AI競争の主戦場は「最強モデル」から移り始めた。オープンモデル時代に企業が持つべき資産とは？

「結局、いま一番賢いAIはどれなのか」

AIの話をしていると、どうしてもこの問いに注目が集まります。

OpenAI、Anthropic、Google、中国のAI企業。新しいモデルが登場するたびに、推論、コーディング、エージェント操作などの性能が比較されます。

もちろん、モデル性能は重要です。高度な研究や難しい判断では、わずかな性能差が成果を大きく左右することもあります。

ただ、企業がAIを使って現実の価値を生み出すうえで、「一番賢いモデルを選ぶこと」が本当に最大の競争力なのでしょうか。

2026年7月14日にTechCrunchが公開した記事は、AI競争の主戦場が変わり始めている可能性を示しています。

世界最高性能のモデルを開発する競争だけでなく、安価で調整しやすいオープンウェイトモデルを、実際の業務へ大量に組み込む競争が重要になっているという指摘です。

私は、この方向性にはおおむね同意します。

ただし、「フロンティアモデルの時代が終わり、オープンモデルの時代になる」と理解するのは単純すぎます。

より正確には、AI市場は次の三層へ分かれつつあります。

そして、企業が長期的に持つべきものは、特定のモデルそのものではありません。

モデルを交換できる状態を保ちながら、自社の業務、評価基準、判断履歴、実行権限、顧客接点、改善ループを保持すること。

これが、オープンモデル時代の競争力になると考えています。

オープンモデルは、すでに「一部の選択肢」ではなくなっている

TechCrunchの記事では、オープンウェイトモデルの利用拡大を示す複数の数字が紹介されています。

Hugging Faceでは、2026年春のモデルダウンロードのうち、中国企業が開発したオープンウェイトモデルが41％を占めたとされています。

OpenRouterで利用数上位に入ったモデルにも、中国企業が公開するモデルが並びました。Vercelでも、2026年6月のAIリクエストの約3分の1をオープンウェイトモデルが処理したと報じられています。

ただし、ここは慎重に読む必要があります。

これらは、Hugging Face、OpenRouter、Vercelという特定の開発・API基盤上の数字です。ChatGPT、Claude、Geminiなどの公式サービス内で行われる膨大な利用を、すべて含むわけではありません。

したがって、「AI市場全体でオープンモデルがクローズドモデルを上回った」とまでは言えません。

それでも、少なくとも開発者向けのAI市場では、オープンモデルが実験用の周辺的な存在から、実務で比較・採用される主要候補へ移ったことは確かです。

性能差は縮んだ。しかし、消え続けているわけではない

オープンモデルについて、「もうクローズドモデルとほとんど変わらない」と説明されることがあります。

これも、半分は正しく、半分は不正確です。

Stanfordの2025年版AI Indexでは、一部の評価において、最上位クローズドモデルとオープンウェイトモデルの差が、約8ポイントから1.7ポイントまで縮小したと報告されました。

ところが、2026年3月時点では最上位のクローズドモデルが3.3ポイント先行し、上位10モデルのうち6モデルをクローズドモデルが占めています。差は再び広がりました。

