2026年最新版：生成AI時代のSTaaS費用管理と効率化に向けた徹底ガイド

2026年4月19日

はじめに：ストレージ経済の地殻変動と2026年の展望

2026年、企業におけるITインフラの在り方は、生成AI（人工知能）の産業規模での社会実装により、劇的な転換点を迎えています。かつてクラウドストレージは「データを置いておく場所」に過ぎませんでしたが、現在では「AIの知能を駆動させる燃料（データ）の供給基地」へとその役割を変えました。これに伴い、ストレージ・アズ・ア・サービス（STaaS）の費用構造も、従来の単純な容量課金から、AIの処理能力や成果に直結した極めて複雑なモデルへと進化しています。

世界的なSaaS（Software as a Service）収益は、2030年までに9,080億ドルに達すると予測されており、年平均成長率（CAGR）は18.7%という高い水準を維持しています ¹。特に2026年から2027年にかけて、SaaSセグメントの収益は3,440億ドル規模に達する見込みです ¹。この巨大な市場の中で、データの保存と管理を担うSTaaSは、企業のIT予算において無視できない割合を占めるようになりました。実際、クラウドストレージの費用は、企業のクラウド総支出の10%から20%を占めるようになり、データ集約型のAIアプリケーションを運用する組織ではこの比率がさらに高まる傾向にあります ²。

生成AI時代の到来は、単にデータ量が増えることだけを意味しません。データの「質」、取り出す「速度」、そして「計算リソースとの距離」が、かつてないほど費用対効果に直結するようになっています。本報告書では、2026年における最新のSTaaS費用トレンドを整理し、生成AI時代に注意すべき隠れたコストや、実戦的な効率化・節約方法について、海外の最新文献や実例を交えて解説します。非専門家の方々にも、この複雑なストレージ経済の仕組みをご理解いただけるよう、一般的な概念の解説を織り交ぜながら進めてまいります。

あわせて読みたい

【2025年最新版】STaaS（Storage as a Service）完全網羅レポート：DX時代を勝ち抜くデータインフラ戦略… 1. エグゼクティブサマリー：データ主導型社会におけるインフラの再定義 2025年現在、企業のデジタル環境は劇的な変貌を遂げている。生成AI（Generative AI）の実用化、…

あわせて読みたい

STaaSのセキュリティ決定版ガイド：歴史的背景から生成AI時代の最新対策まで徹底解説現代のデジタル変革（DX）において、データは組織の最も価値ある資産であり、その保存と管理を支えるストレージ・アズ・ア・サービス（STaaS）は不可欠なインフラとなっ…

第1章：2026年に主流となるSTaaS価格モデルの全貌

IT業界全体が「座席数ベース（Per-user）」の課金から脱却しつつあります。その最大の理由は、生成AIが人間の労働を代替し始めたことにあります。AIが10人分の仕事を1人で行えるようになれば、座席数に応じた課金モデルでは、ソフトウェアベンダーの収益が減少してしまうからです ³。

1.1 転換期を迎える主要な課金モデル

2026年現在、STaaSおよびSaaSの価格設定は、以下の6つのモデルが入り混じったハイブリッドな状態にあります。

価格モデル	適した用途	メリット	デメリット
従量課金（Usage-Based）	API、インフラ、通信	利用量とコストが一致し、導入障壁が低い	毎月の支払額が予測しにくく、予算管理が困難 ⁶
成果報酬型（Outcome-Based）	AIエージェント、サポート業務	ツールが生み出した「結果」に対して支払う	成果の定義が難しく、実装に深いデータが必要 ³
階層型（Tiered）	多様な規模の企業向け	成長に合わせてプランを変更できる	4階層を超えると選択が複雑になり離脱を招く ⁴
クレジットベース（Credits-based）	複合的なリソース消費	異なるサービスを柔軟に消費できる	余ったクレジットの管理や失効のリスク ³
価値ベース（Value-Based）	特定の成果を生むB2B製品	顧客が得る価値（ROI）に連動する	顧客ごとの支払い意思調査が必要で設定が困難 ⁶
フラットレート（Flat-Rate）	単純な単機能ツール	非常にシンプルで予算が固定される	大規模ユーザーにとっては割安になりすぎる ⁴

