AIの精度目標を5ポイント下げると費用はどこが減るか。緩めてよい3条件と危険な4場面

「正解率 95% は出してください」

AI 開発の相談でよく出る条件である。数字を 1 つ決めるだけなので、要件としては書きやすい。ところがこの 1 行は、見積もりの中でかなり大きな金額を動かす。

精度の目標を 95% から 90% に下げると、何がいくら減るのか。そして、下げてはいけないのはどういう場面か。この 2 つを分けて整理する。

目盛りを少し下げたダイヤルと、分銅の数が違う天秤、仕分け用の木箱

1. 精度の目標が費用を動かす仕組み

精度は、工数を積み上げれば比例して上がるものではない。上げるほど、1 ポイント分の工数が増えていく。

理由は単純で、残っている誤りが難しいものばかりになるからである。最初の 70% は素直なデータで届く。80% を超えたあたりから、紛らわしい表記、例外的な書式、前後の文脈に頼る判断が残る。95% に近づくと、人が見ても判断が割れるものに手を入れることになる。

だから見積書の金額は、「どの業務か」より「どこまで合わせるか」で動くことがある。同じ帳票の読み取りでも、目標が 90% の案と 95% の案では、別の設計になる。

2. 目標を下げたときに減る費用 1：評価データの作成

精度を測るには、正解を人が付けたデータが必要になる。そして目標が高いほど、必要な件数が増える。

95% の近辺を測るには、残り 5% の誤りを統計的に見分けられる件数が要る。90% でよければ、同じ精度で測るのに必要な件数は少なくて済む。評価データの作成は人手の作業なので、件数がそのまま工数になる。

さらに、目標が高い案件では分野ごとに分けて測ることが多い。帳票 10 種類それぞれで 95% を保証するなら、10 種類分の評価データが要る。「全体で 90%」なら 1 式で足りる。この差は、見積書の「評価データ作成」の行に出る。

3. 目標を下げたときに減る費用 2：追加学習とチューニング

目標の最後の数ポイントを埋める手段は限られている。

プロンプトの作り込みと検証の反復
自社データでの追加学習（ファインチューニング）
複数のモデルに同じ入力を通して結果を突き合わせる
より性能の高い、単価の高いモデルへ切り替える

上から下へ行くほど費用が増える。90% が目標なら 1 つ目で届くことがあり、95% だと 2 つ目以降が必要になる、という分かれ方になりやすい。追加学習は初期費用だけでなく、データが変わったときの作り直しも発生するため、月額にも効く。

4 つ目の「単価の高いモデルへ切り替える」は、初期費用が増えないかわりに運用費がそのまま上がる。初期の見積もりだけを見ていると気づきにくい。モデル選択で運用費がどう動くかはAI運用費を下げる10の方法で整理している。

4. 目標を下げたときに減る費用 3：例外処理の分岐

精度を上げるもう 1 つの道は、AI に無理をさせず、プログラムで処理を分けることである。

「この書式のときはこの規則で読む」「この条件に当てはまったら保留にする」といった分岐を足していくと、精度は上がる。かわりに分岐の数だけ、実装とテストと保守の工数が増える。

分岐は作ったあとも費用を食う。業務の書式が変わるたびに見直す対象になるため、保守費の見積もりに乗る。目標を 5 ポイント下げて分岐を 10 本減らせるなら、初期費用と保守費の両方が下がる。

5. 目標を下げたときに減る費用 4：受入試験のやり直し

精度の目標は、検収の条件になる。目標に届かなければ作り直しが発生する。

受注する側は、この手戻りの可能性を見込んで金額を置く。高い目標を保証する見積もりには、届かなかった場合の手戻り分が含まれている。ここが「同じ機能なのに会社によって金額が違う」原因のひとつになる。安い会社は保証の条件が緩く、高い会社は手戻りを含んでいる、という形で差が出ていることがある。

逆に、精度を保証せず「努力目標」として受ける会社もある。これは安いが、届かなかったときに何も請求できない。安すぎるAI開発の見積もりに潜む5つのリスクで触れた構造と同じである。

6. 緩めてよい 3 条件

目標を下げても業務が回るのは、次の 3 つが揃っているときだと考えられる。

条件 1：人が最終確認する工程が残っている

AI の出力を人が見てから次へ進む設計なら、AI の誤りは「見つけて直す手間」になる。目標を下げた分だけ確認の手間が増えるので、増える確認時間と、下がる開発費を比べればよい。月の件数が少ない業務では、確認する側に寄せたほうが総額が安くなることが多い。

