議事録の整形も、営業提案の下書きも、経営判断の壁打ちも、全部いちばん賢いモデルにやらせる——AIを業務に組み込みはじめると、多くの会社がまずこの形になります。安心だし、迷わなくて済む。けれど会社の規模で続けると、AIの請求額は静かに膨らみ、その支払いが成果に見合っているかは、モデルの単価を見ているだけでは分かりません。本稿では、あるコーディング支援ツールのベンチマークを起点に、AIを「単価」ではなく「原価」で設計し直す考え方を整理します。
Section 01なぜ「一番賢いモデルを全部に」が最適でなくなるのか
Cursorというプログラミング支援ツールが、「CursorBench」という評価結果を一般公開しています。2026年8月19日時点の最新版（3.2）を見ると、経営の観点で見過ごせないことが起きています。ほぼ同じスコアなのに、コストが数倍違うモデルが並んでいるのです。
CursorBench 3.2 ／ 2026-08-19 時点
スコア差は0.1ポイント、コストは約3.5倍。しかも同ページの首位は最安級の Grok 4.6 Extra High（70.8%／$2.81）で、ほぼ同点の Fable 5 Max は $17.32（約6倍）。「一番いいスコア＝一番高いモデル」という関係が、そもそも成り立っていません。
Cursor公式の注意書き：“Results are subject to variance; small differences in scores may not be statistically meaningful.”（結果にはばらつきがあり、わずかなスコア差は統計的に意味を持たないことがある）
だから「70.0%と69.9%のどちらが賢いか」を競っても意味はありません。意味があるのは、“ほぼ同じ成果”を出せるモデルの間で、支払う金額がこれだけ広く分布している、という事実のほうです。補足すると、同じモデルでも設定次第でコストは大きく変わります。Opus 5 は Max設定だと $8.23 ですが、Low設定なら $2.55 で 62.8%。「どのモデルを使うか」だけでなく「どの設定で使うか」でも、支払いは2倍以上動きます。
Section 02ただし、これは「開発の」ベンチマークである
ここで一度、冷静にならないといけません。CursorBenchは、Cursorの実際の利用セッションから集めた「曖昧で、複数ファイルにまたがるコーディング課題」でAIエージェントを評価するものです（公式の説明による）。つまり測っているのは、ソフトウェア開発の、それもCursorのユーザーがやるような仕事に対する性能です。
「CursorBenchで高得点だから、営業やマーケティングの仕事でも高性能だ」とは言えません。コードを書く能力と、顧客の課題を言語化する能力、経営会議の資料を的確に要約する能力は、別物だからです。加えてこのベンチマークはCursor社が自社で運用していて（同社は自社モデルのComposerも提供しています）、課題数や検証手順は公開されておらず、外部が同じ条件で再現できる形にはなっていません。数字は参考にはするけれど、鵜呑みにはできない。ここは強調しておきたいところです。
これは結論ではなく、検証すべき仮説です。私たちがこの仮説を業務設計に落とすときの出発点が、次の「3階層」です。
Section 03eapのモデルルーティング設計 — 業務を3階層に分ける
私たちがAIを業務に組み込むとき、AIに任せる仕事を、難易度と「間違えたときの損失」で3つの階層に分けます。そのうえで、階層ごとに充てるモデルの格を変える。これが「モデルルーティング」という設計です。
全部を最上位でやるのでも、全部を最安でやるのでもなく、工程で使い分ける。Level 1 に一番高いモデルを充てるのは、軽トラで十分な荷物を高級車で運ぶようなものです。配色は情報の濃淡のみを表すモノクロ。
ひとつ目（Level 1）は、大量にあって形が決まっている仕事。ここで大事なのは最高品質ではなく、「必要十分な精度を、低コストで、大量にさばくこと」です。ふたつ目（Level 2）は、日常の頭を使う仕事。中位のモデルでも、人が仕上げる前提なら十分に使える下書きが出てきます。みっつ目（Level 3）は、間違えたときの損失が大きい仕事。ここには迷わず、高性能・高コストのモデルを使います。下位モデルが作ったものを最終レビューさせるのも、この階層の役割です。
Section 04本当に見るべきは「AI実質原価」
