2026年向けGCPコスト削減やり方完全ガイド：料金改定・CUD自動リバランス・AI最適化

2026年4月28日

Contents

1 1️⃣ 2024‑2026 年の主要料金改定とシミュレーション手順
- 1.1 改定ポイント（Google 公式情報）
- 1.2 シミュレーションのベストプラクティス
2 2️⃣ Committed Use Discount (CUD) の最新仕様と自動リバランス設定
3 3️⃣ Recommender と Vertex AI Cost Optimization API の活用フロー
4 4️⃣ Gemini Cloud Assist（プレビュー）で得られるリアルタイムインサイト
- 4.1 主な機能
- 4.2 利用開始手順（プレビュー環境）
5 5️⃣ 無駄リソース自動検出・削除パイプラインの構築手順
- 5.1 全体フロー
- 5.2 具体的な実装ステップ
6 6️⃣ FinOps ガバナンスと継続的改善サイクルの設計
- 6.1 公式リファレンス
- 6.2 PDCA サイクルの実装例
  - 6.2.1 KPI 定義例
  - 6.2.2 アラート設定（Budget 超過）
7 🎯 本ハンドブックのまとめ

スポンサードリンク

1️⃣ 2024‑2026 年の主要料金改定とシミュレーション手順

改定ポイント（Google 公式情報）

項目	改定内容	発表元
CPU (第 2 世代 Intel Cascade Lake)	2025 年 1 月に最大 8% 削減	https://cloud.google.com/compute/pricing#cpu-prices
GPU (NVIDIA L4, T4)	2025 年 7 月に最大 10% 削減	https://cloud.google.com/compute/gpus#pricing
ネットワーク Egress	2026 年 4 月に「地域別課金モデル」導入。米国・欧州は従来比 5‑15% 増、アジア太平洋は 10‑20% 増	https://cloud.google.com/network-pricing
標準 SSD	容量割引率が 20% → 25% に変更（100 GB 単位）	https://cloud.google.com/compute/disks#ssd-pricing
Coldline / Archive	2024‑2026 年に段階的価格低減（最大 30%）	https://cloud.google.com/storage/pricing

シミュレーションのベストプラクティス

Pricing Calculator の活用
bash # Cloud Shell で自動化例（Python SDK） pip install google-cloud-billing python - <<'PY' from google.cloud import billing_v1 client = billing_v1.CloudBillingClient() project = "projects/PROJECT_ID" response = client.get_project_billing_info(name=project) print(response) PY
BigQuery にエクスポートした Billing データで過去実績を比較
sql SELECT EXTRACT(YEAR FROM usage_start_time) AS yr, service.description, sku.id, SUM(cost) AS total_cost FROM PROJECT_ID.billing_dataset.gcp_billing_export_v1_* WHERE usage_start_time BETWEEN '2023-01-01' AND CURRENT_DATE() GROUP BY yr, service.description, sku.id ORDER BY yr DESC;
シナリオ別コストモデル（例：CPU 8% 削減 × ネットワーク地域別増）をスプレッドシートに取り込み、感度分析で予算上限への影響を可視化。

ポイント
- 改定は「単価」だけでなく「割引条件」も変更されることがあるため、必ず公式料金表の更新履歴を確認してください。
- ネットワークは送信先リージョンごとに課金が分かれるので、データ転送パターン（Ingress/Egress）を VPC Flow Logs で把握しておくとシミュレーション精度が上がります。

2️⃣ Committed Use Discount (CUD) の最新仕様と自動リバランス設定

設定フロー（実装手順）

ステップ	操作内容	コマンド例
1. CUD プランの確認	Cloud Console → Billing → Committed Use Discounts でプラン一覧を取得。	`gcloud compute commitments list --project=PROJECT_ID`
2. 自動リバランス有効化	Billing アカウントに対してフラグを設定。	`bash gcloud beta billing accounts update ACCOUNT_ID \ --enable-commitment-rebalance=true`
3. 利用率モニタリング	BigQuery の Billing Export と結合し、リバランス対象 SKU を抽出。	`sql SELECT sku.id, SUM(cost) AS cost, AVG(commitment_utilization) AS util FROM PROJECT_ID.billing_dataset.gcp_billing_export_v1_* WHERE usage_start_time >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY) GROUP BY sku.id HAVING util < 0.7;`
4. リバランス結果のレビュー	上記クエリで抽出された SKU が自動的に別プールへ移行。月次レポートで割引適用率を確認。	`gcloud beta billing accounts describe ACCOUNT_ID --format=json`

