A Iエージェントのストラクチャー①

AI産業の地殻変動と主権
― 研究所競争から帝国間競争へ、そして「ループ主権」の時代 ―
クローズドAI／オープンモデル／オーケストレーション／ループエンジニアリングをめぐる対話

あなた
あるブリーフィング・レポートを読みました。まずは内容を共有します。そのうえで、あなたの考えを聞かせてください。

【共有レポート】AI業界の地殻変動：トップ人材の流動、組織の混乱、そして新勢力の台頭

エグゼクティブ・サマリー

本資料は、急速に変容するAI業界の最新動向をまとめたブリーフィング・ドキュメントである。主要なトピックは、Googleからのトップ研究者の流出、Meta内部で発生している「AI精神病」とも称される組織的混乱、OpenAIとイーロン・マスク氏の訴訟結果、ソフトバンクの時価総額日本一達成と孫正義氏の強気な展望、そして米国製モデルを猛追する中華系AIラボの躍進である。
AI開発の最前線では、かつての王者Googleが人材流出により劣勢を強いられる一方、OpenAIやAnthropicがその受け皿となっている。また、Metaでは開発現場の非効率な評価制度が組織崩壊を招いている。市場全体としては、AIによる専門家代替の予測が下方修正される一方で、ソフトバンクや中華系ラボはASI（人工超知能）やオープンモデルによる市場支配に向け、巨額の投資と強気な戦略を継続している。

1. Googleからのレジェンド級人材の流出

GoogleのAI開発を支えてきたトップクラスの研究者が、競合他社へ移籍する事態が相次いでいる。
ノーム・シャジール氏のOpenAI移籍。 同氏はTransformer論文の共著者であり、MOE（Mixture of Experts）の先駆者でもある。一度Googleを離れてCharacter.aiを設立したが、Googleが約4,000億円を投じて同社を買収し、彼を呼び戻した経緯がある。Geminiのトレーニングコードを数行修正しただけで品質を劇的に向上させたという伝説を持ち、「AIを神の慈悲によって進化させる」と称されるほどの超人的な技術力を有する。同氏のOpenAIへの移籍は、Googleにとって致命的な損失であり、OpenAIにとっては決定的なゲームチェンジャーとなる可能性がある。
ジョン・ジャンパー氏のAnthropic移籍。 同氏はGoogle DeepMindでAlphaFoldを開発し、ノーベル賞を受賞したレジェンドである。Googleの至宝とも言える人材が競合であるAnthropicへ移籍したことは、業界内に「Google危うし」という強い印象を与えている。

2. Meta内部の混乱と「AI精神病」の蔓延

Meta社内では、AI開発への過剰な傾倒が原因で、組織構造とエンジニアのモチベーションが崩壊の危機に瀕している。
配置転換とモチベーションの低下。 コアチームのエンジニアの30%〜50%が、AIのデータラベラー（スキルの高いラベリング作業）に配置転換されている。超エリートエンジニアが単純な反復作業を強いられることで、労働意欲が著しく減退し、離職者が相次いでいる。
不合理な評価制度と「トークン・マクシング」。 社内評価が「AIのトークン使用量」に直結する仕組みとなっており、効率性よりも無駄なAI利用が推奨される「奇妙なインセンティブ」が働いている。人間が修正した方が早いコードも、評価のためにあえてAIに全修正させるなどの非効率が常態化している。
AI精神病の指摘。 HashiCorpの創業者らは、このように過剰にAIに傾倒し、合理性を失った企業の状況を「AI精神病」と表現している。マーク・ザッカーバーグ氏自身もこの状況に陥っている可能性が指摘されており、全社総会で幹部への罵倒が発生するなど、組織の末期症状が報じられている。

3. AI進化予測の修正と「人間エンパワーメント」への転換

AIによる労働市場への影響について、かつての「完全代替論」が影を潜め、現実的な「協調論」へと議論がシフトしている。
サム・アルトマン氏（OpenAI）の変節。 かつては「AIが人間の専門家を凌駕する」と語っていたが、最近のインタビューでは「仕事の中の小さなタスクにおいてのみ凌駕する」と大幅に下方修正した。現在のトレンドである「人間とAIの共同作業」に足並みを揃える姿勢を見せている。
ジェフ・ベゾス氏（Amazon）の視点。 AIによって仕事はなくならないと断言。AIは新しい問題を発見する道具であり、ホワイトカラーの知的労働の需要はむしろ増加すると予測している。

4. イーロン・マスク vs OpenAI 裁判の結末

イーロン・マスク氏がOpenAIを提訴していた件について、裁判所はマスク氏側の敗訴を言い渡した。敗訴の主な理由は二つある。第一に提訴の遅延であり、OpenAIの営利化は数年前から公知の事実であって、今になって提訴するのは時効（訴えが遅すぎる）と判断された。第二に自己矛盾の証拠であり、マスク氏自身も過去にOpenAIの支配権を求め、営利化を検討していた証拠が提示された。
今後の展開として、マスク氏は「裁判所は善悪の判断をしていない」として控訴する意向だが、同氏はSpaceXの成功により個人資産が劇的に増加しており、本件への関心は薄れているとの見方もある。

5. ソフトバンクと孫正義氏の巨額投資戦略

ソフトバンクグループ（SBG）は、AIインフラへの投資を加速させ、再び市場の主役として台頭している。2026年6月には、一瞬ではあるがトヨタ自動車を抜き、時価総額日本一にタッチした。またマクロン大統領からの要請に応じ、わずか2ヶ月で14兆円の資金を用意し、フランス国内に5GW規模のAIデータセンターを建設することを決定した。
孫氏は強気な予測を続けている。「AI革命はドットコムバブルの50倍の規模になる」と断言し、ASI（人工超知能）の到来時期を、これまでの「10年以内」から「2〜3年以内」へと大幅に上方修正した。次の注力分野としては「フィジカルAI（ロボティクス）」を挙げている。

6. 中華系AIラボの急速な追撃

中華系AIラボが、米国の最先端モデルとの格差を劇的に縮めている。
Zhipu AI（智譜AI）の躍進。 最新モデル「GLM-5.2」は、GPT-4oやClaude 3.5クラスと同等、あるいはそれ以上の性能を持つと評価されている。米国モデルとの差はわずか7ヶ月程度とされ、創業者はイーロン・マスク氏の予測を「甘い」と一蹴するほどの自信を見せている。
DeepSeekの破壊的なコストパフォーマンス。 約1.2兆円の資金調達を完了し、そのうち約4,800億円を創業者のリャン・エンフェン氏がポケットマネーで出資した。MicrosoftがCopilotの裏側にDeepSeekのモデルを採用検討するなど、コストと精度の両面で米国勢を脅かしている。リャン氏は「AGI時代の勝者は、高い利益率を求める者ではなく、オープンモデルで市場を独占し、知能の向上のみにフォーカスする者である」という哲学を掲げている。

レポートの総括

総括すると、本レポートで注目すべき企業はOpenAI、Anthropic、ソフトバンク、Zhipu AI、DeepSeekであり、鍵を握る人物はノーム・シャジール、孫正義、リャン・エンフェンである。重要キーワードとしてはASI、フィジカルAI、トークン・マクシング、オープンモデルが挙げられる。市場予測としては、米中のモデル性能格差が約7ヶ月にまで縮小し、AIによる専門家代替の見通しは「限定的」へと修正されつつある、という点が要点となる。
――以上がレポートの内容です。方向性はかなり正しいと私は見ていますが、あなたの評価を聞かせてください。
AI
結論から言えば、このレポートの方向性はかなり正しいです。ただし語り口がかなり刺激的なので、事実として確認できる部分、推測として妥当な部分、やや盛りすぎ・未確認の部分を分けて読む必要があります。

結論：モデル性能競争から「総力戦」へ

このレポートの本質は、AI業界が「モデル性能競争」から、人材・資本・電力・組織運用・国家戦略の総力戦へ移行した、ということです。以前は、どの会社のモデルが一番賢いか、という単純な競争に見えました。しかし現在は、五つの問いに姿を変えています。すなわち、誰がトップ研究者を保持できるか、誰が計算資源と電力を押さえるか、誰がAIを組織に正しく実装できるか、誰がオープンモデルで標準を取るか、そして誰が国家安全保障上の許容範囲に収まるか、という競争です。その意味で、レポートの題名にある「地殻変動」という表現は適切です。

1. Google人材流出は象徴的な大事件。ただし「Google終わり」ではない

ノーム・シャジール氏のOpenAI移籍、ジョン・ジャンパー氏のAnthropic移籍は、事実として大きいです。Reutersは、AlphaFold共同開発者で2024年ノーベル化学賞を受けたジョン・ジャンパー氏がAnthropicへ移ると報じています。Business Insiderなども、シャジール氏とジャンパー氏の移籍を、Googleにとって目立つ人材流出として扱っています。
ただし私は、これをGoogleの技術的敗北というより、巨大成熟企業から未上場AI企業への「オプション価値の移動」と見ます。Business Insiderも、GoogleのRSUはすでに巨大な時価総額に連動する一方、OpenAIやAnthropicのような未上場企業はIPO前の株式上昇余地が大きい、という説明をしています。つまりGoogleの問題は「頭脳がない」ことではなく、最上位人材にとって、Googleに残る経済合理性・組織合理性が弱くなったことです。
これはかなり深刻です。AIの最前線では、1人の天才がコード数行で全体の学習安定性やモデル品質を変える、ということが本当にあり得るからです。とはいえ、GoogleはDeepMind、TPU、検索、YouTube、Android、クラウド、膨大なデータ導線を持っています。したがって「王者陥落」ではなく、王者がスタートアップ型の戦争に巻き込まれ、官僚制の重さを露呈している、と見るのが妥当です。

2. Metaの混乱は、AI導入の失敗例として重要

Metaの「AI精神病」という表現は、言葉としては強すぎます。医療用語として使うべきではなく、ここでは「AI導入熱により組織の合理性が歪む現象」という比喩に留めるべきです。
ただし、問題の中身はかなり重要です。MetaではAI利用量を可視化する「Claudeonomics」という社内ランキングが話題になり、従業員のトークン使用量を競わせるような動きが報じられました。FortuneやThe Information系の報道では、上位利用者ランキングや「Token Legend」のような称号があったとされています。
これは典型的なグッドハートの法則です。「AIを使うこと」は本来、手段にすぎません。しかし、それを評価指標にすると、社員は「成果を出すためにAIを使う」のではなく、「評価されるためにトークンを燃やす」ようになります。ここで起きているのはAI化ではなく、AI利用量という新しいKPIによる官僚制の暴走です。
AI導入に失敗する会社は、AIを使わない会社ではありません。むしろ、AIを使うこと自体を目的化する会社です。

