カテゴリー: AI仕事・働き方

AIで仕事を自動化する話をしていたはずなのに、企業のIT部門や財務部門が「AIにいくら使ったのか」を管理するための機能が相次いでいるようです。

2026年8月、SalesforceはAI・APIのトラフィックとトークン消費を管理する「MuleSoft Omni Gateway」を日本市場で提供開始し、マネーフォワードも法人向けにAI利用コストと利用量を可視化する「マネーフォワード クラウドAIトークン管理」を始めました。

IBMはAI関連支出とビジネス成果を結び付けて可視化する「IBM Apptio AI Value & ROI」を発表していますし、一社だけの提供であれば新しいサービスの登場として受け取れるのですが、複数社がほぼ同時期に「AIをどれだけ使ったか」「いくらかかったか」「その結果、何が得られたか」を管理する機能を打ち出していることは、今後の重要なファクターとなりつつあるようですね。

AIを使って仕事を減らしたら、今度は「AIの利用料」を管理する必要が

これまで企業がソフトウェアの予算を考えるとき、契約するサービスと利用者数、契約プランなどを基に決定することが多かったのですが、AIでは、利用するサービスによってトークンなどの消費量が費用に関係してくることになります。

Salesforceの新しい仕組みは、AI・APIのトラフィックとトークン消費を追跡し、トークン制限やレート制限を適用しながらコストを可視化するもので、マネーフォワードもAIツールの利用量とコストをダッシュボードで把握し、AI関連支出を集約する仕組みを提供しています。

つまり、AIを導入した後に「どのサービスを契約したか」だけでは十分ではなく、誰がどの程度使ったのか？そしてどんな処理に費用が発生したのかまでの利用実態が、管理する対象になってきています。

これはAIエージェントの使い方が、従来のソフトウェア利用よりも変動しやすいことと関係してきています。

AIエージェントの料金が難しいのは「使った量」が一定ではないこと

AIエージェントは、決められた一つの操作をするだけとは限りませんし、仕事の途中で情報を取得したり、ツールを呼び出したり、処理を繰り返したりし、その結果、同じような仕事を頼んでも、実際に消費する計算資源が同じになるとわけではありません。

この点は、Microsoft Researchの研究でもかなり具体的に表れていて、同研究はSWE-bench Verifiedを使い、8種類の最先端LLMによるエージェント型コーディングのトークン消費を分析したのですが、その結果、同じタスクでも実行ごとの総トークン数が最大30倍異なるケースがあったようですが、そのトークン消費量の多さが、そのまま高い精度につながるわけでもなかったのだとか。

問題となるのは「AIをたくさん使ったから損をした」という単純な話ではなく、むしろ難しいのは、使った量だけでは、そのAI利用が高かったのか安かったのかを判断できないこと。

たとえば、ある業務でAIの利用量が増えたとしても、その結果として人間が行っていた作業が大きく減ったなら、その支出には意味があるのですが、反対に、トークンを大量に消費しても成果がほとんど変わらなければ、利用方法を見直す必要があります。

だから「AI利用料を減らす」という発想だけでは、管理の目的を取り違えやすい。

「何円使ったか」から「何を得たか」へ

この変化を象徴しているのがIBMの取り組みで、IBMが発表した「IBM Apptio AI Value & ROI」は、AIトークン利用コストを含むAI関連支出を、売上、コスト、スピード、生産性、リスクといったビジネス上の成果と結び付けて可視化し、2026年8月18日時点では、既存顧客向けにパブリック・プレビューとして提供され、一般提供は2026年第3四半期予定とされています。

ここに、AIの管理が次の段階へ進もうとしていることが表れていて「AIに月いくら払ったか」だけなら、経費の管理範疇なのですが、そこへ「その費用で何が変わったか」が加わってくると、AI投資そのものの評価となり、判断が難しくなってくる。

この違いは重要なことで「AIは便利だから使う」という段階では、利用量が増えること自体、歓迎されやすいのですが、企業の中でAIエージェントが複数の業務に入り込めば、利用量の増加はそのまま成果を意味しなくなっていきます。

そのため、AIを管理する側が見るべき数字も変わり、利用量を抑えたかどうかではなく、必要な仕事に必要なだけAIを使い、その費用に見合う成果が出ているか？

AI導入の評価は、そこへ近づいていくでしょう。

AIを導入するとき、先に決めるべきなのは「どのAIを使うか」だけではない

この話は、大企業のIT部門だけのものではない。

会社で生成AIを使う個人にとっても、AIサービスを増やすことが目的になると、いつの間にか「便利そうだから使う」ようになっていくのですが、今後必要になってくるのは、AIを使う対象と範囲を決めること。

