OpenRouterでは、AIエージェントが人間ユーザーよりも多くのトークンを消費している可能性があり、モデル推論の需要がどのように生まれ、どのように支払われるかに変化が起きていることを示している。この変化が重要なのは、AIシステムがもはや直接の人間プロンプトだけに応えるのではなく、他のAIシステムのために仕事を生み出すようになっているからだ。

The DecoderがOpenRouterのアナリスト、Peter Walker氏の分析を引用して報じたところによると、2026年2月6日が、プラットフォーム上で人間のトークン消費がエージェントを上回った最後の日だった可能性がある。それ以降、エージェントによるトークン使用は14倍に増加し、人間の使用は2.8倍増えた。

この数値は、あるモデルが別のモデルを呼び出し、より長時間動作を続け、あるいは追加のAIプロセスを起動する、急速に拡大するワークロード群を示している。ただし、推論コストが同じ倍率で増えたことを意味するわけではない。測定された使用量の多くは、より安価なキャッシュ済みプロンプトから提供される繰り返しコンテキストで構成されている。

OpenRouterの数値が示すもの

中心となるデータポイントは、OpenRouter上での人間主導の利用とエージェント主導の利用におけるトークン消費の比較である。The Decoderは、Walker氏の分析に基づき、2月6日以降に総トークン消費でエージェントが人間を上回ったと報じた。ただし、その記事には元のグラフ、トークン総数の絶対値、OpenRouterがエージェントトラフィックをどう分類しているかの詳細な定義は示されていない。

それでも、報じられた成長率は大きい。エージェント利用が14倍増え、人間の利用が2.8倍増えたということは、従来型のチャットボット対話よりも、自律的または半自律的なワークフローの方がプラットフォーム上で速く拡大していることを示唆する。

この結果は、AI市場全体の完全な尺度ではなく、プラットフォームのシグナルとして読むべきだ。報道によればOpenRouterのトラフィックはオープンウェイトモデルに偏っており、The Decoderによると、それらは一般に OpenAI やAnthropicのモデルよりトークン効率が低い。したがって、それらのモデルの利用者は同等のタスクでもより多くのトークンを生成しやすく、プラットフォームの構成はクローズドモデル提供者とは異なるものになる。

トークン増加はコスト増加と同じではない

エージェントのトークン消費のほぼ70%は、キャッシュ済みプロンプトから来ていると報じられている。キャッシングにより、繰り返し使われる指示やコンテキストは、新たに処理される入力より大幅に低い料金で課金できるため、総トークン数は実際の推論コストよりはるかに速く増加しうる。

この違いは、エージェント導入を計画するプロダクトチームにとって重要だ。トークンだけで見ると高価に見えるワークフローでも、そのコンテキストの大半が効率的に再利用されるなら、請求額は十分管理可能かもしれない。逆に、キャッシングを保証とみなすチームは、プロンプトが頻繁に変わり、キャッシュヒットが減少し、エージェントが大量の新規出力を生成すると、より高いコストにさらされる可能性がある。

このデータは測定上の問題も浮き彫りにしている。トークン数はモデルコンテキストがどれだけ処理されたかは示すが、どれだけ有用な仕事が完了したかまでは必ずしも示さない。同じ指示を何度も見直したり、答えにたどり着く前に複数のモデルを呼び出したりするエージェントは、質の向上に見合わない消費を生むことがある。

なぜエージェントが需要を押し上げるのか

エージェントのワークフローは、状態を保持し、中間結果を確認し、ツールを呼び出し、計画を修正するため、単発の会話よりも多くのトークンを消費しがちだ。また、個別のモデルインスタンスにサブタスクを委任することもある。各ステップで、次のリクエストに対してコンテキスト、ツール出力、推論の痕跡、あるいは指示が追加されうる。

The Decoderは、エージェントがより長時間独立して作業し、追加のAIプロセスを起動することが増加の要因だと結び付けた。この挙動は、チャットUIから複数ステップのタスクを実行するシステムへの広い移行と整合的だが、利用可能な証拠だけでは、OpenRouterの成長をどの具体的なアプリケーションや業界が牽引しているのかは特定できない。

