2026年の企業AI支出は1770億ドルに：AIエージェントがAPI利用市場を変える5つの兆し

著者注：Menlo Ventures の2026年企業AIレポートを読み解き、Agent がモデルの利用を「人間が質問する」形から「機械が継続的にタスクを実行する」形へと変えつつあること、そしてそれが API 呼び出し、同時実行、調達構造に与える影響を解説します。

Menlo Ventures は2026年11月3日、レポート「The State of Enterprise AI」を発表しました。同レポートによると、2026年の企業によるAI支出は約1770億ドル（レポートの原値は1768億ドル）と推定され、2025年の330億ドルの約5.4倍に達しました。さらに注目すべきは、企業が実際に支出した金額が、当初の計画の平均約2.5倍に上ったことです。

これは、単に「AI市場は大きい」と語る話ではありません。 このレポートは米国企業の意思決定者約400人を対象とした調査に基づき、OpenRouter のトークンデータも引用しています。そこから見えてくるのは、支出増加の主な要因が「より多くの人がAIに質問すること」ではなく、「Agent が人に代わって継続的に作業すること」へと変わっているという変化です。

この記事でわかること：企業のAI支出と Agent に関する主要データを整理し、Agent がトークン消費や API 呼び出しの方法を変える理由を解説します。あわせて、API 開発者や調達担当者が事前に備えておくべきことを分析します。

2026年の企業AI支出：重要ポイント

まずはデータを見てみましょう。以下の数値はすべて Menlo Ventures による市場推計です。監査済みの企業支払総額でも、特定のモデル提供企業の売上でもありません。

「AIの利用にかかる支出がモデル構築への支出を上回った」ことは、転換点を示すサインです。これまでAI産業では、学習や計算資源に注目が集まっていました。今では、企業がモデルに仕事をさせるために支払うサービス費用のほうが大きくなっています。なお、ここでいう「利用支出」には、インフラ、アプリケーションのサブスクリプション、APIなど、さまざまな形態が含まれます。そのままAPI市場の売上とみなすことはできません。

同じ時期の11月4日、OpenAI の社長 Greg Brockman は WSJ のテクノロジー会議で、OpenAI の売上の半分以上がすでに企業向け事業から生まれていると述べました。この数字は OpenAI 自身の売上構成を示すもので、Menlo が推計した「企業API支出における OpenAI のシェア31%」とは異なる指標です。両者を混同して比較することはできません。

企業の AI 支出はなぜ予算を大幅に超えるのか：ユーザー数より利用の深さが重要

企業の AI 支出は予算をどれだけ上回ったか

レポートの中で最も意外なのは、予算と実績の差です。企業は年初の時点で、AI 支出が増えるペースを総じて過小評価していました。

平均値は中央値の 2 倍以上で、一部の AI を集中的に利用する企業が全体の支出を押し上げていることがわかります。導入率の上昇はわずか 10 ポイントだった一方、企業あたりの平均支出は前年の約 5 倍に達しました。つまり、支出増加の主な理由は、AI を使い始めた企業が増えたことよりも、すでに利用している企業の活用がより深まったことにあります。

企業の AI 支出に新たな予算が生まれている

資金の出どころを見ると、Menlo の推計では、増加した AI 支出の約 55% は新たに設けられた予算から、約 22% は既存のソフトウェア予算から賄われています。つまり、AI は従来の SaaS を置き換えるだけでなく、これまでになかった調達項目も生み出しています。調達責任者にとって、AI はもはや「IT ツール費」の一部ではなく、個別に管理が必要な運用コストになっています。

Agent は API の消費をどう変えるのか：質問から実行へ

チャットボットと Agent の呼び出し方の違い

予算が制御不能になる直接的な原因は、呼び出しパターンの変化です。一般的なチャットボットは基本的に「一問一答」です。ユーザーがメッセージを送るとモデルが一度応答するため、Token 消費量はおおむね人の質問回数に比例します。一方、Agent は「目標を設定し、タスクを分解し、ツールを呼び出し、結果を確認して、さらに改善する」という流れで動きます。1つのタスクの裏側で、モデルが数十回呼び出されることもあります。

📊 図の説明：右側の複数モデルを使った Agent のフローでは、計画、実行、検証の各段階で、それぞれ異なるモデルを使えます。この呼び出し構造を自分で検証したい場合は、APIYI apiyi.com を通じて1つの Key で複数社のモデルを切り替え、比較できます。

