AIエージェント時代、企業はAIコストとどう向き合うべきか

こうしたコスト構造の変化を受けて、AIサービスの料金体系にも変化が見られる。Microsoftが2026年6月に一般提供を開始したCopilot Coworkでは、ユーザー単位のライセンスに加え、エージェントの利用量に応じて料金が発生する仕組みが採用されている（※５）。こうした動きはMicrosoftに限ったものではない。Anthropicも、Claude CoworkやClaude Codeなどのエージェント機能を含む高度な利用について、利用量ベースで管理する仕組みを提供している（※６）。またGitHub Copilotは、2026年6月1日から、従来のプレミアムリクエスト数を基準とする仕組みに代えて、入力・出力・キャッシュトークンの消費量等に基づくGitHub AI Creditsを用いた料金体系へ移行した（※７）。
ユーザー企業にとってみれば、このような従量課金モデルはコスト管理の不確実性を生むものになる。そのため、利用実態を可視化し、発生する費用を継続的に把握・管理していくことが必要だ。利用状況を適切に把握できなければ、AI活用の拡大とともに支出が想定以上に膨らむ可能性もあるだろう。

テクノロジー投資の価値を最大化する「FinOps」
AIコスト管理の重要性が高まるなか、その対応策として注目されているのが「FinOps（フィンオプス）」である。FinOpsとは、Finance（財務）とDevOps（開発・運用の連携手法）を組み合わせた造語であり、エンジニアリング部門、財務部門、ビジネス部門が連携しながら、テクノロジー投資の価値を最大化することを目的としている。
FinOpsはもともとAI向けに生まれた考え方ではなく、クラウドの従量課金モデルが普及するなかで生まれたものである。クラウドが普及する前のITシステムでは、サーバーやストレージなどの設備を購入することで費用の大部分が確定していた。一方、クラウドサービスでは利用した分だけ料金が発生する従量課金モデルが一般的であり、利用状況によって毎月の費用が変動する。その結果、企業は従来よりも継続的かつ動的なコスト管理を求められるようになった。
FinOpsはこうした状況に対応するための考え方だ。FinOpsの普及・標準化を推進する業界団体であるFinOps Foundationは、FinOpsを「テクノロジー投資のビジネス価値を最大化し、エンジニアリング、財務、ビジネス部門の連携を通じて、データに基づく意思決定と財務上の説明責任を実現する運営フレームワークおよび文化的実践」と定義している（※８）。
図表3は、FinOps Foundationが提唱する「FinOps Framework」の全体像を示したものである。これは組織がFinOpsに取り組むうえで、どのような体制、役割、活動を整備すべきかを体系的に整理したフレームワークである。図の上段から順に見ていくと、まず最上段には企業の事業戦略（Business Strategy）と技術戦略（Technology Strategy）が配置されており、FinOpsがその両者を結び付ける役割を担うことを示している。その下には、どのような支出領域を対象とするかを表す「Scope」、関与する部門・関係者を示す「Personas」、実践すべき活動を示す「Domains」と「Capabilities」が整理されている。

では、FinOps for AIにはどのように取り組むべきだろうか。まず重要なのは、従来のFinOpsの対象であったクラウドをAIへ置き換えるだけでは不十分だという点である。クラウドでは、サーバーやストレージ、ネットワークといったインフラ利用量が主な管理対象であった。一方、AIでは、利用するモデル、入力・出力トークン数、推論回数、読み込むコンテキスト量、エージェントの実行回数など、多様な要素がコストに影響する。
もっとも、AI活用の拡大に伴ってコストが増加すること自体は必ずしも悪いことではない。AI活用が生産性向上や業務効率化、新たな価値創出につながるのであれば、そのための支出増加は合理的な投資と考えることもできる。重要なのは、発生したコストを抑制することではなく、そのコストによってどのような成果や事業価値が生み出されているのかを把握し、継続的に評価できる状態を構築することである。
こうした考え方をもとに、本稿では利用企業に求められる取り組みを3ステップで整理した（図表5）（※１２）。AI利用の実態やコスト構造を「理解する（Understand）」、コストと性能を踏まえて最適な利用方法を「選択する（Decide）」、そして事業価値の観点から投資効果を「評価する（Value）」の3ステップである。まず利用実態を理解し、そのうえで適切な選択を行い、最終的に事業価値の観点から評価するという一連のサイクルを継続的に回していくことが重要だ。以下、各ステップで取り組むべき事項について説明する。

① 理解する（Understand）
AI利用の実態とコスト構造を正しく理解する。AIでは、利用するモデルやトークン量、コンテキスト量、エージェントの実行回数など、多様な要素がコストに影響する。そのため、誰が、どの業務で、どのAIサービスを利用し、なぜそのコストが発生したのかを把握できる状態を構築することが重要となる。
例えば、同じ「レポートを作成する」という業務であっても、簡単な要約であれば少量のトークン消費で済む一方、大量の資料を参照しながらAIエージェントが情報収集や分析を繰り返す場合には、コストが大きく増加することがある。利用回数だけでは実際のコスト構造を把握できないため、まずはAI利用の実態を可視化し、そのコスト構造を正しく理解することがFinOps for AIの出発点となる。

