週間9億ユーザー、課金率わずか5%——Benedict Evansが語るOpenAI・巨大テック・AI投資の現在地と未来
テック業界で最も影響力のあるアナリストの一人、Benedict Evans（ベネディクト・エヴァンス） 氏が、First MarkのMatt Turck氏とのポッドキャストで、OpenAIの戦略的課題からAIバブルの構造、ソフトウェアの未来、そして、スタートアップが狙うべき"ホワイトスペース"まで幅広く語った。本記事ではその対話の要点を整理し、ビジネスマン・投資家にとって実用的なインサイトを抽出する。
1. OpenAIの戦略的ジレンマ——コモディティ技術と「マインドシェア」の交換
1-1. ネットワーク効果なきファンデーションモデル
Evans氏は、まず、OpenAIが抱える根本的な問題を端的に述べる。
「LLMにはウィナー・テイク・オール効果もネットワーク効果もない。 他社があなたと同じくらい優れたモデルを作れないようにするレバーが存在しない」
Windows、Google検索、Facebook——ソフトウェア産業が過去に生んだ巨大な独占・寡占は、資本よりもネットワーク効果によって成り立ってきた。しかし、LLMの世界では、3社から6社（あるいはそれ以上）のフロンティアモデルが数週間〜数カ月おきにリープフロッグを繰り返しており、持続的な差別化が極めて困難だ。
1-2. 「1マイル幅・1インチ深」の利用実態
OpenAIは、週間アクティブユーザー9億人を抱えるが、Evans氏が、昨年末のOpenAI公式データを分析したところ、際立つ事実が浮かぶ。
毎日使っているのはユーザーの約10%にすぎない
年間プロンプト数1,000回（1日平均3回未満）で上位20%に入る
課金ユーザーはわずか約5%
「利用は1マイル幅だが1インチの深さしかない。大半のユーザーは、今日ChatGPTで何をすればいいか思いつかない」とEvans氏は指摘する。
1-3. プラットフォーム化への試行錯誤
OpenAIはこの"マインドシェア"をより耐久性のあるビジネスに変換しようとしている。プライベートエクイティとの提携交渉、動画共有アプリ（不発）、アプリストア（2〜3回目？）、EC統合（断念）——いずれも苦戦が続く。Evans氏は率直に述べる。
「EC統合は途方もなく複雑だ。 数百万の小売業者と数十億のSKUがある。GoogleとMetaですら2度失敗している」
最終的に同社が目指すのは、開発者・ユーザー・法人アカウントを囲い込む"耐久的プラットフォーム"だが、来週も再来週も最良のモデルを出し続けなければならないという消耗戦から抜け出す道筋は、まだ見えていない。
2. 「モデルが良くなれば解決する」は本当か？
2-1. 精度90%→91%は現場では"無意味"
2024年は推論（Reasoning）や強化学習（RL）などモデル開発において目覚ましい年だった。しかし、Evans氏の見解は冷静だ。
「50項目をモデルに処理させて、先月は10個間違えた。今月は8個に減った——でも、あなたは結局50個すべてを確認しなければならない。 つまり、何も変わっていない」
正解率が90%から95%に上がっても、「正しいか、正しくないか」の二択を求める業務において、ユーザー体験は本質的に変わらない。変化が起きるのは精度が限りなく100%に近づいたときであり、漸進的改善では不十分だ。
2-2. プロダクトチームは「戦略テイカー」
Evans氏は、OpenAI応用部門CEO・Fidji Simo氏のポッドキャストでの発言を引用する。
「朝、研究チームからメールが届く。『新しいボイスモデルができました』。それであなたの仕事は、今日マイクボタンを追加すること。」
これはSteve Jobsが述べた「技術から出発して製品に向かってはいけない。ユーザー体験から出発して技術に遡るべきだ」という原則の正反対に位置する。ファンデーションモデル企業のプロダクトチームは、技術の進化に振り回される「戦略テイカー（strategy taker）」であり、「戦略セッター（strategy setter）」ではない。
3. チャットボットのUI問題とメモリの限界
3-1. ウェブブラウザの差別化と同じ壁
Evans氏は、ChatGPTのプロダクトとしての差別化をウェブブラウザの差別化に喩える。入力ボックスと出力ボックスがあり、何でも入力できて何でも出力される——その汎用性こそが、UIの差別化を構造的に困難にしている。
「全チャットボットのロゴが似たり寄ったりなのにも理由がある。 そもそもUIが完全に汎用的であることがコンセプトの核心なのだから、差別化の余地がない」
3-2. メモリは防御壁にならなかった
