AI フロンティア企業の経済学：コモディティ化と成長の両立

現在、OpenAI、Anthropic、Google といったフロンティアモデル企業と、DeepSeek、Qwen、GLM などによるフロンティア機能のコモディティ化が相まって、これらの企業が生き残れるかという懸念の声が多く聞かれています。

しかし、私はフロンティアモデル企業が地球上で最も大きな企業の一角を占める一方で、それらのモデルが担うタスクの多くはコモディティ（標準品）へと成り果てる可能性も十分にあると考えています。この二つの結果は矛盾しません。なぜなら AI は単一の巨大市場ではないからです。供給側には巨大なプレイヤーが存在するかもしれませんが、利用ケースに統一されたものはありません。それぞれのタスクには異なる知能への要求があり、多くのタスクにおいては、ある水準を超えて知能を上げても追加の価値は生まれないという点があります。

LLM は、開発コストが高く固定費でありながら能力が急速に進化する他の技術市場と非常に似ています。

これらの市場を理解する簡単な方法は、モデルを「コスト」と「性能」の軸でプロットすることです。特定のタスクにおいては、一部のモデルはそもそも能力が不足しています。一方、その要件を満たすモデルの中では、購入者はコストとレイテンシ（遅延）を重視します。では、「十分な性能」「許容できるレイテンシ」「魅力的な価格」とは何でしょうか？これらは利用ケースによって劇的に変化します。

能力の定義は利用ケースによって異なります。ここでは「知能」を、特定のタスクに特化した能力の略称として用います。

画像生成に優れたモデルもあれば、動画生成に優れたモデル、コーディングが得意なモデル、数学的推論に強いモデルなどがあります。「何をもって知能と測るか」という問い自体は妥当ですが、その答えはタスクごとに変わります。

私は時間の経過とともに、モデルの表現における違いが収束していくことをある程度予想しています。特に、多様な入力・出力を扱うマルチモーダルモデルが、最終的には多くの特定タスク向けモデルに勝つと強く疑っています。これまでに、データに次元を追加することで、全体的な推論能力が向上する傾向が見られています。

私たちは、これらのすべてができるモデルを歴史的に「フロンティアモデル」と呼んできました。かつてはフロンティアモデルだけがそれらをこなせたからです。しかし、その認識は次第に正しくなくなっています。マルチモーダル性とフロンティア知能は、別々の特性です。

タスク知能の飽和

特定のタスクにおいて、重要な閾値が2つあります。

「最低限の実用知能（MVI: Minimum Viable Intelligence）」とは、モデルがそのタスクを遂行できるかどうかの閾値です。この MVI を超えれば、モデルはタスクを実行可能になります。人間が特定のタスクにおいてさまざまなパフォーマンスを発揮するように、MVI に達したモデルも最上位の性能を出すことは稀です。単に「許容範囲内」という評価で終わることもあれば、許容される精度の下限ギリギリを攻めることもあります。いずれにせよ、要件を満たすという点では合格ラインに乗っています。

一方、「最大限必要な知能（MNI: Maximum Necessary Intelligence）」とは、それ以上の知能を追加しても何ら価値を生み出さないポイントです。タスクは、そのユースケースが求める性能と一貫性のレベルに達しています。この点を越えて知能の単位を増やしても、追加の価値は生まれません。

MVI に満たない場合、モデルはそのタスクを安定的に実行できず、そのユースケースにおける経済的価値はほとんどありません。MVI と MNI の間では、知能レベルを高めるほど経済的価値も増大します。しかし、MNI を超えると、知能に対する限界効用（追加価値）はゼロになります。

フロンティア・インテリジェンスが重要なのは、まだ飽和していないタスクに限られます。

タスクレベルにおいて、知能には限界効用の逓減があり、最終的にはゼロに収束します。

私たちが最大限必要な知能の水準を確信できていない、長期にわたるタスクは無数にあります。真の上限が極めて高いケースもあれば、知能を高めることで得られる限界効用に限界がない問題が存在するかもしれません。宇宙の理解などがその一例でしょう。しかし、私たちはまだ知りません。

