- はじめに——「で、結局AIを入れたらいくら儲かるんですか？」
- 目次
- 前提整理——AI投資判断の「3つの軸」
- 【ステップ1】TCO（総保有コスト）を3年で並べる
- 【ステップ2】SaaS型AIの3年TCO比較
- 【ステップ3】ローカルLLM自社構築の3年TCO
- 【ステップ4】損益分岐ユーザー数——「何人以上ならローカル構築か」
- 【ステップ5】ROI・IRR・NPV・回収期間で経営会議を通す
- 【ステップ6】Build / Buy / Partner 意思決定マトリクス
- 【ステップ7】「見えにくい便益」を金額換算する
- 【ステップ8】AI支出の会計処理——資産計上か費用計上か
- 経営会議向け稟議資料テンプレート（そのまま使える章立て）
- よくある質問（Q&A）
- まとめ——「感覚」ではなく「数式」でAIを導入する
- 参考リンク
はじめに——「で、結局AIを入れたらいくら儲かるんですか？」
「ChatGPT Enterpriseを全社展開したいんですが、経営会議でROIを聞かれて答えに詰まってしまって……」
「Claude for Workにするか、思い切ってローカルLLMを自社構築するか、判断軸が分からない」
「3年でいくらかかるのか、何人使えば元が取れるのか、経営層が納得する数字を出してほしい」
2026年に入り、AI導入は「現場の実証」フェーズから「全社展開・経営判断」フェーズに移りつつあります。PoCで効果が出たから本格導入したい——そう考えた瞬間に立ちはだかるのが、CFOや経営企画からの「数字で説明してください」という壁です。
本記事は、AI導入の意思決定を 「経営会議を通せる数値モデル」 に変換するための完全ガイドです。ChatGPT Enterprise・Claude for Work・Microsoft 365 Copilot・Google Workspace AI・ローカルLLM自社構築という5つの選択肢を、3年TCO・損益分岐点・IRR・NPVで横並びに比較します。CFO・経営企画・情シス部長・IT投資稟議を書く立場の方を主読者として書きました。
※本記事の数値はすべて「経営判断のためのモデル試算例」であり、各社の実価格・条件で必ず再計算してください。料金体系は2026年5月時点の公開情報・想定値を用いています。
目次
- はじめに——「で、結局AIを入れたらいくら儲かるんですか？」
- 前提整理——AI投資判断の「3つの軸」
- 【ステップ1】TCO（総保有コスト）を3年で並べる
- 【ステップ2】SaaS型AIの3年TCO比較
- 【ステップ3】ローカルLLM自社構築の3年TCO
- 【ステップ4】損益分岐ユーザー数——「何人以上ならローカル構築か」
- 【ステップ5】ROI・IRR・NPV・回収期間で経営会議を通す
- 【ステップ6】Build / Buy / Partner 意思決定マトリクス
- 【ステップ7】「見えにくい便益」を金額換算する
- 【ステップ8】AI支出の会計処理——資産計上か費用計上か
- 経営会議向け稟議資料テンプレート（そのまま使える章立て）
- よくある質問（Q&A）
- まとめ——「感覚」ではなく「数式」でAIを導入する
- 参考リンク
前提整理——AI投資判断の「3つの軸」
AI導入の意思決定でつまずく最大の理由は、「コスト」「効果」「リスク」を別々に議論してしまうことです。経営会議を一発で通すには、3つを同じ通貨単位（円）に揃え、同じ期間軸（3年）で並べる必要があります。
軸1：コスト（TCO：Total Cost of Ownership）
ライセンス費用だけではありません。導入支援費、社内トレーニング、運用工数、電気代、ハードウェア減価償却、ガバナンス整備費用——「総保有コスト」として捉えます。SaaSは「月額×ユーザー数×期間」で比較的明快ですが、ローカルLLM自社構築は隠れコストが多く、ここで多くの稟議が失敗します。
軸2：効果（Benefit）
「業務時間削減」「品質向上」「離職率改善」「ハルシネーション損害の回避」など、便益を すべて金額換算 します。「便利になります」では経営会議は通りません。「営業1人あたり月8時間の削減 × 時給4,000円 × 200人 = 月640万円」と書きます。
軸3：リスク（Risk）
