作者：Yiping & David @ IOSG
本記事は学習・交流のみを目的としており、いかなる投資助言も構成しません。転載の際は出典を明記し、IOSGチームに連絡して許諾および転載条件を確認してください。記事内で言及するすべてのプロジェクトは推奨や投資助言ではありません。
Model Fusion とは何か？
2026年6月、AI市場では3週間足らずのうちに「Fusion」という名の2つの製品が登場した。
6月12日、OpenRouterはFusion Routerを発表し、そのタイトルは「Surpassing Frontier Performance with Fusion」だった。同社のDRACOディープリサーチ評価では、Fable 5とGPT-5.5のモデルグループが69.0点を獲得し、Fable 5単独モデルの65.3点を上回った。OpenRouterが示す売り文句は率直だ。単一モデルでは不十分なら、複数のモデルに同じ問題を回答させ、審査モデルが比較・統合する、というものだ。
6月29日、CognitionはDevin Fusionを発表したが、そのタイトルは「Frontier Performance at 35% Lower Cost」だった。これは複数のモデルにタスク全体を重複して実行させるのではなく、フロンティアモデルに計画と判断を担わせ、テストや機械的な修正などの作業をより安価なサイドキックに任せ、実行中に動的にモデルを切り替える。
同じ言葉が、相反する2つの経済的論理を指している。OpenRouterはより多くの計算によって性能の上限を買い、Cognitionは高価な計算を減らしつつ元の品質を維持しようとする。この対比は、どのモデルランキングよりも問題の本質を示している。モデル融合という技術的命題は確かに成り立つ。複数回の試行は1回の試行を上回る可能性がある。しかし市場が実際に報いるのは「より多くのモデルを呼び出すこと」ではなく、品質の基準を満たした後に、誰がより少ない費用で、より速く提供できるかだ。
▲ 図1：同じ月に登場した2つのFusion
本記事ではModel Fusionをより狭いアーキテクチャに限定する。複数のモデルが同じタスクに対して並行して回答し、審査モデルが結果を比較し、最後に1つのモデルが回答を出力するものだ。Devin Fusionはこの定義には当てはまらず、動的ルーティングとタスク委任に近い。冒頭で取り上げたのは、市場が「Fusion」をあらゆるマルチモデルオーケストレーションの総称として扱う中で、本当に有効な製品はむしろ狭義のモデル融合から離れつつあるためだ。
我々の見方はやや悲観的だ。Model Fusionは高価な品質保険である。特定のタスクで絶対的な性能を高めることはできるが、コスト・品質・遅延の効率的フロンティアを実際に外側へ押し広げることはほとんどない。この保険を購入する価値が本当にあるタスクはわずかだ。Model Fusionは残るだろうが、デフォルトアーキテクチャではなく、低頻度でトリガーされる機能になる可能性が高く、独立したカテゴリになるのはさらに難しい。
モデルには現在どのような選択肢があるか？
Fusionを論じるとすぐに精度ランキングへ引き込まれがちだが、企業はランキングの順位を買っているわけではない。企業が買うのはタスクの合格結果であり、同時に価格、遅延、プライバシー、安定性も勘定に入れる。安価なモデルがすでに業務上の合格ラインを超えているなら、「より賢いこと」に払い続けることは経済的に意味がないかもしれない。コスト効率こそモデル市場の本当の主軸だ。
▲ 図2：モデル知能とタスクあたりコスト、横軸は対数スケール
図で最も注目すべきは右上の最高スコアではなく、価格・能力トレンドから外れた点だ。それらはより低い価格で十分な能力を提供しており、特定のワークロードにおける効率のアウトライアーである。総合指数は、どのモデルがコードレビュー、中国語リサーチ、規制対象デプロイに最も適しているかに直接答えることはできない。しかし、モデル供給がコモディティ化しつつあり、「最強モデル」と「最適な選択」が分離しつつあるという方向性を示している。
同じ品質ギャップに対し、市場には現在4つの主な買い方がある。
1つ目は、より強い単一モデルへ直接アップグレードすることだ。これは最もシンプルで、監査も最も容易い。ハイエンドモデルの限界的な価格上昇がエラーや手戻りのコストを下回る限り、通常は依然として第一の選択肢となる。2つ目は、同じモデルでテスト時計算を増やすことだ。たとえば推論の延長、self-consistency、複数回サンプリングなどがある。3つ目は、ルーティング、カスケード、タスク委任だ。まず安価なモデルで検証可能または機械的な部分を処理し、困難な場合にのみアップグレードする。4つ目が狭義のModel Fusionだ。複数のモデルに同じ問題へ重複して回答させ、審査モデルと統合モデルが最終回答を形成する。
