2023年、カリフォルニア州インナランド・エンパイアにある3PL倉庫が、画像認識ベースのサイクルカウントのパイロットに$80,000の予算を承認しました。18カ月後、実際の金額は$230,000——そして痛いのは、予算超過分の1ドルもソフトウェアには行かなかったことです。追加費用のすべてが、ハードウェアの改修、データのラベリング、そして手戻りに消えました。
これは例外ではありません。私が見てきたAIプロジェクトのうち、初回から予算内に収まったのは半数以下です。技術が問題になることはめったにありません。問題は、予算が「目に見えるお金」だけを数えていたことです。ここに4つの勘定科目を、誰かにこう説明してほしかった形で示します。
ソフトウェアは正直な勘定科目
ライセンス料やサブスクリプション料は、4つの中で最も透明な勘定科目です。年間SaaS、カメラレーンごとの料金、推論ごとの課金——すべて見積書に書いてあり、数量を掛ければ終わりです。これが最も驚きの少ない勘定科目です。
落とし穴は2カ所にあります。まず、パイロット価格と本格展開価格。多くのベンダーはパイロットを10カメラレーンで見積もり、安く見せます——しかし倉庫全体では80レーンが必要で、単価はびくともしません。次に更新条件：1年目は割引、2年目は定価に戻り、細則に埋め込まれています。署名前に2年目・3年目の価格を確定させるか、少なくとも書面で上限を取り付けてください。
私の考え：半人前の製品のライセンスで節約するより、成熟したソフトウェアに少し多めに払ってください。倉庫の現場に、あなたのベータテスターをしている暇な人はいません。精度が5ポイント劣るモデルは、ライセンスで節約した分の10倍を現場の手戻りで失わせます。
ハードウェア：カメラではなく「ラスト100メートル」を予算化する
カメラ、エッジサーバー、ネットワーク、電源、取付——この勘定科目が計画時点で最も過小評価されます。入荷寸法測定のプロジェクトで、ソフトウェアが$30,000で決まった後、現場調査が襲いかかりました：コンベヤ上部にネットワーク口なし、200メートル超のケーブル引き回し、新規スイッチ2台、カメラごとの専用電源。ハードウェアは$40,000超——ソフトウェアを上回りました。
ハードウェアはデバイスごとではなく、設置ポジションごとに予算化してください。1ポジションの真のコストは、カメラ＋レンズ＋取付金具に、配線、ネットワークポート、電源、設置工事費が加わったものです。カメラだけの価格で見積もれば、予算は半分も当たりません。
そして隠れたものがあります：コンピュートです。ローカル機でのエッジ推論か、クラウドか？API呼び出しごとのクラウド課金はパイロットでは安く見えますが、量が増えればサーバー購入より高くつくことがあります。私が見てきたプロジェクトでは、1日の推論量が数万を超えると、ローカルコンピュートがほぼ必ず勝ちます。この計算は請求書が来てからではなく、計画時点でやってください。
データ：最も高くつく労働は見積書に出てこない
これが4つの中で最も過小予算化される勘定科目です。モデルはデータを食いますが、私は倉庫のデータがどんなものか知っています：紙のフォーム、スプレッドシート、欠損フィールドのあるWMS記録、安いカメラで撮った逆光写真。これを訓練データに変えるには、人の手によるラベリングとクリーニングが必要です。
中規模の画像認識プロジェクトは、数千枚のラベル付き画像から始まります。アウトソーシングのラベリングは1画像1～2ドルで安く聞こえます——しかしQA、再ラベリング、初回で漏れたシナリオの再撮影を加えると、データの請求は数万ドル級になります。さらに高くつくのは自社社員の時間です：ラベリング仕様書の作成、ラベル済みバッチの承認・却下、エッジケースの裁定。これは自チームにしかできません。ラベリングベンダーはあなたのビジネスを知りません。
予算に「データ準備」の専用ラインを入れてください：ラベル付け量×単価×1.5の手戻り係数に、社内人件費を加えたものです。「データはすぐ使えます、明日から始められますよ」と言うベンダーは、おそらく倉庫プロジェクトをやったことがありません。
人：社内も社外も
外部の実装は単純です：ベンダーの導入、チューニング、トレーニング、日次請求で終わります。見落としやすいのは社内の労働です。AIプロジェクトには、3～6カ月間、週2～3日を投じる社内オーナーが少なくとも1人必要です。その人のコストを予算に入れるか？私の答えはイエスです。予算に入れば、経営層はプロジェクトが本当に何を消費するかを見ます。入れなければ、プロジェクトは誰も本当に引き受けない「片手間の仕事」になってしまいます。
そしてトレーニング。オペレーターはAIアラートの読み方、誤検知への対処、基本的なトリアージを学ぶ必要があります。トレーニングも一度きりではありません——離職率の高い倉庫では、これは継続コストです。「初年度トレーニング」に専用のラインを設け、金額を見える化してください。
4つの勘定科目の先に、私がすべての予算レビューで尋ねる3つのライン項目があります。まず統合：AIシステムはWMSと連携しなければならず、インターフェース開発、合同テスト、例外処理は日常的に2つのベンダーの間に落ちます——ソフトウェア会社は「実装範囲」と呼び、インテグレーターは「カスタム開発」と呼びます。統合範囲は契約締結時に契約書に入れ、一括固定かタイムアンドマテリアルか、書面で明確にしてください。
第二に、スケールアップの割増。パイロットは10ポジションで動きますが、100になったらどうなりますか？単価は維持されますか？コンピュートは増強が必要ですか？パイロット承認前に、スケーリングの限界費用を書面で取り付けてください。
第三に、失敗予算です。はっきり言います：AIプロジェクトの10件中3～4件は初回で成功しません。20–30%の予備費は保守的ではなく常識です。2023年のあの$230,000のプロジェクトも、初日から1.5xで予算化していれば途中の言い争いはずっと少なかったはずです——そしておそらくもっと早く終わっていたでしょう。
今週できることが1つあります：何かを承認する前に、実際の本番データで4週間のミニマム・バイアブル・パイロットに資金を付け、専用の別予算を立ててください。倉庫全体の数字を話すのは、パイロットが実証されてからにしましょう。そのパイロット支出は「続けるべきか」を問うチケットを買うことです——AIの旅全体で最も価値のあるお金になるでしょう。
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。