情報漏洩リスク、規制対応コスト、ベンダーロックイン、AI幻覚（ハルシネーション）による顧客損害——確率×影響額で期待値を計算します。リスクをコストの一部に組み込むことで、「安いSaaSが本当に安いか」が見えてきます。
【ステップ1】TCO（総保有コスト）を3年で並べる
TCOを計算する際の構成要素を、SaaS型とローカル型で対比します。
| コスト項目 | SaaS型（ChatGPT Enterprise / Claude for Work等） | ローカルLLM自社構築型 |
|---|---|---|
| ライセンス・利用料 | 月額 × ユーザー数 × 36ヶ月 | 原則ゼロ（オープンソースモデル） |
| ハードウェア | 不要 | Mac Studio / RTX 4090ワークステーション等 |
| 電気代 | 無視できる | GPU稼働時の電力消費（年数万〜数十万円） |
| 導入支援・初期構築 | 0〜数百万円 | 数百万〜1,000万円超 |
| 運用工数 | 軽（IT管理者0.1〜0.3人月/月） | 重（MLOps人材 0.5〜1.0人月/月） |
| モデル更新・ファインチューニング | ベンダーが対応 | 自社で実施（外注の場合は追加費用） |
| セキュリティ・監査対応 | ベンダー側で完備（SOC2等） | 自社で構築・監査対応 |
| スケール時の追加コスト | ユーザー数増で線形増加 | GPU増設・モデル切替で段階的 |
ポイントは 「ローカル構築はライセンス代がゼロでも、運用工数とハードウェアで逆転する」 という構造です。だからこそ「何人以上なら逆転するのか」を数式で出す必要があります。
【ステップ2】SaaS型AIの3年TCO比較
主要な法人向けAIサービスの想定価格（2026年5月時点、公開情報・想定値）で、3年TCOを並べます。実価格は要見積もり交渉、円ドル相場で大きく動く点に注意してください。
主要SaaS型AIの料金体系（モデル試算用）
| サービス | 想定月額（ユーザー単価） | 主な特徴 |
|---|---|---|
| ChatGPT Enterprise | $60前後/ユーザー/月（要交渉） | 無制限GPT-4系、長文コンテキスト、SSO、SOC2、データ学習除外 |
| Claude for Work（Team / Enterprise） | $30〜$60/ユーザー/月想定 | Claude Opus/Sonnet、長文・コーディング・分析特化、データ学習除外 |
| Microsoft 365 Copilot | $30/ユーザー/月（M365 E3/E5別途） | Office統合、Teams、企業データ連携、Purview統合 |
| Google Workspace（Gemini Enterprise） | $30/ユーザー/月想定 | Workspace統合、長文コンテキスト、Vertex AI連携 |
ユーザー数別 × 3年TCO（モデル試算）
為替を $1 = 150円、月額をユーザー単価 $40 と想定した場合（Claude for Work / Copilot水準）の3年TCO（=ユーザー単価 × 12ヶ月 × 3年 × ユーザー数）：
| ユーザー数 | 3年TCO（$40/月想定） | 3年TCO（$60/月想定 / Enterprise級） |
|---|---|---|
| 50人 | 約1,080万円 | 約1,620万円 |
| 100人 | 約2,160万円 | 約3,240万円 |
| 300人 | 約6,480万円 | 約9,720万円 |
| 500人 | 約1.08億円 | 約1.62億円 |
| 1,000人 | 約2.16億円 | 約3.24億円 |
※さらに導入支援費（数百万円）、社内トレーニング、変更管理コストを上乗せします。
「ヘビーユーザー率」で実効コストを補正する
SaaS型AIは「全社員に配布したが、実際に使うのは2〜3割」というケースが多発します。ヘビーユース率20%の場合、実効コスト（業務改善1あたりの単価）は5倍に跳ね上がります。ライセンスを配るのではなく、ヘビーユーザーから順に絞って配布する運用設計が、TCOを劇的に下げます。
【ステップ3】ローカルLLM自社構築の3年TCO
