企業の83%が、AI投資に対して12か月以内のリターンを期待しています。一方で、大きなボトルネックなくAI ROIを算出できている企業はわずか15%にとどまります。これは当社がSapio Researchに委託し、500名の財務リーダーを対象に実施した調査で明らかになった数字です。このギャップは、忍耐や成熟度の問題ではありません。測定の問題であり、その出発点は、多くの財務チームがまだ疑問を持たずに使っているある計算式にあります。
今日におけるAI ROI測定とは
AI ROI測定とは、AI支出をそれが生み出す成果(売上へのインパクト、リテンション、生産性向上、コスト削減)と結びつけ、財務が意思決定に使えるリターンとして表現する取り組みです。実務上は、いくつかの中核的な要素に分解されます。
コストの追跡。 実際に何にいくら使ったのかを明らかにすること。消費されたトークン、使用されたコンピュート、特定のモデルや機能を支えるインフラなどが対象です。LLMがリクエストを実際にどう処理しているのかを理解することは、コストの発生源を見極める良い出発点となります。
価値の帰属付け。 その支出を、契約更新、生産性向上、アップセルにつながる機能、回避されたサポートチケットといったビジネス成果に結びつけます。
回収期間の算出。 コストと価値の関係を、財務が理解できる時間軸に変換します。この投資はいつ損益分岐点に達し、いつからリターンを生み始めるのか、という問いです。
マージンの継続的なモニタリング。 ROIは一度きりの計算ではありません。利用が拡大するにつれ、成果あたりのコストは良い方向にも悪い方向にも変動していきます。四半期ごとのスナップショットに頼るのではなく、その変動を継続的に追跡する仕組みが必要です。
スコープが明確に区切られたAI投資、たとえば単一機能を担う専用モデルや、月額固定でライセンスされたツールであれば、この計算は通常シンプルです。DoiTのEduardo Motaは、まさにそうしたケース向けに実践的な5ステップのROI評価フレームワークを解説しています。問題はそれ以外のところで起こります。
なぜ標準的なROI計算式はコスト側で破綻するのか
ROIは本来シンプルな比率です。生み出された価値を、発生したコストで割るだけ。多くのチームは、この式で難しいのは価値側、つまりAI機能が実際にビジネス指標を動かしたことを証明する部分だと考えます。しかし実際には、より厄介なのはたいていコスト側です。
成果自体は特定できることが多いものです。契約更新が起きた、サポートチケットが回避された、新機能をリリースしたら利用が伸びた、といった具合に。難しいのは、その成果を生み出すのに実際いくらかかったのかを突き止めることです。AI支出は、きれいに帰属付けできる数字として現れることがほとんどないからです。
これは、AI向けのFinOpsを破綻させているのと同じ帰属付けの問題が、コスト管理ではなく財務の問いに姿を変えて現れたものです。マネージド型のモデルAPIは、1本の請求行から数十のチームにサービスを提供しています。共有GPUクラスターは、複数プロダクトの推論を同時に実行しています。LLMゲートウェイはトラフィックを集約し、プロバイダーに届く前に呼び出し元の識別情報を落としてしまいます。エージェント型のworkloadsはサブエージェントを生成し、それをトリガーした機能へのきれいな紐付けがないまま、実際のインフラコストを発生させます。
ROI測定とは、財務の衣をまとった帰属付けの問題なのです。コストを帰属付けできなければ、比率は算出できません。できるのは推定だけであり、推定はAI投資を実態より悪く、あるいは良く見せる方向に、確実に誤差を積み重ねていきます。
従来のROIプレイブックが通用する場面、通用しない場面
アカウント単位の請求では総支出はわかっても、機能単位のコストはわからない
プロバイダーの請求書は、先月組織全体でそのモデルにいくら使ったかを教えてくれます。しかし、契約更新を牽引した機能にいくらかかり、まだリリースされていない実験的な機能にいくらかかったのかは示してくれません。この切り分けがなければ、ROI計算はすべて組織全体の平均値に落ち込み、特定の投資が回収できているかどうかについて、ほとんど何も語ってくれなくなります。
共有インフラは分母を不確かなものにする
GPUクラスターやモデルアカウントを複数のプロダクトで共有している場合、ROI比率のコスト側の分母は、実測ではなく配賦の仮定の上に成り立っています。仮定を変えればROIも変わりますが、実際のビジネス成果は何ひとつ動いていません。
