原文タイトル：「AI導入がエンジニアリング時代に突入、超大規模CSPの新たな機会と課題、AI商業化の評価基準となる新体系」
原文著者：qinbafrank、市場アナリスト

編集者注：本稿の著者は市場アナリスト @qinbafrank 氏です。AIは「モデル競争」から「商業化競争」へと移行しており、企業がAIを大規模に導入し始めるにつれ、市場の注目はモデルの能力から、収益の質、企業のROI、資本収益へとシフトしています。本稿では、新たなAI商業化分析フレームワークの構築を試みます。「後記」は著者が本稿を転載する際に記したもので、最近のテック大手の決算やAI商業化に関する深い考察が含まれており、参考価値が高いため、編集部で本文の前に配置し、読者の参考に供します。

後記

超大規模CSP（マイクロソフト、アマゾン、グーグル、メタ）の決算は7月の市場における第二の分水嶺です。市場が懸念し、注目するポイントは何でしょうか？その重要性については後述しますが、超大規模CSPの業績はすでにAI商業化の重要な指標となっています（その重みは大規模モデルのARRと同等です）。核心は、AI需要の成長速度、収益の質、単位経済が、設備投資、減価償却、エネルギーコスト、資金調達需要の上昇速度に追いつくかどうかです。簡単に言えば、AI商業化の実現速度がAIへの資本投入とコスト増加に追いつかず、大手テクノロジー企業のフリーキャッシュフローが問題となる可能性があります。私の考えを述べます。

1、市場の懸念はおおむね4層に分解できる

1）高期待と混雑した取引

市場はすでに、今後数年間の継続的な設備投資、チップ需要、クラウド成長の一部を価格に織り込んでいます。主要テクノロジー企業数社の2026年の設備投資合計は約7300億ドルに上ります。決算が「良好だが、予想を上回り続けていない」場合、混雑した半導体、ストレージ、データセンター、電力関連の取引は下落する可能性があります。しかし、大手テクノロジーセクター全体がすでに「長年にわたる完璧な期待」を織り込んでいるとは単純に言えません。マイクロソフト、アルファベット、アマゾン、メタには、Office、検索広告、Eコマース、ソーシャル広告など、AI以外の巨大なキャッシュフローが存在します。本当に長年の期待を織り込みやすいのは、通常、収益がAI設備投資と強く結びつき、かつサイクルに対する弾力性が大きいサプライチェーン企業です。

最近のデレバレッジにより、この高期待と混雑した取引の度合いは大幅に軽減されています。

2）設備投資、減価償却、フリーキャッシュフローのミスマッチ

収益は即座に成長する可能性があるが、データセンター、GPU、電力供給、ネットワークによる減価償却は長年にわたって続く。現在の市場は「誰が最も多く投資したか」から、「誰が新たなキャパシティを最も早く有料利用に移行させ、減価償却と資金コストをカバーする粗利を生み出せるか」へと焦点が移っている。アマゾンの第1四半期フリーキャッシュフローはマイナスに転じ、マイクロソフトのクラウド粗利率はAI投資の圧力を受け、アルファベットは減価償却とエネルギーコストの上昇を明確に警告しており、この懸念は単なる感情論ではない。

3）市場は「設備投資過多」と「設備投資削減」の両方を同時に懸念

これは矛盾しない。影響を受ける対象が異なるからだ。CSPの株主にとって、リターンのない設備投資増加はネガティブ。一方、チップ、ストレージ、データセンター、電力サプライチェーンにとって、設備投資削減は収益にネガティブ。

効率向上による設備投資削減で収益とキャパシティを維持するのはポジティブ。需要減退による設備投資削減は、AI産業チェーン全体にとってネガティブ。

したがって、市場が本当に気にしているのは設備投資の絶対的な増減ではなく、新たな設備投資1ドルあたりにどれだけ持続可能な粗利とフリーキャッシュフローが生み出せるかである。

