生成AI 比較企業向け｜回収11.2年と3.4年を分ける席の設計

「生成AIをやるかどうか」は、もう議論の対象になっていません。相談の中身は、生成AI 比較企業向けの検討フェーズ——どの製品を、誰に、何席配るか——に移っています。ただ、製品の機能比較表から入った案件ほど、稟議の最終段階で止まります。この記事は、タイの日系製造業（従業員300名、うちホワイトカラー60名）をモデルに、効果額を同じに置いても配り方だけで投資回収年数が11.2年と3.4年に分かれる構造を、計算式ごと開示します。

なぜ「製品の比較表」から入ると失敗するのか — シャドーAI 68% と、比較の主語のズレ

比較検討の会議に呼ばれると、たいてい最初にA4横の比較表が出てきます。列に製品名、行に機能。丸と三角と二重丸が並んでいる。あの表は、作った人の労力に比べて、意思決定にはほとんど寄与しません。理由は単純で、表の主語が「製品」になっているからです。

購買側が本当に決めなければならないのは、製品の優劣ではありません。自社の誰に、どの種類の道具を、何席分渡すかです。主語は製品ではなく、社内の人と業務です。主語が違う表をいくら精緻に作っても、答えは出ません。出ないので、会議は「もう少し情報を集めよう」で終わります。そして半年後、同じ表がバージョンだけ新しくなって再登場します。

導入率は2年で33%から65%へ。もう「様子見」は選択肢に入っていない

前提として、市場の状態を確認しておきます。生成AIの企業導入率は、2023年の33%から2025年には65%に達しました。調査を実施したMcKinseyは、同社が計測してきた技術の中で最速の普及速度だと位置づけています。2年で倍近くというのは、社内システムの世界ではまず見ない曲線です。

製造業に絞ると、AI導入率は68%（後述するシャドーAIの68%とは別の指標です）。AI関連支出は前年比48%増で、その主たる用途は予知保全と品質管理です。つまり製造業は、生成AIというよりAI全般に対して、すでに実弾を投じている業界です。

この2つの数字から読み取るべきことは、「だから急げ」ではありません。読み取るべきは、「導入するかどうか」で差がつく局面はすでに終わっているという事実です。過半数が入れている以上、入れたこと自体は差になりません。差がつくのはこの先、配り方と使わせ方の設計です。

比較表が答えを出せない、もっと現実的な理由 — すでに使われている

もう1つ、比較表が現実を捉えられない理由があります。比較検討をしている最中に、社員はすでに使っているからです。

会社が把握していない生成AI利用、いわゆるシャドーAIは企業の68%で発生しています。
従業員の58%が、会社が承認したツールではなく一般公開のAIツールを使っているという調査結果があります。
用途別で最上位はコード生成ツールで、利用率は72%です。

つまり多くの企業にとって、比較検討とは「ゼロから何を入れるか」ではなく、「すでに起きている無管理の利用を、どうやって管理下に移すか」という作業です。この認識のズレは、比較の設計そのものを変えます。ゼロからの導入なら「最も高機能な1本」を選べばよいかもしれませんが、既存利用の吸収なら「今使われているものと違和感が小さいもの」を選ぶほうが移行は速い。評価軸が変わるのです。

リスクの見積もりも、社内でズレている

もう少し踏み込むと、リスク認識の分布そのものが偏っています。

製造業の従業員の45%が「シャドーAIの利用にリスクはほとんど無い」と考えている。
一方で、大企業の43%がAIリスクの管理枠組みを持っていない。
そして、シャドーAI起因の情報漏洩の平均コストは420万USDとされています。

現場は「大した話ではない」と思っており、経営側にも管理の型が無い。その状態で、平均420万USDという桁の事故が起こりうる。この3つを並べると、規程とツール配布は同時に進めるべきものだと分かります。規程だけ作っても使える道具が無ければ守られませんし、道具だけ配っても線引きが無ければシャドーAIは残ります。順番の問題ではなく、片方だけでは効かないという構造の問題です。

比較の前に決めるべき3つのこと

以上を踏まえると、製品比較に入る前に社内で決めておくべきことは3つに整理できます。

決めること	決まらないまま比較すると起きること
誰に配るか（対象者の範囲と人数）	「とりあえず全員分」の見積になり、単価×人数で総額が跳ねる
何をさせるか（用途の類型）	全用途を1製品で満たそうとして、最上位プランしか候補に残らない
何を入力してよいか（情報の線引き）	導入後に法務・情シスが止め、使われないライセンスが残る

この3つが決まっていれば、製品の候補は自然に絞れます。逆にこの3つを飛ばすと、機能が多い製品ほど「安全な選択」に見えるため、要らないものまで積み上がります。費用が膨らむ原因は、単価ではなく席数と層の設計にある——本記事の主張はここに尽きます。導入プロセス全体の組み立て方については生成AI導入の進め方をまとめた記事で扱っていますので、そもそもの進め方から整理したい場合はそちらをご覧ください。

主要3製品の実際のコスト構造 — 値上げとアドオンの罠

生成AI 比較企業向け｜回収11.2年と3.4年を分ける席の設計 - figure 1

ここからは価格の話をします。ただし「どれが安いか」の話ではありません。公表価格と実際に払う額がどれだけ離れるか、その離れ方が製品ごとにどう違うかの話です。ここを外すと、稟議に出した数字と請求書が合わなくなります。

Microsoft 365 Copilot — 30 USDはアドオン価格である

Microsoft 365 Copilotの定価は1ユーザーあたり月額30 USD、年間契約です。ここまでは広く知られています。問題はその先です。

この30 USDはアドオン価格であり、別途、対象となるMicrosoft 365ライセンスを保有していることが前提になります。つまりCopilotを使うためには、土台のスイート料金＋30 USDを払う構造です。既存でMicrosoft 365を全社導入済みの企業なら追加は30 USDで済みますが、そうでない場合は土台から積む必要があります。

さらに、2026年7月1日にMicrosoft 365の基本スイートが値上げされました。これを反映した実質の総額は、E3（Teams込み）で1席あたり月額69 USD、E5で1席あたり月額90 USDです。なお、この総額にはCopilot Studioのエージェント利用料は含まれていません。エージェントを作り込む前提なら、さらに上積みを見込む必要があります。

そして、価格交渉に直結する変更がもう1つあります。従来あった数量割引の階段——10席以上15%（25.50 USD）／100席以上20%（24 USD）／300席以上30%（21 USD）／1,000席以上40%（18 USD）——が、2026年6月30日で終了しました。一部の期間限定コミットのみ残存している状態です。

