AIモデルが10分の1になっても請求は減らない——企業が持つべき「完了一件原価」

AIモデルの価格競争が速くなっています。2026年10月、OpenAIは「GPT-6.1 Terra」を発表し、一部の評価では最上位モデルと同等の性能を、10分の1のトークン単価で実現すると説明しました。入力100万トークン当たり1ドル、キャッシュ済み入力0.05ドル、出力5ドルというAPI料金も示されています。

この発表だけを見れば、社内のAIを安いモデルへ切り替えるほど、予算は素直に下がるように思えます。しかし企業が払うのは、モデルへ送った文字数の料金だけではありません。回答を作り直す回数、根拠を探す時間、業務システムへつなぐ費用、人が確認する時間、誤りを戻す作業、モデル変更時の再試験まで含めて、初めて一件の仕事が終わります。

実際、国内調査ではAI投資を増やす企業が多い一方、全社のAIコストを一元把握できている企業は3割に届きません。海外では、非テック大企業の利益率や従業員一人当たり売上に、AIの明確な改善がまだ見えないという分析も出ています。安い知能が増えることと、会社の仕事が安く完了することは同じではありません。

本記事では、モデルの単価ではなく「完了一件原価」でAIを管理する方法を考えます。日本企業や自治体が、小さなモデル、上位モデル、人の作業を役割ごとに使い分け、安さを実際の成果へ変えるための設計です。

結論——モデル料金ではなく、受け入れられた一件を分母にします

AIコスト管理で最初に変えるべきなのは、請求書の読み方です。月額料金やトークン単価を消す必要はありません。ただし、それらを最終指標にせず、業務で受け入れられた件数を分母にします。

完了一件原価は、次の費用を一つへ戻した数字です。

原価の層	含めるもの	見落としやすい例
モデル	入力、出力、キャッシュ、推論設定	長い回答、同じ資料の再送、上位モデルの常用
実行	検索、外部道具、コード実行、保存	失敗した道具呼び出し、無限に近い再試行
連携	認証、データ整形、業務システム接続	API変更、権限申請、監査ログ
確認	人による照合、承認、修正	原本の読み直し、複数部署への差し戻し
失敗	誤送信、誤更新、再作成、復旧	顧客への訂正、処理の巻き戻し
維持	評価、監視、教育、モデル更新	プロンプト改修、担当交代、再試験
退出	データ移行、代替手順、契約終了	独自形式の変換、履歴の取り出し

例えば、一回10円のモデルが20回中10件しか受け入れられず、各件に10分の確認が必要なら、モデル料金だけを見た一件10円という説明は成り立ちません。反対に、一回100円のモデルでも、再試行と確認を減らし、20件中19件を安全に完了できるなら、高影響業務では総原価が低くなる場合があります。

大切なのは、安いモデルを使わないことではありません。下書き、分類、抽出、検索候補の作成には、低価格モデルが大きく効きます。一方、外部送信、契約、会計、個人情報、設備操作のように間違いの復旧費が高い仕事では、上位モデル、人の承認、決定的な検査を組み合わせます。モデルを一社一種類へ固定するのではなく、仕事の段階ごとに配置することが必要です。

「10分の1」は、特定の評価とトークン単価の比較です

ITmedia AI＋のGPT-6.1 Terra報道によると、OpenAIは同モデルを、書類の作成や読み取り、視覚理解、コンピューター操作に向く低価格モデルとして発表しました。コンピューター上の専門業務能力を測る特定の評価では、最上位のGPT-6 Astraと同等の性能を、10分の1のコストで実現したと説明しています。

一方で、報道は境界も示しています。ターミナル操作の評価では先代モデルから改善したものの、複雑なコーディングにはGPT-6.1 SolやGPT-6 Astraが適するとされています。外部評価でも、GPT-6.1 Solへ届かない指標がありました。つまり「全ての仕事で同じ品質を10分の1」ではありません。

API料金も、入力と出力で違います。長い社内資料を毎回送るのか、要点を先に抽出するのか、キャッシュを使えるのか、出力を短く固定できるのかで請求は変わります。低い入力単価だけを社内説明へ使い、長い出力や再試行を数えなければ、見積もりは外れます。

