AIに開発を任せると、費用はどこまで下がるのか？──160億トークン・3ヶ月で6,000万円規模の開発を1人で置き換えた実測記録

Q01AIを使うと、システム開発の費用はどこまで下がるのですか？

実測では、人間のチームで作れば約50人月・SIに発注すれば約6,000万円規模の開発を、月数万円のAI費用と1人・約3人月のディレクションで置き換えられました（2026年8月時点の実測）。投下工数のレバレッジは約17倍です。超シンプルにまとめると、6,000万円分の工数を、月数万円のAI費用と1人のディレクションで置き換えたということです。

比較項目	従来のSI発注（人間のチーム）	AI駆動開発（今回の実測）
体制	おおよそ50人月の人間のチーム	1人＋AI（人間の投下工数は約3人月）
費用規模	約6,000万円規模	AI費用はサブスクリプションの月数万円程度
AIの労働量	該当なし	3ヶ月で約160億トークン（API定価換算で約1,300万円相当）
工数レバレッジ	基準	約17倍

数字はすべて、私自身の開発での一次実測です。作成したソースコードは約20万行。3人月といっても私はフル稼働ではないので体感はもう少し上ですが、ここは控えめに 約17倍 としています。

あらゆる開発がこうなるわけではありません。それでも、開発コストの構造そのものが変わり始めていることは、この数字が示しています。

Q02ループエンジニアリングとは、どんな開発手法ですか？

AIで対象を分析し、精度が出ない部分を洗い出し、効果の高い課題から徹底的に改善し、再分析して検証する──このループをAIにひたすら回させる開発手法です。人間のやり方の延長ではなく、物量で課題を潰していく、AIでしかできない作り方です。

1. AIで資料を分析する
2. 精度が出ない部分を洗い出す
3. 効果の高い課題から徹底的に改善する
4. 再分析して検証する（1に戻る）

転機は、人間のやり方の延長を捨てて、このループ設計に全振りしたことでした。一周回るたびに課題が潰れ、分析ノウハウが爆発的に蓄積されていきます。

一気には良くなりません。でも、課題を1つ潰すと、少しずつでも確実に精度が上がる。この「少しずつでも上がる」を信じ切れるかどうかが、振り返ると分岐点でした。

Q03AIが作ったものの品質は、どうやって確かめるのですか？

仕掛けは2つです。正解例を先に作っておき、一周ごとに毎回同じテストで照合すること。そして、作るAIとは別にチェックするAIを立てて、おかしい出力を機械的にあぶり出すことです。人間は、洗い出された課題の優先順位づけ＝ディレクションだけに集中します。

Q04なぜ月数万円で、1,300万円相当のAIの働きが手に入るのですか？

AIの「労働量」と「支払額」が切り離されているからです。今回の3ヶ月で消費したトークンは約160億、API定価で換算すると約1,300万円相当ですが、実際の支払いはサブスクリプションの月数万円程度でした（2026年8月時点）。このコスト構造の非対称が、AI駆動開発の核心です。

Q05SIに開発を発注する前に、何を確認すればいいですか？

見積もりを取る前に、「これはAI駆動で作れる開発ではないか？」と一度疑ってみることです。今回の実測が示したのは、根性の量ではなく、作り方の構造が変わったこと。数千万円規模の見積もりを見て諦めた開発も、前提から見直す価値があります。

よくある質問（FAQ）

Q. 160億トークンとは、どれくらいの量ですか？

A. トークンはAIが文章を読み書きする量の単位で、人間でいう文字数のようなものです。今回の約160億トークンはAPI定価換算で約1,300万円相当、作成したソースコードは約20万行、AIの出力量は人間がタイピングするだけで9,000時間かかる分量でした（分析に使った時間が多いため参考値です）。

Q. 開発期間はどれくらいかかりましたか？

A. 約3ヶ月、ほぼフル稼働でした。ただし24時間回っていたのはAIのループのほうで、人間は寝ています。分析→洗い出し→改善の周回を自動で回し、朝に結果の数字と課題リストだけを確認する運用でした。

Q. 精度はすぐに出ましたか？

A. 出ていません。分析を始めた当初は精度が全く出ず、最初の1週間はひたすら頭を悩ませていました。唯一の希望は、課題を1つ潰すと少しずつでも確実に精度が上がること。これを信じ切れるかどうかが分岐点でした。

Q. ループエンジニアリングは、誰でもできますか？

A. 私の実感では、回す人の深さで決まります。ループを組む技術、対象業務のドメイン知識、理屈の追いつかない改善の海で回し続ける精神力、その燃料になる好奇心。この4つが揃って初めて成立しました。日常業務でAIに仕事を頼むこととは、別のレイヤーの話です。

Q. 開発した社内ナレッジAIには、どんな特徴がありますか？

A. 大手企業で使われることを前提に、3つの性質を磨きました。回答には必ず根拠の文書を示し根拠がなければ答えない「仕組みとして嘘をつけない」設計、ナレッジの構造化で言葉の揺らぎと文書をまたいだ関連性を補完する仕組み（従来のRAG＝文書検索型AIでは届かなかった精度の理由はほぼここです）、そして現場の利用が広がってもAIコストが積み上がらない構造です。