4）AI商業化の収益と投資サイクルにはタイムラグがある

現在、クラウドAI需要は非常に強く、一部のCSPは依然としてキャパシティ制約に直面しているが、企業がパイロット段階から本格的な生産、契約更新、拡大へと移行するにはより長い時間が必要。市場が懸念するのは、減価償却と資金調達コストが先に財務諸表に計上された後、企業のAI収益が十分に速く追いつくかどうかだ。さらに、金利、エネルギー価格、マクロリスクも長期テクノロジー資産に影響を与えるため、すべての下落をAIに帰することはできない。投資家は「AIインフラは過小評価されている」という見方と「過剰かつ早すぎる投資」という見方の間で揺れ動いている。

2、市場センチメントを真に好転させるもの

単にモデルを増やしたり、トークン数を発表したり、設備投資を再び引き上げたりしても、懸念は払拭できない。市場は連続的な証拠の連鎖を必要としている。

第一に、AI収益が少数の戦略的顧客に依存せず、広がりを持つこと

企業顧客数、本番ワークロード、有料シート数、契約更新率、顧客あたりの消費額が同時に成長し、OpenAIやAnthropicなどの少数の超大規模契約を除いても需要が依然として強いことを示さなければならない。

第二に、AI粗利益の伸びが減価償却費や運営コストを上回ること

短期的な粗利率の低下は許容されるが、新たなAI粗利益は、新たな減価償却費、エネルギー、ネットワーク、人材への投資を明らかに上回らなければならない。理想的には、単位あたりの推論コストが低下しつつ、総粗利益が継続的に向上することだ。

第三に、バックログが短期的な収益に転換できること

3年や5年の大型契約だけでは不十分だ。市場は、今後12〜24ヶ月の収益認識率、初期コミットメントを超える消費の程度、新容量稼働後の即時利用率をより重視する。

第四に、自社開発チップとモデル最適化が検証可能な経済的利益をもたらすこと

市場が必要とするのは、「Trainium、TPU、MAIがより安い」という点だけではない。具体的には、自社開発チップの比率上昇、トークンあたりまたは成功タスクあたりのコスト低下、価格低下幅がコスト低下幅を下回ること、アクセラレーター時間あたりの粗利向上、顧客消費総額とプラットフォーム付帯収入の継続的成長である。

第五に、フリーキャッシュフローの底が見えること

市場は以下を求める：Capexの伸びが制御可能になり始めること、新規Capexが契約需要に裏付けられていること、営業キャッシュフローの伸びが増大する設備投資をカバーできること、自社株買いとバランスシートが長期的に圧迫されないこと、減価償却のピークと投資回収期間が明確に説明できること。フリーキャッシュフローがマイナスに転じるかどうかは表面的な問題に過ぎず、市場が実際に取引するのは、マイナス転換の理由、規模、期間、そして将来の回復可能性である。

第六に、企業顧客が真のROIを証明できること

最も強力な証拠は、モデル評価やトークン数ではなく、顧客による開示である：収益とコンバージョン率の向上、人件費と処理時間の削減、パイロットから本番への移行、契約更新と展開拡大、全AIコスト計上後も投資回収期間が依然として魅力的であること。

第2四半期決算における理想的な「ゴルディロックス・コンビネーション」として、市場が最も期待するのは以下の通りである：

クラウドとAIの収益が予想を上回る＋利益率がほぼ安定＋バックログが転換を開始＋Capexが予想外に制御不能にならない、または新規Capexが既に契約済みの需要に明確に対応＋フリーキャッシュフローが悪化しない。

逆に、最も危険な組み合わせは以下の通りである：

トークンと使用量が急増するが、顧客あたりの支出、粗利、フリーキャッシュフローが改善しない。RPOの成長が単一の戦略的モデル企業に依存している。Capexが再び大幅に上方修正される一方で、利益率と収益ガイダンスが低下する。

はじめに

最初に7月6日、CoinbaseがAIのエンジニアリング実践において取り組んでいる内容を目にしたことがきっかけで、企業が今後AIを導入・展開する過程でどのようなトレンド変化が生じるのかを深く考え始めました。先週は2本の記事を執筆しました。

