マサチューセッツ工科大学（MIT：Massachusetts Institute of Technology）が2025年7月に発表した報告書「The GenAI Divide: State of AI in Business 2025」によると、企業における生成AIの実証実験の95％が、明確なROIを出せないか、検証段階を超えて規模を拡大できていない。プロジェクトが停滞する理由は注目される一方、それが企業にどれほどの損失をもたらすかは見落とされがちだ。

　エンジニアの作業時間やコンサルティング費用、ベンダーとの契約金、ツール導入にかかる支出といった直接的な費用は容易に特定できる。しかし、間接的な損失の影響はさらに深刻だ。失敗したプロジェクトのせいで、導入したシステムを元に戻し、変更した業務手順を白紙にしてツールを入れ替える決断を下すまでに、数カ月もの時間と労力を浪費するケースもある。

　Googleの中小企業向け部門Google Customer Solutionsで分析責任者を務めるジアシ・チュー氏は、「大半の企業は明確な理由がないままプロジェクトを立ち上げ、AIツールを使うこと自体を目的にしている」と指摘する。チュー氏によると、AIツールを単なる実験ではなく実際の業務手順に組み込むことが成功の鍵であり、企業がこれを守らないため、ほとんどの実証実験が検証段階のまま終わっている。

　プロジェクトの失敗が社内に与える影響は深刻だ。大々的に始めたAIプロジェクトが頓挫すると、経営陣やIT部門に対する従業員の信頼が低下する。経営陣も検証を後押ししたがらなくなる。その結果、新たなプロジェクトを始動させる前に、信頼回復のためだけに数カ月を費やす事態に陥りかねない。

2．終わりのない実証実験による損失

　全ての損失が明確な失敗から生じるわけではない。企業にとって深刻なのは、AIプロジェクトが検証段階から一向に進まないことだ。可能性を秘めたプロジェクトが、本番稼働に達する前に停滞するケースは散見される。管理体制の障壁や責任の所在の不明確さ、複雑なシステム連携、規制への警戒感が、本格導入を阻む要因となる。

　AIツール導入における人材アドバイザリーを専門とするTrailhead Communicationsの創業者、バーバラ・ルース氏は、「問題の本質は技術ではなく企業の受け入れ態勢、すなわち経営陣の期待と企業の実行力のギャップにある」と語る。

　ルース氏は、AIツールの規模を拡大するには、従業員の働き方やデータの流れ、意思決定の方法を変革する必要があると主張する。

　実証実験は、こうした課題から隔離された、制御しやすい条件で実行されるため成功しやすい。しかし規模を拡大しようとした途端、隠れていた制約が急速に表面化する。

　長期化する検証による損失は、財務報告書には表れにくいが、企業の競争力を確実に削ぐ。自社が用途のテストで行き詰まっている間に、競合他社は自動化や効率化、意思決定の迅速化を通じて業務上の優位性を確立し、先に進んでしまう。

3．管理体制とコンプライアンスの事後対処にかかる費用

　ほとんどの企業はAIツールを先行して導入し、管理体制の構築を後回しにする。しかし、この手法はのちのち大きな費用を伴う。

　欧州連合（EU）が定めた「EU AI Act」などのAI技術規制法の制定が進むにつれ、金融や医療などの業界は、自社のAIシステムが説明可能かつ監査可能であり、適切に管理されていることの証明を求められている。こうした安全策を最初から組み込んでいないAIシステムは、後から機能を無理に付け足さなければならない。その結果、追加開発や文書作成、AIモデルの再検証、ベンダーとの再交渉が生じる。要件を満たすために、システムを一時停止したり完全に作り直したりする事態さえ起こり得る。

　AIシステムが検証から本番稼働に移行する上で、管理体制の構築は必須条件だ。チュー氏によると、企業はこの段階で「AIツールの利用回数や稼働時間」といった表面的な指標を追うのをやめ、「実際の収益」（費用削減効果）や「AIツールの出力に対する安全性の証明」に評価基準を切り替えることになる。

　後から発生する最大の負担は、業務の混乱だ。規制に関する審査によってAIツールの導入が遅れ、法務やコンプライアンス部門は長期の監視プロセスに時間を取られる。結果として、AIプロジェクトを企業全体に展開するスピードが低下する。

