企業が生成AIを比較するとき、まず目に入るのは料金表でしょう。
APIであれば100万トークン当たりの料金、法人向けサービスであれば1ユーザー当たりの月額料金が示されています。モデルごとの価格差も数字で比較できます。
ただ、料金表に並ぶ単価だけでは、実際の業務でどちらのAIが低コストなのかは分かりません。
2026年9月、AWSは「Beyond the price per token」と題した記事を公開しました。そこでAWSは、実際の業務が必要としているのはトークンそのものではなく、「問い合わせが1件解決した」「調査レポートが完成した」「正しい財務サマリーができた」といった成果だと説明しています。
モデルを比較する際にも、トークン単価だけではなく、正しい回答に到達する確率、必要なトークン量、AIエージェントが完了までに何回やり取りしたかなどを含めて考える必要があるというわけです。
その約1か月前の2026年8月、AWSはAI投資のROIを扱った記事で、その考え方を一つの式にしています。
成果当たりコスト（Cost per Outcome）＝ AIコスト ÷ ビジネス価値指標
AWSはこの「成果当たりコスト」を、ROIそのものではなく、ROIを考えるための基礎となる指標と位置づけています。
「AIをいくら使ったか」から「仕事をいくらで完成させたか」へ
AWSの記事では、開発業務を例に成果当たりコストを説明しています。
AI導入前は週5件だったバグ修正が、導入後に15件へ増えたとします。AIにかかった総コストが5,000ドルなら、AIによって新たに修正できた10件に対して、
5,000ドル ÷ 10件 ＝ バグ修正1件当たり500ドル
となります。
重要なのは、AIを何回呼び出したかではなく、「業務上の成果がどれだけ増え、そのためにいくら使ったのか」を測っていることです。
これを日本企業の業務に置き換えてみます。
たとえば、契約書や申請書類などをAIでチェックする仕組みを導入し、月に5,000件を処理したとします。
AI関連費用が月50万円だった場合、「1件100円」と計算したくなります。
しかし5,000件のうち、そのまま品質基準を満たしたものが4,000件で、残りは再処理や人による修正が必要だったとすれば、業務として完成した成果を基準にした単価は違って見えます。
単純化すれば、
50万円 ÷ 4,000件 ＝ 完成した成果1件当たり125円
です。
さらに人による確認や修正が必要なら、そのコストも考える必要があります。
AIを「1回動かす値段」ではなく、「仕事を1件完成させる値段」で測る。これが、AWSが示す成果当たりコストの考え方です。
安いモデルでも、成果までのコストは高くなることがある
この考え方が重要になる理由は、AIによる業務が必ずしも一度の処理で終わらないからです。
AWSは2026年9月の記事で、「正しい回答1件当たりのコスト」や「品質基準を通過した成果物1件当たりのコスト」を使ってモデルを比較しています。
価格の安いモデルでも、誤った回答が多ければ再試行が必要ですし、AIエージェントであれば、やり取りが増えるほど過去の会話履歴や検索結果などを再度モデルへ送るため、処理回数以上のペースで入力トークンが増える場合もあります。
逆に、1回当たりの料金が高いモデルでも、少ない回数で品質基準を満たせれば、最終成果までのコストでは安くなる可能性があります。
そして、AIの原価はモデル料金だけではありません。
AWSはAIの総所有コストを考える際、モデルなどの直接費だけでなく、データの保存・検索、データ転送、利用状況の監視やレポート、AIエージェントが利用する外部サービスなども含める必要があると説明しています。
さらに業務によっては、AIの出力を人間が確認する必要があります。(Human in the loop）
AIの失敗による損失が人間による確認コストを上回る場合には、人を介在させる必要があるでしょう。その場合、人間が確認・修正する時間もAIの経済性を考えるうえで無視できません。
したがって、企業が見るべき原価は、モデル料金だけではなく、
AI利用料＋関連システム費＋再試行＋人による確認・修正
まで含めた「成果を完成させるまでのコスト」となります。
AIのコスト管理は「成果単位」へ向かっている
AWSだけが、このような考え方をしているわけではありません。
FinOps Foundationは、テクノロジーへの支出と、それによって生み出される価値を結びつける考え方を「ユニットエコノミクス（業務・成果単位の採算管理）」と位置づけています。
