AIコーディング費用、2028年には開発者給与を超える可能性

AIコーディングアシスタントは生産性革命を約束したが、現実にはまずコスト危機をもたらしている。ガートナーは、2028年までに開発者一人当たりのAIコーディングツールコストが、平均的なソフトウェア開発者の給与を上回ると予測している。この警告は、2026年6月24日付のガートナー調査ノート『AIコーディングのためのトークン消費最適化方法』で発表され、すでに大手企業で現実のものとなりつつある。

AIコーディングコストが給与を超える理由

ガートナーは、この予測の背景に2つの収束する要因があると分析している。

• トークン消費の急増 — 開発者がAIコーディングエージェントをより積極的に使用するにつれて、LLMの料金体系の基礎となるトークンの消費量が、トークン単価の低下ペースをはるかに上回って増加している。AIコーディングの請求額は、開発者一人月額20ドルや100ドルから、2,000ドル、さらには5,000ドルに跳ね上がっていると、ガートナーのシニアプリンシパルアナリスト、ニティッシュ・ティアギ氏はThe Registerに語っている。
• 定額制から従量課金制への移行 — Anthropic、Cursor、GitHub Copilotなどの主要ベンダーは、月額固定のサブスクリプションから、従量制のトークン課金へと移行している。これによりコストは変動的になり、キーストロークごとに拡大する可能性がある。

この予測は、特定の前提に基づいた見通しであり、確実なものではない。しかし、ティアギ氏が指摘するように、「AIコーディング費用は、インフラ投資と収益性の問題がモデル価格を押し上げるため、持続的に増加するだろう」。

現実の証拠：トークン請求書の代償

Uber：年間予算を使い果たし、月額1500ドルの上限を設定

Uberは、AIコスト超過の最も明確な事例である。同社は2026年のAIコーディング予算全体を、たった4ヶ月で使い果たした。この事態を受けてUberは、AnthropicのClaude CodeやCursorといったエージェンティックコーディングプラットフォームに対する従業員の支出について、ツールごとに月額1500ドルの上限を設定した。

このコスト超過の背景にある数字は衝撃的だ。2026年3月までに、**Uberのエンジニアの84%**がClaude Codeを使用するようになり、2025年後半の32%から急増した。上限導入前のエンジニア一人当たりの月間コストは500ドルから2000ドルに上った。UberのCOOは、「AI支出と顧客価値の間の関連性はまだ確立されていない」と述べている。

他の企業にも広がる負担

• マイクロソフトは、コスト懸念から、導入からわずか数ヶ月で開発者によるClaude Codeのアクセスを停止した。
• プライスラインでは、AIコーディングツールの価格が5倍に上昇した。
• ガートナーは、従量課金制のAIコーディングツールを利用する企業の40%が、2027年までに予想予算の2倍を超える計画外のコストに直面すると別途予測している。

Accenture：エンジニア以外がトークン消費を牽引

Accentureの事例は、コスト超過の意外な原因を浮き彫りにしている。流出した音声と報道によると、最も大量のAIトークンを消費していたのは開発者ではなく、AIツールを使ってPDFをスライドに変換していたエンジニア以外の従業員だった。Accentureは、AI支出が適切なリターンを生んでいるかどうかを経営陣が把握できる製品「Token IQ」の立ち上げを計画している。

KPMG：コスト追跡の課題

2026年6月24日に発表され、20カ国、2,100人以上のシニアリーダーを対象にしたKPMGのQ2 2026グローバルAIパルス調査によると、**AI利用コストをリアルタイムで把握している組織はわずか26%**である。具体的には：

• **50%**は部分的にしか把握できていない。
• **22%**はほとんど、または全く把握できていない — 請求書が届いて初めてコストを知る。

KPMGのグローバルAI責任者であるスティーブ・チェイス氏は、この問題を中核的な財務透過性リスクと表現し、一部のクライアントは数ヶ月で年間のトークン予算とクラウド予算を使い果たしており、あるクライアントではトークン使用量が6倍に増加したと指摘している。トークンベースの課金への移行により、AI支出は予測不可能になり、従来のIT財務管理手段では抑制が困難になっている。

コスト管理方法：ガートナーの推奨事項

ガートナーのガイダンスは、2026年6月のノートと2026年3月のレポート『生成AIおよびエージェンティックAIコスト最適化のための10のベストプラクティス』の両方で発表されており、規律ある運用モデルを中心としている。

• ユースケース駆動型の意思決定フレームワークの確立 — AIコーディングエージェントをいつ、どの程度の自律性で使用するかを明確に定義し、使用量が制御不能に拡大するのを防ぐ。開発タスクを「開発者主導」「開発者＋エージェント」「完全エージェント主導」の3つの実行モデルに分類する。
• タスクの複雑さに応じたモデル選択 — テスト作成、リファクタリング、ひな型作成、ドキュメント作成といった単純で頻度の高いタスクには、常に最上位のフロンティアモデルを使うのではなく、より小型で安価な専門モデルに振り分ける。
• コンテキストエンジニアリングの義務化 — 開発者がAIシステムに提供する入力コンテキストを改善し、無関係または冗長な情報にトークンが浪費されるのを減らす。
• キャッシング、バッチ処理、モニタリングの実装 — トークンキャッシングとリクエストバッチ処理を使用して冗長な計算を削減し、開発者およびチームごとのトークン消費をリアルタイムで監視する。
• AIコーディング成熟度の評価 — コストが制御不能になる前に、現在のトークン消費パターンを監査するようガートナーはエンジニアリングリーダーに促している。
• FinOpsスタイルのガバナンス層の構築 — リアルタイムの消費監視、ユーザーごとの予算、異常検知の自動化などを含む。

ガートナーはまた、テスト作成、リファクタリング、ひな型作成、ドキュメント作成、単純なバグ修正といった、範囲が明確で適切に定義されたタスクでは、スループットが有意な倍数で実際に向上する一方、アーキテクチャ決定や新しいデバッグといったタスクでの改善は限定的であると指摘している。重要なのは、チームの作業のうち、どれだけがこの効果の高いカテゴリーに該当するかを推定し、そこにAIを適用することである。

結論

抑制のないAIコーディング支出の時代は終わりつつある。これらのツールは適切に定義されたタスクにおいて確かに生産性向上をもたらすが、ガバナンスがなければ、コストはそれらのツールがもたらす生産性向上よりも速くエスカレートする可能性がある。ガートナーが推奨し、Uberのような企業が今や採用を余儀なくされている規律は、AIから撤退することではなく、可視性、ルーティング、ガードレールを備えた真のコストセンターとして管理することである。