OpenClawの運用コスト、把握できていますか？
前回のEp.7では、ブラウザ自動化による業務効率化を解説しました。自動化の範囲が広がるにつれ、次に直面するのが「API利用料金の増加」という現実的な課題です。
OpenClawは大規模言語モデル（LLM）のAPIを中心に動作するため、エージェントの稼働時間やタスク量に比例してコストが発生します。SES現場で本格的に運用を始めると、月額のAPI費用が予想以上に膨らむケースは珍しくありません。
しかし、適切なモデル選定とコスト最適化の戦略を導入すれば、品質を維持しながらAPI料金を50%以上削減することが可能です。本記事では、OpenClawにおけるコスト構造の理解から、具体的な最適化テクニックまでを体系的に解説します。
1. OpenClawのコスト構造を理解する
1.1 コストが発生する3つのポイント
OpenClawの運用コストは、主に以下の3つの要素で構成されます。
① LLM API呼び出し料金 エージェントの思考・判断のたびにLLM APIが呼び出されます。これが全体コストの**70〜90%**を占める最大の要因です。モデルによって入力トークン・出力トークンの単価が大きく異なります。
② ツール実行コスト Web検索API、画像生成API、外部SaaSのAPI呼び出しなど、スキルが利用する外部サービスの料金です。全体の**5〜20%**程度を占めます。
③ インフラコスト OpenClawを稼働させるサーバー・ネットワーク費用です。ローカル環境で動かす場合は電気代程度ですが、クラウドにデプロイする場合はVPS費用が発生します。
1.2 トークン消費の内訳を把握する
コスト最適化の第一歩は、どこでトークンが消費されているかを可視化することです。OpenClawでは、セッションログからトークン使用量を確認できます。
# セッション別のトークン使用量を確認
openclaw sessions list --format json | jq '.[] | {id: .id, tokens: .totalTokens, cost: .estimatedCost}'典型的なSES現場での月間コスト内訳は以下のようになります。
| 用途 | トークン消費割合 | 月額目安（GPT-4o相当） |
|---|---|---|
| システムプロンプト・コンテキスト読み込み | 30% | ¥3,000〜5,000 |
| タスク実行（思考・ツール呼び出し） | 45% | ¥4,500〜7,500 |
| 出力生成（レポート・コード・文章） | 20% | ¥2,000〜3,000 |
| リトライ・エラー処理 | 5% | ¥500〜1,000 |
2. モデル選定戦略：タスクに応じた最適なモデルの使い分け
2.1 モデルのティア分類
OpenClawでは、openclaw.jsonの設定でデフォルトモデルを指定しつつ、タスクやエージェントごとに異なるモデルを割り当てることができます。コスト最適化の鍵は、タスクの複雑さに応じたモデルのティア分類です。
Tier 1: ハイエンドモデル（高精度・高コスト）
- Claude Opus、GPT-4o、Gemini Ultra
- 用途：複雑な判断、コードレビュー、戦略的分析
- コスト目安：入力 $15/1M tokens、出力 $75/1M tokens
Tier 2: ミッドレンジモデル（バランス型）
- Claude Sonnet、GPT-4o-mini、Gemini Pro
- 用途：一般的な文章生成、データ整理、定型タスク
- コスト目安：入力 $3/1M tokens、出力 $15/1M tokens
Tier 3: ライトモデル（高速・低コスト）
- Claude Haiku、GPT-3.5、Gemini Flash
- 用途：分類、要約、フォーマット変換、簡単なQ&A
- コスト目安：入力 $0.25/1M tokens、出力 $1.25/1M tokens
2.2 タスク別モデル割り当ての実践例
SES現場でよくあるタスクを、最適なモデルティアにマッピングした例を紹介します。
{
"agents": {
"code-reviewer": {
"model": "anthropic/claude-opus-4",
"description": "コードレビューは精度が最重要"
},
"report-writer": {
"model": "anthropic/claude-sonnet-4",
"description": "日次レポートはミッドレンジで十分"
},
"data-formatter": {
"model": "anthropic/claude-haiku",
"description": "CSV変換やフォーマット処理は軽量モデルで"
}
}
}この使い分けにより、全タスクをOpusで実行した場合と比べて月額40〜60%のコスト削減が見込めます。
2.3 thinking（推論）レベルの調整
OpenClawでは、モデルの推論（thinking）レベルをlow・medium・highで制御できます。複雑な問題解決にはhighが有効ですが、定型タスクではlowに設定することでトークン消費を大幅に抑えられます。
# 推論レベルをタスクに応じて切り替え
openclaw config set reasoning low # 定型タスク向け
openclaw config set reasoning high # 複雑な分析タスク向け3. トークン消費を削減する実践テクニック
3.1 コンテキストウィンドウの最適化
OpenClawのエージェントは、セッション開始時にSOUL.md、USER.md、MEMORY.mdなどのワークスペースファイルを読み込みます。これらのファイルが肥大化すると、毎回のAPI呼び出しで大量の入力トークンを消費します。
最適化のポイント：
MEMORY.mdは定期的に整理し、500行以内に保つ- 古い日次メモリ（
memory/YYYY-MM-DD.md）は30日経過後にアーカイブ - スキルの
SKILL.mdは必要最小限の情報に絞る - ワークスペースファイルに画像パスやバイナリデータを含めない