つまり、性能差は一方向に縮み続けているわけではありません。

実際には、次の循環が起きていると見る方が自然です。

フロンティアモデルは、能力の上限を押し上げます。

オープンモデルは、その能力を時間差で広く普及させます。

どちらか一方が完全に不要になる関係ではありません。

実務では「最高点」より「必要十分」が勝つことがある

最高難度の研究、複雑なコーディング、長時間のエージェント処理では、フロンティアモデルの性能差が大きな意味を持ちます。

一方、企業の日常業務のすべてが、最高難度の仕事ではありません。

たとえば、次のような仕事があります。

• 問い合わせの分類

• 文書からの項目抽出

• 定型的なメールの下書き

• 会議記録の整理

• 社内検索

• 書式の変換

• 大量データの一次判定

このような業務では、評価が90点のモデルと93点のモデルを比べるよりも、

• 料金が5分の1

• 応答が2倍速い

• 社内環境で動かせる

• バージョンを固定できる

• データを外部へ送らずに済む

• 自社向けに調整できる

といった条件の方が、事業成果へ強く影響する場合があります。

そのため、モデル選定は単純な順位表ではなくなります。

この複数軸から、業務ごとの最適点を探す問題へ変わります。

オープンモデルの本当の価値は「無料」ではない

オープンモデルの利点として、料金の安さやローカル実行がよく挙げられます。

しかし、本質的な価値は、企業が選択肢を持てることです。

オープンウェイトモデルでは、企業が次のような変数を管理しやすくなります。

• どの環境で動かすか

• どのデータを渡すか

• どのバージョンを固定するか

• どのように追加学習・蒸留するか

• どの推論エンジンを使うか

• どの安全対策を組み込むか

• いつ別モデルへ切り替えるか

• 障害時にどこへ切り替えるか

閉じたAPIだけに依存すると、価格、規約、提供地域、モデル挙動、廃止時期が変更されても、利用企業側では制御しにくい場合があります。

モデルの重みと実行環境を保有していれば、提供元がAPIを停止しても、一定期間は運用を継続できる可能性があります。

これは単なる料金削減ではありません。

事業継続性、交渉力、技術的な選択肢を持つことです。

研究機関にとっても、強力なオープンウェイトモデルは、再現性、プライバシー、モデル内部の研究という利点を持ちます。Stanford HAIも、DeepSeekの登場を論じる中で、こうした価値を指摘しています。

ただし、「重みが無料」と「運用が安い」は別である

ここで、オープンモデルへの期待にもブレーキをかける必要があります。

モデルを無料でダウンロードできても、企業利用には多くの費用がかかります。

• GPUや推論サーバー

• 冗長化

• オートスケーリング

• 監視とログ

• アクセス制御

• モデル更新

• 推論最適化

• セキュリティ

• 障害対応

• 評価環境

• 専門人材

利用量が少ない企業では、従量課金のAPIを使った方が、総所有コストは低くなる可能性があります。

一方で、次の条件が揃う業務では、専用環境や自社ホストが有利になりやすくなります。

• 処理量が非常に多い

• 入出力が定型化されている

• 稼働率を高く保てる

• 外部へ出せないデータを扱う

• レイテンシーや可用性を制御したい

• モデルを長期間固定したい

CNCFの調査では、Kubernetesの本番利用が広がり、生成AIモデルをホストする組織でも推論基盤として活用されています。オープンモデルを本番運用するための基盤は整いつつありますが、それは運用が自動的に簡単になることを意味しません。