一方で、実際に最大限必要な知能が決まっているタスクも無数に存在します。明確な上限があるのです。それ以上の知能を追加しても効果は得られず、あるレベルを超えると過剰な思考によって逆にマイナスの効用を生むことさえあります。

これは人間でも同様です。非常に賢い人ほど、単純な業務には不適切であるケースが多いのは、彼らがその仕事を過剰に分析してしまう傾向があるからです。この現象は LLM においても同じようです。推論能力が極めて高いモデルに本質的に簡単なタスクを与えると、5 分間もその場で空回りして「何が難しいのか」を模索しようとするかもしれません。実際には何も難しいことはなく、ただ答えを出す必要があったのです。

コーディングという領域は、人々が思っているほど無限の知能を必要としない、ある程度境界が明確な分野だと私は考えています。正しくコードを書くために必要な知能には上限があるはずです。特定の複雑なタスクではまだ高度な知能が必要で、バグのないソフトウェアやシステムを完全に構築できる段階ではありませんが、飽和状態に達したとは言い切れないでしょう。

しかし、モデルの改善をあと一〜二回重ねるだけで、ソフトウェア開発の驚くほど大きな部分をカバーできるようになる可能性は十分にあります。すでに単純ではない多くのコーディングタスクについては、実質的に解決済みです。

最終的に知能の上限に達するタスクの数は、人々が想像しているよりも多いはずです。

さらなる知能が不要になったとき

モデルの能力が高まるにつれて、より多くのタスクがこの「飽和点」に到達します。次世代でさらに賢いモデルが登場しても、すでに解決済みのタスクに対してそれを採用する理由はほとんどありません。ある時点では、最先端モデルは提供コストが高く、かつ処理速度も遅いことが一般的です。

知能の追加が必要なくなった時点で、重要視されるのはコストと、多くのケースにおいてスピードになります。

他にも重要な要素があります。プロビジョニングの利便性や、他のワークフローへの埋め込み統合、インフラの整備などです。コモディティ（汎用品）市場において、純粋な価格競争から脱却し、差別化を図る方法は多岐にわたります。

信頼性については、ここで区別が必要です。タスクの信頼性はすでに知能の一部です。あるモデルがタスクを 80% の確率で正しく実行でき、別のモデルが 99.99% の確率で正しく実行できる場合、後者の方がそのタスクに特化した能力が高いと言えます。この改善は MVI と MNI の間に位置します。

MNI を超えると、信頼性はインフラストラクチャの信頼性を意味します。プロバイダーは稼働率を維持できるでしょうか？ピーク時の負荷をダウンタイムやリードタイムなしで処理できるでしょうか？予測可能なスループットを提供できるでしょうか？タスク知能が飽和した後もこれらの要素は価値を持ち続けますが、それらはインフラとサービスの特性です。

レイテンシも同様の構造をとります。速度は「最初のトークンまでの時間」と「1 秒あたりのトークン数」に分解できます。極めてリアルタイム性が求められるユースケースでは、トークンのストリーミング開始までのスピードを非常に重視するでしょう。一方、他のユースケースではそれは全く問題になりません。バッチ処理のオフライン作業であれば、24 時間のレイテンシも許容されるかもしれません。その場合は当然、価格にも反映されます。

したがって、タスクレベルでの調達判断は、能力、コスト、レイテンシ、そしてユースケースが求めるその他の要件の中から選択することになります。複数のモデルが MNI を突破した後は、より高い知能が勝敗を決定づけることはなくなります。

これはハイテク市場の大半で起こっていること

この構造はすでに半導体市場において確認できます。

すでに能力要件が飽和しているチップのカテゴリーは膨大です。自動車、産業機器、家電製品、組み込みデバイスなどは、最先端のトランジスタ密度を必要としない大量のチップを使用しています。例えば自動車用途では、成熟したプロセスノードに対する需要が依然として根強く残っています。既存の技術で十分であるため、顧客にはこれらのチップを新しいノードへ移行するインセンティブがほとんどなく、移行に伴う開発や認定コストが増大するだけです。