• どの仕事をAIに任せ、どこまで自動化するのか
• その仕事にAIを使った結果、何が改善すれば成功なのか

こうした基準があれば、利用量が増えたときにも、それが無駄な消費なのか、必要な投資なのかを考えられる。

Salesforceがトークン消費の可視化と制限を、マネーフォワードが利用量と支出の一元管理を、IBMが支出と成果の対応付けを製品として打ち出しているのは、まさにこの管理の必要性を企業向けの仕組みに落とし込もうとする動きで、今回確認できた製品発表だけから「すべての企業でAI利用料が大きな経営問題になった」とまでは言えませんが、今後のAI利用においては避けては通れない問題となっていきそうです。

複数の企業がAIの利用量、コスト、成果を管理する機能を相次いで提供している事実には意味があって、AIを仕事に組み込むほど、「どのAIが一番優秀か」というこれまでの判断基準は終わりを告げ、このAIにいくら使い、その費用で仕事の何が変わったのか？ここまでを見通さなければならないように変わっていきます。

「AIエージェントをうまく使えているかどうか」という人の判断が、またひとつ増えてくるわけです。

AIによって変わるのは、仕事の数だけではありません。

企業や大学の事例を見ると別の動きがあって、人間の仕事をAIへ丸ごと渡すのではなく、仕事そのものを「人間とAI」で分担し始めています。

• 研究者の隣にAIを置く。
• 複数のAIをチームとして使う。
• 社内ノウハウをAIが扱える形にする。

この違いは重要で、見るべきなのは「AIに奪われない仕事」ではなく、AIが仕事に入ったあと、人間には何が残るか。

キリンでは、AIが研究者の「隣」に入る

キリンでは、AIエージェントを研究活動に組み込む取り組みが始まっているようで、これはAIに研究を丸ごと任せる仕組みではなく、仮説形成や情報探索、壁打ち、文書化、知見共有などAIが支援してくれるようです。

研究者とAIで工程を分ける形となっていて、これまでの生成AI活用とは、ここが違ってきています。

文章作成だけをAIへ渡すなら作業の自動化ですが、研究の流れにAIが入るのであれば、仕事の設計が変わってきます。

人間だけで進めていた研究を「人間とAI」で進める仕事へ組み直す。

AIを「個人の道具」で終わらせない企業もある

ピーバンドットコムでは、さらに別の形が見られ、7つの専門AIエージェントからなる「マーケティングAIチーム」が構築されているようで、2026年7月から、全社員が利用できる環境として運用しているようです。

ここでAIの数に驚くのではなく、見るべきところはAIを一部社員の特殊技能にしていない点で、ChatGPTなどを個人で使う場合、その活用度は人によって変わってくるのですが、AIが社内システムへ入れば話は別で、AIを使うこと自体が、仕事の前提となっていきます。

「AIが得意な社員が使う道具」から「社員が利用できる業務環境」への移行。

人間のノウハウまでAIが扱うようになる

さらに先には、業務知識をAIへ渡す動きがあり、オプトについては、Claudeの「スキル」を260個作り、広告運用のノウハウをAIへ教える取り組みが報じられています。

260個という数字や具体的な仕組みについては、企業側からの一次情報ではないので、確定情報として鵜呑みにすることはできませんが、それでも、業務知識をAIが使える形にするという考え方は重要です。

これまでノウハウは、人間が覚えて使うものでした。

それすらAIが扱えるようになれば、人間側に必要な仕事は変わってきます。

• 何をAIへ教えるのか
• どこまで任せるのか
• AIの出力を誰が判断するのか

作業そのものより、その最初の判断がとても重要なものになっています。

教育も「AIを使える人」の先を見始めている

仕事が変われば、育てる能力も変わっていくもので、宮城大学は、2028年4月の設置を目指し、「デザイン創学群（仮称）」を構想しているのだそうで、掲げられているのは、単純なAI操作の習得だけではなく、AIやデジタル技術を使いながら、可能性を見つけ、価値を構想し、実現する力。

高知工科大学と岡村文具による生成AI活用研修もあり、こちらは人手不足への対応が目的で、約90人が参加し、生成AIを業務で使う考え方を学んでいるのだとか。

AIで空いた時間を、別の仕事へ振り向ける発想であり、これは単純な人員削減とは意味が違います。

「AIに奪われない仕事」を探しても答えは出ない

もちろん、今回の事例だけで雇用の未来を断定することはできません。

• AI導入後に雇用人数がどう変わったのか
• 生産性がどれだけ上がったのか
• 職種ごとの必要スキルがどう変わったのか

まだ始まったばかりということもあり、そこまでは確認することはできません。

現在は人間が担当していても、将来、それがAIに代替されないとは限りません。

しかし、その一方で、今回の事例には「AIを人間の代用品として置くだけではない」という共通点があり、

• 研究では、AIが研究工程に入る
• 企業では、AIチームを業務環境に入れる
• ノウハウは、AIも扱える形へ移される
• 教育では、AI利用を前提に能力を考える

