テック企業は安価な AI モデルを愛せるようになるか？

AIブームは、より大きなモデルほど強力であり、最も強力なモデルが勝つという基本的な前提の上に築かれてきました。現在、業界はその前提が崩れ始めたときに何が起きるかを学ぼうとしています。 高騰するコストにより、ユーザーたちはすでに小さく安価なモデルを再検討せざるを得なくなっています。この「コスト意識の高いモデル選び」は新しい動きであり、それが業界にどのような影響を与えるかは不透明ですが、そのインパクトは大きくなる可能性が高いです。 コイントレックスの共同創設者であるブライアン・アームストロングが最もよく示した予測の一つは、これによりタスクの大半がより安価なモデルへ移行するというものです。 「知能への需要はほぼ無限大ですが、12〜18ヶ月以内に作業負荷の 80% が 99% 安価なモデル上で実行されるようになります」とアームストロングはX（旧Twitter）に投稿しました。「残りの 20% の作業負荷は、IQ最大化が重要な最新世代のモデル上で引き続き実行されます。」 もしアームストロングの予測が現実のものとなれば、AI業界にとってどれほど大きな転換点となるか、過大評価することさえ難しいでしょう。 これまで、ほとんどの AI 企業は品質を競うことで競争してきました。これは、利用可能な最も先進的なモデルをデフォルトとして採用することを意味していました。もし同じ業務が、品質に影響を与えることなくより安価なモデルで処理できるのであれば、それは AI の経済構造における大規模な転換を意味します。そして何よりも重要なのは、その多くのお金が大手ラボのポケットから出ていくことになる点です。これは、OpenAI や Anthropic といった企業が IPO（新規株式公開）に向けて進もうとしているまさにその時期に、それらに対して財政的な打撃を与えることになります。 これは業界における潜在的に地殻変動ともいえる変化であり、一つの基本的な問いに依存しています：企業はより小さなモデルへ切り替える準備ができているのでしょうか？ 初期のテストでは、システムが適切に構成されていれば、安価なモデルでも品質を犠牲することなく代替可能であることが示唆されています。法律分野向け AI ツール「Harvey」による最近のテストでは、同社は品質を低下させることなく推論コストを 3 倍削減することに成功しました。このテストは、推論プラットフォームの Fireworks AI と共同で行われたもので、Claude Opus と Fireworks の GLM 5.1 を組み合わせ、最も負荷の高いタスクには Opus を使用するという構成でした。その結果、サーバー稼働時間と全体のコストが大幅に削減されました。 「品質は最優先であり、法律分野では常にそうあるべきです」と、Harvey の共同創設者である Gabe Pereyra は TechCrunch に語りました。これは、同社が提供する AI 法務サービスに関する言及です。「しかしながら、品質の定義は、すべてのタスクに最も強力なモデルを使用することから、最も効率的に正しい回答を得られる最適なモデルを使用することに進化しています。」 この傾向は、主要ラボと中国製モデル、あるいはオープンウェイトモデルとの対比として語られることが多いが、それは本質を見失っている。真の分断点は、プロプライエタリモデルとオープンモデルの間ではなく、大規模モデルと小規模モデルの間にある。GPT-5.5 から DeepSeek の V4 Flash へ切り替えることでコストを削減できるが、GPT-5.4-mini へ切り替えても同様の効果が得られる。 大手ラボによる社内推論と、独立して提供されるオープンウェイトモデルの間では、活発な価格競争が行われている。小規模モデルか大規模モデルかというより大きな問いにおいては、どちらの小規模モデルが勝つかは本質的に重要ではない。 これらはすべて自明のように思えるかもしれない——当然ながら、必要な計算リソース以上を使うべきではない——しかし、これは現在まで業界を支配してきた「スケーリング最優先」のアプローチに反する。[苦い教訓](https://en.wikipedia.org/wiki/Bitter_lesson) に着想を得たラボは、可能な限り計算集約的なモデルの訓練に力を入れ、AI モデルが何を実現できるかの境界線を押し広げてきた。価格が投資家によって大幅に補助されていたため、顧客には最も先進的なオプションを選ぶ以外の理由がなかった。 トークン価格の上昇と補助金の減速により、ユーザーは初めてコスト圧力に直面している。この新たなコスト圧力が実際に企業ユーザーを小規模モデルへと駆り立てるかどうかはまだわからない。彼らはむしろ、呼び出し回数を減らしたり、コンテキスト（文脈）の使用量を削減したり、あるいは最も見込みの低い展開を諦めたりすることで、簡単に節約を図ることもできるだろう。 しかし、ほとんどのデプロイメントがより小さなモデルでも同様に実行可能であることが判明すれば、推論（inference）に対する需要の拡大に深刻なブレーキがかかり、フロンティアモデルをトレーニングするコストをどのように正当化するかという新たな疑問が生じる可能性があります。 *当記事内のリンクを通じてご購入いただいた場合、[私たちは少額のコミッションを獲得する場合があります](https://techcrunch.com/techcrunch-affiliate-monetization-standards/)。これは当社の編集の独立性には影響しません。 ラッセル・ブランドムは2012年以来、プラットフォーム政策と新興技術に焦点を当てながらテクノロジー業界の報道を行ってきました。以前はThe VergeやRest of Worldで勤務し、Wired、The Awl、MIT's Technology Reviewにも寄稿しています。 彼への連絡先は russell.brandom@techcrunch.com または Signal（412-401-5489）です。 [View Bio](https://techcrunch.com/author/russell-brandom/)

テック企業は安価な AI モデルを愛せるようになるか？

背景や根拠まで確認しますか？

調べる

選ぶ

サイト