大切なのは、自社運用へ全面移行することではありません。

を、業務条件に応じて使い分けることです。

将来の標準は「一社一モデル」ではなくなる

今後、企業の利用者が毎回モデル名を選ぶ場面は減っていくと考えています。

一つの業務システムの裏側で、処理内容に応じて異なるモデルを使い分けるからです。

たとえば、

• 簡単な分類：小型・低価格モデル

• 社内文書の処理：専用環境のモデル

• 高度な推論：フロンティアモデル

• コード修正：コード特化モデル

• 機密情報：端末内またはオンプレミスモデル

• 最終確認：別モデルによるレビュー

• 障害発生時：別会社のAPI

という構成です。

ここで重要になるのが、モデルルーターです。

モデルルーターは、要求の難しさ、費用、速度、機密性などを見て、利用するモデルを自動的に決めます。

さらに、同じモデルであっても、提供事業者ごとに価格、速度、コンテキスト長、障害率が異なることがあります。

将来のルーターは、

だけでなく、

まで判断するようになるでしょう。

「自社モデル」より「自社評価系」を持つ方が重要になる

企業がAIを自社向けに活用しようとすると、「自社専用モデルを作る」という話になりがちです。

しかし、ゼロから基盤モデルを学習する必要がある企業は限られます。

多くの企業にとって、先に持つべきものは次の資産です。

• 代表的な業務タスク

• 良い出力例

• 悪い出力例

• よくある失敗

• 評価基準

• 禁止事項

• 人間の承認条件

• エスカレーション条件

• 利用後の結果

モデルは交換できます。

しかし、「自社にとって何が良い結果か」を定義した評価セットは、簡単には交換できません。

モデルの公開ベンチマークで1ポイント高いかどうかより、自社の業務で、

• 誤りがどれくらい発生するか

• 人間の修正時間がどれくらい減るか

• 顧客成果へつながるか

• 重大な事故を起こさないか

を測れる方が重要です。

さらに、最終的な成果物だけでなく、人間がどこを直したかも記録する必要があります。

営業なら、なぜ顧客の優先順位を変えたのか。

採用なら、なぜ採用・不採用と判断し、入社後にどうなったのか。

記事制作なら、なぜ表現を削り、どの導線が相談につながったのか。

こうした「判断と結果の対応」は、組織固有の資産になります。

私は、これからのAI競争は、単なるデータ量ではなく、評価可能性と意思決定履歴の競争になると考えています。

AIが作れるほど、「正しいか確認する力」が不足する

オープンモデルが普及すれば、文章、画像、コード、企画、営業資料、教材を作る費用はさらに下がります。

しかし、生成コストが下がることと、確認コストが下がることは同じではありません。

AIが営業提案を100件作っても、その100件が正しいとは限りません。

AIが契約書を大量に処理しても、重大な例外を見逃していないか確認する必要があります。

AIがコードを大量に生成すれば、それをレビューし、保守する作業も発生します。

したがって、AI時代の生産性は、生成量だけで測るべきではありません。

で見る必要があります。

AI導入後に最初に不足するのは、制作者よりレビュー能力かもしれません。

生成部分が安くなるほど、

のうち、前段の問題設定と後段の評価・検証・改善が価値の中心になります。

初級業務が減ると、人材育成の経路まで細くなる

AIによる雇用への影響は、大規模な解雇だけを見ていると見誤ります。

ILOは、世界の労働者の約4人に1人が、何らかの形で生成AIの影響を受ける職業に就いていると推計しています。一方で、仕事が完全に消えることより、仕事内容が変わる可能性の方が高いとしています。

