トークン——AIの使用量を測定・価格設定するための基本単位——は、企業にとって最も重要な指標の一つとして急速に位置づけられている。エンタープライズAIモデルの価格設定は、静的なサブスクリプションから動的な使用量ベースのモデルへと移行し、現在ではAI消費の増大が、当初は生産性の実験として始まったものを潜在的なマージン圧力の源泉へと変貌させている。トークン料金は通常、処理および生成されるテキストの量に応じて上昇するため、従業員の利用率が高まれば、従来のソフトウェアシートよりも予測が困難な変動コストへと急速に転嫁される可能性がある。CEOは微妙なバランスを取らざるを得ない状況に置かれている。

AIは、随意でオン・オフを切り替えられるタイプのソフトウェアツールではない。過去1年間で、大規模言語モデルはビジネスプロセス全体に深く組み込まれており、あらゆる指標がこの依存関係が今後も続くことを示している。AIの使用を無差別に制限すること——現在多くの経営陣が検討しているアプローチ——は、企業がすでに達成した成長と効率性を低下させるだけでなく、実験が阻害されることで次世代のAI機能を活用する準備も不足させることになる。

危険なのは、経営陣が次の四半期予算を均衡させるためにAI支出を激しく変動させる罠に陥り、その結果として、システム的にガバナンスを行う場合にAIがもたらす根本的な変革を見逃してしまうことである。

AI導入の第2フェーズ

ビジネスの世界はAI導入の第2フェーズに入った。そこでは、迅速に能力と進歩を示すことから、企業が利益を脅かすことなくAIから最大限の価値を抽出できることを証明することへと、使命は変化している。この持続可能な導入フェーズは、経済的にAIを管理・拡大できる組織と、そうできない組織との間に、企業環境に永続的な影響をもたらす格差をまもなく浮き彫りにするだろう。トークンコストは、より広範なガバナンス問題の最初の目に見える症状に過ぎない。

この転換点をもたらしたのは2つの重要な前提であった。1つ目は、AIが企業にもたらすと考えられていた魅力的だが最終的に欠陥のあったテーゼである。それは、人件費をモデルコストに置き換え、効率性の差額を利益として捕捉するというものだった。そのトレードオフは予想ほど単純ではないことが判明した。この考えを受け入れ、AI主導の生産性向上を見込んで人員削減を行った多くの組織は、時間をかけてAIシステムを効果的に統合・改良するために必要な組織的知識と重要なエンジニアリング人材を失ってしまったことに気づいた。

その認識は現在、大規模なレイオフを実施した企業を直撃している。最近の著名な事例として、Fordは数百名のエンジニアを再雇用する必要があると表明した。新たに導入されたAIツールに起因する品質管理の問題に対処するためである。経営陣は、ベテランの専門知識の不足が製品開発に悪影響を与え、自律型システムからの効率向上を制限していると直接指摘した。

2つ目の前提は、投資家と経営陣の間のズレであった。Teneoの最新の年次CEO・投資家調査によると、投資家の53%が6ヶ月以内にAIからの投資リターンを期待しているのに対し、大型株のCEOのわずか16%しかそのタイムラインで達成できると考えていた。その期限は今、到来している。このギャップは重要である。なぜなら、AIプログラムは多くの場合、ワークフロー、データプラクティス、ベンダー管理、従業員訓練の変更を必要とし、メリットを確実に測定できるようになるには時間がかかるため、短い回収期間はエンタープライズ技術が通常採用される方法と整合させることが困難だからである。

取締役会とCEOのための5つの提言

規律あるAIガバナンスを構築する窓は依然として開かれているが、永遠に開いたままではない。両社の間で、著者らは世界中の数千人のCEOや取締役会と協力してこれらの課題に取り組んでいる。以下は彼らの現在のガイダンスである。

第1に、取締役会におけるAIに関する対話を再構築する。 AIにいくら使っているかを問うのをやめること。AI投資がどこで持続可能な競争優位性を生み出しているか——そしてどこで価値を複利増大させることなく消費を生み出しているか——を問い始めること。

第2に、AI支出をIT予算のラインではなく、資本配分の決定として扱う。 新たな収益を牽引し、差別化された顧客体験を創出し、または独自の能力を構築する使用量は、成長投資を構成する。低価値のプロセスを単に自動化する使用量は、事業運営費である。この区別はまた、すべてのモデル消費を一つにまとめられたテクノロジーコストとして扱うのではなく、取締役会がAIイニシアチブを他の戦略的資本用途と比較するための明確な方法を提供する。

第3に、ワークロードを、信頼性高く実行できる最も安価なモデルにマッチングするガバナンスメカニズムを確立する。 従業員は、旧世代のモデルで望ましい出力が得られる場合でも、自然と最新かつ最も強力なモデルに惹かれる。1つの実用的な実装としては、プロンプトを受け取り、自動的に適切なモデルにルーティングするソフトウェア層が考えられる。

第4に、AIの使用に関するインセンティブを再構築する。 従業員は、AIを最も多く使用したことで報われるべきではない。これは多くの企業が初期に示した本能であり、投資家に先進的な導入を示すことに熱心だった。また、画一的な使用量上限でペナルティを与えるべきでもない。それは意図せずイノベーションを阻害する可能性がある。代わりに、組織は効率的なAI使用を報奨すべきである。つまり、適切なレベルのAI消費でより優れたビジネス成果を達成することである。Wall Street Journalの分析で指摘されているように、目標は最大の使用量ではなく、トークンあたりの最大価値である。

第5に、AIガバナンスを組織全体に分散させる。 AIガバナンスは、Chief AI Officerのような単一の役割に委任することはできない。すべての部門のマネージャーが、各自のチーム内で持続可能なAI導入をガイドする責任を持つ必要がある。従業員はまた、自分のAI使用がどのように評価されるかを理解し、長期的にAIで有意義かつ効率的に貢献するために必要なスキルを開発するための、実践的なサポートを必要としている。

前へ進む道

このAI導入のフェーズで勝利する企業は、AIを最も多く使用する企業でも、最も少なく支出する企業でもない。AIを最も適切にガバナンスし、AI消費を持続可能な経済的優位性へと一貫して転換する企業である。特にこれほどのスピードで進化するテクノロジーにおいて、そのバランスを達成することは困難である。しかし、そのバランスを誤ることは、まもなく存亡に関わる問題になる可能性がある。

Fortune.comの論評記事に表現された意見は著者個人の見解のみであり、必ずしもFortuneの意見や見解を反映するものではない。

この記事は元々Fortune.comで掲載されたものである。