2026年の傾向として、純粋な「座席数課金」は衰退し、企業向け契約の約40%に「成果報酬型」の要素が組み込まれると予測されています ³。例えば、AIカスタマーサービスエージェントを提供するIntercomの「Fin AI」は、1解決あたり0.99ドルを課金するモデルを採用しており、これが爆発的な収益成長を支えています ³。

1.2 ハイブリッドモデルの台頭と「座席」の再定義

現在、61%のSaaS企業が複数の課金モデルを組み合わせたハイブリッド型を採用しています ⁶。STaaSにおいても、ベースとなる一定のストレージ容量は定額（フラットレートや階層型）で提供しつつ、AIのトレーニングや推論による一時的な大量読み出し・書き込み、データ転送については従量課金やクレジットを適用する形態が一般的です。

この変化は、利用者側にとって「契約しているだけで発生する固定費」と「実際に価値を生み出した時に発生する変動費」を明確に区別することを求めています。AIによって業務が効率化され、従業員の数が減ったとしても、データ活用による付加価値が増大すれば、トータルのITコストは増加する可能性があるのです ³。

あわせて読みたい

SaaSは死んだのか？「SaaS is dead」論争の真相と生成AIが切り拓くソフトウェアの未来現代のビジネス界において、もっとも衝撃的なスローガンの一つとして浮上しているのが「SaaS is dead（SaaSは死んだ）」という言葉です。かつて「ソフトウェアが世界を…

第2章：生成AIがストレージ費用に与える「インフラの衝撃」

生成AIの運用には、従来のWebアプリケーションとは比較にならないほど高度なインフラが必要です。これがSTaaSの費用を押し上げる主要な要因となっています。

2.1 GPU/TPU投資とストレージの物理的近接性

AIのトレーニング（学習）や推論（回答生成）には、NVIDIAのH100や最新のBlackwellアーキテクチャ（B200, B300）といった高性能なGPUが不可欠です ⁸。これらのGPUは、大量のデータを並列で処理するため、ストレージには極めて高い「スループット（単位時間あたりのデータ転送量）」と「低遅延（レイテンシ）」が求められます。

NVIDIA B200: 2,080億個のトランジスタを搭載し、192GBの超高速メモリ（HBM3e）を備えています。これにより、1つひとつの処理効率は上がっていますが、インフラ全体のコスト構造は大きく変化しています ⁸。
物理的近接性の重要性: データの保管場所（ストレージ）と計算場所（GPU）が物理的に離れていると、転送による遅延が発生するだけでなく、クラウドベンダーから多額の「データ転送手数料」を請求されます。これを避けるため、多くの企業がGPUインスタンスと同じリージョンにデータを集約させており、それが特定のクラウドベンダーへの依存（ベンダーロックイン）を強める結果となっています ⁹。

2.2 「トークン経済学」という新しい指標

2026年、AIの成功を測る指標は、従来のサーバー稼働率（アップタイム）から「1ドルあたりの1秒間トークン生成数（Tokens Per Second per Dollar, TPS/$）」へと進化しました ⁸。トークンとは、AIが言葉を処理する際の最小単位です。

企業は現在、単にストレージに何ギガバイト保存したかではなく、そのデータを使ってAIがどれだけ安く回答を生成できたかを重視しています。最新の分析では、自社でインフラを所有する（オンプレミス）方が、クラウドのAPIを利用するよりも、100万トークンあたりのコストを最大18倍も削減できるという驚くべき結果も出ています ⁸。

2.3 生成AI固有の「隠れた」コスト源

生成AIプロジェクトを推進する際、多くの企業が見落としがちなコストが3つあります。

データクレンジングと準備: AIが正しく学習・検索できるようにデータを「掃除」する作業です。1TBの未構造化データを手作業でクリーンにするには18時間かかりますが、AIを使えば55分で完了します。しかし、この自動化プロセス自体にもストレージと計算コストがかかります ⁹。
チェックポイントとモデルスプロール: AIのトレーニング中、進行状況を保存する「チェックポイント」ファイルが頻繁に作成されます。1つのファイルが12GBに達することもあり、これらを放置すると、月数百ドルの無駄なストレージ料金を払い続けることになります ⁹。
シャドーAIとガバナンス: 従業員が勝手に契約外のAIツールを使って機密データをアップロードしてしまうリスクです。これに伴うデータ流出の対策やコンプライアンス監査の費用は、初期の予算計画には含まれていないことがほとんどです ¹⁰。

