決定論的ワークフローが、監査対応とLLMコストの崩壊を同時に解く理由

要約

• 決定論的なパイプラインはエンタープライズ規模で月額5〜20ドル、エージェンティックな同等品は月額300ドル超——15〜60倍の差は、モデルの再呼び出し、リトライ、自己修正のループを取り除いたことから生まれます。
• トークン価格の下落は予算を救いません。エージェンティックなワークフローはタスクあたり5〜30倍のトークンを消費し、単価が98%下がったあとでも、推論はAI支出の85%を占めています。
• 決定論的とエージェンティックはスペクトラムとして扱いましょう。規制下のワークフローのおよそ80%を固定のルールとして書き、本当に判断が要る工程だけをLLMへ回すのです。
• ベンダーには、あらゆる判断を再構成できる自動かつ生涯にわたるイベント記録を求めましょう。Jinba Flowは、これをRBAC、SSO、オンプレミス展開を備えた決定論的なワークフローとして作ります。

業界は、決定論とコストを、コンプライアンスの論拠の上に積み上がる別々の利点として扱っています。決定論的なワークフローは監査人を満足させ、おまけにエージェンティックなパイプラインより安く動く、という具合に。この捉え方は逆です。監査証跡とコスト曲線は、同じアーキテクチャの2つの利点ではありません。同じ設計上の選択が生む、同じ産物です。ロジックが固定されバージョン管理されているからこそすべての判断を記録するワークフローは、構造上、モデルの再呼び出し、リトライ、自己修正のループに費用を払わないワークフローです。決定論的なアーキテクチャとエージェンティックなアーキテクチャを比べているエンジニアリングのリーダーが答えているのは、2つではなくひとつの問いです。このシステムにおける判断ロジックの単位は何か、そしてそれは事後に再構成できるのか。監査可能性についてのすべても、コストについてのすべても、その唯一の答えから導かれます。

決定論的AIとは何で、エージェンティックなシステムと何が違うのか

決定論的AIは、同じ入力に対して同じ出力を生み、一方向のパイプラインに沿った固定のルールで実行されます。照会し、取得し、順位づけし、生成する——毎回、決まった順序で。エージェンティックあるいは確率的なシステムは、計画、ツールの利用、ループを加え、各ステップで判断の空間を広げ、実行ごとに結果を予測しにくくします。それはエージェンティックな設計の欠陥ではありません。むしろ狙いそのものです。ループとツール呼び出しこそが、誰もルールを書かなかった事案をエージェントに扱わせるものです。

ただし両者は、硬直した自動化と柔軟な知性の二択ではなく、スペクトラムです。実際の本番システムは固定のパイプラインと自律的な判断の部品を組み合わせており、その蝶番になるのがルーティングの工程です。判断は些細なものかもしれず、その場合はルールベースで決定論的なまま。あるいは複雑なものかもしれず、その場合はLLMに判断が委ねられます。ループは、精緻化のためにその判断点へ処理を戻します。ここが、決定論的な制御が確率的な推論へ譲る場所です——意図的に、パイプライン上の名前のついた一点で。すべてを一度にではありません。多くの企業のAIプログラムが犯すアーキテクチャ上の間違いは、本当に判断が必要な一工程のために取っておくのではなく、「エージェンティック」をワークフロー全体の初期設定として扱うことです。

緊張関係：そもそもなぜ企業はエージェンティックAIに手を伸ばしたのか

エージェンティックなシステムは、エンジニアがすべての分岐を手で書かなくても、例外、曖昧さ、多段の推論を扱えると約束しました。これは、書類が想定のテンプレートと合わない瞬間に壊れていた従来の自動化に対する、本物の優位です。企業のAI支出はその約束を追いました。2026年版のInference Economicsレポートによれば、推論はいまやAI予算全体の85%を占め、2023年のおよそ20%から跳ね上がりました。そしてエージェンティックなワークフローは、標準的なチャットボットの照会に比べてタスクあたり5〜30倍のトークンを消費します。

