AIの本番は、人間の入力が減ってから – エージェント経済で増える需要と、増えない利益

みなさん、おはようございます！こんにちは！こんばんは。Jindyです。

AIブームは、もう終盤なのか。それとも、まだ入口なのか。

この問いを考えるとき、ChatGPTを使っている人の数だけ見ていると、見落とすものがあります。人が一回頼んだあと、裏側でAIが何回働くのか。そして、その仕事代を最後に誰が払うのか。ここをつなぐと、AIの需要と企業の利益を、少し違う角度から見られます。

いまでも、調査を頼んだAIが別のAIに仕事を分ける仕組みは動いています。使い手が人間だけ、という段階はすでに越え始めている。だから、AIがAIを使う未来には期待していい。ただし、そこからAI関連株はまだ割安だ、とは飛べません。

技術が社会に浸透する時期と、株価が期待を織り込む時期は別です。普及には余地があっても、株価の期待は先に走れる。この二つを混ぜると、未来を正しく見ているのに、投資では苦しくなる。

今日は、AIへの依頼が人間の入力回数から離れたときに何が変わるのかを、仕事とお金の流れから考えてみます。

AIの利用量は、人の数だけでは決まらない – 一回の依頼から仕事が枝分かれする

AIを使うと聞いて、多くの人が思い浮かべるのはチャット画面でしょう。人が質問して、AIが答える。その画面の外で、仕事の進め方が変わりつつあります。

チャットの一往復と、仕事の完了は違う

たとえば、ある商品の海外展開を調べたいとします。市場規模、競合、現地の規制、物流費。人が順番に質問すれば、そのたびに入力し、返事を読み、足りない点を追加します。人間が進行役なので、手が止まれば調査も止まる。

エージェント型では、目的を受け取ったAIが作業を分け、調査用のAIや道具を呼び出し、結果を集める構成を取れます。途中で資料が足りなければ、追加調査へ戻る。人が画面を触っていない時間にも、許可された範囲で処理が進みます。

このとき、利用者が一人増えたかどうかより、一件の仕事にいくつの処理が走るかが効いてくる。チャットの会員数が横ばいでも、一人が任せる仕事の範囲が広がれば、計算需要は増え得るわけです。

ただし、AIが必ず別のAIを呼ぶわけではありません。決まった手順のプログラムで十分な仕事もある。すべてを賢そうな登場人物で囲むと、簡単な用事まで大所帯になります。コピー一枚に部長会を開く必要はないですよね。

AI同士の分業は、すでに始まっている

Anthropicは、調査を統括するAIが複数のAIへ作業を分ける研究機能を公表しています。同社のデータでは、通常のチャットに比べ、エージェントは約4倍、複数エージェントの仕組みは約15倍のトークンを使ったと報告しています。トークンは、AIが読み書きする情報量の単位です。anthropic.com

一回お願いしただけなのに、裏ではずいぶん働いている。この構造は、計算需要を考えるうえで見逃せません。ただ、この倍率は同社の特定の構成での観測です。AI市場全体の需要を15倍にしてよい数字ではないし、使った情報量の多さが成果の良さを保証するものでもありません。

別会社のエージェントと連携するための共通ルールも整ってきました。Linux Foundationは、A2Aという仕組みについて、2026年4月時点で150を超える組織の支援と、本番での利用を報告しています。これは普及率や利益の証明ではありませんが、連携が構想だけではないことは確認できます。linuxfoundation.org

外れるのは人の入力待ちであって、予算ではない

では、人間という足枷が外れれば、AIは無限に仕事を作るのでしょうか。

ここは分けたい。減らせるのは、人が都度入力し、細かく段取りをつける待ち時間です。何のために働くのか、いくらまで使えるのか、間違ったらどうするのかまで消えるわけではありません。

たとえば、AIが見込み客を探し、別のAIが提案書を作り、さらに別のAIが修正する。何千件でも回せそうです。でも、誰もその提案を必要としていなければ、計算代を使って資料を積んだだけ。人間の残業が減っても、空振りが自動化されただけなら商売はよくなりません。

