Economics
Always Wins

01 ·コスト曲線

経済合理性は必ず勝つ

世代を追ってモデル構築にかかった費用を見れば、曲線そのものが答えを示しています。

OpenAIが2019年に公開したGPT-2を見てみましょう。多くの人が「本格的な言語モデル」と認識する最初期のモデルです。GPT-2の学習費用は約43,000ドルでした。¹ その1年後のGPT-3は数十万ドルから数百万ドル。¹ 2023年のGPT-4では、もはや科学実験ではなく産業規模のプロジェクトになりました。約2万5,000基の高性能GPUを3か月稼働させ、計算量は約2 × 10²⁵回の浮動小数点演算、消費電力は数十ギガワット時、学習費用は8,000万～1億ドルと推定されています。² 世代が進むたびに、必要な計算資源はおよそ4〜5倍に増えてきました。

この曲線は鈍化していません。むしろ勢いを増しています。2026年時点で、トップクラスのモデルを1回学習させる費用は2億～5億ドル規模です。業界研究者は2027年までに初の10億ドル規模の学習が登場すると予測し、³AnthropicのCEOは2028年までに最先端モデルの学習費用が100億ドルに達する可能性を示しています。⁴ わずか10年ほどで、中古車の価格から空母の価格にまで膨らんだのです。

より大規模な計算クラスター、より多くの電力、より巨額の資本を投入する。この力押しの道を米国のAI研究企業は選びました。驚異的なモデルは生まれます。しかし、そのコストは最終的に誰かが負担しなければなりません。

ここで見落とされがちなのは、コスト曲線が1本ではなく2本あり、逆方向に動いていることです。最高性能モデルを作る「上限」のコストは上がり続ける一方、一定水準の性能を実現する「下限」のコストは急落しています。GPT-4クラスのモデルは 2023年にに約7,900万ドルの学習費用がかかりましたが、2026年には同等の性能を500万〜1,000万ドルで実現できると見積もられています。⁵ 2年前には最先端ならではの巨額投資だったものが、今では資金力のあるスタートアップでも予算化できる水準です。

企業が注目すべきなのは、この2本目の曲線です。事業に本当に必要なAI性能は、最先端モデルの内側に閉じ込められたままではありません。急速に手の届くものになり、四半期ごとに安くなっていきます。

02 · 実証例

中国が示した前例

この市場を動かす重力が「目新しさ」ではなく「コスト」だと確かめたいなら、中国を見ればよいでしょう。

米国の輸出規制によりNvidiaの最高性能チップを使えない中国のAI研究企業は、性能を意図的に制限された、より安価なチップで開発せざるを得ませんでした。米国勢より多く資金を投じることができない以上、設計の工夫でコスト曲線を乗り越える必要があったのです。代表例がDeepSeekです。査読付き学術誌『Nature』の論文によると、推論モデルR1の最終学習は輸出向けH800チップ512基を約80時間使用し、約29万4,000ドルで完了しました。⁶ ベースモデルV3の計算コストも約560万ドルでした。⁷

ただし、ここは公平に見なければなりません。これらの数字は1回の学習に直接かかった追加コストであり、保有していたハードウェア、先行研究、失敗した実験の費用までは含みません。7 モデルの学習方法や学習データにも正当な疑問があります。知的財産をめぐる中国の前提は欧米とは異なり、最先端半導体を国内で量産できる道筋も、なお数年先です。

それでも、論争を差し引いた後に残る事実は明確です。最先端クラスのモデルが欧米よりはるかに低いコストで開発され、オープンウェイトとして公開されました。

市場の反応がすべてを物語っています。1つのモデル公開だけで、半導体企業の時価総額は1日で数千億ドル規模失われました。制約は中国のAI開発を止めるどころか、低コスト化を促したのです。「安い」「オープン」「十分に使える」。この組み合わせこそ、プレミアム価格のビジネスモデルを足元から崩します。

03 · 分岐点

「十分に使える」の水準が変わった

高価格なAIモデルのビジネスは、最良のクローズドモデルと最良のオープンモデルの性能差が、価格差を正当化できるほど大きく、長く続くという前提に立っています。その前提が崩れ始めています。