これが何を意味するか。「席数をまとめれば単価が下がる」という前提が崩れたということです。以前であれば、100席まとめて20%引きを取りに行く交渉に意味がありました。今は、席数を増やしても単価は下がらない。単価が下がらないなら、総額を下げる手段は、席数と、層ごとの価格構造の組み合わせを設計し直すことしか残りません。 なお本記事のモデル企業は60席ですが、階段が生きていれば「10席以上15%」の対象になっていた規模です。階段自体が2026年6月30日で終了しているため、60席規模でも定価30 USDで計算します。

製品としての強みは明確です。Word / Excel / Outlook / Teamsの中で動くこと。そしてMicrosoft Graph経由でSharePoint・メール・社内ドキュメントを参照できること。加えて、データ損失防止と過剰共有の抑止を製品側で持っている点は、ガバナンス設計の工数を実際に減らします。Officeファイルの編集が業務の中心にある層にとって、この「アプリの中で完結する」体験は、他製品では代替しにくい価値です。

ChatGPT Enterprise / Business — 価格の透明度と、教育コストの低さ

ChatGPT Enterpriseは定価を公表しておらず、営業見積です。したがって、他製品と横並びの表に載せる際には「見積」と書くしかありません。ここを推測の数字で埋めると、稟議の根拠が崩れます。

一方、ChatGPT Businessは1席あたり月額25 USDが公表されています。中堅規模の導入で最初に検討されるのは、実務上こちらです。

この製品系統の最大の強みは、一般利用者の知名度が最も高く、教育コストが低いことです。これは軽く扱われがちですが、60名規模の導入では効きます。すでに個人で触っている社員が多ければ、研修の出発点が「これは何か」ではなく「業務でどう使うか」から始められます。前節で触れた従業員の58%が非承認ツールを使っているという現実を裏返せば、知名度の高い製品を正式に配ることは、シャドーAIを最短で回収する手段でもあります。

データの扱いについても2点、事実として押さえておきます。

データレジデンシーは、欧州・英国・米国・カナダ・日本・韓国・シンガポール・インド・オーストラリア・UAEで提供されています。東南アジア拠点にとってはシンガポールの存在が実務上の判断材料になります。
ChatGPTのビジネスプランおよびAPIのデータは、顧客が明示的にオプトインしない限りモデルの学習に使われません。

後者は社内説明で最も誤解されている論点です。「AIに入れたら学習される」という漠然とした不安が、導入の抵抗として残り続けます。契約プランによって扱いが違うという事実を、規程の文面に落として明示するだけで、この抵抗はかなり減ります。

Claude Enterprise — 席料と利用料が分かれる構造

Claude Enterpriseは1席あたり月額20 USD（年間契約）です。ただし重要なのは次の点で、モデル利用料はAPIレートで別課金になります。席料だけを見て「最も安い」と判断すると、実際の請求額と乖離します。

この構造は、欠点ではなく設計思想の違いとして理解したほうが正確です。使う量に応じて払うので、たまにしか使わない席を抱えても固定費が膨らみません。逆に、ヘビーに使う層では利用料が積み上がります。利用量のばらつきが大きい組織ほど、この構造は有利に働きます。

技術者向けには、Claude Codeを含むClaude Team Premium席があり、年間契約で150 USD → 100 USDに改定されています。前節で触れたとおり、コード生成ツールはシャドーAI利用の最上位（72%）です。開発・技術部門を抱えているなら、この層に正規の受け皿を用意することは、規程を1行増やすより実効性があります。

強みは、長いコンテキスト長と、自社システム・自社文書を接続しやすいことです。社内文書を大量に読ませる用途、あるいは社内データと組み合わせた仕組みを作る用途では、この2点が効きます。社内文書を検索・参照させる仕組みそのものについては工場のナレッジをRAGで構築する記事で詳しく扱っています。

ベンチマークは「どれが最強か」を決めてくれない

性能比較についても触れておきますが、ここは慎重に書きます。

Claude Opus 4.6は、コードおよび専門領域のベンチマークで最高スコアを記録しており、知識労働系のベンチマークでもわずかにリードしています。また一般論として、GPT系・Claude系のフロンティアモデルは、Copilotの既定モデルを上回る傾向があります。

ただし、タスクによって順位は変わります。「常にこれが最強」という結論は、少なくとも現時点のベンチマーク状況からは導けません。そして実務の観点では、もっと重要なことがあります。Officeファイルの中で動くかどうか、社内文書に届くかどうかは、素のモデル性能とは別の軸だという点です。ベンチマークがわずかに高いことより、「Excelのその場で使えること」のほうが、経理担当者の実感値を左右します。

比較表を作るなら、性能スコアの列は参考情報として置き、意思決定の主軸には置かないことをおすすめします。

データ所在 — 東南アジア拠点として押さえておく点

拠点が東南アジアにある以上、データがどこに置かれるかは避けて通れません。

Azureは東南アジアリージョン（シンガポール）で、既定の単一リージョンデータレジデンシーを提供しています。加えてMicrosoftは、2025年にマレーシア・インドネシアのリージョンを開設し、2026年にインド・台湾のリージョンを追加予定です。

この動きが意味するのは、「データを域内に置けないから使えない」という制約が、年々小さくなっているということです。数年前であれば設計上の大きな分岐でしたが、選択肢は増え続けています。逆に言えば、「データ所在を理由にした先送り」は、以前ほど説得力を持たなくなっているということでもあります。

3製品の比較 — 価格の見え方の違いを1枚に

以上を、意思決定に使える形で整理します。なお、性能の列を置いていないのは意図的です。前述のとおり、タスクによって順位が入れ替わるためです。

項目	Microsoft 365 Copilot	ChatGPT Business / Enterprise	Claude Enterprise
公表価格	1ユーザー月額 30 USD	Business 1席月額 25 USD／Enterprise は営業見積	1席月額 20 USD
契約形態	年間契約	プランによる	年間契約
価格の前提条件	アドオン価格。対象の Microsoft 365 ライセンス保有が前提	公表価格は Business のみ。Enterprise は定価非公表	席料とは別に、モデル利用料が API レートで課金
実質総額の目安	E3（Teams込み）69 USD／E5 90 USD（Copilot Studio のエージェント利用料は含まず）	—	席料＋従量。利用量に依存
数量割引	階段割引は 2026年6月30日で終了（一部の期間限定コミットのみ残存）	—	—
主な強み	Word / Excel / Outlook / Teams の中で動く。Microsoft Graph 経由で社内文書を参照。DLP と過剰共有抑止を製品側で保有	一般利用者の知名度が最も高く教育コストが低い。データレジデンシーにシンガポールを含む	長いコンテキスト長。自社システム・自社文書を接続しやすい
注意点	2026年7月1日に基本スイートが値上げ。階段割引が終了し60席規模でも定価	Enterprise の価格は見積を取らないと比較表に載せられない	席料だけで総額を判断できない
補足	—	ビジネスプランおよび API のデータは、明示的にオプトインしない限り学習に使われない	Claude Code を含む Team Premium 席は年間契約で 150 USD → 100 USD に改定

