AIのコスト問題はなぜ起きるのか｜先行事例から学ぶ全社展開前の対策

全社員が毎日AIを開いて業務をしている会社が、実際に出てきています。
一部の情シスや企画部門が試している段階から、日々の業務の中に入り込んだ段階へ移った会社です。そして、活用が社内に浸透した会社から順に、同じ問題が報告され始めています。

コスト削減のために導入したのに、生成AIの利用料が見積もりの何倍になっている。
月初に設定した利用上限に月の半ばで到達してしまい、後半は業務でAIが使えない。
誰がどれだけ使っているのか分からないまま、月末に請求が来て初めて気づく。

実際に自動化を支援している現場でも、会社主導で導入したAIのコストが月の中旬に上限に達して使えなくなったという話を聞きました。
推進を担う立場は、この状況が最も説明に困ります。
経営に対してコスト削減の効果を約束して導入を通してきた立場であるうえに、費用が膨らんでいる理由が仕組みとして見えていないため、止め方も決まらないためです。

この記事では、先行企業で実際に起きているコスト問題を2つの類型として整理し、その原因を課金の仕組みの変化として分解したうえで、全社展開の前に何を仕込んでおけばよいかまでを示します。

AI活用が浸透した企業で起きているコスト問題

AI導入のあとに報告されているのは、AIの単価が高いという問題ではありません。
使った量が見えないまま増えるという問題です。

2026年に入ってから、AI活用で先行している企業のコスト超過が相次いで表に出ました。

国内では、金額まで報じられた超過の事例はまだ出ていません。
ただし、国内のソフトウェア企業5社でAIを担当する立場の人が、トークンの費用をどう管理するかを共通の論点として挙げています。

AIの費用が前年比で数倍以上に伸びることを想定していると述べており、AIエージェントを日常的に動かせば費用は人ひとり分の領域に入るという見方も示されています（出典: 生成AIの請求書、人件費と並べる時代へ — ITmedia、2026年7月1日）。

先に金額が表に出た国外2社の事例は、それぞれ違う場所でAIの費用が見えなくなっていたことを示しています。

1人あたりの消費量の幅を読めず、年間予算が4か月で尽きる

アメリカ合衆国のテクノロジー企業であるUberは、2026年の年間AI予算を4月までに使い切りました。

2025年12月にAIコーディングツールを配り、約5,000人に広がった速さが財務側の見込みを超えたためで、同社のCTOがこの超過をニュースメディアの取材で認めています。

見積もりが外れた原因は、平均ではなくコストの個人差にありました。
エンジニア1人あたりの月額は平均で150〜250ドルでしたが、使い込む層は500〜2,000ドルに達していました。
さらに、同社はAIコーディングツールの利用量でエンジニアを社内のランキングに並べており、使うほど評価される形が消費を押し上げていました。

該当記事: Uber Burns Its 2026 AI Budget In Four Months On Claude Code — Forbes、2026年5月17日

打ち手は、上限と可視化の組み合わせです。
Uberは2026年6月までに、エージェント型のAIコーディングツールごとに1人あたり月1,500ドルの上限を設け、従業員が自分の消費量を見られる社内のダッシュボードを用意し、必要な場合は許可を得て上限を超えられる経路も残しました。

1人あたりの平均で年間予算を組むと、使い込む層が何人に増えるかで合計が動くため、月ごとの実績を見るまで予算が足りるかどうかを判断できません。

1つの自動処理が暴走し、請求が届くまで気づかれない

Amazonでは、AIを使ったプロジェクトの予算超過が社内の会議で示されました。

最も大きかったのは、著者の情報を自社サイトの商品ページと自動で照合するツールです。
180万ドルを使い、予算を860%超過し、発見までに5か月かかり、そのうえで結局リリースされませんでした。

会計監査のツールが約54万1,000ドル、配送を速くするシステムが13万4,000ドルの超過だったことも示されており、上級のエンジニアはこの結果を「破滅的に高額だ」と表現しています。

該当記事記事: Amazon's $1.8m Claude blunder shows AI's runaway costs — The Next Web、2026年7月30日、Tom's Hardware

5か月かかった理由は、間違いの現れ方の違いにあります。
人が書いたプログラムに誤りがあれば例外が出て処理が落ちるが、モデルが処理を担っている場合は設定を誤っても止まらず、静かに課金が続くと説明しています。
表に出るのは請求書です。 しかもその請求は、動作の記録ではなく月次の締めで届きます。

Amazonの対応としては、AIの利用量で社員を並べていた社内のランキングを廃止したこと（社員が自分の消費量を膨らませて攻略していたと報じられています）と、請求が届く前にプロジェクトの上限で止める自動の仕組みを構築中であることです。