この4つの方式はいずれも「より多くの計算で品質を買う」ものだが、違いは計算をどこに使うかだ。単一モデルの拡張はより深い推論を買い、ルーティングはより正確なリソース配分を買い、Fusionはより多くの候補回答を買う。最初の3つの手法は、結果を変える可能性が最も高い段階に予算を集中させる。Fusionはまず重複した意見に対して支払い、その上で審査モデルが有効な差異を見つけ出せるかに賭ける。候補モデルが十分な独立情報をもたらし、審査がその情報を識別できて初めて、Fusionは最初の3つの手法を上回り得る。
ルーティングはすでに、モデル間の能力差がまずスケジューリングの機会であることを示している。RouteLLMは一部の評価で品質を損なわずにコストを2倍以上削減した。Switchcraftは82.9%の精度を達成しながら84%のコスト削減を実現し、論文の試算では100万リクエストあたり3,600ドル以上を節約できるという。結果は企業自身のトラフィックで再現する必要があるが、経済的論理は極めて直接的だ。複数のモデルに会議をさせる必要はなく、各タスクを最も安価な合格モデルに渡せばよい。
これは、市場がまずアップグレード、ルーティング、検証で品質ギャップを解決することを意味する。これらの方法でもまだ不十分な場合にのみ、Fusionで追加の候補回答を買う理由が生まれる。
なぜスコア向上が価値に直結しないのか？
なぜならFusionは同時に3つのハードルを越えなければならないからだ。増分品質が追加コストと遅延を上回ること、候補モデルが独立した情報を提供すること、審査がより良い回答を安定的に識別すること。いずれかが成り立たなければ、スコア向上を本番価値に転換することはできない。
計算コスト：どれだけの予算と遅延が増えるのか？
Fusionによるスコア向上は、まず確定的な計算支出である。OpenRouterは複数のパネルモデルを並行して呼び出し、その後審査モデルと統合モデルが回答を生成する。DRACOの3つの対照群はいずれもスコアを伸ばした。Fable 5 + GPT-5.5は65.3から69.0へ、Opus 4.8の自己融合は58.8から65.5へ、低コスト3モデル群は60.3から64.7へ向上した。
しかしOpusの自己融合の向上がより大きかったことは、利益がモデル間の知識補完ではなく、追加の探索とサンプリングに由来する可能性を示している。公平な対照では、同じtoken予算でのself-consistency、より長い推論、強い単一モデルを比較すべきだ。既存研究もこれを示している。マルチエージェントは約20倍の計算量で最大7.1ポイントの向上にとどまり、予算が同じ場合、debateとMixture-of-Agentsはself-consistencyよりそれぞれ1.3ポイント、2.7ポイント高いだけであり、別の推論tokenを揃えた研究では単一エージェントが同等かそれ以上だった。多くの「協調利益」は計算勘定を揃えると消える。
▲ 図3：OpenRouterのベンチマーク向上と製品コスト
OpenRouterのデフォルト3モデルパネルのコストは通常の生成の約4〜5倍、速度は2〜3倍遅い。しかし各DRACO構成の完全なtoken数、コスト、遅延は開示されておらず、3.7ポイントの向上が価値に見合うかは判断できない。評価も100件の純粋なテキスト英語タスクのみで、Fable関連の構成は93件しか完了していない。審査モデルを変更すると絶対スコアが10〜25パーセントポイント動く。これはFusionがスコアを向上できることを示したが、Fusionが本番ROIを改善したことは示していない。
選択的呼び出しはコストを薄めることしかできない。OpenRouterが開示したレンジに基づく試算では、トリガー率が1%の場合、全体コストは約1.03〜1.04倍、10%では1.30〜1.40倍、25%ではすでに1.75〜2.00倍に達する。
▲ 図4：選択的にFusionを呼び出す場合の全体経済性
最も難しいリクエストほど Fusion がトリガーされやすい一方、システムは最も遅いパネルメンバーを待たなければならず、その後レビューと生成を直列に完了するため、テールレイテンシーが最も価値の高いタスクに集中する。複数ベンダーの呼び出しは、故障面・監査の複雑さ・プライバシー露出も拡大する。Fusion のコストは API 価格だけでなく、待ち時間と新たなシステムリスクも含む。
情報の補完性：複数のモデルは本当に異なる情報を提供しているのか？
Fusion の価値は、候補モデルが独立した情報をもたらすかどうかにかかっている。しかし、異なるモデルはしばしば学習コーパス、ウェブ上の情報源、誤った前提を共有している。調査タスクでは、これが「引用ロンダリング」につながる。複数のモデルが同じ情報源に行き着いても、複数の独立した証拠であるかのように包装されてしまうのだ。システムがクレーム単位の来歴（claim-level provenance）と検索経路を保持しなければ、モデル数が増えるにつれて API コストはほぼ線形に上昇する一方、証拠の多様性は必ずしも高まらない。
