AIのコストを「使い捨て」から「資産」へ、Google Cloudが説く「複利のAI」

Day1基調講演。「複利のAI」という考え方が、AI利用の成果を企業資産へ残す設計として示された。
現地撮影／Day1

AIを使うたびに費用が発生する。それでも、AI投資を「使い捨て」で終わらせない方法はある。

Day1基調講演で示されたのは、AIへ仕事をさせたときに生まれるSkills、業務手順、判断の型、評価方法を残し、次の仕事へ再利用する「複利」の考え方だった。サミットの各企業事例を横断すると、この考え方が抽象論ではなく、企業AIの設計原則として見えてくる。

AIエージェント時代に変わる3つの前提

Day1基調講演では、AIエージェントを取り巻く変化が3つに整理された。第一に、モデル単価は下がってもエージェント化によって利用量が増え、コスト管理の考え方が変わること。第二に、一回のチャットから、繰り返し再利用できる「複利」のAIへ移ること。第三に、最適なモデルが短期間で入れ替わるため、特定モデルへ固定しないことだ。

この3つは別々ではない。モデルを固定しないためには、企業固有の価値をモデルの外へ出す必要がある。その一つがSkillsであり、業務知識、評価データ、ツール接続、セマンティックレイヤーである。これらを企業側へ残せば、モデルが変わっても仕事の仕方を引き継げる。

従来の生成AI活用では「どのモデルを契約するか」が議論の中心になりやすかった。エージェント時代には、モデルは複数の選択肢の一つになる。企業の競争力は、モデルそのものよりも、モデルへ何を渡し、どの仕事を再現できるかへ移る。

出力は消える。Skillsは残せる

従来の生成AI活用では、価値の中心は「回答」だった。文章を書いてもらう。資料を要約してもらう。調査結果を出してもらう。その出力を使えば、一回の仕事は終わる。

AIエージェントでは、何を調べるか、どの順番で確認するか、どのツールを使うか、どの条件なら人へ戻すか、どの形式で成果物を出すか、といった仕事の進め方自体をSkillとして残せる。一回目の失敗や修正が、二回目以降の仕事の初期値になる。

人間の組織でも、仕事を繰り返すうちにテンプレート、チェックリスト、標準手順ができる。AIも同じで、毎回ゼロからプロンプトを書く会社と、仕事の型を蓄積する会社では、100回目のスタート地点が変わる。

Skillsは単なるプロンプトの保存とも違う。業務の手順、参照すべきデータ、使うツール、禁止事項、出力形式、必要な検証をまとめて持たせれば、個人の「うまいやり方」を再現可能な資産へ変えられる。

「判断の型」と「編集レシピ」も企業資産になる

MIXIの「トマト部長モデル」は、複利を考えるうえで象徴的だった。ベテラン社員の過去回答を保存するのではなく、「どんな観点で判断するか」を言語化し、後輩が将来メンテナンスできる状態を目指した。人の経験をAIへ移すのではなく、組織が更新可能な判断の型へ変えている。

第6回AIエージェント事例アワードで優秀賞となったテレビ朝日の事例も同じ構造を持つ。番組ごとのショート動画編集ノウハウを「レシピ」として残し、人が修正した内容を次回へ反映する。一回動画を作るだけならAI利用は消費だが、修正がレシピへ戻れば、利用するほど制作能力が育つ。

日本テレビの「ミカタッチAI」でも、データそのものだけでなく、番組分析で人間が踏んでいた思考の順番や観点をエージェントへ渡していた。NRIのナレッジ駆動開発も、熟練者の「答え」より「何を問い、どう判断するか」を残す方向へ進んでいる。

企業の暗黙知をAIへ入れるという言い方は簡単だが、知識をコピーすれば終わりではない。判断の理由を言語化し、他人がレビューでき、将来更新できる状態にする必要がある。そこまでできて初めて、個人の経験が企業資産になる。

関連して読む：AIは「作業」を自動化するが「問い」は自動化できない。ベテランの価値観と思考プロセスまで集める、NRIの「ナレッジ駆動開発」

個人のSkillから、組織の複利へ

個人が自分用のSkillを作るだけでも、生産性は上がる。しかし、企業全体で複利を起こすには、他の人が発見し、使い、改善できる必要がある。

TAPPでは非エンジニアを含む現場から500を超えるAIエージェントが生まれ、読売広告社では3カ月で700を超える市民開発型エージェントが作られた。数が増えたことより重要なのは、AI活用のノウハウがIT部門だけに閉じず、現場側で生成されるようになった点だ。

一方、似たエージェントが乱立すれば、どれを使えばよいか分からなくなる。古いルールを持つSkillが残り続ければ、組織の知識が逆に分散する。そのため、共有カタログ、所有者、更新履歴、利用範囲などの管理が必要になる。

「誰でも作れる」はゴールではない。作ったものが再利用され、改善され、不要になれば廃止される。ソフトウェア資産と同じライフサイクルを持たせることで、組織の複利が成立する。