企業では、解雇より先に次の変化が起きる可能性があります。

• 新卒や未経験者の採用を減らす

• アシスタント職を補充しない

• 退職者の後任を採らない

• 若手が行っていた下準備をAIへ移す

• 少人数で新規事業を始める

短期的には合理的です。

しかし、現在のシニア人材も、かつて初級業務を経験し、失敗し、レビューを受けて育ちました。

資料作成、下調べ、初歩的なコード、議事録、顧客対応の補助をすべてAIへ移せば、将来の熟練者が育つ経路まで失われる可能性があります。

必要なのは、AIにできる単純作業を人間へ残すことではありません。

AI時代に合う育成経路へ作り直すことです。

AI導入と人材育成を、別々の問題として扱ってはいけません。

モデルが安くなるほど、電力と推論基盤が重要になる

モデルの利用料金が下がれば、企業のAI支出も減るように見えます。

しかし、安くなった分だけAIを呼び出す回数が増えれば、支出総額は減らない可能性があります。

一つの業務を終えるまでに、

• 計画するモデル

• 調査するモデル

• 実行するモデル

• 確認するモデル

• 修正するモデル

• 安全性を確認するモデル

が何度も動くようになるからです。

モデル単価が下がるほど、推論量は増えます。

その結果、希少資源はモデル性能だけでなく、

• GPU

• 電力

• 冷却

• データセンター

• 送電網

• ネットワーク

• 推論容量

へ移ります。

AIの能力を安く使えるようになっても、その能力を動かす物理的な基盤まで無限になるわけではありません。

中国のオープンモデルは、価格競争以上の影響を持つ

中国製オープンモデルの台頭は、単に「中国企業の性能が上がった」という話ではありません。

重要なのは、公開によってエコシステムが形成されることです。

この循環が続けば、フロンティア企業が巨額の資金を投じて開拓した能力が、時間差で安価に利用できるようになります。

企業にとっては、「常に最高性能が必要なのか、それとも一定期間待って必要十分な性能を安く使うのか」という判断が必要になります。

ただし、ベンチマークで性能が近いからといって、実務全体で同等とは限りません。

• 長時間動作の安定性

• ツール利用の成功率

• 多言語性能

• 安全性

• API品質

• 再現性

• 障害対応

• サポート

まで確認する必要があります。

また、オープンモデルであっても地政学リスクから自由ではありません。

将来版の取得、輸出規制、ライセンス変更、開発コミュニティの分断などを考えると、モデルファイルを一つ保存するだけでは不十分です。

企業には、

• モデルとバージョン

• ライセンス

• 実行コード

• 依存パッケージ

• 評価セット

• バックアップモデル

• 切り替え手順

を含むAIの事業継続計画が必要になります。

「オープン」という言葉を、そのまま信用してはいけない

AI業界では、次のような異なる状態がすべて「オープン」と呼ばれることがあります。

• モデル重みだけ公開

• 推論コードも公開

• 学習コードも公開

• 学習データを公開

• 商用利用可能

• 改変可能

• 再配布可能

• 研究利用のみ

• 一定規模以上の企業は別契約

これらは同じではありません。

重みをダウンロードできても、学習データ、学習手法、評価情報が非公開なら、完全な透明性があるとは言えません。

企業は最低限、次を分けて確認する必要があります。

• 商用利用できるか

• 顧客環境へ再配布できるか

• ファインチューニングできるか

• 派生モデルに公開義務があるか

• 業種や地域の制限があるか

• 生成物の利用条件は何か

• 将来ライセンスが変更されるか

将来的には、ソフトウェアのSBOMに近い「AI部品表」が必要になるでしょう。

基盤モデル、派生モデル、ライセンス、推論ライブラリ、評価結果、更新履歴を記録する仕組みです。

安全性は「オープン対クローズド」では決まらない

オープンモデルには、安全機構を除去できる、配布後に回収できない、悪用を止めにくいというリスクがあります。

一方、クローズドモデルには、少数企業への権力集中、外部監査の難しさ、非公開の挙動変更、価格・規約変更というリスクがあります。

どちらか一方が常に安全だとは言えません。

NISTのAIリスク管理体系も、モデルの公開・非公開だけで判断せず、設計、開発、導入、利用、監視を含むシステム全体でリスクを管理する考え方を採っています。

そして、AIが回答するだけでなく、実際に行動するエージェントになるほど、問題の中心はモデルの誤答から権限設計へ移ります。

AIが、

• メールを送信する

• 顧客情報を更新する

• ファイルを削除する

• 契約する

• 決済する

• 本番環境へ反映する

場合、誤答はそのまま外部への操作になります。

そのため必要になるのは、

• 最小権限

• 人間承認

• 操作上限

• サンドボックス

• ロールバック

• 監査ログ

• 異常時の停止

です。

優れたAIサービスは、何でも自由に行動できるサービスではありません。

必要な範囲だけ権限を持ち、重要な操作では人間へ確認し、操作を追跡・取消できるサービスです。

オープンモデルが増えても、巨大プラットフォームは弱くならない

モデルがオープンになれば、巨大企業の力が弱まるようにも見えます。

しかし、オープンモデルを安定して動かすには、大規模な推論基盤が必要です。

• GPUクラスタ

• オートスケーリング

• 推論最適化

• モニタリング

• アクセス制御

• グローバルネットワーク

• 障害対応

多くの企業は、これを自社だけでは構築しません。

結果として、

という構造も起こります。

モデル層は分散しても、推論インフラ層は集中する可能性があります。

また、オープンモデルを使えばロックインがなくなるわけでもありません。

依存先が、特定モデルから、

• GPU

• クラウド

• 推論エンジン

• エージェント基盤

• データベース

• ツール仕様

• 運用ノウハウ

へ移るだけかもしれません。

重要なのは、モデルだけでなく、システム全体のどこを交換可能にするかを設計することです。

フロンティア企業は「モデル会社」から「仕事の基盤」へ進む

OpenAI、Anthropic、Googleなどのフロンティア企業が、オープンモデルによって不要になるとは考えていません。

むしろ、モデル以外のレイヤーへ事業を広げます。

• エージェント実行環境

• ブラウザ・PC操作

• コーディング環境

• データ接続

• 認証・権限管理

• 長期メモリ

• 評価環境

• 企業向けSLA

• アプリ配布

• 決済

彼らが目指しているのは、「最も賢いモデルを販売する会社」だけではありません。

AI時代のクラウド、OS、業務プラットフォームです。

モデル単価が下がっても、ユーザーの仕事、ツール、データ、権限、実行環境を統合できれば、大きな価値を保持できます。