CSP（クラウドサービスプロバイダー）がコストパフォーマンスの高いオープンソースモデルを展開し、トークンを転売する意義：

今後の大手CSPの業績は、AIの商業化を測る上でより重要な指標となり、価値の再構築をもたらす：

この考察をさらに深め、拡張していくことで、今回の長文記事が形成されました。より詳細に、私個人のロジックや考え方についてお話しします。

一 シナリオ別・マルチモデル、企業のAI導入プロセスがエンジニアリング段階に移行することで生じる変化

1、シナリオ別：企業は「どのモデルが最良か」ではなく、「このタスクにはどのモデルを使うべきか」と問うようになる

将来的には「特化型の高コスパトークン」という概念はなくなるでしょう。なぜなら、トークン自体は単なる計量単位に過ぎないからです。実際に特化されるのは、モデル、推論戦略、コンテキストとデータ、ツール呼び出しパス、ハードウェアとサービス方式、セキュリティと人的確認メカニズムです。

企業がモデルを選択する際の目的関数は、単なるモデル能力の追求から、以下のように変わります：

タスク純価値 = タスク成功確率 × ビジネス価値 − 推論および実行コスト − エラーとリスク損失。

これにより、4つの典型的なシナリオが形成されます：

例えば、メール分類、要約、フィールド抽出、初歩的なカスタマーサポート振り分け、コードフォーマットチェックなどのタスクは、モデル能力への限界的な要求が低い一方で、呼び出し量が多く価格に敏感な特性を持ちます。こうしたタスクは徐々に小規模モデル、オープンモデル、またはCSPが自社開発したコスパモデルに移行していくでしょう。

一方、複雑なコード生成、重要な契約分析、科学的推論、戦略研究、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ことで高いビジネス価値が生まれる可能性があるため、依然として最先端モデルのプレミアムを支払う意思があります。

2、企業がAIを深く導入すればするほど、専用のAIシステムが必要になる

最先端のクローズドソース大規模モデルがどれだけ多くの公開データ、ライセンスデータ、合成データを使用していても、通常は特定の企業のリアルタイムデータ、内部ルール、組織権限、暗黙知を掌握していません。大企業にとってより必要なのは「プライベートAI境界」であり、これにはデータがトレーニングに使用されないこと、プライベートネットワーク、専用テナント、権限分離、データローカライゼーション、監査可能性が含まれます。一部のシナリオのみが、真にローカルまたは隔離された展開を必要とします。

企業が本当に不足しているのは、「すべての企業文書を読んだ」モデルではなく、適切な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す。

企業のプライベートデータは、以下の4つのカテゴリに分けて処理する必要があります。

そして「経験型データ」は、企業AIにとって最も難しい資産です。経験は本来、データとして存在するものではありません。通常、それは以下の場所に散在しています：ベテラン社員の判断、メールやチャットの記録、却下されたが記録されていない提案、異常事態の処理プロセス、システムの提案を人間が上書きしたアクション、顧客からの苦情や事後の振り返り。

この経験をAI資産に変換するために、企業は以下を構築する必要があります。

生の経験 → タスクサンプル → 専門家の判断 → 正誤基準 → モデル評価セット → フィードバックと事後トレーニング

したがって、大企業の堀（モート）は単に「多くの文書を持っていること」ではなく、以下の点にあります。

暗黙知を、機械が学習可能、検索可能、評価可能、実行可能な組織コンテキストに変換できるかどうか。

これこそが、企業AIにますますFDE、データエンジニア、ドメインエキスパート、ビジネス責任者の共同参加が必要とされる理由です。

そして、ここまで述べてきたことはすべて、以下の一点を指し示しています。

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、ビジネスプロセス、マルチモデルシステムを中心としたエンジニアリングデプロイメント」の段階へと移行している。

二「複合AIシステム」から「ミドルレイヤー」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

将来の企業向けプロダクションレベルの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動作します：ユーザーリクエスト、IDと権限、シナリオ認識、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、リスク管理、人間による再確認または自動実行、監視と継続的評価。

