ハードウェアベンダーから見る、ハイブリッドクラウド × AI時代のFinOps / Tokenomics

Japan FinOps Communityで登壇した際の資料です。
AIの活用が広がる中、FinOpsはクラウドだけでなく、オンプレミスを含むハイブリッドな環境でも重要になっています。
本セッションでは、ハードウェアベンダーの視点から、AIの経済性をどのように捉えるべきかを考えました。AIモデルの実測結果も交えながら、コスト・性能・品質を横断した評価や、組織ごとの価値基準に基づく意思決定、継続的な改善のあり方を紹介しています。
FinOps / Tokenomicsを通じて、テクノロジーへの投資をどうビジネス価値につなげていくか。そのヒントになれば幸いです。
※本資料の内容は登壇者個人の見解を含みます。

Transcript

1. ハードウェアベンダーから見る、 ハイブリッドクラウド × AI 時代の FinOps / Tokenomics 安江 啓人（Keito Yasue ） 2026.10. 23 Japan FinOps Community Gathering#2 1
2. 安江 啓人｜Keito Yasue LinkedIn アカウントはこちら！ Please follow me! 日本ヒューレット・パッカード合同会社 テクノロジーアーキテクト 最近は AI × Hybrid Cloud × FinOps / Tokenomics をテーマに技術検証やアーキテクチャ設計 に取り組んでいます 本日は ハードウェアベンダーから見たFinOps についてお話しします！ 2
3. なぜハードウェアベンダーがFinOps の話をするの？ FinOps ってクラウドの話では？ ハードウェアベンダーとFinOps って関係ある？ HPE は、FinOps Foundation / Tokenomics Foundation に参画し、テクノロジーの価値最大化に取り組んでいます AI の経済性って、Token 単価だけで 判断できる？ General Member Premier Member テクノロジーの価値最大化は、クラウドだけの話ではない 3
4. FinOps Beyond Cloud ：クラウドからテクノロジー支出全体へ パブリッククラウドを起点に発展したFinOps は、SaaS / Data Center / AI などのテクノロジー支出へ対象を拡げている FinOps はパブリッククラウドを超えて広がる方向へ進み始めた パブリッククラウドに加え、SaaS 、ライセンス、データセンター、プライベートクラウドなどのテクノロジー支出も 統合的に捉え、より広い支出範囲で価値に基づく意思決定を行う方向性が示された The Scope of FinOps Extends Beyond Public Cloud 2024 年11月 FinOps Scope 拡張の方向性を提示 パブリッククラウドを超えて、幅広いテクノロジー支出を統合する必要性 を明確化 Technology Categories ⌗ 年3 月 2026 Technology Categories として整理 対象領域を体系化し、FinOps の実践範囲として実践範囲を拡張 として整理された対象領域 Public Cloud SaaS Data Center Data Cloud Platforms AI クラウド利用の可視化・ 配賦・最適化により、効率性 とデリバリースピードを 支える 援分散しがちなSaaS 支出 を可視化し、説明責任と データに基づく意思決定を 支える オンプレミス基盤の投資・ 利用量・キャパシティを 可視化し、計画と最適化を 支える データ基盤・分析基盤の 消費を可視化し、利用量と 価値に基づく最適化を 支える AI ワークロードのコスト複雑 性に対応し、投資・利用量・ ガバナンスを結びつける 意思決定を支える FinOps Framework 2026 : Executive Strategy, Technology Categories, and Converging Disciplines 4
5. AI への支出が拡大し、エージェント化がToken 消費を加速させる AI 投資の拡大に加え、エージェント化によって推論リソースの需要増加が見込まれる 2026 年の世界AI 支出：2.67 兆ドル、前年比49.5% 増 AI支出の急拡大に伴い、インフラ・ソフトウェア・サービスなど 複数レイヤーのコスト管理が課題となる 約4 年でToken 利用量は 24 倍 Gartner Forecasts Worldwide AI Spending to Grow 49.5% in 2026 AI Agents Forecast to Boost Tech Cash Flow as Usage Soars ✓ AI の利用拡大に伴い、コストと利用実態を把握する重要性が高まる 5
6. AI をどこで、どう利用するかという選択が重要になる SaaS 、パブリッククラウド、オンプレミスには、それぞれ異なる経済性と制約がある AI SaaS / Model API パブリッククラウド オンプレミス / プライベートクラウド すぐに使えて、常に最新のモデルを利用できる 柔軟にリソースを調達し、スケールできる インフラを自社で管理し、コストと制御性を高める ChatGPT / OpenAI API AWS 自社GPU サーバー Microsoft Azure Private Cloud Google Cloud AI Factory Claude / Anthropic API Gemini / Gemini API GitHub Copilot 導入が容易で、すぐに利用を開始できる 必要なときにリソースを柔軟に調達できる リソースを専有し、安定した性能を確保できる 従量課金で初期投資が不要 需要に応じて迅速にスケールできる 長期的にはコストの予測可能性が高い 利用量の増加に応じて費用が拡大する 利用量・構成に応じた費用が発生する データの管理やセキュリティを自社で制御できる データの取り扱いやカスタマイズに制約がある 長期利用ではコストが増大する場合がある 初期投資や運用負担が必要になる 選択を左右する主な判断軸 組織の目的や制約に応じて、 重視する軸・濃淡は異なる コスト 性能 セキュリティ 運用 スケーラビリティ 組織の制約 初期投資・ ランニングコスト レイテンシ・ スループット データの管理・ コンプライアンス 導入・運用の 負荷 需要への柔軟な 対応 予算・人材・ ガバナンス ✓ 最適な実行環境は、ワークロードと組織の制約によって変わる 6
