2026年5月、RAND Corporationからの一組のデータがAIエンジニアリングコミュニティで广泛な議論を巻き起こした。この数字はどのAI企業のプレスリリースからも来ておらず、独立研究機関の長期追跡調査によるものだ——結果はかなり刺眼的である。
コアデータ
| 失敗タイプ | 割合 | 具体的意味 |
|---|---|---|
| 本番前断念 | 33.8% | プロジェクトが生産環境に入る前に終了 |
| 本番後無効 | 28.4% | デプロイは完了したが、測定可能な効果を何も生み出さなかった |
| ROI不成立 | 18.1% | プロジェクトは有効だが、コストが収益を上回る |
| 合計失敗率 | 80.3% | 3項目の合計 |
| 成功交付 | ~19.7% | 実際に期待された商業的価値を交付したプロジェクト |
このデータはRANDの2025年追跡研究によるもので、クロス業界の企業AIプロジェクトをカバーしている。
なぜこの数字が重要か
AnthropicのARRが440億ドルを突破し、OpenAIの評価額が3000億ドルに達するという叙事の中で、80.3%の失敗率は一つの逆視点を提供する：
インフラの成長 ≠ アプリケーションレイヤーの成長。 モデルはますます強くなり、APIはますます安くなり、ツールチェーンはますます完善になっている——しかし、企業が実際にAIをうまく使えている割合は依然として低い。
三つの失敗タイプはそれぞれ異なる問題を指している：
本番前断念（33.8%）
- 技術選定の誤り：プロジェクト早期に不適切なモデルやアーキテクチャを選定
- 内部抵抗：業務部門が協力しない、IT部門が信頼しない
- 需要定義が曖昧：「AIを使いたい」が明確なユースケースがない
本番後無効（28.4%）
- データ品質の問題：ガベージイン、ガベージアウト
- 統合の断裂：AIモジュールは良いが、既存ワークフローに嵌入できない
- ユーザー採択失敗：従業員が使わない、または使い方がわからない
ROI不成立（18.1%）
- 過剰エンジニアリング：ルールエンジンで解決できる問題にOpusレベルのモデルを使用
- トークンコストの制御不能：モデルルーティングとコスト最適化ができていない
- メンテナンスコストの過小評価：AIシステムには継続的なモニタリングと調整が必要
市場分析
このデータは「AIが使えない」証明ではなく、「AIが使いにくい」証明だ。成功交付した約20%のプロジェクトは通常以下の特徴を持つ：
- 明確なROI計算：立项前に期待収益とコスト上限を定量化
- モデルルーティング戦略：すべてのタスクに最も高いモデルを使うわけではない
- 人間との協働而非代替：AIは既存フローを強化するのであり、覆すのではない
- 漸進的デプロイ：まず小範囲で検証し、その後段階的に拡大
アドバイス
| あなたの役割 | アドバイス |
|---|---|
| AIプロジェクト責任者 | 立项前にROI上限を計算し、明確な損切りラインを設定 |
| エンジニア | モデルルーティングを優先——簡単なタスクには安いモデルを使い、複雑なシナリオ用に予算を预留 |
| 意思決定者 | 80%の失敗率を基準期待として使い、「AIがすべてを解決する」という叙事を信じない |
| 起業家 | この失敗率自体が機会——企業がAI導入の溝を越えるのを助ける製品には巨大な市場がある |
データソース：RAND Corporation 2025年AIプロジェクト追跡研究。95%の生成AIプロジェクトがコスト超過または納期遅延に直面。