導入前には、ベンチマーク名ではなく、自社の代表業務を三つ選びます。

• 定型文書から必要項目を抽出する仕事です
• 根拠資料を示して社内質問へ答える仕事です
• 複数の画面を操作して登録案を作る仕事です

各業務で、同じ入力、同じ受入基準、同じ最大再試行回数を使います。安いモデルが一回で合格すれば、その仕事へ広げます。合格しない場合は、入力を小さくする、段階を分ける、上位モデルへ一度だけ引き上げる、人へ渡すという出口を用意します。

ここで比較するのは「モデルAの正答率」と「モデルBの正答率」だけではありません。完了までの総トークン、経過時間、人の確認分、差し戻し、復旧可能性を同じ表へ置きます。

投資は増えるのに、全社原価を見られる企業は29％です

ITmedia エンタープライズが紹介したサイボウズ調査では、従業員1000人以上の企業・団体551社の経営者やIT・DX担当者が回答しました。今後3年間にAI投資を増やす予定の企業は70％でしたが、全社でAIコストを一元把握できている企業は29％でした。

最も多かった回答は、部門やプロジェクト単位では把握できるが、全社では把握できていないという32％です。コスト増大に備えた予算計画と管理の仕組みを既に整えている企業は14％、主要な業務システムまでAIを連携している企業は11％でした。一方、AIガバナンスを策定し運用している企業は51％でした。

この結果は、規則が不要だという意味ではありません。利用可能な道具、入力してよい情報、承認、監査を決めるガバナンスは土台です。しかし利用規則だけが先に整い、何件をいくらで完了したかが分からなければ、費用の異常を発見できません。

部門別の請求を合計するだけでも不十分です。同じ契約を複数部署が使い、一つの成果を何度も作り直している場合があります。逆に、中央契約の費用を利用者数で均等配分すると、少量利用の部署へ重く、APIを大量利用する部署へ軽く配賦することになります。

最初は精密な会計制度を作らず、業務識別子を一つ追加します。AI利用、検索、確認、承認、差し戻しを同じ案件番号へ結びます。月末には次の三つを並べます。

1. 誰がいくら使ったかという支出です。
2. 何件が受け入れられたかという完了です。
3. 何件が再作成、保留、停止、復旧へ回ったかという失敗です。

この三つがそろうと、トークンが増えたから悪い、利用率が高いから良いという短い判断を避けられます。

京都府庁の事例は、道具を一つに絞らない価値を示します

キーマンズネットの京都府庁事例では、7000人を超える職員の業務を支えるため、用途の違うAIを使い分けています。文章作成や企画の発想にはCopilot Chat、庁内の手引きを根拠付きで探す仕事にはRAGを備えたChatAIを使う構成です。

京都府庁は、対話型AIを一つ導入すれば全業務が解決するとは考えませんでした。請求書や補助金申請の一次確認を支援するエージェントでは、ルールの読み取り、書類の確認、結果の整理を三つの子エージェントへ分け、親エージェントが結果をまとめる形にしました。一度に複数処理を任せると、精度低下やエラーが起きやすかったためです。出力は一次案とし、職員が根拠資料と原本を確認して最終判断します。

記事で紹介された庁内調査では、Copilot Chatの利用率は71％、ChatAIは45％、継続利用希望はいずれも99％でした。週一日以上使う職員一人当たりの年間削減時間は、Copilot Chatで109時間、ChatAIで74.4時間と見込まれています。ただし、これは事例内の推計です。全組織で同じ削減時間が再現される保証ではなく、人の最終確認も残ります。

完了一件原価の考え方では、この役割分担を次のように読みます。

段階	主な役割	原価として残すもの
質問の受付	利用者、対話型AI	質問時間、追加質問、対象業務
根拠検索	RAG、検索用AI	参照文書、取得件数、検索費用
一次確認	分割したエージェント	各段階の実行、再試行、エラー
結果整理	親エージェント	統合時間、矛盾、欠落
最終判断	職員	原本確認、承認、差し戻し
更新	制度所管課	手引き更新、評価、問い合わせ分析

安いモデルを全段階へ入れるより、検索、抽出、整理のどこへ置くかを決めた方が効果を測りやすくなります。人の確認を「無料」と見なさず、何分かかったかを残せば、AIが制度所管課の問い合わせを減らしたのか、別の確認作業へ移しただけなのかも見えます。

以前の記事では、巨大モデルをAPI、一台、部署共有機、複数台分散へどう置くかをAIの推論配置表として整理しました。今回の完了一件原価は、その配置を費用と成果で見直すための物差しです。

