2026年、トークンコストがCFOの予算を破綻させる理由

AIトークンのコストは、1年も経たないうちに、些細な技術上の問題から取締役会レベルの予算問題へと変わりました。12カ月前、「トークンコスト」はほとんどのCFOが注視する項目ではありませんでした。今ではニュース、社内メモ、予算凍結、決算説明会など、望ましくないあらゆる場所に登場しています。

Uberは2025年後半、エンジニアにClaude Codeへのアクセスを提供しました。2026年4月までに、同社は年間のAIコーディング予算をわずか4カ月で使い切りました。Bloombergが最初に報じたところによると、Uberは対応として、従業員1人、1カ月、1ツール当たりの支出を1,500ドルに制限しました。ClaudeとCursorのように、2つのエージェント型コーディングツールを併用できる場合、この上限はエンジニア1人当たり月3,000ドルに倍増します。1人のAI利用だけで年間3万6,000ドルです。Uberには約4,000人のエンジニアがいると推定されており、AI支出は1億4,400万ドルに相当する可能性があります。

Metaの支出はさらに大きいかもしれません。ある社内メモは、AIトークンのコストが2026年に数十億ドルに達する見通しだと警告しました。理由は、エージェントが大規模に動作する仕組みにあります。AIエージェントがバグの修正やソフトウェアの作成のためにコードベースへ接続すると、1回のプロンプトごとに背景コンテキストとして数千トークンを処理します。これをMetaほどの規模の組織に当てはめ、エンジニアにClaudeの利用を促す全社的な施策を加えると、トークン使用量は単に増えるのではなく、爆発的に増加します。

7万社を超える企業のベンダーへの実際の支払いを追跡するRampのAI Indexによると、AI導入が最も進んだ上位1%の企業は現在、従業員1人当たり月約7,500ドルをAIに費やしており、その支出は前月比14.1%で増えています。AI採用スタートアップMercorの幹部は、組織によってはAIトークンのコストが従業員の報酬に近づき、あるいは上回り始めていると公に述べています。

ここから教訓を引き出す必要があります。世界最大のテクノロジー企業でさえこの支出に驚くのであれば、どの企業にも同じことが起こり得ます。トークン消費は、2年前にはどの損益計算書にも存在しなかった、まったく新しい支出区分になりました。これは、財務部門が数十年かけてモデル化し、従来の投資収益率の計算に織り込む方法を学んできたソフトウェア費用とは異なる動きをします。AIトークンのコストが従来のソフトウェア支出と大きく異なる動きをする理由を理解することが、コストを管理する第一歩です。

AIトークンのコストを予測するのが難しい理由

従来のソフトウェア予算は、コストが従業員数に比例するという単純な前提に基づいています。従業員が10人増えれば、既知の価格で10ライセンスが追加されます。企業が成長したり、新しいソフトウェアプラットフォームを導入したりする際にも、予測と計画が容易です。

AIトークンはこの前提を崩します。コストは従業員数ではなく利用量に比例し、その利用量は非常に不均一で予測が難しく、自律型エージェントの場合はキーボードの前に座っている人間にすら結び付いていません。1人のエンジニアがエージェント型コーディングセッションを実行するだけで、警告もなく月に数千ドルを消費する可能性があります。出力が有用かどうかにかかわらず、メーターは動き続けるからです。多くのモデルは回答前に段階的に「思考」するだけで、隠れた見えないトークンを数千生成し、プロンプト当たりのコストを何倍にも増やします。

ほとんどの組織がまだ価格に織り込んでいないのはこの点です。エージェント型AIに新たに費やす1ドルは、どこか別の予算から捻出しなければなりません。大半のCFOにとって、これはイノベーション基金で吸収できる丸め誤差ではありません。2年前には存在しなかった数百万ドルの新規支出です。その結果、人員数、他の技術投資、あるいは社内の別部門の裁量予算との間で、現実のトレードオフが生じます。

企業のAI支出リスクを3段階で考える

組織が実際にAIへどう支出しているかを見ると、より明確なパターンが浮かび上がります。コストリスクは均等に分布していません。特定の領域に集中しており、一般的な組織で現在管理できているのは、おそらく3段階のうち1つだけです。

営業、マーケティング、業務部門のビジネスユーザーは、主に1席当たりで価格が決まるツールを利用しています。ユーザー1人当たり月20～30ドルの定額です。過去20年間に購入してきた他のSaaS項目とまったく同じ動きをするため、財務部門がすでに予算化できる段階です。