Epoch AIの性能指数では、オープンウェイトモデルが最先端のクローズドモデルに遅れる期間は、今や約3〜4か月です。⁸3〜4年ではありません。数か月です。Llama、Qwen、Mistral、DeepSeek、NvidiaのNemotronファミリーは、1年前の最先端クローズドモデルのベンチマークに並ぶか、上回っています。MMLUのような幅広い知識テストでは、オープン、クローズドともに91％を超え、差は事実上なくなっています。⁹

これは印象論ではありません。2026年6月、中国のZ.aiは、MITライセンスの下でダウンロードし自社環境で実行できるオープンウェイトモデルGLM-5.2を公開しました。公開されているコーディングおよびエージェント型AIのベンチマークではGPT-5.5に並ぶか上回り、最上位のクローズドモデルであるClaude Opus 4.8にも数ポイント差まで迫りました。しかも、実行コストはその一部と報告されています。
¹⁶ ただし、スコアはベンダー公表値で、ホスト型APIは中国に置かれているため、実運用前には自社のワークロードで検証すべきです。それでも、重みを自社ハードウェアで動かせる点が本質です。最先端クラスのコーディング性能を、オープンに、自社運用でき、低コストで使える。1年前には大きな隔たりがありました。今、その差はわずか数ポイントです。

企業にとって、ここが勝負の分かれ目です。事業は「最先端だから」という理由だけでは動かせません。必要なのは、安定して使える水準です。最先端から3か月遅れていても、自社でホストでき、自社データで追加学習でき、計算資源のコストだけで動かせるモデルなら、わずかに賢い代わりにトークン単位で料金を払い、統制できず、最重要データまで渡さなければならないモデルより、企業用途では有利です。真に測定可能な人工超知能が実現するまでは—そもそも現時点で定義も測定方法も確立していません—「3か月遅れでも、自社で自由に動かせる」方が、ほぼすべての重要な業務で合理的な選択になります。

04 · お金の流れを追う

AIを借り続ける経済性

次に、支出側のお金の流れを追ってみましょう。ここに、高価格モデルが不利になる理由があります。

「借りる形で問題ない」と思うかもしれません。企業は25年間、ソフトウェアをサービスとして利用してきました。SaaSは、システムを所有しなくてもよいことを証明しました。利用料を払い、ベンダーが運用する。それで双方が得をする。では、なぜAIだけ違うのでしょうか。

理由は、コスト構造がまったく違うからです。SaaSは、ベンダーが研究開発費を数千社の顧客に分散し、十分な利益率を確保できるモデルでした。AIは桁が違います。2026年、Microsoft、Amazon、Google、Metaの4社は約7,000億ドルの設備投資を行い、その大半をAIに振り向ける見込みです。¹⁴わずか2年前、同じ4社の設備投資は2,000億ドル強でした。比較すると、世界のソフトウェア業界全体が1年間に使う研究開発費は合計約2,000億ドルです。¹⁵ つまり4社だけで、ソフトウェア業界全体の研究開発費の3倍を超える資金を、1年でAIという1つの領域に投入しようとしています。しかも7,000億ドルは設備投資だけです。OpenAIやAnthropicの損失、5,000億ドル規模のStargate計画、xAI、中国の投資は含まれていません。

この投資は、どこかで回収されなければなりません。現在損失を出しているベンダーが吸収し続けることはできません。最終的には、企業顧客が利用するトークン価格に転嫁されます。SaaSは基礎となる採算構造が成立していたからこそ、長期にわたり借り続けられました。AIでは、顧客側が巨額コストを実質的に支えることになります。その規模まで膨らめば、借りるより所有する方が合理的です。

最先端のAI研究企業は、まだ利益を出せていません。黒字化は近くもありません。2026年第1四半期だけで、OpenAIは約57億ドルの売上に対し、210億ドルを超える純損失を計上したと報じられています。¹⁰  見方によっては、1ドル売り上げるごとに1ドルを大きく超える損失を出している計算です。黒字化は2030年頃まで見込まれていません。比較的規律ある運営をしているAnthropicでも、2025年の粗利益率は約40％で、損益分岐は2028年まで見込んでいません。¹¹OpenAIとAnthropicの2社だけで、計算資源、学習、運用に年間約650億ドルを投じるペースです。¹²

