ストーリー

FinOpsフレームワークのAI適用

FinOpsとは

FinOps（Financial Operations）は、クラウドの利用コストを経営・財務・技術の3者が連携して最適化するフレームワークです。

3つのフェーズ

FinOpsのサイクル:

  ┌──────────┐
  │ Inform   │ ← 現状のコストを可視化
  │ (可視化)  │    「いくら使っているか」
  └────┬─────┘
       │
       ▼
  ┌──────────┐
  │ Optimize │ ← コスト削減施策を実行
  │ (最適化)  │    「どう減らすか」
  └────┬─────┘
       │
       ▼
  ┌──────────┐
  │ Operate  │ ← 削減効果を維持・改善
  │ (運用)    │    「どう維持するか」
  └────┬─────┘
       │
       └──→ Informに戻る（継続的改善）

Inform: AI利用コストの可視化

コスト配賦（アロケーション）

AI利用コストを部門・プロジェクト・ユースケース単位に配賦することが、可視化の第一歩です。

タグ戦略

# APIリクエスト時にメタデータタグを付与する例
async def call_llm_with_tags(
    prompt: str,
    user_id: str,
    department: str,
    project: str,
    use_case: str
) -> dict:
    """
    すべてのLLM呼び出しにタグを付与し、
    コストを多次元で配賦可能にする。
    """
    metadata = {
        "department": department,      # 部門: "customer_support"
        "project": project,            # プロジェクト: "chatbot_v2"
        "use_case": use_case,          # ユースケース: "faq_response"
        "user_id": hash(user_id),      # ユーザー（匿名化）
        "model": "gpt-4o-mini",
        "timestamp": datetime.now().isoformat()
    }

    response = await llm_client.chat(
        model=metadata["model"],
        messages=[{"role": "user", "content": prompt}],
        metadata=metadata  # タグをリクエストに付与
    )

    # コストログを記録
    await cost_logger.log({
        **metadata,
        "input_tokens": response.usage.input_tokens,
        "output_tokens": response.usage.output_tokens,
        "cost_usd": calculate_cost(response.usage, metadata["model"])
    })

    return response

チャージバック/ショーバックモデル

2つのモデル

段階的導入

コスト配賦ルールの設計例

AI利用コストの配賦ルール:

1. 直接費（追跡可能）
   ├── API利用料 → タグに基づき部門に直接配賦
   ├── 専用GPU → 利用部門に直接配賦
   └── プロジェクト固有のデータ準備費 → プロジェクトに配賦

2. 共通費（按分が必要）
   ├── AIプラットフォーム運用費 → 利用量比率で按分
   ├── ベクトルDB → ドキュメント数比率で按分
   ├── モニタリングツール → 均等按分
   └── AI基盤チーム人件費 → 利用量比率で按分

配賦例（月間100万円の共通費）:
  カスタマーサポート: 40% = 40万円（クエリ数が最多）
  開発部門:          25% = 25万円
  マーケティング:    20% = 20万円
  営業:             10% = 10万円
  人事:              5% =  5万円

予算管理とアラート設計

予算設定のアプローチ

アラート設計

# 予算アラートの実装例
class BudgetAlertManager:
    THRESHOLDS = [
        {"level": "INFO",     "ratio": 0.50, "channels": ["slack-ai-ops"]},
        {"level": "WARNING",  "ratio": 0.75, "channels": ["slack-ai-ops", "email-managers"]},
        {"level": "CRITICAL", "ratio": 0.90, "channels": ["slack-ai-ops", "email-execs", "pagerduty"]},
        {"level": "EXCEEDED", "ratio": 1.00, "channels": ["slack-ai-ops", "email-execs", "pagerduty"]},
    ]

    async def check_budget(
        self, department: str, current_cost: float, budget: float
    ) -> None:
        ratio = current_cost / budget
        days_elapsed = datetime.now().day
        days_in_month = 30
        projected_monthly = current_cost * (days_in_month / days_elapsed)

        for threshold in self.THRESHOLDS:
            if ratio >= threshold["ratio"]:
                await self.send_alert(
                    level=threshold["level"],
                    department=department,
                    current_cost=current_cost,
                    budget=budget,
                    ratio=ratio,
                    projected=projected_monthly,
                    channels=threshold["channels"]
                )