AIアプリの差は、機能より「信頼された実行経路」に出る

オープンモデルが普及すると、AIアプリの機能は模倣されやすくなります。

メール要約、議事録、営業文、求人分類、コード修正といった機能だけでは、長期的な差別化が難しくなります。

実際に価値を生むには、

• メールを読む権限

• 顧客へ送る権限

• CRMを更新する権限

• 会計処理をする権限

• 本番へ反映する権限

が必要です。

つまり、AI時代の堀は、単なる機能ではなく、信頼された権限と実行経路になります。

すでに顧客、業務画面、データ、権限を持つOS、クラウド、CRM、会計ソフト、業界特化SaaSは、この点で強い立場にあります。

日本は、最大モデルだけでなく現場実装で競争すべきである

日本が高性能な基盤モデルを開発することには、安全保障、研究、人材育成の面で意味があります。

ただし、世界最大級の汎用モデル開発だけを競争の中心に置くべきではありません。

日本が強みを作りやすいのは、

• 製造

• ロボット

• 物流

• 医療・介護

• 防災

• 行政

• 精密な業務運用

• 長期的な顧客関係

といった現場です。

オープンモデルによって基盤知能を安く利用できるなら、重要なのは、

だけでなく、

です。

製造業なら、一般知識を持つモデルそのものより、

• 故障履歴

• 熟練者の判断

• 品質基準

• 設備固有の挙動

• 異常時の対応

• 人間へ引き継ぐ条件

を扱えるシステムの方が、直接的な価値を生みます。

オープンモデルの普及は、日本にとって脅威であるだけではありません。

基盤モデルの巨額投資を負担せず、現場実装、品質、運用、信頼で競争できる余地を広げます。

これから起こる可能性が高い5つの変化

ここからは、前述の事実をもとにした私の予測です。

1. 企業AIはハイブリッド構成が標準になる

最高難度の仕事にはフロンティアAPI、大量の定型処理にはオープンモデル、機密情報には専用環境、端末処理には小型モデルを使う構成が一般化します。

確度：高

反証条件は、特定の一社が性能、価格、プライバシー、安定性のすべてで長期間他社を圧倒することです。

2. モデル名はユーザーから見えにくくなる

モデルルーターが要求に応じて自動選択し、ユーザーは業務アプリだけを見るようになります。

料金もトークン数ではなく、問い合わせ解決、契約書処理、コード修正などの成果単位へ移る可能性があります。

確度：高

3. 評価とAI監査が独立した市場になる

モデルや提供事業者が増えるほど、精度、安全性、セキュリティ、著作権、業務適合性を第三者が評価する必要が高まります。

確度：中〜高

4. AIを導入した企業と、仕事を再設計した企業の差が開く

従業員へAIツールを配るだけでは、個人単位の効率化に留まります。

業務工程、承認、ログ、評価をAI前提で再設計した企業は、業務全体の処理能力を変えられます。

確度：非常に高

5. 最大の事故要因はモデル誤答から権限設計へ移る

AIが回答するだけでなく、送信、削除、契約、決済、本番反映を行うほど、事故の大きさは権限と承認設計によって決まります。

確度：高

企業がいま持つべき5つの資産

では、企業は何を準備すべきなのでしょうか。

私は、次の5つを優先すべきだと考えています。

1. モデルに依存しない業務設計

特定のGPT、Claude、Geminiだけで成立する設計にしない。

入力、出力、ツール、評価、エラー処理、モデル差し替え地点を分離します。

2. 自社業務の評価セット

良い出力、悪い出力、危険な出力、典型的な例外を蓄積します。

新モデルを評判ではなく、自社業務で比較できるようにします。

3. 人間の判断・修正・結果の履歴

AIが何を作ったかだけでなく、人間が何を直し、なぜ判断し、結果がどうなったかを記録します。

4. 権限と人間承認の設計

送信、公開、契約、課金、削除、個人情報処理、本番反映など、外部へ影響する操作の承認点を明確にします。

5. AIの事業継続計画

モデル、ライセンス、実行環境、依存コード、バックアップモデル、切り替え手順を記録します。

提供停止や規約変更を、そのまま事業停止につなげないためです。

私の事業に引きつけて考えると

この議論は、私が進めているAI研修、業務設計、ハーネス設計、システム開発にも直結します。

今後、価値が下がりやすいのは、特定ツールの操作方法だけを教える研修です。

モデルや画面は短期間で変わるからです。

一方で価値が残りやすいのは、

ところまで支援することです。

事業の定義も、

より、

とした方が、本質に近いと考えています。

モデルは、競合企業も利用できます。

しかし、顧客の現場へ入り、暗黙知を見つけ、例外を整理し、人間とAIの責任分担を決め、実際に利用が続くまで支援する能力は、容易には模倣されません。

最後に——知能が安くなるほど、現実へ変換する力が問われる

AIの未来は、オープンモデルがクローズドモデルを完全に駆逐する世界ではないでしょう。

より可能性が高いのは、次の世界です。

AI競争は、「どのモデルが一番賢いか」だけでは決まらなくなります。

本当の競争は、

です。

モデルは重要です。

しかし、モデルは徐々に交換可能になります。

交換しにくい価値は、

• 何のために使うかという目的

• 現場と業務への理解

• 独自の評価基準

• 意思決定の履歴

• 実行する権限

• 改善を続ける仕組み

• 顧客との接点

• 結果への責任

• 積み重ねた信頼

です。

オープンモデル時代は、誰でも高度なAIを使える時代です。

同時に、知能を持っているだけでは差別化できず、現実へ働きかけ、正しさを検証し、結果に責任を持って改善できるかどうかの差が、これまで以上にはっきり表れる時代になると考えています。

出典・参考資料

• TechCrunch, “The real AI race may no longer be at the frontier”, 2026年7月14日

• Stanford HAI, “The 2025 AI Index Report”

• Stanford HAI, “The 2026 AI Index Report”

• Stanford HAI, “How Disruptive Is DeepSeek?”

• Stanford HAI, “How to Promote Responsible Open Foundation Models”

• NIST, “AI Risk Management Framework”

• International Labour Organization, “Generative AI and Jobs”

• International Energy Agency, “Energy and AI”

• Cloud Native Computing Foundation, “Annual Cloud Native Survey”