年間数百億ドル規模の損失を永遠に続けることはできません。資本市場はいずれ、あらゆる企業に求めるもの——利益——を要求します。その時、コストは顧客に転嫁されます。他に行き場がないからです。月額20ドルの定額プランや人為的に低く抑えられたトークン価格は、普及を優先するために投資家が負担してきた先行投資でした。

その請求書は、すでに届き始めています。2024年のトークン価格を前提に予算を組んだ企業は、2026年の利用規模でAIエージェントを活用したワークフローを動かすと、想定の何倍ものコストがかかることに気づき始めています。ある大企業は、年間AI予算を4か月で使い切ったと報じられました。ある大手銀行では、「AIの請求額は制御不能」といった趣旨の社内文書まで回覧されています。¹³ 楽観的な予測でさえ、推論コストが大幅に下がることを前提にしています。しかし、推論コストの低下による恩恵を受けるのはモデルを動かす側です。そして、その主体は今後、企業自身になっていきます。

利用量に比例して上限なく増え、ベンダー側が価格を握り、将来的な値上げ圧力まで内包する従量課金を、企業のCFOが受け入れ続けることはありません。変動費が膨張したときに企業がこれまでしてきたのと同じように、自社内に取り込み、固定的で予測可能、かつ統制できるコストへ変えていくはずです。

05 · 最後に残る競争優位

データという競争優位

企業がAIを自社内に取り込む理由は、コスト以外にもあります。そして、こちらの方が重要かもしれません。

自社データは、企業に残された数少ない本物の競争優位です。ソフトウェアは購入できます。業務プロセスだけなら模倣されます。しかし、何十年もかけて蓄積した顧客、取引、業務運用の独自データとそのつながりは、自社だけのものであり、簡単には再現できません。

そのデータを公開型モデルに流せば、まさにその優位性を失うリスクがあります。この業界で最悪なのは、各社の能力が同じ水準に収束することです。同じ業界の企業が、同じ公開データで学習した同じ公開モデルに問い合わせ、同じような回答を得る世界です。そこにリーダーはいません。全社が高いコストを払いながら、同じ平均値に近づくだけです。自社データを自社の管理下に置き、統制できるモデルだけに与えることが、同質化を拒む方法です。

06 · アーキテクチャ

プライベートAIを支えるモデル基盤

では、プライベートAIを自社運用するとは具体的に何を意味するのでしょうか。特別な構成ではありません。必要な要素はすでに存在し、多くの企業がすでに保有しています。AI対応のコンテナ基盤にオープンウェイトモデルを配置し、自社データで追加学習し、人間またはAIエージェントからの各リクエストを、その処理に必要な品質を最も低いコストで満たすモデルへ振り分けます。

「プライベート」と聞くと、すべてを自社内だけで完結させると考えがちですが、そうではありません。難度の高い未知の推論や、自社にない能力が必要な仕事では、ルーターが最先端モデルへ処理を送ります。公開型モデルを使わなくなるのではなく、標準の選択肢が逆転するのです。日常業務はプライベートAIで動かし、最先端モデルは明確な価値がある場合に限って、意図的に高い料金を払って使う例外になります。

これが全体構成です。ただし、構成そのものはコモディティです。競争優位になるのは、その中で何をするかです。

07 · 差別化要因 

競争力を生む「秘伝の配合」

ここは、この主張の核心なので曖昧にしたくありません。

誰もが同じオープンウェイトモデルをダウンロードできるなら、そのモデル自体は競争優位にはなりません。CPUやデータベース、電力と同じコモディティだからです。差を生むのは、その周囲に自社で作り上げる「秘伝の配合」です。