社内でのClaude Codeの利用は、2025年12月から2026年3月にかけて、5,000人のエンジニア組織の32%から84%へ跳ね上がりました。月あたりのAPI費用はエンジニア1人あたり500〜2,000ドルに達し、年間のAI予算は会計年度が4か月進んだ4月までに使い切られました。UberのCTOは公の場でこう述べています。「私はまた振り出しに戻った。必要だと思っていた予算は、もう吹き飛んでいるからだ」。Uberが展開を誤ったわけではありません。1つのタスクが何回モデルを呼べるのかを何も制約しないとき、このアーキテクチャはそうなるのです。

トークンの価格のせいにしたくなる本能は、何が起きたのかを取り逃がします。トークン単価は2024年初頭から98%崩れました。それでも企業のAIの請求額は上がりました。エージェンティックなワークフローが、1トークンの価格が下がってもなお、タスクあたりに消費するトークン数を何倍にもするからです。ひとつのエージェンティックなタスクが10〜20回の別々のモデル呼び出しを引き起こし得ます。それぞれが自前のコンテキストウィンドウ、自前のリトライのロジック、そして自己修正が必要になる可能性を抱えています。Goldman Sachs Researchは、2030年までにトークン消費が24倍に増え、月間120京トークンに達すると予測しています。消費の伸びが価格の下落を上回っているのです。設計上トークン量を何倍にもするアーキテクチャの上に組まれた予算を、トークンの安さが救うことはありません。

決定論的なワークフローが監査人を満足させる理由

コンプライアンスとリスクの担当者は、繰り返し同じ重荷を背負います。システムがなぜその判断を下したのかを、検査官が受け入れる証拠を使って事後に正確に示すことです。ワークフローが監査可能であるのは、固定された一方向の流れに加えて、記録された判断の部品とバージョン管理されたルールを備え、どの単一の判断も求めに応じて追跡し再構成できるときです。決定論的な工程は、構造上これを満たします。ロジックが明示的で反復可能だからです。説明すべき確率分布はありません。適用されたルールと、その時点で有効だったルールのバージョン番号があるだけです。これは、そのワークフローを安く動かせるのと同じ性質です。固定のルールにはモデル呼び出しも、リトライも、自己修正のループも要りません。

EU AI Actは、高リスクのシステムについて、これを良い実践から法律の要求へと変えます。第12条は、リスクを特定し判断を再構成できるよう、システムの生涯にわたってイベントを自動的に記録することを求めます。監査ログは、動いているシステムに後から足す層ではなく、法的な要件です。第11条は技術文書を、第14条は人による監督を、第19条は自動生成されるログを求めます。この4つの条文を合わせると、コンプライアンスのチームは「説明可能であれ」という漠然とした命令ではなく、名前のついたチェックリストを手にします。ルールベースの判断経路を記録し、ロジックをバージョン管理する決定論的なパイプラインは、そのチェックリストへの対応を近似しているのではありません。動き方の副産物として、第12条が求めるまさにその成果物を生成しているのです。

このことは、ハイブリッドなワークフローの判断部品が些細なものから複雑なものへ移った時点——ルールではなくLLMが評価する時点——で、いっそう重要になります。そこはまた、監査証跡を作るのが難しくなる地点でもあります。「モデルはこの書類を適合と判断した」は、「ルール4.2、バージョン11が、これら3つの項目で一致した」よりも、検査官に渡すには弱い言明だからです。教訓は、判断の工程をなくすべきだということではありません。それを切り分け、最小にし、それ自体の記録で包むべきだということ、そしてルールにできるものはすべてルールにすべきだということです。SOC 2で統治されたプラットフォームでは、その記録は別の作業ではありません。実行の層が、動くことの副産物として監査記録を書きます——それこそが、事後のエクスポートではなくコンプライアンスの検査官が見たいものです。

決定論的は、実際どれだけ安いのか

指標は数字と同じくらい重要です。エージェンティックなワークフローを判断するのに、プロンプトあたりのコストは誤った単位です。トークン単価の下落が、企業のAI支出の本当の駆動要因——完了したタスクが実際に必要とするモデル呼び出しの回数——を覆い隠すからです。正しい比較は、完了したタスクあたりのコストです。APIを1回呼ぶのにいくらかかるかではなく、KYCのファイルを1件片づけ、契約書を1件レビューし、融資ファイルを1件引き受けるのに端から端までいくらかかるか、です。これはJinbaのLLMコスト最適化のアプローチが軸に据えている指標です。そしてこれは、単価だけを見て請求額が上がり続ける理由を訝しんでいるCFOとの予算の会話に、技術の意思決定者が持ち込める、もっとも有用なひとつでもあります。