つまり、人間とAIの境界が引き直されていて、人とAIの仕事を考える基準も変えていく時期なのかもしれません。

「この仕事はAIに奪われるか」ではなく、自分の仕事を工程に分けたとき、どこまでAIへ渡せるか。

そして、AIに渡したあとで残る判断はなんなのか・・・。

• 問題を決める
• AIへ渡す仕事を決める
• 出てきた結果を評価する
• 最終的な責任を持つ

AI時代の仕事を見るなら、まずここを確認するべきで、仕事が残るかではなく人の役割がどこへ移っていくのか。

その変化は、自分の業務を分解していくことで、見えてくるもの。

価格が下がっていないか確認する。

予約に空きが出ていないか調べる。

決まったニュースを毎朝探す。

仕事に必要な情報を定期的に集める。

一つひとつは難しくなくても、同じページやサービスを何度も開く作業には手間がかかりますよね。

これまでの生成AIも、こうした確認を手伝ってくれていたので、便利なことに変わりないのですが、毎回、人がチャット画面を開き、質問や依頼を入力する必要はありました。

しかし、その関係が少しずつ変わり始めてきています。

人が毎回AIを呼び出すのではなく、最初に条件や頻度を決めておけば、AIが継続的に確認し、必要な変化が起きたときだけ、人間へ知らせてくる。

今や、生成AIが「聞けば答える道具」から「放っておいても動く道具」へ近づいてきているんです。

ChatGPTでは、単発や定期実行に加え、状況の変化を確認し、重要な更新があった場合だけ通知するタスクを設定できますし、ChatGPT Workも、長時間の作業や接続アプリ、ファイルを利用した処理に対応し、Scheduled Tasksによる定期処理や条件監視が可能になっています。

これはOpenAIだけの話ではなく、Googleの情報エージェントも、バックグラウンドで情報を継続的に確認し、設定した条件に合う変化が起きた場合に通知する設計となっていて、2026年夏以降、Google AI ProとUltraの利用者へ順次提供される予定となっています。

複数の大手サービスが同じ時期に定期実行や変化監視へ進んでいることは、生成AIの役割が広がる兆候といえるでしょう。

従来のチャットAIでは、人間が作業の開始点であり、知りたいことがあれば質問し、その回答を受け取り、必要になれば再び質問する。

AIは便利でも、人が操作しない時間には何も起こらないというものでした。

しかし、常駐型に近いAIでは、最初に「何を」「どの頻度で」「どのような条件になったら知らせるか」を設定することで、その後の確認はAIが引き受け、人間は変化が起きたときにだけ対応するということになります。

この違いは、単純にAIに質問する回数が減るというだけではなく、これまで人間が繰り返していた「見に行く」という行動自体を、AIへ渡せる可能性が出てきたということなんです。

価格チェックなら、同じ商品を何度も検索するのではなく、条件に合う変化を待つ。

ニュース確認なら、毎朝複数の情報を探しに行くのではなく、決めた頻度でAIに調べさせる。

予約の空きや仕事の定例処理も、必要な条件を先に設定できれば、毎回同じ確認を繰り返す必要はなくなる。

「AIエージェント」という言葉だけでは、生活がどう変わるのか想像しにくいのですが、「毎朝決まった情報を調べる」「変わったときだけ知らせる」と置き換えると、利用場面はかなり具体的になってくるのではないでしょうか？

これは、生成AIを使う時間が増えるのではなく、AIを開く時間が減り、人がチャット画面に向き合っている間だけ働く道具から、画面を閉じたあとも設定された仕事を続ける道具へ変わっているんです。

この点が、従来の生成AIとの大きな違いといってもいいでしょう。

ただし、確認作業をAIへ渡しても、人間の仕事がすべてなくなるわけではないことにも注意が必要。

何を監視対象にするのか？どの程度の変化を通知させるのか？どこまでAIへ任せるのか？不要になった処理をいつ止めるのか？

こうした管理は人間側に残ります。

通知条件が広すぎれば、必要性の低い情報まで届く可能性もありますし、反対に条件を絞りすぎれば、知りたかった変化を拾えないことも考えられ、誤検知や過剰通知を含め、AIを動かしたあとの状態を人間が確認する必要は必ずあります。

つまり、生成AIとの関わり方は「上手な質問を考えること」だけでは済まなくなり、これからは、継続して動く処理をどのように設計し、管理するかが重要になってきます。

次のAI競争を見るうえでも、回答の速さや賢さだけでは優劣をつけにくくなり、必要な仕事を人が操作しなくても続けられるのか？条件に合う変化だけを知らせられるのか？安心して放っておける範囲をどこまで広げられるのか？

その性能が、AIの使いやすさを左右する要素になっていくはずです。

「AIを使う」というのは、毎回チャット画面を開くことではなくなり、必要な条件を伝え、あとは変化が起きるまで任せておくことになり、いま現れている定期実行や条件監視という小さな兆候は、「何を答えられるか」から「何を安心して任せられるか」へ、生成AIの価値が移り始めていることを示しています。