3. 「完全代替論」から「タスク分解論」への修正は正しい

サム・アルトマン氏が、AIによる雇用破壊について以前より慎重な言い方に修正している、という整理は概ね正しいです。Reutersは、アルトマン氏が「仕事の黙示録」のような事態はまだ起きておらず、自分の近未来予測は外れていたと述べたと報じています。Business Insiderも、アルトマン氏が「専門職全体を上回る」ではなく「44職種の小さなタスクで専門家を上回る」と言うべきだった、という趣旨の発言を報じています。
これは非常に重要です。AIは「職業」を丸ごと置き換えるのではなく、まず職業を構成するタスクを分解し、その一部を奪う。その結果、職業名は残るが、中身が変わる。たとえば、弁護士、会計士、審査担当、プログラマー、アナリストは消えません。しかし、それぞれの仕事から「調査」「要約」「初稿作成」「比較」「反復修正」がAIに移る。人間側には、判断、責任、対人調整、例外処理、制度理解、最終意思決定が残ります。
したがって、これから起きるのは失業の単純増加というより、ホワイトカラー職の再設計です。

4. Musk vs OpenAI裁判は、OpenAIの勝利。ただし道徳的勝利ではない

この部分はレポートの整理がかなり正確です。Reutersによれば、マスク氏のOpenAIに対する訴訟では、陪審がマスク氏側の主張を退け、主な理由として「訴えが遅すぎた」ことが挙げられています。また、OpenAI側は、マスク氏自身が過去に営利化や支配権獲得を望んでいたと主張しました。
ただし重要なのは、裁判所・陪審が「OpenAIは倫理的に完全に正しかった」と認定したわけではない、という点です。むしろ、OpenAIは法的には勝ったものの、創業理念、非営利性、ガバナンス、アルトマン氏の信頼性をめぐる問題は世間に晒されました。Reutersも、この勝利がOpenAIのIPOには追い風になる一方、アルトマン氏の評判には傷を残したと報じています。
私の見方では、この裁判の意味は、OpenAIが「理念団体」から「超巨大AI資本企業」へ完全に移行したことの、法的な通過儀礼です。マスク氏の敗訴は、OpenAIの営利化を止める障害が大きく後退したことを意味します。しかし同時にOpenAIは今後、「人類のための非営利AI」という創業神話ではなく、Microsoft、投資家、IPO、国家規制、巨大インフラ投資の中で動く企業体として評価されることになります。

5. ソフトバンク・孫正義氏の動きは、AIインフラ覇権への賭け

SoftBankについては、レポートの方向性は正しいです。SoftBankは2026年6月にトヨタを抜き、日本最大の時価総額企業になったと報じられています。FTはSoftBankの時価総額を約48.8兆円、トヨタを約45.9兆円と報じています。また、SoftBank自身の発表によれば、フランスに最大5GWのAIデータセンター容量を開発・運営し、最大750億ユーロを投資する計画です。第一段階は450億ユーロで3.1GWという規模です。
これは単なるデータセンター投資ではありません。孫氏は、AIの勝負所をモデルそのものではなく、電力、半導体、データセンター、ロボティクス、資本調達力に見ています。Reutersは、孫氏がAIバブル論を「AIへの冒涜」と退け、OpenAI、ロボット、米国データセンター、将来的な日本の電力インフラ投資にも言及したと報じています。
ここで孫氏が狙っているのは、おそらく「AI版の不動産・電力・通信インフラ業」です。モデル企業は消耗戦になる。しかし、モデル企業が使う計算資源、電力、チップ、データセンターを押さえれば、AI革命全体から地代を取れる。これは、SoftBankらしい発想です。ただしリスクも巨大です。AI需要が本当に5GW、10GW単位で伸び続けるなら勝ちですが、モデル効率化、オンデバイス化、規制、電力制約、過剰投資が起きれば、巨大な固定資産リスクになります。

6. 中国勢の追撃は本物。ただし「米国勢を完全に抜いた」とはまだ言えない

Zhipu AI、DeepSeekなど中国勢の躍進は本物です。Business Insiderは、Z.aiのGLM-5.2が長文コーディングやエージェント用途で注目され、100万トークン級の文脈窓を持ち、米国モデルに並ぶ水準として評価されていると報じています。DeepSeekについても、Reutersは約74億ドル、評価額520億〜590億ドル規模の初の外部資金調達を報じており、創業者の梁文鋒氏が200億元、約30億ドルを拠出するとされています。
なお、レポート中の「約1.2兆円」「約4,800億円」という円換算は、為替や報道差を考えると大きく外れてはいませんが、私が確認できた主要報道では、約74億ドル、創業者拠出は約30億ドル、という整理が最も安定しています。また、「MicrosoftがCopilotの裏側にDeepSeekを採用」という表現は少し強いです。現時点の報道では、MicrosoftがCopilot Cowork向けにDeepSeek採用を検討している、あるいはAzure上で安全にホストする可能性がある、という段階です。Axiosも「検討している（considering／weighs）」という表現にとどめています。
中国勢の本当の強さは、単に性能ではありません。安い、速い、開いている、ローカル実行できる、改造できる、という点です。米国勢は高性能だが閉じている。中国勢は多少リスクがあっても、企業や開発者にとって導入しやすい。この構図は、かつての通信機器やEVに似ています。最高性能ではなく、十分な性能と圧倒的なコスト優位で世界標準を取りに来る、という戦い方です。

私の総合評価：見出しを「帝国間競争」へ差し替える

このレポートは、AI業界の変化をかなりよく捉えています。ただし私は見出しを少し変えます。「AI業界の地殻変動」ではなく、「AI産業が研究所競争から帝国間競争へ移行した」というのが本質です。今後の勝者は、単に一番賢いモデルを作る会社ではありません。勝者の条件は、おそらく次の五つです。すなわち、トップ人材を引き留める報酬設計、巨大計算資源と電力の確保、AIを組織に実装する運用能力、オープンモデルと閉鎖モデルを使い分ける生態系支配、そして国家安全保障・規制・地政学に耐える構造です。
この観点で各社を位置づけると、次のようになります。
OpenAI の強みは、ブランド、製品化、資金調達、そして開発速度です。弱点は、ガバナンス、訴訟・理念をめぐる問題、そしてMicrosoftへの依存です。
Anthropic の強みは、安全性ブランド、企業導入、そして研究者を惹きつける力です。弱点は、インフラ依存と収益化の圧力です。
Google の強みは、厚い人材層、TPU、検索・YouTube・Androidという配布面、そしてDeepMindです。弱点は、官僚制、人材流出、そして意思決定の遅さです。
Meta の強みは、オープンモデル、資本力、そして配布面です。弱点は、組織の混乱と、AI導入KPIの歪みです。
SoftBank の強みは、資本、Arm、OpenAIとの接続、そしてインフラ構想です。弱点は、巨額の固定資産リスクと、孫氏個人への依存です。
中国勢 の強みは、コスト、オープン化、速度、そして国家支援です。弱点は、輸出規制、信頼性、そして地政学リスクです。
私が最も注目するのは、Googleの人材流出よりも、むしろMetaのトークン・マクシング問題です。なぜなら、Googleの人材流出はAI業界の「上澄みの話」ですが、Metaの問題はこれから全企業で起きるからです。多くの会社は今後、「AIを使え」「AI利用率を上げろ」「AIで生産性を上げろ」という号令を出します。しかし、評価制度を間違えると、社員は成果ではなくAI利用実績を作る。これは日本企業でも確実に起きます。
したがって、このレポートから得るべき最大の教訓は、AIを導入する会社は、AIそのものより先に、評価制度と業務設計を更新しなければならない、ということです。
あなた
オープンモデルに興味があります。これについて教えてください。
AI
オープンモデルの本質は、AIを「クラウド企業の専有サービス」から、「誰でも改造・配布・内製できる技術基盤」へ戻す動きです。
ただし、まず重要なのは、オープンモデル＝完全なオープンソースAIではない、という点です。

1. 「オープンモデル」には段階がある

AIモデルの「オープン」は、だいたい次の四段階に分かれます。
第一段階はクローズドモデルです。APIだけ使え、重みは非公開です。GPT、Claude、Geminiの上位モデルがこれにあたります。
第二段階はオープンウェイトです。モデルの重みが公開され、手元で動かせます。Llama、Gemma、Qwen、DeepSeekなどが代表例です。
第三段階はオープンライセンスモデルです。商用利用・改変・再配布がかなり自由に認められます。DeepSeek-R1や、Qwen系の一部がここに入ります。
第四段階は真のオープンソースAIです。重み、コード、学習データ情報、再現手順までが公開されるもので、OSI（Open Source Initiative）の定義上は、かなりハードルが高い水準です。
Open Source Initiativeは、AIモデルを「アーキテクチャ、パラメータ、推論コード」から成るものと定義し、オープンソースAIには重みだけでなく、学習に使われたデータ情報やコードも必要だとしています。つまり、重みだけ公開されているモデルは、厳密には「オープンソースAI」ではなく「オープンウェイトAI」と呼ぶ方が正確です。

2. なぜオープンモデルが重要なのか ―― 最大の価値は「主権」

クローズドAIは便利ですが、利用者はAPI提供企業に依存します。料金、利用規約、検閲方針、モデル更新、データ保持方針、利用停止リスクを、相手企業に握られるのです。一方、オープンモデルは、自分のPC、社内サーバー、クラウド、データセンターで動かせます。これにより、企業や国家は四つの自由を得ます。
第一に、データを外に出さずに使える自由です。社内文書、顧客情報、研究データ、行政情報などを、外部APIに送らず、ローカル環境で処理できます。第二に、用途に合わせて改造できる自由です。法律、金融、医療、製造、不動産評価、社内規定など、特定領域に追加学習・微調整できます。第三に、コストを下げられる自由です。大量利用する場合、API課金よりも自前運用の方が安くなる可能性があります。第四に、技術覇権を分散できる自由です。OpenAI、Anthropic、Googleなど一部企業だけがAIの知能層を支配する状態を避けられます。
つまりオープンモデルは、単なる「安いAI」ではありません。AI時代のLinux、Android、あるいは汎用工作機械に近い存在です。