第3章：主要クラウドプロバイダーのSTaaS費用比較（2026年最新）

データをどこに置くかは、企業の最終的な収益を大きく左右します。世界を代表する「メガクラウド」3社と、それらに対抗する「特化型プロバイダー」の料金構造を詳細に見ていきましょう。

3.1 ストレージ基本単価とエグレス料金の比較

以下の表は、2026年初頭の米国リージョンにおける標準的な料金設定に基づいた比較です。

プロバイダー	ストレージ単価 ($/GB/月)	エグレス料金（データ送出） ($/GB)	APIリクエスト (1,000回あたり)
AWS S3 Standard	$0.023	$0.09	$0.005 (PUT) / $0.0004 (GET)
Azure Blob Hot	$0.0184	$0.087	$0.0065 (PUT) / $0.0004 (GET)
Google Cloud (GCS) Standard	$0.020	$0.12	$0.005 (PUT) / $0.0004 (GET)
Wasabi	$0.0059	$0.00 (無料)	込み (無料)
Cloudflare R2	$0.015	$0.00 (無料)	$0.0045 (PUT) / $0.00036 (GET)
Backblaze B2	$0.006	$0.01	$0.004 (PUT) / 無料 (GET)

この表から読み取れる最も重要な洞察は、ストレージの保管単価そのものよりも、付随する「手数料」の差です。

3.2 プロバイダーごとの「価格の罠」

海外のエンジニアリングブログや専門誌では、特定のプロバイダーに潜むコストの落とし穴について警鐘を鳴らしています ¹²。

Google Cloud (GCS) のエグレス・トラップ: Google Cloudのデータ送出（エグレス）料金は$0.12/GBと、AWSより33%、Azureより38%も高く設定されています。大規模なAIトレーニングデータを外部に持ち出したり、別のクラウドで処理したりする場合、このコストが全体の予算を圧迫します ¹²。
AWS S3 のリクエスト課金: 個別のリクエスト費用は小さく見えますが、ログ収集や分析エンジンなど、1秒間に数万件の小さな書き込みが発生するワークロードでは、リクエスト費用だけで月額500ドルを超えることがよくあります ¹²。
Azure の階層化操作のペナルティ: AzureのCoolティア（安価な保管層）は保管料こそ安いですが、そこからデータを取り出す際の操作料金はHotティアの25倍です。アクセスの多いデータを誤ってCoolティアに置いてしまうと、節約どころか数倍の請求が来ることになります ¹²。

3.3 ユースケース別：100TB運用時のコストシミュレーション

AIプラットフォームやメディア企業など、100TBのデータを保持し、毎月30TBのデータを外部へ送信、5,000万回の取得リクエストが発生する「ヘビーアクセス」な環境での年間コストを見てみましょう ¹²。

Wasabi: 年間約7,080ドル
Cloudflare R2: 年間約18,488ドル
Azure Blob Hot: 年間約54,030ドル
AWS S3 Standard: 年間約59,460ドル
GCS Standard: 年間約67,740ドル

驚くべきことに、同じ100TBの運用であっても、選ぶプロバイダーによって年間で約6万ドル（約900万円）もの差が生じます。AIプロジェクトにおいて「データの保管場所」を戦略的に決めることが、いかに効率化に寄与するかがわかります。

第4章：ベクトルデータベース特有のコスト管理

生成AIの活用方法として現在最も一般的な「RAG（Retrieval-Augmented Generation / 検索拡張生成）」において、中心的な役割を果たすのがベクトルデータベースです。しかし、このデータベースの費用管理は、従来のファイル保存とは全く異なるアプローチが必要です。

4.1 データ増大がクエリ（検索）コストを増幅させる

ベクトルデータベースの最大の特徴は、意味の近さを計算するために複雑な数学的処理を行う点にあります。この性質上、保存されているデータの総量が増えるほど、検索1回あたりの計算量とコストが増大するという「非線形な」特性を持っています ¹³。

データセットサイズ	1検索あたりの計算単位 (RU)	推定コスト (100万回検索時)
10 GB	10 RU	$0.16
100 GB	100 RU	$1.60
1 TB	1,000 RU	$16.00