動きの速いエージェント型workloadsは、前四半期のモデルを今四半期には陳腐化させる
エージェント型の機能は、一晩でコストプロファイルを変えてしまうことがあります。より多くのサブエージェントを生成し、より高価なモデルを呼び出し、より長いチェーンを実行するようになっても、リリース時に構築されたROIモデルを更新する人は誰もいません。財務がユニットエコノミクスの変化に気付く頃には、古い数字に基づいた意思決定が数か月分積み上がっていることも珍しくありません。
具体例:44,000ドルの想定外
あるプロダクトチームが、メジャーリリースに合わせて新しいAI機能を投入します。機能は好調に動き、利用も伸びています。ところが月次締めを行った財務が、その機能に紐付く44,000ドルもの費用増を発見します。ローンチ時に誰も見積もっていなかった水準です。
誰も意図的に予測を外したわけではありません。この機能のAIコストを見積もったモデルは、初期テストに基づくユーザーあたりのトークン推定値を前提にしていました。しかし本番環境では利用パターンが異なりました。セッションが長く、プロンプトが複雑で、一部のヘビーユーザーが不釣り合いに大きな消費を牽引していたのです。請求書が届くまで、これらは可視化されませんでした。もっと早い段階で気付けるだけの粒度で、スタックのどこもコストを帰属付けしていなかったからです。
これこそが、AI ROI測定を財務の帳簿整理タスクではなく、取締役会レベルの関心事へと押し上げるシナリオです。この機能は依然として良い投資かもしれません。しかし、誰も確信を持って言えません。コスト側を十分に見通せず、計算を完結させられないからです。
トークン単位の帰属付け導入前後のROI測定比較
| アカウント単位の推定 | カーネルレベルの帰属付け | |
|---|---|---|
| コストの可視性 | プロバイダーまたはアカウントごとの総支出 | トークン単位、機能単位、顧客単位のコスト |
| 問題検知までの時間 | 請求サイクルの終了時、多くは1か月以上先 | 消費が起きたその時、ほぼリアルタイム |
| 数字の信頼度 | 配賦の仮定に基づく | 実測されたランタイム消費に基づく |
| 対応できる主体 | 事後的に、財務のみ | 発生中に、財務とエンジニアリングの両方 |
ROIの土台としてのトークン単位の帰属付け
測定できないものは、比率として計算できません。トークン単位の帰属付けは、ROI計算をより精緻にするだけでなく、アカウント単位の請求ではもともと推測に頼るしかなかったworkloadsに対して、そもそも計算を可能にするものです。
Attribute™ by DoiTは、オペレーティングシステム内部にeBPFセンサーを配置し、実際の消費、すなわちすべてのトークン、すべてのモデルリクエスト、すべてのGPUサイクルを発生時点で観測し、各単位を担当したプロセス、コンテナ、リクエストへと遡って紐付けます。タグ不要、SDK不要、コード変更も不要です。AI向けFinOpsのコスト配賦を解決するのと同じカーネルレベルのアプローチが、ROI測定を推定ではなく確かなものにします。機能単位、顧客単位、成果単位のコストが、請求書が届いてから再構築されるのではなく、自動的に帰属付けされるのです。
これは当社のFinOps for AIアプローチの背後にあるアーキテクチャ原則と同じものを、コスト管理ではなく財務の問いに適用したものです。タグもSDKもコード変更も要らない、トークノミクスです。
なぜ今、これが重要なのか
ここまでの2つの数字は、期待と実現能力という2つの側面からギャップを描き出しています。同じSapio Researchの調査から得られた3つ目の数字は、その帰結を示すものです。企業の79%が、すでにAIのコスト超過を経験しているのです。
DoiTは、27か国4,500社の顧客に対して80億ドル以上のクラウド支出を運用してきました。そのなかで、クラウド上に登場したあらゆるコストカテゴリで同じパターンが繰り返されるのを見てきました。早期に正確な測定を確立した組織は、その後のあらゆる投資判断がより良いものになります。AI ROIも例外ではありません。ただし、待つことのコストが積み上がる速度は、これまでのどのカテゴリよりも速いのです。
当社は、JR StormentおよびFinOps Foundationとともに、Tokenomics Foundationに参画し、業界にとって信頼できるAIコスト測定とはどのようなものかを定義する取り組みを進めています。
FAQ
AI ROIとは何ですか?
