新しいウェブアプリケーションである「Sunk Cost」は、ローカルな大規模言語モデル（LLM）ハードウェアのセットアップが投資を回収するために必要な時間の推定値を提供します。
このツールは、ハードウェアの初期購入価格、負荷時の電力消費量、およびクラウドベースのAPIを使用した場合と比較した推定節約額を考慮して、回収期間を算出します。ユーザーは、特定のチップやメモリ容量を備えたMac Studioなどの具体的なハードウェア構成を入力したり、1日あたりのトークン数やコンテキストウィンドウのサイズを含む使用パターンを定義したりすることができます。例えば、エージェント的なコーディングタスクのためにQwen3.8 27Bを実行するMac Studio (64GB) の場合、現在のAPIコストと電力使用量に基づくと、このツールは約43.6年で回収が可能であると推定しています。
速度の比較を提供するために、Sunk Costはメモリ帯域幅とトークンあたりの読み取りバイト数を含む数式を用いてローカル生成レートを推定しますが、利用可能な場合には実際の測定速度が使用されます。また、このツールには、公開ベンチマークに基づいて様々なモデルをClaudeやGPTのようなフロンティアモデルと比較する能力評価も含まれています。プライバシーに関して、同サービスはクッキーやIPアドレスを保存せず、推定値を改善するためにリクエストの国のみを収集していると述べています。
出典
- Show HN: Sunk Cost – How long until a ローカル LLM rig pays for itself? （Hacker News Frontpage, 2026-09-15）
- ローカルでAIを動かして元を取るまで何年かかるかがわかる「Sunk Cost」、例えばメモリ64GBのMac Studioではどれだけの時間が必要なのか？ （GIGAZINE, 2026-09-15）