3. 代表的なオープンモデル陣営

現在の主要陣営は、ざっくり次のとおりです。
Meta / Llama は、オープンウェイト戦略の象徴です。ただしMeta独自のCommunity Licenseによる制限があり、OSI基準では完全なオープンソースとは認められていません。
Alibaba / Qwen は、Apache 2.0系のモデルが多く、商用利用しやすいのが特徴で、中国勢の代表格です。
DeepSeek は、MITライセンスで非常に開放的です。推論モデルやコスト性能の面で大きな存在感を持ちます。
Google / Gemma は、Google製の軽量・高性能オープンモデル群で、クラウドから端末までを意識した設計です。
Mistral は欧州発で、オープンモデルと企業向け商用モデルを組み合わせる戦略を取っています。
Z.ai / Zhipu は中国の有力勢で、GLM系によって米国勢に迫る性能を主張しています。
たとえばDeepSeek-R1は、コードとモデル重みがMITライセンスで公開され、商用利用や改変、派生物の作成も認められるとされています。これはかなり強いオープン戦略です。Qwen3も、複数のMoEモデルとDenseモデルをオープンウェイト化し、Apache 2.0ライセンスで公開しています。Apache 2.0は企業利用しやすいライセンスなので、エコシステム拡大に向いています。GoogleのGemmaは、クラウドサーバーだけでなくノートPCやスマートフォンでもAIアプリを動かせることを強調しており、2026年6月にはGemma 4 12B Unifiedのリリースも記録されています。一方、MetaのLlamaは広く使えるオープンウェイトではありますが、あくまでMeta独自のCommunity Licenseであり、OSIはLlama系ライセンスをオープンソースとは認めていません。ここは混同しない方がよいです。

4. オープンモデルが強い領域

オープンモデルは、特に次の用途で強みを発揮します。
社内AIでは、社内規定、稟議書、審査資料、契約書、評価書、マニュアルなどを扱うAIは、外部APIに丸投げしにくいものです。ここではローカル運用できるオープンモデルが強い。専門領域AIでは、金融、医療、法律、不動産、製造、研究開発などにおいて、汎用AIよりも、専門データで調整した小型・中型モデルの方が実務に合うことがあります。エージェント開発では、コーディング、ブラウザ操作、文書処理、社内システム連携などで、モデルを自由に改造・接続できることが重要になります。国家・自治体・教育機関では、行政文書、教育データ、防衛・安全保障関連のデータを外資APIだけに依存しづらく、オープンモデルは「AI主権」の道具になります。そして個人利用でも、MacやWindows上で小型モデルを動かせば、文章作成、要約、検索、コード補助、ローカル知識ベースなどを、外部送信なしで使えます。

5. オープンモデルの弱点

ただし、万能ではありません。第一に、最高性能はまだクローズドモデルが強い場面が多い。特に複雑な推論、長いエージェント作業、マルチモーダル、ツール利用の安定性では、GPT、Claude、Geminiの上位モデルが優位なことがあります。第二に、安全性は自分で担保する必要があります。クローズドAPIなら提供企業側が一定の安全対策をしますが、オープンモデルでは、プロンプトインジェクション、情報漏洩、有害出力、誤答、権限管理を自分で設計しなければなりません。Reutersの法務解説も、オープン生成AIモデルには透明性や革新性がある一方、バイアス、プライバシー、セキュリティ、著作権などのリスクがあると整理しています。
第三に、運用が難しい。モデル選定、GPU、量子化、RAG、ベクトルDB、アクセス制御、ログ管理、評価、監査が必要です。「モデルを落としてきたら終わり」ではなく、むしろそこからが本番です。第四に、ライセンス確認が必要です。Llama、Qwen、DeepSeek、Gemma、Mistralでは、それぞれ商用利用、再配布、出力利用、競合制限、利用地域などの条件が異なります。特に企業利用では、モデルカードとライセンス確認が必須です。

6. 私の見方：オープンモデルは「知能のコモディティ化」を進める

オープンモデルが進むと、単にAIが安くなるだけではありません。基礎的な知能そのものがコモディティ化します。これは、PC時代にOSやブラウザが普及したのに似ています。最初は一部の企業だけが高度な計算環境を持っていた。しかしLinux、オープンソースソフトウェア、クラウド、スマホによって、ソフトウェア開発の土台が広く配布された。AIでも同じことが起きています。
今後は、「どの会社が一番賢いモデルを持っているか」だけでなく、「誰がそのモデルを業務・製品・制度・組織に埋め込めるか」が勝負になります。その意味で、オープンモデルはAIの民主化であると同時に、AI産業の利幅を削る破壊者でもあります。OpenAIやAnthropicのようなクローズドAI企業にとっては脅威ですが、企業、国家、開発者、個人にとっては大きな武器です。

7. 実務的な使い分け

個人や企業が使うなら、私は次のように分けます。最高性能が必要な場面では、GPT／Claude／Geminiなどのクローズドモデル。機密文書を扱う場面では、オープンモデルのローカル運用。社内ナレッジ検索では、小〜中型のオープンモデルとRAGの組み合わせ。コスト削減が主眼なら、Qwen、DeepSeek、Mistral系。日本語を重視するなら、日本語チューニング済みモデル、またはQwen／Gemma系の検証。改造・再配布を前提にするなら、Apache 2.0／MITライセンス系。安全性・監査を重視するなら、クローズドAPIまたは厳格に管理した社内運用、という切り分けです。
私の総括はこうです。オープンモデルは、AIの「完成品」ではなく、AI時代の「部品」です。
完成品として使うならクローズドAIが便利です。しかし、自社業務、自分の知識体系、独自サービス、国家・組織の主権を考えるなら、オープンモデルは避けて通れません。特に重要なのは、オープンモデルによって、AIの価値が「モデルそのもの」から「データ、業務設計、運用、評価、統合」へ移ることです。ここを理解している企業や個人は、AIを単なるチャットボットではなく、独自の知的インフラとして使えるようになります。
あなた
問題の本質は、主権の部分にあります。クローズドAIは国家の主権の影響をモロに受ける。そのためオーケストレーションを行い、オープンモデルも併用する。そして最近のトレンドである「ループの構築」。この辺りに対応できるニーズを、ユーザーは求めている。そこにビジネスチャンスがある、ということです。その是非はともかく、機能と費用が課題となっているのです。
AI
おっしゃるとおりです。ここで見えているビジネスチャンスは、「高性能AIモデルを売る」ことではなく、「主権・費用・機能を両立させるAI運用設計を売る」ことです。
つまり、ユーザーが本当に求めているのは、単体のAIではありません。クローズドAI、オープンモデル、社内データ、業務フロー、人間の承認、評価、改善ループを組み合わせた「AI運用インフラ」です。

本質は「AI主権」と「運用主権」

クローズドAIは便利です。GPT、Claude、Geminiのようなモデルは性能が高く、導入も早い。しかし、国家・企業・組織の重要業務に使う場合、次の問題が出ます。
まず、国家主権の影響を受けます。米国企業のAIなら、米国の輸出管理、制裁、情報開示ルール、安全保障政策、利用規約変更の影響を受けます。中国系AIなら中国側の法制度・地政学リスクを受け、欧州系ならEU規制の影響を受けます。次に、利用者側に停止リスクがあります。ある日、規約変更、API制限、価格変更、モデル更新、地域制限が起きる。これは個人利用なら不便で済みますが、企業・行政・金融・防衛・医療・インフラでは、業務継続リスクになります。さらに、コストが読みにくい。AI利用が増えるほどAPI費用が膨らむ。特にエージェントやループ型業務は、裏側で大量の試行、評価、再実行、検索、要約を行うため、チャット利用よりトークン消費が大きくなります。
だから今後の合理的な構成は、クローズドAI一本足ではありません。高性能な判断はクローズドAI、定型処理・大量処理・機密処理はオープンモデル、全体制御はオーケストレーション層、継続改善はループ、という形になります。

オーケストレーションが中核になる

AI活用の主役は、モデルそのものからオーケストレーターに移ります。オーケストレーターとは、簡単に言えば、どのタスクを、どのAIに、どの順番で、どの権限で、いくらの費用で、どの品質基準でやらせるかを決める制御層です。
たとえば、ある業務では次のように振り分けます。機密文書の一次要約はローカルのオープンモデルに。複雑な推論や文章品質の改善はClaude／GPT／Geminiに。大量の分類・タグ付けは小型オープンモデルに。コーディング補助は専門コーディングモデルに。最終レビューは高性能クローズドAIと人間に。ログ分析・改善案の抽出はオープンモデルと評価AIに。このように配分します。
この構造にすると、クローズドAIへの依存を減らしながら、性能も落としすぎない。IBM系のエンタープライズAIアーキテクチャ論文でも、単一モデルではなく、企業内のデータ、API、既存モデル、エージェントを登録し、タスクごとにコスト・精度・遅延などの条件で最適化する「compound AI systems（複合AIシステム）」への移行が論じられています。
ここで重要なのは、モデル選びではなく、配車システムです。AIモデルはタクシーであり、オーケストレーターは配車センターです。

ループ構築が価値の源泉になる

さらに最近のトレンドである「ループ」が入ると、AIは単なる道具ではなくなります。ループとは、実行→評価→修正→再実行→記録→次回改善、という仕組みです。人間が毎回プロンプトを考えるのではなく、システム側が自律的に改善していきます。
たとえば、企業内の文書作成AIなら、初稿を作り、社内規定と照合し、過去のレビューコメントと比較し、不備を修正し、人間が承認・却下し、その承認結果を次回の評価基準に反映する。このように回します。ここで価値が生まれるのは、単にAIが文章を書くからではありません。組織固有の判断基準が蓄積されるからです。
TechRadarの記事も、企業AIの今後は「知能を借りる企業」と「知能を所有する企業」に分かれ、ローカル・分散型AIによって、利用するほど自社固有の運用知能が蓄積される方向に進む、と整理しています。これはかなり本質的です。AIの価値は、モデル単体ではなく、組織の業務ループに接続されたときに複利化します。

