「月数万円のAPI費用で動くはずが、気づけば年数百万かかっていた」
AIエージェントに関心を持った経営者が最初に計算するのは、LLMのAPI費用だ。Claude SonnetやGPT-4oの料金表を見て、「1回の処理がこの程度なら月に〇万円で動く」と見積もる。その計算は間違っていない。ただ、それはコストの20〜30%にすぎない。
Lat91では10体のAIエージェントを設計・構築・運用している。実際に回し始めて最初に驚いたのは、LLMのAPI費用より、それを「動かし続けるための費用」の方がはるかに大きかったことだ。
この記事では、AIエージェントのコスト構造を分解し、試算がなぜ3倍以上ズレるのかを明らかにする。同時に、コストを抑えながら成果を出す企業がやっていることも紹介する。
AIエージェントのコストは4層構造になっている
多くの企業がLLM費用だけを見るのは、それが唯一「わかりやすい数字」だからだ。OpenAIやAnthropicの料金表はすぐ見つかるが、トータルのコスト構造を整理した情報は少ない。
AIエージェントの費用は、以下の4層で成り立っている。
図1: AIエージェントのコスト4層構造（年間・目安）
この4層のうち、経営者が事前に把握しているのは多くの場合「LLM API費用」だけだ。だが実際には、LLM費用は総コストの20〜30%にとどまることが多い。残りの70〜80%は、インフラ・人件費・機会費用で構成される。
第1層：LLM API費用の現実
まず「見える費用」から整理する。
主要LLMの料金（2026年8月時点）は、入力トークンあたり$1〜3、出力トークンあたり$4〜15程度が目安だ。1回のエージェント処理で使うトークン数は、タスクの複雑さによって1,000〜20,000トークン程度と幅がある。
仮に「1日に50タスクを処理するエージェント」を想定する。1タスク平均5,000トークンで、Claude Sonnetを使う場合、1日あたりの入力コストは$0.75前後だ。月額に換算すると$22（約3,200円）。年間で約38,000円。
ただし、これは「シンプルな1エージェント」の話だ。現実のAIエージェントシステムは違う構造になっている。
Lat91が運用する10エージェント構成の例では、1つのタスクを処理する際に「オーケストレーターが判断」「サブエージェントが実行」「検証エージェントがチェック」という3〜5ステップのLLM呼び出しが発生する。つまり、ユーザーに見えている「1処理」の裏側で、3〜5倍のトークンが消費されている。
さらに、エラーリカバリー（失敗したタスクの再試行）、定期実行（夜間バッチ処理）、ログ要約などを加えると、実際のAPI費用は試算の2〜5倍になることが多い。
年間数万円の試算が、実際には年間数十万〜数百万円になる。これが「第1層の現実」だ。
第2層：インフラ費用（最も見落とされる）
LLM費用の次に大きいのが、エージェントを動かす「土台」のコストだ。ここが最も見落とされやすい。
AIエージェントを本番運用するには、以下のインフラが必要になる。
| コンポーネント | 用途 | 月額目安 |
|---|---|---|
| クラウド実行環境（AWS EC2 / GCP等） | エージェントプロセスの常時稼働 | ¥5,000〜80,000 |
| ベクトルデータベース（Pinecone等） | 社内知識の検索・RAG | ¥1,000〜20,000 |
| タスクキュー（SQS / RabbitMQ等） | エージェント間の非同期通信 | ¥500〜5,000 |
| ログ・モニタリング（Datadog / Langfuse等） | エラー検知・品質監視 | ¥5,000〜50,000 |
| 外部APIアクセス（Slack / Google等） | 業務ツール連携 | ¥0〜30,000 |
小規模な構成（3エージェント程度）でも、月額¥12,000〜185,000のインフラ費が発生する。10エージェント規模になると月額¥50,000〜500,000に達することがある。年間で¥60万〜600万だ。
Lat91が学んだ教訓の一つは、「モニタリングを省くと、コストが増える」ということだ。エージェントが誤動作してAPI呼び出しが爆発的に増えた場合、検知が遅れるほど費用が膨らむ。Langfuseのような観測ツールへの投資は、保険として必須だった。
第3層：人件費（最大のコストドライバー）
AIエージェントの最大コストは、実は「人間の時間」だ。
初期開発費用: エージェントを設計・構築するには、エンジニアまたは専門家の時間が必要だ。シンプルな1エージェントでも、要件定義からテスト・本番投入まで1〜3ヶ月かかることが多い。日本のエンジニア単価（¥800,000〜2,000,000/月）で計算すると、1エージェントの開発費だけで¥80万〜600万。10エージェントなら¥500万〜6,000万になりうる。