ここで重要なのは、「マルチモデル」よりも「マルチモジュール」です。なぜなら、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です。

なぜ企業はマルチモジュールへと向かうのか？

1) 単一のモデルが品質、コスト、速度、プライバシー、安定性のすべてにおいて同時に最適であることは不可能です。

2) モデル自体は企業のリアルタイムデータ、権限体系、業務状況を理解していません。データ層、検索層、ツール層、システムコネクタを通じてコンテキストを取得する必要があります。

3) 本番環境では、監査可能性、ロールバック可能性、監視可能性が求められます。モデルの出力をそのまま業務実行と同等とみなすことはできません。

4) モデルのアップデートは頻繁に行われます。企業は業務ロジックを特定のモデルから切り離し、モデルが変わるたびにアプリケーション全体を書き直さないようにする必要があります。

MCPなどのオープンプロトコルの登場は、モデルとデータソースや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を開発することによる断片化を減らそうとする試みです。

しかし、マルチモデルはモデル数の無制限な増加を意味するわけではありません

モデルを追加するたびに、企業には一連の暗黙の固定コストが発生します：セキュリティ監査、法務・知的財産評価、データ保存場所の審査、品質ベンチマークテスト、モデル更新後の回帰テスト、運用・障害対応、ベンダー管理。したがって、最も可能性の高い組織形態は「各チームが数十のモデルを自由に選択する」ではなく、次のようになります：

中央で限定的なコンプライアンスモデルプールを構築し、データとセキュリティの統制面を統一。各事業部門はシナリオ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次の通りです：基盤インフラは徐々に集中化し、シナリオのイノベーションは事業部門に分散する。

2、ミドルウェア層の価値の台頭：成立するが、「支配権」と「独立した商業的価値」を区別する必要がある

将来のミドルウェア層はおおまかに6つのカテゴリに分類できます：

どのミドルウェア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1つ以上の希少リソースを制御するプラットフォームです：

1) 企業データとコンテキスト：合法的に、リアルタイムで、権限に基づい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るか、誰の代わりに何を実行できるかを決定すること。

3）業務ワークフロー：タスクの入口から実行までのクローズドループを掌握する。

4）クロスモデル評価データ：実際の本番環境における品質、コスト、リスクデータを蓄積する。

5）配信能力：すでに多数のエンタープライズユーザーやシステムの入口を有している。

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、業界ソフトウェアベンダーは、この点で自然な優位性を持つ。

マイクロソフトは、AI顧客がFoundry、Fabric、Cosmos DB、セキュリティガバナンスサービスを同時に利用するケースが増えていると発表。Google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、Agentランタイムなどのサービスの顧客獲得の入口になり得ることを示している。

商品化されやすいミドルウェア層

以下のミドルウェア層は使用価値があるものの、必ずし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集約

・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

・ビジネスクローズドループを持たない基本的なAgent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などのCSPがこれらの機能をクラウドサービスとして無料または低価格でバンドルできるからだ。また、大規模なアプリケーションベンダーもこれらを既存製品に組み込むことができる。

したがって、より正確な判断は次の通り：

ミドルウェア層の戦略的重要性は必然的に高まるが、ミドルウェア層の独立系ベンダーの総価値が同じ割合で上昇するとは限らない。

ミドルウェア層はAI産業の「オペレーティングシステム」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、セキュリティおよび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持つアプリケーションソフトウェア企業、そしてクロスクラウド中立性と独自の生産データを持つ少数の独立系ミドルウェアベンダーである。

クロスクラウド中立性は、独立系ベンダーがCSPのバンドルに対抗する重要な優位性となる。大企業は通常、モデル、データ、評価、ガバナンスを単一のクラウドプラットフォームに完全にロックインすることを避けるため、独立系ミドルウェア層には依然として余地がある。ただし、「単純なモデル呼び出し」を超えた能力を提供する必要がある。