生成AIの導入初期では「トークン当たりいくらか」といった技術寄りの指標から始まることもありますが、利用が成熟すると、「AIによる支援1件当たり」「AIエージェントの処理1回当たり」「人による対応を回避できた問い合わせ1件当たり」といった、業務成果に近い単位へ広げていくことになります。
OpenAIも同様に、トークン単価が安いモデルが必ずしも総コストまで安くなるわけではないと説明しています。
失敗や再試行、修正、人によるレビューまで含め、優先度の高い業務では「受け入れ可能な成果1件当たりのコスト」を追跡するという考え方です。顧客対応なら解決した問い合わせ、ソフトウェア開発ならレビューを通過した変更といった単位になります。
用語や測定方法は同じではありませんが、AWS、FinOps Foundation、OpenAIにはAIの利用量を管理するだけではなく、その利用がどれだけの仕事を完成させたのかまでコストを結びつけるという方向性において共通していると言えます。
日本企業では「人件費削減」をそのまま置けない
ここで、日本企業にはもう一つ考えなければならない問題があります。
AWSの「Economics for agentic AI」では、人間が行う業務とAIエージェントの経済性を比較しています。
たとえば採用業務のケーススタディでは、採用担当者の給与だけではなく、福利厚生、設備、管理、研修などまで含めた総人件費を算出し、応募書類1件当たりの処理コストをAIと比較しています。
AWSが設定した仮想ケースでは、人が1件45分で処理する場合だけでなく、業務改善によって15分まで短縮した場合も比較しています。人側の処理効率が高くなればAIとのコスト差は縮まり、投資回収に必要な期間も長くなります。
この考え方自体は日本企業でも参考になります。
ただし、AIによって削減された労働時間を、そのまま「削減できた人件費」と考えることには注意が必要です。
仮に10人で行っていた仕事をAIによって20％効率化できたとします。
計算上は「2人分の労働時間が浮いた」と表現できます。
しかし、日本企業では2人分の仕事が減ったからといって、その時点で社員を8人にして2人分の給与を削減できるとは限りません。
日本では、企業が自由に従業員を解雇できるわけではありません。解雇には客観的に合理的な理由と社会通念上の相当性が必要であり、経営上の理由による整理解雇でも、人員削減の必要性だけでなく、配置転換や希望退職募集など解雇を回避するための努力などを踏まえて判断されます。
この点は、海外で作られたAI投資モデルを日本企業へ適用するときに特に重要です。
人件費を比較的変動させやすい前提で、「AIが2人分の作業を代替したから2人分の人件費がなくなった」と計算するモデルを、そのまま日本企業へ持ち込むと実態とずれる可能性があります。
日本企業ではむしろ、
既存の給与は残ったまま、AIのライセンス費、API費、システム費、研修費、運用費が新たに加わる
という状況が起こりやすい。
したがって、「AIで年間1万時間削減した。社員の時間単価が4,000円だから4,000万円の経済効果があった」という計算だけでは、企業の実際の経済効果を説明できません。
給与が1円も減っていないのであれば、少なくとも4,000万円の現金がそのまま利益として生まれたわけではないからです。
では、日本企業は何を測ればよいのか
だからといって、AIによる時間削減に価値がないわけではありません。
見るべきなのは、その時間がその後どう使われたかです。
たとえばAI導入によって残業が減れば、実際の人件費削減につながります。外注していた仕事を社内で処理できれば外注費が減ります。業務量が増えても新しい社員を採用せず対応できれば、将来必要だった採用コストや人件費を回避できたと考えられます。
あるいは、AIによって生まれた時間を営業活動に使い、売上が増えたのであれば、時間削減とは別の形で経済価値へ転換されています。
処理件数の増加、ミスや手戻りの減少、顧客対応の高速化なども同様です。
日本企業のAI投資では、「何時間減ったか」で測定を終えるのではなく、減った時間が、最終的に何へ変わったのかまで追う必要があります。
ここで成果当たりコストが役立ちます。
まず、
成果1件当たりのAI原価＝AIを利用するために増えたコスト ÷ 品質基準を満たした成果数
を把握する。
そのうえで、AIを含めた業務全体について、
成果1件当たりの業務原価＝人件費＋AI費用＋その他の業務費用 ÷ 完成した成果数
を導入前後で比較する。
こうすれば、「AIそのものはいくらか」と「AIを導入した結果、業務全体はいくらになったか」を分けて考えられます。
AIを導入して人件費が変わらなくても、同じ人数で処理件数が倍になれば、成果1件当たりの業務原価は下がる可能性があります。
