AIブームの熱狂に、少しずつ現実的なコストの話が入り始めています。
ここ数年、企業は生成AIを急速に導入してきました。ChatGPT、Claude、Gemini、Microsoft Copilot、AIエージェント、社内チャットボット、コード生成AIなど、多くの企業が「AIを使わなければ遅れる」という空気の中で投資を進めています。
しかし、最近になって別の問いが強まっています。
AIにいくら払っているのか。
そのコストは本当に生産性に見合っているのか。
トークンを大量に使うほど成果は増えているのか。
経営層はROIを測れているのか。
AI導入は、実際に売上や利益に効いているのか。
今回の動画「AI Bubble: 'Business idiots' are finally seeing the downside of uncapped AI | Ed Zitron」では、Ed Zitron氏が、AIのROIを測れないまま企業が大量のトークンを消費している現実や、トークン課金が企業AI活用の大きな問題になりつつある点を語っています。関連する投稿でも、同氏は「AIのROIを誰も測れていないこと」「トークン課金の現実」「現場から離れた経営層がAIに大金を使っていること」を論点として挙げています。
これは、AIが終わるという話ではありません。
むしろ、AIが本格的に業務に入り込むほど、費用対効果、運用コスト、業務成果、利益率が問われるようになったという話です。
この記事では、AIバブル論、tokenmaxxing、企業AI投資のROI問題、そしてAIツール市場への影響を整理します。
AIバブル論が強まっている理由は、AIそのものが使われていないからではありません。
むしろ、AIはかなり使われています。
問題は、使われているにもかかわらず、企業がどれだけ成果を得ているのかが見えにくいことです。
生成AIの導入は、最初は非常に分かりやすい成果を出します。メールが早く書ける、会議メモを要約できる、コードの下書きができる、資料の構成が作れる。個人単位では、便利さを実感しやすい領域です。
しかし、企業投資として見ると話は変わります。
社員が便利だと感じていることと、企業全体の売上増加、コスト削減、利益率改善、顧客満足度向上につながっていることは同じではありません。
MIT NANDAの「The GenAI Divide: State of AI in Business 2025」では、企業の生成AI投資が300〜400億ドル規模に達している一方、95％の組織が測定可能なリターンを得られていないと報告されています。同レポートは、わずか5％の統合型AIパイロットだけが数百万ドル規模の価値を生み出していると整理しています。
この結果は、AIブームに対する疑問を強めました。
ただし、ここで重要なのは「AIは使えない」という結論ではありません。
MITの分析でも、問題はAIモデルの性能そのものではなく、業務統合、学習能力、日常業務との接続不足にあるとされています。
AIバブル論を見るときに大切なのは、極端な見方を避けることです。
「AIはすべて失敗だった」と見るのも違います。
「AIは必ずすべての企業を変える」と見るのも危険です。
見るべきなのは、どの業務で、どのAIに、いくら使い、どんな成果が出ているのかです。
今回の議論で重要なキーワードが「tokenmaxxing」です。
tokenmaxxingとは、ざっくり言えば、AIのトークンを大量に消費することを前提に、AI利用を最大化しようとする考え方です。
AIサービスでは、入力した文章、出力された文章、処理の途中で使われる情報がトークンとして計算されます。つまり、AIをたくさん使うほど、トークン消費が増え、コストも増えます。
Business Insiderは、AIトークンを大量消費して生産性を上げようとする「tokenmaxxing」への反発がシリコンバレーで広がっていると報じています。同記事では、UberのCOOが「トークン使用量の増加と生産性向上の明確な関係は見えていない」と述べたことや、企業のAI予算消費への懸念が取り上げられています。
ここで問題になるのは、AIを使うこと自体ではありません。
問題は、トークン消費量が増えているのに、それが成果に結びついているか分からないことです。
たとえば、社員がAIに長いプロンプトを入れ、何度も出力を作り直し、大量の文章を生成しているとします。
一見すると、AIをたくさん使っているように見えます。
しかし、それが本当に作業時間の削減、売上増加、品質向上、コスト削減につながっているかは別問題です。
Ed Zitron氏が指摘しているのは、まさにこの部分です。
AIの導入が進むほど、企業は「使わせること」を目的にしがちです。
しかし、本当に見るべきなのは、AIを使った結果、どの業務がどれだけ改善されたのかです。
AIのコストは、ソフトウェア利用料のように固定費だけで済むとは限りません。
特に、API利用、AIエージェント、長文処理、コード生成、大量の自動処理では、使えば使うほど推論コストが積み上がります。
そのため、これからの企業AI活用では、「AIをどれだけ使ったか」ではなく、「AIを使って何が減ったか」を見る必要があります。
企業AI投資が成果につながらない理由は、大きく3つあります。
1つ目は、業務に統合されていないことです。
AIチャットを導入しても、実際の業務フローに組み込まれていなければ、個人が便利に使うだけで終わります。メール、CRM、社内FAQ、ナレッジベース、請求処理、営業管理などと接続されなければ、組織全体の成果にはなりにくいです。
2つ目は、成果指標が曖昧なことです。
「AIで業務効率化する」という目標は広すぎます。
本来は、「問い合わせ一次対応を30％減らす」「請求処理時間を半分にする」「営業資料作成を1件あたり20分短縮する」のように測定できる指標が必要です。