ここにあるニーズ

ユーザーが求めているものは、おそらく次の六つです。第一に、クローズドAI依存を減らしたい、ただし性能は落としたくない。第二に、機密情報を安全に扱いたい、外部APIに出す情報とローカル処理する情報を分けたい。第三に、AI費用を制御したい、高性能モデルを無制限に使うのではなく、安いモデルで済むところは安く済ませたい。第四に、複数AIを使い分けたい、GPT、Claude、Gemini、Llama、Qwen、DeepSeek、Gemmaなどを業務ごとに振り分けたい。第五に、業務改善ループを作りたい、一回限りのAI利用ではなく、使うほど精度が上がる仕組みが欲しい。第六に、人間の承認と責任を残したい、AIに任せきりではなく、どこで人間が見るかを設計したい。これは完全にビジネスになります。

ビジネスチャンスの正体 ―― 四つの層

私は、この市場は大きく四層に分かれると思います。
第一層は相談・設計です。どの業務にAIを入れるか、クローズドとオープンをどう分けるかを決める層で、コンサル、診断、PoC設計が収益機会になります。第二層は実装です。RAG、ワークフロー、権限管理、モデル振り分けを組む層で、システム開発と導入支援が収益になります。第三層は運用です。ログ監査、費用管理、品質評価、改善ループを回す層で、月額運用と保守が収益になります。第四層は教育です。社員教育、AI利用ルール、評価制度設計を担う層で、研修、教材、内製化支援が収益になります。
一番儲かるのは、単発のAI研修ではありません。AI運用の保守・改善ループを月額で持つことです。
なぜなら、AIは導入して終わりではないからです。モデルは変わる。API価格も変わる。社内規定も変わる。業務も変わる。社員の使い方も変わる。だから企業は、AIを一度導入した後も、継続的に調整してくれる存在を必要とします。ここに、かなり現実的な事業機会があります。

ただし課題は「機能」と「費用」

ここもおっしゃるとおりで、是非論ではなく、実務では最後にこの二つへ落ちます。
機能の課題。 オープンモデルは、すべての業務でクローズドAIに勝てるわけではありません。特に、複雑な推論、日本語の繊細な文章、長文の整合性、マルチモーダル、エージェントの安定性では、まだクローズド上位モデルが強い場面があります。また、オーケストレーションも簡単ではありません。Agentic AIの研究では、認知・推論と実行系を分離し、AIが直接実行権限を持ちすぎないようにする設計が重視されています。6Gネットワークのオーケストレーション研究でも、AIによる推論部分と標準化された実行コントローラーを切り離すことが、安全性と信頼性の前提とされています。つまり、業務AIでは、AIに考えさせる部分と、実際に実行させる部分を分けないと危険です。
費用の課題。 オープンモデルは「無料」ではありません。モデル自体が無料でも、GPU、サーバー、保守、セキュリティ、評価、チューニング、人材費がかかります。小規模利用なら、クローズドAPIの方が安いことも多い。大量利用・機密処理・定型処理が増えたときに、オープンモデルの自前運用が効いてきます。したがって現実的な提案は、最初から全部ローカル化しないことです。まずクローズドAIでPoCを行い、次に大量・機密・定型処理をオープンモデルへ移し、最後にオーケストレーションとループで最適化する、という段階設計です。

事業コンセプトの置き方

これは「AI導入支援」では弱い。ありきたりです。もっと正確には、主権対応型AIオーケストレーション支援です。あるいはもう少し噛み砕けば、クローズドAIとオープンモデルを使い分け、費用・機密・性能を最適化する業務AI基盤の設計・運用支援、です。
この事業の売り文句は、「ChatGPTを使いましょう」ではありません。「御社の業務を、特定AIベンダーに人質に取られない形でAI化します」です。これは刺さる企業にはかなり刺さります。特に対象は、金融、不動産、製造、医療、行政、法務、教育、研究機関、インフラ企業、地方中堅企業です。これらは、機密・説明責任・継続性・コスト管理が重要なので、クローズドAI一本足では不安があります。

日本企業向けには特にチャンスがある

日本企業は、いきなりOpenAI APIやClaude APIを全社中枢に入れることに抵抗があります。一方で、AIを使わないわけにもいかない。心理的にはこうです。AIは使いたい、しかし社外に情報を出したくない、費用も読めない、社員に自由に使わせるのも怖い、でも乗り遅れたくない。この矛盾を解く商品が必要です。それが、オープンモデル併用型のAI運用設計です。
ここで提供すべき価値は、技術そのものよりも、むしろ安心できる制度設計です。どの情報は外部AIに出してよいか。どの情報はローカル処理するか。どの業務は人間承認を必須にするか。ログをどう残すか。費用上限をどう決めるか。モデル変更時にどう検証するか。誤答時の責任分界点をどうするか。この「AI利用の社内統治」が、今後かなり重要になります。
企業が欲しいのはAIそのものではありません。AIを安全に、安く、賢く、継続的に使い続ける仕組みです。
そしてその仕組みは、四つの要素で構成されます。すなわち、最高性能の外部頭脳としてのクローズドAI、主権・機密・コスト対応の内製頭脳としてのオープンモデル、複数AIを使い分ける司令塔としてのオーケストレーション、そして使うほど業務知能が蓄積される改善機構としてのループです。特に日本では、単なるAIツール導入よりも、AI運用の設計・統治・内製化支援の方が、長く続く商売になると思います。
あなた
そしてみんな薄々気付いていると思うのですが、これ以上のモデルの性能向上は、国家主権で止められる可能性が高い。この場合のビジネスモデルの転換を、クローズドAI企業はどのように凌ごうと考えているのでしょうか。
AI
かなり本質的な指摘です。クローズドAI企業はすでに内心では、「モデル性能を無限に上げてAPIで売る」という単純な事業モデルは長続きしない、と見ていると思います。
理由は技術限界というより、あなたの言うとおり、国家主権・安全保障・電力・計算資源・輸出管理・世論で止められるからです。実際、米国政府は2026年6月の大統領令で、先端AI能力を国家安全保障上の考慮事項として位置づけ、政府・重要インフラへの導入、防衛、サイバーセキュリティ、知的財産保護を一体で扱う姿勢を明確にしています。これは「AI企業の自由競争」ではなく、「国家戦略産業としてのAI」への移行です。

まず、クローズドAI企業が恐れていること

彼らが恐れているのは、単に「規制されること」ではありません。もっと深刻なのは、次の構図です。モデル性能が上がる。すると軍事・サイバー・生物・諜報・世論操作のリスクが増える。すると国家がアクセスを制限する。すると海外展開が難しくなる。するとAPI売上の成長率が鈍る。その間にオープンモデルが下位市場を侵食する。結果として、クローズドAIの高粗利モデルが崩れる。つまり、性能が上がるほど売りづらくなるのです。
これは普通のソフトウェアと逆です。ExcelやPhotoshopは高性能化しても国家主権で止められにくい。しかし、最先端AIは高性能化するほど、兵器・諜報・サイバー能力に近づく。だから国家が止める。Anthropicの最上位モデルをめぐって米政府が外国アクセスを制限したと報じられている件は、その象徴です。Axiosは、米政権がAnthropicの最強モデルへの外国アクセスをブロックしたと報じています。ここから先は、クローズドAI企業にとって「能力を高めれば高めるほど市場が狭くなる」という矛盾が出ます。

では、どう凌ぐのか ―― 七つの逃げ道

1. モデル屋から「企業OS」へ移る

一番大きいのはこれです。OpenAIもGoogleも、単なるチャットAIから、企業内の仕事を動かすOSへ移ろうとしています。OpenAIは2026年4月の企業向け戦略で、企業が求めているのは単発のAIツールではなく、社内データ・内部システム・権限管理に接続された「統一された業務レイヤー」だと説明しています。さらにOpenAI Frontierを、企業全体のエージェントを構築・展開・管理する基盤として位置づけています。Googleも同じで、Google Cloud Next 2026では、Gemini Enterpriseを「データ、人、目標をつなぐエージェント時代の connective tissue（結合組織）」と位置づけ、数千のAIエージェントを管理する「mission control（管制塔）」として売り出しています。
彼らはもう、「一番賢いモデルをAPIで使ってください」だけではなく、「御社の業務全体をAIで動かす制御層になります」と言い始めています。ビジネスモデルはこう変わります。モデル性能を売るのではなく業務基盤を売る。API課金ではなく企業OS課金。チャット利用ではなくエージェント運用。単発生成ではなく業務プロセスの実行。個人向けSaaSではなく企業全体の運用レイヤー。これは、Microsoft Office、Salesforce、SAP、ServiceNowのような領域を、AIで再編する動きです。

2. 「エージェント管理」で継続課金する

モデル性能が規制で頭打ちになるなら、次はエージェント運用で稼ぎます。企業は、AIエージェントを1体だけ使うのではありません。営業、法務、審査、経理、調査、コード修正、顧客対応、監査といったエージェントが社内に大量に生まれます。そこで必要になるのは、モデル性能ではなく、権限管理、ログ、監査、ワークフロー、承認、評価、失敗時の巻き戻し、費用管理、人間へのエスカレーションです。
Googleが「数千のエージェントをどう管理するか」に話題を移しているのは、この流れです。つまりクローズドAI企業は、知能の販売業から、知能労働の運用管理業へ移る。ここは規制されにくい。なぜなら、モデルそのものの危険能力ではなく、企業内の安全な業務実行基盤だからです。

3. インフラ企業になる

次は計算資源です。モデル性能が主権で止められても、AI利用量は増えます。むしろ、性能が頭打ちになっても、利用シーンが増えれば推論需要は増える。実際、Googleは2026年に自社モデルのAPI利用が毎分160億トークンを超え、Cloud向けの機械学習計算投資を大きく増やすと説明しています。また、第8世代TPUを、訓練向けと推論向けに分けて展開しています。Reutersも、GoogleがMetaのGemini利用に制限をかけた件で、AI需要に対して計算資源が足りず、Google Cloudの成長も計算力制約を受けていると報じています。
今後、AI企業は「賢いモデルを売る会社」ではなく、電力・データセンター・推論基盤・専用チップ・低遅延ネットワークを売る会社になります。つまり、クローズドAI企業の逃げ道は「AI版AWS」です。モデル性能が規制されても、推論基盤、企業向けデプロイ、政府向け専用環境、地域別クラウド、セキュアAI計算環境は売れます。