利益に見えないから無価値、とはまだ言えません

TechCrunchが紹介したApollo Global Managementの分析では、S&P 500から主要テック企業7社を除いた「S&P 493」について、利益率と従業員一人当たり売上が横ばいで、AIが生産性を改善した明確な証拠は見えないという見方が示されました。

これは重要な警告ですが、「どのAI案件にも効果がない」と証明する分析ではありません。企業全体の利益率には、原材料、金利、人件費、価格、需要、買収など多くの要因が混ざります。顧客の待ち時間、事故の減少、従業員の負担、サービス継続の改善は、短期の売上や利益へ直ちに表れない場合もあります。

反対に、時間削減の自己申告だけで財務効果を主張することもできません。浮いた時間へ仕事を追加し、会議や確認が増えれば、利益へ届かないことがあります。以前のAIの生産性配当を誰へ戻すかの記事で扱ったように、削減時間の行き先を顧客、現場、教育、品質、投資へ明示する必要があります。

完了一件原価では、成果を三段階に分けます。

• 作業成果は、時間、件数、品質、再試行で測ります。
• 業務成果は、待ち時間、処理能力、事故、顧客完了率で測ります。
• 経営成果は、売上、利益、継続率、事業継続で測ります。

作業時間が減ったのに顧客完了率が変わらないなら、途中に別の詰まりがあります。顧客完了率が上がったのに利益が変わらないなら、価格、需要、固定費、投資回収期間を見ます。どの層で止まったかを説明できれば、「AIは成功」「AIは無価値」という二択から離れられます。

一社へ広げるほど、退出費を先に測ります

AIはモデルAPIだけでなく、コーディング、文書作成、検索、エージェント、クラウド連携を一式で提供する方向へ進んでいます。TechCrunchによるAnthropicの上場資料分析では、年間10万ドル以上を使う顧客の半数超が、Claudeの開発基盤と自社アプリの両方を利用していました。前年末の約30％から増えたとされています。

同じ提供者でそろえると、認証、契約、教育、データ連携をまとめやすくなります。それ自体は悪いことではありません。しかし、APIからコーディング、全社アプリへ広がるほど、単価が下がっても退出費が上がる可能性があります。独自のエージェント定義、履歴、評価、権限、連携が増えるためです。

完了一件原価には、現在の請求だけでなく、変更費を少額でも積み立てます。四半期に一度、代表業務を別モデルまたは手作業で完了できるか試します。全件を二重運用する必要はありません。入力、期待出力、受入基準、根拠、失敗時の戻し方を提供者から独立した形式で残します。

AI契約を成果型へ移す受入設計の記事で示したように、安い利用量と価値は別です。契約更新では、席数やトークン総量だけでなく、受け入れられた件数、確認時間、停止後に再開できた件数を交渉材料にします。

日本企業向け「完了一件原価票」は九欄で始めます

大きな原価管理システムを待つ必要はありません。高頻度の三業務について、次の九欄を一枚へ追加します。

欄	記録する内容
完了対象	誰の何を、どの状態まで終えるか
受入基準	数字、根拠、形式、承認者、期限
通常経路	小型モデル、上位モデル、検索、人の順序
引き上げ条件	不一致、低確信、高影響、再試行回数
直接費	トークン、席、検索、保存、道具実行
人の費用	準備、確認、修正、承認、問い合わせ
失敗費	再作成、停止、訂正、復旧、顧客対応
維持費	評価、監視、教育、変更、監査
退出	代替手順、移行形式、再試験、期限

受入基準は「良い回答」のように書きません。請求書なら、取引先、金額、税区分、支払期限が原本と一致し、重複がなく、承認者が確認できる状態です。問い合わせ回答なら、根拠文書の版と該当箇所が示され、個別判断が必要な質問を人へ渡せる状態です。

引き上げ条件は、利用者の気分で決めません。二回不一致なら上位モデルへ一回だけ送る、金額が一定額を超えれば人へ渡す、個人情報を含めば許可環境へ移す、と具体化します。上位モデルでも合格しない場合は、さらに課金して粘らず、人へ移管します。

