著者：qinbafrank
はじめに
最初にCoinbaseのAIに関するエンジニアリング実践を7月6日に目にしたことがきっかけで、企業が今後AIを導入・展開していく過程でどのようなトレンドの変化が生じるのかを深く考え、研究し始めた。（関連記事：CSP（クラウドサービス事業者）がコストパフォーマンスに優れたオープンモデルをデプロイし、トークンを転売する意義、将来の超大規模CSPの業績は、AI商用化を測るより重要な指標となる）
この思考をさらに深く拡張していくうちに、今回の長文が形になり、より詳しく個人的なロジックと考えを述べたいと思う。
一 シーン別、マルチモデル——企業のAI導入がエンジニアリング段階に入ることで生じる変化
1、シーン別対応：企業はもはや「どのモデルが一番優れているか」ではなく、「このタスクにはどのモデルを使うべきか」を問うようになる
これからは「特化型でコスパの良いトークン」という表現は適切ではない。トークン自体は単なる計量単位にすぎないからだ。本当に特化されるのは、モデル、推論戦略、コンテキストとデータ、ツール呼び出しの経路、ハードウェアとサービス提供形態、セキュリティと人手によるレビュー体制である。
企業がモデルを選ぶ際の目的関数は、単純なモデル性能の追求から、次のように変わる。
タスク純価値 ＝ タスク成功確率 × 業務価値 − 推論・実行コスト − エラー・リスク損失
これにより典型的な4つのシーンが形成される。
例えば、メール分類、要約、項目抽出、初期カスタマーサポートの振り分け、コードフォーマットチェックといったタスクは、モデル能力に対する限界的な要求が低い一方、呼び出し量が多く価格感応度が高い。このようなタスクは次第に小規模モデル、オープンモデル、あるいはCSP自社開発のコスパモデルへと移行していく。
一方、高度なコード生成、重要契約の分析、科学的推論、戦略リサーチ、複雑なエージェント計画などのタスクでは、モデルの精度が数パーセント向上するだけで非常に高い業務価値に結びつく可能性があるため、引き続き最先端モデルに対してプレミアムを支払う意欲が保たれる。
2、企業のAI導入が深まるほど、専有のAIシステムが必要になる
最先端のクローズドな大規模モデルが、どれだけ多くのパブリックデータやライセンスデータ、合成データを学習していても、通常は特定の企業が持つリアルタイムデータ、社内ルール、組織上の権限、暗黙知を把握していない。大企業がより必要とするのは、学習にデータを利用されないこと、プライベートネットワーク、専用テナント、権限分離、データ所在地、監査可能性を含む「プライベートAI境界」である。本当にローカル化あるいは隔離されたデプロイが必須となるシーンは一部に過ぎない。
企業が本当に不足しているのは、「企業の全ファイルを読んだモデル」ではなく、正しい権限のもとで正しいデータを呼び出し、企業ルールに従って行動できるシステムである。
企業のプライベートデータは以下の4つに分類して取り扱う必要がある。
そして「経験型データ」こそが企業AIにとって最も困難な資産である。経験は自然にデータの形で存在するわけではない。それは通常、ベテラン社員の判断、メールやチャット履歴、却下されて記録されなかった案、異常事象への対応プロセス、人間がシステムの推奨を上書きしたアクション、顧客クレームや事後の振り返りなどに分散している。
この部分の経験をAI資産に転換するために、企業は次の仕組みを構築しなければならない。
生の経験 → タスクサンプル → 専門家の判断 → 正誤の基準 → モデル評価セット → フィードバックとポストトレーニング
したがって大企業の堀は、単に「たくさんの文書を持っている」ことではない。
暗黙知を、機械が学習・検索・評価・実行可能な組織のコンテキストへと変換できるかどうか、これがポイントである。
それこそが、企業AIにおいてFDE、データエンジニア、ドメイン専門家、事業責任者の共同参画がますます求められる理由でもある。
ここまで述べてきたことはすべて、次の一点に集約される。
企業のAI導入は「最強モデルの購入」から「プライベートデータ、業務プロセス、マルチモデルシステムに基づくエンジニアリングデプロイ」の段階へと移行しつつある。
二 「複合AIシステム」から「中間層」の台頭へ