「ローカルLLM = タダ」ではありません。3年で総額いくらかかるのかをモデル化します。
ハードウェア構成例（小規模オンプレ運用）
| 構成パターン | 初期ハードウェア費用 | 想定モデル規模 | 想定同時利用ユーザー |
|---|---|---|---|
| Mac Studio（M3 Ultra・192GB）×1台 | 約100万円 | 70B級量子化モデル | 5〜10人 |
| RTX 4090ワークステーション×1台 | 約80〜120万円 | 13B〜34B級 | 10〜20人 |
| サーバーGPU（A100/H100×2） | 500万〜2,000万円 | 70B〜400B級 | 50〜200人 |
3年TCO構成要素（中規模：50人想定のローカル構築）
| 項目 | 3年合計（モデル試算） |
|---|---|
| ハードウェア（GPU×2サーバー） | 1,500万円（3年で減価償却） |
| 電気代（GPU稼働 24時間想定） | 約100〜200万円 |
| MLOps人材（社内0.5人月/月相当） | 約1,500万〜2,000万円 |
| 初期構築・PoC支援（外注） | 500万〜1,500万円 |
| モデル更新・改善 | 300万〜600万円 |
| セキュリティ監査・ガバナンス整備 | 200万〜500万円 |
| 3年TCO合計 | 約4,100万〜6,300万円 |
この4,100万〜6,300万円を、SaaS型と同じ「ユーザー数 × 3年」で割ると、ユーザー1人あたりの月額コストが算出できます。
【ステップ4】損益分岐ユーザー数——「何人以上ならローカル構築か」
ローカルLLM自社構築の3年TCOを C_local、SaaS型のユーザー単価（月額）を p とすると、損益分岐ユーザー数 N* は次の式で求められます。
N* = C_local ÷ (p × 12 × 3)
損益分岐ユーザー数の試算例
| ローカル構築 3年TCO | SaaS単価 $30/月（≒4,500円） | SaaS単価 $40/月（≒6,000円） | SaaS単価 $60/月（≒9,000円） |
|---|---|---|---|
| 3,000万円 | 約185人 | 約139人 | 約93人 |
| 5,000万円 | 約309人 | 約231人 | 約154人 |
| 1億円 | 約617人 | 約463人 | 約308人 |
つまり、Enterprise級SaaS（$60/月）と比較した場合、3,000万円規模のローカル構築は約93人以上で逆転します。逆に、50人規模なら確実にSaaSが安く、500人規模ならローカル構築の検討余地が大きいと言えます。
注意点：損益分岐は「同等の機能・品質」が前提
この計算は「ユーザーが受け取る価値が同等」という前提です。実際には、フロンティアLLM（GPT-5級、Claude Opus級）と70B級量子化ローカルモデルでは、複雑タスクの精度に差があります。「業務カテゴリごとに最適なLLMをルーティングする」ハイブリッド戦略（SaaS+ローカル併用）も有力な選択肢です。
【ステップ5】ROI・IRR・NPV・回収期間で経営会議を通す
ここからが本記事の核心、CFOが見る指標です。
ROI（投資収益率）
最もシンプルな指標。「3年で投資額の何倍のリターンか」を示します。
ROI(%) = (3年累計便益 − 3年TCO) ÷ 3年TCO × 100
例：3年TCO 5,000万円、3年累計便益（業務時間削減等を金額換算）2億円
ROI = (20,000 − 5,000) ÷ 5,000 × 100 = 300%
NPV（正味現在価値）
将来のキャッシュフローを「現在の価値」に割り引いた合計値。割引率（社内ハードルレート）r を用いて：
NPV = − 初期投資 + Σ (各年のキャッシュフロー ÷ (1+r)^t )
NPV > 0 なら投資に値する、というのが原則です。割引率は多くの日本企業で5〜10%が目安。AIプロジェクトのリスクを織り込み、10〜15%で計算するケースもあります。
IRR（内部収益率）
NPV = 0 になる割引率。「このプロジェクトは年率何%で回るか」を示します。社内ハードルレート（資本コスト）を上回ればGO、下回ればNO-GO。CFOへの説明で最も強力な指標です。