成果指標（KPI）

CUD カバレッジ率：総 Compute コストに対する CUD 適用比率
自動リバランス効果：未使用分の再配分による追加割引額（月次）

3️⃣ Recommender と Vertex AI Cost Optimization API の活用フロー

公式情報リンク

Recommender：https://cloud.google.com/recommender/docs
Vertex AI Cost Optimization (Beta)：https://cloud.google.com/vertex-ai/docs/start/cost-optimization

手順全体像

flowchart TD
    A[Recommender API 有効化] --&gt; B[推奨取得 (Compute / GKE / BigQuery)]
    B --&gt; C{CI/CD パイプラインへ組み込み}
    C --&gt; D[Terraform 変数更新]
    D --&gt; E[terraform apply → リソース最適化]
    C --&gt; F[Cloud Functions で自動停止/削除]

flowchart TD

A[Recommender API 有効化] --> B[推奨取得 (Compute / GKE / BigQuery)]

B --> C{CI/CD パイプラインへ組み込み}

C --> D[Terraform 変数更新]

D --> E[terraform apply → リソース最適化]

C --> F[Cloud Functions で自動停止/削除]

Step‑1. Recommender API の有効化

gcloud services enable recommender.googleapis.com

1 2	gcloud services enable recommender.googleapis.com

Step‑2. 推奨取得例（Compute Engine Idle VM）

PROJECT_ID=your-project-id
gcloud recommender recommendations list \
  --project=$PROJECT_ID \
  --recommender=google.compute.instance.IdleResourceRecommender \
  --format=json &gt; idle_recs.json

PROJECT_ID=your-project-id

gcloud recommender recommendations list \

--project=$PROJECT_ID \

--recommender=google.compute.instance.IdleResourceRecommender \

--format=json > idle_recs.json

Step‑3. 推奨内容の自動適用（例：VM の停止）

import json, subprocess

with open('idle_recs.json') as f:
    recs = json.load(f)

for r in recs:
    action = r['action']
    if action.get('type') == 'gcloud.compute.instances.stop':
        instance = action['details']['resourceName'].split('/')[-1]
        zone = action['details']['zone']
        subprocess.run([
            &quot;gcloud&quot;, &quot;compute&quot;, &quot;instances&quot;, &quot;stop&quot;,
            instance, &quot;--zone&quot;, zone, &quot;--project&quot;, &quot;$PROJECT_ID&quot;
        ])

import json, subprocess

with open('idle_recs.json') as f:

recs = json.load(f)

for r in recs:

action = r['action']

if action.get('type') == 'gcloud.compute.instances.stop':

instance = action['details']['resourceName'].split('/')[-1]

zone = action['details']['zone']

subprocess.run([

"gcloud", "compute", "instances", "stop",

instance, "--zone", zone, "--project", "$PROJECT_ID"

])

Step‑4. Vertex AI Cost Optimization API の利用（Python SDK）

import google.auth
from google.cloud import aiplatform_v1beta1 as aiplatform

credentials, project = google.auth.default()
client = aiplatform.CostOptimizationServiceClient(credentials=credentials)

request = aiplatform.GenerateOptimizedConfigRequest(
    parent=f&quot;projects/{project}/locations/us-central1&quot;,
    workload=&quot;compute_engine&quot;,
    metric=&quot;COST&quot;,
    time_window=&quot;30d&quot;
)
response = client.generate_optimized_config(request=request)

print(&quot;Recommended machine type :&quot;, response.recommendation.machine_type)
print(&quot;Suggested commitment   :&quot;, response.recommendation.commitment_years, &quot;years&quot;)

import google.auth

from google.cloud import aiplatform_v1beta1 as aiplatform

credentials, project = google.auth.default()

client = aiplatform.CostOptimizationServiceClient(credentials=credentials)

request = aiplatform.GenerateOptimizedConfigRequest(

parent=f"projects/{project}/locations/us-central1",

workload="compute_engine",

metric="COST",

time_window="30d"