三 マルチモデル時代、超大規模CSPは強固な中間層となり得るか

1、CSPがオープンモデルと自社開発のコストパフォーマンスモデルを展開すると、どのような変化が生じるか？

変化その一：モデル呼び出しが単一ベンダー調達から、モデル組み合わせ管理へ

企業はもはや一つのモデルプロバイダーと深く結びつくのではなく、以下のようなモデルポートフォリオを維持する：

・最先端のクローズドモデルは、最も高度な要求を伴うタスクを担当；

・オープンモデルは、標準化可能かつプライベート化可能なタスクを担当；

・CSP自社開発モデルは、高頻度かつコストに敏感なタスクを担当；

・企業独自モデルは、高度に専門的でデータに敏感なタスクを担当。

CSPはモデルポートフォリオのエントリーポイント兼ルーターとなる。モデルプロバイダーが争うのはもはや単なる顧客ではなく、ルーティングシステムにおけるモデルのタスク割り当てシェアである。

そのため、新たなモデル競争指標として以下が含まれる：どれだけ多く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、低価格タスクか？

変化その二：モデル価格は低下するが、AI総支出は必ずしも減少しない

モデルの小型化、キャッシュ増加、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、コスト低下は新たなユースケースを刺激し、タスク量が大幅に増加する可能性もある。

変化その三：CSPの収益源がモデル手数料からフルスタック付帯収入へ拡大

オープンソースモデルが高額なライセンス収入を生まなくとも、CSPは以下の領域で課金可能：GPU、TPU、自社ASICコンピューティング；ホスティング推論サービス；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；Agentランタイム；セキュリティとID管理；ログ、評価、モニタリング；エンタープライズサポートサービス。

したがって、CSPが真に重視するのはモデル自体の収益シェアではなく、以下である：

CSP AI総粗利 = 推論粗利 + データ付帯粗利 + 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 + Agentランタイム粗利

AWSはBedrock顧客の支出が前期比で増加し、トークン処理量が大幅に増加したことを開示するとともに、AgentCore登録、ポリシー、評価などのサービスを発表。MicrosoftやGoogleもモデル、データ、エージェント、ガバナンスサービスの組み合わせを推進している。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と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滅しないが、能力の頂点とアプリケーション領域へと拡大する

オープンソースや自社開発のコストパフォーマンスに優れたモデルは、中低価格帯のモデルの価格を圧迫するが、最先端モデルの価値を自動的に消し去るわけではない。モデルベンダーは3つの道を取る可能性がある：1）能力の上限を継続的に引き上げ、複雑なタスクに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と移行する、3）カスタマイズされたポストトレーニング、セキュリティ、エンタープライズガバナンス、専用キャパシティを提供する。

最終的には、以下のような形になる可能性が高い：

CSPがインフラとモデル配信を制御；
最先端モデルベンダーが能力の上限を制御；
ミドルウェア層がコンテキスト、ガバナンス、スケジューリングを制御；
アプリケーションベンダーがワークフローとユーザーエントリーポイントを制御。

これは単一の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徴収する形となる。

変化5：企業のモデル層における交渉力は向上するが、プラットフォームロックインは深まる可能性がある

マルチモデルとオープンモデルは、企業の単一モデルベンダーへの依存度を低下させる。

しかし、企業のデータ、権限、エージェントの状態、評価システム、ワークフローがすべて同じCSP上にデプロイされている場合、モデル層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が逆に高まる可能性がある。

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わけではない。

2、CSPは横断的なAI基盤を制御し、垂直SaaSはビジネス実行層を制御する

CSPが最も獲得する可能性が高い価値：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；クローズドソースモデルの配信；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；評価と可観測性；エンタープライズテクニカルサポート。

垂直SaaSの掌握：作業エントリ；ビジネスオブジェクト；ビジネスセマンティクス；ユーザー権限；履歴操作データ；システム記録；業界ルール；最終アクションの実行；顧客結果のフィードバック。

