Claude Opus 5.5は、入力100万トークン当たり4ドル、出力100万トークン当たり20ドルだ。前モデルClaude Opus 5のそれぞれ5ドル、25ドルから、単価を20％引き下げた。キャッシュ読み取り料金も100万トークン当たり0.50ドルから0.20ドルへと60％引き下げている。

　Anthropicによれば、Claude Opus 5.5は複雑で長時間に及ぶAIコーディングや文書分析、知識労働などを想定したモデルだ。入力内容に応じて推論量を調整する仕組みも備える。同社は、標準設定による典型的なワークロードではClaude Opus 5と比べて実行コストを40％削減できるとしている。

トークン単価20％減でも、利用料が20％減るとは限らない

　AIを業務利用する企業にとって重要なのは、「1トークンの価格」ではなく、1つの業務を完了するまでに最終的にいくらかかったかだ。

　AIによるコードレビューを提供するCodeRabbitは、Claude Opus 5.5を使って評価を実施した。その結果、同社が本番環境で利用するモデル構成を基準にすると、報告されたトークン使用量はClaude Opus 5.5のStandard設定で約41～49％増、Max設定では約58～60％増だった。

　ただし、この結果を「Claude Opus 5.5では出力トークンが必ず50％前後増える」と解釈するのは適切ではない。CodeRabbitによれば、この数字は入力トークンと出力トークンを分けたものではなく、実際の利用料金や処理時間を直接示したものでもない。また、比較対象は同社が本番環境で利用するモデル構成であり、Claude Opus 5との一対一の比較ではない。

　そのため、この評価だけからClaude Opus 5.5の利用料金が前モデルより高くなるとは断定できない。ただし、トークン単価が下がっても、1つのタスクを完了するまでのトークン消費量が増えれば、値下げ効果が相殺される可能性はある。

　CodeRabbitの開発者アドボケイト、ヘンドリック・クラック氏はTechTargetに対し、モデルがより長く推論し、多くのトークンを生成すれば、単価が下がっても最終的な利用料が上昇する可能性があると指摘する。

情シスが見るべきは「100万トークンの価格」ではなく「1業務当たりの価格」

　では、生成AIやAIエージェントの導入を管理する情シス担当者は何を確認すればいいのか。まず必要なのは、モデルの料金表だけで比較しないことだ。

　例えば、「ソースコードをレビューする」「50ページの契約書を分析する」「問い合わせ1件に回答する」といった自社の代表的な業務を決め、その処理を最後まで実行した場合のコストを比較する。

　特にAIエージェントでは、ユーザーが入力する最初のプロンプトだけがコストになるわけではない。処理の途中でモデルが推論したり、外部ツールを何度も呼び出したり、検索結果を再びモデルへ入力したりすれば、その分だけトークン使用量やAPI呼び出し回数が増える。

　クラック氏も、実運用を評価する際には、入力トークン、出力トークン、キャッシュの読み書きを分けて計測することの重要性を唱える。さらに、再試行や検証のための呼び出し、フォールバックモデルの利用まで含めて確認するよう指摘する。

　情シス担当者がPoC（概念実証）で確認したいのは、少なくとも「1業務当たりの総トークン数」「1業務当たりのAPI利用料」「タスク完了までの時間」「再試行回数」「人による確認にかかった時間」だ。

　単価の安いモデルでも、回答を得るために何度もやり直したり、人による修正が増えたりすれば、業務全体では割高になる可能性がある。一方、高価なモデルでも、複雑な業務を少ない試行回数で完了できるのであれば、総コストを下げられる場合がある。

高性能モデルを全業務に使う必要はあるのか

　CodeRabbitの評価からは、もう1つ注意すべき点が見える。クラック氏によると、複雑なバグを検出する評価ではClaude Opus 5.5の性能向上が確認された一方、標準的な問題では同社が利用しているベースラインモデルとの差は小さかったという。

　複雑なバグ検出では、Claude Opus 5.5はCodeRabbitが現在利用しているベースラインモデルと比べて約2倍のバグを検出した。一方で、一般的な問題では両者に大きな差は見られなかったという。長時間のコーディングタスクについては、24～48時間にわたる評価で高い能力を示した。

　クラック氏はさらに、Claude Opus 5.5から狙った結果を得るには、指示を具体的かつ明確に記述する必要があるとも指摘する。高性能なモデルを導入すれば、それだけで複雑な業務を自動化できるわけではなく、どのような指示を与えるかも成果やコストを左右する。

　企業にとっては、「最も高性能なモデルを全ての業務で使う」という設計が合理的とは限らないことを意味する。

　定型的な要約や分類、簡単な問い合わせ対応には低コストのモデルを使う。複雑なコード解析や長文書の分析、複数工程をまたぐAIエージェントの処理だけを高性能モデルに振り分ける――といった使い分けも選択肢になる。

　AIモデルの価格競争が進めば、料金表上の単価は今後も下がる可能性がある。しかし情シスにとって重要なのは、「どのモデルが1トークン当たり安いか」ではない。「自社の業務を1件完了させるために、最終的にいくらかかるか」を計測できる仕組みを持つことだ。

　モデルを切り替えるたびに単価だけを比較するのではなく、業務単位の総コストと成果物の品質をセットで評価する。AIエージェントの利用が広がるほど、この考え方がAI利用料を管理する上で重要になる。