月額2,000円安いAIへ乗り換えたのになぜか仕事は遅くなった。
初稿の直しが増え、調査結果の出典を探し直し、結局は別のAIでもう一度やり直す。
請求書だけを見れば節約でも作業全体では高くついている。
AIツールの比較で見落とされやすいのは失敗にも費用がかかることだ。
利用料金は数字で見えるが曖昧な回答を直す20分、誤った数値を確かめる10分、担当者へ戻す手間は請求画面に出ない。
無料プランであっても毎回の修正に人の時間を使えば無料ではない。
OpenAIは2026年7月の公式記事で「Useful Intelligence per Dollar」という考え方を示し、トークン単価ではなく、成功した仕事の総費用を見るよう提案した。
主張自体はOpenAIの製品戦略を含むため、そのまま採用する必要はない。
ただし、安価なモデルが再試行を増やし、高価なモデルが一度で基準を満たすなら、後者の方が結果単価は低くなり得るという計算はどのベンダーにも使える。
本稿ではChatGPT、Claude、Geminiの性能順位を決めない。
自分の業務で成功1件をいくらで作れたかを測る小さな仕組みに落とし込む。
従来のSaaSは購入席数、月間利用者、ログイン回数などで活用度を測りやすかった。
生成AIでは、利用回数が多いほど成果が大きいとは限らない。
回答が不十分で何度もやり直している場合も利用回数だけなら活発に見えるからだ。
OpenAIの公式説明は価値ある仕事が完了したか、成功したタスクはいくらか、結果を信頼できるか、利用拡大で1ドル当たりの価値が増えるか、という4点を置く。
そのうち小規模なチームでもすぐ測れるのが「成功タスク当たりの費用」である。
ここでいう成功は、AIが何かを出力したことではない。
メールなら事実と口調の基準を満たして送れる状態、資料なら必要項目が揃い、数字が照合済みである状態を指す。
出力を受け取っても、人が一から作り直したなら失敗として数える。
この指標はベンチマークの代わりでもない。
公開ベンチマークはモデルの基礎能力を知る材料になるが自社の商品名、社内ルール、日本語の語調、よく使うファイル形式まで再現しない。
ツール選定では一般性能を見た後に自分の実データへ近い課題で測る必要がある。
計算式は「対象業務の総費用÷品質基準を満たした件数」でよい。
総費用には契約料やAPI利用料だけでなく、指示作成、待ち時間、再試行、修正、出典確認、最終検収、人への引き継ぎを含める。
月額契約を複数業務で使うなら、対象業務に使った時間や件数で配賦する。
厳密な会計処理を目指す必要はない。
最初は、1カ月の料金を利用件数で割る方法でも、担当者が記録した利用時間比率で割る方法でもよい。
大切なのは、ChatGPTだけ人件費を除外し、ClaudeとGeminiには修正時間を加えるといった不公平を避けることだ。
人件費は、担当者の1時間当たりコストに作業分数を掛ける。
給与そのものではなく、会社負担の社会保険や間接費を含む標準単価があればそれを使う。
個人事業主なら、自分がその時間に行えた仕事の価値を暫定単価として置ける。
たとえば1カ月に30件の調査メモを作り、ツール配賦額が3,000円、指示と確認が合計300分、時間単価3,000円、成功が24件だったとする。
総費用は18,000円、成功タスク単価は750円になる。
30件で割った600円ではない。
基準未達の6件に使った費用も、成功した24件が負担するためだ。
数式にすると次のようになる。
成功タスク単価 ＝（ツール配賦額＋作業時間×時間単価＋追加ツール費＋失敗処理費）÷成功件数
品質が低いまま成功件数を増やすと数字だけ良くなるため、成功条件は測定前に固定する。
高リスク業務では、誤りによる損失期待額も補助指標として加えるとよい。
比較で最も難しいのは料金の収集ではなく「成功」の定義である。
文章が自然、内容が詳しいといった感覚だけでは評価者の好みで結果が変わる。
必須条件、許容条件、失敗条件を先に書き出したい。
メールなら、宛先と固有名詞が正しい、合意済みの内容だけを使う、指定文字数に収まる、敬語の修正が5分以内、添付漏れがないと設定できる。
調査では、一次情報へのリンクがある、公開日が確認できる、異なる情報源を2件以上使う、推測を事実として書かない、重大な数値誤りがない、といった条件になる。
