AI駆動開発 2026年9月12日

料金90%減なのに支出増——「ジェボンズのパラドックス」でAIコスト問題の本質を読む

AIを使っている企業ほど、コストの話になると頭を抱える。これが今の現実だ。

不思議なのは、トークンの価格が下がり続けているにもかかわらず、企業の支出が増えているという矛盾だ。「安くなったなら、費用も下がるはずでは？」という直感は正しいように思える。でも現実はその逆を向いている。この「怪」の正体を理解するために引き合いに出されているのが、「ジェボンズのパラドックス」という19世紀の経済概念だ。

今回は、AIエージェント技術の標準化団体「Agentic AI Foundation」（The Linux Foundationが運営）が8月25日の記者発表会で語った内容をもとに、このパラドックスの構造を読み解く。

数字で見る現実：価格崩壊と消費爆発の同時進行

まず事実を整理しておこう。

Agentic AI Foundationによると、過去12カ月でAIのAPI利用料金は約90%下落した。一方で、トークン使用量は同じ期間に50倍増加している。

具体例を挙げると、米OpenAIは7月末、AIモデル「GPT-5.6 Luna」のAPI利用料金を80%引き下げた。100万トークン当たり1ドルだった入力料金が20セントに、6ドルだった出力料金が1.2ドルになっている。価格の下落は本物だ。

しかし同団体の共同創業者兼CTOのマニック・スルタニ氏はこう言う。「価格崩壊を上回るペースで需要が伸びています。トークンコストが安くなったことで『より深い推論』『AIエージェントの計算』『マルチエージェントシステム』などの利用が増えたためです」。

単価が90%下がっても、消費量が50倍になれば、総コストは約5倍だ。数字を聞けばシンプルな話なのに、なぜ多くの企業がこの罠にはまるのか。それは「価格」という目に見えやすい指標に注目して、「消費量」という変数を見落としているからだ。

ジェボンズのパラドックス——19世紀の洞察が今に刺さる

「ジェボンズのパラドックス」は19世紀に登場した経済概念だ。資源の利用効率が上がる、あるいは価格が下がると、その消費量は減るどころか増えてしまう、という現象を指す。

スルタニ氏は「私たちは石炭、電力、インターネットで同じパターンを目にしてきた」と述べている。

Agentic AI Foundationのエグゼクティブディレクターであるマジン・ギルバート氏はこれをIT業界の最前線で実際に経験してきた人物だ。GoogleのAI・機械学習領域でエンジニアリングディレクターを務め、AT&Tでは5G計画やネットワーク運用自動化を主導してきた。

ギルバート氏が挙げた例が分かりやすい。通信ネットワークの効率化で1GBあたりのデータ伝送コストが下がった。するとユーザーはより多くのデータを使い始めた。ストレージも同じだ。1GBあたりの保存コストが下がると、企業はデータを削除するより保存し続けることを選んだ。結果、保管データ量は大幅に増加し、総コストはむしろ膨らんだ。

これはAIの話ではなく、「技術の効率化」という現象そのものが持つ構造的な性質だ。

AIエージェントが消費量を「乗数的」に増やす

ここで今のAI特有の事情を加えておきたい。

AIエージェントは、従来のチャット型AIと消費パターンが根本的に異なる。チャットボットは1往復ごとにトークンを消費するが、エージェントは計画・実行・検証・ループを繰り返す。外部システムと連携して多くの情報を収集・処理するため、消費量は線形ではなく乗数的に増える。

Agentic AI Foundationは、AIエージェント技術の普及がトークン使用量の爆発的増加の主因と見ており、OpenAI、Anthropic、Google、Microsoftといったビッグテックが参画してその標準化に取り組んでいる事実がある。業界全体でエージェントの普及を推進しながら、同時にそのコスト爆発という課題を抱えているという、やや矛盾した状況だ。

ギルバート氏はこう整理している。「効率化によって単位コストが下がる」→「コスト低下によって新たな利用方法が生まれる」→「その結果、コスト圧縮分を上回るリソースが消費される」。AIもこの道をたどっている可能性が高いという。

ここからは見方の話——「安くなったから大丈夫」が危うい理由

事実の整理はここまでにして、自分なりの解釈を入れておく。

多くの企業のAIコスト議論は、「トークン単価」に集中しすぎている。「このモデルは安い」「あのAPIは高い」という比較は確かに分かりやすい。でもジェボンズのパラドックスが示すのは、単価の安さが消費量を抑制するどころか解放することが多い、という構造だ。

もっと言えば、AIを積極的に活用しようとしている企業ほど、この罠にはまりやすい。なぜなら「安くなったから、これも使おう」「このユースケースも試そう」という判断が連鎖するからだ。それ自体は間違いではないが、消費量の見積もりなしに動くと、請求書を見て初めて気づく、という事態になる。

正しい問いは「このモデルは1トークンいくらか」ではなく、「このタスクを完了させるのにいくらかかるか」だ。タスク完了コストで見ると、エージェントを使ったプロセスが想定より何十倍もコストがかかっていた、という発見が当たり前のように出てくる。

もうひとつ注目したいのは、オープンソースモデル（MetaのLlama、GoogleのGemmaなど）や中国製の安価なモデル（AlibabaのQwen、Moonshot AIのKimiなど）の台頭だ。元記事でも言及されているが、これらはジェボンズのパラドックスをさらに加速させる可能性がある。「無料または安価だから、より多く使う」という行動が促進されれば、インフラコストや管理コストが別の形で膨らむ。「モデルは無料でも、運用は有料」という現実がそこには待っている。

実務的な示唆——今、何を変えるべきか

企業のAI担当者やプロダクト担当者が今すぐ見直すべきことを整理する。

1. コスト観測の粒度を上げる
「月のAI費用総額」だけ見ていても手遅れになる。どのユースケースが、どのモデルを、どれだけ消費しているかを業務フロー単位で把握する仕組みが必要だ。トークン消費ログと業務プロセスを紐付けていない企業は、ジェボンズの罠に入る手前にいると思ったほうがいい。

2. AIエージェント導入前に消費量を見積もる
エージェント型AIは「便利だから入れてみよう」では済まない。計画・実行・検証のループがどの程度のトークンを消費するか、事前にベンチマークを取ることが必要だ。チャット型と同じ感覚でコスト計算すると、運用フェーズで想定外の請求が来る。

3. 「価値のあるトークン消費」を定義する
ギルバート氏の提言を引用するなら、「今後の課題は、トークンをいかに安くするかだけではなく、それらをどのように管理し、価値ある形で活用していくかにある」。これは抽象論に聞こえるが、実務的には「このAIの処理は、投下したコストに見合うアウトプットを生んでいるか」という問いを、業務ごとに立てることを意味する。コスト管理とROI評価を同時に走らせる体制が求められている。