② 選択する（Decide）
コストと性能を踏まえて適切な利用方法を選択する。AIは、利用するモデルやサービス形態、システム構成によってコストと性能が大きく変化する。したがって、利用開始後のコスト最適化だけでなく、どのモデルやアーキテクチャを採用するかといった利用前の意思決定も重要な管理対象となる。
例えば、すべての業務に最高性能のモデルを利用することが最適とは限らない。用途によっては小型モデルや専用モデルで十分な成果を得られる場合もある。また、SaaS型サービスを利用するのか、APIを活用するのか、自社環境で運用するのかといった選択もコストと価値に大きな影響を与える。

③ 価値で評価する（Value）
コストと事業価値を結び付けて評価する。FinOps for AIの目的はコスト削減そのものではない。AIによる生産性向上や業務改善、新たな価値創出によって十分な成果が得られているのであれば、コストの増加は必ずしも問題ではない。
例えば、AI導入によって月間の利用コストが増加したとしても、提案書作成時間の短縮や問い合わせ対応件数の増加などによって、それを上回る効果が得られているのであれば、その投資は合理的であると考えられる。重要なのは、その支出によってどのような成果が生み出されているのかを継続的に評価し、より高い価値を生み出す領域へ投資を振り向けていくことである。

FinOps for AIの実践を支援する製品・サービス
ここまで、FinOps for AIへの取り組み方について説明してきた。最後に、FinOps for AIの実践にあたって参考となる製品・サービスの例を紹介する。これらの製品・サービスは、クラウド事業者が自社のクラウド環境向けに提供する「ⅰ. クラウドベンダー型」と、複数のクラウドやAIサービスを横断的に管理する「ⅱ. ベンダー横断型」に分けて考えることができる。なお、現時点ではFinOps for AIを前面に押し出した製品があるというより、クラウドのコスト管理、AIの利用状況の監視、費用配賦、投資効果の評価といった複数の機能を組み合わせてFinOps for AIを実現するケースが多い。また、投資効果を「評価する（Value）」領域については、市場形成の途上にあり、関連する製品・サービスはまだ限定的である。

ⅰ. クラウドベンダー型の製品・サービス
クラウドベンダー型の例として、Microsoft、AWS、Google Cloudが提供するコスト管理機能が挙げられる（図表6）。これらは、各社のクラウド上でAIサービスを利用している企業にとって導入しやすく、既存の請求・監視・権限管理の仕組みを活用できる点に特徴がある。

Microsoftでは、Microsoft Cost Managementなどを通じて、Azureサービスの利用量や費用の可視化、予算管理等の機能を提供している。Azure OpenAI Serviceを含むAI関連コストの分析や試算については、利用するサービスや構成に応じて関連機能を組み合わせることになる。AWSでは、Amazon Bedrockの利用コストをユーザーやチーム、アプリケーション単位で把握できる（※１３）。AI利用に伴う費用を組織内へ適切に配分し、ショーバックやチャージバック（※１４）へ活用しやすい仕組みを提供している。Google Cloudでは、FinOps Hubを中心にコスト最適化を支援する機能を提供している。またプロジェクト単位の支出管理に関する機能として発表されたSpend Caps（※１５）などにより、AI利用の拡大に伴うコスト統制を支援する仕組みも示されている。

ⅱ. ベンダー横断型の製品・サービス
複数のクラウドやAIサービスを利用している企業においては、クラウドベンダーごとの管理画面だけでは、AI関連支出の全体像を把握しにくい場合がある。その場合には、ベンダー横断型の製品・サービスを利用し、クラウドやAIモデルを横断して管理することが選択肢となる（図表7）。

まず、IBM傘下のApptioが提供するサービス群が挙げられる。IBM Cloudabilityはマルチクラウド環境のコスト管理を支援する製品であり、AI TCO & UsageではAI利用量や費用に加え、クラウドや人件費などを含むAI投資全体の総保有コスト（TCO）を把握できる。さらに、Apptio AI Value & ROIは、AI関連支出を売上、コスト、スピード、生産性、リスクなどの成果指標と関連付ける機能として発表されている（※１６）。もう一つの例が、DatadogのAgent Observability／Cloud Cost Managementである。Datadogは、AIアプリケーションやAIエージェントの性能、品質、コストを統合的に監視できる点に特徴がある。トークン利用量や推定コストなどを把握できるほか、クラウドやSaaSを含めた費用分析にも対応している。

おわりに
AIエージェント時代の到来により、企業におけるAI活用は新たな段階へ入りつつある。AIの利用量や適用範囲が拡大するなか、関連コストを適切に把握・管理することは、企業にとって不可欠な取り組みになりつつある。
FinOps for AIは、こうした環境下でAI活用とコスト最適化を両立するための実践的なアプローチである。ただし、本稿で紹介した製品・サービスからも分かるように、AIの利用量やコストの可視化、費用配賦、最適化を支援する仕組みが整いつつある一方、AI活用が生み出した価値を測定し、投資判断に結び付ける手法やサービスは、いまだ発展途上にある。
AI活用による効果は、業務時間の短縮や処理件数の増加のように定量化しやすいものだけでなく、意思決定の高度化や顧客体験の向上など、短期的には数値で捉えにくいものも含まれる。こうした多様な効果をどのような指標で捉え、コストと関連付けて評価するかが、FinOps for AIを実践する企業にとって次の課題となる。今後は、コストを可視化・抑制するだけでなく、AI活用の価値を継続的に測定し、その結果を次の投資判断や資源配分につなげる仕組みを確立することが重要となるだろう。