OpenAIはどうやって「週8億人」をさばいているのか──マルチモデル戦略・RFT・エージェント・Usage課金の裏側
OpenAIのChatGPTは、世界人口の約1割（8億人）が毎週使うプロダクトになった。ここまでのスケールに達すると、「とにかく巨大で賢いモデルを1つ作ればいい」という発想ではもはや回らない。社内外のニーズに応じてモデルを細かく専門化し、企業ごとのデータを取り込み、エージェントとして長時間動かし続ける――そうした「運用前提の設計」が重要になる。
本稿では、OpenAIの開発プラットフォームを率いるSherman Wooの発言を手がかりに、
1つの万能モデル神話の崩壊、モデル専門化とファインチューニングの役割、エージェントやオープンソースへの向き合い方、そして、Usage-Basedな価格設計までを整理していく。
1. 「単一モデルで十分」という世界観の崩壊
1-1. OpenAI内部にもあった「1モデルがすべてを支配する」発想
Shermanは、「2〜3年前までは、OpenAIの中でさえ『1つのモデルがすべてを支配する』という前提で議論していた」と振り返る。当時は、AGIが実現すれば単一モデルがあらゆる用途をこなすため、細かなカスタマイズやモデルの使い分けは不要になると考えられていた。
しかし、現実には、ChatGPT5、o3、40、コード特化モデル、推論特化モデルなど、用途ごとに得意分野が異なるモデル群が次々と登場している。それぞれが別々の「一軍」として使われ始めたことで、「万能モデル1本で世界を取る」という構図は崩れつつある。
1-2. モデル専門化が不可避になった理由
モデルの専門化が進む最大の理由は、ユースケースの幅と深さである。コード補完、長文要約、企画立案、検索連携、長期思考など、求められる能力は大きく異なる。1つのモデルにすべてを押し込むよりも、それぞれに最適化したモデルを用意した方が、コスト効率も品質も高くなりやすい。
さらに、企業側には、自社のログや業務データといった「宝の山」を生かしたいという強いニーズがある。Shermanは「企業は自分たちのデータを活用して世界最高のモデルを作りたがっている」と述べ、モデルそのものが“指名買いされる存在”になっていることを強調する。ユーザーも開発者も、ある特定のモデルの「性格」や「挙動」に慣れ、その前提でプロダクトを組み立ててしまうため、シンプルな乗り換えはどんどん難しくなる。
2. Fine-TuningとReinforcement Fine-Tuningの破壊力
2-1. 従来の SFT は「トーン調整」にとどまっていた
OpenAIが最初に提供していたsupervised fine-tuning（SFT）は、主に指示への従順さや文体の調整に使われた。だが、これは企業が持つ膨大なドメインデータを本質的に活用するには不十分で、「カスタマイズしているつもりでも、実質は性格を少し変えているだけ」という限界があった。
2-2. RFT で「用途別SOTAモデル」を作る時代へ
この状況を変えたのが、Reinforcement Fine-Tuning（RFT）である。Shermanは、「RFTでは実際に RL を回せるようにし、そのデータから特定用途で世界最高レベルのモデルを作れる」と語る。単に応答のトーンを変えるのではなく、特定タスクにおける性能そのものを極限まで引き上げることが目的になっている点が決定的に違う。
企業は、自社の専門家ラベルやユーザー行動ログを活かして、自分たちの業務に最適化された「社内専用 SOTA モデル」を作ることができる。しかも OpenAIは、RFT用データを共有してくれる企業には推論料金の割引やトレーニング無料といったインセンティブも用意し始めており、「データとGPUのバーター」とも言える新しい関係が生まれつつある。
3. Prompt EngineeringからContext Engineeringへ
Shermanは、Prompt Engineeringに対する見方がここ数年で大きく変わったと指摘する。かつては「十分に賢いモデルになれば、プロンプトを工夫する必要はなくなる」と信じられていた。しかし、実際には、モデルの指示追従性は大きく向上したものの、依然として本質は「モデルに何を渡すか」の設計にある。
彼は、これをContext Engineeringだと説明する。どのツールをどのタイミングで呼ぶのか、どのデータソースをいつコンテキストに取り込むのか、RAG やツール呼び出しのロジックをどう組むのか――これらを含めた「周辺システムの設計」が、モデル性能と同じくらい結果を左右する。
もはや「プロンプトの一文を微修正する」というレベルではなく、AIが動く環境そのものをデザインする仕事が重要になっている。
4. エージェントは“第三のカテゴリ”ではなく、知能の運用形態
4-1. エージェントとは何か
Shermanは、エージェントを「人の代わりに行動し、長い時間軸でタスクを遂行するAI」と定義する。ここでポイントなのは、エージェントを「APIでもプロダクトでもない第三のカテゴリ」として扱っていないことだ。OpenAIでは、ChatGPT、API、Sora、CodeX といった各プロダクトが、それぞれの文脈で「エージェント的ふるまい」をどう実装するかを考えている。エージェントは“別プロダクト”というより、知能の出し方・見せ方の一形態として位置付けられている。
