
AIモデルの「パラメーター」と「トークン」とは? 数字で理解するAI性能の秘密
このガイドを読むと分かること
パラメーターとは何か、数が大きいほどなぜ高くなるのか
トークンとは何か、長い文書を一度に入力するとなぜエラーになるのか
GPT-3.5 vs GPT-4 vs GPT-4o の料金差の本当の理由
トークンを節約しながらより良い結果を得る、実践的なプロンプトの書き方
Step 1. 「パラメーター」をビジネスパーソンの言葉で理解する
パラメータとは?
AI モデルを人の脳にたとえてみましょう。脳には約1,000億個の神経細胞(ニューロン)があり、これらがつながることで知識を蓄えます。AI モデルの**パラメータ(Parameter)**は、まさにこのニューロン間のつながりに当たります。
パラメーター1個 = AI が学習した知識の最小単位(数字ひとつ)
パラメーターが多い = より複雑なパターンを記憶でき、より精緻な回答を生成できる
パラメータが少ない = 軽くて速いが、複雑な質問には弱い
主要モデルのパラメーター数の比較
モデル | パラメーター数 | たとえ |
|---|---|---|
GPT-2 (2019) | 15億個 | 町の図書館 |
GPT-3.5 (2022) | 1,750億個 | 大学の中央図書館 |
GPT-4 (2023) | 約1.8兆個(推定) | 韓国国立中央図書館の全蔵書 |
Llama 3 8B | 80億個 | 学科資料室 |
Llama 3 70B | 700億個 | 市立図書館 |
💡 実践のヒント: 営業メールの下書きのような簡単な作業は、GPT-3.5(パラメーター1,750億)で十分です。複雑な契約書の分析や多言語翻訳のような精度が求められる作業にだけGPT-4を使えば、コストを最大20分の1に抑えられます。
実際に確かめてみよう(実習)
ステップ1: ブラウザでchat.openai.comにアクセスします。
ステップ2: 画面上部のモデル選択ドロップダウンをクリックします。「GPT-4o」「GPT-4o mini」「GPT-3.5」などが表示されます。
ステップ3: まず GPT-4o mini を選び、下記のプロンプトを入力します。
次の文を英語・日本語・ベトナム語に翻訳し、それぞれにビジネスメールのトーンへ整えたバージョンも添えてください: 「来週火曜日の午後3時に製品デモのミーティングを設定したいと考えております。ご出席の可否をお知らせいただけますと幸いです。」
ステップ4:同じプロンプトをGPT-4oで入力し直します。
Before(GPT-4o mini):翻訳はできますが、ビジネスのニュアンスがやや直訳調で、日本語の敬語レベルが安定しないことがあります。
After (GPT-4o): 各言語のビジネス慣行に合った表現を使い、日本語の場合は「お忙しいところ恐れ入りますが」のような自然なビジネス敬語が含まれます。
この違いは、まさにパラメータ数の差から生まれます。パラメータが多い = より多くの言語パターンを学習 = より自然なアウトプット。
Step 2. 「トークン」をビジネスパーソンの言葉で理解する
トークンとは?
トークンとは、AIがテキストを処理する最小単位です。人は文章を文字や単語の単位で読みますが、AIはトークンの単位で読みます。
英語の場合:
「Hello」→ 1トークン
「I don't know」→ 4トークン
英語1単語 ≈ 平均 1.3トークン
韓国語の場合:
「こんにちは」→ 2〜3トークン
「製品デモミーティング」→ 4〜5トークン
韓国語1文字 ≈ 平均 2〜3トークン(英語よりトークン消費が大きい!)
💡 実践のヒント: 同じ内容でも、韓国語は英語に比べてトークンを約1.5〜2倍多く消費します。APIを利用する環境なら、プロンプトの指示を英語で書き、「回答は韓国語でお願いします」と添えることでトークンコストを節約できます。
トークン数を自分で数えてみよう(実習)
ステップ1: ブラウザでplatform.openai.com/tokenizerにアクセスします。
ステップ2: 左側のテキスト入力欄に、以下の文章を貼り付けます。
はじめまして。ABC ソリューションの営業担当、キム・ミンスと申します。貴社の物流システムの効率化に貢献できるご提案をさしあげたく、ご連絡いたしました。
ステップ3: 右側に表示されるToken countを確認します。上の文は約55〜65トークンと測定されます。
ステップ4: 今度は同じ意味の英語の文を入力してみます。
Hello, I'm Minsu Kim, a sales representative at ABC Solutions. I'm reaching out to share a proposal that could help improve your logistics system efficiency.
