エステベ・アルミラルはEsadeのオペレーション・イノベーション・データサイエンス学部の教授である
あまりにも巨大な数字は想像力を変えてしまう。7000億ドルはそのような数字の一つだ。
ブラックロック・インベストメント・インスティテュートの推計によると、AIデータセンターとチップだけの年間支出は2030年までに年間7000億ドルを超える可能性がある。GMI Cloudの最近の分析によれば、多くのAI企業では、すでにGPUインフラが技術予算の約40〜60％を占めており、最先端モデルのトレーニングコストはアクセラレーターとモデル開発が大部分を占めている。7000億ドルがインフラだけに流れると予想されるなら、さらに数十億ドルがエージェント型AIの台頭にも投資されると予想するのは妥当だろう。エージェント型AIとは、自律的に行動し、ワークフロー全体で調整し、かつては人間のみが行っていた意思決定を行うシステムだ。
これはあらゆる業界に波及するほど強力な変革である。そしてそれは単純だが深遠な疑問を投げかける：7000億ドル以上で私たちは一体何を手に入れるのか？
投資ブームの裏側：静かな不安
AIを取り巻く楽観論にもかかわらず、舞台裏では並行する物語が広がっている。経営幹部たちは、実現しなかったプロジェクト、静かに燃え尽きた予算、そしてほとんど何も変革しなかった「変革」について囁き合っている。MITのNANDAプロジェクトの調査によると、AIイニシアチブの最大95％が失敗しているという。他の専門家は「パイロット疲れ」について警告している—実験が多すぎて、インパクトが少なすぎるのだ。人気のあるHBRの記事「パイロットプロジェクトのやりすぎをやめよう」は、多くのリーダーが内心共有している感情を捉えている：「私たちはあらゆるものをテストしているが、何も展開していない」。
そのため、投資が加速する一方で、不確実性も高まっている。企業はAIを無視できないことを知っている。しかし同時に、AIの活用方法をまだ完全に理解していないことも認識している。
このパラドックスは衝撃的だ：AIは不可避だが、その成功的な活用は保証されていない。
なぜこのようなことが繰り返し起こるのか？通常の説明—未熟なツール、専門知識の不足、不十分なデータ—は確かに正しいが、より深い物語を見逃している。真実はより人間的なものだ。
イノベーションは技術的プロセスではなく社会的プロセスである
私たちはAI導入について、まるで機械的な順序であるかのように語る傾向がある：モデルを選択し、パイロットを実施し、ソリューションを拡大する。しかし、業界が実際に変革的技術を採用する方法はそうではない。
業界は互いを観察することで学ぶ。彼らは機能するものをコピーする。彼らは勝者を模倣する。彼らは成功を洗練させる。
初期段階では、その学習ループは痛いほど遅い。成功した実装は少なく、散らばっており、しばしば守られている。AIから価値を引き出す方法をついに理解した企業は、その洞察を競争上の秘密として保護する傾向がある。それは何ヶ月または何年もの試行錯誤を通じて得られたものだからだ。
そして、業界の残りの部分は暗闇の中で手探りする。
この学習の遅れは正常だが、歪んだ図を作り出す。それはAIを予測不可能で不安定なものに見せる。それは失敗率と無駄なパイロットに関する見出しを生み出す。しかし実際には、私たちが目撃しているのは典型的な初期段階の普及問題だ：模倣すべき戦略がまだ見えていないのである。
測定の罠：グッドハートの法則の実践
実装の課題だけでも十分ではないかのように、企業はもう一つの障害に直面している：測定だ。長年にわたり、組織はAI導入を評価するために従業員調査に依存してきた。結果は通常輝かしいものだ。人々は新しいツールを使用していると言う。彼らはツールが役立つと言う。彼らはプロジェクトが順調だと言う。
しかし、私たちが知っているように、調査にはバイアスが満ちている。そして質問をする人があなたの給料に署名するとき、そのバイアスはさらに大きくなる。
これはグッドハートの法則の働きだ：測定が目標になると、それは良い測定ではなくなる。「AI採用」がKPIになると、従業員は採用を忠実に報告するようになった—たとえ彼らが意味のある方法でツールを使用していなくても。
重要なのは従業員がAIツールについてどう感じているかではない。重要なのは使用状況と成果だ。真の生産性の変化は、ツールがワークフローで一貫して使用され、品質やスピードの測定可能な改善をもたらすときに生じる。
この基本的な転換—感情の調査から使用の測定へ—はまだ始まったばかりだ。
生産性のパラドックスが再来
企業が正しく測定する場合でも、物語は複雑なままだ。
技術はめったに即座の生産性向上をもたらさない。代わりに、生産性は能力の後を追う。