必要な能力が達成された後は、経済性は製造コスト、信頼性、供給安定性、およびスケールに大きく依存します。成熟したノードの半導体製造は歴史的に利益率が低く、チップ自体への需要が依然として大きい場合でも、高価な新設備投資を正当化することが難しい要因となっています。

私は、LLM（大規模言語モデル）においても同様の現象が見られると考えています。知能に関するタスクが飽和するにつれて、既存のワークロードのより大きな割合が、最大能力ではなく価格、レイテンシ、その他の特性に最適化されたモデルによって処理されるようになるでしょう。

これは絶対的なトークン量についてはほとんど示していません。総トークン量は劇的に増加すると予想されますが、最先端領域とコモディティ市場で提供されるトークンのシェアは動的に変化するものとなります。

能力のわずかな向上が、驚くべき数のトークンを消費する新たな市場を生み出す可能性があります。ある期間、最先端モデルはその市場のほぼすべてを担うことになるでしょう。その後、より安価なモデルが価格とレイテンシの最適化によって追いつき、市場の大部分を奪っていくことになります。

GPU はこの状況を理解するための有用な比喩です。

GPU はもともとグラフィックス処理のためのプロセッサとして始まりました。性能が向上し、プログラマビリティが高まるにつれて、単に画面に描画するだけでなく、より価値のある用途が見出されるようになりました。これにより、はるかにリッチなゲームが可能になり、暗号資産ブームの一部における重要なインフラとなり、最終的には現代 AI の中核的な計算資源へと進化しました。

現在、AI は NVIDIA にとって最大の市場となっています。直近の会計年度において、NVIDIA はデータセンター部門で約 1940 億ドルの収益を上げ、ゲーム部門では 160 億ドルでした。同社は、データセンター部門におけるこの驚異的な成長が、アクセラレーテッド・コンピューティングと AI に起因するものだと説明しています。

かつてはグラフィックス描画が主要な経済用途であった技術が、より高い能力とプログラマビリティによって全く異なるワークロードを可能にした結果、はるかに大きな市場を獲得したのです。これは決して昔の話ではありません。

このダイナミクスは知能の分野にも当てはまります。

最先端が市場を生む

新しいモデルがフロンティア（最前線）を押し広げると、以前は最低限の実用可能な知能の水準に満たなかったタスクがそれを上回ります。これまで不可能だったサービスが可能になることで、新たな市場が創出されます。

MVI と MNI の間には、すでに他のタスクが存在しています。より能力の高いモデルはこれらのタスクをよりよく処理するため、より大きな経済的価値を生み出します。

時間が経つと競合他社がその能力を模倣し、コストは低下していきます。最終的には複数のモデルが特定のタスクに必要な最大限の知能を超えてしまいます。その時点で、さらに高い知能は製品の差別化要因ではなくなり、競争は顧客が関心を持つ他の要素に集中します。

フロンティア（最先端）は、これまで不可能だったタスクを可能にすることで新たな市場を創出します。これらのタスクが飽和し、同じ能力がより安価なモデルにも普及すると、それらはコモディティ化していきます。

時間利潤モデル

『利益の芸術』には「時間利潤モデル」という概念があります。LLM（大規模言語モデル）や大半の高技術市場は、これに非常に近い構造に従っていると考えられます。

新たな技術的進歩を成し遂げたとしても、競合他社が追いついて価格崩壊を引き起こすまで、それを活用して商業化できる期間は限られています。この現象は、現在もモデル業界で同じように起きています。

フロンティアの最前線では、その能力レベルでサービスを提供できる企業がたった一社か二社しかいないため、相対的に高い価格、あるいは驚くほど高額な価格を設定できます。競争が制限されることで価格決定権が生まれ、限界費用を大幅に上回る価格を実現できるのです。