4．人材不足と離職による損失

　AI人材の不足は依然として大きな課題だが、損失は給与や採用市場での激しい競争にとどまらない。

　開発やデータ設計、専門知識のバランスを欠いたまま事業を進めると、テストでは問題なく見えても、実際のシステム構成で破綻するシステムが出来上がることになる。この修正は容易ではなく、外部の専門家の招集やシステムの再設計、当初の計画にはない追加の開発作業が必要になる。

　同時に、AIシステムはビジネス条件の変化に伴い、継続的なメンテナンスを要する。AIモデルの更新、再学習、継続的な監視が必要となり、計画段階で過小評価されがちな、終わりのない運用作業が発生する。

　従業員の離職も隠れた損失を招く。AIシステムを構築した担当者は、AIモデルの設計方法や開発時の妥協点、弱点に関する豊富な知識を持っている。そうした人材が辞めると、企業は「なぜその設計になったのか」という経緯や仕様の全貌をパズルのように手探りで再現せざるを得なくなる。その結果、原因究明や新しいメンバーの育成に数カ月を費やすことになる。

　ルース氏は、従業員が辞める前であっても、企業が貴重な知見を失うリスクを指摘する。「適切な引き継ぎがないと、過去の教訓が消え去り、同じ問題を学び直す羽目になる」と同氏が言う通り、試験運用が終了した際、データの欠落や業務手順の摩擦に関する教訓が消え去れば、後続のプロジェクトで同じ過ちを繰り返すことになる。

5．「ヒューマンインザループ」の規模拡大に伴う費用

　企業におけるAI技術への最大の誤解は、「自動化によって人間の労働力が不要になる」という思い込みだ。特に法務、医療、金融などの分野において、AIツールが複雑でリスクの高いタスクを担うようになっても、人間による監視は無くならない。むしろ、監視の重要性は高まり、人件費が膨らむケースが散見される。

　IT人材育成サービスを手掛けるCybraryのCOO（最高執行責任者）、ニック・ミズナー氏は、「ベンダーは『ヒューマンインザループ』（人間が介在する仕組み）を『安心できる機能』としてアピールするが、実際は予測しにくい運用の負担になる」と語る。従業員がAIツールを使いこなす教育を受けていないと、確認作業が遅れてより多くの人材が必要になり、継続的な負担になる。

　ミズナー氏は、教育されていない従業員が引き起こす生産性の低下についても指摘する。適切な従業員教育なしにAIツールを導入すると、かえって熟練した従業員の作業スピードを落とす恐れがある。AIツールが下書きや初期の出力を高速化しても、最終的な検証や監査は専門家に頼らざるを得ない。規模が拡大すると、わずかな確認時間であっても積み重なり、AIツールがもたらすはずだった効率化のメリットを相殺し始める。

6．モデルドリフトと継続的なデータ依存による経費

　AIモデルの精度は永続しない。時間の経過とともに、顧客の行動や市場の動向、社内業務の変化によってAIモデルの性能が低下する「モデルドリフト」が起きる。

　この変化は緩やかに進むため、検出が難しい。明確なシステム障害が起きなくても、出力の精度がわずかに落ちたり、実務に適合しなくなったりする。このように問題が表面化しにくいため、企業は長期間にわたって性能を維持するための手間を過小評価しがちだ。

　データの依存関係は、この課題をさらに難しくする。データの準備は単発の作業だと捉えられがちだが、その前提は本番環境での運用が始まると通用しない。顧客の行動や製品、社内手順の変化に伴い、モデルが実際の事業運営と懸け離れていくからだ。

　これに対処するため、リアルタイムのデータ連携や検索拡張生成（RAG：外部知識を参照して回答を生成する技術）を活用し、最新の情報をAIモデルに供給する仕組みが普及している。しかしこの仕組みは、データインフラや監視、管理体制の全体において、恒久的な運用の手間が追加されることを意味する。

　稼働中のシステムで信頼性を保つ取り組みに終わりはない。継続的な再学習、検証、監視、土台となるデータの定期的な更新が必要だ。

　ルース氏は、「こうしたメンテナンスの負担は一時的なイベントではなく、日常業務そのものだ。AIモデルや業務手順が進化する以上、最適な基準を常に再調整し続けなければならない」と指摘する。

　特に複数のAIモデルを運用する企業にとって、維持管理は裏方の作業ではなく主要な費用になる。そのため、IT担当者はAIモデルのメンテナンスを「たまにする微調整」ではなく、日々の業務に組み込むべき継続的な習慣として扱い始めている。