そのため、安価なモデルを高価値なビジネス成果に包装することができる。

しかし、これは実際にワークフローとコアな独占データを持つSaaSにのみ当てはまる。汎用モデルに単純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に取って代わられやすい。以前ここで

この点について触れたことがある。

3、「二重中間層」が最も形成されやすい

将来の企業AIアーキテクチャは次のようになる可能性がある：

CSPが必ずしも垂直SaaSを飛び越えて全てのビジネスプロセスを制御できるわけではない；垂直SaaSも単独で大規模な基盤計算力や複数モデルインフラを担うのは難しい。誰が最も多くの価値を獲得できるかは、5つのコントロールポイントに依存する

真に高価値な層は、必ずしもモデルに最も近い層ではなく、同時に以下を制御できる層である：

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プロジェクトは通常：

Fit-gap分析 → 設定 → データ移行 → UAT → リリース。

企業AIプロジェクトはより次のようなものに近い：

シナリオ選定 → データ権限 → 評価セット → モデル選択 → RAGとツール連携 → モデルルーティング → セキュリティ境界 → 人間による確認 → 本番監視 → フィードバックと後続トレーニング。

最大の違いは：

SaaSは主に既存のソフトウェア内でプロセスを設定する；AIは生産プロセスにおいて確率システムを継続的に最適化する。

そのため、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、組織変革の複合体に近い。

四 超大規模CSPに対する価値の再構築

1. 超大CSPの価値再構築

以前ここで議論したように、市場はCSP、特に数社の超大CSPを「中間業者」と見なしていました。つまり、計算能力やトークンを販売する一方で、巨額の設備投資を負担しながらも最大の価値を獲得できていないとされていました。しかし現在、「効率的な中型モデル＋大規模展開」が、単なるパラメータ競争ではなく、生産環境においてその価値を証明しています。

そのため、過去の認識を覆す必要があります。超大CSPは、企業の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」となっています。

コスト収益構造の変化：CSPがクローズドモデルを再販する場合

CSPが得られる分配率は限定的（通常20～50％、契約による）であり、モデル提供側の価格設定圧力も負担します。一方、セルフホスト型のオープンモデルを再販する場合、オープンモデルは基本的にライセンスコストがゼロで、CSPは自社の計算能力、電力費、運用保守コストのみを負担します。CSPはほぼすべてのマークアップ（計算能力コストを差し引いた後）を獲得できます。価格設定はオープンソースコミュニティの実際のコスト＋適正なプレミアムを参考にできるため、より大きな余地があります。

自社開発モデルは言うまでもなく、収益のほぼ全額がCSPに帰属します。

2. しかし、超大CSPには新たな課題も生じる：タイムラグ

プロセス全体を4つのフェーズに分けることができます。期間はあくまで目安であり、業界によって大きく異なります。

フェーズ1：内部研究開発とキャパシティ投資

このフェーズでは、CSPが自社モデルのトレーニングまたはポストトレーニング、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います。

財務パフォーマンスは以下の可能性があります。Capexの増加、研究開発費と減価償却費の増加、外部クラウド収入がキャパシティ制約を受ける、粗利率の圧迫、直接的な商業収入が限定的。

フェーズ2：顧客トライアルとFDE導入

このフェーズでは、顧客がシナリオを選定、データと権限を整理、RAG、評価セット、ツール連携を構築、FDEが最初の本番システムの完成を支援します。

財務パフォーマンスは以下の可能性があります。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、クラウド消費の成長はまだ顕著でない、多数のPOCがまだ規模拡大に至っていない、人的投資の増加、サービス利益率がソフトウェア利益率を下回る可能性。

フェーズ3：推論の本番規模化

このフェーズでは：顧客のワークフローが安定化。エージェントが継続的に稼働開始。推論、データベース、ストレージ、セキュリティ消費が増加。垂直SaaSが利用量やビジネス成果に応じた課金を開始。

財務パフォーマンスとしては：CSPクラウド消費が加速。SaaSのAIアドオン収入が上昇。データおよびセキュリティ関連収入が増加。顧客の更新・拡大が改善。単位推論コストが低下。