KAIKAKU.AI 共同創業者兼 CEO の Josef Chen は、2026 年の論文「When DoesCombining Language Models Help?」で、21 社のプロバイダーが提供する 67 モデルを調査した。オープンエンドの数学タスクでは、全モデルが同時に誤答する予測確率は 2.3% だったが、実測値は 5.2% に達し、予測値の約 2.3 倍だった。実行採点方式のコーディングタスクと自由回答版 GPQA-Diamond では、全モデルが同時に失敗する割合はさらに上がり、それぞれ 7.9% と 12.7% になった。
GPQA-Diamond を 100 問に置き換えると、約 13 問ではすべての候補モデルがそろって誤答し、投票、評価、統合のいずれでも正解を選べない。モデルは易しい問題での意見の分かれが組み合わせの価値を拡大する一方、保険が最も必要なテール部分の問題では、かえって同時に失敗する可能性がある。
判断の信頼性：システムはより良い回答を識別し、統合できるのか？
候補となる回答が補完的であっても、その価値はなお評価器にかかっている。候補が一致している場合、評価器は相関した誤りを高確信度と誤認する可能性がある。候補が割れている場合、正しく選ぶには十分な専門知識が必要になる。統合モデルは重要な少数意見を消し去ったり、実際の意見の相違を確定的な結論に書き換えたりする恐れもある。
コードタスクでは、コンパイラ、テスト、静的解析のほうが、別のモデルの意見よりも通常は信頼できる。クリエイティブなタスクでは、評価と統合によって差異が平均的な回答へと押しつぶされやすい。LitBench で最も強い既製の評価モデルでも、人間のクリエイティブ・ライティングの嗜好との一致率は 73% にすぎない。タスクに安価な外部検証器がすでに存在する場合や、「良さ」自体が主観的判断に依存する場合、Fusion によるスコア向上を課金可能な価値に変えるのは難しい。
誰が Fusion に支払うのか？
Fusion の需要は、2 つのハードルで決まる。タスクが複数モデルから恩恵を受けられるかどうか、そしてその恩恵が継続的な支払いにつながるほど十分かどうかだ。前者は技術的な問題であり、後者こそ市場の問題である。
技術的な適用から経済的な成立へ
Fusion が誤りを正解に直す確率 × 1 回の誤りで回避できる損失は、追加される API コスト、レイテンシ、運用の複雑さ、プライバシーリスクを上回らなければならない。
ベンチマークスコアはこの損益問題に答えを出せない。Fusion が成立し得るのは、誤りの代償が高く、候補モデルが補完的な探索経路を提供し、より安価な外部検証器がなく、しかも事業が追加のレイテンシとベンダーリスクを受け入れられる場合に限られる。最終結果はなお、人または外部証拠によって確認されるべきだ。
▲ 図 5：技術的な適用から持続可能な需要へ
これらの条件に当てはまるのは、主に高価値のリサーチとデューデリジェンス、アーキテクチャおよびセキュリティのレビュー、不可逆的な意思決定の前の「セカンドオピニオン」だ。共通点は、制約が不完全で、見落としの代償が高く、もう 1 本の独立した思考経路そのものに価値があることだ。反対に、通常のコード、リアルタイムのコンシューマー向けアプリ、高スループットで低マージンのワークフロー、テストやルールで直接検証できるタスクでは、通常 Fusion は不要だ。規制当局もデータ境界や監査要件を理由に、複数ベンダーのパネルを拒否する可能性がある。
支払い意思から持続可能な需要へ
技術的に有用であれば高い支払い意思は生まれ得るが、それはスケーラブルな需要とは限らない。持続的な需要になるには、誤りによる損失が定量化でき、タスクが繰り返し発生し、組織内に明確な予算責任者がいて、Fusion が人間の専門家、強力な単一モデル、外部検証に継続的に勝ち続ける必要がある。だが、デューデリジェンスの予算はアナリストや信頼できる情報源へ、セキュリティの予算は専門監査へ流れがちで、不可逆的な意思決定は発生頻度が低すぎる。
したがって、複数モデルのラッパーだけを手がける企業、パネルをデフォルトで実行する企業、静的なモデル選択アルゴリズムを堀（moat）とみなす企業は有望ではないと考える。API を接続するだけの部分は複製しやすく、固定的な戦略もモデルの能力や価格の変化とともにすぐ陳腐化する。誤りがいくら損害をもたらすか、Fusion が実際に何回誤りを修正できたかが分からなければ、この保険に価格を付けることはできない。価値を獲得できる可能性が高いのは、実際の結果を握っている側だ。ゲートウェイやエージェントのプラットフォーム、垂直アプリ、ワークフロー所有者、評価・可観測性製品である。彼らは誤りのコストを知り、結果を観察でき、トリガー戦略を最適化できる。本当に複製が難しいのはパネルのリストではなく、いつ Fusion を呼び出さないかを判断することだ。
市場での検証
