「安いモデルで3回」vs「高いモデルで一発」——本当に安いのはどっちか、OpenAIが出した答え
AIツールの導入コストをどう評価するか、という問いに多くの企業が答えを持てていない。「とりあえず安いモデルを使う」「シート数で契約して、使った人数で成果を測る」——そういった運用が今なお主流だが、OpenAIはその評価軸そのものが間違っていると指摘した。
2026年7月17日（米国時間）、OpenAIはAI投資のROIを「1ドル当たりの有用なインテリジェンス」で測定するという新しい考え方を公表した。購入したシート数やアクティブユーザー数ではなく、「AIがどれだけの仕事（タスク）を完了させたか」でROIを測定するアプローチだ。
これは地味に見えて、判断の根本を変える話である。
「1ドル当たりの有用なインテリジェンス」とは何か
従来のIT投資評価は、「何席契約したか」「何人使っているか」「ツールの稼働率は何%か」という指標に寄りかかってきた。だがAIの場合、この評価軸は機能しない。
理由はシンプルだ。AIのコストは「使った量」ではなく「完了した成果の質」に対して払うべきものだからだ。
OpenAIが問い直しているのはそこだ。「トークン単価が安いモデルを選んでも、タスクのやり直しや人間の確認が増えれば総コストは悪化する」と同社は明確に指摘している。目先の単価ではなく、「成功したタスク1件をいくらで完了できたか」というトータルの経済性でモデルを選ぶべきだという主張だ。
タイトルの問いに戻ろう。「安いモデルで3回やり直し」と「高いモデルで一発完了」——どちらが安いか。直感的に「安いモデルの3回」と答えたくなるが、人間の確認コスト、やり直しの人件費、待ち時間のロスまで含めると話は変わる。最上位のフロンティアモデルは、トークン単価が高価に見えても、一度で正確な答えを出して手戻りをゼロにできるなら、結果として「タスク1件当たりのコスト」を最も低く抑えられる場合がある、とOpenAIは言う。
OpenAIが示した「4つの問い」の中身
この評価軸を実務に落とし込むため、OpenAIは組織が自問すべき「4つの問い」を定義している。それぞれを整理する。
問1：どれだけの有用な仕事が完了しているか
まず「仕事の量と成果」そのものを測れ、という問いだ。AIによって解決できた顧客課題の件数、リリースされたコード変更の数、レビューを終えた契約書の数、削減できた業務時間——こうした実務への貢献度を直接測定することが求められる。
ここで重要なのが「完了の定義」を先に決めておくことだ。OpenAIは「最初に取り組むべき最適な場所は単一のワークフローだ」と推奨しており、業務ごとに「完了」を事前に定義することを不可欠だとしている。
具体例としては、カスタマーサポートチームなら「問い合わせの解決」、エンジニアリングチームなら「テストに合格したコードの実装」、法務チームなら「期限内の正確な契約書レビュー」が「完了」に相当する。
問2：成功タスク1件当たりの実際のコストはどうなったか
2つ目は「実質コスト」の算出だ。計算式はシンプルで、業務にかかった総コストを「品質基準を満たした成功タスク数」で割る。ここで言う総コストには、トークン費用だけでなく、手戻りに費やした従業員の時間、人間による確認コストまで含まれる。
また、OpenAIはフロンティアモデル・バランス型・軽量モデルという「階層化されたモデル」を組み合わせる選択肢も有効だとしている。処理量重視の単純作業には軽量モデル、複雑な思考を要する業務には最上位モデルという使い分けだ。「特定モデルの単価にとらわれず、タスク全体の経済性で適切なモデルを決めるべきだ」というのが同社の主張である。
問3：AIはどれだけ正しく仕事を処理するか（信頼性）
3つ目は信頼性の問いだ。精度が高く、根拠が明確で一貫性があり、適切に手戻りを処理できれば、人間が確認・修正・やり直しに費やす時間が減り、タスク完了当たりのコストは一段と下がる。
OpenAIはこの信頼性を可視化するために、3つのパターンで結果を追跡することを提案している。
- そのまま使える：最初の出力時点で品質基準を満たしていた
- 修正が必要：再実行や人間による編集を要した
