フォードがAIに任せたエンジニアリングを「人に戻す」と言い出した。同じ時期に、Oracleは約2.1万人を切った。理由はどちらも同じ。「コストに見合うかどうか」だ。

この2社の判断は真逆に見えるが、実は同じ問いに答えている。「この仕事、AIに任せたほうが安いのか？ 高くつくのか？」——これだけだ。

で、この問いは大企業だけの話じゃない。従業員10人の町工場にも、5人の会計事務所にも、まったく同じ構造で降りかかってくる。

—

フォードが「人を戻した」本当の理由

フォードは近年、車両開発プロセスの一部でAIを活用し、エンジニアの人員を削減した。結果どうなったか。品質が落ちた。リコール件数が増えた。手戻りコストが膨らんだ。

フォードの幹部は明確にこう認めている。「AIを入れれば高品質な製品が生まれると思っていたのは間違いだった」。そして経験豊富なエンジニアを再雇用する方針に転換した。

ここで注目すべきは、フォードが「AIはダメだ」と言ったわけではないということだ。フォードが言っているのは、「この業務にAIを使ったら、削減した人件費より品質損失コストのほうがデカかった」ということ。つまり純粋にコスト計算の結果だ。

自動車のエンジニアリングは、データに載らない暗黙知の塊だ。「この部品、図面上は問題ないが、量産ラインに乗せたら振動で3年後にクラックが入る」——こういう判断はベテランの経験則でしか出てこない。AIが学習するにはデータが要るが、「まだ起きていない不具合」のデータは存在しない。

AIが苦手な領域は明確だ。「データが少ない」「正解が曖昧」「失敗コストが巨大」——この3つが重なる仕事は、まだ人間のほうが安い。

—

Oracleが2.1万人を切れた構造

一方、Oracleは約2.1万人の従業員を削減する計画を発表した。全従業員の約12〜14%にあたる規模だ。

対象は主にカスタマーサポート、社内管理業務、定型的な開発業務とされている。要するに、「手順が決まっていて」「正解が明確で」「ミスしても致命傷にならない」仕事だ。

この種の業務は、AIにとって最も得意な領域になる。問い合わせ対応ならLLMベースのチャットボットで8割は捌ける。社内の経費精算や承認フローは自動化ツールで回る。定型コードの生成はCopilot系ツールで生産性が2〜3倍になるというデータも出ている。

仮にOracleの削減対象の平均年収を10万ドル（約1,500万円）とすると、2.1万人で年間21億ドル（約3,150億円）の人件費削減になる。AIツールの導入・運用コストがその10分の1だとしても、年間約2,800億円のコスト削減だ。経営判断としては極めて合理的に見える。

ただし、ここにも落とし穴がある。

—

「AIのほうが安い」は、いつまで続くのか

2025年現在、主要なLLMのAPI利用コストは下がり続けている。GPT-4クラスのモデルでも、1回の問い合わせあたり数円〜数十円で使える。だからこそ「人を切ってAIに置き換える」という判断が成立している。

しかし、ここで一つ考えておくべきことがある。AIの運用コストは本当にこのまま下がり続けるのか？

電力コストは上がっている。GPU需要は逼迫している。モデルの学習・推論に必要な計算資源は指数関数的に増えている。OpenAIですら黒字化できていない。どこかのタイミングで、API価格が反転上昇する可能性はゼロではない。

つまり、「今AIが安いから人を切る」という判断は、今のコスト構造が続く前提でしか成立しない。Oracleのような体力のある企業なら、コストが上がっても自前のインフラで吸収できる。だが中小企業はそうはいかない。

—

で、中小企業はどう判断すればいいのか

フォードとOracleの事例から引き出せる判断軸は、実はシンプルだ。

1. 「失敗コスト」で線を引く

その仕事でAIがミスしたとき、いくらの損失が出るか。

• 社内の議事録作成でAIがミスしても、損失はほぼゼロ。→ 任せていい。
• 顧客への見積もりでAIが金額を間違えたら、信用問題。→ 人間がチェック必須。
• 製品の安全設計でAIが見落としたら、リコールで数千万円。→ 人間がやるべき。

「AIがミスったとき、いくら飛ぶか」。この数字が判断基準になる。

2. 「時給換算」で比較する

AIに任せる業務の現在のコストを時給換算する。次に、同じ業務をAIでやった場合のコスト（APIコスト＋人間の監視コスト）を時給換算する。

例えば、月に40時間かかっている経理の入力作業。パート社員の時給1,200円なら月4.8万円。AIツール（月額5,000円）＋確認作業（月5時間×1,200円＝6,000円）なら月1.1万円。差額3.7万円、年間で約44万円の削減。

こういう計算を、業務ごとに地道にやる。派手じゃないが、これが一番確実だ。

3. 「戻せるかどうか」で決める

フォードの失敗の本質は、「人を切ったら戻すのに時間とコストがかかる」という点だ。ベテランエンジニアは辞めたら簡単には戻ってこない。ノウハウも一緒に消える。

中小企業なら、なおさらだ。「この人がいなくなったら、この業務は誰もできない」——そういう仕事からAIに置き換えるのは危険すぎる。

逆に、マニュアル化できている業務、引き継ぎが容易な業務は、AIに任せてダメでも人に戻せる。「戻せる仕事から試す」。これが鉄則だ。

—

小さく試す。数字で判断する。戻せるようにしておく。

大企業は数千人単位で人を切ったり戻したりできる。中小企業にはその体力がない。だからこそ、判断の精度を上げるしかない。

やることは3つだけ。

1. 月曜日に1つ、AIに任せる業務を決める。小さいものでいい。議事録、メール下書き、データ整理。
2. 金曜日に数字で振り返る。何時間浮いたか。品質はどうだったか。ミスはあったか。
3. うまくいったら広げる。ダメなら戻す。

フォードは数百億円かけて「AIじゃダメだった」と学んだ。Oracleは2万人切って「これでいける」と賭けた。中小企業は、その両方の教訓をタダで受け取れる。

境界線は、会議室で議論して引くものじゃない。現場で試して、数字で引くものだ。

来週の月曜日、まず1つ。それだけでいい。

—