- 本シリーズの第1回から第3回では、AIが多くの作業を行っていても業務を完了できない理由、改ざんされていない記録だけでは行動の正しさを証明できない理由、AIが単独で続行すべきでないときに人へ制御権を渡す方法を扱いました。
- 第4回で問うのは、経済性です。検証済みの業務成果を1件得るために、実際にはいくらかかるのでしょうか。
- その答えは、トークン価格、モデル呼び出し料金、ソフトウェアのシート料金、あるいは1回のエージェント実行費だけでは分かりません。AIとツールの利用、インフラと連携、結果検証、人による確認、例外処理、やり直し、監視と保守、誤った完了による期待損失を含めた業務全体を見る必要があります。
モデルが安いからといって、業務が経済的であるとは限りません。
目的とする最終状態へ繰り返し到達でき、リスクが許容範囲に収まり、その総費用が生み出す価値を下回るとき、初めて経済的な業務になります。
試行費用と成果費用は同じではない
TheAgentCompanyは、この違いを考えるうえで有用な例です。
NeurIPS 2025版では、OpenHands上でGemini 2.5 Proを使用した構成が、175件の職場タスクの30.3％を完全に完了しました。部分完了スコアは39.3％、平均モデル処理回数は27.2回、試行1件当たりの計測API費用は約4.20ドルでした。この費用には、企業システムとの連携、人による確認、例外処理、やり直し、運用監視、誤操作による損失は含まれていません。
| ベンチマークで報告された指標 | 結果 |
|---|---|
| 完全完了率 | 30.3％ |
| 部分完了スコア | 39.3％ |
| 平均モデル処理回数 | 27.2回 |
| 試行1件当たりの計測API費用 | 約4.20ドル |
4.20ドルは、試行1件の費用です。完了成果1件の費用ではありません。
単純な機械計算として、4.20ドルを30.3％で割ると、次のようになります。
ただし、13.86ドルは論文で報告された「完了1件当たり費用」ではありません。
この計算は、次を仮定しています。
- すべての試行費用が同じ
- すべての完了成果が同じ価値を持つ
- 失敗後の追加費用がない
- 各案件が独立している
- 人による確認が不要
- 誤操作による下流損失がない
現実の企業業務では、検証済み成果1件当たりの費用は、通常これより高くなります。
混同してはいけない6つの結果
単位経済性を計算する前に、各案件がどの状態になったかを分けます。
| ワークフローの結果 | 意味 |
|---|---|
| Attempted case | 成果に到達したかどうかにかかわらず、処理を開始した案件 |
| Verified automated completion | 自動経路によって目標状態へ到達し、独立して確認された案件 |
| Appropriate handoff | 正しく制御権を人へ渡したが、元の業務は未完了の案件 |
| Human-resolved completion | Handoff後に人が解決し、目標状態へ到達した案件 |
| False completion | 必要な状態へ到達していないのに、完了と報告した案件 |
| Unresolved／safely terminated | 未完了だが、危険な操作へ進まず、安全に終了した案件 |
これらは経済上、異なる意味を持ちます。
Verified automated completionは、運用上の成果を生みます。Appropriate handoffは正しい制御判断ですが、元の業務を完了するために人の作業が残っています。False completionは、ダッシュボード上では成功に見えても、調査、訂正、顧客対応、財務、コンプライアンスなどの費用を生む可能性があります。
適切なHandoffはVerified completionではありません。False completionは生産性ではありません。
経済性を測るための作業モデル
以下は、Nova Epitomeの作業モデルであり、会計基準や業界標準ではありません。
一定期間における業務の総費用を、次のように表します。
＝ AI・ツール費
＋ インフラ費
＋ 連携・保守費
＋ 検証費
＋ 人による確認費
＋ 例外処理費
＋ 手戻り費
＋ 失敗による期待損失
| 費用項目 | 含まれるもの |
|---|---|