4. 「主権AI」を商品化する

主権問題に対して、クローズドAI企業はたぶんこう答えます。では、国ごと・企業ごとに閉じたAI環境を作ります、と。米国政府向けAI、日本政府向けAI、EU準拠AI、金融機関専用AI、防衛産業専用AI、医療データ専用AI、オンプレミスAI、VPC内AI、専用リージョンAIという形です。
これは、クローズドAI企業にとって非常に都合がよい。なぜなら、通常のAPIより高く売れるからです。「主権リスクがありますよね?」という不安に対して、「では、御国・御社専用の閉域環境を作ります」と返す。これは、クラウド産業がすでにやってきたことです。政府クラウド、金融クラウド、防衛クラウド、地域リージョン、データ主権対応。AIでも同じことが起きます。ただしここには矛盾があります。本当の主権AIとは、クローズドAI企業に依存しないことです。しかしクローズドAI企業は、「主権対応パッケージ」として依存を再販売する。ここは非常に重要です。

5. モデル性能ではなく「安全保証」を売る

性能が国家主権で止められるなら、クローズドAI企業は「安全性」を収益化します。これはAnthropicが特に強い領域です。企業や政府は、最強モデルを無制限に使いたいわけではありません。むしろ、暴走しない、情報漏洩しない、監査できる、差別しない、規制対応できる、説明責任を果たせる、危険用途を防げる、ということにお金を払います。
つまり、クローズドAI企業は、「最高知能」ではなく「保証された知能」を売る方向へ行く。これは保険・監査・コンプライアンスに近いビジネスです。オープンモデルは安い。しかし、何か起きたときに誰が責任を取るのか。企業の法務・監査・取締役会はそこを気にします。だからクローズドAI企業はこう言うはずです。「オープンモデルは安いですが、規制対応、監査、補償、安全評価、企業契約、SLAまで含めると、当社の方が安全です」と。これはかなり有効な逃げ道です。

6. データとワークフローのロックインへ移る

モデル性能だけなら、オープンモデルに追いつかれます。しかし、企業の業務フローに深く入れば、簡単には置き換えられません。OpenAIが企業内のエージェント、社内データ、権限、内部システム、日常業務の入口を押さえる。GoogleがGmail、Docs、Drive、Calendar、Cloud、Vertex、Gemini Enterpriseをつなぐ。MicrosoftがOffice、Teams、Azure、GitHub、WindowsにAIを埋め込む。こうなると、モデルの賢さだけでは勝負が決まりません。どのAIが一番賢いかではなく、どのAIが一番業務の中に埋まっているかになる。
これは、AI企業にとって非常に重要な防衛線です。モデルが規制されても、顧客の業務データ、権限設計、承認フロー、過去ログ、評価基準、社内エージェント群を押さえていれば、乗り換えコストが高い。つまり、彼らはモデル企業から業務ロックイン企業へ転換します。

7. 「蒸留対策」と「標準支配」に向かう

もう一つ重要なのは、オープンモデル勢に自社能力を蒸留される問題です。Anthropicは最近、中国のAlibaba系によるClaudeの大規模な能力抽出を主張しており、Business InsiderやTom's Hardwareが、偽アカウントや大量のやり取りを使った蒸留疑惑を報じています。これは、クローズドAI企業にとって「高い研究開発費を払って作った能力を、低コストの競合に吸われる」問題です。
したがってクローズドAI企業は今後、API利用監視、異常トークン検知、利用制限、国・企業別アクセス制限、モデル出力の透かし、契約違反への訴訟、政府へのロビー活動、輸出管理との連動を強めるでしょう。これはオープンモデルとの競争というより、知能の流出防止です。さらに、ハードウェアレベルの計算資源管理やトレーニング検証も議論されています。2026年の研究では、AIガバナンスが計算資源アクセスの管理に依存しつつある一方、オンチップ計量や暗号学的な訓練証明など、条約検証に必要な仕組みはまだ未成熟だと整理されています。つまり、国家は「モデル」だけでなく「計算資源」を統治対象にする。クローズドAI企業は、それに合わせて準国家インフラ企業になります。

最終的にどういう業態になるのか

旧来のクローズドAI企業は「フロンティアモデルAPI企業」でした。収益源は、個人サブスク、API課金、企業向けチャット、モデル性能差によるプレミアムでした。しかし今後は「AI統治インフラ企業」になります。収益源は、企業エージェント基盤、政府・大企業向け専用環境、推論インフラ、セキュリティ・監査・コンプライアンス、業務ワークフロー統合、モデル評価・ルーティング、人間承認ループ、データ接続、主権AIパッケージになります。
一言で言えば、彼らは「知能を売る会社」から「知能を運用・統治する会社」へ移る、ということです。

ここで勝つ企業・負ける企業

この転換に強いのは、次の条件を持つ企業です。クラウド基盤があること――Google、Microsoft、Amazon。業務アプリを持つこと――Microsoft、Google、Salesforce、ServiceNow。開発者基盤があること――OpenAI、Anthropic、Google、Microsoft。政府対応ができること――Microsoft、Google、Amazon、Anthropic。安全性ブランドがあること――Anthropic。消費者接点があること――OpenAI、Google、Meta。オープンモデルも持つこと――Google、Meta、Mistral、Alibaba、DeepSeek。
逆に危ないのは、「高性能モデルAPIだけ」が価値の中心になっている企業です。なぜならそこは、オープンモデルに価格を削られ、国家規制で市場が制限され、計算コストが重く、蒸留され、顧客がマルチモデル運用に移る、という四重苦になるからです。

OpenAIとAnthropicの逃げ方は少し違う

OpenAIは、おそらくAI業務OS＋消費者スーパーアプリ＋開発者基盤へ逃げます。ChatGPTを個人の入口にし、Enterpriseで企業の入口を取り、FrontierやCodexで業務エージェントを押さえる。OpenAI自身も、企業収益が全体の40%超になり、2026年末には消費者向け収益と並ぶ見込みだと述べています。
Anthropicは、安全な企業AI・コードAI・規制対応AIへ逃げます。Claude Code、企業契約、金融・法務・開発現場、安全性ブランド。OpenAIほど消費者スーパーアプリ色は強くせず、より「企業の信頼インフラ」に寄せる。Googleは、Gemini＋Google Cloud＋TPU＋Workspace＋検索・広告へ逃げます。Googleはもともとインフラと配布を持つ企業であり、Gemini Enterprise、TPU、Cloud、Workspaceによって企業内エージェントの基盤を押さえに来ています。Metaは少し違って、オープンモデル＋自社広告・SNS最適化＋パーソナルAIへ行きます。ただしMetaはクラウド事業を持たないので、企業AIインフラとしてはGoogleやMicrosoftより弱い。

彼らは「性能向上停止」をこう凌ぐ

まとめると、クローズドAI企業の戦略はこうです。第一に、最強モデルを広く売るのではなく、信頼された国・企業に限定して高く売る。第二に、一般市場ではモデル性能ではなく業務OS・エージェント基盤として売る。第三に、API課金から企業内AI運用・監査・権限管理・ワークフロー課金へ移る。第四に、オープンモデルに対しては、価格ではなく安全性・保証・統合・SLAで勝負する。第五に、国家規制に逆らうのではなく、国家のAI安全保障インフラとして取り込まれる。第六に、モデル能力そのものではなく、データ接続・業務ループ・評価基準・エージェント管理でロックインする。第七に、自社能力の蒸留・流出を防ぐため、アクセス制御と政府規制を利用する。

ここに生まれる隙間

そして、ここが一番重要です。クローズドAI企業が「AI統治インフラ企業」へ進むほど、顧客側には不満が出ます。なぜなら、それは便利ですが、また別の形のロックインだからです。企業・行政・個人が本当に欲しいのは、高性能AIは使いたいが、OpenAIにもGoogleにもMicrosoftにもAnthropicにも完全支配されたくない、オープンモデルも使いたい、費用も抑えたい、主権も守りたい、ループも回したい、というものです。
ここに、あなたの言うビジネスチャンスがあります。それは、クローズドAI企業そのものと競合するというより、クローズドAI企業を「部品」として使い倒すための中立レイヤーです。
マルチモデル・オーケストレーション、オープンモデル併用、主権対応、費用最適化、業務ループ設計、AI監査・評価、社内AI運用設計。ここが今後かなり面白い市場になると思います。
あなた
私が「ループの構築」と言ったのは、次のことです。
「ループエンジニアリング（Loop Engineering）」とは、AIエージェントに毎回手動でプロンプトを入力するのをやめ、AIを自律的かつ自動的に反復実行・オーケストレートするシステムを設計する手法・概念です。求められるスキルも変化します。プロンプトエンジニアリングが「AIにどう指示するか」だとすれば、ループエンジニアリングは「AIをどう自律的に回すか」、つまり仕組みそのものの設計です。
メモリシステムとして自律的にコード生成やデバッグを回すには、次の部品を設計する必要があります。第一にAutomations（自動化・ハートビート）。スケジュールやイベント駆動でループを起動・定期実行する仕組みです。第二にWorktrees（作業ツリー）。並行実行時にファイル競合を防ぐため、独立した作業ディレクトリを用意する環境隔離です。第三にSkills（スキル）。プロジェクト特有の知識やルールをコード化（SKILL.md など）し、毎回ゼロから推論させる手間を省く仕組みです。第四にConnectors／Plugins（ツール連携）。MCP（Model Context Protocol）などを介し、課題管理ツールやAPIといった外部環境にアクセスする仕組みです。第五にSub-agents（サブエージェント）。役割分担であり、コードを「作る役」と「検証する役」を異なるAIに分け、精度の低い自己採点を防ぐ構造です。第六にMemory／State（外部メモリ）。LLM自身は会話間で記憶を失うため、作業の進捗状態を外部ファイル（STATE.md など）に書き出し、履歴を維持・永続化する仕組みです。
同時に、注意すべき三つの落とし穴も指摘されています。第一に理解の負債（Comprehension debt）。AIがコードを量産するスピードに自分の理解が追いつかず、システム全体を把握できなくなる。第二に思考の放棄（Cognitive surrender）。AIの成果物を疑わなくなり、すべてを委任してしまう。第三にトークンコストの暴走。検証ループが不発のまま繰り返されると、APIの予算を急速に消費してしまう。「Claude Code」や「OpenAI Codex」といった最新ツールでは、これらの仕組みの一部がすでに組み込まれています。――これのことです。
AI
理解しました。あなたが言う「ループ」は、私が前回やや広く言った「改善サイクル」ではなく、もっと具体的に、AIエージェントを自律反復させる実行アーキテクチャですね。
整理すると、こうです。プロンプトエンジニアリングは、人間がAIに毎回うまく指示する技術。コンテキストエンジニアリングは、AIが仕事をするために必要な文脈、資料、ルール、過去ログを整える技術。ハーネスエンジニアリングは、AIの外側に、権限管理、テスト、検証、ログ、ガードレールを作る技術。そしてループエンジニアリングは、AIが自分でタスクを進め、検証し、失敗したら修正し、状態を保存し、必要なら人間に引き継ぐ反復システムを設計する技術。この理解で合わせます。
Zennの解説でも、Loop Engineeringは「個々のプロンプト」ではなく「ループというシステム」を設計する方法論であり、ループはゴール達成または人間へのハンドオフまで反復する制御単位だと説明されています。Business Insiderも、Claude CodeやCodexのようなツールで、手動プロンプトではなく、AIエージェントを自律的に動かす recurring systems（反復システム）として loops が注目されていると報じています。