この枠組みで見ると、アーキテクチャ間の差は偶然ではなく構造的です。Jinba自身の決定論的なワークフローは、開放的なモデルの推論ではなく、およそ80%のロジックを固定のルールベースの工程として表現しており、エンタープライズ規模で月額5〜20ドルで動きます。すべての工程を再評価するループするAIエージェントとして作った確率的な同等品は、月額300ドル以上かかります。この15〜60倍の差は価格の小細工ではありません。確率的なパイプラインが、ルールなら一度で到達する答えにたどり着くために必要とする、モデルの再呼び出し、コンテキストの肥大、リトライ、自己修正のサイクルを取り除いたことの直接の帰結です。

本当の総所有コストは、トークンの行にとどまりません。実行の副産物として監査に耐えるログを生む決定論的なパイプラインは、確率的なシステムが事後に出力を人にレビューさせることで先送りしている、監査準備、エスカレーション対応、誤りの是正といった下流のコストを避けられます。その間接的なコストは公表できる数字にしにくいものですが、Power AutomateやUiPathの展開に失敗した経験のある運用リーダーが、自動化の本当のコストをライセンス料ではなく、何かが起きたときにシステムが実際に何をしたのかを再構成するのに費やした時間だと語る理由は、そこにあります。

アーキテクチャの選択は、いつ確率的な推論に譲るべきか

反論は真剣に受け止めるに値します。その範囲では正しいからです。硬直したルールベースのシステムは、判断が必要で、目の前の事案に誰もルールを書いていないところで、まさに失敗します。異例の補償条項を含む契約書、3つのデータベースで名前が一致しないKYCのファイル、誰も見たことのない事実関係の請求——こうした場面では、決定論的なシステムは壊れるか、例外を静かに取り違えます。曖昧さを推し進めて考えるエージェンティックなシステムの力は、本物の優位です。アーキテクチャの選択は成果から逆算すべきです。どの実装を使うかを決める前に、そのワークフローの利用者が本当に必要としているものを見極め、動く中でもっとも単純なパイプラインから始め、実際の例外率が見えてくるにつれて決定論のスペクトラム上を動いていきましょう。

これはハイブリッドな設計を支持する議論であって、初期設定をエージェンティックにする議論ではありません。譲歩が属するのは判断のルーティングの部品です。複雑な判断はモデルへエスカレーションされ、それ以外はすべて決定論的なままにする。企業のチームが繰り返す間違いは、一部に判断が必要だからといってワークフロー全体をエージェントとして作ることです。実際に誰かが棚卸ししてみれば、多くの企業のワークフローは圧倒的にルールの形をしています。たとえば銀行間のKYCのプロセスは、30〜40の個別の部品に分解されます。Jinbaが本番で構築してきた銀行間のKYCワークフローと同じ形です。書類の受付、項目の突き合わせ、制裁のスクリーニング、しきい値のチェック。そのうち、ルールとログの一行ではなく本当に開放的な推論を必要とする部品の数は、わずかです。判断の工程にはモデルがふさわしい。残る35工程はそうではありません。それらをひとつのエージェントとして作っても能力は増えません。増えるのはトークンの量と、読むのではなく再構成しなければならない監査証跡です。

これが構築の判断に意味すること

この主張が成り立つなら——監査への備えとコストの制御が、交渉すべきトレードオフではなく同じアーキテクチャ上の判断の産物であるなら——AIワークフローのプラットフォームを評価するエンジニアリングのリーダーや運用の責任者にとって、実務上の賭け方が変わります。問うべきは「このベンダーのエージェントは監査人が受け入れそうな報告を出せるか」でも「もっと良いプロンプトでトークンの請求を下げられるか」でもありません。規制下のワークフローのうち、本当にルールの形をしている80%を決定論的なロジックとして書け、動きながら自動的に記録し、費用に見合う狭い判断の工程だけにモデルを取っておけるプラットフォームかどうか、です。