しかしやがて競合他社が追いつき、その経済モデルは悪化していきます。

知能の最前線において、より成功したモデルほど、その背後にあるコモディティ（汎用）モデルの能力を高めることになります。

昨日までの最先端の機能は、やがて数十社から数百社のプロバイダーによって、はるかに低い価格で提供されるようになります。

これは、最先端モデルを開発する企業のビジネスが悪いことを意味しません。最終的にトークン使用量の少数派に過ぎなくなったとしても、これらの企業こそが市場で最大の利益を生み出す存在となる可能性は十分にあります。

彼らの収益源は「希少性」です。ある価値あるタスクを遂行できる唯一のプロバイダーである企業には、圧倒的な価格決定力があります。一方、数百ものモデルが実行可能なタスクを担当する企業にとって、その力は極めて限定的です。競争が少ないほど価格決定力は強まり、それが限界費用よりもはるかに高い価格設定を可能にします。

最先端モデルと最先端モデル企業

OpenAI、Anthropic、Google は、最先端のモデルだけでなく、そこから数世代も遅れたモデルにも対応可能です。彼らは最先端システムから知識を抽出（ディストillation）したり、小規模なモデルを運用したり、推論計算資源を動的に割り当てたり、あるいは自社のスケールを活用して市場全体で競争したりできます。

これを阻む技術的な法則はありません。私はむしろ、市場には他にも多くのプロバイダーが存在し続けるだろうと予想しています。なぜなら、イノベーションを起こす企業と最低コストの生産者では、歴史的に非常に異なる行動様式を身につけてきたからです。

NVIDIA の事例は示唆に富んでいますが、比喩の精度には注意が必要です。同社はゲーム、プロ向けビジュアル化、自動車、データセンターなど複数の計算市場で事業を展開しています。あくまで最先端領域のみを相手にしているわけではありません。

しかし、その驚異的な収益構造は、あらゆる低コスト半導体用途を支配しようとすることではなく、技術的優位性が際立つ市場から生まれることが増えています。2026 年度決算において、データセンター事業が NVIDIA の総売上高 2,160 億ドルのうち約 1,940 億ドルを占めています。

この背景には流通チャネルの特性も影響しています。流通経路は、構築する組織の形態ある程度を決定づけます。最新かつ最も困難な技術課題に取り組む高度な顧客と協業するために設計された組織は、可能な限り単価を下げながら膨大な量を捌くことを目的とした組織とは、まるで異なる姿をしています。

市場ごとの競争環境も異なります。最先端領域では、深刻な競争相手が 1〜2 社程度かもしれません。一方、性能曲線の下方へ十分に降りれば、数百、あるいは数千ものプロバイダーが競合する状況になります。そこは、より深く、より過激な格闘戦の場なのです。

タスク自体が飽和状態に達すれば、フロンティアモデル企業は明白な知能優位性を失います。規模や GPU の調達力、流通網、インフラなど、他の強みを持つ可能性はあります。自社のモデルを最適化・凝縮する点で世界最高の企業になるかもしれません。

しかし、これらはあくまで可能性に過ぎません。多くのプロバイダーがすでに知能要件を満たせるようになれば、競争環境はより過酷になります。

ルーターの運用主体は誰か？

このフレームワークを単純に解釈すれば、各アプリケーションは与えられたタスクを完了できる最も安価なモデルを動的に選択することになります。しかし、私はクロスモデルルーティングがそれほど容易になるとはあまり信じていません。

多くのエージェントシステムを構築してきた経験から言えるのは、同じタスクに対してモデルを一つから別のものに置き換えても、期待通りの出力が得られないということです。同じトークン入力に対しても、モデルによって表現方法が異なります。故障モードや、異なる目的を達成するために必要なプロンプトの書き方もモデルごとに違います。確率的な要素やトレーニングの詳細も影響します。

原理的には、ルーター会社が意図を理解し、特定のモデル向けにプロンプトを書き換えてから適切なプロバイダーへタスクを送信する「翻訳モデル」を訓練することも可能です。それは十分に実現可能な話です。しかし、まだ普遍的に機能している様子は見ていません。