この表を見て気づいてほしいのは、3製品の価格が「同じ土俵で比べられる形になっていない」ことです。片方はアドオン、片方は非公表、片方は席料＋従量。単価を横に並べて安い順に並べ替える作業には、実は意味がありません。 意味があるのは、自社のどの層に、どの価格構造が合うかを見ることです。次章はその話です。

用途を3層に分ける — 誰に何を配るか

比較の主語を製品から人へ戻します。ここが本記事の中心です。

なぜ「全員に同じもの」は高くつくのか

「全員に同じツールを1つ配る」という方針は、一見すると公平で、管理も楽で、交渉も簡単に見えます。実際、多くの見積依頼がこの形で来ます。ホワイトカラー60名分の単価×12か月、以上。

しかしこの方針には、2つの前提が隠れています。1つ目は「全員が同じ使い方をする」という前提。2つ目は「席数をまとめれば単価が下がる」という前提です。そして後者は、前章で見たとおり2026年6月30日の階段割引終了によって崩れました。階段が無くなった以上、60席規模でも定価です。

前者はもともと成り立っていません。経理担当者がExcelの中でやりたいことと、購買担当者が英文契約書を読むためにやりたいことと、現場のタイ人リーダーが社内規定を母語で確認したいことは、まったく別の作業です。別の作業に同じ道具を配れば、誰かにとっては過剰になり、誰かにとっては不足します。 過剰な席は使われず、不足した層はシャドーAIに戻ります。

3層モデル — 業務の性質で切る

そこで、業務の性質で3つに切ります。組織図ではなく作業の中身で切るのがポイントです。

層	人数	配るもの	月額単価	月額小計
層A: Officeファイル作業が主（経営・管理部門）	15名	Microsoft 365 Copilot	30 USD	450 USD
層B: 調査・文書作成・翻訳が主	30名	汎用チャット（ChatGPT Business 相当）	25 USD	750 USD
層C: 現場・多言語の問い合わせ	15名	社内チャットボット／RAG（APIの従量課金）	—	120 USD
合計	60名			1,320 USD

（450 + 750 + 120 = 1,320 USD／月。人数は 15 + 30 + 15 = 60名。）

層A（15名） — アプリの中で完結することに価値がある層

経営・管理部門、経理、総務、生産管理の一部。業務時間の多くがWord / Excel / Outlook / Teamsの中にある層です。

この層に汎用チャットを配ると、ほぼ確実に「コピペ地獄」が起きます。Excelから数字を選んでチャットに貼り、返ってきた結果をまた貼り戻す。この往復が入るだけで、月10時間という削減見込みは大きく目減りします。アプリの中で動くこと自体が、この層に対しては機能である——だから単価30 USDが正当化されます。

加えて、この層は社内文書とメールを参照させたいという要求が最も強い層でもあります。Microsoft Graph経由でSharePointやメールを参照できることは、実務上、置き換えの効かない差になります。

人数を15名に絞っているのは、「Officeの中で完結する作業が業務の中心にある人」だけを数えているからです。Excelを月に数回開く程度の人は、この層ではありません。ここを甘く数えると、そのまま総額に跳ね返ります。

層B（30名） — 最も人数が多く、最も汎用性が要る層

営業、購買、品質保証、技術、人事。調査・文書作成・翻訳が主の層です。作業の入口はブラウザで完結し、出力は文章です。

この層に必要なのは、Officeとの統合よりも素の言語能力と応答の速さです。日本語・英語・タイ語をまたぐ文書作成、海外サプライヤーとのメール、規格文書の読み解き。汎用チャットが最も効くのがこの領域で、かつ一般利用者の知名度が高い製品を配ることで教育コストが下がる層でもあります。

60名中30名、つまり半数をここに置いているのは、日系製造業の現地法人の実態としてこの層が最も厚いからです。そしてこの層をどの単価で埋めるかが、総額を最も大きく左右します。

層C（15名） — 席を配らない層

ここが3層モデルの肝です。層Cには席を配りません。

現場のライン管理者、製造課のリーダー、品質検査の担当者。彼らが必要としているのは、「AIと自由に対話する環境」ではありません。社内規定・作業手順・過去の不良対応履歴に、母語で問い合わせて、正しい答えが返ってくることです。用途が限定されているなら、社内チャットボット／RAGをAPIの従量課金で用意するほうが、席を配るより安く、かつ答えの精度も管理できます。

このモデルでは月額120 USDを見込んでいます。席単価で15名分を配れば、これより明らかに高くつきます。しかも自由対話の環境を配ったところで、この層の実際の利用は「社内規定を検索する」に収束しがちです。用途が限定されているなら、限定された道具を配るほうが安くて速い。

なお、この層こそが多言語の精度差を最も強く受ける層でもあります。この点は後の章で詳しく扱います。

層分けの副作用 — 規程と研修が設計しやすくなる

3層に分ける効果は、費用だけではありません。

規程が書きやすくなる。全員に同じ禁止事項を並べる代わりに、層ごとに「何を入力してよいか」を変えられます。層Cは社内データにしか触れないので、そもそも入力の線引きの論点が小さくなります。
研修が設計しやすくなる。層Aには「Excelの中での使い方」、層Bには「調査と文書作成の型」、層Cには「聞き方」。内容が違うので、時間も短くて済みます。 全員に同じ2時間研修を流すより定着します。研修設計の具体については製造業向け生成AI研修の組み立て方で扱っています。
効果測定が層ごとにできる。全社平均の利用率という、意思決定に使えない指標から抜け出せます。

【試算】60名の日系タイ法人で、回収年数が 11.2年と 3.4年に分かれる理由

生成AI 比較企業向け｜回収11.2年と3.4年を分ける席の設計 - figure 2

ここからは数字です。以下はすべて本記事の前提に基づく試算であり、実際の金額は各社の契約条件・既存ライセンスの保有状況・業務の中身によって変わります。「必ずこの通りになる」という性質のものではありません。数字そのものより、どこで差がつくかの構造を見てください。

試算の前提

モデル企業: タイの日系製造業、従業員300名、うちホワイトカラー60名。
為替は1 USD = 32 THBを本記事の試算前提とします。実勢レートとは異なります。
ホワイトカラーの平均月給45,000 THB、月間労働時間176時間。
時間単価 = 45,000 ÷ 176 = 255.68… → 約256 THB/時（端数処理をしています）。
Microsoft 365 Copilotは割引階段が2026年6月30日で終了しているため、60席は定価30 USDで計算します。

