AIの投資効果は支出額だけでは判断できない
問題はアクセンチュアだけに限らない。404 Mediaは2026年7月、大手テクノロジー企業数社が従業員のAI利用を制限し始めたと報じた。開発者に安価なモデルの利用を勧めたり、高額な処理を制限したりする例が多いという。業界は長年AIの利用実験を促してきたが、企業は利用拡大に伴う請求額に直面している。
アクセンチュアの方針を、従業員がAIを使いすぎている証拠と受け取るのは早計だ。利用額が多ければ無駄というわけでも、少なければ効率的というわけでもない。
例えば、開発者がAIに月500ドル（約7万9000円）を使い、本来なら追加で5000ドル（約79万円）の人件費がかかる仕事を完了したとしよう。完成品の品質に問題がなく、短縮した作業時間が測定可能な経済効果につながるなら、投資として魅力的だ。反対に、月29ドル（約4600円）しか使わなくても、不正確な要約の修正に手間がかかり、作業時間を短縮できない従業員もいる。支出の上限だけでは、どちらが高い投資効果を上げているか判断できない。
作業時間の削減が利益増にも売上減にもつながる理由
コンサルティング会社では、AIによる効率化の利益は顧客との契約方式で変わる。ある案件に必要な作業時間がAIの導入で1000時間から500時間に減れば、生産性は大幅に向上したように見える。しかし、売上と利益への影響は、固定価格で請け負うのか、作業時間に応じて請求するのか、成果に応じて報酬を得るのかによって異なる。
固定価格の契約なら、人件費の削減で利益率が高まる可能性がある。時間に応じた請求では、空いた人員を別の有償案件へ振り向けられなければ、同じ効率化が売上減少につながりかねない。
トークンの安さではなく業務完了までの総費用を測る
企業向けAIの費用対効果を測る「トークノミクス」は、トークンの数と料金だけを追う段階を脱する必要がある。投資収益率（ROI）と仕事の価値を、実際の成果に即して評価することが重要だ。
企業が測るべきなのは、事業上の成果を得るまでにかかる費用の総額である。AIモデルの使用料に加え、作業が完了するまでの試行回数、正確性の検証や修正に費やす人手、完成した仕事の価値も考慮する。支援用のソフトウェア、ハードウェアなどの設備、電力、建物の費用も含める必要がある。
Linux Foundationが設立したTokenomics Foundationも、AI利用に伴う総費用を重視している。Linuxのシステムを提供する企業にとって、総所有コスト（TCO）は昔から重要な論点だ。1990年代から2000年代初めにかけて、システムの導入から運用までに必要な費用を巡る競争が繰り広げられた。
単価の安いAIモデルが、実際の業務でも低コストとは限らない。安いモデルが何度も処理に失敗すれば、高額なモデルで最初から正しく完了させるより、総費用が膨らみ得る。
同時に、AIの使い方を最適化する意味は大きい。企業は定型作業を小型のモデルへ割り振り、キャッシュした情報を再利用し、AIエージェントによる不要な反復処理を減らせる。高額な推論モデルは費用に見合う難しい問題へ集中させ、業務に応じて処理量やモデルを選べばよい。従業員への研修や技能向上も、AIを効率よく使う力を高める。
ただし、目指すべきなのはトークンの支出を最小化することでも、全員に一律の上限を課すことでもない。仕事を正しく完了するまでに必要な費用を最適化することだ。
AIの利用量は、コンサルティングサービスの価格や提供方法を左右する重要な要因になり得る。IT部門の責任者、財務部門、事業管理者には新たな予算管理が求められる。ライセンスの本数を数えたり、ソフトウェア契約の更新を承認したりするだけでは、AI予算を管理できない。利用量と事業成果を直接結びつけて評価する必要がある。
アクセンチュアがClaudeの社内負担額を制限した理由は、依然として明らかではない。Claudeの利用費が特に高いからなのか、AI業務全体で統一した管理策を導入しているのか、それとも従来の費用負担の仕組みが経済的に成り立たなくなったのか。理由によって、アンソロピックとAI市場全体への影響はまったく異なる。
