原本レポート：Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》、2026年8月3日
翻訳・整理：DaiDai、Frank、MSX麦通研究院
主なポイント
- オープンウェイトモデルが引き下げるのは1回あたりの呼び出しコストと導入ハードルであり、必ずしも総計算能力需要を引き下げるわけではない。AIがより多くの企業、ワークフロー、デバイスに浸透するにつれて、呼び出し量の増加が効率向上を上回り、典型的な「ジェボンズのパラドックス」を引き起こす可能性がある。
- 企業はすでにマルチモデル時代に突入しており、**オープンウェイトモデルは主にプログラミング、文書処理、高頻度の呼び出し、特定領域のタスクを担い、**複雑な推論やエージェントワークロードは依然として最先端のクローズドモデルに依存する部分が多い。
- オープンウェイトは無料を意味するわけではなく、企業が節約できるのはモデルのライセンス料やAPI費用の一部である可能性があるが、引き続きGPU、クラウドサービス、オンプレミス環境、ファインチューニング、人材、セキュリティ、運用コストを負担しなければならない。
- クローズド、ハイブリッド、オープンウェイトのいずれのモデルが最終的に主流になろうとも、NVIDIA、オンサイト電力、セキュリティソフトウェアはいずれも比較的明確なシナリオ横断的な受益分野である。
- オープンウェイトモデルが普及するほど、AIバリューチェーンは基盤モデル層から、推論、ルーティング、オーケストレーション、可観測性、オンプレミスインフラ、エッジデバイス、垂直アプリケーションへと拡散する可能性が高まる。
定期的に、AI市場は「効率性パニック」を経験しているように思われる。
モデルのパラメータが小さくなり、推論コストが下がり、あるいはあるモデル企業がより少ないチップで最先端に迫る性能を実現すると、市場はすぐに直感を働かせる。同じタスクをこなすのに必要な計算リソースが減っていくなら、GPUやデータセンター、電力需要もそれに伴いピークを迎えるのではないか、と。
Kimi K3、DeepSeek V4 Flash正式版といった新世代のオープンウェイトモデルの登場は、改めてこの問題を市場に突きつけている。それらは最先端のクローズドモデルとの能力差を縮めようとするだけでなく、企業がモデルをダウンロード、修正、自律的にデプロイすることを可能にし、これまで少数の米国モデルラボに高度に集中していた能力を、より広範な開発者や企業のテクノロジースタックへと拡散させている。
しかし、モルガン・スタンレーが最新レポートで示した答えは、まさにこの直感とは正反対だ。
モデルの効率が向上しても、必ずしも計算能力需要が消滅するわけではなく、AIが十分に安価になることで、これまでAIを使う価値がなかったシーンにも浸透し、最終的には全体の呼び出し量を押し上げる可能性のほうが高い。
その上で、本当に再検討が必要になるのは、計算能力はどこで発生し、誰が提供し、そしてどの企業がこの拡散から収益を得られるのか、という点に移る。
一、より安価なモデルが、なぜより多くの計算能力を消費しうるのか？
オープンウェイトモデルが最も引き起こしやすい誤解の一つは、「モデルコストの低下」を「インフラ需要の低下」と直接同一視することだ。
しかし、大多数の企業にとって、AIを採用するかどうかは、モデルが一度のタスクを完了するのに必要な計算能力だけで決まるわけではなく、それが生み出す収益が、モデル、エンジニアリング、インフラのコストをカバーできるかどうかで決まる。
モルガン・スタンレーが引用した試算によれば、企業における一つのAIタスクは平均約55ドルの収益を生み出し、直接コストは約2～5ドルにすぎない。データ、エンジニアリング、セキュリティ、管理コストを考慮しても、この収益コスト比は、膨大な企業ワークフローがいまだAI化されていないことを意味している。
この場合、モデルの値下げがもたらす結果は、企業がAI支出を減らすことではなく、より多くのタスクが経済的実現可能性のハードルを越えることかもしれない。
これまで企業は、最も重要で最も価値の高いタスクしかAIに任せなかったかもしれないが、推論価格がさらに下がれば、カスタマーサービスの記録分類、契約審査、コードテスト、商品説明、企業内検索、マーケティング素材、データクレンジング、さらには内部承認までが、モデルのワークフローに組み込まれる可能性がある。
