AI開発会社から届いた見積もりを開いて、思わず息をのんだ。同じ社内システムの開発を以前発注したときの感覚からすると、桁が一つ違うように見える。しかも明細には「データ整備費」「PoC費用」といった、これまで見たことのない費目が並んでいる。「PoC（実証実験）だけで数百万円」という一行を前に、上司への説明をどう組み立てればいいのか、手が止まってしまう——。AI活用プロジェクトの発注を任された方であれば、この状況に身に覚えがあるのではないでしょうか。
特に悩ましいのは、その金額が「AI開発として当然の高さ」なのか「ベンダーに足元を見られた高さ」なのかを、判断する材料が手元にないことです。社内にAIの専門家がいなければ、見積もりの妥当性を検証するすべがなく、「高い」という印象だけが残ってしまいます。これでは社内決裁を通すどころか、自分自身が納得できないまま発注判断を迫られることになります。
結論からお伝えすると、AIシステム開発の見積もりが従来のシステム開発より高くなるのは、多くの場合「ぼったくり」ではなく「コスト構造そのものが違う」からです。そして、その構造は5つの理由に分解できます。理由を一つずつ理解すれば、見積もりのどこが正当なコストで、どこを確認すべきかを切り分けられるようになります。
本記事では、AIシステム開発の見積もりが高くなる5つの理由を、従来開発との違いという切り口で整理します。さらに各理由について「妥当な高さ」と「確認すべきサイン」をセットで示し、受け取った見積もりが妥当か不当かを見分けるためのチェックリストまでまとめました。読み終えるころには、社内決裁資料に「高い理由」を自分の言葉で書き、ベンダーに的確な確認質問を投げられる状態を目指します。
システム開発の費用を正しく理解するガイドブック――相場・見積チェックリスト・予算策定テンプレート付き
この資料でわかること
発注検討者がシステム開発の費用体系を正しく理解し、「この見積は適正か」「どのくらい予算を確保すれば良いか」を自分で判断できるようになること。
こんな方におすすめです
- システム開発の発注を初めて担当する方
- 複数社の見積もりを比較・評価したい方
- IT投資の社内稟議を通す根拠を固めたい方
入力いただいたメールアドレスにPDFをお送りします。
AI×システム開発の見積もりが高くなるのは「構造」が違うから
AIシステム開発の見積もりを「高い／安い」と相場の数字だけで判断しようとすると、たいてい行き詰まります。なぜなら、AI開発は従来のシステム開発と比べて、見積もりが成り立つ前提そのものが異なるからです。まずはこの「構造の違い」を押さえることが、妥当性を判断する出発点になります。
実際、AI受託開発の費用は会社によって大きく振れます。中小企業がAI開発の見積もりを取ると、同じ要件でも会社により2〜3倍の価格差が生じることも珍しくないと指摘されています（clantable「AI受託開発の費用相場 2026年版」）。この振れ幅の大きさ自体が、AI開発の見積もりが「読みにくい」構造を持っていることの表れです。
従来のシステム開発の見積もりは「工数が読める」前提で成り立つ
従来の業務システム開発では、要件定義の段階で「何を作るか」を固めれば、必要な機能・画面・処理がほぼ確定します。確定すれば、それぞれにどれくらいの工数（人月）がかかるかを経験則から見積もれます。つまり、従来開発の見積もりは「要件が固まれば工数が読める」という前提の上に成り立っています。
この前提があるからこそ、発注者側も「この機能ならこれくらい」という感覚を過去の発注経験から持つことができます。AI開発の見積もりが「高い」と感じるのは、多くの場合この従来開発の感覚を基準にしているためです。しかし、その基準がそのまま通用しないのがAI開発です。
AI開発は「精度が読めない」不確実性が見積もりに織り込まれる
AI開発の根本的な違いは、「作ってみないと、どれくらいの精度が出るか分からない」という不確実性を最初から抱えている点にあります。AIモデルは、最適な性能を引き出すために様々な手法を試し、何度もチューニングを繰り返す「トライ&エラー」が前提になります（ルートチーム「AI受託開発の費用相場」）。
要件を固めても「目標の精度に届くかどうか」が事前に確定しないため、AI開発の見積もりにはこの不確実性への備えが織り込まれます。具体的には、検証のための工程（PoC）を挟んだり、トライ&エラーの工数をリスク分として上乗せしたりする形で、従来開発にはない費用が積み上がっていきます。