自動車産業を考えてみよう。1913年、フォードのモデルTは93分で組み立てることができた。
今日、ロボット、センサー、デジタルツインにもかかわらず、現代の車を組み立てるには20〜35時間かかる—多くのモデルでは約30時間だ。
私たちの効率は下がったのか？全くそうではない。「車」の定義が変わったのだ。安全基準、電子機器、接続性、快適さ—すべてが車とは何かを再定義した。
これはビジネスリーダーが日常的に忘れるパラドックスだ：製品が進化するとき、生産性の指標はそれを反映する必要がある。これにより測定値の使いやすさは低下するが、確実により現実的になる。
エージェント型AIも同じパターンに従うだろう。最初に測定可能な利益は、より多くの出力ではなく、異なる出力になる—よりカスタマイズされ、よりコンテキスト化され、より同期され、より複雑なものだ。
誤算：動く標的を固定されたものとして扱う
企業が犯す最大の戦略的ミスの一つは、AIが従来のロードマップで処理できるほど安定していると仮定することだ。例えば：
- ユースケースの特定
- トレーニングと学習
- パイロットとPOC
- スケール
- 最適化
これは技術がゆっくり動くときに機能する。しかしAIでは、能力は毎月変化する。モデルコストは毎年崩壊する。最近発表されたDeepSeek 3.2は、30倍低いコストで主要モデルに匹敵するパフォーマンスを提供する。このパターンは繰り返されるだろう。安定性を前提とした計画サイクルは失敗する。
AIをプロジェクトとして扱うのではなく、企業はそれを進化する能力として扱わなければならない。それには動的で継続的に学習する組織が必要だ—ほとんどの企業が構築に慣れていないものだ。
真の転換：タスクからシステムへ
もう一つの戦略的不一致は、企業がAIの取り組みをどこに集中させるかにある。多くの組織はタスクの観点で考える：このステップを自動化し、そのワークフローを加速し、このプロセスをスピードアップする。
しかし生成型エージェントは単にタスクを実行するだけではない—彼らはシステムを再構築する。彼らはワークフローを分解し、新しい方法で再組み立てする。彼らは新しいパラダイムを導入する：標準化なしの調整だ。
何千年もの間、調整には共有ルール、共有表現、共有プロトコルが必要だった。市場、官僚制、軍隊—すべてがこの前提の上に構築された。
エージェント型AIはそれを破壊する。エージェントはAPI、JSON、音声、テキスト、または状況が要求するものを通じて通信する。彼らはインターフェースに適応する。彼らは交渉する。彼らは調整する。彼らは自己組織化する。
その意味は巨大だ。ERP、CRM、そしてモノリシックな企業アプリケーションはこの波を生き残れないかもしれない。それらは標準化が作業を調整するために必要だという前提の上に構築された。その前提が崩壊したとき、何が起こるだろうか？
では…数十億ドルをどう賢く使えるか？
前述のように、数十億ドルがエージェント型AIシステムに割り当てられると予想するのは妥当だ。私たちに代わって買い物をするエージェント。コンプライアンスを調整するエージェント。調達を管理するエージェント。カスタマーサポートを処理するエージェント。教え、診断し、草案を作成し、交渉し、調整し、スケジュールを立て、オーケストレーションするエージェント。
そのお金を有効に使うために、業界は以下が必要になる：
- 標準化されたエージェントフレームワーク
- 共有されたベストプラクティス
- 再利用可能なアーキテクチャ
- 業界全体の学習サイクル
- 新しいガバナンスと評価レイヤー
そしてこれらが出現するにつれて、他のものも変化するだろう。インターフェースが変わる。ウェブはますますエージェントが仲介するようになる。大規模なモノリシックなソフトウェアプラットフォームはマルチエージェントシステムに分断される。新しいスキルが出現し、他のスキルは消滅する。価値創造が書き換えられる。
すべての中心にある戦略的問題
最終的に、すべての組織は同じ戦略的問題に直面する：
どのように競争するか？もしイノベーションで競争するなら、最前線に留まらなければならない—実験し、プロトタイプを作り、次の能力曲線を追いかけなければならない。なぜなら最前線は常に動き続けるからだ。
効率性、規模、または流通で競争するなら、あなたの仕事は異なる：迅速に採用し、賢く標準化し、コストと能力を競争力のあるものに保つシステムを構築する。あなたは迅速な採用者である必要がある。
しかし、できないこと—どの企業もできないこと—は立ち止まることだ。技術が不可避になったとき、あなたには2つの選択肢しかない：それを受け入れるか、取り残されるかだ。
