Metaの「最大60%削減」撤回、AIエージェントの真価が問われる

Metaは「AIを前提とする企業」への転換を目指し、多くのチームで最大60%の人員削減を検討したとされる。しかし、従業員の反発とAIエージェントの期待外れの成果を受け、方針を撤回した。一方で、Manusの買収を進め、各製品へのAIエージェント導入は続けている。未解決の問題は、MetaがAIエージェントを信じているかどうかではない。導入したという事実だけで、その周囲を支える人員を減らせるほど組織の準備が整ったといえるのか、という点だ。

AIエージェントは、業務上の定義が固まる前から費用対効果を問われた

企業における生成AI導入の第1段階では、AIは人を補佐する存在と位置づけられた。ソフトウェアが文章の下書き、提案、検索、要約を担い、人間が目的を定め、重大な結果を伴う操作を実行し、最終結果に責任を負う形だ。2024年までに業務用ソフトウェア各社は、利用者に代わって行動するAIエージェントへと軸足を移し始めた。提供価値の単位は「より良い提案」から「仕事の完了」へ変わった。

しかし、各社の実務上の定義は一致しなかった。Microsoft、OpenAI、Salesforceなどは、実態が大きく異なる製品に「エージェント」という同じ名称を使い、顧客を戸惑わせた。あらかじめ定められた手順に従うものもあれば、道具を自ら選ぶもの、複数の業務ソフトをまたいで働くもの、長時間にわたって処理を続けるものもあった。同じ呼称の裏には、自律性、状況把握のしやすさ、制御可能性に大きな差があった。

それでも企業が技術に求めた役割は一貫していた。売上拡大よりも、効率向上と費用削減である。この目的では、人員削減が直感的に分かりやすい評価軸になる。AIエージェントがより多くの仕事を終えられるなら、必要な人員は少なくて済むはずだ、という考え方だ。

ところが、実際の利用は単純な人員代替にはならなかった。Anthropicの調査では、観察されたAI利用の57%が人間の能力を補う用途で、自動化を主とする用途は43%だった。観察されたやり取りの大半では人間が引き続き作業に関わっており、価値を左右するのは単純な代替率ではなく、AIを組み込む業務の設計であることがうかがえる。

人員数を指標にすると、導入判断の誤りが自己増殖する

Metaの人員削減案とされる計画は、この仕組みを際立たせた。同社は、多くのチームを最大60%縮小し得る2段階の削減を検討し、その結果生まれる組織をAI前提の体制として示そうとした。従業員は計画に反発し、社内の検証でも、自律型AIエージェントは期待した成果を生んでいないことが示されたとされる。

生産性の向上が人員数に影響すると経営陣が考えるのは妥当だ。しかし、人員削減そのものを生産性向上の証拠にすると、評価指標がゆがむ。AIエージェントが品質を維持できるか、自ら誤りを検出できるか、例外に対応できるか、障害から復旧できるかを確かめる前に職務を廃止しても、見かけ上は成果を示せてしまうからだ。

こうして、目に見える処理量ばかりが評価される循環が生まれる。組織再編を正当化するため、各チームはより多くの仕事をAIエージェントに回す。管理指標には、処理済み案件数、確定したコード量、生成した回答数、削減できた労働量が記録される。一方、確認作業が成功しても、障害を未然に防いだという目に見えない成果しか残らないため、その価値は表れにくい。確認担当者、保守担当者、経験豊かな運用担当者を減らすと、実際の業務より先に指標だけが改善する。

MetaはAIエージェントを断念したわけではない。Manusを買収し、人材を社内に迎え入れ、Manusのサービスも運営、販売し続ける。今回の方針転換は、導入自体を成果の証拠とする姿勢から、導入後の実績に証拠を求める姿勢への転換だった。

AIの能力が高まっても、組織の信頼性は低下し得る

AIエージェントの能力は実質的に向上している。AIによる開発支援では、わずかな監督だけで複雑な開発案件を完遂する能力が大きく進歩した。範囲を限定した技術分野では、単に処理量の数字を膨らませるのではなく、実際の業務能力を高められる。

しかし、AIが複雑な開発案件を完了できても、作成したコードが安全か、保守しやすいか、周辺システムと共存できるか、導入後に元へ戻せるかを組織が確実に判断できるとは限らない。AIエージェントにとっては、作業の完了が終点になる。組織にとっては、その後に生じるすべての結果までが管理対象だ。

開発用AIエージェントは有用なソフトウェアを作れる一方、未修正脆弱性の発見工程の一部も自動化できる。したがって組織は、AIが何を作れるかだけでなく、どこまでアクセスできるかも同じ厳格さで管理しなければならない。

処理施設では、流量が成果に当たる。しかし、警報、採取検査、迂回設備、運転員、復旧手順までそろって初めて安定した操業になる。ポンプがより多くの水を運べるという理由でこれらを取り除けば、1つの数字は改善しても、その数字を信頼できる根拠が失われる。AIエージェントを使う仕事では、作業完了数が流量に当たり、評価と復旧の仕組みがその信頼性を支える。

