10月8日、AWSが「Beyond hours saved: Building the business case for agentic automation」と題した記事を公開した。従来のRPAベースのROI計算では捉えきれないエージェンティック自動化の価値を、AI CoEリーダー向けのフレームワークで体系化する方法が解説されている。
「節約した時間 × 人件費」では測れない
エージェンティック自動化（Agentic Automation）——タスクを自律的に判断・実行するAIエージェントによる自動化——がAI CoE（AI卓越センター）のロードマップに載るようになってきた。しかし、多くの企業が使い続けている投資判断の計算式は、RPA（ロボティック・プロセス・オートメーション）時代のものだ。
従来のROI式は「処理件数 × 処理時間 × 人件費単価 − 構築コスト」で完結する。この式はルールベースの安定した業務を前提に設計されており、エージェンティック自動化が生む価値の大部分を見落とす。
AWSが引用するMcKinseyの調査（2026年版「The State of AI」レポート）によれば、成功しているAI変革は「1:3:5パターン」に従っているという。エージェンティック技術への投資1ドルに対して、プロセス再設計に3ドル、能力構築・導入支援に5ドルを費やす。ところがほとんどの企業はこの比率を逆転させてしまっている。節約した時間を実際の利益に変える「周辺作業」への投資が足りないのが共通の失敗パターンだ。
Agentic Value Model：4つの価値の軸
AWSが提示するフレームワーク「Agentic Value Model」は、以下の4次元で価値を測る。
1. 時間節約（Time Savings）
従来のRPA計算と同じ指標だが、エージェントはRPAが苦手とする例外処理を含む業務範囲にまで適用できる。ただし「時間を解放した≠コストが下がった」という点を記事は強調している。解放された時間が既存バックログで埋まれば、P&L（損益計算書）には現れない。
記事が示すモデルケース（保険金査定業務）が分かりやすい。年間20万件の査定を1件12分・時給45ドル（諸経費込み）で処理する場合、基礎コストは約180万ドル。定型の70%を自動化すれば約2万8,000時間、126万ドル相当の工数を解放できる。しかし、実際に人員削減や残業・外注費削減が実現するのが半分なら、計上できるのは63万ドルだ。残り63万ドルは帳簿に載らない。
2. 例外処理コスト（Exception Handling）
AWSのPrescriptive Guidanceによると、エラーの修正コストは元の取引コストの1.5〜4倍、ヒューマンエラーが業務コスト全体の**2〜15%**を占める可能性がある。
先のモデルケースでは、8%（1万6,000件）の査定が修正対象で、年間の修正コストは約50万4,000ドルと推計される。エージェントがこの40%を削減し、実現率75%で適用すると、モデルベネフィットは約15万1,000ドル。これは「解放された工数」とは重複しない独立した価値だ。
3. 意思決定品質（Decision Quality）
低頻度・高額取引の判断（与信、価格設定、リスク評価など）では、コスト削減よりも「判断の一貫性と品質向上」が主な価値になる。エージェントはポリシーを大量の判断に一貫して適用し、根拠をログに残せる。1件の優れた判断が、数年分の「節約した時間」を上回ることもある。
4. 変化への耐性とメンテナンス（Change Resilience）
RPAスクリプトは上流システムの変更で即座に壊れ、都度再構築が必要になる。エージェントは一定の変化を吸収できるが、メンテナンスがなくなるわけではなく、プロンプト管理・評価・モデル運用に形を変える。変更頻度が高い業務では有利だが、固定化された業務では逆にコスト増になりうる。
価値を一本の式にまとめる
4つの価値を重複なく集計する式は以下の通りだ。
Net annual value = 実現された工数価値 + 修正・エラーコスト削減 + 意思決定改善による効果 + 保守・ダウンタイム削減 − 実装コスト − エージェント運用・統合・評価・ガバナンス・変更管理コスト − エージェントが新たに引き起こすエラーによる損失
複数年プログラムの場合は、実装コストを支出年度に計上し、ベネフィットは採用率の上昇に合わせてランプさせ、年次キャッシュフローを割り引いてNPV（正味現在価値）で評価することを推奨している。
優先すべき業務の選び方：2軸マトリクス
候補業務の優先順位づけには、タスク複雑度（推論・文脈・適応の必要性）と意思決定リスク（誤った場合のコスト）の2軸で評価するマトリクスを使う。
| 低リスク | 高リスク | |
|---|---|---|
| 高複雑度 | スループット・例外吸収で自動化 | 人間をループに残し意思決定品質で正当化 |
| 低複雑度 | RPAのまま維持（エージェントはコスト増） | ガードレールを強化、推論機能は不要 |
判断の目安として記事が示すショートカット：「人が複数システムをまたいで移動し、各ステップで曖昧なコンテキストを解釈している」ならエージェンティックアプローチを評価せよ。パスが決定的ならRPAの方が安い可能性が高い。
実際の導入事例
AWSのAmazon Quick Automate（業務プロセスの自動化を支援するAWSのマネージドサービス）を使った3社の事例が紹介されている。
- Kitsa（臨床試験サイト選定）：数十万サイトから50以上のデータポイントを抽出。コスト91%削減、データ取得速度96%向上、カバレッジ**96%**。
- dLocal（越境決済）：加盟店コンプライアンス審査の最大**75%**を自動化し、スペシャリストを複雑・高リスク案件に集中させた。
- Genpact（サプライチェーンリスク、複数SAPシステム）：disruption影響分析を2〜3日から数分に短縮。
経営層への提示方法
単発プロジェクトではなく、3〜5の優先ドメインのポートフォリオとして提示することが重要だ。McKinseyのデータでは、企業の3分の2近くがエージェントを試験導入しているが、スケールして具体的価値を生んでいるのは10%未満にとどまる。
ポートフォリオ戦略として提示する理由は、単一ユースケースの成否に経営判断を依存させないためだ。複数ドメインを並走させることで、どのドメインで「1:3:5パターン」の投資配分が機能しているかを比較しながら学習できる。個別プロジェクトの失敗を全社的なAI投資の停滞に直結させず、学習コストをポートフォリオ全体で吸収する狙いもある。
懐疑的なCFOを動かす手段として記事が挙げるのは「ストップルール」だ。ブレークイーブン目標と、目標未達時に投資を止める明示的なトリガーをあらかじめ設定しておく。これにより投資の説明責任が明確になり、「やめる判断」を経営層が下しやすい構造を作ることで、逆に承認を得やすくなる。
詳細はBeyond hours saved: Building the business case for agentic automationを参照していただきたい。