2つに共通しているのは、費用が発生したあとで初めて数字を見ていることです。
では、なぜ発生する前に見えないのか。
それは、料金の決まり方が従来のシステム導入と変わったためです。

なぜAIのコスト問題が浮上しているのか

見積もりが外れるのは、料金の決まり方が「利用者の数」から「使った量」へ移ったためです。
この移行は、3つの変化として整理できます。

変化1｜アカウント単位から、使った量へ

従来のSaaS導入では、年間コストは契約の時点で確定していました。
利用者の数に単価をかければ、その年に払う金額が出るためです。
利用者が使い込んでも、ほとんど使わなくても、請求は同じでした。

AIでは、この計算が成立しません。料金の基準になるのがトークンだからです。
トークンとは、AIが文章を読み書きするときの処理の単位で、料金の計算根拠になるものです。
1トークンが何文字にあたるかは、言語やモデルによって変わります（参考: オブザーバビリティとは｜監視との違いとAI活用で見る4つの要素）。

AIに渡した文章が入力のトークン、AIが返した文章が出力のトークンとして数えられ、単価は入力と出力で別に設定されています。
つまり同じ利用者が同じツールを開いていても、渡した量と返ってきた量で金額が動きます。

読み方を難しくしているのは、渡す量が会話の中で積み上がることです。
Anthropicの公式ドキュメントは、会話が進むにつれて利用者の発言とAIの応答が順に積み上がり、それまでのやりとりは完全に保持されると説明しています。
1回のやりとりの入力には、それまでの会話の履歴すべてと、今回の質問が含まれます。
指示文、添付した資料や画像、AIに渡してあるツールの定義も、すべて数えられる対象です。

積み上がったやりとりを一度に参照できる範囲を、コンテキストウィンドウと呼びます。
会話の履歴も、これから生成する答えも、この範囲の中に収まっている必要があります。

【例】同じ会話を続けたまま5つ目の質問をすると、その1回の入力には、1つ目から4つ目までの質問と回答がすべて含まれます。
質問文の長さは同じでも、5回目の入力量は1回目より大きくなります。

変化2｜定額プランから従量課金へ

定額で契約して使ってきたツールのプラン自体が、使った量で課金する形に変わり始めています。

GitHubは2026年4月27日、Copilotの全プランを2026年6月1日に従量課金へ移行すると発表しました。
それまでの回数ベースの単位を廃止し、入力・出力・キャッシュのトークン量をモデルごとの単価で計算する形に変わりました。

GitHubが挙げた理由は、AIが長い手順を自分で進めるようになって計算量の要求が上がり、「今日は、短いチャットの質問1つと、数時間にわたる自律的なコーディングのセッションが、利用者にとって同じ金額になりうる」状態になっていることです。
増え続ける推論の費用の多くを自社で吸収してきたが、従来の方式はもはや持続可能ではないとしています。

同じ発表には、利用料の上限をめぐるトレードオフがそのまま書かれています。
基本料金は据え置きで同額分のクレジットが毎月付く一方、クレジットを使い切ったときに安いモデルへ切り替えて作業を続ける動きは廃止されました。
以降は、管理者が追加の利用を認めるか、支出を止めるかを選ぶことになります。

つまり、上限を設ければ業務が止まり、上限を外せばコストが読めないという関係です。
運用の失敗から出てくるものではなく、使った量で課金する仕組みから生じます。

変化3｜高性能なモデルほど、トークンを多く使う

3つ目の変化は、モデル側で起きています。
性能の高いモデルを選ぶと、1トークンの単価が上がり、同じ問いに対して使うトークンの量も増えます。

単価の差は公開されています。
Anthropicの価格では、上位のClaude Opus 5が100万トークンあたり入力5ドル・出力25ドル、軽量なClaude Haiku 4.5が入力1ドル・出力5ドルで、出力の単価には5倍の差があります。

量が増えるのは、答えを返す前に思考の過程を生成するモデルが使われるためです。
この思考のトークンは利用者の画面に返ってきませんが、出力として課金されます。

2つが重なると、同じ1つの問いでも金額は大きく動きます。
公開価格で計算すると、次のようになります。

【試算】社内からの問い合わせ1件に答える処理を、2通りで見積もった場合（単価は上記のAnthropicの公開価格。前提が変われば結果も変わります）

• 軽量なモデルで、渡す情報を1,000トークン、返す答えを500トークンに収めた場合：1件あたり約0.35セント

• 上位のモデルで、参考資料を50,000トークン分添え、思考に20,000トークンを使い、答えを500トークン返した場合：1件あたり約77セント

軽量なモデルで収めた場合と比べて、後者は約220倍です。
1万件を処理すると、前者は約35ドル、後者は約7,675ドルになります。

同じ問い、同じ担当者でも、どのモデルを選び、どこまでの資料を渡すかで金額はこれだけ動きます。
契約の時点で年間コストを確定させるという従来の進め方が、成立しなくなっているということです。