AIには人と同じ食欲も住宅ローンもありません。AI同士の依頼が増えても、それだけで最終的な購買力が生まれるとは言えない。企業の売上や費用削減などにつながり、誰かが継続して払う理由が必要です。

つまり、AIがAIを呼べることと、AIが独立した顧客になることは別の話。市場の大きさを考えるなら、呼び出しの回数と、支払いの源泉を両方たどる必要があります。

予算を渡す場合も、全体の上限だけでなく、一件ごとの上限や再試行の回数を決めておく。失敗したAIが別のAIへ投げ直し続けたら、仕事は終わらないのに料金だけ増えます。人の入力待ちをなくす設計と、使いすぎたら止まる設計は、セットで考えるほうが自然です。

AIの需要を、人の数と利用時間だけで測ると小さく見積もる可能性があります。一件の目的から処理が枝分かれするなら、人の入力が減っても、AIの仕事は増えます。

一方、枝がどれだけ増えても、根元にある目的と予算は消えません。需要拡大の話を聞いたら、その先に誰のどんな便益があるのかまで見ておきたいところです。

安くなるほど、使い道が増える – 効率化が需要を押し上げる条件

一回の計算が安くなれば、必要な設備も減る。直感的にはそう思えます。でも、値下がりによって新しく採算が合う仕事が増えると、話は変わります。

節約で終わる仕事と、初めてできる仕事

たとえば、取引先の変化を調べる作業。手間が大きければ、主要な数社だけを四半期に一度確認する運用になるかもしれません。これは架空の業務例ですが、限られた人員で対象を絞る感覚は想像しやすいでしょう。

調査の手間と費用が下がれば、確認対象を広げたり、頻度を上げたりできる。昨日まで後回しだった仕事が、今日から実行可能になる。AIを使って従来の仕事を安くするだけでなく、従来は頼めなかった仕事を頼み始めるわけです。

Stanford HAIのAI Index 2025では、一定のベンチマークでGPT-3.5相当の性能を得る推論費用が、2022年11月から2024年10月にかけて280分の1未満になったと整理されています。対象は性能条件をそろえた比較で、あらゆるAI業務の総費用が同じだけ下がったという意味ではありません。hai.stanford.edu

使い道が増える余地はある。ただし、安さだけでは足りない。結果が信用できること、業務へ渡せることまで含めて、初めて使える仕事になります。

利用量が増えても、売上が増えるとは限らない

効率化が利用を増やし、節約分の一部を打ち消すことを、リバウンド効果と呼びます。増え方が大きく、資源消費全体まで増える場合は、ジェボンズのパラドックスとして語られます。AIでも起こり得ますが、効率が上がれば必ず総需要が増える、という法則ではありません。

ここでは仕組みを見るため、仮の数字を置きます。一件100円の処理を100件使えば、支払額は1万円。それが一件10円になり、利用が500件へ増えたらどうか。使う量は5倍でも、支払額は5,000円です。

一件10円で2,000件使えば2万円になる。値下げ後の売上が増えるには、利用量が値下げ幅を上回って伸びる必要があります。実際には、モデルの使い分けや契約もあるため単純ではありませんが、量とお金を分けるだけで見え方が変わります。

さらに、提供企業の計算原価がどれだけ下がったかで利益は変わる。売上が減っても利益が増える場合も、その逆もある。利用量が急増という見出しを、そのまま売上急増、利益急増へ読み替えるのは早すぎます。

無限の仕事を待つのは、有限の電力と確認時間

AI同士の分業が増えるほど、計算機、電力、通信、冷却といった物理的な設備も必要になります。AIには眠らず働ける可能性がある。でも、変圧器が気合で納品されるわけではありません。

IEAの2025年の見通しでは、世界のデータセンターの電力消費は、2024年の約415TWhから2030年に約945TWhへ増える基本ケースが示されています。これはAIだけの消費ではなく、データセンター全体の数字。将来の採用速度や効率改善によって変わる予測です。IEA

