2024 年秋、カリフォルニア州フォンタナ。EC のフルフィルメントを手がける 3PL から、AI プロジェクトの事後検証を頼まれた。AMR のディスパッチと画像認識による検品だ。キックオフ時点で取締役会が承認したのは $380,000。車両もソフトウェアライセンスも全部入りだった。経理が帳簿を締めたときの金額：$740,000。95% のコスト超過だ。クローズアウト会議で CFO が投げた質問はただ一つ。余分な $360,000 はどこへ消えた？
誰も答えられなかった。キックオフ時点の予算シートに書かれていたのは、たった 2 行——設備、ソフトウェア——だけだったからだ。
AI プロジェクトの予算は、常に 4 項目であり、2 項目ではない。ソフトウェア、ハードウェア、人件費、データだ。どれか一つでも抜けたら、コスト超過は確実だ。サイン前にすべての AI プロジェクトに渡している予算フレームワークがこれだ。初年度 TCO ベースで考える。
| # | 項目 | 含まれるもの | 初年度 TCO に占める目安 |
|---|---|---|---|
| 1 | ソフトウェア | ライセンス・サブスクリプション、API トークン、プラットフォーム料金、2 年目の値上げ | 20%-30% |
| 2 | ハードウェア | カメラ、エッジコンピュート機器、ネットワーク増強、電源工事、設置資材 | 25%-35% |
| 3 | 人件費 | 社内工数（IT、オペレーション、エンジニアリング）、ベンダーの導入日数、トレーニング | 20%-30% |
| 4 | データ | データクレンジング、サンプルへのラベル付け、マスターデータのガバナンス、バックフィル | 10%-20% |
もう一度読んでほしい。ソフトウェアは、よくて全体の 3 分の 1 だ。ソフトウェアだけを予算化したなら、氷山の一角に値段をつけたにすぎない。
項目ごとに見ていこう。
項目 1、ソフトウェア。ライセンスとサブスクリプションは見える部分だ。見えない部分が 3 つある。コール課金の API トークンは、1 日数千コールのパイロットでは取るに足らないが、運用で月数万コールになれば請求は倍になる。カメラ単位や同時ストリーム単位で課金されるプラットフォーム料金はリニアに伸びない——カメラが 4 台から 12 台になると価格帯が一段上がる。そして 2 年目の更新：1 年目は割引、2 年目が本当の価格で、15%-30% の値上げが普通だ。3 年目の価格はサイン前に交渉し、覚書に入れろ。
項目 2、ハードウェア。カメラとエッジ機器は見える。ネットワークと電源は見えない。倉庫には Wi-Fi の死角がある。そこに AMR が入れば接続が切れる。アクセスポイントの増設、光ファイバーの引き込み、ローミング切替の調整——数万ドルが消えていく。電源容量の足りない古い建物には新しい産業用回路が必要だ。電気技師の現地作業、オペレーションと調整した停電時間帯、さらに金がかかる。現地調査が本物のエンジニアリングではなく「見て回っただけ」だったら、この項目は推測でしかない。
項目 3、人件費。そしてここが直感に反する結論だ。AI プロジェクトで最も高い行はソフトウェアではない。自社の人間の時間だ。中規模のプロジェクトは、IT サポート 3 か月分、優秀なオペレーション人材の半分の時間を 2 か月分、エンジニアの現地作業を 1 か月分消費する。数百時間だ。フルコストで計算すれば、ソフトウェアライセンスそのものを軽く上回る。さらに悪いことに、プロジェクト予算には一切出てこない——部門のヘッドカウントに紛れ込み、そこで超過は見えなくなる。