メモリ機能が、モート（防御的優位性）になるという期待もあったが、そもそもユーザーの大半が十分に使っていない以上、蓄積されるコンテキストが薄い。また仮に蓄積されても、「ChatGPTに自分の情報をすべて教えてもらい、それをClaudeにペーストする」だけで移行できてしまう。ネットワーク効果というよりは「スティッキネス（粘着性）」にすぎず、その粘着性も弱い。
4. エージェントは防御壁を築けるか？
Evans氏は、エージェントという概念を「メタバース」に喩える。VRのことかもしれないし、ゲームのことかもしれないし、何を指しているのか定義が曖昧だ、と。
Stripeが、自動運転のレベル分けを模して提唱した「エージェントのレベル0〜5」のフレームワークを参照しつつ、Evans氏はこう述べる。
「能力が拡大するほど、モデルのジャグドネス（凸凹） は深まる。何ができて何ができないかの予測が、ユーザーにとってますます難しくなる」
例として、PDF読解の問題を挙げる。LLMはPDFの読み取りに著しく苦労するが、ユーザーがそれを直感的に予測する方法はない。このジャグドネスの問題は、エージェントの信頼性設計において核心的な課題となる。
5. ソフトウェアの未来——「死」ではなく「爆発的増殖」
5-1. 「自分でコードを書く」は幻想
「皆がバイブコーディングで自分のソフトウェアを作る」という論に対し、Evans氏は明快に反論する。
「誰もバイブコーディングで自分のERPやframe.ioを作ったりしない。 ソフトウェア開発の難しさはコードを書くことではなく、何をコードに書かせるべきか、どう市場に届けるか、何を課金するかという周辺のすべてにある」
5-2. 「即興ソフトウェア」という新カテゴリ
Evans氏はソフトウェアを以下のように分類する。
大規模エンタープライズ（ERPなど） ：
5万人が同じデータを同じ形式で記録するシステム。AIコーディングでは代替不能。垂直SaaSツール：
ExcelやDropboxから「アンバンドル」された専門ツール（例：frame.io）。ここもAI生成では代替困難。即興ソフトウェア（Improvised Software）：
Excelやメールで"間に合わせ"で処理していた領域。ここがAIで拡大する。
AIコーディングとLLMの登場により、これまでソフトウェア化できなかった——あるいは規模が小さすぎて誰も専用ツールを作らなかった——業務が自動化される。結果として、ソフトウェアは減るのではなく、大幅に増える。
5-3. ジェヴォンズのパラドックスと価格弾力性
Evans氏は、ジェヴォンズのパラドックスを「要は価格弾力性の話だ」と整理する。
「金融業界でスプレッドシートは雇用を減らさなかった。 DCFモデルを1週間かけて1つ作っていた時代から、10分で20個作れる時代になり、金融業界の人員はむしろ増えた」
同じことが安くなったソフトウェア開発にも起きると予測する。同じ作業を安くやるだけでなく、より多くの作業を行い、さらにはこれまで不可能だったまったく新しいことが可能になる。
6. 巨大テックの設備投資と「財務的重力」
6-1. 売上の50%超をCapExに投じるMeta
2025年、Metaは、売上高の50%以上を設備投資に充てる と公言している。Google、Microsoftも近い水準だ。しかし、Evans氏はこう警告する。
「来年、売上の100%を設備投資に回すことはできない。 彼らはすでに借入を始めており、リース債務を含めれば実質的な投資額はさらに二桁パーセント高い。財務的な重力がある」
6-2. Nvidiaの"使い切れない"キャッシュフロー
NvidiaのトレーリングFCF（フリーキャッシュフロー）は、700億ドル超。しかし、TSMCは、生産能力の急拡大を拒み、ASMLも出荷が追いつかない。この過剰資金は、エコシステム構築やベンダーファイナンシング（循環的取引を含む）に向かう。
「ベンダーファイナンシングはレバレッジだ。 レバレッジは、上昇局面では常にうまくいく。問題は、止まったときに起きる」
6-3. バブルかどうかは「呼び名」の問題ではない
Evans氏は、ドットコムバブルとの比較にも慎重だ。今回は、消費者向けIPOの乱発や個人投資家の投機が主因ではなく、構造は異なる。だが、「過剰投資がありリターンを生まないものが出てくるのは確実」とも断言する。
特に、LLMが他のプラットフォームシフトと異なる点は、物理的限界が未知であることだ。来週、計算量を1/10にする論文が出るかもしれない。チップのトランジスタ数では起こり得なかったブレイクスルーが、LLMでは理論上起こり得る。