職場にも、もう一つの上限があります。人の確認時間です。AIが毎朝百件の改善案を出しても、担当者が一日五件しか確かめられなければ、提案が積み上がる。作成が速くなった分だけ、審査の渋滞が目立つようになる。

そこで求められるのは、何でも生成することより、優先順位をつけ、基準内は進め、例外を人へ返す設計です。計算が安くなるほど、どこまで任せてよいかを決める仕事が重くなる。効率化は制約を消すと同時に、別の制約を見えるようにもします。

工程がつながるほど、途中の失敗も効きます。仮に各工程が独立し、それぞれ95％の確率で正しく終わるなら、20工程すべてが正しい確率は約36％です。実際の成功率を示す数字ではなく、単純化した計算例ですが、一工程の出来の良さだけでは全体の品質を語れないと分かる。途中で照合し、失敗を検知して戻せる仕組みが、任せられる範囲を左右します。

安くなれば使う量が増える、という筋書きには説得力があります。ただし、その量が売上になり、利益になり、設備投資を回収できるかには、それぞれ別の条件があります。

AIの利用料が下がることを喜ぶ利用者と、値下げを迫られる提供者。同じニュースでも立場によって意味が違う。技術の進歩が誰の財布を軽くし、誰の仕事を増やすのかを見ると、景色が立体的になります。

AIが忙しい会社より、成果を回収する会社を見る – 投資と経理の物差しを変える

需要の伸びしろが大きいなら、AI関連企業を買っておけばよい。そう言いたくなるところですが、普及の物語と投資の成績の間には、いくつも関門があります。

未来が明るいことと、今の株価が安いこと

仮にAIを使う仕事が今後大きく増えるとしても、その期待がすでに株価へ入っていれば、成長しただけでは足りません。投資家の期待以上に伸びるか、その利益がどれほど長く続くかが問われます。

しかも、需要増の恩恵は均等に配られない。計算を売る会社、設備を貸す会社、業務ソフトを提供する会社、AIを使って自社の原価を下げる会社。それぞれ、競争相手も値下げ圧力も違います。

たとえば、モデルの切り替えが簡単なら、利用者は安い提供先へ移りやすい。一方、業務の流れや独自データに深く組み込まれ、乗り換えに手間がかかるサービスは、別の強みを持ち得ます。それでも、顧客にとっての便利さと、株主に残る利益は確認しなければ分かりません。

AIバブルは始まっていない、と言い切るより、利用の拡大と株価の過熱は同時に起こり得る、と考えるほうが実務的です。これは個別銘柄の割安・割高を判定した結論ではありません。成長市場というだけで買値を正当化しないための考え方です。

P/Lに利益、B/Sに設備、CFに先払い

設備を持つ企業を見るなら、売上と利益の伸びに加えて、どれだけ現金を先に出しているかを見たい。サーバーを買えば支払時期に応じて現金が出ますが、購入額のすべてがその期の費用になるわけではありません。設備としてB/Sに残り、減価償却などを通じて費用になります。

つまり、P/Lの利益が増えていても、設備投資への支払いが大きければ、手元の現金は別の動きをする。将来の稼働で回収する前提が、B/SにもCFにも顔を出すわけです。

ここで見たいのは、設備投資が大きいから悪い、という単純な話ではありません。誰の需要を、どんな契約で、いつから売上にし、いつ現金で回収するのか。高性能な次世代設備が出てきても、想定した期間で稼げるのか。成長を支える投資と、回収が遠のく投資を分けて考える必要があります。

利用者側にも同じ視点が要ります。AI利用料が安くても、データ整備、既存システムとの接続、担当者の確認に費用がかかる。請求書に載る金額だけを原価にすると、見えない人件費が都合よく消えてしまいます。