同記事は、この傾向を推論モデルの台頭と並べている。これらのシステムは、回答を返す前により多くの内部処理を使うことができ、ユーザーの依頼が短くてもトークン消費を増やす。The Decoderはこれを「トークンインフレ」の要因と表現したが、利用可能な証拠だけでは、OpenRouterのエージェント増加のうち、推論モデルと長時間オーケストレーションのどちらがどれだけ占めるかは分からない。

開発者と企業購入者への示唆

AI開発者にとって、当面の教訓は、モデル選定だけでは運用コストは決まらないということだ。エージェントアーキテクチャも同じくらい重要になる。チームは、キャッシュヒット率、コンテキストサイズ、ツール呼び出し頻度、リトライ挙動、完了タスクごとのモデル呼び出し回数を監視する必要がある。

信頼性も別の懸念だ。長時間動作するエージェントは、誤った前提、失敗したツール呼び出し、不要なループが積み重なる余地を増やす。1回のリクエストあたりは安価なシステムでも、明確な制限なしに動作すると高額になりうる。予算、実行タイムアウト、承認ゲート、明確な停止条件は、プロンプトの品質と同じくらい重要になる可能性が高い。

企業の購入者は、見出しのモデル価格ではなく、ワークフロー単位の指標をベンダーに求めるべきだ。役立つ質問としては、エージェントは1タスクあたり何回呼び出されるのか、トラフィックのうちどれだけがキャッシングの恩恵を受けるのか、委任されたエージェント間で利用状況をどう測定するのか、顧客が支出や実行の上限を設定できるのか、などがある。

市場への示唆も注目に値する。AIがAIへの需要をますます生み出すなら、モデル提供者は人間ユーザーだけでなく、継続的に推論を消費するソフトウェアシステムにも売っていることになる。これは大規模な利用量を支える一方で、キャッシング、オーケストレーション、レイテンシ、価格の透明性を改善するよう提供者への圧力を高めるだろう。

今後注目すべき点

最初に注目すべきシグナルは、他の主要モデルプラットフォームでも、人間利用とエージェント利用の同様の逆転が報告されるかどうかだ。OpenRouterのオープンウェイト偏重のトラフィックは有用な証拠ではあるが、市場全体の決定的なベンチマークではない。

次に、開発者はより完全なコストデータを探すべきだ。70%がキャッシュ済みプロンプトという数字は、なぜトークン増加が支出を過大評価しうるのかを説明するが、総収益、1タスクあたりの平均コスト、キャッシュされていない出力の割合は示していない。そうした指標があれば、エージェントが有料推論を実質的に拡大しているのか、それとも低コストのコンテキスト処理を増やしているだけなのかが分かる。

第三に、採用の主張はタスク完了率と継続率で検証されるべきだ。増加するトークンは、生産的な自律作業、非効率なプロンプティング、あるいはその両方を反映しているかもしれない。成功率、人間の介入、再利用の頻度に関する証拠の方が、単なる量よりも有益だ。

最後に、モデル提供者の対応が重要になる。コンテキストキャッシングの改善、小型の特化モデル、より効率的な推論により、エージェント成長のコストは下げられるかもしれない。同時に、提供者はソフトウェア対ソフトウェアの需要向けに特化した価格設定や制御を導入する可能性がある。

Creati.aiの視点

OpenRouterが報じた数値は、AI経済における重要な変化を捉えている。モデルの最速成長ユーザーが、別のモデルである可能性があるということだ。しかし、この証拠は依然としてアナリストのコメントに基づくプラットフォーム固有のシグナルであり、業界全体におけるエージェント活動を独立に検証した国勢調査ではない。

AIエージェントを導入するチームにとって、実務上の優先事項はトークンだけでなく、1ドルあたりの有用な仕事を測定することだ。エージェントの成長は推論の市場規模を広げる可能性があるが、持続可能な導入は、ループの制御、タスクの信頼性の証明、そしてキャッシングが自律実行のコストを本当に下げる場面の理解にかかっている。