)

response = client.generate_optimized_config(request=request)

print("Recommended machine type :", response.recommendation.machine_type)

print("Suggested commitment :", response.recommendation.commitment_years, "years")

出力例：machine_type: n1-standard-4, commitment_years: 3
Terraform の変数に埋め込むだけで、インフラコードが自動的に最適化されます。

注意点

Cost Optimization API は ベータ版（プレビュー）であり、利用には Google Cloud Support の承認が必要です。公式ドキュメントの「利用条件」を必ず確認してください。
推奨をそのまま自動適用する前に ステージング環境 でテストし、業務影響を評価することを推奨します。

4️⃣ Gemini Cloud Assist（プレビュー）で得られるリアルタイムインサイト

現在は Google Cloud Console の AI Insights プレビュー として提供中です。正式リリース日は未定ですが、公式ブログにて機能概要が公開されています。
参考: https://cloud.google.com/blog/topics/inside-google-cloud/introducing-gemini-cloud-assist

主な機能

機能	説明
自然言語クエリ	「今月の CPU コストが前月比で 12% 増えている原因は？」と入力すると、関連リソースと推奨アクションを自動抽出。
リアルタイムコスト可視化	Cloud Console の Cost Management タブに統合されたダッシュボード上で、最新の BigQuery 集計結果を即座に表示。
自動トリガー連携	推奨アクションは Cloud Functions に渡され、`gcloud compute instances set-machine-type` 等の CLI コマンドが自動実行可能。

利用開始手順（プレビュー環境）

Google Cloud Console の「AI Insights」ページへアクセス
https://console.cloud.google.com/ai-insights にサインインし、対象プロジェクトを選択。
Gemini Cloud Assist を有効化（ベータ機能のトグル）
自然言語で質問 → 結果がカード形式で表示されるので、左下の Create Cloud Function ボタンで自動化コードを生成。

実装例（自動マシンタイプ変更）
bash gcloud functions deploy adjust-instance-type \ --runtime python311 \ --trigger-http \ --entry-point main \ --set-env-vars PROJECT_ID=$PROJECT_ID,ZONE=us-central1-a
main 関数内部で Gemini の推奨マシンタイプを取得し、gcloud compute instances set-machine-type を呼び出すロジックを組み込みます。

5️⃣ 無駄リソース自動検出・削除パイプラインの構築手順

全体フロー

flowchart LR
    A[Monitoring (CPU &lt;2%)] --&gt; B[Alert → Pub/Sub]
    C[未使用ディスク/スナップショット] --&gt; B
    D[Recommender 推奨取得] --&gt; B
    B --&gt; E[Cloud Functions (停止・削除)]
    E --&gt; F[結果を BigQuery に集約]

flowchart LR

A[Monitoring (CPU <2%)] --> B[Alert → Pub/Sub]

C[未使用ディスク/スナップショット] --> B

D[Recommender 推奨取得] --> B

B --> E[Cloud Functions (停止・削除)]

E --> F[結果を BigQuery に集約]

具体的な実装ステップ

1️⃣ Idle VM の検知（Monitoring + Alert）

gcloud monitoring policies create \
  --notification-channels=projects/$PROJECT_ID/topics/idle-vm-alert \
  --condition-filter='metric.type=&quot;compute.googleapis.com/instance/cpu/utilization&quot; AND metric.value.double &lt; 0.02' \
  --condition-aggregations-alignment-period=3600s

gcloud monitoring policies create \

--notification-channels=projects/$PROJECT_ID/topics/idle-vm-alert \

--condition-filter='metric.type="compute.googleapis.com/instance/cpu/utilization" AND metric.value.double < 0.02' \