回収期間（Payback Period）
「初期投資が累計便益で何年で回収できるか」を示すシンプルな指標。3年以内、できれば2年以内が稟議を通しやすい目安です。
モデル試算：100人規模 ChatGPT Enterprise 導入のROI
| 項目 | 金額 |
|---|---|
| 3年TCO（$60×100人×36ヶ月） | 約3,240万円 |
| 導入支援・トレーニング | 約500万円 |
| 合計投資額（3年） | 約3,740万円 |
| 業務時間削減便益（1人あたり月8時間×時給4,000円×100人×36ヶ月） | 約1.15億円 |
| 離職率改善・採用コスト削減（推定） | 約500万円 |
| 3年累計便益 | 約1.20億円 |
| ROI | 約221% |
| 回収期間 | 約14ヶ月 |
※「月8時間削減」「ヘビーユース率100%」は楽観値です。実際には20〜50%のレンジで感度分析を行い、Pessimistic / Base / Optimistic の3シナリオで提示するのが鉄則です。
【ステップ6】Build / Buy / Partner 意思決定マトリクス
SaaS購入（Buy）か、自社構築（Build）か、コンサル委託（Partner）か——意思決定の軸は「コア戦略性」と「内製化能力」の2軸で整理できます。
| 内製化能力：高い | 内製化能力：低い | |
|---|---|---|
| コア戦略性：高い | Build（差別化要素は自社で握る） | Partner（コンサル+内製化支援） |
| コア戦略性：低い | Buy（SaaSで早く・安く） | Buy（SaaS一択、教育投資） |
Buy（SaaS購入）を選ぶケース
- 業務横断のジェネリックな用途（文書作成、議事録、コーディング補助）
- 競合他社も同じツールを使っており、差別化要素ではない
- ユーザー数が損益分岐点を下回る規模
- セキュリティ・コンプライアンスの整備リソースが社内にない
Build（自社構築・ローカルLLM）を選ぶケース
- 独自データを使った業界特化AIが競合優位の源泉になる
- 機密データを外部に出せない（医療・法務・防衛・金融機密）
- 大規模ユーザー（数百〜数千人）で損益分岐点を超える
- MLOps人材を継続的に育成する経営意思がある
Partner（コンサル・SIer委託）を選ぶケース
- 戦略上は内製したいが、現時点で人材が不足
- 初期構築だけ外注し、運用は内製に移行する明確なロードマップがある
- 業界知識×AI実装力を持つパートナーが必要
【ステップ7】「見えにくい便益」を金額換算する
稟議資料で差がつくのは、「数字にしにくい便益」を真面目に金額換算する姿勢です。
ハルシネーション損害の回避便益
AIが誤情報を出し、それが顧客に届いた場合の損害コストを推計します。
- 1件の重大ハルシネーション事故の損害額（顧客対応、信用毀損、訴訟リスク）：数百万〜数千万円
- 発生確率を年1%→0.1%に下げるRAG・ガードレール導入の便益
= (1% − 0.1%) × 想定損害額 = 期待値ベースの便益
離職率改善・採用コスト削減
「ルーティン業務をAIが担うことで、ホワイトカラーの仕事の質が上がり、離職率が下がる」というロジックを金額化します。
- 採用コスト（1人あたり）：年収の20〜30%が一般的
- 離職率が3%改善 × 従業員300人 = 年9人 × 採用コスト150万円 = 年1,350万円
意思決定スピードの便益
「営業提案書の作成時間が半減」「市場調査が1週間→1日」など、意思決定の高速化を金額換算します。RevOps部門のリードタイム短縮を売上機会増として算入できれば、便益は大きく跳ね上がります。
シャドーIT削減の便益
従業員が個人課金のChatGPTを業務利用している「シャドーIT」状態を可視化し、情報漏洩リスクを期待値化します。1件の重大情報漏洩の損害額 × 発生確率の改善幅 = 便益として算入できます。
【ステップ8】AI支出の会計処理——資産計上か費用計上か
稟議資料を書く際、避けて通れないのが会計処理の議論です。CFO・経理部門の関心領域です。
SaaS型AIの会計処理