項目 4、データ。これは削れない項目であり、一番先に削られる項目だ。2025 年初頭、テキサスの自動車部品 3PL が画像検査を立ち上げた。データクレンジング予算は $20,000 だった。作業を始めてみると、400,000 件超の過去 SKU マスターレコードが出てきた。重複、画像の欠落、単位の不統一だ。クレンジングとラベル付けは最終的に $90,000——予算の 4 倍以上になった。なぜ触れられないのか。AI はデータを食う。汚いデータは盲目のモデルを生む。悪い SKU マスターレコードが 1 件あれば、画像検品の誤検出率は 1% から 8% に跳ね上がり、現場チームは例外処理で 1 日に数百時間もの余計な工数を燃やす。データで「節約」した $70,000 は、3 か月以内に人手作業として返済される。その金は無駄になった。
実際プロジェクト由来の、コスト超過の罠が 5 つ。
| 罠 | 起こり方 | 対策 |
|---|---|---|
| ネットワーク・電源増強の見落とし | 予算はデバイスのみ。調査は見て回っただけ | キックオフ前に有償のエンジニアリング調査。調査費も予算に |
| データクレンジングの過小評価 | 作業量を勘で見積もった | 10,000 件のサンプルで掃除し、単価を測って掛け算 |
| 社内工数の予算化漏れ | ベンダーの導入日数だけを数えた | ヘッドカウント×月数、フルコストで TCO に書き込む |
| WMS 連携費用 | 「API があるから大丈夫」と思い込んだ | インターフェース作業は日単価で見積もり、サイン前に固定 |
| 2 年目の価格リセット | 1 年目の割引価格でサインした | 契約に 3 年間の価格階段を入れる |
もう一つ、名前をつけておきたいパターンがある。パイロットから本番への崖だ。パイロットは建物のきれいな一角で、ベンダーの最高のエンジニアが常駐して回る。本番は夜勤シフトの自社チームでフロア全体を回す。予算はパイロットの体験ではなく本番の現実で組め——導入日数を倍にし、データ作業に 50% を上乗せし、初月は目標スループットの 80% で回ると見込め。この調整を省いたプロジェクトは、すべて第 2 四半期に代償を払った。
実際に金を節約できるレバーが 3 つ。どれも数字で裏を取っている。
第一に、複数年契約にサインする前に有償 PoC を回せ。少し金を使って 2 つの数字を検証する。認識精度が事業の求めるラインに届くか、システムが現場のタクトタイムについていけるかだ。PoC が失敗すれば、その後の数十万ドルは使われずに済む。これ以上安いリスクヘッジはない。
第二に、データクレンジングは内製でやれ。ラベル付けは QC スタッフの手空き時間によくはまるし、品質は外注を上回る。IT とオペレーションが共同でやるマスターデータのガバナンスは SKU マスターを 1 回きれいにし、その後のすべての AI プロジェクトが恩恵を受ける。1 回使って、プロジェクト間で償却しろ。
第三に、ハードウェアは段階導入だ。1 つのゾーンでパイロットし、きれいに回ってから複製する。ネットワーク増強もパイロットの範囲に合わせて段階的にやる。初日から建物全体を点灯させるのは、間違ったときのコストを最大化する。
締めに、計算できる結論を一つ。AI プロジェクトの承認前には、この式を回せ。
回収期間（月）= 初年度 TCO ÷ 月間定量化可能節約額
月間節約額に認められる入力はちょうど 3 つ。削減人時間×時間単価、エラー率低下×エラー 1 件あたりの平均コスト、スループット向上×限界利益だ。計算できないもの——「効率向上」「デジタルイメージ」——はゼロと数える。回収が 24 か月を超えるなら棚上げ。12 か月未満なら承認。12〜24 か月なら戦略的価値で判断だ。
フォンタナのプロジェクトがキックオフ時点で 4 項目の計算を回していたら、取締役会は $380,000 ではなく約 $700,000 の実 TCO を見ていたはずだ。承認か却下かは彼らの判断——だが、クローズアウトで誰も不意を突かれることはなかった。予算の仕事は、数字を小さく見せることではなかった。コスト超過の隠れ場所をなくすことだ。
Lao Zhou（物流コストアナリスト）著
英語版からの翻訳。内容に相違がある場合は英語版を優先します。