エージェント型コーディングツールを利用する開発者は、Uberのような事例が生まれる領域であり、このカテゴリー全体が定額料金から従量課金へ移行したばかりです。GitHub Copilotは2026年6月にトークンベースの課金へ移行し、開発者は月額請求が29ドルから750ドルへ、負荷の高いエージェント型セッションでは50ドルから3,000ドルへ跳ね上がると予測しました。Uberは例外ではなく、カテゴリー全体が向かう先を早期に示しているのです。

自律型エージェントは、ほとんど誰もまだモデル化していない段階です。エージェントには「席」という概念がありません。人の監視なしに動作し、サブエージェントを起動し、失敗すれば再試行し、価値のある成果を生むかどうかに関係なく、その間ずっとトークンを消費します。この層はコストデータが最も少なく、予算化の前例も最も乏しい領域です。

簡単に言えば、CFOが最も慣れている段階は、財務リスクも最小です。実際に予算を破綻させている残りの2段階は、利用が最も急速に拡大しているまさにその時点で、予測可能な価格設定から離れています。

AIコスト管理の空白を埋める

Uber、Meta、そしてRampの広範なデータセットに共通するのは、可視性の不足です。ほとんどの組織には、従業員やエージェントと、彼らが開くツールの間に管理層がありません。Uberのような支出上限は、本来なら上流で対処すべき問題に対する、事後的で大ざっぱな修正です。

この空白に対処するために登場したのが、一般にエージェントオーケストレーションやエージェントゲートウェイと呼ばれる新しいツールカテゴリーです。各タスクを処理できる最も安価なモデルに振り分け、支出上限を超える前に適用し、財務部門に月次の驚きではなくリアルタイムのメーターを提供します。

このカテゴリーは急速に発展し、すでにいくつかの異なる層に分かれ始めています。1つ目は、組織のアプリケーションとモデル提供企業の間に位置するコスト管理ゲートウェイです。チームごとの支出上限、単純なタスクの安価なモデルへの自動振り分け、応答のキャッシュなどを追加します。Uberが上限を導入したときに手動で使ったのと同じ手段です。2つ目は、複数のエージェントが連携して働くよう調整するエージェントオーケストレーションです。コストの可視性は、後付けではなく当初から組み込まれるようになっています。さらに、財務部門向けの新しい層は、AI支出をFinOpsチームが長年クラウド支出を扱ってきた方法と同じように扱い始めています。チームや機能ごとに割り当て、予算化し、事後に発見するのではなく毎月見直します。

また、大規模言語モデルへの依存を減らすことで支出を抑えるアーキテクチャ上の手法もあります。一部の企業は、社内規定、顧客サービス、融資書類の処理、貨物マニフェストの解析など、範囲を絞った企業業務について小型言語モデルを訓練するハイブリッドSLM/LLMアーキテクチャを構築し始めています。経済性には大きな魅力があります。

ある2026年の企業向けLLM比較によると、月100万件の会話において、ホスティング型の最先端LLMは月1万5,000～7万5,000ドルかかる一方、微調整して社内に展開した小型言語モデルは、同じ件数で月150～800ドルです。例えばGoldman Sachsは、各リクエストをタスクの種類で分類し、軽量なオープンソースモデルから最先端LLMまで、その仕事に最も費用対効果の高いモデルへ振り分ける集中型モデルゲートウェイを通じて、大規模なAI支出を管理しています。すべて自社のセキュリティ境界内で行われます。

共通するのは、現在のツールの大半が、エージェントを使って生産性を飛躍的に高めるために、エンジニアによってエンジニア向けに構築されたという点です。ほとんどの組織にまだ欠けているのは、CFOの問いに直接答えるための層です。どのチームか、どの予算か、どう支出を予測するか、そしてその支出はどのようなビジネス用途を支えるのか。エージェント型AIへの支出が積み上がり続けるにつれ、この空白が最も重要になるでしょう。

2年前、これらはいずれも個別の予算項目として存在しませんでした。現在、AIトークンのコストは貸借対照表上で最も急速に増え、最も理解されていない項目の1つとなり、AIコスト管理は副次的なプロジェクトではなく、中核的な財務分野になりつつあります。クラウドが最初に導入され、その第1波でコストが急増したときにも、似た展開がありました。エージェント型AIの導入を計画する組織は、今のうちに技術部門と財務部門で話し合い、管理手法を策定するべきです。UberとMetaは、事前ではなく事後に話し合うと何が起こるかをすでに示しています。