もちろん、標準的なフレームワーク（n8n、Difyなど）を使えば開発期間は短縮できる。Lat91でもClaude CodeやSlack Bolt（Python）などの既存ツールを最大限活用した。それでも、初期構築に要した人的コストは、APIや月次インフラより圧倒的に大きかった。
継続的な維持・改善費用: エージェントは「作って終わり」にはならない。業務プロセスが変われば、プロンプトや判断ロジックを更新する必要がある。月に0.1〜0.5名のエンジニアまたはプロンプトエンジニアを割り当てる必要があり、年間¥100万〜500万の人件費が継続的に発生する。
ここにもLat91の実体験がある。X投稿自動化エージェントは、X（旧Twitter）のAPIポリシーが変わるたびに調整が必要だった。SEO記事生成エージェントは、microCMSの仕様変更で一時的に動作不良になった。エージェントは「外部環境の変化」に常に晒されており、それへの対応コストが見えないまま積み上がっていく。
図2: AIエージェントのコスト内訳イメージ（規模・業種により大幅に異なる）
第4層：機会費用（数字にならないが最大のリスク）
最も見えにくいが、最も深刻なのが「機会費用」だ。
AIエージェントの試行錯誤期間中、社内リソースは固定される。エンジニアは別のプロジェクトに使えない。経営者の関心は新規顧客獲得より内部の技術検証に向く。エージェントが誤った情報を出力し続けた場合、その修正と信頼回復に余計なコストがかかる。
海外の調査では、エンタープライズAIエージェントの40〜60%が本番稼働前に中止されている。中止の理由のほとんどは「技術的な問題」ではなく、「投資判断の見通しが甘かった」ことだ（複数のエンタープライズ調査より）。
見通しが甘くなる最大の原因が、コスト試算の誤りだ。「月数万円で動くはず」と計算して始めたプロジェクトが、開発費・インフラ・維持費込みで年間数百万円になる。計画外の支出が明らかになった段階で、プロジェクトが凍結される。
この失敗パターンを防ぐには、最初から4層すべてのコストを試算することが必要だ。
規模別：現実的なコスト試算
抽象的な話では判断しづらいので、規模別の目安を示す。あくまで参考値であり、業務の複雑さ・外部連携数・使用するLLM・内製か外注かによって大幅に変わる。
| 規模感 | 初期コスト | 月次運用コスト | 2年間TCO目安 |
|---|---|---|---|
| 単機能1エージェント（PoC） | ¥50〜300万 | ¥3〜30万/月 | ¥100〜1,000万 |
| 部門特化3エージェント | ¥200〜800万 | ¥10〜80万/月 | ¥400〜2,700万 |
| 社内全体10エージェント | ¥500〜2,000万 | ¥30〜200万/月 | ¥1,200〜6,800万 |
重要な数字は「2年間TCO」だ。初期費用だけ見ると「意外に安い」と感じる。しかし、月次の継続コストが積み上がると、2年間の総コストは想定の3〜7倍になることが多い。
米国の製造業（従業員1,200名）でのエージェント導入事例では、$85,000の投資が7週間で回収された。ただしこれは「特定業務に特化したシンプルな構成」での成功例だ。複雑な業務フローや多数のエージェントに広げると、ROI回収まで12〜24ヶ月かかるケースが一般的だ。
コストを最適化する4つのアプローチ
費用対効果を高めるために、実際に成果を出している企業が行っているアプローチがある。
1. LLMの階層使用（コスト70%削減の可能性）
すべての処理に高性能モデルを使う必要はない。判断が必要な場面（オーケストレーター、複雑な文書分析）にはClaudeやGPT-4oを、定型的な処理（フォーマット変換、要約、分類）にはGPT-4o miniやClaude Haiku（約1/10の価格）を使い分ける。Lat91での実績では、この使い分けによりAPI費用を60〜70%削減できた。
2. PoC段階でインフラを省略する
最初から本番グレードのインフラを用意する必要はない。Claude Desktop（ローカル）+ n8nの無料版 + Notionやローカルファイルをデータソースとして使えば、月額¥0〜5,000で試作品を動かせる。PoC段階で「業務に使えるか」を検証してから、インフラ投資を判断する。
3. 標準フレームワークで開発コストを下げる
n8n、Dify、LangChainなどの既成フレームワークを活用すると、ゼロから開発するより50〜70%の開発時間短縮が期待できる。Lat91でも、Claude Code + Slack Bolt（Python）の組み合わせにより、1エージェントあたりの構築時間を大幅に短縮した。ただし、フレームワークへの依存は後の「フレームワーク変更コスト」になりうる点は留意が必要だ。
4. 観測・監視を最初から入れる
