エージェント型AIの隠れたコスト:2026年、AIエージェントの請求額が膨らみ続ける理由

ハイプサイクルが請求書に直面するとき

Gartnerが2025年6月に発表した予測は、エージェント型AIプロジェクトが打ち切られる理由について具体的でした。膨らみ続けるコスト、不明瞭なビジネス価値、不十分なリスク管理——たいていはこの3つが組み合わさって起こるというのです。同社独自の調査結果は、こうしたプロジェクトの多くがいかに脆い基盤の上に成り立っているかを裏付けています。2025年1月、ウェビナー参加者3,412人を対象にした調査では、自社がエージェント型AIに本格的な投資を行っていると答えたのはわずか19%でした。42%は投資を「控えめ」と表現し、8%はまったく投資しておらず、31%はいまだ様子見の段階にありました。これは、市場全体が足並みを揃えて自律型エージェントへ向かっているという状況ではありません。買い手の5分の1だけが本気で取り組み、残りは誰が最初に痛手を負うかを見守っている、という市場なのです。

そこで失われつつあるものの一つが、ベンダーの謳い文句そのものへの信頼です。Gartnerは「エージェントウォッシング」——既存のチャットボットやRPAスクリプト、アシスタントを、実際の自律機能が何もないままエージェント型AIと呼び換えているだけの状態——に警鐘を鳴らしています。現在エージェント型AI製品を売り込んでいる数千社のベンダーのうち、実際にその名にふさわしいものを提供しているのはわずか130社程度にすぎない、とGartnerは見積もっています。どのベンダーが本物のエージェントを売り、どのベンダーが単にラベルを貼り替えたスクリプトを売っているのか、買い手が見分けられなくなったとき、コスト超過はもはや技術的な問題ではなく、調達プロセスの失敗として映るようになります。そして、そうした失敗は、立て直すよりも打ち切るほうがはるかに簡単なのです。

Gartnerの言う「不十分なリスク管理」という表現には、多くの意味が凝縮されており、掘り下げる価値があります。実際には多くの場合、エージェントを本番投入する前に支出の上限を誰も設定していなかった、利用実績をどのプロジェクトや部門に紐づけて管理するかを誰も決めていなかった、そしてエージェントがエッジケースに直面し、自力で解決しようとして想定より長くループし続けたときにどうするか、誰も計画を立てていなかった、ということを意味します。これらはモデルの限界ではなく、ガバナンスの欠如です。そしてそれは、誰もプロセスを整備しないまま10年もの間、シャドーITと管理されていないSaaS支出を膨張させ続けてきたのと、まったく同じ種類のギャップなのです。

AIエージェントの請求額が、SaaSサブスクリプションのようには振る舞わない理由

コスト超過の仕組みは、1件のリクエストの裏で「エージェント」が実際に何をしているかを見れば、驚くほど単純です。1つの質問に答えるチャットボットは、モデルを1回呼び出すだけです。一方、1つのタスクを完了させるエージェントは、完了までに通常8〜15回もの内部呼び出しを行います。計画立案のステップ、3〜5回のツール呼び出し、ツールが返した結果をどう扱うかについての複数ラウンドの推論、振り返りのパス、そして最終的な統合ステップです。業界の推計によると、エージェント型のワークロードは、同等の単発チャットのやり取りに比べて10〜100倍のトークンを消費し、マルチエージェントのパイプラインを経由するタスクは、単純なクエリのおよそ30倍のトークンを消費することもあります。

そしてここから、コストはさらに膨らんでいきます。ほとんどのLLM APIは、最新のメッセージだけでなく、会話履歴全体に対して毎回課金します。そのため、2,000トークンのシステムプロンプトが10〜20ターンのエージェントループのたびに繰り返し送信されれば、1つのタスクだけで2万〜4万トークンもの純粋な重複が積み重なります。エージェントが選択できるツールを30個登録すれば、モデルはリクエストのたびに30個すべてのツールスキーマを読み込みます。ユーザーの本来の質問が処理される前に、さらに1万5,000〜2万1,000トークンものオーバーヘッドが発生する計算です。これらはどれも、誰かが承認した予算項目としては現れません。エージェントが少し賢くなるたびに、少し自律的になるたびに、少し便利になるたびに膨らんでいく請求額として現れるのです——そしてそれこそ、あらゆるベンダーがこの技術を推し進めている方向そのものなのです。