7. AI モデルの評価には、複数の判断軸が必要になる タスク・モデルごとにトークン消費量（コスト）、応答時間、成功率に差があり、総合的な評価が必要になる 単純なタスクでは、ローカルLLM も高効率 成 功 1 件 あ た り の 消 費 ト ー ク ン 数 • 全てのモデルが高い成功率を示す • 同じ成功率でも消費トークン数は最大約2.3 倍の差がある 複雑なタスクでは、成功率と消費量の差が拡大 成 功 1 件 あ た り の 消 費 ト ー ク ン 数 • 同じ成功率でもモデル間で消費トークン数に大きな差がある • 成功率が低いモデルでは、失敗試行分も含めたトークン消費量が 大きくなる ✓ AI モデルの評価には、消費リソース・性能・成功率など複数の指標が必要になる 7
8. 観測基盤から、品質・コスト・性能を含む最適化判断へつなげる 観測データを統合し、AI 投資の価値を最大化するための判断と継続的な改善につなげる 8
9. 観測基盤だけでは、最適化は回らない 組織ごとの価値基準・制約条件に応じて、判断と改善を継続できる運用を設計する 共通の比較軸をそろえ、 説明できる状態にする • • • • 業務文脈 / 利用量・コスト / 性能 / 品質の 可視化 KPI / 観測項目 / データソースの定義 Showback / Allocation の設計 レポート / ダッシュボードの整備 意思決定ルールを定義し、 運用として回せる状態にする 判断条件を明文化し、最適化 の判断ができる状態にする • • • • • 誰が・何に・どれだけ使っているか、 共通の物差しで比較できる状態にする 誰が・いつ・どう改善するか決まっていない 何をもって最適か決まっていない 何を比較すべきか決まっていない KPI / SLO / 品質基準の定義 閾値（コスト / 性能 /品質）の設定 モデルルーティング / キャッシュ / プロン プト改善などの最適化方針設計 部門・ユースケースごとの優先順位・例外 条件の整理 改善効果の評価方法と意思決定プロセス の設計 最適化判断の再現性を高められる 状態をつくる Today ：Human in the Loop • ルールに基づき、人が分析・判断・改善を実行 • 例外対応や承認を含め、信頼性を確保しながら運用 • • • • • 意思決定・承認フローの定義 定期レビュー / 改善サイクルの設計 ガードレール（上限 / 下限 / 承認条件 / 例外条件）の整備 レポーティング / アラート / エスカレーションルールの整備 自動化に向けたポリシー管理と変更 管理の整備 改善を一度きりで終わらせず、運用と して継続的に回せる状態をつくる Future ：Agentic Optimization • 定義済みポリシーとガードレールの範囲で自律的に最適化を実行 • モデル選択 / ルーティング / キャッシュ などを自動調整 ✓ AI に判断を任せられる状態を作るために、観測基盤だけではなく、運用の標準化・高度化が必要になる 9
10. Agent の振る舞いを組織の基準に合わせて設計する Context ・Guardrail ・Loop を設計し、実行を観測・検証しながら期待する状態へ導く 設計上の問い Context Guardrail Loop 業務目的、予算、SLO 、モデル利用状況 など、判断に必要な情報を渡す コスト上限、品質下限、利用可能なモデ ル、承認条件など、判断の制約を定める 実行結果、成功率、消費リソースを評価し、 次の実行に反映する 環境として実装する Skills Templates 専門的なタスクのやり方をスキルとして提供する 成果物のフォーマットやひな形を提供する Tools 外部ツール・API ・システムを利用できるようにする References Agent / Model モデルの推論とツール実行を 組み合わせ、タスクを遂行する ドキュメント・仕様・ナレッジなど参照すべき情報を提供する Permissions アクセス権限・実行可能な操作の範囲を定義する Validation 成果物を検証し、品質基準を満たしているか確認する Observability Eval / Success criteria State / Feedback 実行のログ・メトリクスを収集し、挙動を観測する 成果を評価し、成功基準を定義する 結果を記録し、次の実行に活かすループを回す ✓ FinOps / Tokenomics は、AI の配置・モデル選定からAgent の運用・改善まで、 ビジネス価値を最大化するための意思決定を支える羅針盤になっていく 10
11. CAREERS AT HPE ｜ 採用情報 WHAT WE DO We are hiring ハイブリッドクラウドと AI で、 社会のインフラを次のステージへ Hybrid Global AI-Native 柔軟な働き方 グローバル案件 最先端技術に挑戦 ご興味ある方、 ぜひご連絡ください！ AI / ML エンジニア 生成 AI・エージェント基盤の設計から 実装まで、GPU クラスタ上で推進 クラウドアーキテクト ハイブリッドクラウドの全体設計を担い、 顧客の DX を技術でリード ソリューションエンジニア HPC・ネットワーク案件の提案から 構築・検証までを最前線で支援
12. Thank You © 2026 Hewlett Packard Enterprise Development LP