評価が本当に始まるのは、実演が終わった後だ

AI運用保証に取り組む組織は、購入前に行う性能試験だけを評価とは考えない。作業の妥当性、成果物の品質、障害検出、影響範囲の限定、上位判断への引き継ぎ、取り消し可能性、責任の所在という観点から、AIエージェントとそれを組み込んだ業務全体を評価する。

OpenAI自身の開発環境からも、導入がいかに早くシステム設計の問題へ広がるかが分かる。同社は、長時間に及ぶ作業で最先端モデルを試験するため、Agents SDKに標準の隔離実行環境と実運用分布に沿った検証基盤を追加した。隔離実行環境はAIエージェントの行動範囲を制限する。検証基盤は、短い実演で成功した仕組みが、人間の目に触れる前に小さな誤りが積み重なり得る長時間運用にも耐えられるかを調べる。

職務を廃止する前に、購入側は本番運用記録、誤りの抽出調査、上位判断へ引き継ぐ基準、切り戻し手順、責任者の氏名を求め、実際の業務でそれらが機能するか試すべきだ。

AWSも、導入前に人間の試験担当者が参加するBedrock Model Evaluationを提供した際、調達側から同じ限界に行き着いた。性能試験は候補を絞り込む助けにはなる。しかし、モデルの性能が、固有の誤り費用と運用制約を持つ業務にそのまま移せるわけではないため、体系立てた人間の判断が評価の一部として残った。

人間による確認は自動化の残り物ではなく、生産能力である

初期のAI前提型の構想では、人間による確認は仮設の支えとみなされていた。仕組みが未熟な間は必要だが、能力が高まれば取り除けるという発想だ。だが、信頼できる業務運営では、確認は成果物を責任ある仕事へ変える仕組みの1つである。

AnthropicのCode Reviewは、より持続性のある形を示している。AIエージェントが変更提案を調べて不具合を見つける製品で、Anthropicによると、社内試験では有意義なコード確認の指摘が3倍になった。通常の確認1件当たりのトークン費用は$15 to $25だった。自動化を管理工程の中に組み込むことで、生成コード量を理由に確認作業をなくすのではなく、確認能力そのものを強化している。

すべてのAIエージェントの操作を人間が監視する必要はない。一律に手動承認を義務づければ、それ自体が形骸化し、管理の質を高めないまま低危険度の仕事を遅らせかねない。範囲が限定され、取り消し可能な作業には、抽出確認と自動検査を使える。重大な結果を伴う作業や曖昧な作業には、より厳格な引き継ぎが必要だ。人間を判断過程に組み込む仕組みとは、不確実性と影響が重なる場所に判断力を配置する設計であり、単なる人員比率ではない。

従業員の貢献は、目に見える生産量だけではない。経験豊かな運用担当者は、異常な入力に気づき、なぜ例外規定が存在するのかを覚えており、隣接チームと調整し、定められた手順が機能しないときに責任を引き受ける。人員数を基にした計算は通常時の生産量を金額換算しても、異常時の復旧能力を評価することはほとんどない。

削減しやすく見える職務ほど、AIエージェントの失敗を発見し、取り消し可能にし、致命傷を防いでいることが多い。

巨額の費用が、AIの効果を検証可能な記録へ変えつつある

Metaは、毎週数兆のAIトークンを消費する一方、Azureに年間数億ドルを支出しているとされる。AIへの大口投資家であっても、AIエージェントの導入は運用費用である。抽象的な効率化の宣言ではなく、有用な成果との結びつきを示さなければならない。

投資家は、設備投資、OpenAIとの関係、AzureをめぐるMicrosoftの不透明な情報開示を批判してきた。Azureの業績は、より大きなIntelligent Cloud部門に含まれている。企業は、基盤への支出額を示し、AIエージェントの導入を発表し、人員構成の変更を開示できる。しかし、それらを結ぶ因果関係を示しているとは限らない。

企業は、支出を特定の業務に、業務を完了した成果に、成果を測定された品質と検出した誤りに、さらに誤りを復旧費用と最終的な採算につなげて追跡すべきだ。削減できた人員数と消費したトークン数は、その検証記録を構成する項目にすぎない。確認費用、例外、手戻り、安全上の危険、サービス障害まで含めた後の生産性を、どちらも単独では証明できない。

投資家には、薄くなった組織図は見える。しかし、費用、品質、例外、復旧に関する証拠がなければ、業務が安定しているとは判断できない。支出と雇用への影響が重大になるほど、企業が自ら「AI前提」と名乗るだけで済む余地は小さくなる。

組織図は、そもそも設計図にならなかった

Manusの買収によって、Metaは技術力を広げる。人員削減から後退することで、その技術力が組織を本当に支えられるかを検証する。人員削減は経営陣に即座に理解しやすい成果を与えたが、Metaの社内検証によって、技術導入と人員削減は別々に確かめるべき段階だと明らかになった。

Metaが検討したとされる設計図では、多くのチームを最大60%削減するはずだった。しかし、実際の業務設計図で最初に置くべきなのは、警報、緊急停止手段、そして各復旧手順の横に記す責任者の名前である。