ここで話が一段深くなる

先ほどまでの議論では、クローズドAI、オープンモデル、主権、費用、オーケストレーションを中心に話していました。しかし、あなたが言うループエンジニアリングを入れると、ビジネスチャンスの中心はさらに明確になります。それは、AIを使うことではなく、AIが回り続ける業務機械を作ることです。
つまり、ユーザーが本当に欲しいのは、ChatGPTを社内で使えるようにすることでも、Claude CodeやCodexを導入することでもありません。本当に欲しいのは、目的を与えると、AIが自律的に調査・生成・修正・検証・記録・報告まで回し、人間は要所で承認・判断する仕組みです。ここに、ループエンジニアリングの市場があります。

ループエンジニアリングは「AI版の業務ライン設計」

これは製造業で言えば、単なる工具ではありません。AIモデルは工具です。プロンプトは工具の使い方です。ループは生産ラインです。人間が毎回ドライバーを持ってネジを締めるのではなく、部品供給、加工、検査、不良品の戻し、記録、出荷判定までをライン化する。AI業務でも同じです。
たとえばコード生成なら、Issueを読み、仕様を分解し、作業ブランチまたはworktreeを切り、実装し、テストを走らせ、エラーを読み、修正し、lint・型チェック・セキュリティチェックを通し、差分を要約し、PRを作り、人間にレビューを求め、STATE.mdに進捗を書く。これを毎回人間がプロンプトで指示するのではなく、仕組みとして回します。
Claude Codeのアーキテクチャ分析でも、中心には「モデルを呼び、ツールを実行し、繰り返す単純なwhile-loop」があり、その周辺に権限管理、コンテキスト圧縮、MCP・plugins・skills・hooks、subagent delegation、worktree isolation、session storageがあると整理されています。つまり、本体はループです。価値は、その外側の設計にあります。

ループエンジニアリングと主権問題は直結する

ここが重要です。ループ化すると、AI利用は一気に深くなります。単発チャットなら、外部クローズドAIに多少依存しても許容できる。しかし、ループは違います。ループは、業務データを読み、コードを変更し、外部APIを叩き、チケットを更新し、ファイルを作り、検証を走らせ、ログを保存し、次回に状態を引き継ぐ、ということを継続的に行います。これはもはや「相談相手」ではなく、業務実行者です。
すると、主権リスクが跳ね上がります。クローズドAI企業のAPIに業務ループを握られると、モデル停止、規約変更、価格変更、地域制限、国家規制、データ取り扱い変更が、そのまま業務停止リスクになる。したがって、ループエンジニアリングの時代には、オープンモデル併用がより重要になります。単発利用ならクローズドAIでよい。しかし、常時回る業務ループの一部は、自社側・ローカル側・オープンモデル側に逃がしておく必要があります。ここが、あなたの指摘と完全につながります。

ループにおけるクローズドAIとオープンモデルの使い分け

現実的には、こうなります。高度な設計・複雑な推論はクローズド上位モデルに。大量の分類・要約・整形はオープンモデルに。機密文書の読み取りはローカルのオープンモデルに。コード生成の主担当はClaude Code／Codex／高性能モデルに。テスト結果の一次解析はオープンモデルに。セキュリティ・仕様逸脱のチェックは別モデルまたはサブエージェントに。最終判断は人間に。状態保存は外部メモリ、STATE.md、DBに。継続実行はAutomations、cron、CI、イベント駆動で。このように配分します。
この設計にすると、クローズドAIを完全排除しない。しかし、全権委任もしない。高性能な脳は借りる。反復作業と状態管理は自社側に残す。検証は別系統に分ける。実行権限は最小化する。これが、主権対応型ループエンジニアリングです。

ビジネスモデルとしては「AIループ設計・運用業」になる

ここで生まれるビジネスは、単なるAI導入支援ではありません。より正確には、業務別AIループの設計・構築・監査・運用です。具体的には、次のような商品になります。
開発ループは、ソフトウェア企業、情シス、DX部門が対象で、Issue→実装→テスト→修正→PR→レビュー→状態保存を回します。Claude CodeやCodexを使い、worktree、skills、CI、sub-agent、STATE.mdを組み込む。調査ループは、金融、不動産、コンサル、研究、政策部門が対象で、情報収集→要約→反証探索→出典確認→レポート生成→人間レビュー→更新を回します。これはあなたのnote執筆や投資分析にも近い。社内規定ループは、大企業、金融機関、行政が対象で、規定変更検知→要点整理→影響範囲抽出→FAQ更新→研修資料作成→承認依頼を回します。機密性が高いので、オープンモデル併用の価値が出ます。営業・審査ループは、銀行、不動産、保険、BtoB営業が対象で、案件資料読込→リスク抽出→類似案件検索→評価メモ作成→不足資料リスト化→人間承認を回します。ここは特に日本企業に刺さると思います。監査・品質保証ループは、開発、法務、金融、医療、行政が対象で、成果物検査→ルール照合→逸脱検出→修正指示→再検査→監査ログ保存を回します。ここでは、AIが作る役と検証する役を分けることが重要です。

価格設計も「モデル利用料」ではなく「ループ単位」になる

これはかなり大事です。今までは、月額ChatGPT、APIトークン課金、AIツールのシート課金でした。しかし、業務ループになると、顧客はこう考えます。このループは月に何件処理するのか。人間の作業時間を何時間削減するのか。品質はどれくらい上がるのか。どこまで自動化し、どこで人間が承認するのか。失敗時の損害をどう抑えるのか。トークン費用は上限管理できるのか。つまり、売る単位は「AI」ではなく、業務成果に紐づくループになります。
たとえば、月額10万円で調査レポート作成ループ、月額30万円で社内規定更新ループ、月額50万円で開発PR生成・検証ループ、月額100万円で審査補助・監査ログ付きループ、といった形です。ここで重要なのは、顧客にとって費用比較の対象が、AI料金ではなく、人件費・外注費・手戻り費・監査リスクになることです。

ただし、ループエンジニアリングは危険でもある

あなたが挙げた三つの落とし穴は、そのまま事業上のリスクになります。
理解の負債。 AIが高速でコードや文書を生成するが、人間が理解できていない。これは最悪です。一見、成果物は増える。しかし内部構造を誰も説明できない。障害発生時に直せない。監査に耐えない。引き継ぎ不能になる。だからループには必ず「理解同期ステップ」が必要です。差分要約、設計意図の記録、人間向け説明、変更理由のログ、レビュー観点の自動生成を入れる。
思考の放棄。 AIが通したから正しい、となる。これはループがうまく回れば回るほど起きます。快適だからです。だから検証ループには、別モデルによる反証、ルールベース検査、テスト、人間承認、ランダム監査、失敗事例DBを入れる必要があります。
トークンコストの暴走。 ループは放っておくと燃えます。Business Insiderも、ループは複数エージェントを使うため効率的な一方、トークン消費が大きく、慎重な設計が必要だと報じています。だからループには必ず、予算上限、最大反復回数、停止条件、失敗時ハンドオフ、安価モデルへのフォールバック、ログ圧縮、キャッシュ、差分処理が必要です。これは費用管理というより、ループのブレーキ設計です。

ループエンジニアリングの最小構成

実務で使うなら、ループは最低でも次の八要素を備えるべきです。第一にGoal、何を達成したら完了か。第二にState、現在どこまで進んでいるか。第三にContext、参照すべきルール・資料・制約。第四にExecutor、作業するAI。第五にVerifier、検証するAIまたはテスト。第六にTools、外部API、ファイル、DB、CI、MCP。第七にBudget、トークン、時間、回数、権限の上限。第八にHandoff、人間へ渡す条件です。
この八つがないループは、業務利用では危ないです。特に重要なのは、State、Verifier、Budget、Handoffの四つです。この四つがないと、AIは作業した気になって暴走します。

クローズドAI企業の話に戻すと

クローズドAI企業も、この方向へ行くはずです。彼らは今後、モデル性能そのものではなく、ループを安全に回すための実行基盤を売ります。Claude Codeのループ機能、Codexの自律実行、GoogleのAgent Space／Gemini Enterprise、OpenAIの企業エージェント基盤、Microsoft Copilot Studio、ServiceNowやSalesforceの業務エージェント、といった方向です。
ただし、ここにもロックインがあります。クローズドAI企業が提供するループ基盤は便利ですが、ループの中に、業務ルール、状態、ログ、承認履歴、評価基準、スキル、コネクタ、社内ナレッジが蓄積される。これは、単なるモデル依存より深い依存です。
モデルロックインより危険なのは、ループロックインです。

