオペレーターの生産性を増幅させ、業務の並行レイヤーを作成するのではない。 並行レイヤーはツールを管理することを意味し、元のタスクを管理することとは異なる。両者のシナリオの違いはアルゴリズムにあるのではない。新しいコンポーネントをインストールする前に、誰かがシステム全体を再設計したかどうかだ。
このパターンは、他の企業へのAIソリューションを販売している企業にとっても関連する商業的解釈を持っている。最高の保持率と採用の摩擦が少なくなる顧客セグメントは、最も高価なライセンスを購入した顧客ではない。テクノロジーだけでなく、それを統合するための構造的なサポートを契約した顧客だ。これはソフトウェア企業に新たな提案を再構成させる：製品はモデルであり、単なるモデルではなく、プロセスの採用をも含むものである。この再構成は彼らにより多くの請求を可能にし、離脱率を減少させ、以前はサポートとして無償提供されていたサービスから定期的な収益を生み出す。
各取締役会に欠けている計画のピース
根本的な診断問題は、大多数の組織がAIへの投資を誤った指標で評価していることである。彼らは導入の速度、導入されたツールの数、システムへのアクセスのあるユーザーのカバレッジを測定する。これらの指標は、投資が価値を生み出すかを決定する変数を捉えていない。効果的な採用率と生産性への測定可能な影響を伴うそれだ。
AIを80%のチームに展開した企業が、実際に活動している生産的使用率が20%である場合、それは戦略的な資産を持っているのではなく、完全に固定リソースを持つ未利用のインフラを持つだけである。93/7の予算比率は、その結果の根源であり、偶然ではない。
この荷重故障を修正したい組織は、新しいAI戦略を必要としない。彼らは既存の設計図を見直し、彼らが操縦士を忘れた場所を見つける必要がある。ビジネスモデルはアイデアの欠如や利用可能な技術の不足のために崩壊するのではなく、システムの各要素が一緒に機能し、計測可能な価値を生むように設計されていない場合に崩壊するのである。