13種類のハーブとスパイスのようなものだと考えてください。鶏肉自体は誰でも買えます。しかし、配合は買えません。企業AI基盤で配合に当たるのは、独自データ、個別の追加学習、調整した重み、ルーティングロジック、そして自社の人材が自社業務を行う中で蓄積するフィードバックループです。この組み合わせは世界のどこにも同じものがなく、競合が同じベースモデルをダウンロードしても再現できません。自社固有だからこそ、守れる競争優位になります。

ここには、最先端のAI研究企業が構造上できないことがあります。彼らが作るのは、あらゆる顧客に提供する優秀な汎用モデルです。設計上、あなたの「13種類のハーブとスパイス」を組み込んだ製品を、隣の競合にも同じように売ることはできません。汎用的な能力を提供するのが彼らの事業であり、個社固有の優位性を作るのは企業自身です。ベースモデルのコモディティ化が進むほど、差別化の中心は自社にしか構築できないレイヤーへ移っていきます。

08 · 先例

このパターンは、すでに一度経験している

このパターンに見覚えがあると感じるなら、その通りです。企業はすでに一度、ERPで同じ経験をしています。

企業がSAPのようなシステムを導入した時代、コアとなるプラットフォームは最終的にコモディティでした。同じ製品を誰でも購入できたからです。本当の差別化は、ABAPコード、個別ワークフロー、データモデル、業務ロジック、そして日々事業を動かす人々から得た実践的なフィードバックを組み込むカスタマイズににありました。だからこそ本気で活用する企業は、数千ドルでも数十万ドルでもなく、多くの場合、数百万ドルをERPのカスタマイズに投じました。同じSAPを導入していても、企業によって実現できることが大きく異なったのはそのためです。プラットフォームは競争参加の前提条件にすぎず、競争優位を生んだのはカスタマイズでした。

企業AIも、1つ上のレイヤーで同じ構図になります。オープンウェイトモデルは、コモディティ化したSAPに相当します。追加学習、独自データ、ルーティング、ワークフロー連携、フィードバックループ。それらが、AI時代の新しいABAPです。

09 · 結論

企業を動かす新たな中核エンジン

この30年間、ERPは企業の心臓部でした。事業の事実を記録するシステムであり、企業の「正しい情報」が置かれ、他のシステムがそこを基準に動く中核でした。その時代が終わろうとしています。

これから企業の新たな心臓部になるのは、記録のシステムではなく、知能を備えたシステムです。独自データを取り込み、継続的に追加学習され、最適なモデルへ処理を振り分けながら事業全体の仕事を実行する、プライベート運用のモデル群です。単に「何が起きたか」を保存するのではなく、判断し、実行し、改善します。そして重要なのは、ここまで述べたコスト、データ主権、差別化の理由から、自社環境、自社データ、自社の統制下で動くことです。

ERPは、企業が「何をしたか」を記録しました。新たな企業エンジンは、企業が「次に何をするか」を動かす役割を担います。

ここで伝えたいこと

経済合理性は必ず勝つ

最後に、ここまでの主張をまとめます。

最先端のAI研究企業は驚異的な成果を上げていますが、その状態を維持するために年間数百億ドル規模の損失を出しています。その請求はいつか顧客に回ります。企業のAI利用が急増する一方で、「知能を借りる」価格には下落ではなく上昇圧力がかかります。同時に、最先端から3〜4か月遅れのオープンウェイトモデルが登場し、自社で自由に運用できるようになっています。中国はすでに、「十分に使える」AIを欧米の価格から見れば誤差に近いコストで開発し、公開できることを示しました。そして企業は、最も価値のある資産である自社データを公開型モデルへ流し込み、競合との違いまで薄めたいとは考えません。

これらを合わせれば、結論は「そうなるかもしれない」ではなく、必然です。企業はプライベートAIを自社運用するようになります。そして、データ、追加学習、重み、ルーティング、フィードバックループという「秘伝の配合」に競争優位を築きます。かつてABAPで差を作ったのと同じです。自社で動き、知的に判断し、継続的に改善するこのAI基盤が、ERPに代わって企業の新たな心臓部になります。

勝敗を決めるのは、どのモデルが最も見栄えのするスライドを書けるかではありません。最初から、大規模運用での採算性が決める問題だったのです。

なぜなら、経済合理性は必ず勝つからです。