これこそ、Jinbaが埋めるために作られた具体的なギャップです。Jinba Flowは、技術系および半技術系のチームが、KYC処理から契約書レビュー、融資引受、事前承認まで、ワークフローをおよそ80%がルールベースのロジックの決定論的なパイプラインとして構築できるようにします。コンプライアンス上エアギャップ環境が求められる場合はオンプレミスで展開でき、監査ログ、ロールベースアクセス制御、SSO、Active Directoryの統合が、後付けの報告工程ではなく実行の層に組み込まれています。だからこそ、記録機能を足したモデルではなくSOC 2準拠のワークフロービルダーなのです。同じプラットフォームは、本当に必要な場面のためにエージェンティックなAIワークフローも扱えるため、決定論的かエージェンティックかの選択は、全社の賭けではなくワークフローごとの判断になります。確率的なエージェントの同等品に対する15〜60倍の実行コストの優位を生むのは、このアーキテクチャです。節約と監査証跡は、2つの別々の機能ではなく、同じ設計上の選択から生まれます。こうして作られたワークフローは、Claude Coworkのようなツールで個人のAIセッションの中に置かれるのではなく、権限とともに運用チーム全体で共有されます。これは監査の問いにとってとりわけ重要です。一人しか見られず、一人しか再実行できないワークフローは、検査官が信用するしかないワークフローだからです。

失敗したPower AutomateやUiPathの展開や、Uberのように予算の壁にぶつかって止まったエージェンティックAIのパイロットを経てきた企業は、「速くて柔軟」か「遅くてコンプライアンスに強い」かを選んでいるのではありません。選んでいるのは、ワークフローの土台となるアーキテクチャが、安く動くことの副産物として監査証跡を生むのか、それとも両方を別々に作り、両方に別々に払わなければならないのか、ということです。Jinbaのチームは、ルールなら何分の一かの費用で扱える工程にトークンを燃やしているワークフローを見極めたい規制業種のチームに向けて、無料のAI戦略アセスメントを提供しています。

よくある質問

決定論的なワークフローは、従来のRPA（ロボティック・プロセス・オートメーション）と同じものですか？いいえ。Power AutomateやUiPathのような従来のRPAツールは固定のルールを書きますが、本当に曖昧な事案をLLMの判断に委ねるルーティングの部品を、一般には持ちません。だからこそ書類のばらつきで壊れ、量や書類の複雑さが増すと置き換えられます。決定論を先に置くハイブリッドは、ルールベースの背骨を保ちつつ、ルールでは覆えない特定の場面に判断の工程を加えます。

決定論的なワークフローへ移ることは、例外への対応を諦めることを意味しますか？いいえ。ワークフロー全体を開放的な推論に通すのではなく、例外の処理を判断の部品に切り分けるということです。ハイブリッドなパイプラインのルーティング点は、複雑で曖昧な事案だけをモデルへ送ります。些細な大多数の判断は、ルールベースのまま、記録され、安く動きます。

トークン単価が下がっているのに、AIの請求額が下がって見えないのはなぜですか？タスクあたりのトークン消費が、単価の下落より速く伸びているからです。エージェンティックなワークフローは、ひとつのタスクを完了するのに10〜20回のモデル呼び出しを引き起こし得ますし、エージェンティックなトークン消費は標準的なチャットボットの照会の5〜30倍に達します。2024年初頭からの98%の単価下落では、この量の増加を打ち消せていません。さらにGoldman Sachs Researchは、2030年までにもう24倍の増加を予測しています。

コンプライアンスやリスクの担当者は、ベンダーに具体的に何を証明させるべきですか？どの判断でも再構成できる、自動かつ生涯にわたるイベント記録（EU AI Act第12条と第19条の実質）、システムのロジックの技術文書（第11条）、そして判断点における人による監督の記録（第14条）を求めましょう。記録が、依頼を受けて生成する別のエクスポートではなく実行の副産物になっているベンダーは、規制当局が実際に投げる問いに答えています。