Agentic AI が生むビジネスモデルの危機

Agentic AI（自律型 AI）の急速な普及が、LLM 企業と利用企業の両者に新しい問題をもたらしています。従来の「チャットボット」では月額固定料金で対応できましたが、自律的に動作するエージェントは、従来の何倍もの Token を消費する ため、既存の課金モデルが成り立たなくなりつつあるのです。

従来モデルの限界

従来の生成 AI の使い方を想像してください：

  • ユーザーが質問を入力する
  • AI が回答を生成する
  • ユーザーが確認して作業終了

この場合、1 回のやり取りで消費される Token は比較的少なく、月額数十ドルで採算が取れていました。

Agentic AI が変える消費パターン

しかし、Agentic AI の場合：

  • AI が目標を受け取る
  • AI が自動的に複数のツールを呼び出す
  • AI が中間結果を確認して次のアクションを判断
  • AI が再度ツールを呼び出す（このサイクルを何度も繰り返す）
  • 最終的に結果をユーザーに報告

このような「自律ループ」では、1 つのタスクで数時間走り続け、短いチャット質問の 100 倍以上の Token を消費する ことになります。

Anthropic（Claude の提供者）や GitHub Copilot は、この問題に直面し、従量課金モデルへの移行を強行しました。彼らは「数時間のエージェント実行を短いチャット質問と同じ料金で扱うことはできない」と明言しています。

Token 価格の多層化が進む

従来は「Token 百万当たり $X」という単純な価格設定でしたが、今は複雑になってきました。

NVIDIA CEO Jensen Huang の説明によれば、異なる顧客セグメントは異なるニーズを持ち、高速 Token や専門化された Token には、より高い価格が正当化される 時代に入っています。

つまり：

  • 低速・低精度モデル: 安価
  • 高速・高精度モデル: 中程度
  • 特定タスク最適化モデル: 高額

という段階的な価格体系が当たり前になるでしょう。

企業が直面する『Tokenmaxxing』のリスク

しかし、新しい課金モデルには予期しないリスクが生じています。Tokenmaxxing です。これは「Token 消費量を成功指標にしてしまい、実際の仕事の完了や効果は無視する」という落とし穴です。

実例として挙げられるのが Uber です。Uber は AI エージェントを導入しましたが、4 ヶ月で年間予算を消費しながら、実際の成果につながったか疑問が残っている といいます。

つまり、AI が活発に動いていることと、ビジネス価値を生み出していることは別問題なのです。

企業が求められる『タスク枠組み』の設定

THE DECODER のアナリストが指摘する通り、単なる Token 監視では不十分です。企業に求められるのは：

  1. 実行予算の明確化: AI エージェントに「月 $5,000 までなら使用可能」という上限を設ける
  2. モデルの使い分け: 簡単なタスクは低コストモデル、複雑なタスクは高精度モデル、という明確な基準
  3. 中止基準の決定:「このタスクが 3 時間以上走っていたら停止」といった自動制御
  4. 効果測定: Token 消費量ではなく「最終成果」で評価する

これは、フリーランサーとの契約に似ています。「何時間働いたか」ではなく「何を成し遂げたか」で評価し、予算上限を設ける、という厳密な運用が必要になるのです。

ビジネスモデルの転換期

LLM 企業にとっても、利用企業にとっても、Token 経済は新しい成長フェーズに入った と言えます。

  • LLM 企業は、単純な価格競争から脱却し、価格の多層化と専門化を進める
  • 利用企業は、無制限の利用から「タスク枠組み」による厳密な管理へ移行する

この転換期に、自社の AI 支出と効果を把握できていない企業は、やがて大きなツケを払うことになるでしょう。