パターンA: 全員に同じものを配る（60席すべてMicrosoft 365 Copilot）

最も多い方針です。計算はきわめて単純です。

ライセンス: 60席 × 30 USD × 12か月 = 21,600 USD/年 = 691,200 THB/年
年間の保守・改善: 150,000 THB/年
年間コスト合計 = 691,200 + 150,000 = 841,200 THB/年

年間841,200 THB。これを高いと見るか安いと見るかは、後述する効果額と並べて初めて判断できます。

パターンB: 用途で3層に分ける

前章の3層配分（月額合計1,320 USD）で計算します。

ライセンス等: 1,320 USD × 12 = 15,840 USD/年 = 506,880 THB/年
年間の保守・改善: 150,000 THB/年（パターンAと同額）
年間コスト合計 = 506,880 + 150,000 = 656,880 THB/年

パターンAとの差は、691,200 − 506,880 = 184,320 THB/年の削減です。ライセンス費だけで見ると26.7%減になります（月額で1,800 USD → 1,320 USD）。

ここで確認しておきたいのは、この削減が値引き交渉によるものではないことです。単価はどれも定価のままです。削減しているのは配り方だけ。前章で見たとおり階段割引は終了しており、交渉で単価を下げる余地は以前より狭い。残っている手段は、席の設計しかありません。

初期費用 — ここを削ると定着しない

ライセンス費だけで判断すると必ず外すのが、初期費用です。そしてここを削った案件は、定着しないケースが目立ちます。

層	内容	初期費用
1. 基盤・接続層	テナント設定、SSO、DLPポリシー、条件付きアクセス	120,000 THB
2. 業務適合層	社内データ接続、RAG最小構成、プロンプトテンプレ30本	350,000 THB
3. ガバナンス層	利用規程、PDPA／AI法チェック、ログ保管設計	180,000 THB
4. 定着・教育層	4言語（日英タイ越）研修＋90日の伴走	250,000 THB
初期合計		900,000 THB

（120,000 + 350,000 + 180,000 + 250,000 = 900,000 THB。この初期費用はパターンA・Bで共通とします。）

4層のうち最も金額が大きいのは業務適合層の350,000 THBです。社内データへの接続、RAGの最小構成、そしてプロンプトテンプレート30本。ここは「導入したのに使われない」を防ぐための費用で、削るとライセンス費が丸ごと無駄になる性質のものです。ライセンスは使わなくても請求されますが、テンプレートは使われれば効果を生みます。

定着・教育層の250,000 THBが4言語対応になっている点にも注目してください。タイの日系現地法人では、日本人駐在員・タイ人スタッフ・ベトナム人スタッフ・英語話者が混在します。日本語だけの研修資料では、層Cにはまず届きません。

ガバナンス層の180,000 THBは、次章以降で扱う規程・法規制対応の費用です。この項目を「後回しでいい」と判断する会社は多いのですが、シャドーAI起因の情報漏洩の平均コストが420万USDであることを思い出すと、桁の比較としては明快です。

効果 — 時間削減と、その現金化率

次に効果側です。ここは最も慎重に置くべき数字なので、前提を全部開きます。

削減見込み: 1人あたり月10時間。これは保守的な置き方です。ベンダー資料にはもっと大きな数字が並びますが、業務全体を平均すればこの程度に落ち着きます。
60名 × 10時間 = 600時間/月
600時間 × 256 THB = 153,600 THB/月 = 1,843,200 THB/年

ただし、この1,843,200 THBを効果額としてそのまま稟議に書いてはいけません。これは時間削減の理論額であって、キャッシュではないからです。

そこで現金化率50%を掛けます。理由は単純で、空いた時間がそのまま現金になるわけではないからです。人を減らさない限り、削減された時間は次の3つのいずれかの形でしか現金化しません。

残業削減 — 残業代として実際に支出が減る。
外注削減 — 翻訳、資料作成、調査などの外部発注が減る。
機会獲得 — 空いた時間で、これまで着手できなかった業務に手が回る。

このいずれにも接続されなければ、削減された時間は社内に散逸します。50%という係数は、その散逸分を織り込んだものです。

→ 実効効果 = 921,600 THB/年

回収年数 — ここが結論

初期費用900,000 THBを、年間純益（効果 − 年間コスト）で割ります。効果額は両パターンとも同じ921,600 THB/年としています。つまり差はコスト側だけで生まれています。

パターンA（全員Copilot）

年間純益 = 921,600 − 841,200 = 80,400 THB/年
回収年数 = 900,000 ÷ 80,400 = 約11.2年

パターンB（3層に分ける）

年間純益 = 921,600 − 656,880 = 264,720 THB/年
回収年数 = 900,000 ÷ 264,720 = 約3.4年

項目	パターンA（全員に同じもの）	パターンB（3層に分ける）
ライセンス等（年）	691,200 THB	506,880 THB
保守・改善（年）	150,000 THB	150,000 THB
年間コスト合計	841,200 THB	656,880 THB
実効効果（年）	921,600 THB	921,600 THB
年間純益	80,400 THB	264,720 THB
初期費用	900,000 THB	900,000 THB
回収年数	約11.2年	約3.4年

この対比が意味すること

11.2年という数字は、社内的にはほぼ却下の水準です。一方3.4年なら、多くの企業の投資基準に収まります。同じ効果、同じ初期費用、同じ保守費、同じ製品の定価。違うのは、誰に何を配ったかだけです。

なぜここまで開くのか。答えは分母の小ささにあります。パターンAの年間純益80,400 THBは、年間コスト841,200 THBに対してごく薄いマージンです。効果額とコストが接近しているため、コストが少し動くだけで回収年数が大きく振れます。184,320 THBのコスト削減が、回収年数を11.2年から3.4年へ動かしたのは、この構造によるものです。

そしてこの構造は、逆向きにも働きます。効果側の前提を少し楽観的に置くと、パターンAでも回収年数は劇的に改善して見えます。 1人あたりの削減時間を大きく見積もり、現金化率を高く置けば、どんな配り方でも成立するグラフが描けてしまう。だからこそ、効果側の前提は保守的に固定して、コスト側の設計で勝負するべきなのです。本記事が月10時間・現金化率50%を動かさなかったのは、そのためです。

効果測定の指標をどう設計するか、削減時間をどう実測するかについてはAI導入の効果測定とROIの考え方で扱っています。試算を稟議に載せる前に、測り方の合意を取っておくことをおすすめします。