だから中立的なループ設計者に価値が出る

ここで、あなたのビジネスチャンスの見立てがさらに強くなります。企業は、クローズドAI企業のループ基盤を使いたい。でも、完全依存はしたくない。オープンモデルも使いたい。社内データは守りたい。費用も抑えたい。人間承認も残したい。将来、別モデルに乗り換えたい。すると必要なのは、モデル非依存のループ設計です。
具体的には、状態は自社DB／Markdownに保存する。Skillsは自社管理する。コネクタは標準化する。Executorは差し替え可能にする。Verifierは別モデルにする。ログは自社側に残す。モデル選択はルーティング層で行う。人間承認は社内ワークフローに載せる。これなら、ClaudeからCodexへ、GPTからQwenへ、Geminiからローカルモデルへ、必要に応じて切り替えられます。
私の表現で言えば、これはもう「プロンプト職人」ではありません。AI業務ラインの設計者、あるいは自律AI運用アーキテクトです。
あなた
これが現実的なAIエージェントの形である可能性は高いですね。これなら、モデル単体の能力に依存する必要はない。そして、このようなループエンジニアリング機能を本質とするサービスも、ちらほら出てきているようです。
AI
かなり高い確率で、これが現実的なAIエージェントの実装形態になると思います。理由は単純で、「完全自律の万能AI社員」よりも、「限定されたループを安全に回す業務エージェント」の方が、はるかに実用化しやすいからです。
つまり、未来のAIエージェントはこういう姿です。何でもできる一体の超知能ではなく、目的・権限・作業環境・検証方法・停止条件を与えられた、小さな自律ループの集合体。これは、モデル単体の知能に依存しすぎない。弱いモデルでも、状態管理、検証、再実行、外部ツール、サブエージェント、ワークツリー隔離を組み合わせれば、かなり実用的な仕事ができます。

いま出てきているのは「エージェント」ではなく「ループ基盤」

表面上は「AIコーディングエージェント」「業務自動化AI」「AIワーカー」と呼ばれています。しかし中身を見ると、多くはまさにループエンジニアリングです。
コーディングループ系には、Claude Code、OpenAI Codex、Cursor Background Agent、Devin系などがあり、本質はIssueを読み、コードを書き、テストし、修正し、PR化することです。業務オーケストレーション系には、OpenClaw、Hermes Agent、Zapier／Make系のAIエージェントがあり、外部ツールやAPIをまたいで定型業務を反復します。企業エージェント基盤系には、Gemini Enterprise、Microsoft Copilot Studio、OpenAI Enterprise系があり、社内データ・権限・ワークフローと接続します。オープンエージェント基盤系には、LangGraph、AutoGen、CrewAI、OpenHands系があり、状態管理、マルチエージェント、ツール実行を組みます。研究・分析ループ系には、PARCなどがあり、長時間タスクを計画・実行・検証・修正します。
OpenAI Codexについては、OpenAI自身が「クラウドベースのソフトウェアエンジニアリングエージェント」で、複数タスクを並列に処理できると説明しています。これはまさに、チャットではなく、作業環境を持つループ型エージェントです。また、Codex利用データを分析した研究では、2026年前半にアクティブユーザーが5倍以上に増え、10%以上のユーザーが週に3つ以上のCodexエージェントを並行管理し、26.6%が複雑なワークフロー指示を共有するskillsを使っているとされています。これは「人間が毎回プロンプトを書く」段階から、「複数ループを管理する」段階に移っている証拠です。

Claude Codeは、かなり露骨にループエンジニアリング化している

Claude Codeは、この流れをかなり象徴しています。公式ドキュメントを見ると、subagents、hooks、skills、MCP、pluginsといった機能が前面に出ています。Anthropicのドキュメントでは、カスタムsubagentに対して、専用プロンプト、ツール制限、permission modes、hooks、skillsを設定できるとされています。また、Claude Codeのhooksは、プロンプト送信、ツール実行、MCPツール、HTTP hooksなど、イベント駆動で自動処理を挟める仕組みです。これはまさにAutomations、つまりループのハートビートや介入点です。
さらに、Claude Codeの拡張機能説明では、Skill＋MCP、Skill＋Subagentという組み合わせが明示されています。たとえばMCPでデータベースに接続し、skillでスキーマやクエリ規則を教える、あるいは監査skillがsecurity、performance、styleのsubagentを起動する、という設計です。これはもう、単なる「AIにコードを書かせるツール」ではありません。AIが作業するための業務ライン設計ツールです。

研究側でも「ループ＋検証＋状態管理」が本命になっている

研究側でも同じ方向です。Claude Codeのアーキテクチャを分析した論文では、コアは「モデルを呼び、ツールを実行し、繰り返す単純なwhile-loop」だと説明されています。しかし本当に重要なのは、その周辺にある permission system、context compaction、MCP、plugins、skills、hooks、subagent delegation、worktree isolation、session storage だと整理されています。つまり、中心にあるのは単純なループ。価値は、その外側の安全装置・状態管理・拡張機構・検証構造にあります。
PARCという自律コーディングエージェントの研究でも、長期タスクをこなすために、計画、実行、独立した文脈からの自己評価、自己フィードバックを組み込んだ階層的マルチエージェント構造が使われています。これは、単一モデルの賢さではなく、ループ設計で長時間タスクを成立させる発想です。

なぜこれが現実的なのか

理由は四つあります。第一に、失敗しても戻せること。完全自律AIに全権を渡すのは危険ですが、worktreeやsandboxで隔離されたループなら、失敗しても差分を捨てられる。第二に、検証できること。コードならテスト、lint、型チェック、セキュリティスキャンがあり、文書なら規定照合、出典確認、別エージェントレビューができる。第三に、費用を制御できること。最大反復回数、モデルの使い分け、安価モデルへのフォールバック、ログ圧縮、キャッシュを設計できる。第四に、モデルを差し替えられること。ループの状態、スキル、ツール接続、評価基準を外部化しておけば、ExecutorだけをClaude、GPT、Gemini、Qwen、DeepSeek、ローカルモデルに差し替えられます。
ここが決定的です。これなら、モデル単体の能力向上が国家主権や規制で止まっても、ループ側の工夫で実用能力を伸ばせます。

「AIエージェント」の競争軸は変わる

今後の競争は、モデル性能ランキングではなく、こう変わります。「モデルがどれだけ賢いか」から「ループがどれだけ安全に回るか」へ。「プロンプトが上手いか」から「状態管理ができているか」へ。「一発回答の品質」から「再試行・検証・修正の品質」へ。「チャットUI」から「worktree、hooks、skills、MCP、subagents」へ。「API単価」から「タスク完了単価」へ。「ベンチマーク性能」から「実務完了率・失敗時復旧率」へ。「モデルロックイン」から「ループ設計の移植性」へ。
ここで重要になるKPIは、たとえば、タスク完了率、人間レビューでの差し戻し率、1タスクあたりのトークンコスト、最大反復回数内での成功率、失敗時の停止・ハンドオフ率、変更差分の説明可能性、セキュリティ事故率、モデル差し替え可能性です。つまり、AIエージェントの本質は、だんだん「作業機械の信頼性評価」に近づきます。

ここにサービス化の余地がある

おっしゃるとおり、ループエンジニアリング機能を本質とするサービスは、今後かなり増えます。ただし、勝ち筋は二種類に分かれます。
垂直特化型ループは、特定業務に深く入るタイプです。コード修正ループ、契約書レビュー・修正ループ、社内規定更新ループ、不動産評価メモ作成ループ、投資リサーチ更新ループ、顧客問い合わせ処理ループ、セキュリティ監査ループなど。これは顧客に価値が伝わりやすい。「AIを導入しましょう」ではなく、「この業務を毎日ここまで自動で回します」と言えるからです。
水平基盤型ループは、業務を問わず、ループを作るための基盤です。モデルルーティング、state管理、skills管理、MCP／connectors管理、subagent orchestration、sandbox／worktree管理、予算管理、監査ログ、human-in-the-loop承認、評価・テスト基盤など。これは大企業向けに強い。特に、クローズドAIとオープンモデルを併用したい企業には刺さります。

私の見立て ―― 五段階の進化

現実的なAIエージェント市場は、こういう方向に収束すると思います。第1段階はチャットAI、人間が質問しAIが答える。第2段階はコーディング・リサーチ補助AI、人間が指示しAIがまとまった作業をする。第3段階はループ型AIエージェント、AIが状態を持ち、外部ツールを使い、検証しながら反復する。第4段階はループ群のオーケストレーション、複数のループが並行稼働し、人間は例外処理・承認・戦略判断を担う。
いま市場は、第2段階から第3段階へ移っているところです。CodexやClaude Codeの利用拡大は、その初期証拠です。ただし、最大のビジネスチャンスは第4段階です。企業が本当に欲しいのは、単体のAIエージェントではありません。欲しいのは、社内の複数業務ループを、費用・主権・安全性・品質を管理しながら回す司令塔です。ここに、主権対応、オープンモデル併用、オーケストレーション、ループエンジニアリングが全部つながります。
一言で言えば、今後のAIエージェントは「賢い個体」ではなく「管理された反復系」として実用化する。そして、その反復系を設計・運用できる人間や企業に、大きな価値が生まれます。
あなた
ふと考えたのですが、この手法はAIモデルの「蒸留」の手法と同型ではないでしょうか。
AI
かなり鋭いです。ループエンジニアリングは、広い意味では「蒸留」と同型の構造を持っています。ただし正確には、モデルの蒸留そのものではなく、「業務能力の蒸留」あるいは「エージェント行動の蒸留」に近いです。

共通構造

AIモデルの蒸留は、基本的にはこうです。高性能モデルが出力する。その出力・推論過程・判断傾向を集める。小型モデルや別モデルに学習させる。高性能モデルに近い能力を安価に再現する。
一方、ループエンジニアリングはこうです。高性能AIが業務を実行する。成功した手順・失敗例・検証観点・修正パターンを記録する。Skills、STATE、テンプレート、ルール、テスト、ワークフローに落とし込む。次回以降は、より安いモデルや自動化ルールで再現する。
構造は非常に似ています。どちらも、高価な知能を使って、再利用可能な低コスト構造を作る、という点で同型です。

違いは「何に蒸留するか」

モデル蒸留では、能力は別のモデルの重みに移されます。一方、ループエンジニアリングでは、能力は必ずしもモデル重みに入りません。むしろ、次のような外部構造に蒸留されます。
Skillsにはプロジェクト固有の知識・手順・規約が。STATE.mdには進捗、判断履歴、未解決課題が。テストには正しい/間違いを判定する外部基準が。ワークフローには実行順序、承認条件、停止条件が。プロンプトテンプレートには安定して良い出力を出す指示形式が。RAG／ナレッジベースには参照すべき社内知識が。評価基準には品質・安全性・費用の判定軸が。サブエージェント構成には作る役、検証する役、反証する役の分離が、それぞれ蒸留されます。
つまり、これはモデル内蒸留ではなく、システム外蒸留です。ここが非常に重要です。

