AIエージェント導入の成果を測るとき、token単価や利用席数だけを見ても現場の実態はつかめません。OpenAIが2026年7月17日に公開した「A scorecard for the AI age」では、AI投資の価値は「Useful Intelligence per Dollar」、つまり1ドルあたりどれだけ意味のある仕事が完了したかで見るべきだと整理されています。さらに6月25日の「How agents are transforming work」では、エージェント利用が短い質疑応答から、1時間超の長い仕事へ移っている実態が示されました。経営企画や情シスが今見るべきなのは、単価の安さではなく、完了した仕事量、成功あたりコスト、修正率、そして利用拡大時の効率改善です。
まず押さえたい結論は「AIの成果は4指標で見る」こと
OpenAIが示した4つの問いはシンプルです。1つ目は、AIが本当に意味のある仕事を完了しているか。2つ目は、成功した1タスクあたりに実際いくらかかっているか。3つ目は、その結果をどれくらい安心して使えるか。4つ目は、利用が広がるほど1円あたりの成果が増えているかです。日本企業の現場に置き換えると、議事録を何本作れたかではなく、顧客返信、提案書更新、契約レビュー、集計作業のような業務単位で完了を測る設計に変える必要があります。
なぜ token 単価だけでは判断を誤るのか
OpenAIは、安いモデルでも再実行や人手修正が増えれば、最終的な成功コストは高くなると説明しています。たとえば月次レポート作成で、安価なモデルに3回やり直しをさせ、最後に担当者が20分整えるなら、その業務全体のコストは高止まりします。反対に、高性能モデルが1回で必要な表や要点を揃え、担当者の確認だけで提出できるなら、単価が高くても全体最適では有利です。比較すべきなのは1,000トークン単価ではなく、1件の業務を品質基準まで完了させる総コストです。
現場では次の3項目を一緒に記録すると判断しやすくなります。1. モデル利用料、2. 人手レビュー時間、3. 再試行回数です。これを記録せずに「とりあえず安いモデルへ寄せる」と、現場の見えない手戻りが膨らみ、AI活用が広がるほど不満が増える状態になりやすいので注意が必要です。
4指標を実務KPIに落とすとどうなるか
1つ目の「意味のある仕事量」は、部署ごとに完了定義を決めて数えます。営業なら提案書更新完了数、法務ならレビュー期限内完了数、情シスなら問い合わせ一次対応完了数のように置き換えます。2つ目の「成功あたりコスト」は、AI利用料に人手確認工数を足し、品質基準を満たした件数で割ります。3つ目の「依存できるか」は、OpenAIが示す ready to use、needs correction、needs escalation の3分類がそのまま使えます。4つ目の「拡大時の効率」は、同じ業務で週次または月次に成功件数と総コストの伸び率を追い、成果の伸びがコストを上回っているかを見ます。
この4指標の良い点は、部門横断で比較しやすいことです。営業と開発では作業内容が違っても、「何件終わったか」「何件がやり直しになったか」「1件あたりいくらかかったか」で揃えれば、次にどの部署へ拡大すべきかが見えてきます。AI導入で失敗しやすいのは、利用率だけ高くて成果が見えないケースです。ダッシュボードは活動量より完了量を中心に設計した方が経営判断に効きます。
1時間超タスクへの移行を追うべき理由
6月25日のOpenAIの調査では、2026年5月時点で個人ユーザーの80.6%が30分超、70.2%が1時間超、25.6%が8時間超と推定される仕事をCodexに少なくとも1回依頼していました。これは、AIが短文生成ツールから、長めの業務を受け持つエージェントへ移っていることを示す方向性データです。日本企業でも、メール草案のような単発用途だけを見ていると、投資の本丸である業務代行を測れません。
そこで有効なのが「人間なら何分かかる仕事か」という代理指標です。たとえば、月次レポート更新は90分、FAQ初稿は45分、競合比較表の更新は120分といった基準をあらかじめ置き、AIが完了させた案件数を人手換算時間で集計します。すると、単なる利用件数では見えない削減効果が見えます。経営層向け報告では「今月は120件利用」よりも「1時間超タスクを46件処理し、推定73時間分を圧縮」と示した方が意思決定に使いやすくなります。
月次ダッシュボードはこの5列から始める
最初のダッシュボードは複雑にしない方が続きます。おすすめは、業務名、完了件数、成功あたりコスト、ready to use率、1時間超タスク比率の5列です。たとえば「提案書更新」は完了18件、成功あたり650円、ready to use率61%、1時間超比率72%、「契約レビュー初稿」は完了12件、成功あたり1,180円、ready to use率54%、1時間超比率83%のように並べます。これだけで、どこに高単価でも伸ばす価値があるか、どこは人手レビュー工程を先に見直すべきかが分かります。
余裕が出てきたら、needs correction率とneeds escalation率を別列で持つと改善ポイントが見えます。修正率が高い業務はプロンプトや入力データ整備の問題かもしれません。エスカレーション率が高い業務は、権限設計や承認条件が曖昧な可能性があります。OpenAIが依存性と統制をセットで語っている通り、精度改善だけでなく、アクセス範囲、変更権限、承認タイミングを定義することが、実運用での歩留まりを左右します。
部門展開で失敗しないための運用ルール
OpenAIの6月25日記事では、Codex利用が開発部門だけでなく、法務、財務、採用へも広がったと説明されています。社内横展開で重要なのは、いきなり全社共通KPIにしないことです。まずは部署ごとに「完了」の定義を決め、その後に4指標へ揃える方が現実的です。加えて、ready to use率が高い業務から先に拡大し、needs escalationが多い業務は承認フローを先に設計する順番が安全です。
特に情シスやAI推進室が押さえたいのは、実験用ダッシュボードと経営報告用ダッシュボードを分けることです。前者ではモデル別の再試行率やレビュー時間を細かく見て改善し、後者では部門別の完了件数、成功コスト、時間圧縮、統制上の注意点だけを見せます。これにより、現場改善と経営判断が同じ画面で混線しにくくなります。
まとめ: ROIは「安く使うこと」ではなく「完了仕事を増やすこと」
AIエージェント導入の評価軸を作るなら、利用率やtoken単価だけでなく、完了仕事量、成功あたりコスト、依存できる割合、拡大時の効率改善までセットで追うべきです。特に、1時間超タスクをどれだけ安全に任せられるかは、今後の差になりやすい指標です。HelloCraftAIでは、こうしたKPI設計から実際の導入フロー整備まで支援しています。自社のAIダッシュボード設計や運用指標の整理を進めたい場合は、 お問い合わせください 。