- エスカレーションが必要：人が直接介入して仕事を完了させる必要があった
このログを取ることで、「実際にAIがどれだけ自律的に完遂できているか」が数値として見えてくる。
問4：利用が増えるほど1ドルはより多くの価値を生むか
4つ目は、利用規模が拡大したときに経済性が改善するかどうかを問う。同一ワークフローを時系列で追跡し、「成功タスク数」「総コスト」「タスク単価」の推移を見る。成果の伸びが総コストの増加スピードを上回っていれば、AIに投じた1ドルが時間とともに大きな価値を生んでいる証拠になる。
ここからは見方だが——この提言が示す構造的な意味
OpenAIの提言自体は理にかなっているが、ここで立ち止まって考えたいことがある。
「タスク単価で評価しろ」というのは正しい。ただし、それを実行するには「業務フローとAI利用ログを紐付ける仕組み」が必要だ。多くの企業はそのインフラをまだ持っていない。トークン単価なら「APIの請求書」を見れば一目瞭然だが、「このタスク完了にいくらかかったか」を測定するには、業務の粒度でログを設計し、品質基準を言語化し、成功・失敗を判定する評価基盤を整える必要がある。
つまり、問題の核心は「評価軸を知っているか」ではなく、「評価できるインフラがあるか」だ。OpenAIの提言が実務に着地するまでには、もう一段の組織側の準備が要る。
もう一つ、構造的な読み方をすると、この提言はOpenAI自身の製品戦略とも整合している。「高いモデルでもタスク単価は安い」という論理は、フロンティアモデルの正当化に使えるフレームでもある。だからといってこの主張が間違いだとは思わないが、「OpenAIが言うからそのまま採用する」ではなく、自社の業務で実際に測定して検証する姿勢が必要だ。
一方で、階層化されたモデル選定の考え方——単純作業には軽量モデル、複雑な推論には上位モデル——はベンダー中立な実務原則として使える。これはOpenAIのモデルに限らず、あらゆるモデル選定において有効な判断軸だ。
実務的な示唆：何から手をつけるか
では現場で何から始めるべきか。3点に絞る。
1. 「完了」の定義を業務ごとに言語化する
これが最初のステップだ。「AIを使って業務が早くなった気がする」という感覚論から抜け出すには、「何をもって完了とするか」を先に決めるしかない。カスタマーサポートなら「問い合わせ解決」、法務なら「期限内の正確な契約書レビュー」——この定義がなければ、成功タスク数も算出できない。
2. 信頼性ログの3分類をシステムに組み込む
「そのまま使える／修正が必要／エスカレーション」の3分類を、現在のAI利用ログに追加する。これだけでも「AIがどのくらい自律的に完遂できているか」の全体像が見えてくる。このデータが溜まれば、モデル変更やプロンプト改善の判断も速くなる。
3. モデル選定を「トークン単価」から「タスク経済性」で語り直す
社内でAIツールの選定議論をするとき、「このモデルは1トークンいくら」という会話から、「このタスクを成功させるのにいくらかかるか」という会話に切り替える。それだけで、意思決定の精度は変わる。軽量モデルで十分なタスクに高コストモデルを使っていないか、逆に複雑な推論が必要なタスクに安いモデルをあてて手戻りが増えていないか——この問いを持つだけでいい。
まとめ：物差しが変わると、判断も変わる
OpenAIが提唱した「1ドル当たりの有用なインテリジェンス」という評価軸は、新しい概念というより、当たり前の問いを当たり前に立てろという話だ。ソフトウェア開発でもマーケティングでも、「投下したコストに対して何が得られたか」を成果の粒度で測るのは基本中の基本だった。AIが「高度なツール」として扱われてきたがゆえに、その基本が後回しにされてきた。
4つの問い——「何が完了したか」「タスク単価はいくらか」「どれだけ信頼できるか」「規模が増えるほど経済性は改善するか」——は、難しいことを言っているわけではない。だが、これを実際に測れている企業は、現時点ではほとんどない。
次に同種のAIコスト論やROI議論を見たとき、「タスク単価で語っているか、それともトークン単価で語っているか」を確認してみるといい。その違いが見えるようになると、議論の深度がひと目でわかるようになる。