7．推論費用とシステム構造のロックイン

　企業はAIモデルの学習にかかる費用に注目しがちだが、従業員からの質問や推論のたびに発生する継続的な支出こそが、長期的な費用の最大要因となる。

　システムが1つのベンダーや特定のAPI（アプリケーションプログラミングインタフェース（を中心に構築されている場合、この問題はさらに深刻だ。短期的な開発速度の向上には寄与するものの、それと引き換えに依存状態（ロックイン）を生み出す。価格の改定やAIモデルの提供終了、性能の変化が起きた際、システム連携やプロンプト、検証手順に及ぶシステムの大部分を作り直さなければならなくなる。

　AIセキュリティベンダーMindgardの共同創設者兼CSO（最高科学責任者）、ピーター・ギャラガン氏は、価格設定が常に変化する現状では費用の予測は困難だと指摘する。ベンダーの値上げや旧版の廃止による新モデルへの移行要請などで、費用は常に変動する可能性がある。場合によっては、システム改修の費用が当初の開発費とほぼ同等にまで膨らむケースもある。

　このリスクを抑えるため、特定のAIモデルに依存しない「マルチモデル構成」への移行が進んでいる。異なるAIモデルの仕様差を吸収するプログラム（抽象化レイヤー）を挟むことで、全てを一から作り直すことなく、提供元を簡単に切り替えたり組み合わせたりできる仕組みだ。

8．企業ブランドに対するリスクの代償

　企業ブランドへのリスクは、数値化が最も困難な要素の一つであり、問題発生時の影響は計り知れない。偏見や誤り、有害な内容を含んだ生成物を出力するAIツールは、世間の批判や規制当局の監視を招き、長期的なブランドイメージの低下を引き起こす。これは、不公平な採用ツールや偏った推奨システム、特定の層に不利益を与える自動判定など、多様な形で表面化する。

　ギャラガン氏によると、AIツールがもたらすブランドリスクは、従来のシステム障害のリスクと本質的に変わらない。主力サービスが停止したりデータが漏えいしたりするのと同様の危機が、AIツールでも発生するという。具体的には、不適切なチャットbotの応答から、機密情報や顧客データを狙うサイバー攻撃まで、リスクの幅は広い。

　チュー氏は、データ管理がこのリスクを防ぐ鍵を握ると強調する。「リスクの多くはデータ管理の軽視が原因だ。企業が意図しないところで、AIモデルが不完全なデータを学習してしまう」と同氏は指摘する。適切に管理されていないデータがプロジェクトに混入することが、ブランドを脅かす最大の要因になり得るという。

　ルース氏は、ブランドリスクには「目に見えず、徐々に蓄積していく性質」があると説明する。AI生成コンテンツの増産によって企業の個性が薄れ、顧客との信頼につながる「その企業らしさ」が静かに失われる恐れがある。

　ブランドへの打撃がもたらす財務的な損失は広範囲に及ぶ。顧客の離脱や信頼の低下、商談の長期化、採用活動の難航といった連鎖を引き起こすからだ。ルース氏は「AIツールが優れた成果を出すのは当たり前と受け止められるが、一度でも失敗すれば激しい非難を浴びる」と、AIツールの成功と失敗のリスクバランスが非対称である点を警告する。

AIツールの拡大に伴う隠れた費用

　AIツール導入における見えない費用は、決して失敗の兆候ではない。むしろ、技術が業務に深く定着し、成熟する過程の現れだ。

　活用を深めるにつれて、企業は「受け入れ態勢のギャップ」に直面し始める。生産性を向上できるかどうかは、AIモデルの性能以上に、従業員が使いこなす準備をいかに整えているかにかかっている。

　「AIプロジェクトの停滞は技術の問題ではなく、企業が運用や文化の変化を吸収できる体制を持っているかどうかだ」とルース氏は強調する。このような局面では、システムの改修と同じくらい、現場チームの信頼を再構築し、自信を取り戻すためのケアが欠かせない。

　企業におけるAIツールの導入規模が拡大するにつれ、CIO（最高情報責任者）はライセンス料やインフラ費用といった目に見える数字よりも、大規模運用に伴う長期的な作業負担の管理に追われるようになる。本格展開で成果を収めるのは、こうした見えにくい費用を初期段階から想定できる企業だ。AIツールを導入する費用だけではなく、責任と信頼性を持って長期運用を維持するための「手間と人手」を冷徹に見据える姿勢が求められる。