1、マルチモデル、マルチモジュール：AI製品は「モデル呼び出し」から「複合AIシステム」へと進化する
将来の企業のプロダクション級AIシステムは、通常、単一のモデルAPIではなく、複数のモジュールが連携してタスクを遂行する。ユーザーリクエスト、アイデンティティと権限、シーン認識、データとコンテキストの取得、モデルルーティング、モデル推論、ツール・API呼び出し、結果検証、リスク制御、人手によるレビューまたは自動実行、モニタリングと継続的評価。
ここでは「マルチモジュール」が「マルチモデル」よりも重要である。企業が最終的に購入するのはモデルそのものではなく、ビジネスタスクを確実に完了できるシステムだからだ。
なぜ企業はマルチモジュールへ向かうのか。
1）単一モデルでは、品質、コスト、速度、プライバシー、安定性のすべてで同時に最適になることはありえない。
2）モデル自体は、企業のリアルタイムデータや権限体系、業務状態を把握していない。必ずデータ層、検索層、ツール層、システムコネクターを通じてコンテキストを取得しなければならない。
3）プロダクション環境では、監査可能性、ロールバック可能性、モニタリング可能性が求められる。モデルの出力をそのまま業務実行と同一視することはできない。
4）モデルの更新は頻繁に行われる。企業はビジネスロジックを特定のモデルから切り離し、モデルの変更のたびにアプリケーション全体を書き直す事態を避けなければならない。
MCPなどのオープンプロトコルの登場は、まさにモデルとデータソース、企業ツール間の接続方法を標準化し、モデルごとに個別のコネクターを開発することで生じる断片化を減らそうとする試みである。
ただし、マルチモデルとはモデル数を無制限に増やすことではない
モデルをひとつ追加するごとに、企業は一群の隠れた固定コストを負うことになる。すなわち、セキュリティ審査、法務・知的財産評価、データ所在地レビュー、品質ベンチマークテスト、モデル更新後のリグレッションテスト、運用保守と障害対応、ベンダー管理である。したがって最も現実的な組織形態は「各チームが自由に数十のモデルを選ぶ」ことではなく、次の形になるだろう。
中央がコンプライアンスを満たした限定的なモデルプールと、統一されたデータ・セキュリティ統制面を整備し、各事業部門がシーンに応じて異なるモデルを呼び出す。
これにより生じるトレンドは、基盤インフラが段階的に集中する一方で、シーン革新は事業部門へと分散していくという構図である。
2、中間層の価値が台頭する：成立するが、「コントロール権」と「独立した商業価値」は区別しなければならない
今後の中間層は大きく6つに分類できる。
どのような中間層が最も価値を獲得しやすいか
長期的に価値を獲得する可能性が最も高いのは、最も薄いモデルラッパー層ではなく、以下のひとつまたは複数の希少資源を掌握するプラットフォームである。
1）企業データとコンテキスト：合法的に、リアルタイムに、権限に応じて企業データを呼び出せること。
2）アイデンティティとセキュリティ：AIが何にアクセスでき、誰に代わって何を実行できるかを決定すること。
3）業務ワークフロー：タスクの入口と実行クローズドループを握ること。
4）クロスモデル評価データ：実際のプロダクション環境における品質、コスト、リスクデータを蓄積すること。
5）配信能力：すでに多数の企業ユーザーやシステムへの入口を持っていること。
したがって、データプラットフォーム、クラウドプラットフォーム、セキュリティプラットフォーム、ERPや業界向けソフトウェアベンダーは、生まれながらにして優位性を備えている。
マイクロソフトは、AI顧客がFoundry、Fabric、Cosmos DB、およびセキュリティガバナンスサービスを併用するケースが増えていることを明らかにしている。グーグルもAIの利用がBigQueryやデータワークフローの成長を促進していると強調している。これは、AIモデルの呼び出しが、データベース、分析、ストレージ、セキュリティ、エージェントランタイムなどのサービスへの顧客獲得の入口になりうることを示している。
どのような中間層がコモディティ化しやすいか
以下のような中間層には利用価値はあっても、独立した利益プールを形成できるとは限らない。