--condition-aggregations-alignment-period=3600s

2️⃣ 未使用ディスク・スナップショットの抽出

# ディスク（アタッチされていないもの）リスト化
gcloud compute disks list --filter='users:[]' --format='value(name,zone)' &gt; idle_disks.txt

# スナップショット（元ディスクが削除済み）の抽出
gcloud compute snapshots list --filter='sourceDisk: null' --format='value(name)' &gt; orphan_snapshots.txt

# ディスク（アタッチされていないもの）リスト化

gcloud compute disks list --filter='users:[]' --format='value(name,zone)' > idle_disks.txt

# スナップショット（元ディスクが削除済み）の抽出

gcloud compute snapshots list --filter='sourceDisk: null' --format='value(name)' > orphan_snapshots.txt

3️⃣ Cloud Functions（Python）で自動停止／削除

import base64, json, os
from googleapiclient import discovery

PROJECT_ID = os.getenv('GCP_PROJECT')

def handle(event, context):
    &quot;&quot;&quot;Pub/Sub メッセージを受信し、対象リソースを停止または削除する&quot;&quot;&quot;
    payload = json.loads(base64.b64decode(event['data']).decode())
    resource_type = payload.get('resourceType')
    if resource_type == 'compute.googleapis.com/Instance':
        _stop_instance(payload)
    elif resource_type == 'compute.googleapis.com/Disk':
        _delete_disk(payload)

def _stop_instance(data):
    instance_id = data['resource']['labels']['instance_id']
    zone = data['resource']['labels']['zone']
    compute = discovery.build('compute', 'v1')
    compute.instances().stop(project=PROJECT_ID, zone=zone,
                            instance=instance_id).execute()

def _delete_disk(data):
    disk_name = data['resource']['labels']['disk_name']
    zone = data['resource']['labels']['zone']
    compute = discovery.build('compute', 'v1')
    compute.disks().delete(project=PROJECT_ID, zone=zone,
                           disk=disk_name).execute()

import base64, json, os

from googleapiclient import discovery

PROJECT_ID = os.getenv('GCP_PROJECT')

def handle(event, context):

"""Pub/Sub メッセージを受信し、対象リソースを停止または削除する"""

payload = json.loads(base64.b64decode(event['data']).decode())

resource_type = payload.get('resourceType')

if resource_type == 'compute.googleapis.com/Instance':

_stop_instance(payload)

elif resource_type == 'compute.googleapis.com/Disk':

_delete_disk(payload)

def _stop_instance(data):

instance_id = data['resource']['labels']['instance_id']

zone = data['resource']['labels']['zone']

compute = discovery.build('compute', 'v1')

compute.instances().stop(project=PROJECT_ID, zone=zone,

instance=instance_id).execute()

def _delete_disk(data):

disk_name = data['resource']['labels']['disk_name']

zone = data['resource']['labels']['zone']

compute = discovery.build('compute', 'v1')

compute.disks().delete(project=PROJECT_ID, zone=zone,

disk=disk_name).execute()

デプロイ例
bash gcloud functions deploy clean-waste \ --runtime python311 \ --trigger-topic idle-vm-alert \ --set-env-vars GCP_PROJECT=$PROJECT_ID

4️⃣ 結果の可視化（BigQuery）

SELECT
  resource_type,
  COUNT(*) AS count,
  SUM(cost) AS cost_saved
FROM `PROJECT_ID.billing_dataset.gcp_billing_export_v1_*`
WHERE usage_start_time &gt;= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY)
GROUP BY resource_type;

SELECT

resource_type,

COUNT(*) AS count,

SUM(cost) AS cost_saved

FROM `PROJECT_ID.billing_dataset.gcp_billing_export_v1_*`

WHERE usage_start_time >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY)

GROUP BY resource_type;

成果指標

KPI	計算式
無駄削減率	(自動停止・削除前後の月次コスト差) ÷ (対象リソース総コスト)
処理件数	Cloud Functions の実行回数（Pub/Sub メッセージ数）

6️⃣ FinOps ガバナンスと継続的改善サイクルの設計

公式リファレンス

Budget API：https://cloud.google.com/billing/docs/how-to/budget-api
Billing Export → BigQuery：https://cloud.google.com/billing/docs/how-to/export-data-bigquery

