組織でAIを使い倒すには 安野貴博が語る「導入の3段階」とトークン予算の考え方

YouTubeで開く ↗
概要

エンジニア・起業家の安野貴博は、経営者から「AI活用を自社でどう進めればいいかわからない」「うまくいっている会社はどうやっているのか」と相談されることがあるという。自分がAIを使うだけでなく、組織としてAIを最大限活用するにはどうすればいいか。安野自身もこの問題に悩んでおり、「まだ全然答えも出ていない」と前置きしたうえで、考えてきたことを共有した。話は、AI導入の段階分け、エージェント化に伴うトークン消費の急増、問題ごとのモデル選定、組織で取り組める具体策の順に進む。

10分で読めます
1:03

AI導入の3つのレベル

安野はまず、「AIを導入している」と言う組織にも段階があると述べる。以下は本人が「独自解釈」と断ったうえでの分類だ。

レベル1は「AIに質問ができる」状態である。ChatGPTやClaudeを社内に入れ、わからないことがあればAIに質問できるようにする。要するに、全員にアカウントを配る段階だ。

レベル2は「AIに仕事を頼める」状態で、いわゆるエージェントAIの段階にあたる。安野はClaude CodeやCodexのようにエージェンティックに動くもの、Cowork、ChatGPTの同種の機能を例に挙げる。ここではAIが質問に答えるだけでなく、メール、カレンダー、文書管理ツール、チャットツール、GitHubなど他のシステムとつながっている。そのため「これをやっておいて」「カレンダーで日程調整しておいて」とAIに任せられるようになる。

レベル3は、人間が頼まなくてもAIが自ら仕事を進める状態だ。たとえばバグが見つかったり、セキュリティアップデートが出たりしたとき、AIの側から「これを直しておきました」「こういう要望があったのでこうしました」と報告し、反映してよいかの承認だけを人間に求める。

安野の見立てでは、多くの会社はまだレベル1かレベル2にとどまっている。そこから徐々にレベルを上げていくことが、一つ目の方向性になる。

3:02

レベル2以降で直面する「トークンの爆発」

レベルを上げると問題が起きる。安野によれば、おおむねレベル2あたりから、エージェントAIを使うとトークンの量が爆発する。トークンとは、AIが考える量・書く量・読む量のようなもので、AIを使うためのクレジットだと安野は説明する。

例として、安野は自身が率いるチームみらいの使用量を挙げた。2026年4月の使用量を100とすると、約3ヶ月後には1500程度になり、トークン量は15倍ほどに増えたという。レベル1の段階ではどんどん使ってもそれほど高くならなかったが、レベル2、レベル3になると使用量が桁違いに増える。そのため、レベルを上げるときにトークン効率を考えなければ、「高くて支払えない」という事態になりうる、と安野は指摘する。

3:57

鍵は「どの問題をどのモデルで解くか」

トークン効率を考えるうえで重要なのは、どの問題をどのモデル、どのAIで解くかを賢く選ぶことだ、と安野は言う。ChatGPTにも複数のモデル(安野はアストラ、ソル、ルナなどの名前を挙げる)があり、Claudeにも上位からFable、Opus、Sonnet、Haikuと並ぶ。プロプライエタリなモデルに加えてオープンモデルまで含めれば数えきれないほどある。どのモデルにどの問題を解かせるかを考えるだけで、トークン効率はかなり上がるという。

安野はこれを問題の種類ごとに分けて説明した。

4:45

そもそもAIに解ける問題か

最初に見極めるべきは、それがAIに任せるべきタスクかどうかだ。安野は別の動画でも述べたとして、AIは経営的な意思決定を代わりに判断することがまだあまり得意ではないと語る。その前段階のリサーチなら任せてもうまくいくが、最終的な意思決定は難しい。根拠として、CEOベンチと呼ばれるベンチマークでもまだ性能が高くないこと、マーケットでも成績がよくないことを挙げている。

もう一つの例が文章作成だ。レポートなどで80点程度までならAIで簡単に到達できる。しかし80点を100点にする部分をAIに任せても、文章力が足りず良い結果にならない、と安野は言う。こうしたAIが解けないタイプの問題は、自分の頭で考えるべきだという。

ただし安野は、何が解けて何が解けないかは試行錯誤しないとわからないので、最初から諦めるべきではないとも付け加える。使ってみて「これは任せるべきではない」とわかってきたものから、AIを使わないようにすればよいという立場だ。

5:59

「良ければ良いほどいい」問題には賢いモデルを

では、賢い高価なモデルはどんなときに使うべきか。安野の答えは、上限が100点で決まっておらず、1000点より2000点、2000点より2010点のほうが良い、という「良ければ良いほどいい」タイプの問題である。唯一の正解を見つければ終わり、というわけではない問題がこれにあたる。

反対に、簡単なバグを修正するパッチの作成、メールを読んでタスクに登録すること、複数人の都合を調整する日程調整メールの下書きなどは、質を上げるほど効果が大きくなる類のものではない。日程調整メールの下書きなら、1000点と100点の差があるわけではなく、90点と92点、70点と80点を争う程度だ。こうした問題には、もっと小さく安いモデルで十分だと安野は言う。ChatGPTで上位と下位のどちらを使うか、ClaudeでFableとHaikuのどちらを使うかで、価格にはかなりの差がある。

7:06

性能とコストの関係を図で見る

各モデルの能力も試行錯誤しながら把握する必要があるが、参考になる資料として安野はArtificial Analysisが公開している図を紹介した。横軸は1タスクあたりのコストで、右に行くほど1つのタスクにお金がかかる、つまり大きく高いモデルになる。縦軸は上に行くほど性能が高い。