結果の比較:
言語 | 文章の長さ | トークン数 |
|---|---|---|
韓国語 | 約70文字 | 約60トークン |
英語 | 約140文字 | 約30トークン |
韓国語は文字数が少ないのにトークンは 2倍 近く消費することを、自分の目で確認できます。
Step 3. トークン上限(コンテキストウィンドウ)が実務に与える影響
コンテキストウィンドウとは?
AIモデルが1回の会話で処理できる最大トークン数を**コンテキストウィンドウ(Context Window)**といいます。ここには自分が送った質問+AIの回答がすべて含まれます。
モデル | コンテキストウィンドウ | A4用紙換算(韓国語基準) |
|---|---|---|
GPT-3.5 | 16,385トークン | 約8〜10ページ |
GPT-4 | 8,192トークン | 約4〜5ページ |
GPT-4 Turbo | 128,000トークン | 約65〜80ページ |
GPT-4o | 128,000トークン | 約65〜80ページ |
Claude 3.5 Sonnet | 200,000トークン | 約 100〜120ページ |
実務で直面するトークン制限の問題
ケース1: 30ページのRFP(提案依頼書)をGPT-4(8K)に貼り付けると?
→ 文書の前半だけが読み込まれ、後半は切り捨てられます。「要約して」と頼んでも、全体の内容は反映されません。
ケース2:営業ミーティングの録音の文字起こし(2時間分、約15,000語)を分析するには?
→ 韓国語換算で約40,000〜50,000トークン。GPT-4 Turbo か Claude 3.5 を使う必要があります。
💡 実践のヒント: 長い文書を処理するときは、一度に全体を入力せず、セクションごとに分けて要約し、最後に要約をまとめるチェーン方式を使いましょう。この方法はトークン数の少ないモデルでも効果的です。
実習: トークン制限を体感してみる
ステップ1: ChatGPT で GPT-4o を選択します。
ステップ2: 下のプロンプトを入力します。
あなたの現在のコンテキストウィンドウのサイズはどのくらいか、この会話でここまでに使われたトークン数はおよそどのくらいかを教えてください。また、私があとどのくらいのトークンを使えるか推定してください。
ステップ3: AIの応答内容から、現在のモデルの限界を感覚的に理解できます。
Step 4. GPT-4 はなぜ高いのか、数字で理解する
API料金の比較(2024年基準、100万トークンあたり)
モデル | 入力コスト | 出力コスト | 相対コスト |
|---|---|---|---|
GPT-3.5 Turbo | $0.50 | $1.50 | 1倍(基準) |
GPT-4o mini | $0.15 | $0.60 | 0.3x |
GPT-4o | $2.50 | $10.00 | 5~7x |
GPT-4 Turbo | $10.00 | $30.00 | 20x |
GPT-4 (8K) | $30.00 | $60.00 | 40x |
実際の業務シナリオでのコスト計算
シナリオ: B2B の営業担当者が、1日20通のコールドメールを AI で作成するとします。
メール1通あたりのプロンプト(入力): 約300トークン
メール1通あたりの結果(出力): 約500トークン
1日20通の場合: 入力6,000トークン + 出力10,000トークン
モデル | 1日あたりのコスト | 月間コスト(22日) | 年間コスト |
|---|---|---|---|
GPT-4o mini | 約$0.007 | $0.15 | $1.8 |
GPT-4o | 約$0.12 | $2.54 | $30.5 |
GPT-4 Turbo | 約$0.36 | $7.92 | $95.0 |
💡 実践のヒント:メールの下書き作成のような繰り返し業務は、GPT-4o miniでも十分によい結果が出ます。GPT-4oは複雑な分析(競合比較、契約書レビュー、戦略立案)にだけ使えば、費用対効果を最大化できます。この方法だけでも、年間のAPI費用を90%以上削減できます。
Step 5. トークンを節約しながらより良い結果を得るプロンプトの書き方
Before/After 比較: トークンを無駄にするプロンプト vs 効率的なプロンプト
❌ Before(非効率なプロンプト — 約150トークンを消費):
こんにちは、ChatGPT! 私はB2B SaaS企業で営業を担当している者ですが、実は今日送らなければならないコールドメールがあります。相手の会社は物流会社で、当社の製品は在庫管理ソリューションです。メールを上手に書いていただけますか? 長すぎず、かといって短すぎもしない、ビジネストーンでお願いします。あ、それからCTAも入れてください!