なお、AIコーディングツールの普及で「むしろ見積もりは安くなるのでは」と考える方もいるかもしれません。この「AIで安くなる」という対の視点についてはAI時代に見積もりはどう変わるかもあわせてご覧ください。
ここから先は、この「不確実性」が具体的にどこで費用に変わるのかを、5つの理由に分けて見ていきます。それぞれの理由には、自社側でコントロールできる余地と、ベンダーに確認すべきポイントが含まれています。
理由1｜データ整備に想定外の工数がかかる
AI開発費用の最大の変動要因は、多くの場合「データ整備」です。見積もりに「データ整備費」という見慣れない費目が並ぶのは、AIの性能が学習に使うデータの質と量に大きく左右されるためです。AIの性能は教師データの質と量に依存し、質の高いデータを大量に収集してAIが学習しやすい形に加工する作業に、想定以上の時間とコストがかかることがあると指摘されています（ルートチーム「AI受託開発の費用相場」）。
「データはある」と「AIに使えるデータがある」は別物
発注者側は「うちには業務データがたくさんある」と考えがちですが、AI開発の現場では「データはある」ことと「AIに使えるデータがある」ことは別物です。社内に蓄積されたデータは、フォーマットがバラバラだったり、欠損や重複が多かったり、AIの学習に使えない状態のまま放置されていることが少なくありません。
この場合、収集したデータを使える状態に整える「クレンジング（不要なデータの除去・整形）」という工程が必要になります。見積もり段階でデータの実態が分からなければ、ベンダーはリスク分を上乗せするか、後から再見積もりにせざるを得ません。AIに使えるデータを準備できているかどうかが、データ整備費の大小を決める出発点になります。
アノテーション（教師データ作成）が見積もりを押し上げる
もう一つ大きな工数を生むのが「アノテーション」です。アノテーションとは、AIに正解を教えるためにデータへラベルを付ける作業を指します。たとえば画像から特定の製品の不良を検出するAIを作る場合、大量の画像一枚一枚に「これは不良」「これは正常」といったラベルを人手で付けていく必要があります。
この作業は学習に必要なデータ量に比例して膨らみます。十分な精度を出すために数千枚規模のサンプル準備が求められるケースもあり、人手による地道な作業が見積もりを押し上げる要因になります。AI開発の見積もりに含まれる「データ整備費」「アノテーション費」は、こうした実作業の対価であり、多くの場合は正当なコストです。
妥当な高さと確認すべきサイン
データ整備費が見積もりに含まれていること自体は、むしろ誠実な見積もりの証といえます。確認すべきは、「データ整備費がどのような前提で算出されているか」が明記されているかどうかです。
たとえば「データはクレンジング済みの状態で提供される前提」なのか「未整理のデータからベンダー側で整備する前提」なのかで、金額は大きく変わります。前提が曖昧なまま一式で計上されている場合は、その内訳と前提条件を確認しましょう。逆に、自社でデータを整理して提供できれば費用を下げられる余地がある、という意味でもあります。データ整備費は「自社側で動かせるコスト」だと捉えると、決裁の説明にも次のアクションにもつなげやすくなります。
理由2｜PoC（実証実験）が前提になり工程が増える
「PoCだけで数百万円」という見積もりに戸惑う方は多いはずです。PoC（Proof of Concept＝概念実証）とは、本格的な開発に入る前に「そのAIで本当に目標を達成できそうか」を小規模に検証する工程を指します。従来のシステム開発にはなじみの薄いこのフェーズが、AI開発では費用の一項目として独立して現れます。
なぜAI開発はいきなり本開発に入れないのか
先ほど触れたとおり、AI開発には「作ってみないと精度が読めない」という不確実性があります。この状態でいきなり数千万円規模の本開発に踏み切ると、完成してから「目標の精度に届かなかった」という最悪のケースが起こり得ます。これを避けるために、本開発の前に小規模な検証を挟むのがAI開発の定石です。
AI受託開発の費用は、PoC・本開発・運用改善を分けて見ると整理しやすくなります（ルートチーム「AI受託開発の費用相場」）。見積もり総額が高く見えても、PoCから本番運用までを段階的に含んでいる場合があるため、「どのフェーズまでが見積もりの対象か」を切り分けて読むことが重要です。