# MEMORY.mdの行数を定期チェック
wc -l workspace/MEMORY.md
# 500行を超えたら整理を検討3.2 スキルの遅延読み込みを活用する
OpenClawのスキルシステムは、必要なときだけSKILL.mdを読み込む設計になっています（Ep.2 スキル開発ガイド参照）。すべてのスキルをシステムプロンプトに含めるのではなく、<available_skills>のdescriptionで判断してから読み込む仕組みを活用しましょう。
スキルのdescriptionを簡潔かつ正確に書くことで、不要なスキルの読み込みを防ぎ、トークンを節約できます。
3.3 出力フォーマットの指定で無駄を削る
LLMは指示がないと冗長な出力を生成しがちです。出力フォーマットを明確に指定することで、出力トークンを削減できます。
# ❌ 悪い例：フォーマット指定なし
「このデータを分析してください」
# ✅ 良い例：出力フォーマットを指定
「このデータを以下のJSON形式で分析結果を出力してください。
余計な説明文は不要です。」3.4 サブエージェントの効率的な活用
Ep.5 マルチエージェント設計で解説したサブエージェントは、軽量モデルで並列実行することでコストを抑えられます。メインエージェントはOpusでオーケストレーションし、個別タスクはHaikuのサブエージェントに委任するパターンが効果的です。
// メインエージェント（Opus）がサブエージェント（Haiku）に委任
// 10件のデータ処理を並列実行 → 直列Opusの1/10以下のコスト4. 予算管理と監視の仕組み
4.1 月間予算の設定と通知
OpenClawの運用では、予想外のコスト増加を防ぐための予算管理の仕組みが重要です。以下のようなアプローチで予算をコントロールできます。
① 日次コストレポートの自動生成
Ep.6 cronジョブの機能を使って、日次のAPI使用量レポートを自動生成します。
# cronジョブで日次コストレポートを生成
cron:
- name: daily-cost-report
schedule: "0 9 * * *"
task: "昨日のAPI使用量とコストを集計し、Slackに報告してください"② しきい値アラート
日次コストが設定した閾値を超えた場合にアラートを送信する仕組みを組み込みます。
# 日次コストが$10を超えたらアラート
if [ "$daily_cost" -gt 10 ]; then
openclaw notify "⚠️ 日次API費用が$10を超過しました: $${daily_cost}"
fi4.2 コスト配分の可視化
複数のエージェントを運用する場合、エージェントごとのコスト配分を可視化することで、最適化の優先順位を判断できます。
| エージェント | 主な用途 | 月額コスト | 最適化余地 |
|---|---|---|---|
| メインエージェント | 対話・判断 | ¥8,000 | 中 |
| コンテンツ生成 | 記事執筆・SNS | ¥5,000 | 高（モデル変更可） |
| データ処理 | CSV整理・集計 | ¥2,000 | 高（Haiku移行可） |
| 監視・通知 | ヘルスチェック | ¥1,000 | 低 |
5. SES現場でのコスト最適化ケーススタディ
5.1 ケース1：月額¥30,000→¥12,000への削減
あるSES現場では、OpenClawを以下の業務に活用していました。
- 日次の勤怠レポート自動生成
- Slackでのチーム質問応答
- GitHub PRのコードレビュー
- 週次ステータスレポート作成
問題： すべてのタスクをClaude Opusで実行しており、月額¥30,000のAPI費用が発生。
解決策：
- 勤怠レポートとステータスレポートをSonnetに変更（▲¥8,000）
- Slack質問応答をHaikuに変更（▲¥5,000）
- コードレビューのみOpusを維持
MEMORY.mdを整理して入力トークンを30%削減（▲¥5,000）
結果： 月額¥12,000に削減（60%削減）、品質への影響はなし。
5.2 ケース2：マルチエージェント構成の最適化
マルチエージェント設計を導入済みの環境で、エージェント間の通信オーバーヘッドがコスト増の原因になっていたケースです。
解決策：
- サブエージェントの起動頻度を最適化（バッチ処理化）
- エージェント間の共有コンテキストを最小化
- 軽量タスクはサブエージェントを使わずメインエージェントで直接処理
6. コスト最適化チェックリスト
OpenClawのコスト最適化に取り組む際の実践チェックリストです。
すぐに実行できる施策
- 各エージェントのモデルをタスク複雑度に応じて見直す
-
MEMORY.mdのサイズを確認し、500行以内に整理する - 不要なスキルの読み込みが発生していないか確認する
- 出力フォーマットの指定を徹底する
中期的に取り組む施策
- 日次コストレポートの自動生成を設定する
- エージェントごとのコスト配分を可視化する
- cronジョブで定期的なコスト監視を導入する
- モデル変更の影響を品質メトリクスで評価する
長期的な最適化
- 新しいモデルリリース時にベンチマークを実施する
- タスク分類とモデル割り当てのルールを定期的に見直す
- セキュリティハードニングと合わせてガバナンスを整備する
まとめ
OpenClawのコスト最適化は、モデル選定、トークン消費の削減、予算管理の仕組み化の3つの柱で構成されます。
最も効果が高いのは「タスクの複雑さに応じたモデルの使い分け」です。すべてをハイエンドモデルで実行する必要はなく、適切なティア分類により品質を維持しながら大幅なコスト削減が可能です。
SES現場では特に、定期タスクのcron化やマルチエージェント設計と組み合わせることで、効率的な運用体制を構築できます。
次回のエピソードでは、OpenClawのモニタリングとオブザーバビリティについて解説予定です。お楽しみに。
参考リンク
本記事はOpenClaw 完全攻略シリーズの第8回です。シリーズ全体の目次はこちらからご確認いただけます。