個々のタスクに必要な計算リソースは減少するかもしれないが、タスクの数、実行頻度、ユーザー規模は同時に拡大する。
これこそが、レポートが繰り返し言及する「ジェボンズのパラドックス」である。ある資源の使用効率が向上し、単位コストが低下すると、応用範囲が急速に拡大するため、その総消費量はかえって増加する可能性がある、 というものだ。
例えば、自動車の燃費が向上しても、世界の石油需要が自動的になくなるわけではなく、ネットワーク帯域幅がますます安くなっても、データ通信量が減少するわけではない。同様に、より効率的なモデルは必ずしもGPUの使用を減らすわけではなく、むしろAIを少数の高価値タスクから、企業内部のいたるところに存在する基盤能力へと変える可能性がある。
現在、この拡散はすでに起こり始めている。
レポートが引用したマッキンゼーの調査によると、回答企業の63%がすでにテクノロジースタックでオープンモデルを使用しているが、大半の企業はクローズドモデルを完全に放棄したわけではなく、両者を組み合わせて使用している。オープンウェイトモデルは主にプログラミング、文書解析、高頻度呼び出し、特定領域のタスクに用いられ、最先端のクローズドモデルは引き続き複雑な推論、信頼性要求の高いタスク、標準化が難しい作業を担っている。
2026年2月から7月にかけて、米国企業が毎週OpenRouterを通じて中国のオープンモデルにルーティングしたトークンの割合は一時30%を超えた。このデータは開発者やスタートアップに偏っている可能性があり、大企業の支出を直接代表するものではないが、少なくともオープンウェイトモデルがラボのコンセプトから、実際の呼び出しとデプロイの環境へと入り込んでいることを示している。
もちろん、オープンウェイトモデルは「無料モデル」を意味するわけでもない。
企業がセルフホスティングする場合、モデルプロバイダーにトークン単位で計算されるAPI料金を支払う必要はなくなるが、それでもGPUの購入またはリース、ならびにサーバールーム、クラウドサービス、ファインチューニング、エンジニアリングチーム、セキュリティ、日常運用コストを負担する必要がある。つまり、モデルベンダーやクラウドプラットフォームが提供するマネージドAPIを通じてオープンウェイトモデルを利用する場合、企業は依然としてトークンや計算量に応じて料金を支払う可能性がある。
したがって、オープンウェイトが変えるのは、計算コストの有無ではなく、企業がどのような方法で計算コストを支払うか、そして価値がモデルプロバイダー、クラウドプラットフォーム、それとも企業自身のインフラのいずれによって獲得されるか、ということである。
モルガン・スタンレーが引用したMITの研究試算では、クローズドモデルからオープンモデルへの移行により、平均価格が約70%低下し、消費者に年間約250億ドルの節約をもたらす可能性があるとされている。しかしレポートは、この研究の実施時期が早く、異なるモデル間の能力は完全に比較可能とは限らず、エンジニアリング、ファインチューニング、運用といった隠れたコストも十分に織り込まれていない可能性がある、と特に指摘している。
カーネギーメロン大学の別の研究では、オープンモデルを自社で構築・デプロイする場合の投資回収期間は約3か月から6年にまで及ぶ可能性が示されている。パラメータが小さく、タスクが固定され、呼び出し頻度が高いモデルは、ハードウェアコストを比較的早く償却できるが、大規模モデルや複雑なエンタープライズレベルのアプリケーションは、稼働率の不足、頻繁なアップデート、高いファインチューニングコストなどにより、長期にわたって自社構築のほうがAPIよりも安価であることを証明できない可能性がある。
つまり、オープンウェイトモデルの経済性には、統一的な答えはないのだ。
それは、モデルの規模、使用頻度、インフラ稼働率、企業のエンジニアリング能力、そしてデータをローカルに留めておく必要があるかどうかによって決まる。モデルがオープンであればあるほど、企業の選択肢は増えるが、負うべき技術的責任も増える。
二、次の段階では、計算能力はどこで発生するのか？
もしAIの未来が少数のクローズドモデルによってのみ支配されるなら、トレーニングと推論は大規模なクラウドプラットフォームや超大型データセンターに集中し続けるだろう。
しかし、オープンウェイトモデルがより広く採用されるようになれば、AIの計算能力は消滅するのではなく、少数の中心的ノードから、プライベートクラウド、企業サーバールーム、ソブリンデータセンター、エッジサーバー、そして個人のデバイスへと、さらに拡散していく。