コスト異常検知

異常パターン

異常検知の実装

import numpy as np

class CostAnomalyDetector:
    """
    統計的手法によるコスト異常検知。
    過去30日の利用パターンから外れた場合にアラートを発報する。
    """

    def __init__(self, lookback_days: int = 30, z_threshold: float = 2.5):
        self.lookback_days = lookback_days
        self.z_threshold = z_threshold

    async def detect(self, department: str) -> list[dict]:
        # 過去30日の日次コストを取得
        daily_costs = await self.get_daily_costs(
            department, self.lookback_days
        )

        mean = np.mean(daily_costs[:-1])   # 直近を除く平均
        std = np.std(daily_costs[:-1])      # 直近を除く標準偏差
        today_cost = daily_costs[-1]

        if std == 0:
            return []

        z_score = (today_cost - mean) / std

        anomalies = []
        if abs(z_score) > self.z_threshold:
            anomalies.append({
                "department": department,
                "today_cost": today_cost,
                "average_cost": mean,
                "z_score": z_score,
                "deviation_pct": ((today_cost - mean) / mean) * 100,
                "severity": "HIGH" if abs(z_score) > 3.5 else "MEDIUM"
            })

        return anomalies

月次AIコストレポートの設計

レポート構成

レポートテンプレート

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  AI Monthly Cost Report - 2025年12月
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

■ エグゼクティブサマリー

  月額総コスト: ¥1,850,000（予算: ¥2,000,000）
  予算消化率:   92.5%
  前月比:       +12%（¥1,650,000 → ¥1,850,000）
  ROI:          320%（AI導入による業務効率化効果）

  ┌─────────────────────────────────────┐
  │ KPI           │ 今月   │ 先月   │ 変化  │
  ├───────────────┼────────┼────────┼───────┤
  │ 総クエリ数     │ 125K  │ 110K  │ +14% │
  │ 1クエリ単価    │ ¥14.8 │ ¥15.0 │ -1%  │
  │ キャッシュ率    │ 38%   │ 32%   │ +6pt │
  │ アクティブユーザー│ 2,800 │ 2,500 │ +12% │
  └─────────────────────────────────────┘

■ コスト増加要因分析

  1. ユーザー数増加 (+12%): マーケティング部門の利用開始
  2. クエリ複雑化: 分析系クエリの増加で大モデル利用率上昇
  3. 緩和要因: キャッシュ率改善で1クエリ単価は微減

■ 翌月予測

  想定コスト: ¥1,900,000 - ¥2,100,000
  リスク: 営業部門の本格利用開始（+200Kクエリ/月の見込み）
  対策: モデルルーティング導入で単価10%削減を計画

コスト最適化のPDCAサイクル

サイクル設計

月次最適化レビューのアジェンダ

最適化施策のROI管理

プロンプト最適化はROI 800%。実施コストが低く、効果が高い。まずここから手をつけるのが定石だ。 — 田中VPoE

まとめ

チェックリスト

• FinOpsフレームワーク（Inform/Optimize/Operate）のAI適用を理解した
• チャージバック/ショーバックモデルの設計と段階的導入を理解した
• 予算管理とアラート設計の手法を理解した
• コスト異常検知の仕組みを理解した
• 月次AIコストレポートの設計ができる
• コスト最適化のPDCAサイクルを理解した

次のステップへ

次は「演習：AIコスト最適化計画を策定しよう」です。ここまで学んだコスト構造分析、トークン最適化、キャッシュ戦略、FinOpsの知識を統合して、実際のコスト最適化計画を策定しましょう。

推定読了時間: 30分