試算を読むときの注意

最後に、この試算の限界を明示しておきます。

既存のMicrosoft 365ライセンス保有状況を織り込んでいません。 未保有であれば、E3（Teams込み）69 USD／E5 90 USDという実質総額が効いてきます。層Aの単価は大きく変わります。
Copilot Studioのエージェント利用料を含んでいません。
層CのAPI従量課金は、利用量によって変動します。 120 USD/月は本記事の前提値です。
為替1 USD = 32 THBは本記事の前提であり、実勢レートとは異なります。

これらはいずれも「試算を無効にする」ものではなく、自社の数字に置き換えるべき箇所を示すものです。構造さえ理解できていれば、置き換えは難しくありません。

タイ語・ベトナム語では期待値を1段下げる — SEA-HELM が示すもの

ここは、東南アジア拠点だからこそ丁寧に扱うべき論点です。そして日本本社で作られた導入計画で、最も抜けやすい論点でもあります。

事実の確認 — 指標のスコープを混ぜないこと

先に注意書きです。以下の数値はそれぞれ別々の指標であり、横に並べて大小を比べる読み方は誤りです。スコープを明示して、別々に読んでください。

SEA-HELMのタイ語リーダーボードでは、Qwen 3 VL 32Bが59.73で首位、Qwen 3 Next 80B MoEが58.09で2位です。
SEA-HELMの6能力平均では、SIAMGPT-32Bが63.59で最高であり、Typhoon2.5とOTG-R1を上回っています。
全言語平均では、Gemma-SEA-LION-v3-9B-IT が69.35です。

繰り返しますが、59.73と63.59と69.35は評価スコープが異なる別々の数字です。「69.35が最も高いから最強」という読み方はできません。

言語間の差 — タイ語は構造的に不利

そのうえで、実務判断に直結する事実が1つあります。タイ語のスコア帯は、インドネシア語・ベトナム語より低いという点です。タイ語は60前後、インドネシア語・ベトナム語は60台後半に位置しています。

理由として挙げられているのは2つです。

タイ語の声調の複雑さ
公開されているタイ語学習コーパスが小さいこと

2点目は特に重要です。これはモデルの世代が上がれば自然に解消する類の問題ではないことを示唆します。学習データそのものが少ないという制約は、時間で解決するとは限りません。

実務上の含意 — 配り方を言語で変える

ここから導かれる設計方針は明快です。タイ語の出力品質は、日本語・英語より一段低いと想定して設計する。

そして、タイ人スタッフに「日本語と同じ精度が出る」と説明しないこと。これは誠実さの問題であると同時に、定着の問題でもあります。過大な期待を持って使い始めた人は、最初の失敗で使うのをやめます。「下書きは作れるが、そのままは出せない」と最初に伝えておけば、失敗は想定内になります。

配り方としては、次のように分けます。

言語	想定する使い方	運用ルール
日本語・英語	より自律的に。出力をそのまま業務に接続する場面を認める	通常の確認プロセスで足りる
タイ語	下書き＋人手校正を前提にする	社外に出る文書は、必ずタイ人スタッフの校正を通す

この方針は、前章の3層モデルとも整合します。層Cは現場・多言語の問い合わせを担う層であり、まさにタイ語の出力品質の影響を最も強く受けます。だからこそ層Cには自由対話の席ではなく、社内文書に根拠を持つ社内チャットボット／RAGを用意するのです。回答の根拠が社内文書に固定されていれば、言語モデルの自由生成に依存する範囲が狭まります。 精度の不足を、仕組みの側で補う設計です。

研修資料も言語で分ける

4言語（日英タイ越）研修に250,000 THBを計上しているのは、この論点に直結します。同じ研修資料を翻訳しただけでは足りません。 タイ語で使う人には「校正が前提であること」を明示的に教える必要があり、日本語で使う人には不要な内容だからです。言語ごとに、期待値と運用ルールが違う——それを最初に揃えておくことが、後の混乱を減らします。

法規制で「選べなくなる」条件 — タイAI法草案とベトナムAI法

製品選定の途中で法務が入ってきて、選択肢が変わることがあります。事前に押さえておけば避けられる手戻りなので、2026年7月31日時点の状況を整理します。なお、この分野は動きが速いため、実際の判断は最新の情報と専門家の確認のうえで行ってください。

タイ: AI法草案 — まだ施行されていない

まず前提として、タイのAI法はまだ草案の段階であり、施行されていません。ここを誤解したまま社内説明をすると、不要な緊張を生みます。

2026年7月2日、ETDA（電子取引開発機構、デジタル経済社会省MDES傘下）が改訂版のAI法草案を公開し、パブリックヒアリングを開始しました。期間は約30日とされています。

草案はリスクベースの3段階構成です。

区分	内容
1. 禁止AI	サブリミナル操作、不当な差別を行うシステム
2. 高リスクAI	国家安全保障・健康・環境・電気通信・運輸・公益事業に影響するシステム
3. 指定AIシステム	今後の告示で届出・登録・許認可の対象になりうるもの

高リスクAIの「デプロイヤー（使う側）」の義務として挙げられているのは次の項目です。

リスク管理体制の運用
提供者の指示の遵守
能力のある監督者の任命
運用ログを最低6か月保管
想定外のリスクを当局へ通知
人間による監督の仕組み

加えて透明性・表示義務があります。選挙・なりすまし・食品安全など影響の大きい主題でAI生成コンテンツを公開する場合は、AI関与の開示が必要です。開発側には機械可読なAI生成マークの埋め込みが求められます。

域外適用にも注意が必要です。タイ国内の人に影響する行為であれば、行為が国外で行われても適用されます。外国の提供者はタイ国内の代理人の選任が必要とされています。日本本社が構築したシステムをタイ現地法人で使う構成では、この点の整理が要ります。

制裁は、行政罰が1違反あたり100万〜500万バーツ。サービス停止命令、ISPによるブロック命令もありうるとされています。

そして実務上、最も重要なのがPDPAとの関係です。AI法とPDPAは別々には動きません。AIで個人データを処理する組織は、両方に同時に従う必要があります。 「AI法はまだ草案だから何もしなくてよい」という理屈は、PDPAが既に存在する以上、成り立ちません。

一般的なオフィス用途はどう考えるか

ここで冷静に整理すると、60名のホワイトカラーが文書作成や翻訳に生成AIを使う用途は、上記の「高リスクAI」の定義に真正面から当たるものではありません。国家安全保障や公益事業に影響するシステムとは性質が違います。

ただし、高リスクのデプロイヤー義務として挙げられている項目は、そのまま良い運用設計のチェックリストになっています。監督者を決める、ログを一定期間残す、人間が最終確認する——これらは法令要件である以前に、事故が起きたときに何が起きたかを説明できるようにするための備えです。大企業の43%がAIリスクの管理枠組みを持っていないという状況を踏まえれば、草案の水準に合わせて設計しておくことは、コストの安い保険と言えます。