データ量が10倍になれば、検索にかかる費用も10倍になる可能性があります。ユーザーに提供する価値が同じ「1回の検索回答」であっても、裏側での維持コストは雪だるま式に増えていくのです ¹³。

4.2 量子化（Quantization）によるコストの圧縮

この課題を解決するための高度な技術が「量子化」です。これは、非常に精密な数値で表されているベクトルのデータを、少しだけ精度を落として（例えば、写真を少し画質を下げたJPEGにするように）保存する手法です ¹⁴。

スカラー量子化 (Scalar Quantization): 32ビットの浮動小数点数を8ビットの整数に変換します。これにより、精度を1%程度犠牲にするだけで、ストレージ容量とメモリ使用量を4分の1に削減できます ¹⁴。
バイナリ量子化 (Binary Quantization): 究極の圧縮で、データを1か0の1ビットで表現します。容量は32分の1まで圧縮され、1,000万件のデータも数GBのメモリに収めることが可能になります ¹⁴。

2026年のAIエンジニアにとって、これらの圧縮技術を使いこなし、いかにインフラコストを抑制するかは必須のスキルとなっています。

第5章：オンプレミス vs クラウド：2026年の損益分岐点

AIバブルの初期（2023年〜2024年）は、とにかく早く始めるためにクラウドが選ばれました。しかし、2026年の成熟した市場では、コストの観点から「自社所有インフラ（オンプレミス）」へ回帰する動きが加速しています。

5.1 クラウドは「借りる」から「所有する」へ

Lenovoが発表したホワイトペーパーによると、推論ワークロード（ユーザーの質問にAIが答える処理）の稼働率が20%を超える場合、オンプレミスのインフラを購入した方がクラウドを利用するよりも経済的であるという結論が出ています ⁸。

損益分岐点（コストが逆転するまでの期間）の分析:

クラウドのオンデマンド利用に対して: 約3.7ヶ月で自社所有の方が安くなる
1年間の予約割引（Reserved）に対して: 約6ヶ月で逆転
3年間の予約割引に対して: 約9.3ヶ月で逆転 ⁸

つまり、AIサービスを1年以上継続して提供することが確実であれば、自社で高性能サーバーを購入して運用した方が、最終的なコスト（TCO）は劇的に下がることになります。

5.2 運用コスト（OpEx）のリアルな内訳

もちろん、オンプレミスにはサーバーの購入費用（CapEx）だけでなく、電気代や保守代、設置スペース代（OpEx）がかかります。一例として、8枚の高性能GPUを搭載したサーバー（Config A）の1時間あたりの運用コストの内訳は以下の通りです ⁸。

保守・メンテナンス（案分）: $3.42
電力・冷却: $0.87
コロケーション（設置場所借料）: $2.08
合計: 1時間あたり約 $6.37

これに対し、同じ性能をクラウドで借りると1時間あたり約98ドルかかります。この圧倒的な価格差（約15倍）が、2026年におけるエンタープライズAIの「クラウド離れ」を引き起こしている最大の要因です ⁸。

第6章：2026年に実践すべきSTaaS節約・効率化マニュアル

ここからは、具体的なコスト削減手法を整理して解説します。これらは、海外の先進企業が実際に導入し、20〜40%のコスト削減を実現している手法です ¹⁸。

6.1 不要なデータの「掃除」：ダークデータの撲滅

企業内に存在するデータの約72%が、過去1年間一度もアクセスされていない、あるいは内容が不明な「ダークデータ」であると推定されています ¹⁹。

自動削除ポリシーの徹底: 30日間一度もアクセスされていないテスト用データや、開発中のバックアップファイルを自動で削除する設定を行います。これだけで、ストレージ支出を10%以上削減できる可能性があります ¹⁸。
データハイジーン（衛生管理）: AIのトレーニングを始める前に、重複データやノイズを除去します。質の低いデータでAIを訓練することは、無駄な計算リソースを消費し、結果としてストレージとGPUの両方のコストを膨らませます ⁹。

6.2 ライフサイクル管理の自動化

クラウドプロバイダーが提供する「階層型ストレージ」を賢く使い分けることが節約の基本です。

S3 Intelligent-Tiering の活用: AWSなどが提供するこの機能は、データのアクセスパターンをAIが分析し、頻繁に使うものは「Hot」、あまり使わないものは「Archive」へと自動的に移動させてくれます ¹²。
古いログの圧縮と移行: システムの稼働ログなどは、30日経ったら安価な階層（S3 Glacierなど）へ自動移行し、1年経ったら削除するワークフローを自動化します ²⁰。

