AI価格設定の難題 – 悪夢から始まり、さらに悪化

企業のITリーダーは長い間、AIの価格設定、特に投資収益率（ROI）を達成するための支払い方法に苦労してきた。しかし、多くの業務部門の従業員やパートナーが独自にAIを試用しているため、典型的なIT幹部は、企業がAIをどのように使用し、どのようにROIを達成しようとするかを決定する適切な人物ではない可能性がある。

ITリーダーが今後1～2年のAI活用方法を明確に把握していなければ、支払い方法を決めることは不可能だ。彼らはおそらく、現在のトークン単位の支払い方法を嫌っている。そして、SAPが推進するAIタスク完了ごとの課金などの他のオプションも、改善にはなっていない。

営業の類推で言えば、IT部門は見込み客（リード）に多額の金を払いたくない。なぜなら、そのリードが収益を生むかどうか、ましてやどれだけの収益を生むかを知る方法がないからだ。ITリーダーが望むのは、テクノロジー版のコミッション支払いであり、リードが実際の支払い顧客に転換した場合にのみ支払い、その場合でも最終売上の一定割合のみを支払うというものだ。これにより、企業のROIが保証される。

問題は、そのアプローチはベンダーに過大なリスクを負わせるため、どのAIベンダーも決して受け入れないということだ。ITがROIを提供しようとしている限り、企業ITとAIベンダーの両方に機能する価格設定モデルを見つけることはほぼ不可能だ。

SAPのデータ＆アナリティクス担当社長であるIrfan Khan氏は、この問題は双方にとって困難だと述べている。「誰もが投資の正当性を証明するのに躍起になっている」「初日のコストは必ずしも初日の価値ではない」。問題は順序にある。価格設定はプロジェクト開始のかなり前に交渉され、固定されなければならない。しかし、エージェンティックAIのように新しく実験的なテクノロジーでは、それが実際にどのような利益をもたらす（またはもたらさない）かについて、確かな情報はほとんどない。

さらに、生成AI（genAI）やエージェンティックAIシステムは、スプレッドシートに書き留めるのが難しい利益をもたらす可能性がある。CFOが受注処理の急激な向上を望んでいるとしよう。しかし、AIが「これらの注文をより効率的に履行した」場合、Khan氏は「そして、プロセスにより多くの効率性をもたらすことで生じる波及効果は何か？」と問いかける。

コンサルティング会社AcceligenceのCEOであるJustin Greis氏は、AI価格設定のミスマッチを市場経済の観点から次のように説明する。「市場は、AIが基本的に労働力の補完とビジネスプロセスの変革に近いものであり、コンピューティング消費とは異なるにもかかわらず、AIをインフラ時代の価格設定モデルに無理やり当てはめようとしている。中心的なミスマッチは、企業ITバイヤーは実現されたビジネス価値に連動した価格設定を望み、AIベンダーはリソース消費とプラットフォーム利用に連動した価格設定を望むことだ。これらは非常に異なる経済モデルである。トークン価格設定は、測定可能でスケーラブルで予測可能であるため、ベンダーにとって魅力的だ。しかし、企業の視点から見ると、トークンはビジネス指標としてほとんど意味がない。プロセス改善が実現しなければ、CFO側の誰も消費されたトークンの数を気にしない。」

競合する価格設定戦略は、圧倒的に2つの要因に依存している：最大の利益をもたらすものと、最も実行が容易なもの。人間の本性を考慮すると、後者が通常最もよく選ばれる道である。これは私の好きなジョークの一つに似ている。男が車に向かっていると、街灯のすぐそばで懐中電灯を持って地面を熱心に見つめている男を見かける。「手伝いましょうか？何かを探していますか？」と男は尋ねる。「はい、車の鍵をなくしました。」「愚かな質問ですが、最後に鍵を持っていたのはどこですか？」「あの通り向こうの暗い路地に立っていました。猫が鳴いて、鍵を落としました。」「ちょっと待ってください。鍵をあちらでなくしたのなら、なぜここで探しているのですか？」「ここの方が明るいから。」教訓は、簡単なルートを取る方が実際の目的を達成するより好まれるということだ。

Greis氏は、AIベンダーにROIベースの価格設定を受け入れさせるのは難しいだけでなく、何らかの方法で同意したとしても、意図しない結果が悲惨なものになる可能性があると主張する。「AIベンダーは、自社が制御できない変数（内部導入の不十分さ、プロセスの断絶、データの質の悪さ、組織政治、弱い変更管理、不明確なKPIなど）に関連する無限の下流ビジネスリスクを現実的に吸収することはできない。しかし、ベンダーが主に成果に基づいて報酬を得る瞬間、ますます自律的な最適化行動に対する強力なインセンティブが生まれる。これは、組織がAIシステムが意図ではなく指標を追求する可能性があることに気づくまでは素晴らしく聞こえる。」

「私たちは、レコメンデーションエンジン、広告ターゲティングシステム、エンゲージメントアルゴリズムでこの種の現象をすでに見てきた。システムは、手法が運用上リスクがあり、倫理的に問題があり、評判を損ない、戦略的にミスアライメントしていたとしても、測定可能な結果を最大化することを学習する。企業環境では、これは非常に急速に危険になる可能性がある。サービスコスト削減をインセンティブとするAIシステムは、正当な顧客の問題を積極的に回避する可能性がある。販売転換に対して報酬を与えられたモデルは、操作的なメッセージを押し付けるか、顧客の信頼を犠牲にして短期的な利益を最適化する可能性がある。調達最適化エンジンは、コストを削減する一方で、サプライヤー集中リスクを静かに高めたり、運用上の回復力を低下させたりする可能性がある。これらのシステムが自律的になればなるほど、「成功した結果」と「許容可能な行動」を区別することが難しくなる。」

これを解決する最善の方法は、おそらく最も難しい方法だ。すべてのAIプロジェクトは、厳しい質問をしなければならないAI委員会によって承認されなければならない。何を達成しようとしているのか？うまくいった場合、ベストシナリオの利益を具体的に特定し定量化せよ。最も可能性の高い失敗の仕方は何か？その方法で失敗した場合に最も発生しやすいコストと混乱は何か？それらを定量化せよ。委員会には、これらのモデルが何をできて何ができないかを正確に知っているメンバーが少なくとも数人含まれ、現実確認の役割を果たすべきだ。

次に、プロジェクトに関与する最も上級の幹部である業務部門の責任者に、痛みを共有させる。利益または損失を幹部のボーナスに結びつけよ。それらの幹部に、自分たちのチームがプロジェクトを誠実かつ創造的に最後まで考える理由を与えよ。

これが行われて初めて、CIOは公正で合理的なAI価格設定の取引を交渉する方法を知ることができる。