モデルの使い分けは四つの経路にします

仕事ごとに自由なモデル選択を許すと、比較できない組み合わせが増えます。最初は四経路で十分です。

低価格モデルだけで完了する経路

公開情報の分類、定型項目の抽出、短い要約などです。出力形式を固定し、決定的な検査で合否を判定します。再試行は二回までにします。

低価格モデルから上位モデルへ引き上げる経路

下書きは安いモデルで作り、矛盾、根拠不足、高影響条件を検出した場合だけ上位モデルへ送ります。上位モデルへ送る入力も、下書き全体ではなく争点へ絞ります。

AIから人へ直ちに渡す経路

契約の最終判断、採否、医療、緊急対応、例外承認などです。AIは資料の整理に使えても、決定者と責任を置き換えません。人へ渡すときは、原文、AIの推測、未確認事項を分けます。

AIを使わない縮退経路

障害、予算超過、品質低下、契約終了時にも仕事を止めない経路です。全てを紙へ戻すのではなく、既存検索、表計算、定型フォーム、担当窓口など、最低限の完了方法を残します。

この四つを用意すると、安いモデルの性能が上がったとき、低価格経路へ移せる仕事を増やせます。性能が下がったり料金が変わったりしたときも、全社停止ではなく対象業務だけを戻せます。

30日で単価表を業務原価へ変えます

第一週は、AI利用額が多い業務を三つ選びます。月額契約、API、検索、保存、連携費を集め、過去一カ月の受入件数で割ります。人の確認時間は、全員へ精密な記録を求めず、代表十件を測って範囲を出します。再試行、差し戻し、停止も数えます。

第二週は、各業務から二十件を選び、現在のモデルと低価格モデルを同じ条件で比較します。入力、最大出力、道具、再試行上限、受入基準を固定します。モデル名を隠して確認できる仕事では、順番による評価の偏りも減らします。

第三週は、四つの経路を設定します。低価格だけで終える対象、上位へ引き上げる条件、人へ直ちに渡す対象、AIなしで続ける縮退方法を決めます。予算上限へ達したら品質を黙って下げず、新規受付を止める、低影響業務だけを続けるなどの動作を決めます。

第四週は、実際の一週間で運用します。毎日のトークン総量ではなく、受入件数、完了一件原価、確認時間、引き上げ率、停止率、復旧時間を見ます。低価格モデルへの変更で単価は下がっても確認時間が増えた業務は、入力設計を直すか元へ戻します。

月末には、次の指標を同じ画面へ並べます。

• 受け入れられた一件当たりの総原価です
• 一件当たりの人による確認分数です
• 低価格モデルだけで完了した割合です
• 上位モデルへ引き上げた割合と理由です
• 最大再試行回数を超えた件数です
• 誤りの発見から復旧までの時間です
• AIなしの縮退経路で完了できた割合です
• モデル変更後も同じ試験を再現できた割合です

利用量が増えても完了一件原価が下がり、確認者の負担と事故が増えていなければ、安いモデルを成果へ変えられています。単価だけが下がり、再試行と確認が増えているなら、請求書の別の場所へ費用が移っただけです。

出典

• ITmedia AI＋「コスパ重視のGPT-6.1 Terra新登場」
• ITmedia エンタープライズ「大企業はAIコストを管理できていない」
• キーマンズネット「京都府庁、職員7000人の事務効率化」
• TechCrunch「AI delivers zero financial payoff to most companies」
• TechCrunch「Anthropic’s IPO filing reveals its enterprise strategy」

まとめ——安いモデルを、安く終わる仕事へ変えます

低価格モデルの登場は、日本企業にとって大きな機会です。全てを最上位モデルへ送っていた組織は、分類、抽出、下書き、検索候補を低価格側へ移せます。しかし、10分の1という数字は特定の評価とトークン料金の比較です。自社の確認、連携、失敗、維持、退出まで自動的に10分の1にはなりません。

サイボウズ調査が示したのは、投資拡大の意思に対して、全社原価の把握と予算管理が追い付いていない状況です。京都府庁の事例は、一つのAIへ全業務を任せず、検索、文章作成、一次確認、最終判断を分ける実装を示しました。海外の収益分析は、安い知能が企業の利益へ届くまでに、業務と経営をつなぐ測定が必要だと問い掛けています。

次に「このモデルは10分の1です」という提案を受けたら、単価表の横へ一列だけ加えてみてください。そのモデルで、根拠を確認し、承認を受け、失敗時に戻せる一件を、最終的にいくらで完了できるでしょうか。安いモデルを選ぶことではなく、安く安全に終わる仕事を増やすことが、AI予算を持続可能にします。