ベトナム: AI法 — すでに施行済み

タイと違い、ベトナムのAI法はすでに施行されています。ここは明確に区別してください。

国会が2025年12月10日に「人工知能に関する法律」を可決し、2026年3月1日に施行されました。国内・国外の事業者の双方に適用され、研究・開発・提供・展開・利用のすべてが対象です。

ただし経過措置があります。既存のAIシステムの提供者・デプロイヤーは、2027年3月1日まで（保健・教育・金融の分野は2027年9月1日まで）は、当局が重大なリスクを認めない限り従来どおり運用してよいとされています。

施行令 Decree No. 142/2026/ND-CP が2026年4月30日に公布、2026年5月1日に施行されています。

義務の内容としては、提供者はAIが生成した音声・画像・動画に機械可読な標識を付す義務を負います。デプロイヤーは、その内容が出来事や人物の真偽について誤認を生じさせるおそれがあるかを明示する義務を負います。

制裁は、システムの運用停止、回収、行政罰。重大な違反は年間売上の最大2%とされています。売上に対する比率で制裁が設計されている点は、規模の大きい企業ほど重く効きます。

2国を並べたときの実務的な結論

論点	タイ	ベトナム
現在の状態	AI法は草案（2026年7月2日に改訂版を公開、パブリックヒアリング約30日）	AI法は施行済み（2026年3月1日施行）
施行令	—	Decree No. 142/2026/ND-CP（2026年4月30日公布、2026年5月1日施行）
経過措置	—	既存システムは2027年3月1日まで（保健・教育・金融は2027年9月1日まで）
域外適用	あり（国内の人に影響すれば国外の行為にも適用。外国提供者は国内代理人の選任）	国内・国外の事業者の双方に適用
表示・標識	影響の大きい主題でAI関与の開示。開発側は機械可読なAI生成マーク	提供者は音声・画像・動画に機械可読な標識。デプロイヤーは誤認のおそれを明示
制裁	行政罰 1違反あたり100万〜500万バーツ、サービス停止命令、ISPによるブロック命令	運用停止、回収、行政罰。重大な違反は年間売上の最大2%

タイとベトナムの両方に拠点を持つ企業にとっての実務的な結論は、厳しいほうに合わせて1つのルールで運用することです。国ごとに規程を分けると、運用が破綻します。ベトナムが施行済みである以上、グループ共通の規程はそこに合わせるのが自然です。タイの状況についてはタイでのAI導入をまとめた記事でも扱っています。

生成AI 利用規程に最低限書くべき7項目

ここまでの内容を、社内規程の形に落とします。分厚い規程は読まれません。 60名規模であれば、A4で数枚に収めて、全員が実際に読める長さにするほうが実効性があります。以下の7項目は、本記事で扱った事実から直接導かれるものだけに絞っています。

1. 承認ツールの一覧と、承認外ツールの扱い

「使ってよいツールの名前」を明示的に列挙することが出発点です。禁止事項から書き始める規程は守られません。シャドーAIが企業の68%で発生し、従業員の58%が非承認ツールを使っている現実を踏まえれば、規程の第一の役割は正規の受け皿を示すことです。

そのうえで、承認外ツールを使いたい場合の申請ルートを1行で書いておきます。ルートが無ければ、人は黙って使います。

2. 入力してよい情報・してはいけない情報の区分

個人データを含む入力は、PDPAの対象です。前章のとおり、AIで個人データを処理する組織は、AI法とPDPAの両方に同時に従う必要があります。

ここは抽象的に「機密情報は入力しない」と書くと機能しません。具体的な文書種別で書く——顧客名簿、従業員の個人情報、未公開の図面、価格情報——というレベルまで落とします。層ごとに線引きを変えてよいのもポイントです。層Cは社内文書にしか触れないので、そもそも入力の自由度が小さく、規程も短く済みます。

3. 入力データの学習利用に関する扱い

ChatGPTのビジネスプランおよびAPIのデータは、顧客が明示的にオプトインしない限りモデルの学習に使われません。 この事実を規程に明記し、自社がオプトインしていないことを書いておきます。

なぜ規程に書くかというと、これが社内で最も誤解されている論点だからです。「AIに入れたら学習される」という漠然とした不安は、書面で否定されない限り残り続けます。そして残っている限り、実務での利用は広がりません。

4. データの保存先（データレジデンシー）

どのリージョンにデータが置かれるかを明記します。ChatGPTのデータレジデンシーは欧州・英国・米国・カナダ・日本・韓国・シンガポール・インド・オーストラリア・UAEで提供されています。Azureは東南アジアリージョン（シンガポール）で既定の単一リージョンデータレジデンシーを提供しており、2025年にマレーシア・インドネシアのリージョンが開設、2026年にインド・台湾の追加が予定されています。

自社がどこを選んだのか、そしてその選択理由を1〜2行書いておくだけで、監査や本社からの問い合わせへの応答が格段に楽になります。

5. 出力の検証責任と、人間による監督

AIの出力に対する最終責任は、それを使った人間が持つ——これを明文化します。タイAI法草案が高リスクAIのデプロイヤー義務として挙げている人間による監督の仕組み、および能力のある監督者の任命の考え方に沿うものです。

前章で見たとおり、タイ語の出力品質は日本語・英語より一段低いと想定すべきです。したがって検証責任の記述は、言語によって強度を変えるのが実務的です。タイ語で作成した社外向け文書は必ず人手校正を通す、といった具体性まで落とします。

6. AI生成物の表示・開示

タイのAI法草案は、選挙・なりすまし・食品安全など影響の大きい主題でAI生成コンテンツを公開する場合にAI関与の開示を求めています。 ベトナムのAI法では、デプロイヤーはその内容が出来事や人物の真偽について誤認を生じさせるおそれがあるかを明示する義務を負います。

製造業の日常業務でこれに該当する場面は限られますが、広報・マーケティング・採用の領域では現実的な論点です。「社外公開物にAI生成の画像・音声・動画を使う場合は、事前に○○部門の確認を取る」という1行を入れておきます。

7. ログの保管と監督者の設置

タイAI法草案は、高リスクAIのデプロイヤーに運用ログを最低6か月保管することを求めています。一般的なオフィス用途がただちに高リスクに当たるわけではありませんが、この水準を最初から設計に入れておくコストは小さい——というのが実務上の判断です。

そして誰がログを見るのか、誰が判断するのかを名前で決めておくこと。大企業の43%がAIリスクの管理枠組みを持っていないという状況で差がつくのは、規程の文面の精緻さではなく、担当者が実在するかどうかです。

なお、これら7項目のうち、1・2・3・4は導入初期に決めきれるもので、5・6・7は運用しながら精度を上げていく性質のものです。全部を完璧にしてから配ろうとすると、いつまでも配れません。初期費用のガバナンス層180,000 THBは、この7項目を最初の形にするための費用と考えてください。