6.3 ライトサイジング：適切なサイズ選び

エンジニアはパフォーマンス不足によるシステム停止を恐れ、必要以上に大きな（高価な）サーバーやストレージを選びがちです。

ピーク時ではなく継続利用量に合わせる: 直近数週間の利用データを分析し、過剰に割り当てられているリソースを一段下のプランに下げます（ライトサイジング）。平均CPU利用率が15%以下のサーバーは、ダウンサイズの有力な候補です ¹⁸。
スポットインスタンスの活用: AIの学習のように「いつ終わってもよいが大量に処理したい」作業には、クラウドの余剰リソースを格安で借りる「スポットインスタンス」を利用します。これにより、通常の50〜90%オフで計算リソースを確保できます ²。

6.4 エフェメラル（一時的）環境の導入

開発者がテストを行うための環境は、24時間365日動かしておく必要はありません。

夜間・週末の自動停止: 業務時間外（例えば夜10時から朝8時まで）は開発用サーバーを自動でシャットダウンします。これだけで、開発にかかるインフラ費用を70〜80%削減できる実例もあります ²⁰。
Git連携による自動構築・解体: 新しい機能を開発する時だけ環境を作り、テストが終わってコードが統合されたら環境を自動で削除する「エフェメラル・プレビュー環境」は、2026年の標準的なエンジニアリング文化です ²⁰。

第7章：FinOpsと組織的な費用統治（ガバナンス）

コスト削減はIT部門だけの仕事ではありません。2026年、企業は「FinOps（Finance + DevOps）」と呼ばれる、財務と開発が一体となったコスト管理体制を構築しています ²⁴。

7.1 FinOpsプラットフォームの活用

複雑怪奇なクラウドの請求書を解読し、ビジネス価値に翻訳するためのツールが普及しています。

CloudZero: 支出を単なる「サーバー代」としてではなく、「この顧客にサービスを提供するためにかかったコスト」や「この機能の開発費」として可視化します。タグ付けされていないリソースも100%割り当てることが可能です ²⁴。
Finout: 複数のクラウド（AWS, Azure, GCP）と、外部のAI API（OpenAI, Anthropicなど）の支出を一箇所にまとめ、「MegaBill」として表示します。これにより、組織全体のAI支出を一目で把握できます ²⁵。
Vantage / Holori: 予算超過の兆候をAIが検知し、リアルタイムでアラートを出します。また、別のクラウドプロバイダーに移行した場合のシミュレーション機能も備えています ²⁴。

7.2 ユニットエコノミクス（単位あたり経済性）の把握

2026年の優秀なITリーダーは、「今月のクラウド代はいくらだったか」とは聞きません。代わりに「1回のAI生成回答にいくらかかっているか（Cost per Inference）」や「1人の顧客を維持するためのストレージ費用はいくらか（Cost per Customer）」を問いかけます ²⁵。

この「ユニットエコノミクス」を把握することで、サービスが成長すればするほど赤字が膨らむという「AI逆ザヤ」の状態を早期に発見し、ビジネスモデルを修正することが可能になります。

第8章：実例から学ぶAI時代のコスト管理の成功と失敗

世界的な企業の事例から、2026年に向けた具体的な教訓を学びましょう。

8.1 成功事例：Lowe’s と Intercom

Lowe’s（ホームセンター大手）: 全米1,750店舗以上の「デジタルツイン（仮想空間上の店舗）」をAIで構築しました。この際、従来は多額の費用がかかっていた3Dモデルの生成を、AIを使って効率化。2Dの商品画像からわずか数分で高品質な3Dモデルを生成し、そのコストを1モデルあたり1ドル未満に抑えることに成功しました ²⁸。
Intercom（SaaSベンダー）: AIエージェント「Fin AI」の価格設定を、従来の「座席数」から「1解決あたり0.99ドル」という成果報酬型へ大胆に転換。これにより、顧客は「解決した分だけ払えばよい」という納得感を得られ、ベンダー側もAIによる効率化の果実を直接収益化することに成功しました。このモデルは年間成長率393%という驚異的な成果を叩き出しています ³。

