OpenAIのCFOであるSarah Friar氏は2026年7月17日、企業がAI投資の価値を測定するための新たな考え方を同社公式ブログで発表した。トークン単価やライセンス数ではなく、実際に完了した業務の質とコストで測る手法を提唱している。この提案は、AI導入の経済性評価が「利用規模」から「成果の質」へと転換する転換点を示すものだ。

完了した有用な業務量を起点に評価する

Friar氏は、AIの価値評価の出発点を「完了した有用な業務量」に置く。具体的には、AIが解決を支援した顧客対応の件数、出荷に貢献したコード変更の数、レビューした契約書の数、人々に還元された時間といった指標が挙げられている。重要なのは、トークンが実際に使える成果へと変換されたかどうかだ。同氏はまず一つのワークフローを選び、「完了」の定義を決めて成果を測定することを推奨する。サポートチームなら顧客問題の解決、エンジニアリングチームならテストを通過したコード変更といった具体例が示されている。モデルの能力向上により、より長く複雑なタスクを自律的に処理できるようになると、この測定の重要性はさらに高まる。

成果あたりの総コストが評価の核心

本提案の中核は、一回の成功したタスクを完了させるための総コストを算出する点にある。計算式は単純で、業務完了にかかった全コストを、品質基準を満たしたタスクの数で割る。ここにはモデルのトークン料金だけでなく、従業員の作業時間、人間によるレビュー、再試行、手戻りのコストも含めなければならないとFriar氏は明言している。この考え方に立てば、トークン単価の安さが必ずしも成果あたりの低コストを意味しない。仮にトークン単価の高い最先端モデルでも、一度で正しい結果を出せば、再試行やレビューのコストが削減され、結果的に最も高い価値を提供する可能性がある。GPT-5.6でSol、Terra、Lunaという三つのティアを提供したのも、顧客がこの方程式を最適化できるようにするためだと説明されている。

「信頼性」と「ドルあたり有用知性」という視点

Friar氏の提案するスコアカードには、もう二つの重要な問いが含まれている。人々がその結果を信頼できるかどうか、そして利用規模の拡大に伴ってAIへの投資一ドルあたりの価値が増大していくかどうかである。同氏はこの全体像を「Useful Intelligence per Dollar（ドルあたりの有用な知性）」と呼ぶ。これは単なるコスト削減の指標ではなく、AIが生み出す判断や創造性の質を含めた総合的な価値評価の枠組みである。例えば財務チームの予測レビュー業務では、データ収集や整合性チェックといった準備作業をAIが担うことで、チームは「何が変わり、なぜ変わり、次に何をすべきか」という本質的な問いに集中できるようになる。これこそが、同氏の言う「実践におけるドルあたりの有用な知性」の具体例である。

AI産業の構造と日本企業への示唆

この提案は、AI産業の収益構造そのものに再考を迫るものだ。これまでAIモデルプロバイダーやクラウド事業者は、主にトークン処理量やAPIコール数に基づく従量課金で収益を上げてきた。しかし顧客企業が成果ベースのROI評価を厳格化すれば、モデルの性能や信頼性が単価以上に重視されるようになり、プロバイダー間の競争軸が変わる可能性がある。とりわけ日本企業においては、AI導入の費用対効果を測る共通指標が未確立な状況が続いてきた。今回の提案は、経営層やCFOが現場任せになりがちなAI投資の評価に、より構造的な視点を導入する契機となりうる。ただし、この枠組みが実際にどの程度の企業で運用可能かは現時点では明らかにされていない。