LangfuseやArize AIのようなLLM観測ツールを導入すると、月額¥5,000〜20,000の追加コストがかかる。しかし、エラーの早期発見によるAPI費用の爆増防止、パフォーマンス最適化、不要な呼び出しの削減により、通常1〜3ヶ月で元が取れる。「モニタリングをケチると余分に払う」はLat91が学んだ最大の教訓だ。
よくある反論：「自社には大げさでは？」
「そこまでの投資は中小企業には合わない」という声をよく聞く。
この反論は一部正しく、一部ズレている。確かに、10エージェントフル構成を最初から作る必要はない。だが、「AIエージェントを一切使わない」という選択肢も危うい。
2026年現在、Gartnerは「2028年までにエンタープライズソフトウェアの33%がエージェントAIを搭載する」と予測している。AIエージェントが「特別な取り組み」から「業務の標準装備」に変わるスピードは、予想より速い。
中小企業が今やるべきは「全社展開」ではなく、「1つの具体的な業務課題に限定したPoC」だ。月数万円のAPI費用と、エンジニアの1ヶ月を投資して効果を検証する。それで成果が出れば次に進む。コスト構造の全体像を理解した上で、スモールスタートする。
2〜3年後：コスト構造はどう変わるのか
技術の成熟とともに、AIエージェントのコスト構造は変化する。
LLM API費用は継続的に下落している。2年前と比べて同じモデル品質で80%安くなったという変化が各社で起きている。この傾向は続くと見られており、2028〜2029年にはLLM費用がさらに1/3〜1/5になると予測する専門家も多い。
一方、インフラと人件費は下がらない。クラウドコストは需要増加で上がりこそすれ、エージェントの維持・改善を担える人材コストは上昇傾向にある。この結果、総コストの中でLLM費用の占める割合はさらに小さくなる。
「AIエージェントを外部サービスとして使う」という選択肢も増えてくる。エージェントをフルスクラッチで構築するのではなく、業務特化型のAIエージェントSaaSを月額課金で使う形だ。初期開発コストをゼロにする代わりに、自社カスタマイズの自由度が下がる。
Lat91が10エージェントを自社構築した理由の一つは、「自社の業務フローに深く統合された」エージェントでなければ価値が出ないと判断したからだ。他社に頼めない部分、つまり差別化できる部分にだけ投資する、という判断基準が重要になる。
図3: AIエージェントのコスト構成の変化予測（推計。実際の変化は市場状況による）
月曜日から試せること：コスト試算のフレームワーク
AIエージェントの導入を検討しているなら、今週中にやるべきことは1つだ。
具体的な業務1つを選び、4層コストを試算する。
手順はこうだ。
① 解決したい業務課題を1つ選ぶ（例：「営業報告書の自動下書き生成」）
② LLM費用を試算する。1処理あたりのトークン数（ざっくり2,000〜5,000）× 月間処理件数 × モデル料金で計算する。Claude Sonnet 4.6なら入力¥0.5/千トークン・出力¥2.5/千トークン程度が目安だ（変動あり）。
③ インフラ費用を見積もる。まずはクラウドで動かすなら月¥10,000〜50,000を仮置きする。
④ 開発・維持コストを確認する。社内エンジニアが担当するなら人件費の一部を配賦する。外注なら見積もりを取る。「とりあえず無料で試す」段階ならゼロでいい。
⑤ ROIを計算する。「この業務が自動化されると、月何時間節約できるか」を時給換算し、年間効果として弾く。初年度TCOと比較して、1年以内に回収できるなら投資判断の入り口になる。
この試算を、「AI担当のエンジニア」に任せず、経営者自身がやってみることを勧める。コスト感覚を持たない状態でプロジェクトを承認すると、後から「こんなにかかるとは」という場面になりやすい。
まとめ
AIエージェントの費用を「LLM API費用」だけで考えると、実際のTCOとのギャップは3〜7倍になりうる。コスト構造を正しく理解した上で投資判断する企業だけが、途中断念せずに成果を出せる。
- LLM費用は総コストの20〜30%。インフラ・人件費が残りの70〜80%を占める
- 初期開発人件費が最大コストドライバー。1エージェントで¥80万〜600万になりうる
- LLMの階層使用、標準フレームワーク活用、観測ツール導入でコストを最適化できる
- LLM費用は今後も下落するが、人件費・インフラは下がらない
- PoC1つ分のコスト（¥50〜300万）から試算し、業務特化で始める
「費用対効果が出るかわからない」という迷いは、コスト構造の全体像が見えていないから生まれる。まず4層の試算をすることで、「始めるべきか、いくらで、どこから始めるか」の判断ができる。
Lat91では、AIエージェントの設計・構築から運用まで、費用感の試算も含めてサポートしています。
「うちの業務でAIエージェントを試すとどのくらいかかるか、まず感触をつかみたい」という方は、無料相談からご連絡ください。御社の業務と規模に合わせた現実的な試算をご提案します。