10年以上前、私の会社はすでに機械学習とコンピュータービジョンを用いた商用AIツールを構築していた。特定の課題を解くために、さまざまな深層学習モデルを訓練したのだ。肌状態の分析、肌色とファンデーションの色合わせ、そして美容業界のためのよりパーソナライズされた消費者体験の創出などである。私たちはAIに何でもやらせようとはしなかった。ひとつの価値ある仕事を、きちんとやってもらうよう求めたのだ。
その後、生成AIが主流に躍り出た。2022年後半にChatGPTが一般公開されて以降、AIは突然、魔法のように感じられるようになった。誰もが数秒でテキストや画像、コード、アイデアを生み出せるようになったのだ。過去3年間、私はこの変革を2つの視点から観察してきた。AI製品を構築する経営者としてと、学生たちがAIを使いこなす姿を見守る大学教授としてである。
魔法は本物だ。しかし、その請求書が届き始めている。私たちは「AIの二日酔い」に入りつつあり、その真のコストを自覚し始めているのだ。
「作成」をほぼ無料にする
生成AIの第1フェーズは「豊かさ」によって定義された。白紙のページはもはや脅威ではなくなり、従業員はプレゼンテーション、キャンペーンのコンセプト、プロトタイプをほぼ瞬時に作成できるようになった。
多くの組織が、無理もない誤解を抱いた。何かを作成するコストが下がれば、その仕事を完了させるための総コストも下がると想定したのだ。
実際には、AIは初稿を安価にする一方で、最終判断をより複雑にする。誰もがより多くを生成できるようになると、企業にはより多くの報告書、提案書、推奨事項が集まり、その1つひとつを依然として読み、比較し、承認しなければならない。
仕事は消えるのではなく、執筆から編集へ、調査から確認へ、創造から監督へと移動するのだ。それが私のチームの提案書実験で起きたことであり、以来多くのAI導入の背後にあるパターンでもある。アウトプットの増加が生産性の向上と取り違えられているが、ボトルネックは単に川下、つまり今も判断を下している人間のところへ移動したにすぎない。
思考の限界を超えるスピードで「判断」することの人的コスト
これと全く同じ変化が、教室ではより個人的な形で現れている。AIは、学生が難しい概念を理解し、代替案を模索するのを助ける。しかし一方で、実際の学習が起きるプロセスである「知的葛藤」を彼らにスキップさせてしまうこともある。
ナレッジワーカー319人を対象とした最近のマイクロソフト・リサーチの調査によると、生成AIを信頼する人ほど、その出力に対する批判的思考が少なくなり、一方で自分の能力に自信がある人ほど、より批判的に関与することがわかった。AIは批判的思考を排除するのではなく、その位置を「独自の回答を生成すること」から「回答を検証し管理すること」へと移動させるのだ。
私はこの結果を「AI脳疲労（AI brain fry）」と呼んでいる。人間が責任を持って評価できる以上のスピードで、機械が選択肢を生成することによる疲弊だ。AIは数秒で20の尤もらしい回答を作成できるが、どれが正しく、適切であるかを決めるのは依然として人間だ。自信に満ちた表現は、欠陥のある論理を捉えにくくさせ、捉えやすくはしてくれない。
人間の脳にも「コンテキストウィンドウ（文脈理解の許容量）」がある。機械のそれとは異なり、コンピューティングパワーを買い足しても拡張することはできない。これこそが、デジタルインテリジェンスと生物学的インテリジェンスの根本的な違いだ。
トークンのパラドックス
経済学的にも、同様に直感に反する物語がある。AIは単価ベースでは安くなっている。スタンフォード大学の2025年版AIインデックス・レポートによると、GPT-3.5級モデルの推論コストは2022年11月時点の100万トークンあたり20ドル（約1万未満円）から、2024年10月には0.07ドル（約1万未満円）へと、280倍以上も下落した。
しかし、トークンが安くなったからといって、AIにかかる費用が下がるわけではない。単に、より多くのトークンを使用することを正当化しやすくなっただけだ。特にAIが、単に質問に答えるものから、自律的にワークフロー全体を実行するものへとシフトしている現状ではなおさらだ。チャットボットは1つの質問に答えるだけだが、AIエージェントは目標を解釈し、ドキュメントを取得し、ツールを呼び出し、必要と判断した回数だけそのサイクルを繰り返す。ユーザーが目にするのは短い回答だが、システムはその回答を生成するために、目に見えない膨大な計算を行っている可能性がある。エージェントによるコーディングタスクでのトークン消費量に関する今年初めの研究によると、エージェントは従来のコードチャットやコード推論と比較して約1000倍ものトークンを消費していたが、正確性において一貫した向上は見られなかった。
安価なインテリジェンスは、より早く消費されるだけではない。より早く信頼されるようにもなり、その双方の習慣が川下でコストを発生させる。レビュアーのスケジュール、学生の未発達な判断力、そして誰も予算を立てていなかったコンピューティングコストなどだ。もはや重要な指標は「トークンあたりのコスト」ではない。「信頼できる成果あたりのコスト」なのだ。
次のフェーズに向けた3つの規律
第一に、AIを活用した成果物の完全なコスト（インフラ、レビュー、修正、コンプライアンス、手戻りなど）を測定することだ。高給の従業員が検証に1時間を費やすのであれば、安価な回答であっても経済的とは言えない。
第二に、人間によるレビュー負担を直接測ることだ。従業員が機械生成物を読み、確認し、承認するのにどれだけの時間を費やしているか。その数字こそが、AIが仕事を消し去っているのか、それとも私のチームが提案書実験で直面したように、単に移動させているだけなのかを明らかにする。
第三に、すべてのAIワークフローに予算と「停止ルール」を設定することだ。消費量、エージェントのステップ数、ツールの呼び出し回数、正確性、そして人間の承認に制限を設ける。AIシステムは、回答がいつ十分に優れたものになったかを自ら判断することはできない。最終的には誰かが決定を下さなければならず、それこそが本質的なポイントなのだ。
生成AIの最初の3年間は「豊かさ」によって定義された。これからの3年間は「規律」によって定義されることになるだろう。安価なインテリジェンスは、判断力を向上させて初めて価値を生み出す。そうでなければ、それは単なる新たなインフレの一種にすぎず、勝者となるのはAIを最も多く使った企業ではなく、誤ったものへの浪費を最も少なく抑えた企業になるはずだ。
