要点
- Tokenomicsという言葉はもともと暗号資産の分野で生まれ、トークンの経済設計（供給、分配、インセンティブ、ガバナンス）を指すものでした。しかし、エンタープライズAIやクラウド運用の文脈では、まったく別の意味を持ちます。
- クラウド運用、FinOps、AIコスト管理の領域におけるTokenomicsとは、AIトークンの消費を計測・帰属・管理し、支出を事業成果に結びつけるための規律です。しかも、その粒度は極めて細かく設定されます。
- アカウント単位でも、チーム単位でもなく、顧客ごと、機能ごと、エージェントごと。しかも継続的に。
- トークンはAI消費の最小単位です。モデルの応答、ドキュメント処理、エージェントのアクション、そのすべてがトークンを消費し、コストを発生させます。
- ところが、ほとんどの企業では、どの機能がトークンを消費したのか、どの顧客がその消費を引き起こしたのか、そして支出が請求額に見合う価値を生んだのかを、確信を持って答えられません。Tokenomicsは、これらの問いに答えるためのフレームワークです。
なぜこの用語が必要なのか
トークンはAI消費の最小単位です。モデルが応答を生成し、ドキュメントを処理し、思考の連鎖を推論し、LLMゲートウェイ経由でリクエストをルーティングするたびに、トークンが消費されます。そしてトークンにはコストが伴います。しかし今日、多くの企業では、どの製品機能がトークンを消費したのか、どの顧客がその消費を引き起こしたのか、その支出が請求額に見合う成果を生んだのかを、確信を持って答えられる担当者はほとんどいません。
このギャップこそが、Tokenomicsというカテゴリーが生まれた理由です。JR Stormentが論じているように、トークン経済学は、AI消費を計測し、帰属させ、事業成果と結びつけるための規律です。Linux FoundationはFinOps Foundationと連携し、Tokenomics Foundationの設立を発表することでこの分野を正式に体系化しました。AIコスト管理に新しい名前が必要だったからではなく、既存のフレームワークがこの新たな課題に対応する設計ではなかったからです。
多くのAIプラットフォームが定額課金から離れつつあるいま、トークンは新しい課金単位を象徴しています。クラウドインフラは計算時間、ギガバイト、APIコール数で課金されます。一方、トークンは推論——モデルが出力を生成するための認知作業——で課金されます。この課金構造の違いは、まったく異なる帰属モデルを要求します。
Gartnerは、2026年の世界のAI支出を2.59兆ドルと予測しています。前年比47%増です。この成長は、その資金の行方を把握する責任を負うすべてのチームに、加速度的なプレッシャーをかけています。
AI支出が従来と異なる理由
従来のクラウドコスト管理は、タグ付け可能なインフラを管理することを前提としています。コンピュートインスタンスにはオーナーがおり、ストレージバケットには名前があり、Kubernetesの名前空間はチームに対応します。リソースにタグを付け、SDKでAPIコールをラップし、命名規則を徹底する。こうした計装（インストゥルメンテーション）のアプローチは、インフラが静的で所有権が明確な場合には十分に機能します。
しかし、AIインフラはそうした前提をすべて覆します。
単一のマネージドモデルAPIアカウントが、数十のチームに同時にサービスを提供します。共有GPUクラスターが複数のプロダクトのモデルを同時に実行します。LLMゲートウェイは、エージェント、自動化パイプライン、そして人間のユーザーからのリクエストを1つのアウトバウンドストリームに集約し、その過程で呼び出し元の識別情報は失われます。エージェント型のworkloadsは夜間にサブエージェントを生成し、連鎖的なインフラコスト（データベース負荷、メモリ、コンピュート、ネットワーク）を発生させることもあります。しかも、それを引き起こしたAI請求項目とは何の紐付けもされないまま、です。
どんなタグも、LLMプロキシを経由すれば残りません。どんなSDKも、共有GPUをラップできません。AI支出における帰属のギャップは、計装で解決できるプロセスの問題ではありません。AIインフラの仕組みそのものが生む、構造的な現実なのです。
この現実こそが、Tokenomicsをクラウド版FinOpsの焼き直しではなく、独立した規律として位置づける理由です。コンピュートやストレージに通用する手法は、そのまま適用できません。計測レイヤー自体を変える必要があるのです。
Tokenomicsが実際に計測するもの
トークン単位の帰属は、エンタープライズの意思決定にとって重要な4つの軸で消費を追跡します。
トークンの種類。 トークンにはそれぞれ固有のコストがあります。入力トークン、出力トークン、キャッシュトークン、推論トークンは、主要プロバイダーのいずれにおいても異なる価格が設定されています。Tokenomicsのフレームワークは、それぞれの種類を個別に追跡し、それを生み出したworkloadsと突き合わせます。キャッシュされたコンテキストに対して繰り返しルックアップを行うエージェントと、ゼロから新しい推論チェーンを生成するエージェントとでは、コストがまったく異なります。請求額の内訳を理解するには、この区別が欠かせません。
プロバイダー。 大規模にAIを運用する企業が単一のプロバイダーだけを使うことは稀です。Anthropic、OpenAI、Google Vertex AI、AWS Bedrockは、同じ本番環境の中で共存し、用途に応じて異なるモデルを提供しているのが実情です。Tokenomicsはこれらすべての消費を統一された帰属レイヤーに正規化するため、チームは4種類の請求エクスポートをスプレッドシート上で突き合わせる作業から解放されます。