導入件数から、受け入れられた成果の原価へ

職場でAI導入を評価するなら、呼び出し回数より、受け入れ可能な成果一件にいくらかかったかを見る。AI利用料、連携や運用の費用、人の確認・手直しの費用を、使える状態で完了した件数で割る。これなら、失敗した試行も原価から消えません。

これは分析のための管理指標で、会計基準上の原価の定義ではありません。案件の難しさや成果の品質をそろえ、仕事が終わるまでの時間も併せて見る必要があります。速さだけを追えば、粗い仕事が得をするからです。

効果測定にも注意が要ります。METRは、経験豊富な開発者を対象にした2025年前半の研究でAI利用による作業時間の増加を報告しましたが、2026年の更新では、その後の改善の可能性と、参加者やタスクの選ばれ方による測定の限界を説明しています。古い結果を、いまのAI全般への判定として使うことはできません。METR

だから、導入前後で条件をそろえて比べる。短縮された時間が、残業削減や売上増などへどうつながったかも追う。空いた時間をどう使うかまで決まって、初めて経営の成果になります。

たとえば確認時間が半分になっても、その担当者の給与が直ちに半分になるわけではありません。その分で別の仕事を進めるなら、処理能力の増加として評価する。残業代が減ったなら、現金支出の削減として評価する。同じ時間短縮でも効果の現れ方が違うので、節約できたはずの人件費を、そのまま利益へ足さないことです。

投資家は、利用の増加が企業の現金へ届く道筋を見る。使う側の企業は、AIの活動が受け入れ可能な成果へ届く道筋を見る。立場は違っても、途中の賑やかさで満足しない点は同じです。

AIがAIに仕事を振る時代には、処理の記録だけならいくらでも増やせます。だからこそ、仕事が完了したか、誰が便益を得たか、支払いを続ける理由があるかという地味な問いが効いてきます。

結論　任せる量が増えるほど、目的を持つ人の仕事が残る

これまで、手を動かすのが速い人は頼りにされました。AIへ細かく指示を出すのがうまい人にも、価値がありました。その先では、何を任せ、どこで終わりにするかを決められる人が、いっそう問われるはずです。

仕事を増やす費用が下がると、やらなくてよい仕事まで増やしやすくなる。調査も、資料も、修正案も、作ろうと思えば作れてしまう。そこに終点を置けなければ、便利なはずの道具に予算と注意力を吸い取られます。

人間の入力待ちが減る未来には、大きな可能性があります。ただ、人間を仕事の途中から外すことと、目的まで手放すことは同じではありません。何を改善できれば十分か。どの費用なら払う価値があるか。誰がその結果を引き受けるか。

AIに任せられることが増えるほど、その問いから逃げにくくなる。

AIが何回働いたかを自慢するより、何が片づいたかを話せる人でいたい。機械が休まず仕事を回す未来でも、最後に残るのは、案外そんな人間くさい判断なのだと思います。

AIの需要と、その先のお金を考えるための5冊

1．『予測マシンの世紀　AIが駆動する新たな経済』アジェイ・アグラワル、ジョシュア・ガンズ、アヴィ・ゴールドファーブ著／小坂恵理訳

AIを、何でもできる魔法ではなく、予測の費用を下げる技術として考える本です。紹介文と目次では、予測、判断、意思決定、仕事の流れ、戦略へと議論を進めています。本記事の、安くなれば今まで頼めなかった仕事を頼めるようになる、という見方を経済学から深めたい人に向いています。AIが高度になったという話だけで終わらず、ある作業が安くなったとき、隣にあるデータや判断の価値がどう変わるかを考える入口になります。最新のエージェント製品の操作方法を探す本とは役割が違います。自社で何の費用が下がり、どこが次の制約になるのか、仕事を分解しながら読むと本文とのつながりが見えてきます。

[商品価格に関しましては、リンクが作成された時点と現時点で情報が変更されている場合がございます。]

予測マシンの世紀 AIが駆動する新たな経済 [ アジェイ・アグラワル ]
価格：1,870円（税込、送料無料) (2026/10/24時点)