多くの場合「支払時の費用処理」（販管費）として扱われます。日本基準・IFRS共に、SaaS利用料は原則として費用計上です。長期契約（3年契約）の場合は前払費用として計上し、各期に按分する処理になります。
ローカルLLM自社構築の会計処理
- ハードウェア（サーバー、GPU）： 固定資産として資産計上、耐用年数（4〜5年）で減価償却
- 初期構築の外注費： 自社利用ソフトウェア（無形固定資産）として計上、利用可能期間（一般に5年）で償却するケースが多い
- 運用人件費： 通常の人件費（販管費）
- 電気代： 通常の経費
資産計上か費用計上かは P/L（損益計算書）の見え方 に大きく影響します。「初年度のP/Lインパクトを抑えたい」ならローカル構築（資産計上中心）、「税務上のメリットを早期に取りたい」ならSaaS（費用計上中心）という選択肢があります。
※会計処理は会計監査人・税理士の確認が必須です。本記事は一般的な考え方の整理にとどめます。
経営会議向け稟議資料テンプレート（そのまま使える章立て）
ここまでの内容を、実際の稟議書・経営会議資料に落とし込む章立てを提示します。
標準章立て（A4で10〜15枚想定）
- エグゼクティブサマリー（1枚）： 投資額、3年累計便益、ROI、IRR、回収期間、推奨アクション
- 背景・課題（1〜2枚）： なぜ今AI導入か、競合動向、社内のシャドーIT状況
- 選択肢の整理（2枚）： Buy / Build / Partner の3案、各案のメリット・デメリット
- 3年TCO比較（2枚）： SaaS型とローカル構築型のコスト構造、損益分岐ユーザー数
- 便益の試算（2枚）： 業務時間削減、離職率改善、ハルシネーション損害回避——Pessimistic / Base / Optimistic の3シナリオ
- NPV・IRR・回収期間（1枚）： 社内ハードルレート（資本コスト）との比較
- リスクとガバナンス（1〜2枚）： 情報漏洩、規制対応、ベンダーロックイン、KPIモニタリング体制
- 導入ロードマップ（1枚）： Phase 1（PoC）、Phase 2（ヘビーユーザー展開）、Phase 3（全社展開）
- 推奨アクションと承認依頼（1枚）： 投資意思決定、予算規模、責任者、KPI
感度分析を必ず付ける
「便益の前提が崩れたらどうなるか」を示す感度分析（Sensitivity Analysis）を付けることで、稟議の通過率が劇的に上がります。
- ヘビーユース率が想定の50%だった場合のROI
- 為替が $1 = 170円に振れた場合のTCO
- 業務時間削減が想定の半分だった場合の回収期間
よくある質問（Q&A）
Q1. ChatGPT Enterpriseの実際の価格は本当に /ユーザー/月ですか？
公開されていない交渉価格です。多くの公開情報や報道では $60前後がレンジとして語られていますが、ユーザー数・契約期間・地域によって大きく変動します。本記事はモデル試算用の想定値として使用しています。必ず複数ベンダーから見積もりを取り、自社条件で再計算してください。
Q2. ローカルLLMでChatGPT並みの品質は出ますか？
2026年5月時点では、フロンティアLLM（GPT-5級、Claude Opus級）と70B〜400B級のオープンモデルの間には、複雑タスク（高度な推論、長文の整合性、多段ツール利用）で差があります。一方、定型業務（文書要約、議事録、社内検索、コーディング補助）では、70B級量子化モデル+RAG+ガードレールで十分実用水準に到達するケースが増えています。「全業務をローカルで」ではなく「業務ごとに最適なLLMをルーティング」する設計が現実解です。
Q3. 50人規模の中小企業ですが、ローカル構築は意味がありますか？
純粋にコスト視点ではSaaSが圧倒的に安く、本記事の損益分岐点計算でも50人ではSaaS有利です。ただし、機密データを外部に出せない業種（医療、法務、金融機密、防衛関連、知財濃度の高いR&D）では、コスト以外の理由でローカル構築の選択肢が浮上します。その場合は「コスト最小化」ではなく「リスク回避のためのコスト」として経営判断します。
Q4. IRR・NPVの社内ハードルレートはいくつにすべきですか？
多くの日本企業では加重平均資本コスト（WACC）として5〜8%程度が使われています。AIプロジェクトのような不確実性が高いものは、これに2〜5%上乗せして10〜15%で計算するケースが一般的です。自社の経営企画・財務部門が定めている社内ハードルレートを必ず確認してください。