| AI・ツール | モデルトークン、推論、検索、ブラウザ、API、コード実行、外部サービス |
| インフラ | ホスティング、ストレージ、ネットワーク、ログ、セキュリティ、監視 |
| 連携・保守 | 業務設計、コネクター、テスト、更新、プロンプト・ポリシー保守 |
| 検証 | 最終状態の確認、照合、テスト、受領記録、独立レビュー |
| 人による確認 | 承認、サンプリング、品質管理、専門判断 |
| 例外処理 | Appropriate handoff後に必要となる作業 |
| やり直し | 誤出力の訂正、状態復旧、完了済み工程の再実行 |
| 期待失敗損失 | False completion、見逃したEscalation、無許可操作、遅延、下流エラーの確率加重損失 |
業務全体の指標は、次です。
＝ ワークフローの総費用 ÷ 検証済み業務成果の件数
（自動で検証済み完了＋人が解決し検証済み完了）
分母に含めるのは、最終的に目標状態へ到達し、確認された案件だけです。まだ解決されていないAppropriate handoffは、完了成果として数えません。
自動経路だけを評価する場合は、別の指標を使います。
＝ 自動経路へ帰属する費用 ÷ 自動で検証済み完了した件数
この二つを置き換えてはいけません。一つ目は、業務運用全体の経済性を評価します。二つ目は、自動処理部分の経済性を評価します。
False completionという隠れた費用
明確な失敗は、False completionより安全な場合があります。
システムが「失敗した」と報告すれば、組織は未完了の仕事があると分かります。完了していないのに「完了した」と報告すると、誤りが別システムへ移り、顧客へ届き、支払いを発生させ、報告書へ混入し、後になるまで発見されない可能性があります。
期待損失は、次のように表せます。
＝ 各失敗の発生確率 × 発生した場合の平均損失 の合計
たとえば、問題の発見・調査に使う従業員時間、訂正と再処理、顧客への補償・対応、二重・誤った支払い、入金や業務の遅延、SLA違反、法務・コンプライアンス対応、セキュリティ事故対応、失われた売上や機会、責任を持って推計できる範囲での評判影響があります。
2026年のAIエージェント信頼性研究では、複雑なタスクほど行動回数の費用が予測しにくくなり、一部モデルが難しい案件で多くの行動を行う傾向が確認されました。また、無許可の情報開示や誤った財務取引のような高影響の失敗は、頻度が低くても大きな費用を持ち得ると指摘されています。
平均的なエラー率が低くても、重大な失敗の裾野が大きければ、経済的には許容できない場合があります。
Appropriate handoffの経済価値
Appropriate handoffを、業務完了と同じ価値として扱うべきではありません。一方で、大きな損失を防ぐ可能性があります。
AIが支払い情報の矛盾を発見し、送金前に処理を止めたとします。
その経済的貢献には、誤った支払いを防ぐ、人の調査時間を短縮する、証拠を保存する、業務を安全な状態に保つ、定義された地点から処理を再開できる、が含まれます。
慎重な推計は、次です。
この価値は、比較対象となる反実仮想によって変わります。組織は「AIが続行していた場合、何が起きる可能性が高かったか」を問う必要があります。
従来の人手処理でも同じ誤りを発見できたなら、Handoffの追加価値は限定的かもしれません。誤った支払いが実行された可能性が高いなら、回避損失は大きくなります。
Handoffの価値は、完了成果の価値とは分けて測ります。
ワークフロー・スコアカードの例
以下は計算構造を示すための架空の例であり、ベンチマークやNova Epitomeの実績値ではありません。
月間1,000件の請求書処理を想定します。
| 結果 | 件数 |
|---|---|
| 自動で検証済み完了 | 650 |
| Appropriate handoff | 250 |
| Handoffのうち、月内に人が解決 | 220 |
| False completion | 20 |
| 未解決・保留・安全に終了 | 80 |
220件のHuman-resolved caseは、250件のHandoffに含まれています。最終的な検証済み業務成果は、650 + 220 = 870件です。
1,000件の試行
ワークフローが各案件の処理を開始します。
自動で検証済み完了650件 · Appropriate handoff 250件
