生成AIの活用は、もはや一部のテック企業だけの話ではなくなりました。
文章作成、調査、資料作成、コーディング、社内ナレッジ検索など、ビジネスのあらゆる場面でAIを使うことが当たり前になりつつあります。
一方で、海外企業ではAIツールの利用量やコストを見直す動きも出始めています。
AIを導入すること、社員がAIを使うこと自体は進んだものの、その利用が本当に業務成果や事業成長につながっているのかが問われ始めているのです。
今回注目したいのは、AIそのものの是非ではありません。
むしろ重要なのは、「AIをどれだけ使っているか」ではなく「AIによって何が改善されたのか」を見直す段階に入っているという点です。
米企業で起きているAI利用の見直し事例
| 企業名 | 事象 | 理由・背景 |
|---|---|---|
| Uber | AIコーディングツール関連の年間予算が想定より早く消化され、社員のAI利用に上限を設ける動きが報じられた。 | 社員のAI活用を促進した結果、CursorやAnthropic系ツールなどの利用が増え、トークン消費・利用コストが急増。AI活用を広げながらも、費用管理とのバランスが課題になった。 |
| Meta | 社員のAIトークン利用量を可視化する「Claudeonomics」と呼ばれる社内ダッシュボード／ランキングが作られたと報じられた。 | AI活用を社内に広げる狙いがあった一方、トークン使用量をランキング化することで、「成果」ではなく「使った量」が注目される構造が生まれた。 |
| Microsoft | 社内で人気を集めたAI開発支援ツール「Claude Code」の利用ライセンスを縮小し、GitHub Copilot CLIへ移行する動きが報じられた。 | Claude Codeは便利なツールとして社内でも広がっていた一方、利用拡大に伴い、外部ツールのコスト、社内管理、セキュリティ、業務フローの統一が課題になったと見られる。 |
Uber、Meta、Microsoftなどの企業ではAIツールの利用量やコスト、社内での使われ方が改めて注目されています。
AIコーディングツールの利用予算が想定以上に早く消化されたり、社員ごとのAI利用量を可視化するダッシュボードが話題になったりしています。
AIの利用状況を可視化すること自体は、決して悪いことではありません。
どの部署でAIが使われているのか、どの業務で活用が進んでいるのかを把握することは、企業がAI導入を進めるうえで重要なステップです。
しかし、その指標が「成果」ではなく「使用量」に偏ってしまうと、話は変わってきます。
トークン消費量や利用回数、社内ランキングのような数字は分かりやすい一方で、それ自体が目的化しやすい側面があります。
本来であれば、AIによって業務時間が短縮されたのか、判断の質が上がったのか、顧客や組織にどのような価値が生まれたのかを見るべきです。
ところが、使用量だけが注目されると、「成果を出すためにAIを使う」のではなく、「AIを使っていると示すためにAIを使う＝社内や人事評価につながる」というズレが発生する可能性も高くなります。
こうした構造は日本企業に限らず、AI活用が進んでいる米国企業でも起こり始めています。
むしろAI導入に積極的な企業ほど、利用量の可視化やランキング化を進めやすくその分だけ“使っていること”と“成果が出ていること”を取り違えるリスクも大きくなります。
AI活用が広がる今だからこそ、問うべきなのは「どれだけ使ったか」ではなく、「何が変わったか」です。トークン使用量や利用ランキングは、あくまで活用状況を見るための補助指標であり、成果そのものではありません。
そもそもトークン使用量とは？ AI利用で費用が発生する仕組み
AI活用の評価やコストを考えるうえで、避けて通れないのが「トークン」という考え方です。
トークンとは、AIが文章を理解したり、回答を生成したりする際に処理する文字や単語の単位です。
日本語の場合は、単純に「1文字＝1トークン」とは限らず、文章の区切り方やモデルの処理方法によって変わります。たとえば、質問文、AIが参照する資料、過去の会話履歴、AIが出力する回答文などが、すべてトークンとして処理されます。
AIツールの費用は、多くの場合このトークン使用量に応じて発生します。
つまり、AIに長い文章を読み込ませたり、何度もやり取りしたり、複数の資料を参照させたりすると、その分だけ処理量が増え、費用も大きくなりやすいということです。
特に注意が必要なのは、AIエージェントやAIコーディング支援ツールのように、裏側で何度もAIが思考・確認・修正を繰り返すタイプのサービスです。
ユーザーから見ると「一度指示しただけ」に見えても、実際にはAIが複数回の処理を行い、ファイルを読み込み、コードを確認し、エラーを修正し、再度出力するといった流れが発生します。
そのため、通常のチャット利用よりもトークン消費量が大きくなりやすいのです。エージェント型AIは標準的な生成AIチャットボットと比べて、1タスクあたり5〜30倍のトークンを必要とする場合もあります。
厳密な料金表というわけではありませんが「AIを使うと裏側でどれくらい処理が走るのか」の感覚値としてまとめたものが下記のとおりです。
| モデル | 位置づけ | 入力トークン単価 | 出力トークン単価 | 日本円換算 | 補足 |
|---|---|---|---|---|---|
| GPT-5.4 | 業務利用向けの高性能モデル | 2.50ドル / 100万トークン | 15.00ドル / 100万トークン | 入力：約400円 / 出力：約2,400円 | 記事作成、要約、調査、コード支援など幅広い業務利用を想定 |
| GPT-5.5 | より高度な業務・専門用途向けモデル | 5.00ドル / 100万トークン | 30.00ドル / 100万トークン | 入力：約800円 / 出力：約4,800円 | 複雑な分析、精度が求められる文章生成、専門的なコード支援などを想定 |