- 単純なAPIアグリゲーション
- 独自データを持たないモデルルーティング
- 汎用的なプロンプト管理
- 業務クローズドループを持たない基本的なエージェントオーケストレーション
- 複数のモデル間でリクエストを転送するだけの薄いレイヤーの製品
その理由は、AWS、Microsoft、GoogleといったCSP自身が、これらの機能をクラウドサービスの一部として無料または低価格でバンドルでき、大手アプリケーションベンダーも既存製品にそれらを組み込めるからである。
よってより正確な判断は次のようになる。
中間層の戦略的重要性は必ず高まる。しかし中間層の独立系事業者の総価値が同じ割合で増大するとは限らない。
中間層はAI産業における「OS」になる可能性があるが、最終的に経済的利益を得るのは、CSP、データプラットフォーム、セキュリティ・アイデンティティプラットフォーム、システムレコードを握るアプリケーションソフトウェア企業、そしてクラウド中立性と独自のプロダクションデータを持つ数少ない独立系ミドルウェアベンダーになるかもしれない。
クラウド中立性は、独立系事業者がCSPのバンドルに対抗するうえで重要な優位性となる。大企業は通常、モデル、データ、評価、ガバナンスを完全に単一のクラウドプラットフォームへロックインされることを望まない。そのため、独立した中間層にも依然として余地はあるが、単なる「モデルの簡易呼び出し」を超えた能力を提供しなければならない。
三 マルチモデル時代、超大規模CSPは強固な中間層になりうるか
1、CSPがオープンモデルや自社開発のコスパモデルをデプロイすることで、何が変わるのか
変化1：モデル調達が単一ベンダーからの購入から、モデルポートフォリオ管理へと変わる
企業はもはや単一のモデルプロバイダーとの深い結びつきだけを追求せず、次のようなモデルポートフォリオを維持するようになる。
- 最先端のクローズドモデル：最も高度な能力が要求されるタスクを担当
- オープンモデル：標準化可能かつプライベート化可能なタスクを担当
- CSP自社開発モデル：高頻度でコスト感応度の高いタスクを担当
- 企業独自モデル：極めて専有性が高く、機密データの取り扱いが必要なタスクを担当
CSPはモデルポートフォリオの入口およびルーターとなる。モデルプロバイダーが今後争奪するのは、もはや「顧客」そのものだけではなく、ルーティングシステムの中で各モデルに割り当てられるタスクのシェアである。
新しいモデル競争の指標には、次のようなものが含まれる。いくつの企業コンプライアンスモデルプールに組み込まれたか？ルーターでどれだけのリクエストを獲得したか？獲得したのは高価値タスクか、それとも低価格タスクか？
変化2：モデル価格は下落するが、AI総支出が減少するとは限らない
モデルの小型化、キャッシュの増加、コンテキスト圧縮により、タスクあたりのトークン数とトークン単価は低下する。しかしコスト低下は、より多くのユースケースを喚起し、タスク量を大幅に増やす可能性もある。
変化3：CSPの収益源がモデルのマージンからフルスタックの付随収益へ拡大
オープンソースモデルが高額なモデルライセンス収入を生まなくても、CSPは以下の部分で課金できる。GPU、TPU、自社開発ASICによるコンピューティング、マネージド推論サービス、データベースとベクトル検索、オブジェクトストレージ、ネットワークとデータ転送、エージェントランタイム、セキュリティとアイデンティティ、評価・ログ・モニタリング、エンタープライズサポートサービスである。
したがって、CSPが本当に関心を持つのはモデル自体の収益シェアではなく、以下の点である。
CSP AI総粗利 ＝ 推論粗利 ＋ データ付随粗利 ＋ ストレージネットワーク粗利 ＋ セキュリティガバナンス粗利 ＋ エージェントランタイム粗利
AWSはBedrockの顧客支出の前月比成長とトークン処理量の大幅な増加を開示し、同時にAgentCoreの登録、ポリシー、評価などのサービスを投入した。MicrosoftとGoogleも、モデル、データ、エージェント、ガバナンスサービスを組み合わせた提案を推進している。これは、CSPがモデルサービスをフルスタックのクラウド消費へ転換しようとしていることを示している。