AI ROIとは、AI投資が生み出したリターンをそのコストに対する比率、または回収期間として表したものです。信頼できる2つの数字、すなわち生み出された価値と発生したコストが必要になります。AI ROI測定の問題の大半は、価値データの不明確さではなく、コストデータの信頼性の欠如に起因します。
AI ROIはどう計算しますか?
標準的な手法では、AI投資が生み出した価値(売上、コスト削減、生産性向上)を、その運用コストで割ります。両方の数字が信頼できれば、計算自体は単純です。多くの組織にとって、価値側は特定可能です。難しいのはコスト側で、特に共有インフラ上やLLMゲートウェイ経由で稼働するAI workloadsで顕著です。
なぜAI ROIの測定はこれほど難しいのですか?
AI支出は、共有GPUクラスター、LLMゲートウェイ、エージェント型ワークフローを経由することが多く、これらはコストと、その原因となった機能・顧客・チームとのきれいな紐付けを保持しません。クラウドコストの帰属付けに従来使われてきたタグやSDKは、こうしたアーキテクチャでは通用しません。その結果、ROI式のコスト側は実測ではなく推定に基づいて構築されることになります。
AIコスト管理とAI ROI測定は何が違うのですか?
AIコスト管理は、何にいくら使っているかを追跡・制御することに焦点を当てます。AI ROI測定はその一歩先に進み、その支出を生み出されたビジネス成果に結びつけ、両者の関係をリターンとして表現します。ROI測定は、信頼できるコスト管理を土台として初めて成立します。正確なコスト帰属付けがなければ、ROI計算は推定にとどまってしまいます。
AI投資でROIが見えるまでにはどれくらいかかりますか?
ユースケースによりますが、業界調査によれば多くの企業が12か月以内のリターンを期待しています。ただし、その期限を達成できているかどうかは、コスト帰属付けが整うまで明確になりません。機能単位や顧客単位でコストが見えなければ、そもそもROIを自信を持って算出できない組織が多いためです。
AI ROI測定は組織内で誰が担うべきですか?
通常は、リターン計算と投資判断を担う財務と、コストの背後にあるworkloadsを理解しているエンジニアリングまたはプロダクトの共同オーナーシップになります。片方だけで完全な可視性を持てることは、ほとんどありません。財務は支出がどう発生しているかについてエンジニアリング側の文脈を必要とし、エンジニアリングは何をリターンとみなすかについて財務側のフレーミングを必要とします。
すべてのAI workloadsにタグを付けなくても、AI ROIは測定できますか?
はい。カーネルレベルの測定は、オペレーティングシステム層で消費を観測します。つまりコスト帰属付けは、workloadsが正しくタグ付けされたか、そもそもタグ付け可能だったかに依存しません。これは、タグ付けが元々届かないworkloads、すなわち共有GPUクラスター、ゲートウェイ経由のトラフィック、エージェントのチェーンにおいて、特に重要です。
サービス提供にかかる真のAIコストを可視化しませんか?
導入は15分。計装は不要。トークンエコノミクスを当日中に。