「トークンマキシング」は、2025年から2026年にかけてテクノロジー業界で広く採用されるようになったAI活用戦略である。従業員や企業は、AIモデルが処理する断片化された単語や文字であるAIトークンの消費量を、生産性を示す直接的な指標として扱った。実際には、トークン使用量がAI導入の代替的な重要業績評価指標（KPI）になったのである。
その逆説は、いま企業予算の中で明らかになっている。スタンフォード大学のAI Indexによると、GPT-3.5水準のシステムにおける推論コストは2022年から2024年にかけて280分の1超に低下した。それにもかかわらず、利用強度の高まりとエージェント型ワークフローの拡大により、企業のAI支出総額はなお増加した。知能が安価になってもコストは下がらず、消費が拡大したのである。
これは、トークンマキシングが構造的に不安定であることを示す最初の兆候だと私は考えている。
利用量は価値ではない
MetaのCTOであるアンドリュー・ボズワースも、社内メモで同様の趣旨を述べ、「あらゆる動きが進歩であるわけではなく、トークン使用量だけではインパクトの尺度にならない」と説明した。実際、Metaは社内コストが数十億ドル規模に膨らむ中、AI利用を監視し、制御するための社内ガバナンスシステムを導入した。
Uberもまた、年間のAI予算をわずか数カ月で使い果たした後、従業員のAI支出をコーディングエージェント1つ当たり月額約1,500ドル（約23万円）に制限したと報じられている。
これらは効率化の微調整ではない。軌道修正である。多くの企業は、トークンマキシングが「活動」と「インパクト」を取り違えていることに気づきつつある。利用量の曲線は測定しやすいが、それは事業成果ではない。AI導入指標が自動的に投資対効果（ROI）へ転換されるわけではない。
スケーリング則とコストの錯覚
現代のAIはスケーリング則に従う。すなわち、モデルが大きくなり、データと計算資源が増えるほど、能力は着実に向上する。同時に、推論効率も改善し続けており、プロバイダー各社でトークン当たりのコストは下がっている。
しかし、そこには構造的な相殺要因がある。OpenAIのGPT系APIは、入力トークン100万件当たり数ドル程度に価格設定されている一方、出力トークンはモデルの階層やコンテキスト長に応じてより高い価格になる。AnthropicのClaudeモデルも同様の構造をとっており、推論と生成の負荷があるため、出力トークンは通常、入力トークンより大幅に高く設定されている。
同時に、エージェント型ワークフローは消費パターンを変えた。単一の「タスク」はもはや1回のAPI呼び出しでは終わらない。通常は、計画、検索、ツール利用、振り返り、再試行のサイクルを含む多段階の推論ループである。各ステップが追加のトークンを消費する。
その結果、トークン当たりの単価は下がる一方で、ワークフロー当たりのトークン数は増えるという逆説が生じる。したがって、システム全体のコストは上昇する。見て取れるように、スケーリング則は知能を向上させるが、システムが自律化すると利用強度も増幅するのである。
企業に突きつけられる現実
トークンマキシングの中心的な問題は技術的なものではなく、経済的なものだ。企業は消費されたトークン数、発行されたプロンプト数、導入されたエージェント数といったものを測定し続けている。しかし、これらはいずれも唯一重要な問いに答えていない。事業成果は改善したのか、という問いである。
UberのAI支出上限は、制御されていないエージェント型利用がコスト予測可能性を損なうという現実を反映している。Metaのガバナンスシステムも同じ教訓を示している。規律がなければ、AIは際限のない運用費になる。マッキンゼーのAI調査によると、「AIの利用による企業全体で意味のある最終損益へのインパクトは、引き続きまれである」。
業界を問わず、パターンは一貫している。すなわち、利用量の増加スピードが、そこから得られる価値のそれを上回っているのだ。したがって、真の制約は利用量ではなくROIなのである。
高リスクシステムにおけるROI
私が携わるサイバーセキュリティ、マネーロンダリング対策（AML）コンプライアンス、ブロックチェーンインテリジェンスの分野では、この隔たりがとりわけ明確になる。
サイバーアナリストや不正調査担当者は、調査に1万トークンを使うのか、1000万トークンを使うのかを気にしない。Anthropic、OpenAI、DeepSeekのどれを使うかにも関心はない。意味のある問いは次のものだけである。
• 調査時間は短縮されたか。
• 検知精度は向上したか。
• 誤検知は減少したか。
• 結果は説明可能で、監査可能か。
• 規制への抵触リスクは低減されたか。
AIがこれらの成果を改善せずにトークン使用量だけを増やすなら、それは最適化ではなくオーバーヘッドである。特にAMLシステムでは、この区別が極めて重要だ。最終的に価値を定義するのは、より良い意思決定である。つまり、AIの価値は活動ではなく成果によって定義される。
トークン指標からROI指標へ
トークンマキシングが失敗するのは、次の3つの層を取り違えるからだと私は考えている。
1. 活動（どれだけAIを使うか）
2. 能力（AIに何ができるか）
3. 価値（どの事業成果が変わるか）
企業はしばしば、1つ目を最適化すれば自動的に3つ目が生み出されると思い込みがちだ。だからこそ、ROIは企業AIにおける主要な測定フレームワークにならなければならない。成熟したシステムは、次の項目を測定すべきである。
• 解決された事業成果当たりのコスト
• AIを使った場合と使わない場合のサイクルタイム短縮
• 品質調整後の生産性（速度 × 精度）
• リスク調整後ROI
• ワークフローの拡張ではなく、ワークフロー自体の削減
AIを除外したベースラインがなければ、AI導入時のROIは測定できない。ワークフローの再設計を伴わないAI導入は、非効率なプロセスをより高速に実行しているだけにすぎない。
トークンマキシングは一つの段階だった
とはいえ、私はトークンマキシングが悪意あるものだとは考えていない。AI導入における移行期の段階だと見ている。企業が新たな能力を発見し、利用を日常化する助けになった。しかし、持続可能な運用モデルではない。
繰り返しになるが、企業AIの次の段階を規定するのは利用量の伸びではなく、ROIに基づく規律である。最も多くのトークンを消費することに注力するのではなく、勝者となるのは、どのトークンが収益を生んだのか、どのトークンがリスクを下げたのか、どのトークンが利益率を改善したのか、どのトークンが不要だったのかを正確に答えられる企業である。
それ以外はすべて、高くつく活動にすぎない。