PoCは「投資の保険」になる — 見送り判断の価値
PoCの本質は、本開発という大きな投資に踏み出す前のリスク管理にあります。PoCの結果、十分な精度が見込めないと分かれば、本開発に進まず「いったん見送る」という判断ができます。これは、見込みの薄いプロジェクトに数千万円を投じてしまうリスクを回避できるという意味で、むしろ投資を守る仕組みです。
この観点に立つと、「PoC費用込みの見積もり」は決して割高なものではなく、むしろ大きな失敗を防ぐための誠実な提案と評価できます。PoCを省いて即座に本開発を提案してくる方が、かえって発注者にとってリスクが高い場合もあります。
妥当な高さと確認すべきサイン
PoC費用の妥当性を見極めるポイントは、「PoCのゴールと判断基準が定義されているか」です。具体的には、「PoCで何を検証するのか」「どの数値をクリアしたら本開発に進むのか（または見送るのか）」が見積もりや提案書に明記されているかを確認します。
ゴールが曖昧なPoCは、検証が目的化して費用だけがかさみ、結論が出ないまま終わるリスクがあります。PoCの成果物・評価指標・判断基準がはっきりしている見積もりは、信頼度が高いと判断してよいでしょう。これらが書かれていなければ、「PoC完了時に何をもって成功とするか」をベンダーに質問してください。
理由3｜精度のトライ&エラーで工数が読みにくい
AIモデルは、一度の開発で目標の精度にぴたりと届くことはまれです。データを調整し、モデルの設定を変え、結果を評価して、また調整する——この反復（チューニング）を繰り返しながら、少しずつ精度を高めていきます。この反復回数が事前に確定できないことが、AI開発の工数を読みにくくし、見積もりを押し上げます。
AIの精度は「やってみないと分からない」という宿命
AI開発では、最適なモデルを構築するために様々な手法を試し、何度もチューニングを繰り返すトライ&エラーが不可欠とされています（ルートチーム「AI受託開発の費用相場」）。何回チューニングすれば目標に届くかは、実際にやってみるまで誰にも正確には分かりません。
この「読めなさ」に対して、ベンダーは2つの対応を取ります。1つは、ある程度の反復工数をあらかじめリスクバッファとして見積もりに乗せる方法。もう1つは、実際にかかった工数で精算する準委任契約（成果物ではなく作業時間に対して支払う契約形態）にする方法です。どちらの場合も、不確実性が費用の形で見積もりに反映されることになります。
目標精度の高さが費用を跳ね上げる（95%→99%の壁）
見落とされがちですが、「どこまでの精度を目指すか」が費用を大きく左右します。AIの精度は、ある水準までは比較的順調に上がりますが、そこから先は1ポイント上げるごとに必要な工数が急激に増える傾向があります。たとえば精度95%を99%に引き上げようとすると、最後の数ポイントのために何倍もの工数とデータが必要になることがあります。
ここで重要なのは、「業務にとって本当に99%が必要なのか」を問い直すことです。人間による最終チェックを残す前提なら95%で十分なケースも多く、過剰な精度要求はそのまま費用の高騰につながります。目標精度は、発注者側が現実的に設定することで費用をコントロールできる、数少ないレバーの一つです。
妥当な高さと確認すべきサイン
確認すべきは、「目標精度と契約形態が見積もりと整合しているか」です。極端に高い目標精度（たとえば99%以上）が前提になっているなら、その水準が業務上本当に必要かをベンダーと再確認しましょう。
また、トライ&エラーを伴うフェーズが準委任契約になっている場合、「上限工数」や「中間での見直しポイント」が設定されているかを確認します。これらがあれば、際限なく費用が膨らむリスクを抑えられます。精度目標が現実的で、契約形態にコスト上限の歯止めが効いている見積もりは、妥当性が高いといえます。
システム開発の費用を正しく理解するガイドブック――相場・見積チェックリスト・予算策定テンプレート付き
この資料でわかること
発注検討者がシステム開発の費用体系を正しく理解し、「この見積は適正か」「どのくらい予算を確保すれば良いか」を自分で判断できるようになること。
こんな方におすすめです