楽天で購入

2．『人工知能は人間を超えるか　ディープラーニングの先にあるもの』松尾豊

いま使っているAIの姿だけを見ていると、昔の期待や失敗、技術の積み重ねが見えにくくなります。本書は、推論と探索、知識を与える方法、機械学習、ディープラーニングという流れから、人工知能の仕組みと発展をたどる一冊です。エージェント時代の最新動向を直接説明する本としてではなく、技術の歴史と基本をつかむために置いています。AIがAIを呼ぶ、という表現だけで知能そのものが無制限に増えると受け取る前に、何をする仕組みなのかを落ち着いて考えたい人向けです。新しいニュースを読むたびに驚く状態から少し距離を取り、変わった部分と以前から続く課題を、自分の言葉で分ける土台になります。

人工知能は人間を超えるかディープラーニングの先にあるもの [ 松尾　豊 ]
価格：1,540円（税込、送料無料) (2026/10/24時点)

楽天で購入

3．『イノベーションのジレンマ増補改訂版　技術革新が巨大企業を滅ぼすとき』クレイトン・M・クリステンセン著／伊豆原弓訳

市場が伸びるなら、その市場で強い企業も伸び続ける。そう考えたくなったとき、別の角度をくれる本です。優良企業が顧客の声に応え、合理的に投資していても、技術や市場構造の変化で地位を失う問題を扱います。本記事で分けた、需要の拡大と、特定企業が利益を取り続けることの違いを考える材料になります。AIの安さや使いやすさが進むほど、いまの主力製品や顧客層に最適化された企業はどう動くのか。既存の利益を守る判断が、新しい需要を取り逃すことはないか。そうした問いを持って読むと、技術のニュースを経営の選択へつなげやすくなります。AI企業の将来を一つの理論だけで決めつけず、事例との違いも確かめたい一冊です。

イノベーションのジレンマ増補改訂版技術革新が巨大企業を滅ぼすとき（Harvard　business　school　press） [ クレイトン・M．クリステンセン ]
価格：2,640円（税込、送料無料) (2026/10/24時点)

楽天で購入

4．『良い戦略、悪い戦略』リチャード・P・ルメルト著／村井章子訳

AIを全面活用する。業務を変革する。言葉は立派でも、誰が何を変えるのかが見えなければ現場は動けません。本書は、曖昧な目標と実行につながる戦略を分け、課題を見きわめて資源と行動を集中させる考え方を扱います。AIの導入数を増やすことが目的になりそうな部署や、試行は増えたのに成果が見えない組織で考える材料になります。本記事の終了条件や成果一件の総費用を、単なる測定項目で終わらせず、どの仕事へ力を集めるかという選択へつなぐ役割です。最新技術の解説では得にくい、やることを絞る視点を補えます。経営企画だけでなく、予算を組む人、稟議を確かめる人、導入の段取りを担う人にも接点の多い本です。

良い戦略、悪い戦略 [ リチャード・P・ルメルト ]
価格：2,200円（税込、送料無料) (2026/10/24時点)

楽天で購入

5．『AI時代の質問力プロンプトリテラシー　「問い」と「指示」が生成AIの可能性を最大限に引き出す』岡瑞起、橋本康弘

大きな市場の話から、自分の仕事へ戻るための一冊です。大規模言語モデルの基本、プロンプトの考え方やパターンを扱い、AIエージェントと社会にも話を広げています。本記事では、人の入力待ちが減っても、目的や終了条件を決める役割は残ると考えました。では、自分が何を求めているかを、どうAIへ渡せばよいのか。本書はその入口を補います。便利な言い回しを集めるだけでなく、曖昧な依頼を具体的な作業へ変える練習として読むと、日々の活用につながります。製品ごとの新機能は変わっても、相手に目的と条件を伝え、出てきた結果を確かめる必要は残る。経済や経営の本とは違い、手を動かして自分の依頼を見直すために選びました。