workloadsの起点。 どの顧客がリクエストを引き起こしたのか。どの製品機能か。どのエージェントか。どのパイプラインか。これらの問いはTokenomicsの中核をなしますが、既存のツールでは一貫して答えることが困難です。多くのアーキテクチャでは、workloadsの起点はプロキシレイヤーで消えてしまいます。だからこそ、計測はその境界の手前で行う必要があるのです。
ビジネス文脈。 トークン数だけでは、問いの答えにはなりません。Tokenomicsは、消費と成果を結びつけます。「この機能はセッションあたりXトークンを消費し、更新率のY%を牽引している」「この実験的パイプラインはZトークンを消費したが、まだ本番投入されていない」——こうした文脈が意思決定を変えるのです。
Tokenomicsに必要なもの
真のTokenomicsを実現するには、消費が実際に発生するレイヤー、つまり抽象化される前、プロキシを経由する前、所有権の境界が失われる前で計測を行う必要があります。それはアプリケーション層ではなく、カーネル層での稼働を意味します。
メタデータからの推論や、コードで定義された割り当てロジックに依存するツールは、構造的な限界に突き当たります。共有GPUの内部を見ることはできません。LLMゲートウェイを通過したトークンを、それを生成したworkloadsまで追跡することもできません。限界はツールではなく、手法にあります。帰属を再構築するためにメタデータに頼るアプローチはすべて、同じ壁にぶつかります。なぜなら、消費が実際に発生するレイヤーには、そもそもメタデータが存在しないからです。
正しく実装されたTokenomicsは、次の成果をもたらします。
- エンティティ単位の帰属： どの顧客、機能、エージェント、パイプラインが、どのトークンを、どのモデルとプロバイダーで消費したかを可視化
- トークン種別の粒度： キャッシュトークン、推論トークン、入力トークン、出力トークンを自動で追跡・分類
- プロバイダー統合： 主要プロバイダーすべてを単一の帰属レイヤーに正規化
- 継続的な出力： 月次レポートでも、タグ付けスプリントでもなく、計装不要でトークン経済をリアルタイムに把握
これによって開かれるもの
トークン単位の帰属は、これまで実現できなかった3つのことを可能にします。
Engineeringチームは、根拠のあるチャージバックを実行できます。 GPUの請求に疑義が浮上したとき、答えはスプレッドシート上の見積もりではありません。消費が発生したレイヤーで検証可能な、どのworkloadsが何を消費したかの正確な会計記録です。請求への異議申し立てや、チームリード間の手作業による突き合わせが、日常業務ではなくなります。
Financeチームは、機能単位でAIのROIを算出できます。 「今四半期のAI支出はX円でした」ではなく、「この特定の機能はセッションあたり31,000トークンを消費し、更新率の80%を牽引している。この実験的機能は16,000トークンを消費したが、まだ本番投入されていない」というレベルで語れるようになります。このデータが、反射的な予算削減ではなく、投資判断を支えます。
プロダクトチームは、実際のコストデータに基づいて内製か外部調達かを判断できます。 機能の経済性は、本番投入後にサプライズとして表面化するものであってはなりません。トークン単位の帰属は、開発中から各機能の真のコストを可視化し、予算問題に発展する前に対処できるようにします。
Financeチームは、インフラレベルでのデータ品質の面でも優位性を得ます。企業はレポーティングや予測のために、トークン支出データを集中型のデータレイクやデータウェアハウスに集約する動きを加速させています。アカウント単位の支出データからは、アカウント単位の答えしか得られません。カーネルレベルの帰属（顧客ごと、エージェントごと、機能ごと）は、Financeが今後AI投資をモデル化する方法そのものを変える、粒度の細かいシグナルを生み出します。
エンタープライズTokenomicsの現在地
ほとんどの企業は、まだこのレベルの可視性に到達していません。DoiTとSapio Researchの調査によると、500名のFinanceリーダーのうち79%が過去12か月間にAIコストの超過を経験しており、AIのROIを大きなボトルネックなしに算出できるのはわずか15%でした。83%が12か月以内に定量化可能なリターンを期待しています。プレッシャーは、ツールの進化を上回るスピードで高まっているのです。
カテゴリーは急速に形成されつつあります。Tokenomics FoundationはLinux Foundationの支援を受けて発足しました。JR StormentとFinOps Foundationは、AIトークン経済のオープンな共通標準を確立するために取り組んでいます。これらの標準は「あるべき姿」を定義しますが、より難しい運用上の問い——共有インフラをまたぐ本番環境で、計装なしにどうやってトークン単位で計測するのか——には答えません。
それこそが、Tokenomicsという規律が解決すべき問題です。次のサプライズ請求が届く前に、正しい計測基盤を今のうちに整えた企業は、それ以降のあらゆるAI投資判断を、より確かなデータの上で下せるようになります。
TokenomicsとAIコスト帰属
TokenomicsとAIコスト帰属は、関連しつつも異なる問いに答えます。AIコスト帰属は、支出を生み出したworkloads、チーム、顧客までさかのぼって追跡するものです。Tokenomicsは、その支出が何を生み、成果に見合う価値があったのかを問います。帰属が土台を築き、Tokenomicsがその上に積み上がります。
eBPFセンサー技術がカーネルレベルの帰属をどう可能にするかについては、eBPFセンサーとは？をご覧ください。
Attribute™ by DoiTは、約15分でデプロイできるeBPFセンサーを用いて、AIコスト帰属を自動化します。タグ不要、SDK不要、コード変更不要。デモを予約する。