- システム開発の発注を初めて担当する方
- 複数社の見積もりを比較・評価したい方
- IT投資の社内稟議を通す根拠を固めたい方
入力いただいたメールアドレスにPDFをお送りします。
理由4｜高度なAI人材の人件費と専門性
AI開発の見積もりの大半は、突き詰めると「人件費」です。そして、AI開発に必要な機械学習エンジニアやデータサイエンティストは、市場で需要が供給を大きく上回っており、人月単価が高い水準にあります。これが、従来のシステム開発との単価差として見積もりに表れます。
AIエンジニアの人月単価が高い市場背景
機械学習エンジニアやデータサイエンティストは、現在もっとも「売り手市場」な職種の一つとされ、企業のデータ活用ニーズの拡大とともに給与水準も上昇傾向にあります（bizdev-tech「フリーランスデータサイエンティストの単価相場 2026年版」）。人月単価で見ると、機械学習エンジニアは100万円〜250万円程度のレンジに位置するという調査もあります（Hakky「AI開発に必要なステップとその予算の相場」）。
システム開発の費用は「人月単価 × 工数」で決まるため、単価の高い人材が中心になるAI開発は、同じ工数でも従来開発より総額が高くなります。これは特定のベンダーが吹っかけているのではなく、市場の人材相場を反映した結果である場合がほとんどです。
GPU・クラウドインフラという従来開発にないコスト
人件費に加えて、AI開発では従来のWebシステム開発にはなかったインフラコストが発生することがあります。代表的なのが、AIモデルの学習に使うGPU（高速な並列計算を担う専用プロセッサ）や、それを稼働させるクラウド環境の利用料です。
大規模なモデルを扱う場合、学習や推論にかかる計算リソースの費用は無視できない規模になります。見積もりにインフラ費が含まれている場合、それがどのような構成・前提で算出されているかを確認しておくと、運用開始後の費用感も把握しやすくなります。
妥当な高さと確認すべきサイン
人件費の妥当性で確認すべきは、「高単価の人材が、本当に必要な工程に限定して配置されているか」です。AI開発のすべての工程に、最高単価のデータサイエンティストが張り付く必要はありません。データ整備のような工程は、より単価の抑えられた人材で進められる部分もあります。
見積もりの内訳で、どのフェーズにどの役割の人材が、どれだけの工数で配置されているかを確認しましょう。全工程が一律の高単価で計上されていたり、内訳がまったく示されない「一式」表記だったりする場合は、その根拠を質問する価値があります。役割と工程が対応した内訳が示されている見積もりは、透明性が高く信頼できます。
理由5｜「AI単体」では終わらず周辺開発が膨らむ
「AIを作るだけだと思っていたのに、なぜこんなに総額が高いのか」——この感覚のずれは、AI開発のもう一つの構造から生まれます。AIモデルが完成しても、それを実際の業務で使えるようにするには、その周辺に多くの開発が必要だからです。
AIモデル開発は全体の一部に過ぎない
精度の高いAIモデルが完成しても、それ単体では業務の役には立ちません。社員が日々使えるようにするには、既存の社内システムとの連携、入力・出力を扱う画面（UI）、そしてモデルを安定して動かし続ける運用基盤が必要です。社内業務に組み込む場合は、こうした周辺の設計が重要になります（ルートチーム「AI受託開発の費用相場」）。
つまり、見積もり総額のうち「AIモデルそのものを作る部分」はあくまで一部であり、残りは「AIを業務で使えるシステムに仕立てる部分」の費用です。この全体像を踏まえると、「AIの部分だけ」を想定していた発注者の感覚と、システム全体を含む見積もりとの間にギャップが生まれるのは自然なことだと分かります。
運用・再学習という「見積もりに含まれない費用」に注意
逆に注意したいのは、見積もりに「含まれていない」費用です。AIは作って終わりではなく、運用を続けるなかで精度が徐々に劣化することがあります。これを防ぐには、新しいデータでモデルを定期的に学習し直す「再学習」や、精度を監視する仕組みが必要になります。
これらの運用フェーズの費用が初期の開発見積もりに含まれていない場合、後からランニングコストとして発生します。開発見積もりが安く見えても、運用費を加えると総額が大きくなるケースがあるため、「見積もりはどこまでの範囲をカバーしているのか」を初期段階で確認しておくことが、後出しの費用に驚かないための備えになります。
