AI開発のデータ整備費用はなぜ膨らむか。5工程に分けて試算する4ステップ

AI 開発の見積書を並べると、金額の差がいちばん大きく出るのは「モデル」でも「画面」でもなく、データ整備であることが多い。しかも、その行はたいてい「データ前処理一式 ◯◯万円」と 1 行で書かれている。何をいくつやるのかが書かれていないので、高いのか安いのかを判断できない。

データ整備は、工数が件数 × 1 件あたりの手間 × やり直しの回数で決まる。この 3 つはどれも、発注の時点では誰も正確に知らない。だから見積もりがぶれる。この記事では、整備費を 5 つの工程に分けて、ぶれ幅を自分で測る手順を示す。

データ整備は 5 つの工程に分かれる

「前処理一式」の中身は、だいたい次の 5 つである。どの工程が要るかは案件によって違う。

工程	やること	金額を動かす変数
1. 棚卸し	どこに何件あるか、誰が持っているかを確認する	部署数・システム数
2. 取り出し	基幹システム・共有フォルダ・紙から取り出す	連携先の数、API の有無、紙の枚数
3. 構造化	PDF・画像・スキャンから本文と項目を取り出す	レイアウトの種類数、手書きの有無
4. 整形・名寄せ	表記ゆれ・重複・旧社名・全半角を揃える	1 件あたりの判断の難しさ
5. 正解づくり	評価用・学習用に「正しい答え」を人手で付ける	件数、判断に要る専門性

分野によって重心が違う。RAG・社内検索なら 1〜4 が主で、5 は評価用に数百件あれば足りることが多い（RAG・社内検索の費用相場）。画像認識なら 5 が全体の大半を占める（画像認識・外観検査の費用相場）。

見積書を比べるときは、まずこの 5 つのうちどれが含まれているかを確認する。 1 社が 1〜5 を全部積み、別の 1 社が 3 と 4 だけを積んでいれば、金額は倍以上違って当然である。

なぜ膨らむのか — 3 つの理由

理由 1. 件数が後から増える

棚卸しの前に出てくる件数は、たいてい「主要なシステムに入っている分」である。そこに、共有フォルダの旧ファイル・部署ごとの Excel・退職者の引き継ぎ資料が後から足される。件数が 1.5 倍になれば、3〜5 の工程はほぼそのまま 1.5 倍になる。

これは開発会社の見積もりが甘いのではなく、発注側しか知らない情報である。棚卸しを先にやるか、見積もりに「件数が ◯ 件を超えた場合の単価」を書かせるかのどちらかで防げる。

理由 2. 1 件あたりの手間が、サンプルと本番で違う

きれいなサンプル 20 件を見て単価を決めると、本番で崩れる。実際のデータには、様式が変わった年度・手書きの追記・2 社分が 1 ファイルに入ったもの、といった例外が混ざる。例外が全体の 1 割あると、工数は 1 割増ではなく 3〜4 割増になることが多い。例外は 1 件ずつ人が見るからである。

理由 3. やり直しが 1 回では済まない

正解づくりは、基準を決めてから付ける。ところが基準は、300 件ほど付けたところで「この場合はどちらか」が出てきて、必ず 1 回は書き直しになる。そのとき、すでに付けた分を付け直す。この戻りを見積もりに入れていない提案は、進行中に追加費用の相談になりやすい。

自分で試算する 4 ステップ

見積もりを受け取る前に、発注側で粗く計算しておくと、各社の数字が読める。

ステップ 1. サンプル 100 件を実際に処理してみる

自社の担当者が、実際のデータ 100 件を手で処理し、かかった時間を測る。抜き出すだけなら 100 件で 2 時間、判断が要るなら 100 件で 8 時間、というような差が出る。ここで出す数字がすべての土台になる。

このとき、きれいな 100 件を選ばない。ランダムに選ぶか、古いものを意図的に混ぜる。

ステップ 2. 1 件あたりの単価に直す

計算手順を示すための仮の数字で置くと、次のようになる。

	値
サンプル 100 件の所要時間	5 時間
1 件あたり	3 分
作業単価（外注・時給換算）	3,000 円
1 件あたりの費用	150 円

単価は作業の難しさで変わる。一般的な事務作業と、有資格者の判断が要る作業では桁が違う。判断が要るデータは、社外に出せないことも多い。その場合は自社の人件費で計算する。

ステップ 3. 全件に掛けて、例外とやり直しを乗せる

	計算	金額
対象件数	20,000 件
基本	20,000 × 150 円	300 万円
例外の割増（1 割が 4 倍の手間）	+90 万円	390 万円
基準のやり直し（15% を付け直し）	+45 万円	435 万円

「前処理一式 150 万円」と書かれた見積書が来たら、この計算と突き合わせる。安いのではなく、対象件数か工程が違う可能性が高い。どちらなのかを聞くと、各社が何を前提にしたかが出てくる。

ステップ 4. 1 年後にもう一度かかる分を足す

データ整備は 1 回で終わらない。運用に入れば、新しいデータが毎月増え、様式も変わる。初期整備の 2〜3 割程度が毎年かかるものとして、運用費の行に置いておくと、3 年総額の比較がぶれない。

削れる部分と、削ってはいけない部分

削れる	削ってはいけない
対象期間を狭める（直近 2 年分だけにする）	評価用の正解データ
対象の様式を絞る（上位 3 種類だけ自動化する）	例外の洗い出し
見栄えのための整形（表示上の体裁）	個人情報の有無の確認と除去

評価用の正解データを削ると、精度が出ているかどうかを判断できなくなる。そうなると、検収で揉める。数百件でよいので、必ず残す。

対象を絞るのは有効である。全部を一度にやろうとして止まるより、上位の様式だけ先に通して業務を回し、残りは人が処理する形で始めるほうが総額は下がることが多い。要件をどこで切るかはAI開発の要件定義で決めるべきことで整理している。

見積依頼に書く 4 行

相見積もりに出すときは、次の 4 行を条件として揃える。これがないと、各社が違う件数・違う工程で積んだ数字が並ぶ。

1. 対象データの件数・期間・様式の種類数（概算でよい。分からない場合は「棚卸しから依頼」と書く）
2. 5 工程のうち、どこからどこまでを依頼するか
3. 件数が想定を超えた場合の追加単価（1 件あたり、または 1,000 件あたり）
4. 評価用の正解データを何件作るか、作るのは発注側か開発側か

無料で相見積もり・相談の案件票では、扱うデータの量と種類を選択式で入力するため、各社が同じ件数の前提で積んだ金額を横に並べて確認できる。分野とフェーズごとの全体の目安はAI開発の費用相場、条件を入れた概算は30秒費用診断で確認できる。

まとめ

データ整備費が膨らむのは、見積もりの時点で件数も、1 件あたりの手間も、やり直しの回数も確定していないからである。これは誰のせいでもない。

できるのは、サンプル 100 件を自分で処理して土台の数字を作ること、5 工程のどこを頼むかを書き分けること、そして超過時の単価を先に決めておくことである。この 3 つがあれば、「前処理一式」の 1 行は比較できる数字に変わる。