Token 消費はタスクの実行量に連動する

Menlo が OpenRouter のデータを分析したところ、同プラットフォームの Token 総消費量の約80%を Agent が占めており、その量は週あたり約130.9兆 Token に上ります。2026年2月に Agent によるトラフィックが人間主導のトラフィックを上回って以降、Agent のトラフィックは約37倍に増加しました。同じ期間に、人間主導のトラフィックは約5倍の増加にとどまっています。

OpenRouter のユーザーは開発者やスタートアップが中心であるため、このデータは業界全体を代表するものではありません。ただし、その傾向はほかのデータとも一致しています。OpenAI の2025年の企業向けレポートによると、企業 API における組織あたりの平均推論 Token 消費量は、前年比で約320倍に増加しました。また、Axios による Codex の報道では、60%以上のユーザーが1日のうちのどこかで複数のタスクを同時に実行していると報じられています。これらのデータは、Token 消費が「人に合わせて増える」ものから「タスクに合わせて増える」ものへと変わりつつあることを示しています。

企業のAI支出の行き先：プログラミングと企業向けチャットボットが先行する理由

AIアプリケーション市場における資金の分布

約773億ドル規模のAIアプリケーション市場では、資金が特定の分野に集中しています。

プログラミング分野では、さらに集中が進んでいます。Menloの推計によると、Claude CodeとCodexは合わせてプログラミングアプリケーション市場の約240億ドルを占め、そのシェアは約7割に上ります。プログラミングがいち早くAgentの実用化を実現できた背景には、次の3つの条件が直接関係しています。

Agentの実用化を成功させる3つの条件

1. 操作を実行できる環境がある：AgentはGitHub、メール、カレンダー、Slack、企業の文書やデータベースにアクセスする必要があります。推論能力だけがあっても、ツールがなければ実際の業務は遂行できません。
2. タスクに必要なコンテキストが揃っている：ユーザーの質問だけでなく、企業の規定、業務フロー、プロジェクトの履歴、操作上の制約、成功の判断基準も必要です。
3. 結果を検証できる：コンパイラはコードをビルドできるかを判断し、テストは機能が正常に動作するかを判断できます。これがプログラミングAgentが先行している主な理由です。一方、調査や検索に関するタスクの結果は、客観的な検証がより困難です。

3つ目の条件は、Agentのコスト上のリスクも説明しています。結果の検証が難しい分野では、Agentが大量のトークンを消費したうえに、誤った結論を出す可能性があります。Axiosは、スタンフォード大学のAndrew Hall教授がClaude Codeを使って過去の論文を更新した事例を報じています。後から人手で確認したところ、データ収集とコード処理の両方に誤りが見つかりました。

Agent が API 消費市場に与える影響の分析

API 開発者への影響

• コストモデルの見直しが必要：API 予算を「ユーザー数 × 単価」で見積もる方法は、もはや正確ではありません。「タスク数 × 平均呼び出し回数 × コンテキスト長」で見積もる必要があります。
• 予算の上限設定が必要：バックグラウンドで継続的に動く Agent には、タスクごとのトークン上限、最大反復回数、失敗時の処理停止条件を設定しなければなりません。そうしないと、企業予算に対する支出が 1.9 倍から 4.7 倍に膨らむような事態が起こりえます。
• 複数モデルの組み合わせが一般的に：計画には高性能なモデル、一括実行には低価格なモデル、検証には別の企業のモデルを使って相互チェックすることで、タスクあたりのコストを大幅に抑えられます。

API サービス提供事業者への影響

Agent がもたらす需要の変化は、次の5種類にまとめられます。それぞれに対応するため、サービス提供事業者には異なる能力が求められます。

💡 選び方のヒント：Agent のワークフローで複数社のモデルを組み合わせる場合は、まず APIYI apiyi.com の OpenAI 互換インターフェースでプロトタイプを動かしてみるとよいでしょう。従量課金なので、各工程の実際のコストも把握しやすくなります。

冷静に見る：企業の AI 支出と API 収入は同じではない

「Agent が増えれば、API サービス提供事業者の収入は必ず増える」という推論は成り立ちません。理由は3つあります。

• 1,768 億ドルのうち大部分はインフラやアプリケーションのサブスクリプションへの支出であり、API 呼び出し料金ではありません。
• 価格は下がり続けています。オープンソースモデルのトークン使用量の割合は 19% に上昇した一方、支出の割合は約 4% にとどまっています。トークン使用量の増加が、同じ割合の収入増につながるとは限りません。
• キャッシュ、バッチ処理、モデルルーティングは単位あたりのコストを押し下げます。最終的に競争の焦点となるのは、トークンの販売量だけでなく、安定性とタスクの成功率です。