先行企業が取っている対応

先行して詰まった企業が取っている対応は、コストを運用として扱う枠組みと、使用量を見えるようにする仕組みの2つに分かれます。

技術と財務が同じ数字を見る運用として扱う

AIの費用を運用として扱う考え方は、FinOps（フィンオプス）と呼ばれています。
クラウドの費用管理から広がったもので、専門の部署の名前ではありません。

使った分だけ請求が変わる支出は、経理が締めてから振り返っても手を打てません。
そこでFinOpsでは、技術側と財務側が同じ数字を同じタイミングで見て、増えている場所を特定し、その支出が事業にどれだけ返っているかを判断し、必要なら使い方を変えるところまでを1つの運用として繰り返します。

利用料の上限と使用量を、請求が届く前に見える状態にする

もう1つの対応は、請求が届く前に使用量が見える状態を作ることです。
提供側の管理画面に、この機能が組み込まれ始めています。

Microsoft 365の管理センターにあるコスト管理の画面は、クレジットの配分、誰がどれだけ使えるかを決める方針の適用、そして予算・アラート・上限による支出の抑制を担っています。
消費の内訳を見る画面では、利用者・グループ・サービス・エージェントの単位で掘り下げ、消費量の多い利用者と費用の要因を特定できるとされています（出典: Microsoft Learn）。

GitHubも、従量課金への移行にあわせて予算設定を用意したうえで、移行の前月に請求の予測を表示する画面を提供しました。
組織全体でクレジットをまとめて使える形も導入されています（出典: GitHub Blog、2026年4月27日）。

前掲のUberの事例でも、上限とあわせて、従業員一人ひとりが自分の消費量を見られる画面が置かれていました。

つまり、可視化のために専用のツールを買う必要は、必ずしもありません。
すでに契約している管理画面の中に、利用者別・業務別の内訳と予算の設定があるかを確かめるのが先です。

コスト問題が浮上する前にできること

ここまでは、費用が膨らんだあとの対処です。
全社展開をこれから控えている場合は、浮上する前に打てる手のほうが効果が大きくなります。
準備は3つに分かれます。

社内のトークン消費リテラシーを上げる

最初にすべきことは、何がトークン消費を増やすのかを利用者が理解することです。
設定で抑えられるのは全体の枠であって、1件ごとの使い方は利用者の手元で決まるため、上限や監視より前に行います。

これまで見てきた仕組みから、消費が大きくなる要因は3つに絞れます。

• 1つの会話を長く続けること、

• 必要のない範囲まで渡すこと、

• 上位のモデルを既定にすること

会話の履歴は次の入力に積み上がり、添付した資料はその全量が入力として数えられ、上位のモデルでは高い単価に思考のトークンが加わります。

AIモデルに頼らないデータ整備を先に進める

2つ目は、AIに渡す前のデータを整えておくことです。
整っていないデータの費用は、モデルの利用料として表れます。

探しても見つからない資料、同じ内容が複数のファイルに散っている状態、古い版と新しい版が混ざっている状態。
この状態でAIに答えさせようとすると、候補を広く渡して読ませ、どれが正しいかを毎回判断させることになります。
渡す量が増えれば入力のトークンが増え、判断を任せれば思考のトークンが増えます。

整備が進んでいれば、渡す範囲を絞れます。
同じ問いに対して、必要な1件だけを渡して答えさせられるためです。

この関係は、AIが使える状態のデータを定義する枠組みの中にも入っています。
AI-Ready Dataとして満たすべき条件には、機械可読性や品質の監視、履歴の追跡と並んで、コスト管理が含まれます（参考: AI-Ready Dataとは｜ビッグデータとの違いと、満たすべき6つの条件）。
データ整備は、精度のためだけでなく、費用のためとしても重要な要素になります。

ワークフローツールと組み合わせて、判断の要らない工程でモデルを呼ばない

3つ目は、AIを呼ぶ回数と、呼ぶときのモデルを、業務の設計側で下げることです。
ここまでの2つがAIの使い方を整える話だったのに対して、これは処理の一部をAIの外に出すという、少し方向の違う打ち手になります。

業務の流れの中には、判断が必要な工程と、決まった手順で進む工程が混ざっています。
転記、条件による振り分け、通知、ファイルの受け渡しといった工程は、毎回同じ手順で進むため、モデルに考えさせる必要がありません。
ここをワークフローツールの側で処理し、判断が必要な工程だけをAIに渡す形にします。