条件 2：誤りの修正費用が小さい

誤りが見つかったときに、その場で直して終わるなら目標は低めでよい。逆に、修正のために関係部署への連絡や書類の差し替えが必要なら、1 件の誤りが高くつく。1 件あたりの修正費用 × 想定の誤り件数を置いてみると、目標を上げる価値があるかが見える。

条件 3：誤りが外部に出ない

社内の下書き、社内検索の候補表示、担当者向けの要約。これらは誤っても社外に影響しない。目標を下げる余地がいちばん大きいのはこの領域である。

7. 緩めてはいけない 4 場面

場面 1：法令・社内規程の判断そのもの

「この支出は規程に合うか」「この表示は法令上許されるか」を AI に判定させる場合、誤りは単なる手戻りでは済まない。この種の判定は、精度を下げるよりAI の役割を「候補の提示」に変えるほうが筋がよい。判定を人に残せば、精度の要求は下げられる。

場面 2：個人情報や機微な情報を出力する経路

本人以外に見せてはいけない情報が混ざる可能性がある場合、誤りの 1 件が事故になる。ここは精度の目標ではなく、権限設計で誤りの経路を塞ぐのが先である。精度を 1 ポイント上げる費用より、権限で分ける費用のほうが安い。

場面 3：社外の顧客に直接届く出力

チャットの回答、見積もりの自動提示、顧客への通知文。これらは誤りがそのまま相手に届く。目標を下げるなら、人の確認を挟むか、AI が自信を持てない場合に有人へ回す仕組みを同時に入れる。仕組みを入れずに目標だけ下げるのは、費用を減らしたのではなく、問題を先送りしただけになる。

場面 4：後工程が自動で連鎖する

AI の出力を、別の処理が自動で受け取って動く作りでは、1 件の誤りが下流に広がる。発注・在庫・会計に連鎖する経路では、精度よりも**止める条件（この値が出たら処理を止める）**を設計する。止める条件があれば、精度の目標は現実的な水準に置ける。

8. 目標の書き方で、見積もりの比較が成り立つ

精度の目標を「95%」とだけ書いて相見積もりに出すと、各社が別の意味で受け取る。揃えるべきは次の 4 つである。

指標の名前（正解率／適合率／再現率／F 値のどれか）
測る母集団（全件か、特定の書式に限るか、過去何か月分か）
測り方（誰が正解を付けるか、何件を抜き取るか）
合格の条件（届かなかった場合にどうするか）

この 4 つが揃っていないと、同じ数字でも金額が 2 倍違ってよいことになる。AIの精度をどう評価するかで指標の選び方を、AIの精度評価は誰がやるかで測る主体の違いを扱っている。

9. 2 案を並べて出させる

実務でいちばん効くのは、目標を 1 つに決めてから見積もりを頼まないことである。

「目標 90% の案」と「目標 95% の案」の 2 案を、同じ会社に並べて出させる。差額が見えれば、5 ポイントにいくら払う価値があるかを社内で判断できる。片方だけを頼むと、この比較ができない。

2 案を揃えて複数社に投げると、さらに読めるものが増える。差額の大きい会社は、高い目標の実現手段として追加学習や高単価のモデルを置いていることが多い。差額がほとんどない会社は、どちらの案でも同じ作りを出している可能性がある。

無料で相見積もり・相談の案件票では、精度の目標値と「人が最終確認するか」を選択式で揃えているため、各社が同じ前提で金額を出す。条件の提示で金額を動かす方法はAI開発費の交渉にまとめている。

10. 下げすぎたときに出るサイン

目標を下げて発注したあと、次のような状態になったら設計を戻したほうがよい。

確認する担当者の残業が増え、自動化の前より時間がかかっている
現場が AI の出力を信用せず、全件を手で見直している
誤りの報告が上がってこない（諦められている）

3 つ目がいちばん危ない。誤りが報告されない状態は、精度が良いのではなく、使われていない可能性がある。導入後にこの点を見る指標の置き方はAIプロジェクトのKPI設計で扱っている。

11. まとめ

精度の目標を 5 ポイント下げると、評価データの件数、追加学習、例外処理の分岐、受入試験の手戻り分が減る。初期費用だけでなく、保守費と運用費にも効く。

下げてよいのは、人が確認する工程が残り、誤りの修正が安く、社外に出ない場合である。法令の判断、機微な情報、顧客への直接の出力、自動で連鎖する後工程では、精度を下げる前に役割と権限と止める条件を設計する。

そして見積もりを頼むときは、目標を 1 つに決めきらず 2 案で出させる。5 ポイントの値段を知ってから決めるほうが、先に数字を決めるより安く収まることが多い。