フェーズ4：モデルとワークフローの最適化

このフェーズでは：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。高価値タスクは引き続き最先端モデルを使用。ルーティング、キャッシュ、蒸留によりコスト削減。FDEの成果が徐々に製品化。

財務パフォーマンスとしては：トークン単価が低下。タスク量が増加。モデルベンダーの収入構造が分化。CSPのフルスタック付帯収入が向上。垂直SaaSがワークフローと成果に基づきより多くの価値を獲得。成功した導入企業の粗利と資本収益率が改善し始める。

したがって、市場ではまず以下の流れが見られる可能性が高い：

Capex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。

このタイムラグこそが、現在のAI投資論争の核心である。

五 新たなAI商業化指標体系

1、今後は「AI収入はいくらか」だけを問うのではなく、同時に5つの質問に答える必要がある。

最も合理的な評価方法は、新たな単一指標を探すことではなく、モデルから資本収益率に至る7層のファネルを構築することである。

2、大規模モデルのARRは依然として重要だが、「終局指標」から「能力需要の先行指標」へと変わるべきである

大規模モデルベンダーのARRは依然として非常に重要であり、その理由は4つある。

1）ARRは、企業が知能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、継続的な契約を結ぶか、安定した消費を形成する意思があることを示している。

2）ARRは、最先端モデルに依然としてプレミアムが存在するかを反映する。モデルの性能が継続的に高いタスク成功率をもたらせば、顧客は高価値タスクに対してプレミアムを支払う。大量のルーティンタスクが小型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、リサーチ、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リソースへの再投資能力を決定する。モデルのトレーニング、ポストトレーニング、推論サービス、安全性評価、エンタープライズセールスには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」というサイクルを形成できるかどうかを左右する。

4）ARRはエコシステム影響力の代理指標でもある。開発者数、API呼び出し、エンタープライズ契約、アプリケーションへのモデル浸透度は、最終的に部分的にARRに反映されることが多い。

3、総合的に見ると

大規模モデルのARRは依然として重要である。なぜなら、企業が最先端の能力に対して対価を支払う意思があることを証明するからだ。

超大規模CSPの業績は今後より包括的で重要度が高まり、企業のAI導入プロセスにおける中間層が生み出す価値を示す。

最終的な評価基準は、成功タスクの経済性、企業のROI、資本収益へと移行する。

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、完全なエビデンスチェーンを形成すべきである：

モデルARRが有料需要を証明
→ 本番ワークロードが導入の深さを証明
→ 単位成功タスクあたりの粗利が経営品質を証明
→ 企業ROIが需要の持続可能性を証明
→ フリーキャッシュフローとROICが資本支出の合理性を証明。

最終的に最も追跡すべきは、「どれだけのトークンが生成されたか」ではなく、

AIの経済的価値 = 生産タスク数 × タスクあたりの価値 × ベンダーの価値獲得率 × 粗利率 − 資本占有コスト​

これこそが、マルチモデル・マルチモジュール時代におけるAI商業化を測定するための全体フレームワークである。

上記の内容はすべて、連続した因果関係を形成しています：

業務シナリオの差異拡大
→ 企業はもはや一つのモデルですべてのタスクを解決しない
→ 複数モデル・複数モジュールからなる複合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、大規模言語モデルの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、資本収益へと移行する。

これはもはや純粋なアーキテクチャ構想ではありません。AWS BedrockやMicrosoft Foundryはすでに、品質、コスト、タスクの複雑さに基づくモデルルーティングを正式な製品として提供しています。マイクロソフトは、1万社以上のFoundry顧客が複数のモデルを利用し、そのうち約5000社がオープンソースモデルを活用していると発表しています。Google Model Gardenも、自社モデル、サードパーティのクローズドソースモデル、オープンモデルのホスティングまたはセルフデプロイを同時に提供しています。

もちろん、この反復はまだ初期段階ですが、その傾向はますます明確になっているはずです。

原文リンク

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia