どうもおかしんです。今日は「AIって安くない？」って話をします。
AIは高い。そう感じている会社は多いんじゃないかと思います。
でも私は、今のAIはむしろ安すぎると思っています。
特にClaude Code、Codex、GitHub Copilotのように、長い文脈を読ませ、コードを書かせ、レビューさせ、何度もツールを実行させる使い方は、本来はかなり重い計算資源を使います。それを個人や小さなチームが月額課金でかなり自由に試せているという状況は、長くは続かないのではないかと私は考えています。
この記事で言いたいことは、単に「AIツールは将来的に高くなる」という話ではありません。
本当にまずいのは、価格が上がった後にツール代と学習コストを同時に払うことだけではなく、安く優秀なAIを使える今のうちに事業へ組み込んだ会社が、試行回数、業務データ、評価基準、運用ノウハウを先に積み上げていくことです。
後から同じツールを入れても、その時間差は簡単には埋まりません。その状態に達した際には、最早、逆転が難しく、淘汰されてしまう可能性があるのではないかと考えています。
この記事でいう「AIバブル」
ここでいうAIバブルは、株価や企業価値が崩壊するという投資の話ではありません。
私が言いたいのは、高性能なAIを長時間・多段階に使うエージェント的な用途を、定額に近い感覚で広く試せる時期のことです。公式にベンダーが「補助しています」と認めているという意味ではなく、公開されている従量課金、顧客向け平均費用、クレジット制への移行を見ると、今の自由さはかなり有利な価格帯に見える、という話です。
もちろん、AI全体が一律に高くなるとは思っていません。小さなモデル、オープンモデル、単純なチャット、軽い分類や要約は、これからさらに安くなる領域もあるはずです。
ただし、Claude CodeやCodexのような高負荷なコーディングエージェント、複数ステップの業務エージェント、顧客対応を自動化するAIのような用途は別です。長い文脈を読み、何度も推論し、ツールを動かし、失敗したらやり直す。こういう使い方を、無制限風の月額固定料金だけで抱え続けるのは難しくなっていくはずです。
そして、その変化はすでに始まっています。
先に動いた会社は、AIを事業能力に変え始めている
AIを導入する意味は、AIとのチャット画面を社員に配ることではありません。
開発、調査、提案、顧客対応、社内ナレッジ、ドキュメント化、運用改善。こうした日々の業務の中にAIを組み込み、同じ人数で回せる試行回数を増やすことです。提案を1案ではなく5案出す。調査を半日ではなく1時間で下ごしらえする。レビューやテスト生成を日常化する。問い合わせ対応の一次回答を速くする。議事録からタスク化までを自動化する。
これは「便利ツールを買う」話ではなく、会社の仕事の進め方そのものを変える話です。
営業なら提案数や商談化率、カスタマーサクセスなら応答速度や継続率、開発ならリードタイムや不具合対応速度、管理部門なら処理時間や確認漏れの削減に効くかを見る。
AI導入の論点は、ツール代ではなく、売上、粗利、顧客体験、提供速度にどう接続するかです。
McKinseyの2025年のAI調査でも、AIの利用は広がっている一方、多くの企業はまだ実験やパイロット段階に留まっているとされています。その中で成果を出している企業は、単なる効率化だけでなく、ワークフローの再設計、経営層の関与、成長やイノベーションへの活用に踏み込んでいます。
PwCのAI Performance Studyも、AIの価値は一部のAIに適した企業へ偏っていると整理しています。つまり、AIを契約した会社が勝つのではありません。AIを業務や事業モデルの中に組み込むことに成功した会社が、差を作り始めているということです。
ここが重要です。
AIは、同じモデルを使えるだけでは競争優位になりません。誰でも同じLLMにアクセスできるからです。差が出るのは、自社のデータ、業務フロー、顧客接点、レビュー体制、評価基準、現場の使い方に落とし込めたところです。
だから、安く使える今は「AIを試す期間」ではなく、「AIを事業能力に変えるための試行回数を買える期間」と見た方がいいです。
利用量で測られる流れは、すでに始まっている
この話を単なる危機感で終わらせないために、価格体系の変化を見てみます。
一番分かりやすいのはGitHub Copilotです。GitHubは、2026年6月1日からCopilotをusage-based billingへ移行すると発表しています。従来のpremium requestではなく、GitHub AI Creditsを消費する形へ変わります。消費量は、入力、出力、キャッシュされたトークンを含むトークン使用量に基づきます。
GitHubはこの理由をかなりはっきりと以下のような趣旨の説明をしています。
Copilotは、単なるエディタ内の補助から、長時間・多段階のコーディングセッションを実行するエージェント的なプラットフォームに変わり、短い質問と、数時間の自律的なコーディングセッションが同じ料金で扱われる状態は持続しにくい。
ここで注意したいのは、これは単純な値上げ発表ではないということです。基本の月額料金は変わらないと説明されていますし、コード補完やNext Edit suggestionsは引き続き含まれる扱いです。ライトユーザーにとっては、必ずしも悪い変更とは限りません。
ただ、構造は明確です。重い使い方は、使った量で測られる方向へ進んでいます。
OpenAI Codexのヘルプでも、CodexはAPIトークン使用量に基づくクレジット課金へ移行しています。平均的な目安として開発者1人あたり月100ドルから200ドル程度というレンジも示されていますが、モデル、並列実行、自動化、fast modeなどで大きく変わると説明されています。
Claude Codeの公式ドキュメントでも、企業利用の平均的なコスト目安が示されています。さらに、Claude Agent SDK、claude -p、Claude Code GitHub Actionsなどは2026年6月15日から別枠の月次クレジットになると説明されています。これはinteractiveなClaude Code全体が別枠になるという意味ではありません。ただ、高負荷な自動化やエージェント的な使い方が、通常のサブスク枠から切り分けられていく流れとしては重要です。
Replit Agentもeffort-based pricingへ移行しています。単純な固定価格ではなく、Agentの作業範囲に応じて価格が変わる方向です。
業務AIでも同じ方向が見えます。Microsoft 365 Copilotの一部機能にはpay-as-you-goが用意されています。これはMicrosoft 365 Copilot全体が従量課金になったという意味ではなく、Copilot Chat、SharePoint agents、Retrieval APIなど対象が限られます。それでも、業務AIの一部が利用量で測られるのは自然な流れです。
Salesforce AgentforceもFlex Credits、Conversation、ユーザー単位プランなど複数の課金モデルを提示しています。Intercom FinはAI Agentの成果に近い単位で課金されます。
開発、業務自動化、顧客接点。分野は違っても、重いAI利用ほど、席数固定だけでなく、利用量や成果に近い単位で測られる方向へ進んでいます。
だから、今の会社に必要なのは「どのプランが最安か」だけを調べることではありません。利用量で測られる時代になっても残すべき業務を、安く試せるうちに見つけておくことです。
大企業でもAIコストは無視できない
報道ベースの話も補助線として見ておきます。
The Informationは、UberのCTOがClaude CodeなどAI coding toolsの利用急増について、AI関連予算を急速に消費した趣旨を語ったと報じています。有料記事由来の情報なので、ここから細かい数字や原因を断定するべきではありません。ただ、大企業であってもAIコーディングエージェントの利用量は予算上の論点になる、という補助線にはなります。
また、Windows Centralは、Microsoftの一部部門がClaude Code利用を縮小し、GitHub Copilot CLIへ移すと報じています。Microsoft側の説明としては、自社のリポジトリ、ワークフロー、セキュリティ要件に合わせてGitHubと直接形作れる点が強調されています。コスト削減が主因だと断定するのは危険です。
ただし、ここでも見えている構造は同じです。
AIは、個人が月額で触っている分には軽く見えます。しかし、組織全体で使い、開発や業務の中に深く入れ、長時間のエージェント実行が増えると、利用量は一気に膨らみます。クラウド代と同じで、便利だからこそ使われ、使われるからこそ管理が必要になります。
この管理を後回しにすると、「AIは高いから止めよう」という雑な判断になりがちです。先にやるべきなのは、AIを使う業務、使わない業務、使うなら測る指標を分けることです。
「高いから様子見」が一番危ない
ここまで読むと、「やっぱりAIは高いのでは」と感じるかもしれません。
でも、私の結論は逆です。だからこそ、今使うべきです。
今はまだ、個人や小さなチームが、高性能なAIをかなり自由に試せます。Claude Code、Codex、GitHub Copilotのようなツールを使って、日々の仕事の進め方を変えられます。調査、実装、レビュー、テスト生成、設計の壁打ち、ドキュメント作成、問い合わせ対応、議事録整理、提案書の下書き。これらを、毎日の業務に入れられます。
すでにヘビーに使っている人たちは、この自由さが長く続かないことに薄々気づいていると思います。だから今のうちに使い倒しています。ツールの癖を知り、効く業務と効かない業務を分け、社内のルールを作り、どこまで任せてよいかを測っています。
一方で、「Claude Codeは良さそうだけど、まだ本格導入していない」「Cursorは気になるけど、現場任せになっている」「Codexは便利そうだけど、会社としては使えていない」という組織は、かなりもったいない状態です。
価格が高くなった後に始めると、同じ試行回数を買いにくくなります。さらに問題なのは、その間に先行している会社が、業務そのものを変えていることです。
開発では、仕様化、実装、レビュー、テスト、運用改善のサイクルが短くなる。営業や提案では、顧客理解、事前調査、提案書、技術検証の試行回数が増える。サポートや運用では、問い合わせ対応、ナレッジ更新、障害調査、手順書整備が速くなる。
この差は、単なるツール代の差ではありません。事業プロセスの差です。
もちろん、AIを入れれば勝てるわけではない
ここは誤解されたくありません。
AIを導入すれば勝てる、という話ではありません。むしろ、AI導入の多くは成果に届かない可能性があります。この点については弊社ブログ記事「生成AIで生産性は上がりません。その根拠を説明します」でも詳しく解説しています。
GartnerはI&O領域のAI use caseについて、ROI期待を満たすものは一部に留まると指摘しています。失敗要因には、過大な期待、スコープ不良、スキル不足、データ不足があります。
NBERの経営層調査でも、AI採用は広がっている一方で、雇用や生産性への影響はまだ限定的だと報告されています。
一方で、AIが効く業務では明確な効果も出ています。NBERのGenerative AI at Workでは、カスタマーサポート業務でAI支援が生産性を押し上げたと報告されています。ただし、これは特定の業務・特定の環境での結果です。すべての業務にそのまま一般化するべきではありません。
BCGの実験も示唆的です。AIが得意な領域では成果が上がる一方、不得意な領域ではAI利用者が悪い結果を出すこともあります。
つまり、AIは万能ではありません。業務選定、データ品質、レビュー体制、情報管理、成果測定が必要です。
だからこそ、安く試せる今のうちに始めるべきです。高くなってから雑に全社導入するのではなく、今のうちに小さく、測れる業務で、何が効くのかを見極める。これが現実的な進め方です。
推論コストが下がるなら、安くなるのではないか
ここでよくある反論があります。
「モデルの推論コストは下がっていくのだから、AIも安くなるのではないか」
これは半分正しいと思います。
Gartnerは、2030年までに1兆パラメータ級LLMのプロバイダー側推論コストが2025年比で90%以上下がると予測しています。小型モデルやオープンモデルで十分な用途では、今より安くなる可能性も十分あります。
ただし、単価が下がることと、利用総額が下がることは別です。
エージェント型のAIは、普通のチャットより多くのステップを踏みます。文脈を読み、計画し、ツールを使い、失敗を修正し、また実行します。同じGartnerの発表でも、agentic modelsは通常のチャットより5倍から30倍のトークンを必要とすると指摘されています。
つまり、1トークンあたりのコストが下がっても、使うトークン数や実行時間が増えれば、総額は下がるとは限りません。
そして、もう一つ大事なことがあります。
モデルは後から乗り換えられます。安いモデルが出れば、用途によっては切り替えればよいです。オープンモデルを使う選択肢も増えるでしょう。
でも、業務データ、評価基準、運用ノウハウ、社内合意形成、レビュー体制、AI前提の業務プロセスは、後から簡単には買えません。ここに時間差が出ます。
だから、この記事の主張は「どのモデルが値上げするか」ではありません。「安く試せる今のうちに、モデルを事業能力へ変換する経験を積むべきだ」という話です。
企業はAI予算を席数ではなく、利用量と成果で見るべき
AIを事業に取り入れるなら、予算の見方も変える必要があります。
従来のSaaSなら、まず席数（アカウント数）を見ればよかった。何人が使うのか、1人あたり月額いくらか。これで大まかに予算を組めました。
AIでは、それだけでは足りません。
見るべきなのは、トークン消費、エージェント実行数、自動化回数、fast modeの利用、並列実行数、コードレビュー回数、顧客対応件数、削減時間、提案数、商談化率、問い合わせ解決率です。つまり、AIがどれだけ使われ、どの業務成果に接続しているかです。
「月額が高いか安いか」だけで判断すると、導入判断を誤ります。
たとえば月額数万円のAIツールでも、エンジニアの調査・レビュー・テスト作成を毎週数時間短縮できるなら安いかもしれません。提案書作成が速くなり、提案数が増えるなら安いかもしれません。問い合わせ一次回答が速くなり、顧客体験が改善するなら安いかもしれません。
逆に、全社員に配っただけで業務に組み込まれていないなら、月額が安くても高いです。
AIの費用対効果は、契約価格ではなく、業務への入り方で決まります。
どのように導入を進めればよいのか
では、AI導入を迷っている会社は何をすればよいのか。
全社一斉導入から始める必要はありません。むしろ、小さく始めた方がよいです。
まず、高頻度で発生し、成果を測りやすく、情報管理上のリスクを制御しやすい業務を1つ選びます。開発なら、調査、issue分解、テスト生成、レビュー、ドキュメント化。営業や提案なら、顧客調査、提案書のたたき台、技術検証の下調べ。サポートなら、問い合わせ一次回答、FAQ更新、ナレッジ検索。管理部門なら、議事録、タスク化、手順書整備です。
そのとき、機密情報、顧客情報、権限、ログの扱いは最初に決めておきます。AIに何を渡してよいか、どの出力を人間がレビューするか、社外へ出す前に誰が確認するかを曖昧にしたまま進めない方がよいです。
次に、責任者を決めます。現場任せにしすぎると、使う人だけが使い、組織の学習になりません。逆に、経営だけで決めると現場に定着しません。現場で使う人と、業務成果を見られる人の両方を入れます。
そして2週間、AI前提でその業務を回します。AIを使った場合と使わない場合で、時間、品質、やり直し回数、顧客応答速度、レビュー指摘数、提案数などを比べます。同時に、利用量やコストも見ます。各ツールにusage dashboardやbilling exportがあるなら確認します。
最後に、続ける用途、やめる用途、ルール化する用途を分けます。
責任者が見るべきなのは、利用人数ではなく、削減時間、品質、売上機会、顧客応答速度、粗利、継続率、利用量のバランスです。
重要なのは、AI導入を「契約するかどうか」の意思決定にしないことです。どの業務で、どのくらいの利用量で、どの成果が出るかを見極める活動にすることです。
今使わない会社は、後から同じ場所に立てない
AIが安く使える時代は、長く続かないと思っています。
繰り返しますが、これはAI全体が一律に高くなるという意味ではありません。安くなる領域もあります。モデル間競争も続くでしょう。オープンモデルも強くなります。
それでも、高性能なAIを長時間・多段階に使うエージェント的な用途を、今のように自由に試せる時期は短いはずです。GitHub Copilot、OpenAI Codex、Claude Code、Replit Agent、Microsoft 365 Copilotの一部機能、Salesforce Agentforce、Intercom Finのような例を見ると、重いAI利用は、利用量、クレジット、成果、予算管理で測られる方向へ進んでいます。
だから、今の価格を永続する前提にしない方がいいです。
AIを「高いから様子見」と考えるのではなく、「安く優秀なAIを使って、事業能力を作れる時期」と考えた方がいいです。
AIを事業に入れる会社は、今この瞬間にも試行回数を増やしています。業務を変え、評価基準を作り、データを整え、現場の使い方を磨き、何をAIに任せて何を人間が見るべきかを学んでいます。
後から同じツールを契約しても、その蓄積は買えません。
だから、AIが安く使える今のうちに、事業に取り入れましょう。まずは小さくていいです。測れる業務を1つ選んで、2週間、本気でAI前提にしてみる。そこで得た運用知は、将来ツール代が上がっても、モデルが変わっても、会社の中に残ります。
今使わない理由を探すより、今使って何が事業に効くのかを見つけた方がいいです。
AI機能の見極め方については、弊社ブログの「SaaSに搭載されたAIがまともかどうか評価する」でも整理しています。GitHubとAIコーディングの関係は、「GitHubは『AI時代』に生き残れるのか？」でも触れています。AI導入の成果を測る難しさは、「生成AIで生産性は上がりません。その根拠を説明します」も合わせて読むと分かりやすいと思います。
よくある質問
AIサブスクは本当に安いのですか？
すべてのAIサブスクが安い、という意味ではありません。軽く使うだけなら割高に感じることもあります。ただ、Claude CodeやCodexのように長い文脈を扱い、何度も推論し、ツールを実行する高負荷な使い方まで月額で広く試せる現状は、かなり有利な時期だと思います。重要なのは、月額だけでなく、そのAIがどれだけ業務時間、品質、提案数、顧客対応速度に効いているかで見ることです。
AI導入を今始めるべき理由は何ですか？
安く優秀なAIを使える今のうちに、業務で効く用途、評価基準、運用ルールを作れるからです。後から同じAIを契約しても、先行している会社が積み上げた試行回数、業務データ、現場の使い方、成果測定の経験はすぐには買えません。価格差よりも、この時間差の方が事業には効くと思っています。
推論コストが下がるなら、料金も下がるのではないですか？
下がる領域はあると思います。小型モデルやオープンモデルで十分な用途は、より安くなる可能性があります。ただし、エージェント型のAIは、通常のチャットより多くのステップとトークンを使います。単価が下がっても、利用量が増えれば総額は下がるとは限りません。また、料金が下がるかどうかより重要なのは、業務データ、評価基準、運用ノウハウを早く積み上げられるかです。
AIを導入すれば競争優位になりますか？
導入しただけではなりません。チャット画面を配るだけでは、ほとんどの場合、事業能力にはなりません。競争優位に近づくのは、AIを業務フローに組み込み、成果を測り、現場で使い続け、データや評価基準を整えた場合です。AIそのものではなく、AIを使って業務を変える力が差になります。
オープンモデルや安いモデルに乗り換えればよいのではないですか？
用途によってはそれでよいです。むしろ、安いモデルで十分な業務は積極的に切り分けるべきです。ただし、モデルを乗り換えられることと、業務運用をすぐ作れることは別です。どの業務でAIが効くか、どの品質基準なら使えるか、どの情報を渡してよいか、誰がレビューするか。こうした運用知は、モデルを変えても必要です。
企業は今なにをしておくべきですか？
まず、高頻度で成果を測れる業務を1つ選び、2週間AI前提で回してください。時間短縮、品質、利用量、コスト、顧客応答速度などを測り、続ける用途とやめる用途を分けます。全社展開はその後でよいです。最初から大きく構えるより、小さく試して、業務に効く型を見つける方が現実的です。
お気軽にご相談ください
CloudNativeでは、企業向けのAI活用支援も提供しています。
AIツールを導入するだけではなく、どの業務から始めるべきか、どの情報をAIに渡してよいか、成果をどう測るか、既存のSaaSや開発プロセスにどう組み込むかまで含めて支援します。
「AIを使いたいが、どこから始めるべきか分からない」「社内で安全に使うルールを作りたい」「Claude CodeやCodexのような開発AIを業務に組み込みたい」といった相談があれば、お問い合わせフォームからご連絡ください。