変化4：モデルベンダーの価値は消えないが、能力の頂点とアプリケーション側へ両極化する
オープンソースや自社開発のコストパフォーマンスモデルは、ミドルレンジ・ローエンドモデルの価格を圧縮するが、最先端モデルの価値を自動的に消し去るわけではない。モデルベンダーが取りうる道は以下の3つである。1）能力の上限を継続的に引き上げ、複雑なタスクでのプレミアムを維持する。2）エージェント、コーディング、研究などの高付加価値アプリケーションへ上流展開する。3）カスタム事後学習、セキュリティ、エンタープライズガバナンス、占有キャパシティを提供する。
最終的には、以下の構造が形成される可能性が高い。
CSPはインフラとモデル流通を掌握する。
最先端モデルベンダーは能力の上限を掌握する。
中間層はコンテキスト、ガバナンス、オーケストレーションを掌握する。
アプリケーションベンダーはワークフローとユーザー入口を掌握する。
これは、単一レイヤーによる「勝者総取り」ではなく、異なるレイヤーがそれぞれ異なる種類のレントを獲得する構造である。
変化5：企業のモデルレイヤーにおける交渉力は高まるが、プラットフォームロックインはむしろ深まる可能性がある
マルチモデルとオープンモデルによって、単一モデルベンダーへの依存度は低下する。
しかし、企業のデータ、権限、エージェント状態、評価システム、ワークフローがすべて同一のCSP上に展開されている場合、モデルレイヤーのロックインが低下する一方で、クラウドプラットフォームのロックインはむしろ上昇する可能性がある。
つまり、
モデルの代替可能性が高まっても、アーキテクチャ全体の移行可能性が高まるとは限らない。
2、CSPが掌握するのは水平的なAI基盤、垂直SaaSが掌握するのは業務実行レイヤー
CSPが最も価値を獲得しやすい領域は以下のとおり。GPU、TPU、自社開発ASICの計算能力、オープンソースモデルのホスティング、クローズドモデルの流通、モデルのファインチューニングと蒸留、データベースとデータレイク、ベクトル検索とナレッジグラフ、ネットワークとストレージ、アイデンティティと権限、セキュリティとガバナンス、エージェントランタイム、評価とオブザーバビリティ、エンタープライズ技術サポート。
垂直SaaSが掌握するのは以下の点。ワークフローの入口、業務オブジェクト、業務セマンティクス、ユーザー権限、過去の操作データ、システム記録、業界ルール、最終的なアクション実行、顧客成果のフィードバックである。
したがって、安価なモデルを高価値な業務成果にパッケージングすることができる。
ただし、これは真にワークフローとコアな独自データを保有するSaaSにしか当てはまらない。汎用モデルにシンプルなインターフェースをかぶせただけの薄いアプリケーションは、むしろモデルベンダーやCSPに代替されやすい。この点については以前ここで https://x.com/qinbafrank/status/2059845057155608629?s=20 触れた。
3、「二重の中間層」が形成される可能性が最も高い
将来のエンタープライズAIアーキテクチャは以下のようになる可能性がある。
CSPが垂直SaaSを必ずしも直接飛び越えて全業務プロセスを掌握できるとは限らない。また、垂直SaaSが単独で基盤となる大規模計算能力やマルチモデルインフラを担う可能性も低い。誰が最も多くの価値を獲得できるかは、5つの制御点にかかっている。
本当に高価値なレイヤーは、必ずしもモデルに最も近いレイヤーではなく、以下のものを同時に制御できるレイヤーである。
コンテキスト、権限、ワークフロー、アクション、結果フィードバック。
従来のSaaSプロジェクトは一般的に、
Fit-Gap分析 → 設定 → データ移行 → UAT → 本番稼働、という流れだった。
エンタープライズAIプロジェクトは、より以下の流れに近い。
ユースケース選定 → データ権限 → 評価セット → モデル選択 → RAGとツール接続 → モデルルーティング → セキュリティ境界 → 人手によるレビュー → 本番モニタリング → フィードバックと事後学習。
最大の違いは、SaaSが主に既存ソフトウェア内でのプロセス設定であるのに対し、AIは本番運用の中で確率システムを継続的に最適化していく点である。