7. AI時代の企業導入——「パイロット疲れ」と本質的変革の狭間
7-1. Copilot導入の現実
Evans氏は、大企業のAI導入について、こう総括する。
「全社がCopilotを配布し、『あまりうまくいかなかった』と気づいた。 1997年に全員にインターネットを渡して『生産性を上げろ』と言ったようなものだ」
現在は、パイロットから本番環境への移行期にあり、一部は成功し、一部は頓挫している。ウォルマートのような大手小売は、レビュー要約、自然言語検索、SKUタグ付け、バックオフィス自動化など8つ以上のプロジェクトを走らせているが、「既存業務の改善」の域を出ていないケースが多い。
7-2. 広告業界の本当のAI活用
WPP創業者Martin Sorrell氏の発言をEvans氏は引用する。
「AIの最大のインパクトは、広告クリエイティブの生成ではない。 広告代理店のビル一棟分の人々が、スプレッドシートとFAXで広告をFacebookにロードするような退屈なオペレーションを自動化することだ」
外から見ると「AIが広告画像を作る」ことに目が行くが、内部では、バックオフィスの効率化こそが最大のインパクトだ。この構図はほぼすべての業界に当てはまる。
8. 「AIで人件費を置き換える」の落とし穴
8-1. 自動化のROIは人件費との相対値
Evans氏は、産業革命の歴史から教訓を引く。
「労働力が安ければ自動化する理由がない。 1930年代イタリア南部では、農民に8時間歩かせて用事を済ませればよかった。無料の労働力があるのに、なぜ車を買う？」
AIが人間の労働をすべて置き換えるという見立ては、自動化のROIが常に人件費との比較で決まるという基本を見落としている。
8-2. 「馬をいくら増やしても蒸気機関にはならない」
より重要なのは、AIが人間の代替ではなく、人間には不可能だったことを可能にする局面だ。Evans氏はこう喩える。
「1800年のロンドンからスコットランドへの急行列車を、1万頭の馬に引かせることはできない。馬が何頭いても不可能だ。同じように、クオンツファンドを1万人の人間で代替することはできない。コンピューターがなければ、そもそも存在し得なかったビジネスだ」
これがAIにも当てはまる。将来生まれるAI活用の多くは「100人分の仕事を置き換えた」ではなく、「100万人いてもできなかったことを実現した」という形を取るだろう。
9. スタートアップと投資家への示唆——"ホワイトスペース"の見つけ方
9-1. ソフトウェアの本質は変わっていない
Evans氏はスタートアップにとっての教訓をこう整理する。
「ほとんどのSaaS企業は、データベースラッパーだ。 誰かが問題を発見し、それを抱える人々を特定し、90度回転させた切り口で市場に参入する。その難しさはSQLを書くことにはない。何をコードに書かせるべきか、どう売るか、どこから攻めるかにある——そこは何も変わっていない」
AIは、ソフトウェア構築のコストと速度を劇的に変えたが、「何を作るか」「誰に届けるか」という本質的な問いは変わらない。
9-2. 三つの起業家タイプ
Evans氏は起業家を三つに分類する。
「スタートアップをやりたい」から機会を探す人
「AIが来た」から応用先を探す人
「この業界のこの問題を10年間解決したかった」人
「おそらく三番目のカテゴリが最良の成果を出す」とEvans氏は語る。ハンマー（AI）を持ってすべてを釘と見なすのではなく、解くべき問題からスタートし、AIが解法を可能にした瞬間を捉えるアプローチだ。
まとめ
Benedict Evans氏の分析は、AIをめぐる過度な楽観にも過度な悲観にもくみしない。要点を振り返る。
OpenAIの最大の課題は、モデル性能ではなく、ネットワーク効果なきコモディティ技術を耐久的プラットフォームに転換すること。
「モデルが良くなれば解決する」は幻想。 90%→91%の改善は多くの実務で意味をなさない。
ソフトウェアは死なない。むしろ爆発的に増える。 ジェヴォンズのパラドックスが示すように、安くなれば需要が拡大する。
巨大テックの設備投資には財務的重力がある。 売上の50%を超える投資を無限に続けることはできない。
最大のチャンスは「AIで既存業務を置き換える」ことではなく、「AIがなければ存在し得なかった」まったく新しい価値の創出にある。
AI時代の勝者を見極めるには、モデルのベンチマークスコアではなく、誰が本質的な問題を理解し、持続可能なビジネスモデルに落とし込めるかを問うべきだろう。
オススメ記事
Next Big Wave——成長株・アイデアの種・トレンド深掘り
いいなと思ったら応援しよう！
この記事は noteマネー にピックアップされました