動的アロケーションが有効なユースケースは数多く存在します。チャットボットの活用や、単発のタスク処理などがその典型例です。人間が関与するループ型の業務でも、同様に機能する可能性があります。一方で、基盤となるモデルの変更がシステム全体の挙動に影響を与える可能性のある、長時間実行されるエージェント型タスクについては、確信は持てません。

また、最もコストの高い知能プロバイダーにルーティングを任せることには、根本的な経済上の問題も伴います。

フロンティアモデルは、おそらく高収益商品となるでしょう。ルーターとモデルの両方を販売する企業にとっては、より多くの処理を自社の高価なモデルへ誘導する経済的インセンティブが働きます。一方、タスク達成にかかるコストを最小化しようとする顧客には、それとは逆のインセンティブが存在します。この対立構造こそが、独立したルーティング層と調達層の必要性を生む要因ですが、普遍的な市場構造が一つだけ確立されるとは思えません。

より高い知能が、必ずしも高コストを意味しないわけではない

より高度な知能が、構造的に必然的に高コストになるわけではありません。特定のアーキテクチャ・パラダイム内や、ある特定の時点においては、そう見えるだけです。

現在、モデルのコストは主に以下の 3 つのカテゴリーに分類されます。

• R&D コスト: 問題の検討、実験、新手法の開発などを含むコスト。
• トレーニングコスト: コンピューティング資源とデータを含むコスト。
• 推論コスト: モデル提供における限界費用（マージナル・コスト）の多くを決定づけるコスト。

技術革命は、こうした関係性を一変させる可能性があります。アーキテクチャや運用の改善を通じて、フロンティアを超えるはるかに賢いモデルを、トレーニングや提供にかかるコストも大幅に抑えながら生み出すことができるかもしれません。このような事例は、技術の歴史において何度も繰り返されてきました。

コストのフロンティアは、長期的には明らかに低下します。30 年前の最高級テレビと比べて、現在の最高級テレビが劇的に安価になっているのは、半導体やディスプレイ、製造工程、その他の投入要素における改善によるものです。

調達決定は特定の時点で行われます。今日の買い手は、今日利用可能なモデルとその経済性を比較して選択します。その瞬間において、わずかに性能が高いフロンティアモデルは、通常、後退したモデルよりも高価です。

コモディティ化は不採算を意味しない

メモリ市場もまた、有用な比較対象となります。ここでは、成熟した技術市場において、全く異なる理由から利益が再び現れる様子が示されています。

メモリ性能は長年、膨大なカテゴリのワークロードに対して十分でした。しかし、需要が供給能力を上回る場合、メモリ生産者は依然として並外れた利益を上げることができます。現在まさにその状況が見られています。AI やデータセンターへの需要が高まり、DRAM と NAND の供給制約が深刻化しています。サプライヤーはサーバーや AI アプリケーション向けに生産容量をシフトさせ、価格は劇的に上昇しています。

その利益は、ユニークな最前線の能力ではなく、希少な生産能力から生まれます。供給不足の時期でも、コモディティ市場は極めて収益性が高い場合があります。最終的には、持続的な過剰需要に対して生産能力が反応するようになりますが、半導体生産の調整には時間がかかります。

市場支配力を築く方法还有其他あります。企業は希少な資源を支配したり、規模の優位性を構築したり、重要な知的財産権を保有したり、流通をコントロールしたり、規制による保護を受けたりすることで利益を得られます。これらすべてが優れたビジネスを生み出す可能性があります。しかし、それらは最前線の能力に関する経済学とは別の問題です。

兆ドル規模の問い

最前線の経済は、未飽和のまま残っている価値ある知能の量に依存します。

その市場規模がどれほど大きいか、私たちは全く知りません。これが「兆ドル規模の問い」です。

このシステムには反射性があります。知能が増大すれば新たな終端市場が生まれ、その市場が新たな企業と競争構造を生み出し、さらに経済的に価値のあるタスクが生まれるからです。

GPU 市場もその一例です。現在の AI 市場は GPU がなければ成立しませんでした。現在では、AI によって創出された需要に GPU 市場が依存する度合いが高まっています。ある技術市場が別の市場を生み出し、それが結果として自らの主要な需要源となったのです。