これは、「GPUが何枚必要か」という変数から、「GPUはどこに配置され、誰が管理し、どのように呼び出されるのか」という変数へと、市場が注目を移す必要があることを意味する。
クローズドモデルの時代には、企業は複雑さの大部分をモデル企業にアウトソーシングすることができた。APIに接続し、トークン単位で支払い、プロバイダーがモデルの更新、インフラ、セキュリティアライメント、法的責任の一部を担ってくれた。
マルチモデル時代に突入すると、この単純な構造は崩れ始める。
**企業は、最も複雑なタスクを最先端のクローズドモデルに任せ、高頻度でコストに敏感なタスクをオープンウェイトモデルに任せるかもしれない。**機密データはローカルに留め、一般的なワークロードはパブリッククラウドで実行し、一部のリクエストはデータセンターで処理し、別の一部はPC、スマートフォン、その他のエッジデバイスで直接完了する。
モデルの数が増え、デプロイ場所が分散するほど、企業のAIテクノロジースタックも複雑になる。
- 第一にゲートウェイ層：企業は、異なるモデルのアイデンティティ認証、呼び出し権限、レート制限、ログ記録、ベンダーのフェイルオーバーを管理する統一されたエントリポイントを必要とする。
- 第二にルーティング層：システムは、精度、遅延、コスト、データの機密性、タスクの難易度に基づき、各リクエストを最適なモデルに割り当てる必要がある。
- 続いてオーケストレーション層：複雑なエージェントワークフローは通常、複数のモデル、データベース、外部ツールの連携を必要とし、単一のユーザーリクエストが数十のステップと呼び出しに分解される可能性がある。
- 最後に可観測性と評価層：企業はモデルの出力品質、応答遅延、トークン使用量、実行コスト、障害原因、セキュリティリスクを継続的に追跡しなければならない。
これこそが、オープンウェイトモデルの拡散が、モデルベンダーだけに追い風となるわけではない理由である。
基盤モデルそのものの入手が容易になると、企業は「モデルをいかに安定的に本番運用に乗せるか」に対して、より積極的に支払うようになる。モデルゲートウェイ、タスクルーティング、エージェントオーケストレーション、データガバナンス、可観測性、セキュリティソフトウェアは、バリューチェーンの中で圧縮しにくい部分になる可能性がある。
セキュリティの重要性が特に際立ちます。クローズドソースモデルが集中実行される場合、セキュリティ責任の一部はモデル開発ラボやクラウドプラットフォームが担います。一方、オープンモデルが企業のオンプレミス、プライベートクラウド、エッジデバイスに導入されると、ID、データ、エンドポイント、モデルの重み、ランタイム環境をそれぞれ独立して保護する必要があります。
企業は、従業員が機密データを誤ったモデルに送信するのを防ぐだけでなく、異なるモデルがどのデータベースにアクセスできるか、どのツールを呼び出せるか、またプロンプトインジェクション、モデル蒸留、重み改ざん、権限濫用の可能性があるかどうかを管理する必要がある。
モデルの展開が分散すればするほど、攻撃面は広がり、モデルの数が多ければ多いほど、ガバナンスコストは高くなる。
したがって、オープンウェイトモデルが本当にもたらすのは、AIインフラ価値の消滅ではなく、価値が単一の基盤モデルとAPI層から、システムスタック全体へと徐々に拡散していくことである。
将来のAI支出は、もはや少数のテクノロジー大手によるスーパートレーニングクラスターの建設に限らず、企業によるサーバー購入、ネットワークとストレージのアップグレード、セキュリティシステムの展開、プライベートAIプラットフォームの構築、そして携帯電話やPCへのより強力なエッジコンピューティングの搭載という形でも現れるだろう。
計算能力の需要が集中から分散に移行することは、総量の減少を意味するわけではなく、受益者がモデル研究所や大規模クラウドベンダーに集中しなくなることを意味するだけである。
三、AIの三つの世界：誰が勝っても、計算能力、電力、セキュリティは不可避
モルガン・スタンレーは、将来の三つのシナリオに明確な確率を割り当てず、クローズドモデルが勝利した場合、ハイブリッドアーキテクチャが共存する場合、オープンウェイトモデルが勝利した場合のそれぞれについて、AI産業チェーンで起こりうる価値分配の方法を推論している。