逆に、仕事が少し速くなっただけで、処理量も売上も外注費も残業代も変わらず、AI費用だけが増えたのであれば、少なくとも短期的な財務効果は厳しく評価する必要があります。
成果当たりコストが分かっても、ROIはまだ分からない
AWS自身も、成果当たりコストはROIではないと明記しています。
成果を1件作るのに500円かかった。それだけでは、そのAI投資が成功かどうかは分かりません。
従来1,500円かかっていた仕事を500円で処理できるようになったのであれば、大きな改善です。
反対に、従来400円だった仕事がAI導入後に500円になったのであれば、コストだけを見れば悪化しています。
さらに、その成果によって売上が増えたのか、損失を回避できたのか、より多くの業務を処理できたのかまで確認する必要があります。AWSが成果当たりコストをROIの「基礎的な構成要素」と呼んでいるのは、このためです。
AI投資を考える順序は、
トークン単価 → AIの総コスト → 成果1件当たりのコスト → 成果が生んだ経済価値 → ROI
とするのが今のところ適切と言えそうです。
AIが高性能になり、価格競争も進めば、モデルの料金表はこれからも変わるでしょう。
しかし企業にとって最後に問うべきことは変わりません。
そのAIを使って、自社に必要な仕事を1件完成させるために、結局いくらかかったのか。
そして、
その成果は、会社にどれだけの経済価値をもたらしたのか。
AWSが示す成果当たりコストは、AIの「利用料金」と企業の「投資判断」の間をつなぐ、一つの重要な考え方だと言えます。
---
参考記事
- AWS, “Calculating the Return on Investment (ROI) of AI”
https://aws.amazon.com/blogs/aws-cloud-financial-management/calculating-the-roi-of-ai/
- AWS, 「AI の投資収益率 (ROI) を計算する」
https://aws.amazon.com/jp/blogs/news/calculating-the-roi-of-ai/
- AWS, “Beyond the price per token: Choosing the right OpenAI model on Amazon Bedrock for your workload”
https://aws.amazon.com/blogs/machine-learning/beyond-the-price-per-token-choosing-the-right-openai-model-on-amazon-bedrock-for-your-workload/
- AWS Prescriptive Guidance, “Economics for agentic AI”
https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-economics/welcome.html
- AWS Prescriptive Guidance, “Human feedback and intervention”
https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-economics/feedback.html
- AWS Prescriptive Guidance, “Case study”
https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-economics/case-study.html
- FinOps Foundation, “Unit Economics”
https://www.finops.org/framework/capabilities/unit-economics/
- OpenAI, “Managing AI investments in the agentic era”
https://openai.com/index/managing-ai-investments-in-agentic-era/
- 厚生労働省, 「労働契約の終了に関するルール」
https://www.mhlw.go.jp/seisakunitsuite/bunya/koyou_roudou/roudouseisaku/chushoukigyou/keiyakushuryo_rule.html
- 労働政策研究・研修機構（JILPT）, 『OECD共同研究によるAI技術の職場への影響に関する調査』
https://www.jil.go.jp/institute/reports/2024/0228.html