知能においても同様のことが起こり得ます。経済的に価値のある知能の限界がどこにあるのか分からないのは、より高度な知能が既存の経済活動のセット自体を変えてしまうからです。

未開拓の市場は、現在の経済規模の数百倍に及ぶ可能性もあります。あるいは、現在の経済の一部に過ぎないという結果になるかもしれません。その場合、残りの課題はタスク定義とワークフロー設計にかかってくるでしょう。どちらの可能性も十分にあります。

私の推測では、その数は極めて巨大なものになります。人類としてこれまでに、知能が増加したのに新たな市場創出が伴わなかった事例を一度も経験していません。それでもなお、フロンティア・インテリジェンス（最先端の知能）に対する市場規模は未だ不明です。

技術競争は最終的に、特定の技術パラダイム内でその能力要件を満たす方向へ収束する傾向があります。新しい技術革命が起きると、前回の革命を牽引した企業は存続の危機に直面することがよくあります。彼らは賢明な M&A や事業運営、あるいは自らの再構築によって生き残ることもありますが、過去の競争優位性が失われることは避けられません。

CPU と GPU はどちらも計算資源ですが、Intel が GPU の覇権を握ったわけではありません。ある種の計算を極めて得意とする企業が、別の種類の計算でも圧倒的な優位性を持つと考えるのは自然な推測でした。しかし、勝者は異なる企業でした。

同様の力学はネットワーク、ストレージ、メモリ市場にも見られます。これらの市場の多くは、大規模顧客層の能力要件をすでに長年満たしています。これらは依然として巨大な市場であり、莫大な利益を生み出し続けていますが、その利益源が「能力フロンティア」の拡大と深く結びついているとは限りません。

優位性の持続期間はどれほどか？

これは、かつて最先端領域にしか存在しなかった機能をコモディティ化している DeepSeek、Qwen、GLM、そして他のモデルたちへと話を戻すことになります。

彼らの進歩は極めて重要です。以前は X ドル かかっていた機能が、X ドルの 1/20 で利用可能になったとき、その機能に対する希少性による収益（スカーシティ・レント）は目減りします。最先端モデル企業にとっての問いは、競合他社が旧来の機能を模倣するまでに、どれだけの価値ある新機能を創出できるかという点にあります。

経済的な本質は、以下の 3 つの変数に帰着されます。

• 知能のフロンティア（最先端）がどの程度急速に進化するか
• 競合他社が追いつくまでにどれほどの時間を要するか
• その期間中に、各進化がもたらす経済的価値はどの程度か

もし新世代ごとに十分な規模の市場を創出し、企業がその優位性を維持して収益化できる時間が十分に確保されるなら、最先端企業は驚異的な利益を上げることができます。しかし、コモディティ化までの期間が極めて短い場合、ビジネスは遥かに困難なものになります。もしその機会が数週間に縮小すれば、フロンティアを進めるために数百億ドル規模の投資を行う正当性を示すのは難しくなります。

私にはこれが最も起こりうる結果とは思えませんが、可能性としては十分にあります。多くの点で、これは「1 兆ドルの問い」と言えるでしょう。

したがって、フロンティアモデル企業は地球上で最も規模が大きく収益性の高い企業の一角を占める一方、多くの AI タスクはコモディティ化していくことになります。既存の機能は、新しい能力を生み出す価値を損なうことなく、驚くべき速度で低コスト化していきます。

この経済構造は、フロンティアがどの程度急速に進化するか、その優位性がどれほど持続するか、次の進化を実現するために必要なコストはいくらになるか、そして知能の各段階がもたらす経済活動の規模がどれほど大きいかによって決定されます。

私たちが確かなのは、多くの分野でタスクレベルの知能は最終的に飽和するという事実です。しかし、現在のフロンティアを超えてまだ経済的価値のあるタスクがどれだけ残っているのか、あるいは知能のさらなる向上によって生まれる市場がどれほど大きくなるのかについては、まだわかっていません。この問いに対する答えこそが、知能のフロンティアにおける経済構造を決定づけるのです。