実際に起きるのは、コストが財務チームの想定していた予算項目とまったく連動しなくなるという事態です。サブスクリプションはシート数に応じて増減するため、人員の変化はゆるやかで予測しやすいものです。ところがエージェントのコストは、エージェントが「考える」回数、リトライする回数、ツールを呼び出す回数によって変動します。元データが少し乱れたり、ベンダーのAPIが不正な形式のレスポンスを返し始め、エージェントがそれに対処せざるを得なくなったり、あるタスクがパイロット時点の想定よりも多くの推論ステップを必要とすると判明したりするだけで、コストはわずか1週間で2倍にも3倍にもなり得ます。そうした変動を誰も事前に承認することはできません。請求書に載るまで、それを捉える予算項目自体が存在しないからです。

AIで塗り直された、同じ乱立の構図

オペレーションチームにとって、このパターンはSaaSですでに経験済みのものです。SaaS管理に関する業界調査によると、平均的な企業は現在およそ291〜305個の個別SaaSアプリケーションを管理しており、大企業ではその数は470個を超え、696個に達することもあります。しかもこれは、IT部門が正式に把握していないシャドーITツール(全体の30〜40%を占める)を含めない数字です。これらのツールはどれも、最初は一つの妥当な問題に対する一つの妥当な購入として始まりました。それが会社全体に積み重なった結果、誰も全容を把握できず、1年先の予算すら組めないスタックになってしまったのです。

AIエージェントは、参入コストがあまりに低いために、このパターンをさらに速いペースで繰り返しています。ある部門が1つのワークフローのためにAIエージェントを立ち上げるのに、正式な調達プロセスは必要ありません。多くの場合、クレジットカード1枚とAPIキーがあれば十分だからです。在庫アラート用のエージェント、リードスコアリング用のエージェント、サポート振り分け用のエージェント、レポート生成用のエージェント——こうして一つずつ追加されるたびに、それぞれが独自の利用曲線で個別に課金され、合計金額を誰も一元的に把握していません。オペレーションマネージャーが何年もかけて抜け出そうとしてきたスプレッドシートの混乱は、AIが登場しても消えてなくなるわけではありません。ただタブからトークンメーターへと形を変えるだけです。そしてトークンメーターは、月末に帳尻を合わせるのが、はるかに難しいのです。

シャドーITとの比較は、決して偶然ではありません。IT部門と財務部門は、ここ数年をかけて、重複したSaaSライセンスを見つけ出して統合するプロセスを構築してきました。しかしエージェント型ツールは、そうしたプロセスが対応できる速度を上回るペースで登場しており、多くの場合、正式な調達を経ずに、個々のマネージャーが法人カードで購入しています。つまり、その合計コストを誰かが初めて目にするのは、承認を得る前ではなく、請求サイクルの締め日になってから、ということなのです。

野心は減速しない——それがコスト問題をさらに悪化させる

ここまで述べてきたことは、自動化への意欲が冷めているために起きているわけではありません。McKinseyが2025年11月に発表した調査では、米国の労働時間の57%が、既存の技術だけですでに自動化可能であることが判明しました。これは同社が2023年に示した「2030年までに自動化可能な労働時間は30%」という予測のほぼ2倍にあたります。Gartnerは、2028年までにエンタープライズソフトウェアアプリケーションの33%にエージェント型AIが組み込まれると予測しています。2024年時点では1%未満だった数字です。また、日々の業務判断の少なくとも15%が自律的に下されるようになるとも予測しており、2024年時点では実質ゼロだった水準からの飛躍です。

この勢いこそが、コスト問題が自然には解決しない理由です。より多くの判断、より多くのワークフロー、より多くの日常業務を自動化しようと競い合うすべてのチームは、同時に、より多くのエージェント呼び出し、より多くのツール実行、そして積み重なるトークン請求額へと突き進んでいます——自動化を支える料金モデルそのものが変わらない限りは。コストの上限を持たない野心こそ、Gartnerが40%という中止率を予測するときに描いている組み合わせにほかなりません。パイロットの段階では有望に見えたプロジェクトが、それを本格展開したときの請求額の実態を財務部門が目にした瞬間、打ち切られてしまうのです。