✅ After(効率的なプロンプト — 約80トークン消費):
役割: B2B SaaS 営業メールのコピーライター
目標: コールドメールの作成
ターゲット: 物流会社の運用チーム長
製品: 在庫管理ソリューション(リアルタイム在庫追跡、発注自動化)
条件: 150語以内、ビジネストーン、CTA を含める
CTA: 15分のデモミーティングを提案
結果の比較:
項目 | Before | After |
|---|---|---|
入力トークン | ~150 | ~80 |
出力品質 | 一般的で方向性があいまい | 具体的で、すぐに使える |
修正回数 | 2〜3回の追加のやり取りが必要 | 0〜1回 |
総消費トークン | 約800(会話の累積) | ~400 |
💡 実践のヒント: プロンプトを構造化(役割/目標/条件に分ける)すると、トークンを50%節約しながら結果の品質はむしろ向上します。「いい感じに書いて」のようなあいまいな依頼より、条件を明示したほうが AI にははるかに明確な指示になります。
実習:トークン節約プロンプトのテンプレート
以下のテンプレートをコピーし、ご自身の状況に合わせて修正してお使いください。
ステップ1: ChatGPTを開き、下の構造化プロンプトを入力します。
役割: [希望する専門家の役割]
タスク: [具体的な作業内容]
入力情報: [必要な背景情報を簡潔に]
出力形式:[表、箇条書き、メール形式など]
制約条件: [文字数、トーン、含める/除く内容]
ステップ2: 結果を確認し、足りない部分だけを短い追加プロンプトで補います。
上記メールの1文目をよりインパクトのある表現に直し、PSに期間限定プロモーションの文言を追加してください。
こうすれば、全体を書き直すよりトークンを 70%以上 節約できます。
Step 6. モデル選びの意思決定ガイド
業務タイプ別のおすすめモデル
業務タイプ | おすすめモデル | 理由 |
|---|---|---|
メールのドラフト作成 | GPT-4o mini | 簡単な作業、コスト最小化 |
ミーティングノートの整理 | GPT-4o mini | 構造化された出力に十分な性能 |
顧客向け提案書の下書き | GPT-4o | 論理的な構成力と説得力が必要 |
契約書・法律文書のレビュー | GPT-4o または Claude 3.5 | 長い文書 + 正確性が必要 |
競合分析レポート | GPT-4o | 多角的な分析能力が必要 |
長い録音テキスト・議事録の分析 | Claude 3.5 Sonnet | 200Kトークンで長い文書を処理 |
多言語翻訳 | GPT-4o | ニュアンスの精度が高い |
Excelの数式・コード生成 | GPT-4o mini | コード生成は小さなモデルでも優秀 |
実習: 自分に合ったモデルを見つける
ステップ1: 過去1週間にAIへ依頼した作業を5つ書き出します。
ステップ2:各タスクを上の表と照らし合わせ、適切なモデルを割り当てます。
ステップ3: ChatGPTで下のプロンプトを使い、ご自身の利用パターンを分析します。
私は B2B の営業担当で、AI を主に次の用途で使っています:
コールドメールの作成(1日10通)
打ち合わせ後のフォローアップメール作成(1日5件)
週次営業報告書のドラフト(週1回)
顧客企業の業界分析(週2回)
提案書の初稿作成(月3回)
各作業に最もコスト効率の良い OpenAI モデルを推奨し、月間の想定トークン使用量とコストを計算してください。
💡 実践のヒント: 1つのモデルに固執しないでください。作業の難易度に応じてモデルを切り替える習慣をつけるだけで、同じ予算で2〜3倍多くの作業を AI に任せられます。
Step 7. 重要概念のまとめ — 1分復習カード
概念 | 一言で定義 | 会社員に置き換えると |
|---|---|---|
パラメーター | AIモデルが学習した知識量を表す数値 | 図書館の蔵書数 |
トークン | AI がテキストを読み書きする最小単位 | タクシーメーターの100m単位 |
コンテキストウィンドウ | 1回の会話で処理できる最大トークン数 | 机の上に同時に広げられる書類の枚数 |
入力トークン | 自分が AI に送る質問・指示のトークン数 | タクシー出発前の目的地の説明 |
出力トークン | AIが生成する回答のトークン数 | タクシーが実際に走った距離 |
まとめのチェックリスト
下の項目をすべてチェックできれば、このガイドの要点を完全に理解したことになります。
OpenAI トークナイザーで、韓国語と英語のトークン数の違いを自分で確認した
GPT-4o miniとGPT-4oに同じプロンプトを入力し、結果の違いを比較した
構造化したプロンプトテンプレート(役割/タスク/条件)を使ってメールを作成した
主要業務5つについて、適したモデルを割り当てた
トークンコストを計算し、月間の AI 利用コストの見込みを把握した
💡 最後のヒント: 今日学んだ内容を一文で覚えておきましょう — 「パラメーターはAIの頭脳の大きさ、トークンはAIの課金単位。作業に合ったモデルを選び、プロンプトを構造化すれば、コストは下がり品質は上がる。」