「AIは便利そうだが費用が心配」という声はよく聞きます。しかし実は、AIのコストは使い方の設計で大きく変わります。本記事では、費用がどう決まるかを整理したうえで、安価なモデルでも実用的な精度を出しつつ費用を抑える5つの実践的な考え方と、それを実装した実測値を紹介します。
AIの費用はどう決まるか
多くのAI APIは処理した文字量（トークン）に応じた従量課金です。ここで押さえるべき点は3つあります。
- 入力と出力で単価が違う：出力のほうが数倍高いのが一般的です。最下位クラスのモデルでは、100万トークンあたり入力が0.1ドル前後、出力がその4倍程度という水準です。長く喋らせるほど高くつくということです。
- モデル間の価格差が非常に大きい：上位モデルは最下位クラスの数十倍することもあります。ここの選択が費用に最も効きます。
- 呼び出し回数がそのまま費用：1件あたりが安くても、件数が増えれば比例します。だからこそ「呼ばずに済ませる」設計が効きます。
裏を返すと、コスト削減の打ち手は「安いモデルを使う」「呼ぶ回数を減らす」「出力を短くする」の3方向しかありません。以下の5つは、そのいずれかに効く具体策です。
1. 高いモデルに頼りすぎない
最新・最高性能のモデルは魅力的ですが、業務の多くは安価なモデルでも十分にこなせます。分類・仕分け・定型の下書きといったタスクは、安いモデル＋良い設計で実用になります。「まず安いモデルで試し、足りない部分だけ強いモデルに」という順番が費用対効果を最大化します。
判断の目安は、そのタスクに正解があるかどうかです。「この問い合わせは配送か請求か」のように答えが決まっているタスクは安いモデルで十分です。一方、長文の企画立案のように答えが開いているタスクでは、上位モデルとの差が出やすくなります。
2. 結果を使い回す（キャッシュ）
同じ入力に毎回AIを呼ぶのは無駄です。一度出した結果を保存し、同じ・似た入力には再利用（キャッシュ）すれば、AIの呼び出し自体を減らせます。問い合わせや分類は似た内容が多く、効果が大きい工夫です。
実装で注意すべきはキャッシュの鍵に何を含めるかです。使用モデルやプロンプトの版数を鍵に入れておかないと、プロンプトを改善した後も古い結果が返り続けます。逆にこれを入れておけば、版数を上げるだけで安全に切り替えられます。
3. ルールで解けるものはルールで
「返金」「発送」など明確なキーワードで判断できるものは、AIを使わずルールで処理できます。AIは「ルールでは判断が難しい曖昧なものだけ」に使うことで、費用を抑えつつ精度も安定します。ラベル設計や運用の具体例はAIでテキストを自動分類する方法で解説しています。
ルールは速く・ブレず・無料という三拍子がそろっています。さらに、外部APIが不調なときでもサービスが完全には止まらないという副次的な利点もあります。
4. まとめて処理する（バッチ）
大量のデータを1件ずつ処理すると、その都度コストがかかります。複数をまとめて一度に処理すれば、呼び出し回数を減らせます。夜間にまとめて処理する、といった運用も有効です。数百〜数千件をまとめて処理する実例は口コミ・レビューを分析する方法が参考になります。
ただしまとめすぎると精度が落ちます。1回の指示に詰め込む件数が多いほど、取り違えや抜けが起きやすくなります。件数を少しずつ増やして、精度が落ちない上限を見つけるのが実務的です。
5. 予算・上限を決めておく
想定外の請求を防ぐには、使用量の上限をあらかじめ決めておくことが重要です。1日あたりの上限や、前払い式で「買った分しか使えない」仕組みにすれば、暴走課金は構造的に防げます。
上限に達したときの挙動も決めておいてください。エラーで停止させるより、機能を落として動かし続けるほうが安全なことが多いです。上限到達の瞬間にサービス全体が止まると、影響が費用の問題では済まなくなります。
実測：これらを実装した結果
ここまでの設計を実際に組み込んだ本番サービスの、稼働3週間分の実測値です。
| 項目 | 実測 |
|---|---|
| 処理リクエスト | 131件 |
| うち実際にAIを呼んだ回数 | 62件 |
| AIを呼ばずに返せた割合 | 52.7% |
| 3週間の総コスト | 約0.011ドル |
AIを呼ばずに済んだ内訳は、完全一致のキャッシュが29.0%、ルール処理が14.5%、類似入力の再利用が9.2%でした。つまりリクエストの半分以上が、AIを1回も呼ばずに処理されています。残りの半分も最下位クラスのモデルなので、総額がこの水準に収まります。
特筆すべきは、類似判定のために使う埋め込み処理の費用が全体の約1%にとどまった点です。埋め込みは本体のAI呼び出しより桁違いに安いため、「埋め込みを1回使ってAI呼び出しを1回減らす」は、ほぼ常に得になります。
費用を見積もる
導入前におおよその費用を知りたい場合は、次の順で計算します。
- 1件あたりの単価を測る：実際のデータ10件ほどを処理し、かかった費用を件数で割ります。カタログの単価から机上計算するより、これが確実です。
- 月間の件数を掛ける：問い合わせなら月間の受信数、レビューなら月間の投稿数です。
- キャッシュ率を見込む：似た内容が多い業務ほど、実際の請求は上記の計算より下がります。まずは削減を見込まず、上限として捉えておくと安全です。
この方法なら「月にいくらまで」が事前に分かるため、上限設定の根拠にもなります。
開発・導入の費用を抑える
AIの利用料以上に大きいのが、実は開発・導入にかかる費用です。ここも順番で変わります。
- 自前でモデルを用意しない：多くの業務用途は、既存のAPIを呼ぶだけで十分です。自社でモデルを学習させる方式は、費用も期間も桁違いになります。
- 1業務に絞って始める：全社導入から入ると、要件が膨らんで費用が跳ね上がります。効果が測りやすい業務を1つ選び、成果が出てから広げます。
- まず既製のツールで検証する：作る前に、貼り付けて使えるツールで「本当に業務が楽になるか」を確かめます。ここで見送りを判断できれば、開発費はゼロで済みます。
- 作り込む範囲を決める：担当者が画面から使うだけなら開発は不要です。既存システムへの組み込みが必要になった段階で、API連携だけを実装します。
よくある失敗
- いきなり上位モデルで作り込む：後から安いモデルに落とそうとしても、そのモデル前提の設計になっていて移行できなくなります。
- 上限を設定しないまま公開する：不具合や想定外の利用で、費用が一晩で膨らむことがあります。
- 費用を測っていない：どの機能にいくらかかっているか分からないと、削りどころが判断できません。呼び出しごとの記録は最初から残してください。
- 削減を優先しすぎて品質を落とす：安くしても使われなければ意味がありません。まず使える品質を作り、それから削る順番が正解です。