90日の導入ロードマップ

生成AI 比較企業向け｜回収11.2年と3.4年を分ける席の設計 - figure 3

ここまでの内容を、時系列で整理します。初期費用の4層（基盤・接続／業務適合／ガバナンス／定着・教育、合計900,000 THB）を、90日にどう割り付けるかという視点で読んでください。

第1期（1〜30日）: 決めるフェーズ — 層と線引き

この30日でやるのは、製品選定ではありません。誰に何を配るかを決めることです。

層分けの確定。層A・層B・層Cに、実在する社員の名前を割り付けます。本記事のモデルでは15名・30名・15名ですが、この配分は会社ごとに変わります。「Officeの中で完結する作業が業務の中心か」を1人ずつ判定するのが実務です。
既存ライセンスの棚卸し。Microsoft 365を何人がどのプランで持っているか。Copilotがアドオン価格である以上、ここが分からないと層Aの実質単価が確定しません。
入力してよい情報の線引き（規程の項目2）。法務・情シスを最初から巻き込みます。
シャドーAIの実態把握。現時点で誰が何を使っているか。企業の68%で発生している以上、自社にも存在すると考えて調べます。ここで見つかった利用実態は、そのまま層分けの根拠になります。
ベンダーからの見積取得。ChatGPT Enterpriseは定価非公表・営業見積なので、比較表に載せたいなら早めに動きます。

この期に着手するのは、基盤・接続層（120,000 THB）とガバナンス層（180,000 THB）の前半部分です。テナント設定、SSO、DLPポリシー、条件付きアクセス。ここが済んでいないと、次の期にライセンスを配れません。

第2期（31〜60日）: 作るフェーズ — 業務に合わせ込む

決めたものを、実際に使える形にします。最も費用のかかる業務適合層（350,000 THB）が、ここに集中します。

社内データ接続とRAG最小構成。層C向けの社内チャットボットは、この期に形にします。対象は社内規定・作業手順・過去の不良対応履歴など、問い合わせの多い文書から。全部を入れようとしないことが、最小構成の意味です。
プロンプトテンプレート30本。これが実務上の要です。テンプレートが無い状態で配ると、利用は「使ってみた」で止まります。層ごとに内容を変える——層Aは表計算とレポート、層Bは調査・翻訳・メール、層Cは問い合わせの型。
ライセンスの配布開始。層Aと層Bに配ります。全社一斉ではなく、各層から数名の先行ユーザーで始めるほうが、テンプレートの改善が速く回ります。
利用規程の文面確定（7項目）。ログ保管設計もここで決めます。

第3期（61〜90日）: 定着させるフェーズ — 4言語で配る

定着・教育層（250,000 THB）が動くのがこの期です。

4言語（日英タイ越）研修。同じ資料の翻訳ではなく、言語ごとに期待値と運用ルールを変えた内容にします。とくにタイ語については、下書き＋人手校正が前提であることを明示します。
層別研修。層Aは「Officeの中での使い方」、層Bは「調査と文書作成の型」、層Cは「聞き方」。内容が違うので、それぞれ短く済みます。
90日の伴走。研修をやって終わりにすると、質問できる相手がいなくなった時点で利用が落ちます。伴走期間を設けているのはこのためです。
効果の初期計測。月10時間という削減見込みが、自社で成り立っているかを確認します。ここで実測値が大きく下回るなら、原因はほぼテンプレートと層分けです。製品を変える前に、そちらを見直します。

90日を過ぎたあとに見るもの

90日で終わりではありません。その後に見るべき指標を3つだけ挙げます。

見る指標	なぜ見るか	悪いときの打ち手
層ごとの利用率	全社平均は意思決定に使えない。層Aだけ低い、層Bだけ高い、といった偏りに意味がある	使われていない層の席を、翌年の更新で減らす／別の層に移す
シャドーAIの残存	正規ツールを配っても、承認外の利用が残っていれば規程が機能していない	残っている用途に対応する受け皿を追加する
削減時間の現金化	時間が空いても、残業削減・外注削減・機会獲得に接続されなければキャッシュにならない	現金化の経路を上長が明示的に決める

3つ目が最も難しく、最も重要です。現金化率50%という前提を置いたのは、ここが自動的には起きないからでした。空いた時間の行き先を誰も決めなければ、効果額は試算のまま終わります。

よくある質問（FAQ）

法人向け生成AIは結局どれが一番安いのか？

単価だけで比べると答えが出ない、というのが実務的な回答です。

公表されている単価は、Microsoft 365 Copilotが1ユーザー月額30 USD、ChatGPT Businessが1席月額25 USD、Claude Enterpriseが1席月額20 USDです。この3つだけを見れば順番は明らかですが、それぞれ前提が違います。Copilotの30 USDはアドオン価格で、対象のMicrosoft 365ライセンス保有が前提です（値上げ後の実質総額はE3（Teams込み）で69 USD、E5で90 USD）。Claudeの20 USDは席料で、モデル利用料はAPIレートで別課金です。ChatGPT Enterpriseは定価非公表の営業見積です。

そして総額を最も大きく動かすのは単価ではなく席数です。本記事の試算では、単価を一切値引きせずに、配り方だけで年間184,320 THBの削減（ライセンス費で26.7%減）が出ています。「一番安い製品」を探すより、「配らなくてよい席」を見つけるほうが効きます。

Microsoft Copilot の導入は M365 を使っていない会社でも意味があるか？

費用構造が根本的に変わります。 Copilotの30 USDはアドオン価格であり、対象となるMicrosoft 365ライセンスの保有が前提です。未保有の場合は土台のスイートから積むことになり、2026年7月1日の値上げを反映した実質総額はE3（Teams込み）で1席あたり月額69 USD、E5で1席あたり月額90 USDになります（Copilot Studioのエージェント利用料は含みません）。

Copilotの本質的な価値は、Word / Excel / Outlook / Teamsの中で動くことと、Microsoft Graph経由でSharePoint・メール・社内ドキュメントを参照できることにあります。これらのアプリを使っていない組織では、その価値の大部分が発揮されません。M365を使っていないなら、汎用チャットのほうが費用対効果は高くなる——というのが構造からの帰結です。

なお、数量割引の階段は2026年6月30日で終了しています（一部の期間限定コミットのみ残存）。「まとめて契約すれば安くなる」という前提での試算は、更新が必要です。