APIでマルチモデルのAgentワークフローを構築する方法

シンプルな例

以下のコードは、Agentの最も基本的な「計画 → 実行」という2回の呼び出しを示しています。モデル名は、プラットフォームのコンソールで利用可能なものに置き換えてください。

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",
)

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # 推論能力の高いモデルでタスクを分解
    "executor": "YOUR_EXECUTOR_MODEL",  # 低コストのモデルで一括実行
    "checker": "YOUR_CHECKER_MODEL",    # 別の提供元のモデルでクロスチェック
}
TOKEN_BUDGET = 50_000   # 1タスクあたりのToken上限
MAX_ROUNDS = 3          # 最大反復回数

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # 指数バックオフ
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

このコードには、前述したいくつかのポイントが反映されています。1つのタスクで少なくとも3回の呼び出しを行い、3つの役割に異なるモデルを使っています。また、Token予算と反復回数の上限を設けることで、コストが膨らみすぎないようにしています。

🚀 クイックスタート：まずはAPIYI apiyi.comで無料テスト枠を取得し、3つの役割それぞれで異なるモデルを試してみましょう。usage データを記録したうえで、本番環境で使用するモデルの組み合わせを決めるのがおすすめです。

よくある質問 FAQ

企業のAI支出とAgentの要点 Key Takeaways

• 規模：Menloは、2026年の企業によるAI利用支出を約1768億ドルと推計しています。前年の約5.4倍にあたります。
• 予算との差：企業の実際の支出は平均で前年の4.7倍でしたが、当初の計画では1.9倍にとどまっていました。
• 成長の要因：導入率の上昇よりも、すでに導入している企業での利用が拡大したことが主な要因です。
• モデル呼び出しの仕組み：Agentによって、Token消費量がタスク量、並列度、実行時間に連動するようになります。
• 実用化の条件：実行環境、完全なコンテキスト、検証可能な結果が必要です。そのため、プログラミング分野が先行しています。
• 冷静な判断：企業のAI支出はAPI収入と同じではなく、Tokenの増加も収入の前年比成長を意味するわけではありません。
• 始め方：APIYI apiyi.com なら、1つのAPIキーで複数社のモデルを組み合わせ、実際のタスクにかかるコストを試算できます。

まとめ

2026年の企業AI支出における主な変化は、次の3点です。

1. 人主導からタスク主導へ：モデルの利用は「人間が質問する」形から「Agentが継続的に実行する」形へと移りつつあります。
2. ツール費用から独立した予算へ：追加支出の半分以上は新規予算によるもので、AIは独立して管理される運用コストになりつつあります。
3. Tokenの販売から信頼性の提供へ：APIサービスの競争の重点は、安定性、同時実行、多モデルの切り替え、利用量の監視へと移っていきます。

開発者や調達担当者にとって、今最も重要なのは、人数に基づいて予算を見積もるのではなく、実際のタスクで「タスクあたりのコスト」を試算することです。APIYI apiyi.com で複数のモデルを使ったAgentのプロトタイプを素早く構築し、実際の usage データを翌年のAI予算の根拠にすることをおすすめします。

📚 参考資料

1. Menlo Ventures – 2026 The State of Enterprise AI：本記事の主なデータソース
2. リンク：menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. 概要：企業の AI 支出、API シェア、OpenRouter の Agent データ、調査方法を収録

4. Reuters – Brockman 氏が語る OpenAI の企業向け収益：OpenAI の収益の過半数を企業向けが占める

5. リンク：reuters.com/legal/transactional

6. 概要：2026 年 11 月 5 日の記事。Menlo の API シェアとは集計の基準が異なる点に注意

7. OpenAI – The State of Enterprise AI 2025：企業利用のベースラインデータ

8. リンク：openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. 概要：組織あたりの推論 Token 消費量が前年比約 320 倍になったことなど、過去のデータを収録

10. Axios – Office workers drive OpenAI’s Codex growth：Agent による複数タスクの並行処理と監督の課題

11. リンク：axios.com/2026/06/02/openai-codex-knowledge-workers
12. 概要：2026 年 6 月のデータ。ナレッジワーカーによる Agent の利用状況を知るのに役立ちます

著者：APIYI 技術チーム
技術交流：Agent ワークフローや複数モデルの呼び出しに関する実践的なご質問は、APIYI の apiyi.com ホームページからお気軽にお問い合わせください