図を見ると、右に行くほど上に行くという相関がある。大きなモデルほど性能は高いが、コストもかかるということだ。

図には同じモデルを結んだ実線もある。安野の説明では、画面上で一番右に伸びているのがFable 5.1の線、一番上まで届いているのがOpus 5.5の線だという。これは、同じモデルでもエフォート、つまりどれだけ頑張らせるか(高・中・低など)によって性能がかなり変わることを示している。こうした図を見ると、たとえば今のGPT 6.1のソルはOpus 5.5と比べても価格差がかなりある、といったことがわかる。安野は、どのモデルをどこで使うかを考える参考にしてほしいと述べた。

8:39

おすすめ①:チャットツール上でAIを使えるようにする

ここから安野は、トークン効率の考え方を組織に広めるための具体策を3つ挙げた。

1つ目は、AIをチャットツール上で使えるようにすることだ。全員がAIのサイト上で個別に質問やタスクの依頼をしていると、誰がどんなタスクをどんなプロンプトで頼み、どんな結果が返ってきたかが共有されない。共有されなければ、「こういう問題にはこのモデルでこの程度の品質が出る」という学びが組織に蓄積されない。

そこでSlackなどにAIのボットを置き、すぐに質問できる状態にしておくと、他の人がどんな質問をどう処理しているかが見えるようになる。「カレンダー調整は意外とSonnetでもうまくいく」「こんな仕事まで頼めるのか」といった学びが共有される。単に「AIのサイトに行ってね」と言うのではなく、SlackやMicrosoft Teamsから使えるようにすることを安野は勧める。そのためのつなぎ込みのコードは自前で用意してもよいし、AI企業が提供しているコネクターもいろいろあるので、それを調べるとよいという。

10:08

おすすめ②:回答に金額を併記してコスト感覚を養う

2つ目は、チャットツール上のやりとりに、その結果にいくらかかったかを併記することだ。たとえば「このGitHubのプルリクエストを作るのにこれだけトークンを使った」「この質問に答えるのにいくらかかった」と、質問や依頼ごとに費用を表示する。そうすると、コスト感覚が徐々に身についていくと安野は考えている。

安野がシリコンバレーのさまざまな会社の人に聞いたところ、コスト感覚をつけるには金額を横に出すとよいという答えが返ってきたという。多くの会社が実際にやっているのではないか、と安野は述べている。

10:49

おすすめ③:トークン予算をコントロールする

3つ目について、安野は「しれっと書いてあるけど、めちゃくちゃ難しい話」だと強調する。誰がどれだけトークンを使ってよいかが無制限のままだと、放っておけば会社全体でものすごいコストがかかる。トークンはどんどん安くなっているから大丈夫だという意見もあるが、それでもコストはかかる。そこで、誰がどれだけ使ってよいかという予算をあらかじめ決めておく、というやり方が考えられるという。

難しいのは、1人あたりどれだけの予算を割り当てるかだ。安野はUberの事例として、その人の人件費の5%程度をトークン予算に割り振るとよいのではないか、という話があったことを紹介した。

加えて安野は、適切な配分は職種や過去の実績によってもかなり変わるだろうと見ている。ソフトウェアエンジニアはソースコードを書く時間が長く、トークンを消費して実際のコードを得る活用率が非常に高い。安野の言葉でいえば、トークンを価値に変換する「燃費」がいい。一方、外回りの営業職などは、他職種と比べてトークンを使ってこなす仕事の量がそれほど多くないかもしれない。リサーチャーは多い。デザイナーは最近Claude Designで作ることも増えてきたが、まだ少なめ。動画編集はまだAIにはできない(もう少しでできるかもしれない)。安野はこうした例を挙げ、職種別に予算を割り振るのが一つの方法だとする。

さらに実績に応じた配分もありうる。過去にこれだけのトークンを使ってこれだけの成果を出した人なら、もう少し多めに割り振ればさらに成果が出るのではないか、という考え方だ。どの事業、どの部、どの課にどれだけ割り振るか、その中で誰にどれだけ割り振るのが最適か。これはこれからの新しい経営課題になる、と安野は述べた。

13:00

働く人にとっての「トークンという福利厚生」

安野は、トークンをどれだけ使えるかは従業員にとっても非常に大事な話だと付け加える。それは一種の福利厚生にもなると安野は考えている。働く人は、同じ働くならAIをレバレッジしてどれだけ価値を出せるかを考え、それを最大化したいと思うはずだからだ。

その意味で、トークンを使いこなせる組織をつくり、使いこなせる人に適切に予算を割り振っていく会社は強くなる、と安野は見る。経営者に対しては、トークン予算の最適な配分方法と、予算の総量をよく考えてほしいと呼びかけた。

13:54

まとめとして語られたこと

最後に安野は、話を3点に整理した。第一に、レベル1からレベル3へと段階を上げていくこと。アカウントを配るだけでなく、エージェンティックAIを使い、さらにAIが自動的に仕事を進められる「ループエンジニアリング」の環境をつくる。第二に、やみくもに高性能なモデルを使うのではなく、適切なタスクに適切なモデルを当てて解くこと。第三に、それを具体的に進めるうえで、トークン予算の最適な配分を考えることがとても重要であること。

安野はこの内容を、最近自分が悩んでいたことを「とりあえずメモ的に」話したものだと位置づけている。予算配分の正解を含め、組織としてのAI活用にはまだ答えが出ていない問いが多いという認識のまま、話を締めくくった。