運用フェーズで継続的に発生する費用の内訳についてはAIの保守運用コストで詳しく解説しています。
妥当な高さと確認すべきサイン
ここで確認すべきは、「見積もりの対象範囲が明記されているか」です。AIモデル開発のみなのか、既存システム連携やUI、運用基盤まで含むのか。さらに、運用開始後の再学習・監視の費用が別途必要なのか、含まれているのか。
これらの範囲が明確に区切られている見積もりは、後から「これは範囲外でした」というトラブルが起きにくく、誠実です。範囲が曖昧なまま総額だけが提示されている場合は、「この見積もりに含まれるもの・含まれないもの」を一覧で示してもらうよう依頼しましょう。運用フェーズの費用感も含めて把握できれば、社内決裁でトータルコストを正しく説明できます。
高い見積もりが「妥当」か「不当」かを見分けるチェックリスト
ここまで見てきた5つの理由は、いずれも「AI開発が従来開発より高くなる」正当な構造でした。一方で、これらの構造を隠れみのにして不透明な金額を提示してくるケースがないとは言えません。最後に、受け取った見積もりが妥当か不当かを切り分けるためのチェックリストを示します。各理由のセクションで触れた「確認すべきサイン」を一つにまとめたものです。
見積もりの妥当性を確認する6つのチェック項目
受け取った見積もりを、次の6つの観点で確認してみてください。多くにチェックが付くほど、透明性の高い妥当な見積もりだと判断できます。
# | チェック項目 | 確認のポイント |
|---|---|---|
1 | 内訳の透明性 | 費用が「一式」ではなく、フェーズ・役割ごとに分解されて示されているか |
2 | データ前提の明記 | データ整備費について、どんな状態のデータを前提にした金額かが書かれているか |
3 | PoCのゴール定義 | PoCで何を検証し、どの基準で本開発に進む／見送るかが定義されているか |
4 | 目標精度の妥当性 | 設定された目標精度が、業務上の必要性に照らして現実的か（過剰でないか） |
5 | 対象範囲の明確さ | AIモデルのみか、システム連携・UI・運用基盤まで含むかが区切られているか |
6 | 変動費・運用費の扱い | 再学習や監視など、開発後に発生する費用の有無と扱いが説明されているか |
これらの項目は、そのまま社内決裁資料の「確認済みチェック」としても、ベンダーへの質問リストとしても使えます。
「不当に高い見積もり」に見られる危険サイン
逆に、次のような特徴が見られる見積もりは、金額の根拠を慎重に確認すべきサインです。
- 全体が「AIシステム開発一式」のような大ざっぱな表記で、内訳がほとんど示されない
- データ整備やPoCといった工程の前提・ゴールを質問しても、明確な回答が返ってこない
- すべての工程に一律の高単価人材が割り当てられ、その必要性が説明されない
- 目標精度が「できる限り高く」のように曖昧で、コストとのバランスが議論されない
- 見積もりの対象範囲と範囲外が示されず、後から追加費用が発生しそうな余地が大きい
重要なのは、「高いこと」自体が問題なのではなく、「高さの理由を説明できないこと」が問題だという視点です。理由を尋ねて筋の通った説明が返ってくる見積もりは、たとえ金額が大きくても信頼に値します。逆に、説明を避けたり曖昧にしたりするベンダーには、注意が必要です。
妥当性を確認したうえで「下げられる余地」を探す
チェックの結果、見積もり自体は妥当だと分かっても、「もう少し費用を抑えられないか」と考える場面はあるはずです。各理由のなかで触れたとおり、発注者側でコントロールできる余地はいくつもあります。代表的なのは、(1)データを整理した状態で提供する、(2)目標精度を業務上必要な水準に現実的に設定する、(3)対象範囲を本当に必要な機能に絞る、の3点です。いずれも本記事の各理由で見たとおり、発注者側の準備や判断が費用に直結します。
費用を抑える具体的な打ち手についてはシステム開発のコスト削減を、見積もりの精度そのものを高める発注者側の準備についてはシステム開発の見積もり精度を高める方法もあわせてご覧ください。妥当性を確認したうえで余地を探すことで、納得感のある発注判断ができます。
まとめ｜高い理由を理解すれば、見積もりは「判断できる」ものになる