同じワークフロー、まったく異なる2つの請求額

中規模の物流会社が、1つのワークフローを自動化する場面を想像してください。3つの倉庫の在庫水準を監視し、しきい値を下回ると発注の推奨案を作成する在庫エージェントです。これをリアルタイムのエージェント型サービスとして課金する場合、在庫が変動するたびに——3拠点合わせて1日に何十回も——計画立案とツール呼び出しのループが実行され、1回ごとに前述の8〜15回のモデル呼び出しと、フルサイズのコンテキストウィンドウが消費されます。動きの少ない月なら、請求額は問題のない範囲に収まるでしょう。しかし、供給網に混乱が生じ、在庫水準が絶えず変動してエージェントが頻繁に起動する月には、同じワークフローが財務部門の承認額の何倍ものコストになりかねません。しかも、請求書が届くまで、その予兆はどこにもないのです。

今度は、同じワークフローを一度だけアプリケーションとして構築した場合を想像してみましょう。発注しきい値のルール、ダッシュボード、アラート——これらを平易な言葉による説明からAIが生成し、あとは通常のソフトウェアとして稼働させます。在庫が変動するたびにロジックをゼロから考え直すことはありません。アプリが実行するよう組まれたルールを、そのまま実行するだけです。忙しい月であっても、請求額は変わりません。コストは在庫の変動回数ではなく、ホスティング階層の段階で固定されているからです。倉庫を見守るオペレーションマネージャーにとっての業務上の成果は同じです。しかし、四半期末の財務部門との会話はまったく違うものになります。

この差は、拠点が増えるほど広がっていきます。エージェント型モデルのもとで4つ目の倉庫を追加するということは、リアルタイムの推論呼び出しがもう一系統増え、最初の3拠点分に上乗せされて個別に課金されることを意味します。一方、一度構築するモデルのもとでは、4つ目の倉庫を追加するということは、同じアプリケーションを別のデータソースに向けるだけです。ロジックは変わらず、請求額も変わりません。AIによるコストのかかる作業は、倉庫ごとに、月ごとに、永遠に繰り返されるのではなく、構築時にすでに一度きり済んでいるからです。

公平を期すために言えば——リアルタイムのエージェントが本当に必要な業務もある

ここまでの話は、エージェント型AIがあらゆる場面で悪い選択だと主張するものではありません。オープンエンドな顧客からの質問に対応するサポートエージェント、未知の文書を統合するリサーチアシスタント、見慣れないコードベースをデバッグするコーディングエージェント——これらはいずれも、本質的に予測不可能な作業をこなしています。入力が毎回異なる以上、推論はその都度リアルタイムで行われる必要があるのです。こうした可変的な推論に対して、利用量に応じた対価を支払うことは、それが生み出す価値に見合った、理にかなった取引です。

しかし、社内オペレーション業務の大半はそうではありません。発注のしきい値、承認ルーティングのルール、月次レポート、シフトスケジュール——これらは、事業がすでに理解し尽くしているワークフローです。実行するたびにロジックをゼロから導き出す必要はなく、一度正しく構築し、昨日と同じように、そして来四半期も同じように、確実に実行され続けることが求められます。本質的に反復可能な業務に対して、リアルタイムのエージェント型の推論単位の料金を支払うこと——そこにこそ予算の漏れがあります。エージェント型AIが壊れているからではありません。誤った種類のタスクに、誤った料金モデルを当てはめているからなのです。

予測可能なAIコストとは、実際どのようなものか

Gartnerが予測する40%という中止率は、エージェント型AIが技術的に失敗するという予測ではありません。デモがどれほど見事であっても、1四半期先のコストすら誰にも予測できないプロジェクトを、財務チームが打ち切り続けるという予測なのです。2027年以降も生き残るプロジェクトは、最も印象的なエージェントを備えたものではありません。担当者が真顔で「来年の請求額はこの金額です」と言い切れるプロジェクトなのです。

これは技術の問題である以前に、料金モデルの問題です。AIを使ってアプリケーションを一度構築し、あとは事業を支える他のあらゆるソフトウェアと同じように、ホスティング費用を支払う。それは、確認するのが怖いメーターではなく、計画を立てられる一つの数字であるべきなのです。

次の自動化予算にサインするオペレーションマネージャーは、40%の中止組に加わらないために、トークン料金の専門家になる必要はありません。サインする前に、はっきりと答えを得るべき問いはただ一つです。この請求額は、AIが「考える」量に応じて変動するものなのか、それとも四半期がどれほど忙しくなろうと変わらない一定の数字なのか。ベンダーの売り込みにあるその他すべての要素は、この問いへの答えに比べれば二の次です。