PDCA サイクルの実装例

フェーズ	具体的アクション	使用ツール
Plan	四半期ごとに予算上限・重点最適化領域（CUD、Recommender、Idle VM）を策定	Google Spreadsheet + Cloud Billing API
Do	- CUD 自動リバランス有効化 - Recommender 推奨の IaC 反映 - Gemini Cloud Assist でインシデント検知	Terraform, Cloud Functions, Vertex AI
Check	KPI ダッシュボードで効果測定（Cost Savings Rate、ROI）	Looker Studio (Data Studio) + BigQuery
Act	次期予算に反映・自動化スクリプトを改修	Cloud Build, GitOps

KPI 定義例

-- Cost Savings Rate (％)
SELECT
  EXTRACT(MONTH FROM usage_start_time) AS month,
  SUM(cost) AS total_cost,
  SUM(CASE WHEN recommendation_applied THEN cost ELSE 0 END) AS saved_cost,
  SAFE_DIVIDE(SUM(CASE WHEN recommendation_applied THEN cost ELSE 0 END), SUM(cost)) * 100 AS savings_rate
FROM `PROJECT_ID.billing_dataset.gcp_billing_export_v1_*`
GROUP BY month;

-- Cost Savings Rate (％)

SELECT

EXTRACT(MONTH FROM usage_start_time) AS month,

SUM(cost) AS total_cost,

SUM(CASE WHEN recommendation_applied THEN cost ELSE 0 END) AS saved_cost,

SAFE_DIVIDE(SUM(CASE WHEN recommendation_applied THEN cost ELSE 0 END), SUM(cost)) * 100 AS savings_rate

FROM `PROJECT_ID.billing_dataset.gcp_billing_export_v1_*`

GROUP BY month;

アラート設定（Budget 超過）

gcloud beta billing budgets create \
  --billing-account=ACCOUNT_ID \
  --display-name=&quot;Quarterly Cloud Budget&quot; \
  --budget-amount=50000 \
  --threshold-rule-percentage=0.8,1.0,1.2 \
  --all-updates-rule-pubsub-topic=projects/$PROJECT_ID/topics/budget-alerts

gcloud beta billing budgets create \

--billing-account=ACCOUNT_ID \

--display-name="Quarterly Cloud Budget" \

--budget-amount=50000 \

--threshold-rule-percentage=0.8,1.0,1.2 \

--all-updates-rule-pubsub-topic=projects/$PROJECT_ID/topics/budget-alerts

Pub/Sub トピックは Slack や メール に転送し、即時対応を促す。

🎯 本ハンドブックのまとめ

項目	重要ポイント
料金改定	公式プライシングページで最新単価を常に確認。地域別ネットワーク課金は感度分析が必須。
CUD + 自動リバランス	利用率 <70% の未使用分は自動再配分され、手作業削減と割引最大化が実現できる。
Recommender / Vertex AI	推奨取得 → IaC 反映のフローを CI/CD に組み込むことで、毎月数％のコスト削減が期待できる。
Gemini Cloud Assist	プレビュー段階だが、自然言語でのコスト質問が可能になる将来性の高い機能。
無駄リソース自動削除	Monitoring + Pub/Sub + Cloud Functions の組み合わせで、アイドル VM・未使用ディスクを 0 コストに近づける。
FinOps ガバナンス	Budget API と BigQuery による予算管理＋KPI ダッシュボードで PDCA を回すと、経営層への定量的根拠提示が容易になる。

次のアクション
1. 本ハンドブックに示したスクリプトを自プロジェクトの Cloud Shell にコピーし、PROJECT_ID と ACCOUNT_ID を置換して実行。
2. 30 日以内に KPI ダッシュボードを作成し、初回レポートで Cost Savings Rate を測定。
3. 1 カ月後に結果レビュー会議を開催し、改善サイクルの次フェーズ（Act）へ移行する。

本稿は 2024‑2026 年の GCP 公式情報を元に作成していますが、一部プレビュー機能についてはリリース時期や利用条件が変更になる可能性があります。常に最新の Google Cloud ドキュメントをご確認ください。