8.2 失敗事例：予期せぬAPIコールの増幅

ある金融サービス企業では、AIエージェントを自社ツールに組み込んだ際、エージェントが「自己ループ」に陥るという事態が発生しました。1つの質問に対し、AIが裏側で別のAIに何度も問い合わせ、さらにデータベースや外部検索を数百回繰り返した結果、わずか1日で数千ドルのAPI利用料が発生してしまいました。

この事例は、エージェント型AI（Agentic AI）を導入する際には、必ず「ステップ数」や「予算上限」に制限をかける「ガードレール」の実装が不可欠であることを示しています ²⁹。

あわせて読みたい

APIってなに？ -仕組みと歴史を徹底解説- 「API」という言葉を聞いたことはあっても、「具体的にはよく分からない」という方は多いのではないでしょうか。実は、APIはさまざまなサービスを便利につなげる「橋渡…

第9章：今後の課題：自律型AIエージェントとソブリンAI

2026年の後半から2027年にかけて、2つの大きなトレンドがSTaaSの費用に影響を与えようとしています。

9.1 自律型AIエージェント（Agentic AI）の普及

AIはもはや「質問に答える」だけの存在ではありません。目標を与えられれば、自分でタスクを計画し、実行し、完了報告まで行う「エージェント」へと進化しています ³⁰。

コストの複雑化: エージェントが自律的に動く際、裏側でどれだけのストレージアクセスやAPIコールが発生するかを事前に予測することは極めて困難です。
監視の必要性: エージェントの挙動を監視するための「AgentOps」と呼ばれる運用管理手法が登場しており、これ自体にも新たなインフラ投資が必要となります ³⁰。

9.2 ソブリンAI（自国・自社専用AI）の台頭

データの機密性や規制への対応から、GAFAMなどの巨大クラウドに頼り切るのではなく、自国のインフラや自社専用のプライベート環境でAIを動かす「ソブリンAI」の重要性が増しています ³²。

戦略的独立性: 42%の企業が、自社のAI戦略は高度に準備されていると感じていますが、一方でインフラやデータの準備には不安を抱えています ³²。
費用の二極化: 汎用的なAIはクラウドで安く利用し、自社のコアとなる競争力の源泉（機密データを利用するAI）はオンプレミスや専用環境でコストをかけて守るという、費用の二極化が進むでしょう。

結論：2026年を勝ち抜くためのストレージ戦略

生成AI時代のSTaaS費用管理は、単なる節約術ではなく、企業の競争力を左右する「戦略的投資」の技術です。本報告書の締めくくりとして、経営層およびITリーダーが取るべき5つのアクションを提案します。

「座席数」以外の課金モデルを模索せよ: 自社のサービスも、他社から導入するツールも、AIによる効率化を前提とした「成果報酬型」や「従量課金型」に契約を切り替えていく準備を始めてください ³。
データの保管場所を「物理的」に再考せよ: GPUとの距離、エグレス料金（転送手数料）、リージョン間の移動費を再計算してください。大規模な推論ワークロードであれば、オンプレミスへの回帰が最も強力なコスト削減策になり得ます ⁸。
量子化技術を標準化せよ: ベクトルデータベースの導入に際しては、生のデータをそのまま保存するのではなく、量子化技術などの圧縮手法をデフォルトで検討するエンジニアリング基準を設けてください ¹⁴。
FinOpsツールで「1回答あたりのコスト」を計測せよ: 月末の請求書を待つのではなく、リアルタイムでAIのユニットエコノミクスを可視化してください。CloudZeroやFinoutのような専門ツールの導入は、その利用料以上の節約を数ヶ月以内にもたらすはずです ²⁴。
「ダークデータ」を定期的にパージせよ: ストレージを「無限のゴミ箱」にしないための自動削除ポリシーを即座に実装してください。データの整理整頓は、AIの精度向上とコスト削減の両方に寄与する、最も投資対効果の高い活動です ¹⁸。

2026年、データの量は増え続け、AIの要求は高まる一方です。しかし、本報告書で解説したような戦略的なアプローチを取ることで、企業はインフラコストを制御しつつ、生成AIがもたらす巨大な可能性を最大限に引き出すことができるのです。ストレージ経済のルールは変わりました。新しいルールに基づいた、賢明なIT投資と効率化の推進を期待いたします。