トークンの無駄は兆候にすぎない

従業員にトレーニングなしでAIを提供することは、企業にとって時間、資金、人材の損失をもたらしています。GitHubの調査によると、AIトークンに費やされた資金の40%から60%が無駄になっています。反復的な作業、不明確な指示、やり直しが必要な粗末な出力によって浪費されています。そして、トークンの無駄を減らすために提案されている解決策には説得力がありません。

• 「原始人」のように話す
• アクセス時間の制限
• 1ステップごとにコンテキストを削る

単純なトークンの浪費から、社内および構造的な摩擦の増大に至るまで、AIに関する誠実さと知識の欠如が、財務および組織文化の安定性を蝕んでいます。この状況が続けば、企業は財務と経営の圧迫をさらに強め、事業停止に追い込まれる企業も増えるでしょう。見栄えが良く、人気のある方法ではないかもしれませんが、解決策はシンプルです。企業は自社と従業員に対して、真剣にAI教育を行う必要があります。

血と金で書かれたルール

「安全規則は血で書かれている」。Quiznosでデリスライサーを間違った方法で掃除し、指を切った私を上司はそうたしなめました。私は二度と同じ間違いを繰り返しませんでした。

しかし、企業は今でも驚くほど非効率的な方法でAIを使用し、少しずつ出血を続けています。血の代わりに現金が流出していますが、積み重なるミスと請求書はビジネスの必要経費として処理されています。

指標	April 2026	推定される無駄
月額コスト中央値	$2,246	$898 〜 $1,348
月額コスト平均値	$140,842	$56,337 〜 $84,505
75パーセンタイル（上位25%）	$14,843	$5,937 〜 $8,906
90パーセンタイル（上位10%）	$73,030	$29,212 〜 $43,818
95パーセンタイル（上位5%）	$211,409	$84,564 〜 $126,845
99パーセンタイル（上位1%）	$831,338	$332,535 〜 $498,803

しかし、こうなる必要はありません。機械のオペレーターに投資することで、AI導入における人的および財務的なコストを削減できます。

訓練、訓練、訓練!!!

トークン費用を削減するための個別の手順や戦術に焦点を当てたブログは他にもたくさんあります。ここでは、トークンコストを削減するいくつかの方針と戦略的な考え方について説明します。

• トレーニングは習熟度ではなく、能力の獲得に焦点を当てるべきです。
• 自身の機械を理解しているオペレーターは、より適切に、創造的に、そして効率的にそれを使用します。
• イネーブルメントは戦力を倍増させますが、ブラックボックス化は戦力を分断します。

これらの考え方は、反AIのプロパガンダではありません。AIは人間が使用するコモディティ化された技術であり、事業成果に影響を与えるのはモデルではなく、人間の質であると認識することから生まれています。従業員に対し、継続的で詳細な、役割に応じたトレーニングを提供することが、短期的にも長期的にもトークンの無駄を減らす最も効果的な方法です。

「言われるまで気づかなかったのなら、言ってよかった」

人に教え、トレーニングすることは困難です。その理由の一つは、誰もが「これは常識だ」と決めつけてしまうからです。それでは、最近普及したばかりの技術を従業員が本当に理解していると、なぜ決めつけてしまうのでしょうか。エンジンにガソリンが必要だと知らなければ、燃料計を見ようとするでしょうか。その目的は明らかでしょうか。

常識だと決めつけることが、トークンの無駄の核心です。企業も従業員も、モデルがどのように機能するか、コストがいくらかかるのか、あるいはその長所や短所について教えられていませんでした。代わりに、AIのスピードと機能に対する過度な期待が、「素早く行動し、破壊する」アプローチを引き起こしました。その結果、制御不能になったエージェントがウェブの裏側で失敗確実なタスクを繰り返し、従業員が毎回の会話をやり直し、無益なAIプロジェクトへの投資が行われることになりました。人は正しく教えられれば、より良い結果を出す傾向があります。企業規模の大規模な導入において、イネーブルメントは死活問題になり得ます。

イネーブルメントか死か：M-14の失敗とAI

M-14ライフルは製造上の大惨事であり、数十億ドルと計り知れない人命を奪い、米国スプリングフィールド造兵廠の終焉に直結しました。多くの要因がありましたが、最も重要だったのは資材要件書（MRD）の作成を急いだことです。MRDには、メーカーがアイテムの大量生産を開始するために必要なすべての情報が含まれている必要があります。つまり、それはイネーブルメントのパッケージでした。M-14の急造されたMRDは、銃身の製造プロセスに深刻で致命的な欠陥をもたらしました。イネーブルメントの欠如は、単なる納期の遅れにとどまらず、不正確な作業を大規模に発生させ、単一の問題を大規模な不可解な危機へと発展させました。

この教訓は、遅い作業は改善できるが、不正確な作業は発見が難しく、より多くの問題を引き起こし、不確実性をもたらすということです。イネーブルメントされていないチームがAIを使用するたびに、その不正確な作業はトークンの無駄として請求書に現れ、さらに他のコストとしても現れます。エラーの修正、ハルシネーションによる回答の解析、または追加のレビューの実行に費やされる時間などです。これにより計算の前提が変わります。単なる計算コスト対生産性の向上ではなく、計算コスト対機械のスピードで生み出される不正確な作業のコストとなるのです。

適切な人材と適切なツール

役割ベースでツールに特化したトレーニングの目的は、プロンプトエンジニアリングを向上させることではありません。それは、何を最適化しているのかを理解しているエンジニアを確保することです。ワークフローの中で不正確な回答を指摘できるアナリストを配置することです。分析用と生成用のモデルを使い分けることができるマーケティングマネージャーを育成することです。モデルの選択をいつ覆すべきかを知るのに十分な知識を持つ従業員を育成することです。これらの能力は、一般的なAIリテラシーのコースでは身につきません。それらは、企業が実際に承認し展開したツールを中心に構築された、構造化された準備態勢から生まれます。

トークンの無駄は兆候にすぎません。目に見えないコストとは、イネーブルメントされていない従業員がそのトークンを使って生み出すものです。それは、自信に満ち、迅速で、そして時に間違っています。

トークンの請求額が増加しているなら、兆候は明らかです。Clairetはその根本原因に対処します。詳細を見る。

出典: GitHub, “Improving token efficiency in GitHub Agentic Workflows,” May 7, 2026; Ramp, “How Much Do AI Tokens Cost Businesses? 2026 Spending Benchmarks,” June 8, 2026 (April 2026 data).