このフレームワークは、MITデジタルエコノミー・イニシアチブの研究科学者であるジョージ・ウエスタマンが作成した戦略的フレームワークです。特定のタスクを生成AIで自動化することが、既存の手動プロセスと比較して経済的・実践的に実現可能かを判断するために使用されます。

この方程式は、AIの総コストを手動プロセスのコスト（現状維持）と比較することで実現可能性を評価します。取り組みが妥当であるためには、一般的に以下の条件が満たされている必要があります：

（AIの使用コスト + 適応コスト + エラーの検出・修正コスト）< 手動プロセスのコスト

3つの主なコスト要素は次のように定義されます：

1. AIの使用コスト： APIの利用料・プロバイダー（例：OpenAI、Azure）へのサブスクリプション料・オープンソースモデルの実行に必要なコンピューティングパワーなど、テクノロジーへのアクセスに関わる直接費用。
2. 適応コスト： タスクに必要な精度レベルを達成するためにモデルをファインチューニングまたは適応させるために必要な時間・リソース・専門知識への投資。
3. エラーの検出・修正コスト： 必要な監督プロセスのコスト——生成AIは完璧ではなくハルシネーション（幻覚）を起こす可能性があることを認識しながら、AIの出力をレビューしてミスを修正するための「ヒューマン・イン・ザ・ループ」が関わることが多い。

リソースを投資する前にプロジェクトの経済的・実践的実現可能性を検証するためにこのプラクティスを実施します。具体的には以下に役立ちます：

• 経済的な合理性の判断： AIへの総投資（使用料＋ファインチューニング＋人的監督）が実際に**「手動プロセスのコスト」**（現状維持）より低いことを確認します。自動化に人件費の節約より多く費やすことを防ぎます。

• 「ハイプ」の罠を避ける： 新技術の興奮を超えた規律あるフレームワークを提供します。トレンドだからとAIを実装するのではなく、本当にビジネス問題を効率的に解決するかを分析するよう強制します。

• 隠れたコストの発見： 見落とされがちなコスト、特に**「適応コスト」（モデルのファインチューニングのための専門家の採用）と「エラーの検出・修正コスト」**（AIの出力をレビューする人間の時間）を明らかにします。

• リスクの評価（「エラーのコスト」）： AIのハルシネーションの結果を評価するよう促します。**「エラーのコスト」**が高すぎる場合（例：誤った医療診断や法的責任）、実装コストに関係なく取り組みが実現可能でない可能性があります。

フェーズ1：ベースラインの確立

ステップ1：「手動プロセスのコスト」を計算する テクノロジーを見る前に、現状を定量化する必要があります。

• アクション： 現在「習慣的に」行われているタスクのコストを正確に算出します。手動ワークフローに関連する従業員の時間・給与・間接費を含みます。

• 主要な役割：

◦ プロセスオーナー/ビジネスアナリスト： 現在のワークフローをマッピングし、現在費やされている時間を測定する。

◦ 財務/人事： それらの時間に関連する正確な人件費データを提供する。

フェーズ2：AIで「実行するコスト」の計算

ステップ2：「AIの使用コスト」を決定する テクノロジー自体の直接費用を計算します。

• アクション： テクノロジーへのアクセス費用を見積もります。APIの使用料（例：トークン数）・商用プロバイダー（OpenAIやMicrosoft Azureなど）への月額サブスクリプション・自社サーバーでオープンソースモデルを実行するインフラコストなどが考えられます。

• 主要な役割：

◦ ITアーキテクト/テックリード： 適切なモデルを選択し、コンピューティング/API消費量を見積もる。

◦ 調達担当： ベンダーのサブスクリプションやクラウド予算の配分を担当する。

ステップ3：「適応コスト」を見積もる 生成AIは専門的なタスクに対して「すぐに完璧」であることはほとんどありません。

• アクション： 必要な精度レベルを達成するためにモデルをファインチューニングするか、プロンプトを設計するために必要な投資を計算します。これは専門知識と時間を要する「隠れた」コストであることが多いです。

• 主要な役割：

◦ データサイエンティスト/AIエンジニア： ファインチューニングやRAG（Retrieval-Augmented Generation）のセットアップを担当する。

◦ ドメインエキスパート（SME）： システムのトレーニング/適応に必要な「グラウンドトゥルース」データと例を提供する。

ステップ4：「エラーの検出・修正コスト」（ヒューマン・イン・ザ・ループ）を計算する GenAIはハルシネーションを起こすため、自動化して放置することはできません。

• アクション： AIの出力をレビューしてミスを修正するために必要な人的監督のコストを見積もります。AIの出力をレビューするのに手動で作業するのと同じ時間がかかる場合、プロジェクトはこのテストに不合格です。

◦ 例： ソフトウェアでは、既存のデバッグプロセスがこのコストを吸収できるかもしれません。法的契約では、費用のかかる弁護士の時間が必要かもしれません。

• 主要な役割：

◦ SME/レビュアー： 出力を検証する「キュレーター」として機能する。

◦ プロジェクトマネージャー： このレビュープロセスを効率的に統合するワークフローを設計する。

フェーズ3：リスク評価

ステップ5：「エラーのコスト」を評価する 監督があっても、エラーが見逃される可能性があります。これが「Go/No-Go」ゲートです。

• アクション： AIが間違えて人間がそれを検出できなかった場合の結果を評価します。

◦ コストが低い場合（例：少し不完全なマーケティングメール）、プロジェクトは進められます。

◦ コストが高い場合（例：誤った医療診断や飛行機事故）、財務的な節約に関わらずプロジェクトが実現可能でないかもしれません。

• 主要な役割：

◦ 法務/コンプライアンス担当： 責任と規制リスクを評価する。

◦ シニアリーダーシップ： リスク許容度が組織の戦略と一致しているかを判断する。

フェーズ4：最終決定

ステップ6：比較の実施

• アクション： ステップ2・3・4のコストを合算します。ステップ1と比較します。

◦ AI総コスト < 手動コストかつエラーのコストが許容範囲内であれば、プロジェクトは実装候補です。

• 主要な役割：

◦ 意思決定者（スポンサー）： 経済的論理とリスクプロファイルに基づいて最終承認を行う。