したがって、AIの実装は、ソフトウェアエンジニアリング、データエンジニアリング、モデルエンジニアリング、プロセスコンサルティング、組織変革を組み合わせたものに近くなる。
四 超大規模CSPの価値再構築
1、超大規模CSPの価値再構築
以前 https://x.com/qinbafrank/status/2074754779755295164?s=20 ここで触れた。かつて市場はCSP、特に複数の超大規模CSPを、計算能力とトークンを転売する単なる仲介業者とみなし、巨額の設備投資を負担しながら最大の価値を獲得できていないと見ていた。いまや「高効率な中型モデル＋大規模展開」が本番環境で自らの明確な価値を証明し、パラメータの軍拡競争だけを追い求める状況ではなくなった。
ならば過去の認識も反転させる必要がある。超大規模CSPはすでに、エンタープライズAIプロセスにおけるマルチモデルアーキテクチャの「AIオペレーティングシステム層」なのである。
コストと収益構造の変化 CSPがクローズドモデルを再販する場合、
CSPが得られる分配比率は限定的（通常20〜50％で、契約次第）であり、モデル提供元の価格圧力も負担しなければならない。オープンソースモデルの自己ホスティング再販では、オープンソースモデルはほぼゼロライセンスコストであり、CSPは自社の計算能力、電気代、運用コストのみを負担すればよく、CSPがマークアップのほぼすべてを獲得する（計算能力コスト控除後）。オープンソースコミュニティの実勢コストに適正マージンを上乗せして価格を決定できるため、より裁量の余地が大きい。
自社開発モデルであれば言うまでもなく、収益のほぼ全てがCSPに帰属する。
2、しかし超大規模CSPにとって新たな課題ももたらす。タイムラグである。
プロセス全体を4段階に分けて考えることができる。期間の長さはあくまで目安であり、業界によって大きく異なる。
段階1：内部研究開発とキャパシティ投入
この段階では、CSPは自社開発モデルの学習または事後学習、オープンモデルの展開、チップ・推論フレームワーク・モデルルーティングの最適化、セキュリティ・評価・ガバナンスプラットフォームの構築を行う。
財務パフォーマンスとしては、設備投資の増加、研究開発費と減価償却費の増加、外部クラウド収益のキャパシティ制約、粗利益率への下押し圧力、直接的な商業収益は限定的、といった状態になる可能性がある。
段階2：顧客実験とFDE実装
この段階では、顧客がユースケースを選定し、データと権限を整備し、RAG・評価セット・ツール接続を構築し、FDEが最初の本番システムの完成を支援する。
財務パフォーマンスとしては、プロフェッショナルサービスとファインチューニング収入の増加、クラウド消費の伸びは依然として顕著ではない、大量のPOCがまだ大規模化していない、人材投入の増加、サービス利益率がソフトウェア利益率を下回る可能性がある、といった状態になる。
段階3：本番推論の大規模化
この段階では、顧客ワークフローが安定し、エージェントが継続的に稼働し始め、推論・データベース・ストレージ・セキュリティの消費が増加し、垂直SaaSが使用量または業務成果ベースで課金を開始する。
財務パフォーマンスとしては、CSPクラウド消費の加速、SaaSのAIアドオン収入の増加、データ・セキュリティ付随収益の増加、顧客の更新と拡大の改善、推論ユニットコストの低下、といった状態になる。
段階4：モデルとワークフローの最適化
この段階では、高頻度タスクが小規模モデル・自社開発モデル・オープンモデルへ移行し、高価値タスクは引き続き最先端モデルを使用し、ルーティング・キャッシュ・蒸留がコストを削減し、FDEの成果が徐々に製品化される。
財務パフォーマンスとしては、トークン単価の下落、タスク量の増加、モデルベンダーの収益構造の分化、CSPのフルスタック付随収益の向上、垂直SaaSがワークフローと成果からより多くの価値を獲得、導入成功企業の粗利と投下資本利益率が改善し始める、といった状態になる。
したがって、市場が最初に目にするのはおそらく、
設備投資と人件費の増加
→ 次にPOCと契約
→ さらに本番ワークロード