| GPT-5.4 mini | 軽量・低コストモデル | 0.75ドル / 100万トークン | 4.50ドル / 100万トークン | 入力：約120円 / 出力：約720円 | 大量処理、簡易分類、短文生成、一次要約などに向く |
| タスク例 | 入力トークン目安 | 出力トークン目安 | GPT-5.4概算費用 | GPT-5.5概算費用 |
|---|---|---|---|---|
| 短いメール文の作成 | 500 | 700 | 約1.9円 | 約3.8円 |
| コラム構成案の作成 | 1,500 | 2,000 | 約5.4円 | 約10.8円 |
| 3,000〜4,000字程度の記事下書き | 3,000 | 5,000 | 約13.2円 | 約26.4円 |
| 20ページ資料を読み込んで要約 | 30,000 | 2,000 | 約16.8円 | 約33.6円 |
| 企画書・記事案を何度も修正 | 10,000 | 8,000 | 約23.2円 | 約46.4円 |
| コードを読み込んで修正案を出す | 200,000 | 20,000 | 約128円 | 約256円 |
| AIエージェントが複数回コード修正 | 1,000,000 | 80,000 | 約592円 | 約1,184円 |
実際に上記で紹介したUberでも社員のAIツール活用を促進した結果、2026年分として見込んでいたAIコーディングツール予算をわずか4カ月で使い切ったと報じられています。
具体的な総額は明らかにされていないものの、その後は社員1人あたりAIコーディングツールごとに月額1,500ドルの利用上限を設ける動きも出ています。
参照：https://fortune.com/2026/05/26/uber-coo-ai-spending-tokens-claude-code/
この事例が示しているのは、AI活用が広がるほど、利用量そのものを追いかけるだけではコストも評価軸も膨らみやすいということです。重要なのは、AIをどれだけ使ったかではなく、その利用がどのような成果や改善につながったのかを見極めることなのです。
AI活用に必要な“ROIの視点”
ここまでお読みいただきありがとうございます。
ここまでAI活用における陥りがちな事例や課題をお伝えしてきましたが、とはいっても「それはそうだよね」「わかっているよ」となりがちです。
これまでの事例や課題を踏まえて企業の経営者やビジネスパーソンは「ROIに繋げていくためには」という踏み込んだ内容にしていかなければなりません。
IBMのCEO調査では、期待したROIを実際に達成しているAI施策は約25％にとどまり、全社規模に拡大できているものは16％に過ぎないとも報告されています。
ここから見えてくるのは、AIは確かに成果につながり得る一方で、使えば自然にROIが出るわけではないということです。
重要なのは、AIを導入する前に「どの業務の、どの指標を改善するのか、そしてそれがどこにインパクトするのか」を明確にすることです。
| AI活用領域 | 見られがちな指標 | それだけでは足りない理由 | 本来見るべき視点 |
|---|---|---|---|
| 文章作成・資料作成 | 作成時間の短縮、生成本数 | 時間が短縮されても、その分が価値ある業務に使われたか分からない | 商談準備の質、提案数、顧客理解、意思決定のスピード、アウトプット品質 |
| 調査・情報収集 | 調査時間の短縮、要約スピード | 早く調べられても、判断や施策に活かされなければ成果とは言いにくい | 意思決定の精度、施策化率、仮説検証の速さ |
| 開発・コーディング | 実装速度、修正速度、コード生成量 | 速度だけでなく、品質や保守性も見ないと後工程で負債化する | リリース速度、バグ削減、レビュー工数削減、開発者体験、保守性 |
| カスタマーサポート | AI回答数、一次対応数 | 回答数が増えても、解決率や顧客満足が下がれば意味がない | 解決率、対応品質、顧客満足度、有人対応の削減 |
| 営業・マーケティング | コンテンツ本数、企画案数 | 数が増えても、商談やCVにつながらなければ成果とは言えない | 商談化率、CVR、提案精度、施策実行スピード |
短縮された時間が、顧客理解の深掘り、提案内容の改善、新しい施策の検討、営業活動の増加、社内の意思決定スピード向上などにつながっていれば、AI活用は事業成果に近づいているといえます。
単に作業時間が短くなっただけで、その後の業務や成果に変化がないのであればそれは「効率化したように見える」状態にとどまります。
つまり、工数削減はAI活用の成果ではありますがそれ自体が最終目的ではありません。重要なのは、削減された工数がどこに再配分され、どのような価値を生んだのかです。
ここは結構、耳の痛い話かもしれません。実際WorXupでも社内外でこうした状況や課題を多く見てきました。
「まずは現場のAI導入、浸透を優先したい」「いきなりAI活用とKPIを結びつけるのは無理がある」など企業によってはやりたくても出来ない状況などあると思います。
もちろん状況に応じてステップを踏んでいくことは大切です。
しかし最終的には”どこにインパクトするのか”を見据えた設計、落とし込みが重要となります。
最後に
AI活用が広がるほど、「使っていること」自体が成果のように見えやすくなります。
しかし本当に見るべきなのは、利用回数やトークン使用量ではなく、その先にある業務や成果の変化です。
削減された時間はどこに使われたのか、判断や提案の質は上がったのか、顧客や組織にどんな価値が生まれたのか。
AIを使うことが当たり前になる時代だからこそ、これからは“活用量”ではなく“生まれた変化”を問い直す視点が求められます。