残り：False completion 20件 · 未解決・安全に終了80件。
検証済み業務成果 合計870件
自動650件＋人が解決した220件。
| 月間費用 | 金額 |
|---|---|
| AIモデル・ツール | 1,300ドル |
| インフラ、ログ、監視 | 700ドル |
| 連携・保守費用の月次配賦 | 1,000ドル |
| 人による確認・例外処理 | 2,200ドル |
| やり直し | 800ドル |
| 期待失敗損失 | 1,500ドル |
| 合計 | 7,500ドル |
見かけ上のモデル・ツール費用は、次です。
業務プログラム全体の試行1件当たり費用は、次です。
検証済み業務成果1件当たりの総費用は、次になります。
1.30ドルと8.62ドルは、まったく異なるものを表しています。1.30ドルは限定された技術費用です。8.62ドルは、実際の業務プロセスの経済性に近い指標です。
どちらも、現在の業務ベースラインと比較しなければ意味を持ちません。
ゼロではなく、現行業務と比較する
正しい比較は、「AIは8.62ドルかかり、何もしなければ0ドル」ではありません。
次の比較です。
従来の処理はいくらかかり、どのような成果を生んでいたか。
| ベースライン項目 | 例 |
|---|---|
| 人の作業量 | 1件当たりの分数と人件費 |
| 処理時間 | 受付から検証済み完了まで |
| 誤り・やり直し | 訂正率と必要時間 |
| 例外負担 | Escalation件数と難易度 |
| 下流損失 | 誤支払い、遅延、失注、顧客対応 |
| 処理能力 | 従業員・チーム当たりの完了件数 |
| サービス品質 | 応答時間、正確性、再オープン率、SLA |
新しいワークフローが生む価値には、人の処理時間削減、人員を比例して増やさず処理量を増やすこと、サイクルタイム短縮、エラー削減、高影響事故の削減、サービスレベル改善、請求・入金の迅速化、監査・紛争対応の証拠改善があります。
同じ価値を重複して数えてはいけません。
たとえば、削減時間と削減人件費を同時に計上する場合、実際に人員費用が変化したかを確認する必要があります。やり直し削減と失敗損失回避も、同じ事故を説明している場合は重複します。
最初に測定しやすい業務を選ぶ理由
StanfordのAI Index 2026によると、2025年には調査対象組織の88％が少なくとも一つの業務機能でAIを使用していました。一方、AIエージェントを本格的に展開している割合は、ほぼすべての業務機能で一桁台でした。また同報告は、構造化され、成果を監視しやすい仕事で、生産性向上が比較的大きく報告される傾向をまとめています。
したがって、最初のパイロットに、組織で最も政治的・曖昧な業務を選ぶ必要はありません。
適した業務には、一般に次があります。
- 明確な業務単位
- 測定可能なベースライン
- 定義された目標状態
- 正規の証拠
- 管理可能な例外
- 限定された影響範囲
- 運用上の評価に十分な処理量
パイロットの目的は、AIが印象的なことをできると証明することではありません。その業務に、再現可能で説明可能な単位経済性があるかを確認することです。
経済性を評価する4段階
1．Baseline
AI導入前の、人または従来型自動化による処理を測定します。処理量、人の時間、サイクルタイム、エラー、やり直し、例外費用、下流損失を記録します。
2．Shadow Evaluation
AIに同じ案件を処理させますが、本番システムは変更させません。提案した完了、Handoff、False completion、資源利用、確認時間を測ります。
3．Approval-Gated Pilot
低リスク操作を許可し、重要操作には承認を要求します。実際のツール費用、人の介入、状態復旧、訂正作業、検証済み成果を測ります。
4．Exception-Based Operation
性能が安定した後、検証済みの定型案件をAIが完了し、例外だけを人へ渡します。モデル、画面、API、業務ルール、新しい案件種類の変化を継続監視します。
Continuous evaluationは、すべての段階に適用します。
パイロット評価表（Pilot Scorecard）
実用的なスコアカードでは、成果、制御、費用、価値を分けます。
| 分類 | 主な指標 |
|---|---|
| Outcome | 自動で検証済み完了、人が解決した完了、処理時間 |
