私は日常的に生成AIを使っています。文章の下書き、情報整理、企画の壁打ち、コード作成、定型業務の自動化まで、仕事の中に生成AIが入らない日はほとんどありません。自分ではかなり使っているつもりでした。

ところが、あるとき利用状況の画面を確認すると、週次の利用枠がほとんど残っていました。表示された数字は98％。もちろん、サービスの表示方法やプラン、集計期間は変わりますから、この数字を一般化することはできません。それでも私にとっては、少し拍子抜けする結果でした。

同時に、妙な気持ちも生まれます。「せっかく有料で使っているのだから、もっと消費しなければ損ではないか」「普段から最上位のモデルを選べばよいのではないか」。定額制のサービスでは、利用枠が残ると損をしたように感じるものです。しかし、この考え方には落とし穴があります。

生成AIは、トークンを消費するための道具ではありません。仕事を前へ進め、判断を助け、試行回数を増やすための道具です。大切なのは使用量そのものではなく、使った結果として何が変わったかです。

生成AIを一日中使っていても、すべての作業が重いわけではありません。短いメールの推敲、会議メモの整理、表現の言い換え、箇条書きの構造化などは、比較的軽い処理で十分です。何度も利用していても、一回あたりの負荷が小さければ、利用枠が大きく減らないことは不思議ではありません。

一方で、大量の資料を読ませ、複数の条件を比較し、長いコードを解析し、何度も推論を重ねる仕事は負荷が大きくなります。同じ「一回の依頼」でも、中身はまったく違います。回数だけを見ても、AI活用の深さは分かりません。

これは人の仕事にも似ています。メールを十通処理することと、事業計画を一つ作ることを、件数だけで比較することはできません。生成AIも、何回使ったか、何％減ったかではなく、どんな仕事を任せたかで評価する必要があります。

さらに、モデルごとに得意分野や速度、利用コスト、上限の扱いは異なります。サービス側の仕様も更新されます。だから「このモデルなら何トークン使う」と固定的に覚えるより、自分の画面で最新の状態を確認し、仕事ごとの品質と所要時間を記録する方が実務的です。

高性能なモデルには魅力があります。複雑な推論、難しい設計、長い文脈の理解などで力を発揮します。しかし、すべての仕事に最上位モデルを使うことが、最適とは限りません。

日程調整の文面を整えるだけなら、軽量で速いモデルの方が気持ちよく進むことがあります。定型的なデータ整形も同様です。必要以上に重いモデルを使うと、待ち時間が増え、利用枠も減り、かえって試行回数を減らしてしまうことがあります。

逆に、経営判断に関わる比較、契約や規制に触れる調査、複雑なシステム設計などでは、速度や節約だけを優先すべきではありません。能力の高いモデルを使い、別の方法で検証し、最後は人が責任を持つ必要があります。

モデル選びは、車選びに少し似ています。近所へ買い物に行くたびに大型車を出す必要はありません。しかし、大人数で長距離を移動するなら、必要な性能と安全性を選ぶべきです。「一番高性能だから常に正解」ではなく、用途と条件が先にあります。

私は、生成AIへ依頼する仕事を大きく三段階に分けると選びやすいと考えています。第一は日常処理、第二は調査・設計、第三は高重要度の判断支援です。

日常処理には、言い換え、要約、書式調整、簡単な分類、定型文の作成があります。ここでは速度と扱いやすさを重視します。期待する形式を決め、短い指示で繰り返せる状態を作ることが重要です。

調査・設計には、複数資料の比較、企画の論点整理、コードレビュー、業務フローの改善案などがあります。ここでは、ある程度の推論力と文脈理解が必要です。最初から答えを一つに決めさせず、前提、選択肢、反対意見、確認事項を出させると品質が上がります。

高重要度の判断支援には、経営、法務、採用、医療、安全、顧客への重大な影響を伴う内容があります。ここでは高性能なモデルを使うだけでは足りません。一次情報、人の専門知識、複数の検証経路、承認手順が必要です。AIの流暢な文章を、正しさの証明と取り違えてはいけません。

この三段階をチームで共有すると、「どのモデルを使えばよいか」という個人の迷いが減ります。モデル名ではなく、仕事の重要度と失敗時の影響でルールを作るからです。

音声を文字にし、記事の構成を作り、SNS向けに短く整える仕事を考えてみます。文字の整形や見出し候補の作成は、軽量なモデルでも十分に進められます。一方、記事全体の主張がぶれていないか、事実と意見が混ざっていないか、読者に誤解を与えないかという確認には、より丁寧な推論を使います。