3つ目は、AIが学習しないことです。
MIT NANDAのレポートでは、企業AI導入の失敗要因として「learning gap」が挙げられています。多くのAIツールは、現場の文脈や過去の修正、業務ルールを継続的に学習できず、日常業務に合わないまま止まりやすいとされています。
AI導入の失敗は、AIそのものが使えないから起きるとは限りません。
むしろ、AIを導入する側が、業務のどこに入れるかを設計できていないことが多いです。
ここで重要なのは、AIを「便利なチャットツール」として扱うのか、「業務プロセスの一部」として扱うのかの違いです。
前者なら、社員の個人効率は上がるかもしれません。
後者なら、企業の成果指標に影響しやすくなります。
AI導入で成功する企業は、AIを「使うこと」から始めません。
まず、改善したい業務を決めます。
たとえば、問い合わせ対応、請求処理、営業資料作成、契約書レビュー、社内FAQ、会議議事録、採用候補者の整理などです。
次に、成果指標を決めます。
作業時間を何分減らすのか。
問い合わせ件数を何％減らすのか。
修正回数をどれだけ減らすのか。
何件の処理を自動化するのか。
どのコストを削減するのか。
MIT NANDAの調査でも、成功している5％の企業は、統合型AIパイロットによって数百万ドル規模の価値を生んでいると報告されています。成功の鍵は、AIを業務に深く統合し、現場の課題と成果指標に結びつけることです。
TechRadarの報道でも、成功企業は単一の明確な問題に集中し、専門ベンダーとの連携や現場マネージャー主導の導入によって成果を出しやすいと整理されています。
AI導入で成果を出すには、まず「AIで何をするか」ではなく、「どの業務をどう変えたいか」を決める必要があります。
たとえば、以下のように考えると現実的です。
これだけではまだ不十分です。
それぞれについて、何分短縮するのか、誰が確認するのか、どのツールと連携するのか、どの情報をAIに見せてよいのか、どの費用まで許容するのかを決める必要があります。
AI導入の成功は、AIモデルの性能だけで決まりません。
業務設計、データ整備、コスト管理、人間確認の設計がそろって初めて、企業AIは成果につながります。
AIバブル論が強まると、AIツール市場にも変化が起きます。
これまでは、AIツールは「何ができるか」「どれだけ賢いか」「どれだけ話題か」で評価されることが多くありました。
しかし、これからはそれだけでは足りません。
企業は、AIツールに対して次のような問いを投げるようになります。
このAIは本当に作業時間を減らすのか。
トークン費用は成果に見合っているのか。
API単価は継続利用に耐えられるのか。
社内データと安全に連携できるのか。
人間確認のフローを組み込めるのか。
導入後に利用状況と成果を測れるのか。
解約されずに使い続けられるのか。
Ed Zitron氏は、自身の記事「AI Is Too Expensive」でも、AIの事業としての成立には、AI収益の急拡大、設備投資の停止、GPU運用の採算性、そして投資停止後も収益が維持されることが必要だと論じています。これは、AI企業の成長ストーリーが単なる利用拡大だけでは成立しないことを示す視点です。
AIツール市場は、これから選別のフェーズに入ります。
AIを入れれば評価される時期から、AIで何が改善されたかを問われる時期へ移ります。
これは、AIツール提供企業にとっても大きな変化です。
無料ユーザーを増やすだけでは足りません。
トークンを大量に使わせるだけでも足りません。
企業が継続して支払いたいと思うだけの業務価値を示す必要があります。
つまり、今後のAIツールに必要なのは、次の3つです。
1つ目は、明確な業務成果です。
何分削減できるのか、どの作業を減らせるのか、どの品質が上がるのかを示す必要があります。
2つ目は、コストの透明性です。
月額料金だけでなく、API費用、トークン消費、追加課金、運用負荷が見える必要があります。
3つ目は、本番運用への耐性です。
セキュリティ、権限管理、ログ、監査、人間確認、社内データ連携が整っていなければ、企業導入は進みにくくなります。
AIバブル論は、AIツール市場にとってネガティブな話だけではありません。
むしろ、実際に価値を出せるAIツールが評価される流れでもあります。
AIバブル論は、AIそのものが終わるという話ではありません。
むしろ、AIが本格的に企業に入り始めたからこそ、コスト、ROI、業務成果、収益性が問われるようになったということです。
今回の動画で語られている問題の核心は、AIを使うこと自体ではありません。
問題は、AIをどれだけ使ったかが目的化し、トークン消費やAI予算が増えているにもかかわらず、企業がどれだけ成果を得ているのかが見えにくいことです。
MIT NANDAの調査が示すように、企業の生成AI投資の多くは、まだP/Lに測定可能な成果を出せていません。成功している一部の企業は、AIを単なるチャットツールとして導入するのではなく、特定業務に深く統合し、成果指標と結びつけています。
これから重要になるのは、AIを使う量ではありません。
どの業務に使うのか。
どれだけ時間を削減したのか。
どれだけコストを減らしたのか。
どれだけ品質が上がったのか。
その成果は、AIにかかる費用を上回っているのか。
この視点がないままAI導入を進めると、企業は便利さの裏側でコストだけを膨らませることになります。
AIバブルかどうかを判断するうえで大切なのは、熱狂に乗ることでも、悲観論に振り切ることでもありません。
誰が、何に、いくら払って、どんな成果を得ているのか。
この問いを持つことです。
AIはこれからも使われます。
ただし、これから評価されるのは、AIをたくさん使う企業ではなく、AIを成果につなげられる企業です。
.png){kind=logo}