資料作成では見た目だけで合否を決めない。必要スライドが揃う、表の数値が元データと一致する、フォント崩れがない、編集可能な形式で出せる、レビュー指摘が一定件数以下という基準が使える。
顧客対応では、正答率に加え、禁止表現、個人情報、返金や契約変更の権限逸脱も失敗条件に入れる。
成功条件は全項目必須にする方法と、重大項目を必須にして残りを点数化する方法がある。
10件程度の小さな比較なら重大な誤りが一つでもあれば不合格、残りは80点以上で成功、という二層構造が扱いやすい。
評価者には可能ならどのツールの出力か伏せる。
ブランドへの期待が採点へ入りにくくなる。
完全なブラインド評価が難しくても、採点表を先に作るだけで「いつも使っているから高得点」という偏りを減らせる。
ChatGPT、Claude、Geminiを比べるときは各サービスの代表的な機能を並べるだけでは足りない。
自分が実際に繰り返す業務を選び、同じ入力データ、同じ指示、同じ制限時間、同じ採点表で試す。
料金は公開直前に公式ページで確認する。
個人向けと法人向けでは、管理機能、データ利用条件、最低席数、上限、税や通貨表示が異なる。
月額だけを一つの表へ貼り付けると利用条件の違いを隠してしまうため、本稿では固定価格のランキングを作らない。
比較シートには、次の項目を一件ごとに記録する。
本文では計算の意味を説明したため、表には実測時の記録欄と合否条件をまとめた。
各ツールで最低10件できれば繁忙時や難しい例を含む20〜30件を試す。
平均値だけでなく成功率と最悪ケースも見る。
平均単価が低くても重要顧客向けメールで重大な誤りが出るツールはその業務には向かない。
また、ツールを公平にするため、指示文を一字一句同じにすればよいとは限らない。
サービスごとに得意な入力形式や連携が違うからだ。
最初の比較は共通プロンプトで行い、次に各ツールで現実的な最適化を施す。
両方の結果を残せば、素の能力と運用改善後の費用を分けて見られる。
比較結果は「ChatGPTが総合1位」のようにまとめず、業務別に残す。
調査はA、長文編集はB、Google Workspace連携を含む処理はCという組み合わせが、全体の成功単価を下げる場合もある。
ブランド統一による管理コスト削減と、適材適所による成果改善を同じ表で検討する。
契約を残す基準は、月に一度でも使ったかではない。
そのツールでしか低い成功単価を出せない反復業務があるか、代替したときに品質や時間がどれだけ変わるかを見る。
一つのツールが複数業務で僅差なら統一による効果が大きい。
研修、アカウント管理、データ取り扱い、問い合わせ窓口、テンプレート整備を一本化できるためだ。
成功タスク単価が50円下がっても、管理に月数時間増えるなら、複数契約は割に合わない。
反対に、特定業務で差が大きく、件数も多いなら併用が合理的になる。
資料30件で1件当たり500円下がれば月15,000円の差になる。
追加契約と管理費がそれより小さく、品質リスクも低いなら残す理由がある。
停止判断では、過去の利用実績より今後90日の対象業務を見る。
新機能への期待や、いつか使うかもしれないという感覚は費用対効果を曖昧にする。
対象業務、月間件数、想定成功率、単価差を置けなければ、いったん解約して必要時に再評価する方法もある。
ただし、短期の測定だけで頻繁に乗り換えると、テンプレートの作り直しや学習コストが増える。
通常業務は四半期ごと、料金改定や大型モデル更新があったときは臨時で再測定する程度が現実的だ。
公開ベンチマークやSNSの評判は候補を絞る材料にし、契約判断は自分の成功タスク単価へ戻す。
AIツールの価格表は比較の入口であって、結論ではない。
月額やトークン単価が安くても、失敗、再試行、修正、検収が増えれば、仕事を終える費用は上がる。
反対に高価なプランでも、一度で基準を満たし、人の確認を短くできるなら採算が合う。
まず一つの反復業務を選び、成功条件を決め、ChatGPT、Claude、Geminiへ同じ課題を10件ずつ渡す。
ツール費と人の時間を足し、成功件数で割る。そこで初めて、自分にとっての「安いAI」が見える。
一社へ統一するか、複数を残すかも同じ数字で考えられる。
価格や知名度ではなく、成功した仕事を最も少ない総費用で作れる構成を選ぶ。
これが、AIツールを契約コレクションにしないための実践的な判断軸になる。
.png){kind=logo}