工程ごとにモデルを変えると、品質を落とさずに試行回数を増やせます。一つのモデルへ全部を丸投げするのではなく、下準備、深い検討、最終確認に分ける。これが実務的なモデルルーティングです。

複数の生成AIサービスを使い比べることは、学びになります。それぞれの得意分野や操作感が分かり、障害時の代替手段も持てます。しかし、日常業務の中心を毎回切り替えると、別のコストが生まれます。

過去のやり取り、よく使う指示、プロジェクトの文脈、ファイル、作業履歴が分散するからです。「前回どこで話したか」を探す時間は小さく見えて、積み重なると大きな負担になります。人間の頭も、道具を切り替えるたびに文脈を読み直さなければなりません。

そこで、主力環境を一つ決め、必要なときだけ別のサービスを使う方法が現実的です。主力は継続性と使いやすさで選び、専門的な画像、動画、調査、コードなどは用途に応じて補います。すべてを一社へ依存するのではなく、中心と補助を分けるのです。

この考え方は、利用枠の最適化より重要です。トークンを節約できても、探す時間や切り替えの疲労が増えれば、仕事全体では損をします。AI活用のコストには、料金だけでなく、人の集中力と運用負荷も含めるべきです。

では、生成AIを十分に使えているか、何で判断すればよいでしょうか。私は四つの成果を見ることを勧めます。時間、品質、試行回数、再利用性です。

第一の時間は、作業が何分短くなったかです。ただし、生成時間だけでなく、確認と修正まで含めます。第二の品質は、抜け漏れ、誤り、読みやすさ、意思決定への貢献で見ます。第三の試行回数は、以前なら一案で終えていた仕事を、何案比較できるようになったかです。

第四の再利用性は、今回の成果が次回にも使えるかです。良い指示文、評価基準、テンプレート、ワークフローとして残れば、一回の生成以上の価値があります。AI活用が上手な人は、答えだけでなく、答えを作る仕組みを蓄積します。

この四つが改善しているなら、残量が98％でも問題ありません。逆に、利用枠を使い切っていても、修正に時間がかかり、成果物が使えず、同じ失敗を繰り返しているなら、活用は成功していません。

市場調査で高性能なモデルを使う場合、長い文章を一度に作らせるだけでは価値を測りにくくなります。まず論点を分け、必要な一次情報を列挙し、事実、推論、未確認事項を区別させます。その後、人が出典を確認し、反対仮説も検討します。

この工程で見るべきなのは消費量ではなく、調査の抜けが減ったか、確認すべき箇所が明確になったか、判断までの時間が短くなったかです。生成量を増やすより、検証しやすい形にする方が成果へ近づきます。

利用枠が余ること自体は悪くありません。ただし、余裕があるなら、新しい価値を探す実験へ回せます。ここで重要なのは、無意味に長文を生成して消費するのではなく、これまで費用や失敗を恐れて試せなかった仕事へ使うことです。

たとえば、一つの音声から記事、短いSNS投稿、研修用の要点、動画の台本、スライドの構成を作る。一つの素材を複数の媒体へ展開する「ワンソース・マルチユース」です。すでに蓄積したコンテンツがあるなら、ゼロから新しいネタを作るより始めやすくなります。

動画生成も実験候補です。最初から完成品を目指す必要はありません。30秒の説明動画、図解の動き、話す順番の検証など、小さな単位で試します。使える場面と使えない場面を記録すれば、余った枠が組織の学習へ変わります。

実験には期限と評価基準を置きます。一週間で三本試し、制作時間、修正回数、視聴維持、再利用できた素材を記録する。成果がなければ止め、手応えがあれば標準工程へ入れる。利用枠を使うことではなく、次の判断材料を得ることが目的です。

余裕があると、いきなり大きな自動化へ進みたくなります。しかし、AIエージェントは権限、データ、例外処理、停止条件を設計しなければなりません。まずは公開情報の整理、社内文書の下書き、決まった形式への変換など、失敗しても人が戻せる作業から始めます。

自動化率だけを追わず、誤りの種類、確認時間、止まった場所を記録します。高性能なモデルを使えば安全になるわけではありません。モデル能力と運用設計を分けて考えることが、実験を業務へ育てる条件です。

有料プランに加入すると、私たちは元を取りたくなります。使える回数や残量が見えるほど、その心理は強くなります。しかし、これは食べ放題で満腹なのに、料金を理由に食べ続けるのと同じです。使った量が増えても、満足や健康が高まるとは限りません。