複利を生むには、共有だけでなくガバナンスが必要

再利用できるSkillやエージェントが増えるほど、ガバナンスも必要になる。誰が作ったのか。どのデータへアクセスするのか。どの操作を実行できるのか。いつ更新されたのか。誰が利用してよいのか。共有範囲を広げるほど、これらを明確にしなければならない。

10月8日のGemini agent発表では、各エージェントに独立したアイデンティティを持たせ、最小権限を与え、実行を監査し、Agent Gatewayでポリシーを適用する考え方が同時に示された。企業資産として共有するなら「便利だから誰でも使える」だけでは成立しない。

JALの事例でも、自律性を高めながら人間承認や情報保護のガードレールを残していた。Shadow AIのセッションでは、禁止だけではなく、安全な正規ルートへ社員を誘導する発想が示された。Skillsの共有と安全性は別々のテーマではない。

関連して読む：JALはAIエージェント選びで、情報の守りと人の承認を譲らなかった

モデルは交換できても、仕事の型は残す

今日最も性能が高いモデルが、来月も同じとは限らない。基調講演では、特定モデルへ固定せず、Google以外のモデルやオープンウェイトモデルも含め、仕事に応じて使い分ける方向が示された。

このとき、企業固有の仕事の進め方までモデル固有のプロンプトへ埋め込むと、モデル変更のたびに作り直しになる。業務手順、評価データ、ツール接続、ナレッジ、指標定義をモデルから分離して持つ方が、長期的な資産になる。

データ基盤でも同じだ。AIへ「売上」を聞いたとき、売上の定義がプロンプトにだけ書かれている状態では、別エージェントへ移ると失われる。Knowledge Catalogやセマンティックレイヤーのように、企業の意味を共有基盤へ置けば、複数のモデルやエージェントから再利用できる。

モデルは変わる。企業が残すべきなのは、特定モデルへ最適化された一回限りの実装ではなく、モデルが変わっても使える仕事の型だ。

関連して読む：AIに「売上とは何か」を教えるのは、エンジニアではなく業務と経営の仕事だ

Tokenomics――複利とコストは表裏一体

複利を生むには、AIを何度も使う必要がある。しかし、利用回数が増えればコストも増える。AIエージェントは、一つの仕事で計画、検索、ツール実行、レビュー、再試行を繰り返すため、単発チャットより多くのトークンを使う。

だから「Skillsを増やせば増やすほど良い」とも言えない。処理ごとに必要なモデルを選び、簡単な作業は軽量モデル、高度な判断だけ高性能モデルへ回す。Smart RoutingやGatewayを使い、品質とコストを継続的に測る必要がある。

Day1のTokenomicsセッションでは、日常的なループの70〜80％ほどは最上位モデルを必要とせず、高度な推論が必要な処理はごく一部という整理も示された。紹介事例では、ルーティング等により総コスト67〜70％を削減しながら品質98.9％を維持した。

複利のAIは「使えば使うほど得」という魔法ではない。再利用で生まれる価値が、追加の推論コストを上回る設計にする必要がある。

AIエージェントのコストとモデル選択を扱ったTokenomicsセッション。
現地撮影／Day1

詳しく読む：単価は98％下がったのにAIの支出は増える、だから最上位モデルは要所にだけ使う

ROIを「一回の削減時間」だけで測らない

AI導入のROIでは「何時間削減できたか」が分かりやすい。読売広告社の5,500時間や大阪ガスの開発工程など、短期的な効果を測ることは重要だ。

しかし、複利を考えるなら一回の削減時間だけでは足りない。作ったSkillが別部署でも100回使われる。ベテランの判断モデルが後輩の相談相手になる。人が直した動画編集レシピが次の制作で再利用される。これらは一回目の業務時間だけを見ていると評価しにくい。

一方で「将来価値があるはず」と言って何でも資産扱いするのも危険だ。実際に再利用された回数、改善された回数、別の部署へ展開された数、品質向上、売上・顧客体験への影響など、複利を測る指標が必要になる。

AI投資を費用対効果で管理するなら、短期の工数削減と、中長期の再利用価値を分けて追う方がよい。

AIを使うほど「会社の仕事の仕方」が貯まるか

AIを100回使った会社が二つあるとする。一社は100回すべてゼロから指示した。もう一社は、成功したプロンプト、Skill、評価方法、業務ルールを残し、次の処理へ再利用した。同じ100回でも、101回目のスタート地点は違う。

さらに、後者が蓄積したものを他の社員・エージェントも利用できれば、差は個人の生産性ではなく組織能力になる。使う人が増えるほど、成功例と失敗例が増え、仕事の型を改善できる。その循環こそ「複利」の部分だ。

今回のサミットで、MIXIは判断の型を残し、TAPPや読売広告社は現場でエージェントを作り、大阪ガスはAI前提の開発工程を組み、NRIは熟練者の思考をナレッジ基盤へ載せようとした。別々の事例に見えるが、「AIを使った結果、会社に何が残るか」という問いでつながる。

モデルの性能差は時間とともに縮まる可能性がある。しかし、自社の業務知識、判断、評価、Skills、データの意味が蓄積される速度は、企業ごとに違う。AI時代の競争力は、モデルを使った回数ではなく、AI利用を組織学習へ変換できた回数で決まるのかもしれない。