公開市場の情報だけでは Fusion の需要規模を判断するには不十分だが、それがどのように使われているかは既に見えている。Perplexity Model Council は、月額 200 ドルの Max ユーザーと Enterprise Max ユーザーにのみ開放されており、ユーザーはウェブ上で 3 つのモデルを手動選択して、投資リサーチ、複雑な意思決定、情報検証に使う。公開されているユースケースには、browser automation を通じて Model Council を株式リサーチのワークフローに接続する例が含まれる。Hermes Mixture of Agents は、Fusion をエージェント内で選択可能な仮想モデルにしている。ユーザーは /moa で難しい問題を 1 つだけアップグレードすることも、複雑なセッションで継続的に有効にして、複数の reference models が分析を提供し、aggregator がツールを呼び出してタスクを完了することもできる。Hermes はその後、コストを抑えるためにデフォルトの fan-out 頻度を下げ、前回のモデルの意見を再利用するようになった。これらの事例が示すのは、Fusion の実際の需要が research、debugging、review、重要意思決定といった低頻度で困難なタスクに集中しており、典型的な使われ方は、単一モデルがボトルネックに直面した後の能動的なアップグレードであって、デフォルトで有効になる高頻度の自動化フローではないということだ。既存の証拠はこの需要の存在を示しているが、公開情報だけでは、それが独立したスケーラブルな有料市場を形成できるかどうかを判断するにはまだ不十分だ。
Fusion の未来
推論価格の下落は表面的には Fusion に追い風だが、同時に強力な単一モデル、ルーティング、外部検証のコストも押し下げる。Fusion が競争しているのは、昨日の 1 回のモデル呼び出しではなく、改善を続ける次世代の単一モデルとオーケストレーションのベースラインだ。
Cognition の Devin Fusion はこの競争の方向性を示している。高価なモデルは判断の場面に残し、検証可能で機械的な作業はより安価なモデルに任せるという方向だ。ベンダーによる自社テストでは、Fusion + Fable 5 の合計スコアは 57.0 から 57.6 に小幅に上昇し、平均コストは 5.12 ドルから 3.00 ドルに低下した。ただし、公表された 5 つの事例では、コストはすべて 25%〜62% 低下した一方、タスクスコアは +12 から -27 の間で変動した。境界が明確でテストが十分な ES6 リファクタリングは 98 点から 100 点に上がったが、インタラクションの理解と暗黙の要件に依存する React/Redux 機能は、誤って委任された後に 54 点から 27 点へ下がった。
▲ 図 6：Devin Fusion のタスクスコアとコスト
これらはベンダーが選んだ事例であり、全体の分布を代表するものではない。しかし、その示す方向は明確だ。将来のマルチモデル・システムの中核能力は、より多くのモデルを呼び出すことではなく、正しい縮退境界を引くことにある。検証可能で機械的なタスクは安価なモデルに任せ、判断集約的なタスクはフロンティアモデルに残さなければならない。OpenRouter は「より多くの知能」を売り、Cognition は「同等の知能、より低いコスト」を売る。2 番目の命題のほうが長期的な方向に近い。システムが生産経済学に近づくほど、それは狭義の Model Fusion ではなく、ルーティング、委任、検証に近づいていく。
7 月下旬、メディアは Stripe が OpenRouter を約 100 億ドルで買収する方向で協議中だと報じた。取引はまだ確認されていない。このシグナルを「Fusion はすでに市場で検証された」と解釈すべきではない。OpenRouter の中核的価値は特定のパネルではなく、500 万人以上の開発者と 400 以上のモデルをつなぐ中立の呼び出しレイヤーにある。Stripe はすでに OpenRouter に課金、税務、リスク管理を提供しており、開発者が Stripe Projects を通じて直接アカウントを作成し、API キーを取得し、支払いを接続できるようにしている。Stripe が実際に買おうとしている可能性があるのは、AI 推論の取引入口だ。OpenRouter はモデル選択、トークン使用量、コストを握り、Stripe は価格設定、請求、支払いを処理する。これは前述の価値判断に市場シグナルを与える。マルチモデル時代の価値は、タスクを観察し、呼び出しを割り当て、決済を完了できるオーケストレーションレイヤーに残る可能性が高く、Fusion はその上の 1 つの高コストなアップグレード戦略にすぎない。
将来のマルチモデル・システムは、デフォルトでパネルを招集するのではなく、まずタスクの難易度、検証コスト、誤りによる損失を推定する。より強力な単一モデル、推論の延長、外部ツールでもなお不十分な場合にのみ、複数モデルによる意見の相違の探索に入る。トリガー率、増分成功率、検証済みの単位成果あたりコストこそが、意味のあるプロダクト指標だ。Fusion は低頻度の機能として残るのであり、デフォルトのアーキテクチャや独立したカテゴリーにはならない。