Q5. 「便益」を高く見積もりすぎていないかと突っ込まれそうです
必ず3シナリオ（Pessimistic / Base / Optimistic）で提示し、Pessimisticでも回収期間内に投資が戻ることを示すのが定石です。また、業務時間削減便益は「削減時間 × 時給」で算出しますが、「その時間が本当に他の付加価値業務に使われるか」 を疑う質問が必ず出ます。「営業時間が増えて売上が増加した」など、最終的なP/Lインパクトに結びつける論理を準備しておきましょう。
Q6. ハイブリッド（SaaS + ローカル）構成のTCO計算はどうしますか？
業務カテゴリ別にトラフィック比率（例：定型タスク70%をローカル、複雑タスク30%をSaaS）を仮定し、それぞれのコストを積み上げます。ハイブリッド構成はTCO最適化と品質維持を両立できる現実的な解ですが、ルーティング設計とガバナンスの複雑度が増します。
Q7. AI導入の失敗パターンで、稟議書に書いておくべきリスクは？
代表的な失敗パターンとしては、(1) ヘビーユース率が想定を大きく下回る、(2) 業務プロセスを変えないままAIを乗せても効果が出ない、(3) ガバナンス不在でシャドーIT化が進む、(4) ROI計測のためのKPIが設計されていない、の4点です。これら4点に対する打ち手をリスク欄に明記すると、稟議の通過率が上がります。
まとめ——「感覚」ではなく「数式」でAIを導入する
AI導入の意思決定で最も多い失敗は、「便利そう」「他社もやっている」「乗り遅れたくない」という感覚ベースの判断です。これでは経営会議は通りませんし、仮に通っても、導入後に「で、結局効果あったの？」という宙ぶらりんの状態に陥ります。
本記事で示した TCO・損益分岐・NPV・IRR・回収期間・シナリオ分析 という数値モデルは、銀の弾丸ではありません。しかし、これらを使って稟議書を書くこと自体が、「自社のAI戦略を経営の言葉で語る能力」 を組織にインストールするプロセスです。
2026年は、AI導入の意思決定がフィージビリティ（できるか）からエコノミクス（儲かるか）へと移行する転換点です。「感覚」ではなく「数式」でAI投資を語れる組織が、次の数年で大きく差をつけていくはずです。
本記事をベースに自社向けの稟議書テンプレートを整備し、経営会議で「数字で説明できるAI戦略」を確立する一助になれば幸いです。
参考リンク
- OpenAI ChatGPT Enterprise 製品情報：https://openai.com/chatgpt/enterprise/
- Anthropic Claude for Work（Team / Enterprise）：https://www.anthropic.com/team
- Microsoft 365 Copilot 製品情報：https://www.microsoft.com/microsoft-365/copilot
- Google Workspace（Gemini for Workspace）：https://workspace.google.com/solutions/ai/
- 経済産業省「AI事業者ガイドライン」：https://www.meti.go.jp/policy/mono_info_service/geniai/index.html
- 当サイト関連記事：クラウドAI vs ローカルLLM vs ファインチューニング選択ガイド
- 当サイト関連記事：AIコスト可視化ダッシュボード設計ガイド
- 当サイト関連記事：LLMトークン節約設計ガイド
免責事項： 本記事に記載した価格・料金・コスト試算は2026年5月時点の公開情報および想定値に基づくモデル試算であり、各サービスの実価格・実コストを保証するものではありません。AI導入の意思決定にあたっては、必ず各ベンダーから正式見積もりを取得し、自社の財務基準・会計基準・税務処理について会計監査人・税理士・弁護士等の専門家にご相談ください。本記事は一般的な経営判断フレームワークの提示を目的としており、特定企業への投資助言・税務助言・法的助言を構成するものではありません。
コメント