第一の世界：クローズドモデルが引き続き最先端の能力を掌握
このシナリオでは、最先端モデルの性能、信頼性、セキュリティ能力は依然として複製が困難であり、資本力のある少数のモデル研究所がリードを保ち続ける。
企業は、モデルの重みを完全に制御することよりも、精度、展開の容易さ、知的財産補償、ブランドの信頼性を重視するため、クローズドAPIと企業サブスクリプションへの支払いを継続する意向がある。
トレーニングと推論のワークロードは、AWSやGoogle Cloudなどのハイパースケーラープラットフォームにさらに集中し、スーパートレーニングクラスターがGPU、高速ネットワーク、光通信、カスタムASICへの需要を引き続き牽引する。
GoogleやAmazonのようにクラウドインフラとモデル能力の両方を持つプラットフォームはより有利な立場にあり、Broadcom、Arista Networks、Lumentum、Coherentなどのチップおよびネットワークベンダーも恩恵を受ける可能性がある。
レポートの試算によると、Googleがリードするモデルを自社のインフラ上でGemini APIとして提供した場合、その投資資本利益率（ROIC）は約45％に達する可能性がある。モデルが絶対的なリードにない場合でも、単にインフラプロバイダーとしての関連リターンも約30％になる可能性がある。
このことは、クローズド世界で最も重要な資産は、モデルそのものだけでなく、モデル実行に必要不可欠な計算能力の所有権も含まれることを示している。チップ、データセンター、そして顧客接点を所有する者こそ、モデル呼び出しから生み出される利益を保持する能力が高い。
第二の世界：オープンとクローズドの長期共存
これは現在、企業の実際の使用状況に最も近いシナリオである。
クローズドな最先端モデルは、複雑な推論、長時間のエージェントワークフロー、高信頼性タスクを担当し、オープンウェイトモデルと小規模モデルは、高頻度、コスト重視、低遅延、または高度に専門化された作業を処理する。
**企業は一つのモデルだけを選ぶことはなく、タスクに応じて継続的に切り替えとルーティングを行う。** それはすなわち、AI展開がパブリッククラウド、プライベートクラウド、オンプレミスインフラ、エッジデバイスに同時に存在することを意味する。
このシナリオでは、単一のモデルベンダーが完全に独占的な価格決定権を得ることは難しいが、AIソフトウェアとインフラストラクチャ市場全体は最も広範な需要を得る。
- マイクロソフト、Amazon、そしてGoogleは引き続きクラウドワークロードから恩恵を受ける。
- Datadog、Palantir、Appianなどのインフラストラクチャおよびワークフローソフトウェアベンダーは、モデルオーケストレーション、データ接続、可観測性の需要から恩恵を受ける可能性がある。
- Palo Alto Networks、CrowdStrike、Fortinet、Zscaler、Netskope、Oktaなどのセキュリティベンダーは、企業の攻撃面とアイデンティティ境界の継続的な拡大から恩恵を受ける。
同時に、Cisco、F5などのネットワーク機器ベンダー、そしてDell、HPE、NetAppなどのエンタープライズインフラ企業も、オンプレミスやハイブリッド展開から新たな需要を得る可能性がある。
ハイブリッドアーキテクチャの最大の投資上の意味は、AI支出がトレーニングクラスターだけに集中するのではなく、企業のテクノロジースタックの各層に沿って拡散すること、そしてモデル層での競争が激化するほど、企業は異なるモデルや展開環境の間で切り替えるための、中立的なソフトウェアとインフラストラクチャをより必要とするようになることだ。
第三の世界：オープンウェイトモデルが主流に
このシナリオでは、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徐々に近づき、基盤モデルの知能は広く入手可能になり、API価格は大幅に下落する。
企業は汎用モデル能力に過剰なプレミアムを支払うことを望まず、代わりにプライベートデータを使ってファインチューニングを行い、主要な予算を推論の最適化、エージェント、業界ツール、そしてアプリケーションの展開に投入する。
イノベーションの重心は事前学習から後学習とアプリケーション層へと移り、AIインフラストラクチャもさらに分散化する。政府や大企業は、データ主権、プライバシー、レイテンシー、ベンダーロックイン回避といった考慮から、より多くのモデルをソブリンクラウド、プライベートデータセンター、オンプレミス環境に展開する可能性がある。
