エージェント型自動化、すなわち完全なタスクを判断し、適応するソフトウェアは、AI卓越センター（AI CoE）のロードマップに登場している。しかし、企業が自動化投資を正当化する標準的な方法、つまり時間が節約される分から労働コストを引いた建設費という方式は、ロボットプロセス自動化（RPA）のようなルールベースのツール向けに設計されたものである。このモデルでは、エージェントが生み出すほとんどの価値が見逃されている。
この記事では、エージェント型自動化の全ての価値を把握するビジネスケースを構築するためのフレームワークを、AI CoEのリーダーが利用できるように紹介します。RPA時代のROIモデルがなぜ不十分か、それが見落としている価値をどのように測定するか、そしてエージェントで自動化する価値があるワークフローとは何かについて学びます。
なぜ従来のビジネスケースが不十分か
古典的な投資収益率（ROI）モデルは、安定した大量のルールベースの作業のために構築された。取引を数え、時間を測定し、定義された率で乗じて、構築コストを差し引く。RPAもその条件の下でその位置を得た。
モデルは、それが構築された世界を前提としています。プロセスが安定していると仮定するため、変化する自動化の維持コストは無視されます。タスクがルールベースであると仮定するため、例外に関する項目はありません。仕事全体が対象であると仮定するため、人間の監督によるコストは計算されません。そして、節約された時間を貯蓄した価値として扱い、解放された能力はしばしばバッケージで埋められ、利益損失計算書（P&L）には到達しません。節約された時間を成果に変える仕事に資金が不足していることが、マッキンジーが企業が常に犯している間違いです。成功したAIの変革は「1:3:5のパターン」に従います。すなわち、「エージェンタリティ技術に投じる1ドルに対して、組織はプロセスの再設計に3ドル、能力構築と導入に5ドルを費やします。しかし、ほとんどの企業はこの公式を完全に逆転しています」(マッキンジー、「エージェンタリティAIの変革管理：導入ギャップの解消」、2026年)。
自動化の価値はタスクの中にあると仮定しますが、エージェント型自動化ではその大部分はタスクの周辺に存在します。つまり、判断、例外、システム間の調整などです。実際の利益は、プロセスを変更せずにエージェントを投入することから来るのではなく、エージェントを中心にワークフローを再設計することから来ます。
旧モデルが欠ける価値の寸法
より良いビジネスケースは、4つの価値の側面と、P&Lに到達するかどうを決定する条件を測定します。私たちはこれをエージェンタル・バリュー・モデルと呼びます。
時間の節約。これは依然として有効ですが、エージェントは固定ルールのRPAでは対応が難しい、または広範な例外ロジックを通じてのみ処理される作業にもこれを適用します。測定基準は同じです。エージェントはより多くの作業範囲にこれを適用します。
例外処理。 例外処理は多くのコストを生み出します。AWSのガイダンスでは、計画の範囲が示されています。エラーの修正には元の取引の1.5～4倍のコストがかかる可能性があり、人為的ミスによるコストは運用コストの2～15％を占めることがあります(AWS Prescriptive Guidance、「現在の人間によるプロセスコストの評価」)。修正にかかるコストの倍率は、チームが捕捉する例外のコストを重視します。ミスの割合は、見逃される例外のコストを重視します。労働のみのケースでは、両方を考慮しません。
意思決定の質。エージェントは記録された根拠を持ちながら、大規模なレベルで共通のポリシーを適用できる。ただし、一貫性や誤差率を継続的に測定する必要がある。AWSが指摘するように、「低量・高価値の意思決定は、コスト削減よりも意思決定の質を向上させるためにエージェント支援を正当化するかもしれない」(AWS Prescriptive Guidance、「Understanding agentic AI economics」)。信用、価格設定、リスクに関するより良い一つの意思決定が、1年分の節約した時間を上回ることもある。
レジリエンスとメンテナンスコストを変更する。これは双方向の関係です。スクリプトは脆弱です：画面やアップストリームシステムが変更されると、スクリプトが破損し、人が再構築する必要があります。エージェントは書き換えなしで一定の変動を吸収しますが、メンテナンスを評価、プロンプト、監視、モデル操作に移行させ、除去するのではなく、実行には独自のコストがかかります。脆弱なスクリプトのメンテナンスを避けることによる利益は、継続的なエージェント運用コストと比べると小さいため、頻繁に変更されるプロセスでは数学的にエージェントが有利になり、固定化されたプロセスではそうではないかもしれません。