階層を分けると、次に効いてくるのがコストの見方です。AIのコストを、API利用料金だけで比べてはいけない——これが、実際に業務へ組み込んできての実感です。会社にとってのAIの実質的な原価は、こうなっています。
たとえば（説明のための例です）、安いモデルが1回10円で答えを出しても、人間が20分かけて直すなら、実際にはまったく安くない。逆に、高いモデルが1回300円でも、人の修正がほとんど要らずそのまま使えるなら、トータルでは安いこともある。単価の安さは、原価の安さではありません。
比べるべきは、いちばん下の帯（モデル利用料）だけではありません。人件費の高い人が長時間手直しする前提の“安いAI”は、会社にとってはむしろ高い。数値は比率の考え方を示す概念図（ダミー）。
ここを混同して「安いモデルに寄せてコスト削減」とやると、見えない手直しコストが増え、結局トータルは変わらない、ということが起きます。原価を下げるとは、単価を下げることではなく、この4項目の合計を下げることです。
Section 05eap BusinessBench — ビジネス業務でモデルを検証する
そうなると、CursorBenchを眺めているだけでは答えは出ません。あれは開発の話で、御社の実際の業務の話ではないからです。そこで私たちが用意しているのが、ビジネス業務版のベンチマークという考え方です。仮に「eap BusinessBench」と呼んでいます。
やることは単純で、同じ条件で複数のモデルに、実際のビジネス業務をやらせて比べます。議事録作成、TODO抽出、顧客メール作成、営業提案の骨子、競合分析、Webマーケの数値分析、経営会議資料の要約、KPIの異常検知、CRM分類、新規事業の評価、採用候補者の評価、顧客ヒアリングからの課題構造化まで——日々発生する業務を、そのまま課題にします。
測るのは、スコアだけではありません。成果物の質、事実の正確さ、指示の守り具合に加えて、「人間が手直しした時間」「実行にかかった時間」「AIの利用コスト」「やり直した回数」、そして最後に「人がそのまま採用できた割合」。これらを一本の指標に落とし込みます。
この数字で並べ替えたとき、業務ごとに“勝つモデル”は変わります。そしてその並びは、おそらくCursorBenchの順位とは一致しません。単なるモデルランキングではなく、御社の業務に固有の最適配置が見えてくる。それが、このベンチマークの狙いです。
Section 06始めるときの「最初の問い」5つ
自社のAI原価を最適化する前に、経営者・DX担当の方に問うていただきたい5つの問いがあります。私たちが初回の棚卸しで必ず確認している項目でもあります。
- いま、どの業務にどのモデルを使っているか、棚卸しできていますか？（多くの場合、全業務が無自覚に最上位モデルへ寄っています）
- その業務は、失敗したときの損失が大きいですか、小さいですか？（Level 1／2／3 のどこに置くべきか）
- AIが出した成果物を、人はどれくらい手直ししていますか？（実質原価の大半は、じつはここに隠れています）
- 「人がそのまま使えた割合」を、業務ごとに計測していますか？（Cost per Accepted Output の分母です）
- モデルを1段安いものに替えたら、品質はどこまで落ちますか？（測らなければ、下げられるコストも分かりません）
この5つに即答できない場合、それ自体が最初に整理すべき論点になります。逆に全てに即答できるなら、御社のAI活用はすでに「原価」で設計されている、ということです。
Section 07次のテーマは「導入」ではなく「原価の最適化」
ここ数年、多くの会社にとってのテーマは「AIをどう導入するか」でした。そのフェーズは、もうすぐ終わります。次に来るのは、「導入したAIを、どの業務に、どのモデルで、いくらの原価で回すか」という話です。
言い換えると、AIにも原価管理が必要になってきた、ということです。工場が製品ごとに原価を見て材料と工程を最適化するのと同じことを、AIの業務についてもやることになる。一番賢いモデルを全部に使うのは、たしかに品質は出るけれど、経営として最適ではありません。
私たちは、この検証を実際のクライアント業務で進めています。どの業務にどのモデルを充てると、質を落とさずに原価が下がるのか。手直しゼロで使える割合は、どこまで上げられるのか。「可能性を、実現する力に変える」という私たちのパーパスは、AIの費用対効果を経営の言葉で設計し直すこの領域にも、そのまま当てはまります。