- マイクロソフトは、Azure、GitHub、エンタープライズソフトウェア、そしてオープンモデルエコシステムによってより強い地位を得る可能性がある。
- MiniMax、智谱/Z.ai、そしてアリババ、テンセントといったオープンモデルプロバイダーの戦略的価値が上昇する。
- Dell、HPE、NetAppなどのオンプレミスインフラベンダー、HP、Appleなどのエッジデバイス企業、そしてシステムインテグレーターやIT流通チャネルも、より明確な需要を得る。
しかし、オープン世界がクラウドプラットフォームの価値を失わせるわけではない。
大半の企業は依然としてインフラを完全に自力で構築するわけではなく、オープンモデルは依然としてAzure、AWS、Google Cloud上で稼働する可能性があり、ハイパースケーラーの役割は唯一のモデルエントリポイントから、オープンモデルのホスティング、コンピューティングリソース、データサービス、エンタープライズAIプラットフォームの提供者へと変わる。
したがって、クラウドベンダーが直面するのは単純な勝ち負けではなく、収益構造の変化である。例えば、基盤モデルのレンタル料は下がるかもしれないが、コンピューティング、ストレージ、データベース、セキュリティ、エンタープライズサービスの収益は依然として伸びる可能性がある。
三つの結末に共通する勝者
モルガン・スタンレーが挙げた資産マトリックスで最も注目すべきは、各シナリオに固有の企業ではなく、三つの列に繰り返し現れる名前である。
第一にNVIDIA。
クローズドモデルが勝てば、より多くの計算能力が超大規模トレーニングおよび推論クラスターに集中する。オープンウェイトモデルが勝てば、推論ノードが企業、オンプレミス、エッジ環境へと拡散する。
両方のパスで、チップの形態、顧客構造、個々のクラスター規模は異なるかもしれないが、いずれも計算能力の持続的増強を必要とする。要するに、オープンモデルが引き下げるのはモデル使用のハードルであり、計算プロセスをなくすわけではない。
第二に電力。
クローズド世界では、スーパーデータセンターを支える安定したGW級の電力が必要となり、オープン世界では、企業データセンター、ソブリンクラウド、オンサイト推論施設への電力供給需要が増加する。モデル効率の向上は、単一タスクの消費電力を下げるかもしれないが、より多くのタスクやデバイスが継続的にAIを実行することを可能にするかもしれない。
そのため、Bloom Energy、Williams、Liberty Energyといったオンサイト電力、天然ガス、エネルギーインフラ企業が、レポートで繰り返し受益対象として挙げられている。
第三にセキュリティソフトウェア。
企業がクローズドモデルを使おうがオープンモデルを使おうが、アイデンティティ、データ、アプリケーションを保護する必要がある。そして、展開が少数のクラウドプラットフォームからオンプレミスやエッジ環境へと拡散すればするほど、セキュリティ需要は一層複雑になる。
この観点から、セキュリティソフトウェアは、オープンウェイトモデルの普及において市場から過小評価されている二次的な受益方向かもしれない。
最後に
全体として見れば、オープンウェイトモデルが真に殺す可能性があるのは、おそらく計算能力需要ではなく、基盤モデル層が長期的に高いレンタル料を維持できるという幻想である。
モデルの能力が次第に普及すれば、企業はもはや「知能を手に入れる」ことだけに支払うのではなく、知能を展開し、データを接続し、ワークフローを管理し、システムを保護し、そしてモデルが実際のビジネスにおいて継続的にリターンを生み出すことにより多くの予算を投じるようになる。
計算能力も単純に成長から衰退へと転じるわけではない――それは少数のスーパートレーニングクラスターから、より多くの推論ノード、企業サーバールーム、ソブリンクラウド、エッジデバイスへと拡散し、一回限りのモデルトレーニング競争から、企業のあらゆるワークフローをカバーする長期的なインフラ投資へと徐々に変わっていくだろう。
したがって、オープンウェイトモデルがもたらす最大の変化は、AIのCapExサイクルがまもなく終わるということではなく、このサイクルが参加者も展開も分散化し、バリューチェーンもより長い新たな段階に入りつつあるということである。