4つすべてを規制する条件は、価値の実現である。すべての利益には、運用改善を経済的価値に変換する明確なメカニズムと、責任を持つ所有者が必要である。解放された労働については、支出を削減したり、測定可能な成果に能力を再配分したりすることを意味する。
例示的な数値を含めて、クレーム分類プロセスを考えてみましょう。年間20万件のクレームを処理し、1件あたり約12分（再作業前）で、完全な作業時間では1時間あたり45ドルをかけています。基本コストは約180万ドルです。この業務の70％を自動化すれば、監督作業が必要な間に28,000時間、つまり約126万ドルの能力が解放されます。しかし、ほとんどのケースで問題が生じるのは、時間を解放することがお金を節約することとは異なるからです。 会社が人員を減らしたり、請負業者や残業、アウトソーシングの費用を削減した場合にのみ、費用が少なくなる。そうでない場合は、同じ人々が給与計算に含まれ続け、P&Lは126万ドルを見ることがない。もし退職や残業の削減がその半分を占めるなら、損益は約63万ドルになるはずで、全額ではない。
人員を再配置することがより一般的な結果となり、そのときの価値は彼らが今产生するものである。解放された1時間あたりで、再配置された価値または現金コストの削減額を数え、両方を合計しない。そして、労働のみのケースでは見えないものを加える。修正が必要な8％（16,000件の申請）において、約9ドルの処理コスト12分あたり45ドルである修正コストの3.5倍に相当する年間修正リスクは約504,000ドルとなる。これはエージェント価値ではないベースラインである。価値とはエージェントが削除する部分であり、75％の実現率を調整した40％の削減は、モデル上約151,000ドルの利益となる。これは、単一の不正検知決定の価格設定前の数値である。12分間のベースラインには再作業が含まれていないため、このプールは解放された能力と重ならない。もしベースラインに再作業時間が含まれている場合は、その節約を一つのプールだけで数える。そのケースのバージョンは、財務部門が支持できる数値を生み出す。
数学が一致するように、各値のプールのサイズを同じ方法で設定し、コストを集計する。これは以下の表に要約されている。
| 価値プール | ベースライン | 期待されるデルタ値 | 実現因子 | オーナー |
| 発売可能なキャパシティ | 時間 × ロード率 | % 自動化 | 名前のある成果に再配置される場合のみ、または支出が減少する場合 | Opsリーダー |
| 例外とエラーコスト | 修正コスト + エラーによる損失 | 期待される削減 | 分数が捕捉された | 品質リード |
| 決定の質 | より良い決定の価値 | 決定ごとに向上 | 帰属可能株式 | ドメイン所有者 |
| レジリエンスとメンテナンスの経済性を変更する | スクリプトのバグ修正コストとダウンタイム | 再構築を避け、変更の対応が速い | 回避された再建の割合、エージェントコストを1回だけ計算式に含める | エンジニアリングリード |
全体を一行で表し、各メリットを一つのプールに割り当てることで、重複計上が起こらないようにする：年間純価値＝実現された能力価値＋回避された修正・誤差コスト＋意思決定の成果向上＋回避されたメンテナンス・ダウンタイム－年間化された実施コスト－エージェントの実行時間、統合、評価、監督、ガバナンス、変更管理コスト－エージェントが引き起こす新たな誤りによる損失。 エージェントがすでに除去していない誤差は、避けるコストの項目の外に存在するため、二度目にそれを減らさないでください。長期プログラムの場合、実装費用を年単位で計算するのではなく、使用年においてその費用を計上し、導入が進むにつれて利益を増加させ、年間キャッシュフローを純現在価値（NPV）に割引してください。
Amazon Quick内の自動化サービスであるAmazon Quick Automateの初期の3つの実装が、その効果を明らかにしています。臨床試験サイト選定企業であるKitsaは、数十万のウェブサイトから50以上のデータポイントを自動的に抽出しました。その結果、コスト削減は91％、データ取得速度は96％向上し、信頼性の低いケースはレビュアーに送られることで（時間と例外処理の節約）、96％のカバレッジで実現されました。AWS Machine Learningブログの記事でKitsaの共同創設者兼CTOであるRohit Bangaが指摘したように、高品質なサイトデータを大規模に統合することで、核心的なボトルネックが解消されました。その結果、Site Finder Agentがより正確に多くのサイトを評価できるようになりました。