【例】問い合わせメールの一次対応を、ワークフローツールと組み合わせた場合

• 受信、添付ファイルの保存、内容による担当部署への振り分け、担当者への通知：
  ワークフローツールの側で処理し、AIを呼ばない

• 本文を読んで要点をまとめ、回答文の下書きを作る：
  この工程だけAIに渡す

• 下書きを担当者に送り、承認されたら送信する：
  ワークフローツールの側で処理

1件を処理するあいだのAIの呼び出しは、下書きを作る1回に収まります。

当社が実装している営業事務の自動化は、この形を取っています。
ワークフローツールと組み合わせることで、1件を処理するあいだのAIの呼び出し回数が減りました。
加えて、AIが受け持つ範囲が判断の部分に絞られるため、性能の低いモデルのままでも、誤作動なく動かせています。

呼び出しの回数が減れば、その分のトークンが発生しません。
そしてAIに任せる範囲が判断だけになると、上位のモデルを選ぶ理由もなくなるため、単価の側も下がります。
回数だけを減らす設計より、単価まで下げられる設計のほうが、月次の金額に表れます。

AIエージェントのように、1つの指示を受けて自分で手順を組み立てて動く仕組みほど、この設計の効果は大きくなります（参考: 生成AIは業務の「補助」、AIエージェントは業務の「代替」）。

これから従量課金への移行はさらに進む

ここまでは現在の話でした。
この先を見ると、使った量で課金する形は、AIコーディングツールや一部の業務ツールにとどまらず広がっていきます。

請求の形式そのものが標準化に向かっている

AIの費用は、例外的な支出として扱える段階を過ぎて、クラウドの利用料と同じように毎月見る費用になります。請求データの形式が、その前提で揃えられ始めているためです。

The Linux Foundationは2026年6月3日、AIの費用管理の標準づくりを担うTokenomics Foundationの設立意向を公表しました。
クラウドの請求データの共通形式をトークン課金にも対応させることが取り組みの1つで、提供事業者が違っても同じ形式でAIの費用データを扱えるようになります。

企業として取れる対策

前の章で挙げた社内の準備に加えて、契約と予算の置き方として決めておけることが4つあります。

1つ目は、契約の前に、上限に達したときに何が起きるのかを確認しておくことです。
処理が止まるのか、追加の課金が続くのか、安いモデルに切り替わって作業は続くのか。

2つ目は、AIの使用量を業務単位で分解できる状態にしておくことです。
業務ごとに利用のキーやプロジェクトを分けておけば、契約している管理画面の内訳でそのまま見分けられます。 分解できないと、超過したときにどの業務を止めるかという判断ができません。

3つ目は、上限に達したときの業務の続け方を先に決めておくことです。
軽いモデルに切り替える、対象の件数を絞る、その月は人が処理する。
決めていなければ、月の後半に業務が止まります。

4つ目は、利用量を評価の指標にしないことです。
UberとAmazonは、どちらもAIの利用量で社員を並べるランキングを社内に置き、どちらもそれを問題として扱いました。
Uberでは使うほど評価される形になり、Amazonでは社員が消費量を膨らませてランキングを攻略していたと報じられています。

個人として意識できる対策

社内の一人ひとりが手元で選べることも、同じ仕組みから導けます。
上限の設定と違い、こちらは今日から変えられます。

用件が変わったら、新しい会話を始めます。
関係のない履歴を持ち歩かない形にするだけで、1回ごとの入力量が下がります。

渡す範囲は、必要な部分に絞ります。
費用の面だけでなく、答えの精度の面でも合理的です。
トークンの量が増えるにつれて、正確性と、渡した情報を拾い出す精度は落ちていきます。

作業に見合うモデルを選びます。
文章を整える、形式を変える、要点を抜き出すといった作業では、軽いモデルで結果が変わらない場合があります。変わるかどうかは、一度両方で試せば分かります。

まとめ

AIのコスト問題は、AIが高いから起きているのではありません。
使った量が見えないまま増える状態で導入したから起きています。

つまり、AI導入そのものの失敗ではなく、導入の準備の抜けとして扱えます。
先行企業で起きたのは、1人あたりの消費量の幅を読めずに年間予算が前倒しで尽きること、1つの自動処理が暴走して請求が届くまで気づかれないこと、どちらも費用が発生したあとに初めて数字を見ていました。

原因は、料金の決まり方が利用者の数から使った量へ移り、定額プランが従量課金へ切り替わり、高性能なモデルほどトークンを多く使うようになった3つの変化にあります。
この3つが重なると、上限を設ければ業務が止まり、上限を外せばコストが読めないという関係が生まれます。

これは運用の失敗ではなく仕組みから出てくるものなので、全社展開の前に、誰がどの業務でいくら使っているかが月次で分かる状態と、上限に達したときの業務の続け方を用意しておく必要があります。

先行企業の事例は、体力があるからこそ誤差として処理できたものです。
同じ事象が数十人から数百人の規模で起きたときに何が起こるかを、順番が来る前に点検していただけると幸いです。