→ 最後にフリーキャッシュフローとROICの改善、という流れである。
このタイムラグこそが、現在のAI投資をめぐる議論の核心である。
五 新しいAI商業化の指標体系
1、今後は「AIの収益はいくらか」とだけ問うことはできず、同時に5つの問いに答えなければならない。
最も合理的な評価方法は、単一の新しい指標を探すのではなく、モデルから資本リターンに至る7層のファネルを構築することである。
2、大規模モデルARRは依然として極めて重要だが、「最終指標」から「能力需要の先行指標」へと変わる
大規模モデルベンダーのARRが依然として非常に重要である理由は4つある。
1）ARRは企業がインテリジェンス能力に対して対価を支払う意思があることを証明する。ARRは少なくとも一部の顧客がすでに課金状態に入り、継続的な契約締結や安定的な消費形成に意欲的であることを示している。
2）ARRは最先端モデルが依然としてプレミアムを持つかどうかを反映する。モデル能力が継続的により高いタスク成功率をもたらすならば、顧客は高価値タスクに対してプレミアムを支払うだろう。大量のルーティンタスクが小規模モデルに移行しても、最先端モデルは複雑な推論、コーディング、研究、エージェントタスクを通じて高価格を維持できる可能性がある。
3）ARRは最先端モデルベンダーの研究開発および計算能力への再投資能力を決定する。モデル学習、事後学習、推論サービス、安全評価、エンタープライズセールスには、いずれも継続的な資本が必要である。ARRはモデルベンダーが「収益 → 研究開発 → 能力向上 → さらなる収益」という循環を形成できるかどうかを決める。
4）ARRはエコシステムへの影響力を示す代理指標でもある。開発者の数、API呼び出し、エンタープライズ契約、モデルがアプリケーションに組み込まれる深さは、最終的に部分的にARRに反映されることが多い。
3、総じて
大規模モデルARRは依然として極めて重要である。なぜなら、企業が最先端能力に課金する意思を証明するからだ。
超大規模CSPの業績は今後より包括的で、より高いウェイトを持ち、企業のAI導入プロセスにおいて中間層に蓄積される価値を示すようになる。
最終的な評価基準は、成功したタスクの経済性、企業ROI、投下資本リターンへと移行する。
AIの商業化判断は「大規模モデルのARR」と「CSPのクラウド収益」の二者択一ではなく、一つの完全な証拠連鎖を形成すべきだ：
モデルARRが有料需要を証明する
→ 本番ワークロードが採用深度を証明する
→ 成功タスクあたり粗利が経営品質を証明する
→ 企業ROIが需要の持続可能性を証明する
→ フリーキャッシュフローとROICが設備投資の合理性を証明する。
最終的に最も追跡すべきは「生成されたトークン数」ではなく、
AI経済価値 = 生産タスク数 × タスクあたり価値 × ベンダーの価値獲得率 × 粗利率 − 資本コスト
これこそが、マルチモデル・マルチモジュール時代にAIの商業化を測る全体フレームワークである。
上記のすべての内容は、実際には連続した因果連鎖を構成している。
ビジネスシナリオの差異が拡大する
→ 企業は単一のモデルですべてのタスクを解決しなくなる
→ マルチモデル・マルチモジュールの複合AIシステムが形成される
→ ルーティング、データ、評価、ガバナンス、セキュリティなどの中間層がコントロールプレーンとなる
→ モデル層の価値は消えないが、大規模モデルのARRは「唯一の商業化指標」から「重要な先行指標」へと格下げされる
→ 最終的な評価基準は、成功タスクの経済性、企業ROI、資本リターンへと移行する。
これはもはや純粋なアーキテクチャ構想ではない。AWS BedrockとMicrosoft Foundryはいずれも、品質・コスト・タスク複雑性に応じたモデルルーティングを正式製品にしている。マイクロソフトの開示によれば、1万社を超えるFoundry顧客が複数のモデルを使用し、約5千社がオープンソースモデルを使用している。Google Model Gardenも、自社モデル、サードパーティのクローズドモデル、オープンモデルのホスティングまたはセルフデプロイ手段を同時に提供している。
もちろんこの反復はまだ初期段階にあるが、トレンドはますます顕著になっていくはずだ。
