cost-model

コストモデル — コストに関する主張を裏付け可能にする

great_cto はボードにコストの数値を報告します。これらの数値は監査可能でなければなりません。誤った「7,638×」という主張が信頼を損ねたためです（docs/blog/cost-dashboard-rebuild.md を参照）。このスキルでは、その書式を定義します。

4 行のコストセクション

すべての PLAN-.md および ARCH-.md のコストセクションでは、次のテンプレートに厳密に従います。

## Cost estimate

**LLM**: $<low>–<high> (<N> calls × $<per-call avg>)
**Human equiv**: $<low>–<high> (<hours> × $<rate>/h)
**Infra delta**: $<low>–<high>/month
**Time to ship**: <hours> agent-time, <hours> wall-clock

> Methodology: <one-sentence rationale for each range>

なぜこの書式に厳密に従うのですか？

ボードの getCostHistory() パーサーは、行頭の「LLM」と「Human」のラベルを基準に解析します。行の途中にある参照は、$240 の罠が再発しないよう無視されます。テンプレートに従ってください。

各行の見積もり方法

LLM コスト

パイプライン内の各エージェントについて、次のように見積もります。

• プロンプトトークン数 = （システムプロンプトのサイズ）+（エージェントが受け取るコンテキスト）
• 補完トークン数 = （そのエージェントのタイプで一般的な出力）

Sonnet 4 の早見表（入力 $3/M、出力 $15/M）：

エージェント	一般的なプロンプト	一般的な出力	呼び出しあたりのコスト
architect	14k	1.5k	約 $0.06
pm	6k	0.6k	約 $0.03
senior-dev	8k	0.8k	約 $0.04
qa-engineer	11k	0.5k	約 $0.04
reviewer（平均）	8-12k	0.6k	約 $0.04
security-officer	12k	1k	約 $0.05
devops	9k	0.8k	約 $0.04

Haiku（$0.80/M / $4/M）の場合は約 4 で割ります。Opus 4（$15/M / $75/M）の場合は約 5 倍します。

実際に実行されるパイプラインの各段階で合計します（件数を確認するには、archetypes.ts の gatesFor() と reviewersFor() を使用します）。

Human equiv

エージェントを使わずに同じ作業を行う場合の人件費です。「シニアエンジニアを雇った場合、このタスクにはどれくらいの時間がかかり、費用はいくらか」という考え方です。

• シニアエンジニア：時給 $120-180（米国／EU の中堅市場）
• スタッフエンジニア／専門家：時給 $200-300
• ドメインエキスパート（セキュリティ、コンプライアンス）：時給 $250-400

時間は控えめに見積もります。LLM が 15 分で行う「小さな機能」でも、人間なら 2-4 時間かかることがあります（単に入力するだけではないためです）。

Infra delta

新たに発生する分だけを計上します。機能によって Redis インスタンスが追加されるなら、Redis を計上します。S3 ストレージが月 10MB 増える程度なら誤差の範囲なので、記載しません。

Time to ship

どちらも役立つため、2 つの数値を示します。

• エージェント時間：LLM 呼び出しの実時間（通常 5-30 分）
• 経過時間：人間による承認段階を含む実際の所要時間（通常は数時間から数日）

記載前の妥当性チェック

計画にこのセクションを追加する前に、次を確認してください。

ratio = human_equiv / llm_cost

ratio > 1000 の場合は、何かが間違っています。よくある誤り：

誤り	検出方法	修正方法
単位の誤り（$ と ¢）	LLM コストが $ ではなく /M トークンで終わっている	換算します：トークン数 / 1M × 単価
節約額を支出額として計上	「削減できる人件費」であり、「人件費」になっていない	省略による価値ではなく、作業を実施するコストを使います
行の途中にあるラベルの混入	計画内で「$X LLM	$Y human」が 1 行に記載されている
予測と実績の混在	LLM の予測値が total_llm に加算されている	必要に応じて予測用のセクションを分けます

コストゲート

AI アーキタイプ（mlops、ai-system、agent-product）では、アーキテクトの予測後にパイプラインが gate:cost を開きます。シニア開発者が作業を始める前に、CTO が予測される月次支出を承認する必要があります。

GATE テンプレートを使います。

## Gate:cost forecast

| Production volume | Monthly LLM cost |
|---|---|
| 1K req/day | $X |
| 10K req/day | $Y |
| 100K req/day | $Z |

Recommended monthly cap: $<cap>
Triggers above cap: <what alerts fire, who gets paged>

アンチパターン

❌ 切りのいい数字で取り繕う。 「LLM $0.50 | 人間 $7,500」は不自然に見えます。現実的な範囲を使います：「$0.50–1.20 | $225–360」。

❌ 単一の推定値。 常に範囲を示します。単一の数値では不確実性が隠れてしまいます。

❌ 方法論の行がない。 根拠を示さず数字だけを並べても、検証できません。

❌ インフラ費用を曖昧にする。 「ホスティング費用が多少かかる」では金額がわかりません。$ で金額を示すか、「infra: no change」と記載します。

例 — 良い例

## Cost estimate

**LLM**: $0.75–1.85 (3 tasks × $0.25–0.62 per Sonnet call)
**Human equiv**: $225–300 (1.5–2h × $150/h, mid-market senior)
**Infra delta**: $0/month (uses existing Express + Postgres)
**Time to ship**: ~15min agent-time, ~3h wall-clock (1 human gate)

> Methodology: tasks sized by line-count estimate; per-call cost from
> historical Sonnet 4 averages on this archetype's plans.

比率 = 300/1.85 = 162×。妥当で、根拠を示せます。