4-2. なぜノード型の Agent Builder が求められるのか
DevDayで発表されたAgent Builderは、「ノーコードっぽくて制約が強すぎる」「もっと自由にAGIに任せるべきでは」といった反応も呼んだ。しかし 、Shermanによれば、現実の業務には、ソフトウェアエンジニアのような自由度の高い仕事だけでなく、「標準作業手順（SOP）に忠実であることこそ価値」という仕事が膨大に存在する。
カスタマーサポート、営業、マーケティング、規制産業のオペレーションなど、多くの現場では「勝手な創造性」よりも「決められた手順を外れないこと」が重要になる。だからこそ、フローやノードで手順を固定し、その上でモデルを動かすAgent Builderのような仕組みが必要になる。エージェントは“何でも屋のAI”ではなく、“決められた枠組みの中で長時間働くAI”として設計されているのだ。
5. API（horizontal）と ChatGPT（vertical）の共存戦略
OpenAIは、開発者向けAPIという「horizontal」と、ChatGPTやSoraという「vertical」の両方を同時に展開する、きわめて珍しい企業だ。通常は、自社のアプリと同種のサービスを外部がAPI上で作ると、チャンネル競合やカニバリゼーションが起きる。
しかし、Shermanは、「OpenAIのミッションは『AIの恩恵を広く配ること』であり、そのためには自社アプリだけでなく、APIを通じたエコシステムも必要だ」と説明する。ChatGPTはかつてない速度でユーザー数を伸ばし、一方、APIは多様な業種・サービスに組み込まれることで、到達できるエンドユーザーの総数をさらに広げている。
社内では確かに「自社アプリとAPI上のスタートアップが競合する」場面も出てくるが、それを前提としてもなお、「エコシステム全体の成長こそ価値」という発想を優先している。
6. オープンソースはAPIを殺さない：Open Weights戦略
OpenAIが公開した GPT-OSなどのオープンウエイトモデルは、一見すると「自社API事業の競合」を生みかねないように見える。しかし、Sherman は、この懸念を否定する。実際には、オープンモデルを使う企業と、フルマネージドなAPIを選ぶ企業はほとんど重ならないという。
大型モデルの推論インフラは極めて難しく、高速かつ安定したスループットを確保するには高度なチームとインフラ投資が必要になる。多くの企業にとっては、自前推論よりもAPIの方が総コスト・リスクを抑えやすい。また、OpenAIの収益の中心は「最大級のクローズドモデル」にあり、それはそもそもオープンウエイトとして提供されていない。
結果として、オープンソースは新たなユースケースと開発者層を開拓し、市場のすそ野を広げる役割を担う。APIの売上を奪うどころか、むしろ「AIを採用する企業の総数」を増やす起爆剤になっている。
7. Usage-Based Pricingは不可逆なスタンダードになる
Shermanは、価格設計についても率直に語っている。OpenAIのAPIは、基本的に利用量ベース（トークン課金）であり、内部では「コスト＋適正マージン」をベースに設定しているという。
彼が引用する Rockset 創業者Venkatの言葉が象徴的だ。
「一度 Usage-Based を経験した業界は、
もとの固定ライセンスには戻らない」
かつて、オンプレからサブスクリプションへの移行が巨大な産業変化を生んだように、Usage-Based への移行もまた不可逆な「一方向ラチェット」だと考えられている。Outcome-Based（成果連動課金）も検討はされているが、業界ごとに成果指標が異なり、評価の自動化も難しいため、短期的には、Usage-Basedが主流であり続ける可能性が高い。
結論：多モデル × カスタマイズ × 文脈設計 × エージェント
Shermanの話を総合すると、OpenAIのビジョンは次のように整理できる。
単一巨大モデルが世界を支配するわけではなく、用途別モデルがポートフォリオとして並ぶ世界
企業のデータを活かしたRFTによる専門モデル が、各分野の“ローカルSOTA”として機能する世界
Prompt ではなくContext Engineeringとエージェント設計 が競争力の源泉となる世界
オープンソースとAPIが対立するのではなく、市場拡大の両輪として共存する世界
課金はUsage-Basedを基軸とした新しいインフラ経済に収れんしていく世界
AIをめぐる議論はしばしば抽象的になりがちだが、OpenAIの実務レベルの意思決定を見ると、「どのように知能を配り、どう収益化し、どうエコシステムを育てるか」という生々しい設計思想が浮かび上がる。
今後、自社でAIをどう組み込むかを考えるうえで、OpenAIが「週8億ユーザー規模」で行っている設計と妥協のポイントは、極めて重要な参考事例になるだろう。
