AIのコストを下げたい。

そう思うと、最初に見たくなるのは料金表です。

月額はいくら？
無料枠は？
API単価は？
軽いモデルで代替できる？
上位モデルを何回使える？

もちろん重要です。

でも、実務ではもう一つ厄介なことが起きます。

AI利用料は下がったのに、仕事全体は重くなった。

たとえば、

安いモデルへ変えたら修正回数が増えた
無料環境へ移したら準備と再接続で時間が溶けた
Agent化したら最後に読むLogが増えた
単純なRenameまで毎回LLMへ説明している
生成数は増えたが採用率が下がった

という状態です。

そこで、この教材では「一番安いAI」を探しません。

先に仕事を、

判断
反復
確認

へ分けます。

そして、

本当にAIの判断が必要な場所だけへ能力を置き、固定した反復や検査は別の経路へ逃がす。

これをコスト設計の入口にします。

この教材では、基礎だけで終わらず、次の内容まで扱います。

30秒診断
Total Cost Card
Decision / Repeat / Verify Map
Detectability / Recoverability / Blast Radius
Route A/B比較
Accepted Output基準
Human Attention Cost
Automation Overhead
Escalation Rule
Cost Route Memo
Stop Rule
最終Checklist

30秒診断――いま一番高いのは「AI料金」ですか？

一つのAI作業を思い浮かべてください。

次へ答えます。

GOAL
何を完成させたい？

MONEY
AI / Toolへ払う金額は？

WAIT
待ち時間は？

HUMAN
人が読む・選ぶ・直す時間は？

RETRY
やり直しは何回？

RECOVERY
失敗したらどこまで戻る？

BOTTLENECK
今いちばん重いのはどれ？

例：

GOAL
採用できる画像10枚

MONEY
低い

WAIT
中

HUMAN
高い

RETRY
多い

RECOVERY
1枚単位で戻れる

BOTTLENECK
Human Review

この場合、モデル単価をさらに半分へしても、効く場所が違うかもしれません。

必要なのは、

人が確認する量を減らす

方かもしれません。

この教材で持ち帰るもの

金額以外のTotal Cost
判断 / 反復 / 確認の3分離
Human / LLM / Script / Validatorの役割分担
小さい経路へ落としてよい条件
Detectability / Recoverability / Blast Radius
Free Costの見方
Automation Overhead
Generated CountとAccepted Countの分離
Route A/B比較
Escalation Rule
Total Cost Card
Cost Route Memo
Stop Rule
最終Checklist

1. コストは「支払額」だけではない

最初に、コストを四つへ分けます。

MONEY

月額
API
Credit
GPU
Storage
外部Tool

TIME

生成待ち
再試行
Tool切替
Upload
Download
再接続

HUMAN ATTENTION

読む
選ぶ
間違いを探す
修正する
指示を作り直す

RECOVERY

どこが壊れたか探す
元へ戻す
再生成
再設定
復旧確認

この4つを全部、円へ換算する必要はありません。

最初は、

低 / 中 / 高

でも十分です。

重要なのは、

AI料金だけを見て「安くなった」と判定しない。

ことです。

2. 一回の単価ではなく「採用できる一件」まで見る

たとえば、

Route A

1回 10円
ほぼ1回で採用
Human Review 1分

Route B

1回 2円
平均5回生成
Human Review 8分

単価だけならBです。

でも完成まで見ると、

生成費
+
Retry
+
Human Review

が必要です。

画像・文章・動画では特に、

Generated Count と Accepted Count

を分けます。

100件生成できた。

これは能力です。

10件採用できた。

これは成果です。

両方記録します。

3. 仕事を「判断・反復・確認」へ分ける

ここが中心です。

JUDGMENT――判断

意味を理解し、条件を比較し、曖昧さを処理する仕事。

例：

記事の論点を決める
依頼の矛盾を見つける
同じCharacterに見えるか判断
Failure原因候補を比較

候補：

Human
LLM

REPEAT――反復

Ruleが決まれば同じ形で回せる仕事。

例：

File Rename
Resize
Hash
CSV Sort
ZIP
固定変換
Count

候補：

Python
JavaScript
FFmpeg
Spreadsheet
OS Tool

VERIFY――確認

成果物が条件を満たすかを見る。

ここはさらに二つ。

Mechanical Verify

寸法
件数
Hash
Schema
File存在

→ Code / Validatorへ寄せやすい。

Semantic Verify

意味が合う
読者に通じる
Character Identity
根拠がClaimを支える

→ Human / LLMの意味判断が必要。

4. 「AIにできる」≠「AIにやらせる価値がある」

AIはRenameもできます。

でも100Fileを、

001.png
002.png
...
100.png

へ変えるだけなら、Ruleが固定しています。

毎回LLMへ、

このFileを001へ…

と判断させる必要はありません。

一方、

同一Characterに見える画像だけ残す

なら意味判断があります。

ここで重要なのは、

AIを減らすこと

ではありません。

同じ高価な判断を、固定済みの反復へ毎回使わないこと。

です。

5. 小さい経路へ落としてよい3条件

安いモデル、軽いモデル、固定Scriptへ仕事を移すとき、三つ見ます。

① Detectability

間違ったら見つけられる？

② Recoverability

間違っても元へ戻れる？

③ Blast Radius

間違いが次工程へ広がる前に止められる？

たとえば、

CSVの列順変更

は、

結果比較可能
元Data保持可能
Failure範囲小

なので軽い経路へ移しやすい。

一方、

重要契約の意味を要約
↓
その要約だけで次の判断

では、意味逆転を検出しづらいかもしれません。

だから、

「要約だから軽いModel」

のようにTask名だけで決めません。