AIシステム開発の見積もりが従来開発より高くなるのは、コスト構造そのものが違うからでした。本記事で見てきた5つの理由を振り返ります。
- データ整備：社内データを「AIに使える状態」にする工数がかかる
- PoC（実証実験）：作ってみないと精度が読めないため、本開発前の検証工程が必要になる
- 精度のトライ&エラー：目標精度に届くまでの反復回数が読めず、不確実性が費用に乗る
- 高度なAI人材の人件費：需要過多の機械学習エンジニア等の人月単価が高い
- 周辺開発の膨らみ：AIモデル単体では終わらず、システム連携・運用基盤まで費用がかかる
これら5つは、いずれもAI開発という性質から生まれる正当なコスト構造です。そして、どの理由にも「自社でコントロールできる余地」と「ベンダーに確認すべきサイン」が含まれていました。だからこそ、構造を理解すれば、見積もりは「漠然と高くて怖いもの」から「妥当性を判断できるもの」へと変わります。
次に取るべきアクションはシンプルです。第一に、手元のデータの量・形式・品質を棚卸しすること。第二に、PoCのゴールと判断基準がベンダーの提案に含まれているかを確認すること。第三に、見積もりの対象範囲（どこまで含み、どこからが運用費か）を明確にしてもらうこと。この3つを押さえれば、本記事のチェックリストと合わせて、社内決裁資料に「高い理由」を自分の言葉で書き、ベンダーへ的確な確認質問を投げられるはずです。
なお、そもそもの費用相場の目安を先に押さえておきたい場合は、AI開発の費用相場もあわせてご確認ください。相場という「横の比較軸」と、本記事で解説した「高くなる構造」という縦の理解軸の両方を持つことで、AIシステム開発の見積もりに正面から向き合えるようになるはずです。
システム開発の費用を正しく理解するガイドブック――相場・見積チェックリスト・予算策定テンプレート付き
この資料でわかること
発注検討者がシステム開発の費用体系を正しく理解し、「この見積は適正か」「どのくらい予算を確保すれば良いか」を自分で判断できるようになること。
こんな方におすすめです
- システム開発の発注を初めて担当する方
- 複数社の見積もりを比較・評価したい方
- IT投資の社内稟議を通す根拠を固めたい方
入力いただいたメールアドレスにPDFをお送りします。
よくある質問
- 同じ要件でAI開発会社によって見積もりが2〜3倍違うのはなぜですか？
データ整備の前提条件（クレンジング済みか否か）、PoCの有無、目標精度の設定、そして対象範囲（AIモデルのみか周辺システムまで含むか）が会社ごとに異なるためです。金額を横並びで比較する前に、各社の見積もりが何を含み何を含まないかを揃えて確認することが先決です。
- PoCなしで本開発から始めることを提案してくるベンダーは問題ありますか？
必ずしも問題ではありませんが、「なぜPoCが不要か」の根拠説明が必須です。既に類似プロジェクトの実績があり精度の見通しが立っているケースは正当ですが、説明なしにPoC省略を提案するベンダーは、後から精度未達が発覚した場合のリスクを発注者に転嫁している可能性があります。
- 精度目標はベンダーに任せず発注者側で設定すべきですか？
発注者側が業務要件として設定すべきです。「できる限り高く」という曖昧な指定は工数が際限なく膨らむ原因になります。「人間が最終確認する前提で95%あれば十分」のように業務運用から逆算して現実的な数値を決め、ベンダーに提示することが費用コントロールの重要なレバーになります。
- 自社でデータを整備して提供すれば、見積もりはどれくらい下がりますか？
データ整備費はAI開発費の最大の変動要因であり、整備済みデータを提供できれば数十万〜数百万円規模の削減になるケースがあります。ただし削減幅は整備後のデータ品質（欠損・フォーマット統一・アノテーション済みか）によって大きく変わるため、ベンダーに「整備済みデータを提供した場合の別見積もり」を依頼して比較するのが確実です。
- 見積もりに「AIシステム開発一式」とだけ書かれていた場合、具体的に何を求めればよいですか？
「フェーズ・役割・工数の内訳」「データ整備の前提条件」「PoCのゴールと判断基準」「対象範囲に含まれるもの・含まれないもの」の4点を書面で示すよう依頼してください。これらに応じられないベンダーは、費用根拠を説明できていない状態であり、後から追加費用が発生するリスクが高いと判断できます。