生成AIでは、過剰利用が別の問題を生みます。必要のない文章を増やし、読む量が増え、判断が遅くなる。AIへ聞く前に自分で決められることまで委ね、思考の筋力が落ちる。多くの候補を出しすぎて、選ぶ疲労が増える。利用量の最大化は、仕事の最大化ではありません。

だから私は、「使い切れたか」ではなく「自分と組織の能力が増えたか」を問い直したいのです。AIを使って時間が生まれたなら、その時間で顧客と話す、現場を見る、学ぶ、考える。そこまで含めてAI活用です。

人や組織がAI時代にどう思考を切り替えるかについては、私の著書『マインド・トランスフォーメーション AI時代の思考革命』でも整理しています。道具の性能だけでなく、使う側の判断軸を更新することが欠かせません。

トークン残量に振り回されないために、週に一度だけ振り返ります。確認するのは五つです。何に使ったか、どの仕事で品質が上がったか、どこで修正が増えたか、次回も使える仕組みが残ったか、来週は何を一つ試すかです。

利用状況の画面も見ますが、目的は残量を減らすことではありません。急に消費が増えた理由、上限に近づく仕事、別モデルへ移せる定型作業がないかを知るためです。料金や上限、モデルの提供条件は変更されるため、判断するときは必ず利用中サービスの公式画面と最新案内を確認します。

また、業務データを扱う場合は、組織のセキュリティ方針、入力してよい情報、保存期間、共有範囲を確認します。余った利用枠があるからといって、機密情報を気軽に投入してよいわけではありません。便利さと責任はセットです。

一週間に一つだけ改善するなら、モデル選びは徐々に自分の仕事へ合ってきます。毎回最適解を当てる必要はありません。記録し、比べ、少しずつルールを更新する。その積み重ねが、流行に流されないAI活用を作ります。

残量98％という数字は、私に「使っていない」という反省だけを与えたのではありません。日常業務は思ったより軽い処理で回っていること、もっと深く使う場面を選べること、そして余裕を新しい表現や自動化の実験へ回せることを教えてくれました。

最上位モデルを毎回使う必要はありません。軽い仕事には軽いモデル、複雑な設計には十分な推論力、重要な判断には人と複数の検証を組み合わせます。この割り当てができれば、費用と品質のどちらかを諦める必要はありません。

生成AIの利用枠は、貯金のように残すものでも、ノルマのように使い切るものでもありません。成果を出し、学びを増やし、次の選択肢を作るための資源です。読者の皆さんも、残量を見る前に、今週AIによって何が変わったかを一つ数えてみてください。数字より先に見るべき答えが、そこにあります。

２年先の未来を先取り。AI・DX・超知性ASI時代のデジタル戦略を読み解くPodcast「DX企画書のネタ帳」。未来を先取りする実践的なヒントを毎日お届けしています。

今回の音声配信はこちらです。Spotifyで聴く

AI導入や人材育成を自社の課題に合わせて進めたい方は、DX・AI人材育成のご相談もご覧ください。

近森満（ちかもり みつる） ■株式会社サートプロ代表取締役CEO ／ DXコンサルタント／IT人材育成／検定事業化 IT技術者の教育支援と人材育成を専門とする事業化コンサルタントとして、2006年に株式会社サートプロを創業し、IoT検定・＋DX認定・アジャイル検定などの資格制度を創出。経済産業省DX推進ラボおよびIoT推進ラボのメンターとして自治体や中小企業のDX推進を支援。近年は超知性ASIスキル可視化にも取り組んでいる。 ■所属・役職 ・IoT検定制度委員会事務局長（IoT検定、＋DX認定、超知性ASI検定） ・一般社団法人 IT職業能力支援機構理事長（Android資格） ・電気・電子系技術者育成協議会副理事長（E検定） ・組込みソフトウェア管理者技術者育成研究会メンバー（組込み） ・ET教育フォーラム合同会社代表（コンテンツ制作） ・経済産業省地方版IoT推進ラボビジネス創出事業メンター（IoT支援） ・経済産業省地域DX推進ラボビジネス創出事業メンター（DX支援） ・デジタル庁デジタル推進委員（デジタル化支援） ・DX事業共同組合設立理事（DX推進） ・一般社団法人日本サステナブルビジネス機構幹事（SDGs認証） ・”一億総活躍社会を実現する”共生日本協議会理事（DEI支援） ・アジャイル開発技術者検定試験コンソーシアム事務局長（Agile検定） ・一般社団法人国際サイバーセキュリティ協会事務局長（IACS認定）

X (Twitter)

Facebook

YouTube

note