| Control | Appropriate handoff、False completion、Missed escalation、無許可操作 |
| Human effort | 確認時間、例外処理時間、やり直し時間 |
| Technology cost | モデル、ツール、インフラ、監視 |
| Failure cost | 訂正、顧客影響、財務損失、事故対応 |
| Economic result | 検証済み成果1件当たり費用、ベースライン比較、創出された処理能力 |
モデル料金が安い、デモが速い、UIの評判がよい、多くの途中成果を生成した、自動完了率が高く見える、という理由だけで業務を拡大すべきではありません。
次が成立した場合に拡大を検討します。
- 最終成果を検証できる
- False completionが許容基準内
- 人の確認量を予測できる
- 例外処理を運用可能
- 検証済み成果1件当たりの総費用がベースラインより有利
- 残るリスクが組織の責任と許容範囲に合う
料金は、単位経済性の後に決める
Nova Epitomeの独立したBusiness Models記事では、seat、usage、managed service、outcome-linked pricingなどの商業条件を扱います。
第4回で扱うのは、その前に必要な問いです。
料金モデルを選ぶ前に、試行1件の費用、検証費用、人による確認費用、例外処理費用、失敗の期待費用、検証済み成果の価値を把握する必要があります。
商業条件は、実際に測定したワークフローの動作から決めるべきです。測定の代わりに、料金体系を置くべきではありません。
目標は最も安いモデルではない
中心となる経済上の問いは、「どのモデルのトークン価格が最も安いか」ではありません。
次の問いです。
どのモデル、ツール、制御、検証、人による確認の組み合わせが、必要な業務成果を、説明可能な最小総費用で生み出すか。
高価なモデルでも、再試行が少ない、False completionが少ない、Handoff情報の品質が高い、人の確認時間が短い、高額な誤りを回避できる場合には、総費用が安くなる可能性があります。
安いモデルが適しているのは、業務が単純、検証費用が低い、操作を取り消しやすい、高性能モデルでも成果が大きく改善しない、難しい案件を別経路へ確実に送れる場合です。
実際の答えは、複数の方式を組み合わせる場合が多いでしょう。分類・抽出には安価なモデル、難しい推論には高性能モデル、検証には決定的なルール、最終確認には正規のシステム状態、例外・責任判断には人です。
最も経済的なAI業務は、各工程がすべて最安の業務ではありません。正しい最終状態へ到達する総費用が最小の業務です。
Verified Workは、経済性を測るための考え方でもある
Verified Workは、安全性やガバナンスだけの考え方ではありません。未完了、不正確、未検証の活動を、経済価値として誤って報告することを防ぐ考え方でもあります。
信頼できる事業評価では、試行と完了、途中成果と最終成果、Handoffと業務完了、目に見えるOutputと検証済みの状態変化、モデル費用と業務総費用、平均的なエラーと高影響の裾野損失を分けます。
AIの価値は、モデルが生成を止めた時点ではなく、業務成果が検証された時点で測るべきです。
これが、Verified Workの経済的な基盤です。
参考文献
- TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks — NeurIPS 2025, Datasets and Benchmarks Track. 最良評価構成について、完全完了率30.3％、平均27.2ステップ、試行1件当たり約4.20ドルの計測API費用を報告.
- Towards a Science of AI Agent Reliability — arXiv:2602.16666, version 3（2026年6月）. 複雑なタスクで資源消費の一貫性が低下し、頻度の低い高影響失敗が大きな費用を持ち得ると報告.
- Stanford AI Index Report 2026 — Economy — 2025年の組織のAI利用率88％、AIエージェントの本格展開はほぼすべての業務機能で一桁台と報告。構造化された測定しやすい業務で、生産性向上の証拠が比較的強いことをまとめている.