ChatGPT を業務で使うと入力した情報は学習に使われるのか？

ChatGPTのビジネスプランおよびAPIのデータは、顧客が明示的にオプトインしない限りモデルの学習に使われません。

ここで重要なのは、プランによって扱いが違うという点です。個人向けの無料利用と法人向けプランを同じものとして語ると、社内の議論が噛み合いません。そして、従業員の58%が会社の承認していない一般公開のAIツールを使っているという状況を考えると、リスクが集中しているのは法人契約したツールではなく、個人が勝手に使っているツールのほうです。

対策としては、規程に「自社はオプトインしていない」と明記する（本記事の7項目の3番目）ことと、データレジデンシーの選択を明記する（同4番目）ことをおすすめします。ChatGPTのデータレジデンシーは、欧州・英国・米国・カナダ・日本・韓国・シンガポール・インド・オーストラリア・UAEで提供されています。

生成AI の利用規程には最低限なにを書けばよいか？

本記事では7項目に整理しています。(1) 承認ツールの一覧と承認外ツールの扱い、(2) 入力してよい情報・してはいけない情報の区分、(3) 入力データの学習利用に関する扱い、(4) データの保存先、(5) 出力の検証責任と人間による監督、(6) AI生成物の表示・開示、(7) ログの保管と監督者の設置です。

コツは2つあります。1つは禁止事項ではなく、承認ツールの列挙から書き始めること。使ってよいものが分からなければ、人は黙って使います。もう1つは分厚くしないこと。60名規模ならA4数枚に収めて、全員が実際に読める長さにするほうが実効性があります。

なお、タイのAI法草案とPDPAは別々には動きません。AIで個人データを処理する組織は両方に同時に従う必要があります。 「AI法はまだ草案だから」という理由で個人データの扱いを先送りすることはできません。

タイ語での精度が低いと聞くが、タイ人スタッフに配って意味があるか？

意味はあります。ただし、期待値と使い方を日本語・英語と分けることが前提です。

事実として、SEA-HELMのタイ語リーダーボードではQwen 3 VL 32Bが59.73で首位、Qwen 3 Next 80B MoEが58.09で2位です。そしてタイ語のスコア帯はインドネシア語・ベトナム語より低い（タイ語は60前後、インドネシア語・ベトナム語は60台後半）とされています。理由はタイ語の声調の複雑さと、公開されているタイ語学習コーパスが小さいことです。

したがって設計方針は、タイ語は下書き＋人手校正、英語・日本語はより自律的にという配り分けになります。そしてタイ人スタッフに「日本語と同じ精度が出る」と説明しないこと。過大な期待で始めると、最初の失敗で使われなくなります。

本記事の3層モデルで層Cに自由対話の席ではなく社内チャットボット／RAGを置いているのも、この論点への対応です。回答の根拠を社内文書に固定すれば、言語モデルの自由生成に依存する範囲が狭まります。 精度の不足は、仕組みの側で補えます。

タイのAI法はもう守らないといけないのか？

タイのAI法は、2026年7月31日時点でまだ草案であり、施行されていません。 2026年7月2日にETDA（電子取引開発機構、デジタル経済社会省MDES傘下）が改訂版の草案を公開し、パブリックヒアリング（約30日）を開始した段階です。

ただし、何もしなくてよいという意味ではありません。理由は2つあります。

1つ目はPDPAです。AI法とPDPAは別々には動かず、AIで個人データを処理する組織は両方に同時に従う必要があります。PDPAはすでに存在するので、個人データを扱う限り対応は今から必要です。

2つ目は、草案が示すデプロイヤー義務が、そのまま良い運用設計になっていることです。能力のある監督者の任命、運用ログの最低6か月保管、人間による監督の仕組み——これらは高リスクAIに課される義務ですが、一般的なオフィス用途でも、事故時に説明できる状態を作るという意味で有効です。大企業の43%がAIリスクの管理枠組みを持っていない現状を踏まえれば、先に整えておく価値はあります。

なお、ベトナムのAI法はすでに施行済み（2025年12月10日可決、2026年3月1日施行）です。タイとベトナムの両方に拠点がある場合は、厳しいほうに合わせて1つの規程で運用するのが実務的です。

まとめ

長くなったので、判断に使える形に絞ります。

比較の主語を製品から人へ戻す。 決めるべきは「どれが優れているか」ではなく「誰に何を配るか」です。決めるべき3つは、対象者の範囲と人数、用途の類型、入力してよい情報の線引きです。
単価交渉の余地は狭まった。 Microsoft 365 Copilotの数量割引の階段は2026年6月30日で終了し、2026年7月1日には基本スイートが値上げされました。単価が下がらないなら、総額を下げる手段は席の設計しかありません。
公表価格は同じ土俵に載っていない。 Copilotの30 USDはアドオン価格、ChatGPT Enterpriseは定価非公表の営業見積、Claude Enterpriseの20 USDは席料でモデル利用料は別課金です。単価を安い順に並べる作業には意味がありません。
3層に分ける。 Officeの中で完結する層A（15名・Copilot）、調査と文書作成が主の層B（30名・汎用チャット）、用途が限定された層C（15名・社内チャットボット／RAG、席は配らない）。月額1,320 USDです。
効果額を同じにしても、回収年数は分かれる。 実効効果を両パターンとも921,600 THB/年、初期費用を900,000 THBで固定したうえで、パターンA（全員Copilot）は約11.2年、パターンB（3層）は約3.4年。差はコスト側だけで生まれています。
効果側の前提は保守的に固定する。 月10時間、現金化率50%。空いた時間は、残業削減・外注削減・機会獲得のいずれかに接続されなければ現金になりません。
タイ語は期待値を1段下げて設計する。 タイ語のスコア帯はインドネシア語・ベトナム語より低く、理由は声調の複雑さと学習コーパスの小ささです。タイ語は下書き＋人手校正、英語・日本語はより自律的に。
法規制は、タイは草案・ベトナムは施行済み。 両拠点を持つなら厳しいほうに合わせて1つの規程で運用します。そしてタイAI法とPDPAは同時に適用されます。
規程は7項目、A4数枚で。 分厚い規程は読まれません。読まれない規程は、シャドーAIを止めません。

最後にもう一度だけ。回収年数を11.2年から3.4年へ動かしたのは、値引きでも高性能な製品でもありません。60名を15・30・15に分けただけです。 比較検討にかける時間の配分も、これに合わせて変えたほうが合理的だと考えています。

配る人数と層の切り方だけでも一度整理しておくと、ベンダーから出てくる見積の読み方が変わります。既存のMicrosoft 365ライセンスの保有状況や、現時点でどのくらいシャドーAIが起きているかによって、置くべき数字は各社で変わりますので、自社の条件で試算し直したいという段階でも構いません。タイ・ベトナムでの導入と規程づくりの実務については、お問い合わせからお気軽にご相談ください。

生成AI 比較 企業向け｜回収11.2年と3.4年を分ける席の設計