dLocalは、国境を越える支払いサービスプロバイダーであり、管理された評価において商人のコンプライアンスレビューの75％を自動化しました。これにより、複雑で高リスクなケースにおける専門家の作業が解放され、（意思決定の質）が向上し、定期的な手動レビューでは見逃される政策の変化に関する継続的なチェックも可能になりました。dLocalによると、以前は日常的なチェックに数時間を費やしていた専門家が、今では規制上の判断が必要なケースにその時間を使っているとのことです。
そしてGenpactは、複数のSAPシステムにおけるサプライチェーンリスクを自動化し、障害の影響分析時間を2～3日から数分に短縮していると報告しています。これは、どの記録システムも単独で担うことができないようなクロスシステム間の調整です（時間の節約と意思決定の質の向上）。これらの導入がすべての4つのプールを実現するわけではなく、そのため各プールを個別に評価する必要があります。
優先順位付けのフレームワーク
候補者のワークフローを2つの軸で評価する。第1の軸はタスクの複雑さであり、どれだけの推論、文脈、適応が必要かを示す。第2の軸は意思決定のリスクであり、間違うことによるコストで、それによって与えられる自律性の度合いが決まる。これら2つの軸はAWSの経済指針から得られ、合わせて2×2マトリックスを形成し、運営委員会が利用できる。
低複雑性、低リスク：価値を増やさないアシスタントがコストを生むため、RPAで行う。高複雑性、低リスクはスループットと例外処理の自動化のための能力投資である。高複雑性、高リスクは意思決定の質の投資であり、人間を関与させ、より良い決定を正当化する。低複雑性、高リスクはガードレールの投資であり、不要な理由付けではなく、ステップ周辺の制御を強化する。
便利なショートカット：もし人がシステムを横切り、各ステップで曖昧な文脈を解釈するなら、エージェント型アプローチを評価する。パスが決定論的である場合、RPAは依然として安価かもしれない。エージェント型価値モデルを使用して何を測定するかを決定し、このマトリックスを使って何を優先するかを決定する。
図1：エージェント型自動化優先度マトリックス。軸はAWSの推奨ガイダンスから適合し、説明目的の分類が含まれる
リーダーシップの根拠を構築する
投資を単一のプロジェクトではなく、ワークフローのポートフォリオとして扱う。マッキンジーの研究によると、孤立した試行が停滞する理由は次の通りである：企業のほぼ3分の2がエージェントを実験してきたが、実質的な価値にまで拡大したものは10％未満だ (マッキンジー、『データ変換を通じたエージェント型AIの拡大』、2026年)。価値は、成果を明確に定義し、エージェントを核心的なワークフローに深く組み込み、それらを中心に運営モデルを再設計することから生まれる。リーダーシップは、優先度の高い3〜5つの分野を担当し、各分野について4つの次元のケースを扱う。
懐疑的なCFOを説得できる唯一の方法は、停止ルールです。投資を明確な損益分岐点と定義されたポイントを持って進め、パフォーマンスが低い資金提供プロセスを停止させる。各ドメインを、コスト対サービス、サイクルタイム、ネットプロモータースコア、コンプライアンスリスクなど、リーダーシップがすでに追跡している主要なパフォーマンス指標（KPI）と結びつける。 そして、ガバナンスをより速く進む手段として扱う：リスクが高い場合の制限された自律性、監視、そして設計上の監査可能性により、証拠が積み重なるにつれてエージェントの自律性を拡大できる。
Amazon Quickの利用開始
Amazon Quickは、研究、ビジネスインテリジェンス、自動化を一つのエージェント型体験に統合します。Quick Automateという自動化サービスにより、チームは企業ワークフロー全体におけるUI操作、API呼び出し、人間のレビューを調整できます。これにより、ケースレベルの実行データが生成され、CoEは運用および財務KPIと組み合わせて、実現される価値を測定することができます。
その測定によって、最初のプロジェクトがポートフォリオへと変わる。4つの価値プールを探した後、人がシステム間を移動し、文脈を解釈し、例外を手作業で処理する場所であれば、それらを見つけることができる。1つのワークフローを実用化し、その価値プールと運用コストをベースラインにし、所有者を名付け、その数値を証明する。そして、新しいワークフローが結果を報告するたびに、ポートフォリオの効果が増大する。
結論
問題は、エージェント型自動化が既存のツールでは達成できない価値をどこで提供するか、そして投資する前にその証明をどう行うかです。この記事で説明されている分野、各価値ポイントのサイズを定めること、現実的な実現要因を適用すること、停止ルールを設定することは、その証明が信頼できるものになるためです。あるワークフローで価値を証明したチームは、予測ではなく測定結果に基づいて次のプロジェクトに資金を提供できます。基盤となる経済学については、AWSのエージェント型AI経済学に関する指導資料が良い出発点です。