むしろ企業にとっては、こちらの方が価値がある

モデル蒸留では、知能がモデル重みに閉じ込められます。しかし企業や個人にとって本当に欲しいのは、必ずしも小型モデルそのものではありません。欲しいのは、なぜそう判断したか、どの手順で進めたか、どこで失敗したか、どう検証したか、次回から何を省略できるか、どの部分を人間が見るべきか、です。これはモデルの中にブラックボックス的に入れるより、外部化された業務資産として残した方が使いやすい。
たとえば、ある不動産評価AIループがあるとして、最初は高性能クローズドAIを使う。そこで何度も評価メモを作らせる。その過程で、評価書の型、注意すべき論点、営業店が求める説明粒度、審査部が見るリスク、よくある差し戻し理由、地価・収益還元・担保評価の確認順序が蓄積される。それをSkillsやチェックリストやテンプレートに落とし込めば、次回からは高性能モデルに丸投げしなくてよくなる。これは、まさに業務知能の蒸留です。

ループは「高性能モデルの能力を組織へ転写する装置」

この表現が一番近いと思います。高性能モデルを使うだけでは、利用料を払って終わりです。しかし、ループを設計すると、AIが出した成果物、修正過程、評価観点、失敗ログが蓄積される。それを外部メモリ、Skills、テスト、ワークフローに変換する。すると、クローズドAIの能力の一部が、組織側の資産になります。つまり、ループエンジニアリングは、クローズドAIから組織への能力移転装置でもあります。ここがビジネス上かなり重要です。

これは「蒸留」よりも安全で合法的な形になり得る

通常のモデル蒸留は、クローズドAI企業から見ると危険です。なぜなら、自社の高性能モデルの出力を大量に使って、競合モデルを訓練される可能性があるからです。しかし、ループエンジニアリングによる蒸留は少し違います。目的は、競合モデルを作ることではなく、自社の業務プロセスを改善することです。
たとえば、出力をそのまま学習データにして小型モデルを作る、となると、利用規約上の問題が出やすい。しかし、AIの助言をもとに社内手順書を改善する、チェックリストを作る、テンプレートを整備する、テストを増やす、レビュー観点を保存する、であれば、これは通常の業務改善に近い。つまり、企業にとっては、モデル蒸留よりも、ループ蒸留の方が現実的です。

これは「人間の熟達化」とも同型です

人間の職人教育も、実は同じです。最初は熟練者が判断する。新人はそれを見て真似る。失敗例を覚える。チェックリストができる。マニュアルが整う。標準作業手順になる。一部は機械化される。これも一種の蒸留です。熟練者の暗黙知が、手順、チェックリスト、教育資料、業務システム、自動化へと形式化されていく。
AIループでは、熟練者の位置に高性能AIも入る。そして、その出力を使って、組織の手順を整備する。だからループエンジニアリングは、単なるAI自動化ではなく、暗黙知の形式知化を高速化する技術でもあります。

重要なのは「蒸留先をどこに置くか」

今後の勝負は、蒸留先です。クローズドAI企業は、自社のモデル・エージェント基盤・クラウド内に蒸留させたい。ユーザー企業は、自社のSkills、STATE、ナレッジベース、評価基準、ワークフローに蒸留させたい。ここに利害対立があります。クローズドAI企業の蒸留先は自社モデル、自社エージェント基盤、自社クラウド。ユーザー企業の蒸留先は自社DB、自社ワークフロー、自社Skills、自社ルール。オープンモデル勢の蒸留先は公開モデル、コミュニティ、共有ツールチェーン。SIer／コンサルの蒸留先は導入テンプレート、業界別ループパッケージ。
つまり、今後のAI主権の本質は、誰の場所に知能が蓄積されるか、です。
モデルに蓄積されるのか。ベンダーのクラウドに蓄積されるのか。自社の業務資産に蓄積されるのか。ここが勝負です。

「蒸留」と見れば、ビジネスモデルも変わる

この視点で見ると、ループエンジニアリング企業の価値はかなり明確になります。彼らは単にAIを導入しているのではない。顧客の業務知能を、再利用可能な形に蒸留している。提供価値は、初期は高性能モデルを使って成果を出し、中期で手順・評価・テンプレートを抽出し、後期で安価モデルやルールベースに置き換え、最終的に顧客側の業務資産として残す、ということです。
「AIで仕事を自動化します」よりも、「御社の熟練業務を、AIループによって再利用可能な知的資産に変換します」の方が本質に近いです。

ただし、注意点もある

この同型性にはリスクもあります。第一に、蒸留されるものが間違っている可能性です。高性能AIが間違った手順を繰り返すと、その誤りがSkillsやワークフローに固定されます。これは「誤謬の制度化」です。第二に、表面的な成果物だけ蒸留しても意味がない、という点です。文章の型だけ真似ても、判断基準が抜けていると弱い。本当に蒸留すべきは、出力ではなく、判断条件、失敗時の分岐、検証観点、例外処理、人間に戻す条件です。第三に、ベンダー側に蒸留される危険です。Claude CodeやCodexのような環境に業務ループを作り込むと、ノウハウがベンダー環境に寄っていく。だから、STATE、Skills、評価基準、ログは、可能な限り自社側に残した方がよいです。

まとめ

あなたの直感どおり、ループエンジニアリングはAIモデルの蒸留と同型です。ただし、より正確には、モデル蒸留が「高性能モデルの能力を小型モデルの重みに移す」ものであるのに対し、ループ蒸留は「高性能AIや熟練者の能力を、外部化された業務システムに移す」ものだ、という違いがあります。
そして、企業にとって本当に重要なのは後者です。なぜなら、モデルは他社のものでも、Skills、STATE、評価基準、ワークフロー、テスト、チェックリスト、業務ログが自社に残れば、それは自社の知的資産になるからです。
一言で言えば、ループエンジニアリングとは、AIを使って業務知能を蒸留し、自社資産化する技術です。
これは、AI主権の議論と完全につながります。主権とは、単に「どのモデルを使うか」ではなく、知能の蓄積先を誰が支配するか、だからです。
あなた
これは、ユーザーの資産にもなるのではないですか。
AI
むしろ、そこが一番重要です。ループエンジニアリングで作られるものは、ユーザー自身の資産になります。
しかもそれは、単なる「AIの出力物」ではありません。より本質的には、ユーザーの判断・手順・好み・検証基準・業務知識を外部化した知的資産です。

何が資産になるのか

ループを回すと、次のようなものが蓄積されます。Skillsには、自分専用・業務専用のルール、文体、判断基準が。STATEには、作業履歴、未解決課題、判断の経緯が。テンプレートには、レポート、分析、コード、メール、記事の型が。チェックリストには、失敗防止、品質確認、反証観点が。評価基準には、何を良い成果物とみなすかが。ワークフローには、どの順番で作業すれば成果が出るかが。ログには、過去の成功例・失敗例・修正履歴が。コネクタ設定には、どの情報源やツールにどう接続するかが。サブエージェント構成には、作る役、検証する役、反証する役の分担が、それぞれ残ります。
これらは、AIモデルそのものではありません。しかし、AIを自分の仕事に適応させるための「操作体系」です。だから価値があります。

これは「自分専用AI」の中核になる

多くの人は「自分専用AI」というと、モデルを自分専用に学習させることを想像します。しかし現実には、個人や中小企業が巨大モデルを自前で訓練するのは難しい。一方で、ループ資産なら作れます。
たとえば、あなたの場合なら、note記事の構成ループ、AI業界分析ループ、米国株バイアンドホールド分析ループ、認知戦・政治報道の検証ループ、歴史文化考察の深掘りループ、画像生成用の表紙コンセプトループ、のようなものが作れます。これが蓄積すると、毎回ゼロからAIに説明しなくてよくなります。
「自分はこういう観点で見る」「このテーマではこの論点を重視する」「この文体でまとめる」「この弱点を必ず検証する」「この出典確認を挟む」「この構成でnote化する」というものが、ループの中に固定されていく。つまり、AIが賢くなるというより、自分の知的作業環境が賢くなる。

モデルよりも長く残る資産になる

ここが大事です。GPT、Claude、Gemini、Qwen、DeepSeekなど、モデルは変わります。価格も変わる。規約も変わる。性能順位も変わる。国家規制で使えなくなる可能性もある。しかし、ユーザー側に残した、Skills、STATE、テンプレート、評価基準、作業ログ、検証ルール、業務フローは、モデルを乗り換えても使えます。これが本当の資産です。
モデルはエンジン。ループ資産は、運転技術、整備記録、道路地図、目的地設定、操作マニュアルです。エンジンを載せ替えても、こちら側の資産は残る。

逆に言うと、ベンダーに吸われる危険もある

ただし注意点があります。ループ資産が、すべてクローズドAI企業のクラウド内に閉じ込められると、それはユーザーの資産であるように見えて、実質的にはベンダー資産になります。たとえば、履歴はそのサービス内にしか残らない、Skillsをエクスポートできない、ワークフローが独自形式で移植できない、ログや評価基準を取り出せない、他モデルに切り替えられない、となると、これはループロックインです。
モデルロックインより厄介です。なぜなら、単にAIを乗り換えにくいだけでなく、自分の業務知能そのものがサービス内に閉じ込められるからです。

資産化するには「外部化」が必要

ユーザー資産にするには、最低限こうする必要があります。SkillsはMarkdownやGitで管理する。STATEは自分のファイルやDBに保存する。テンプレートはローカルに残す。評価基準・チェックリストを明文化する。作業ログをエクスポート可能にする。モデル名ではなく、役割名で設計する。Claude用、GPT用、ローカルモデル用に差し替え可能にする。つまり、ループ資産は、AIサービスの中ではなく、ユーザー側の管理領域に置くべきです。

一言で言うと

これは、ユーザーの資産になります。ただし条件があります。AIに作業させるだけでは資産になりません。AIが作業した過程、判断基準、修正履歴、検証方法、テンプレートをユーザー側に保存して初めて、資産になります。
だから、ループエンジニアリングの本質は、単なる自動化ではありません。AIを使って、自分の知的作業を再利用可能な資産に変換する技術です。
これは個人にとっては知的生産の資産化、企業にとっては業務ノウハウの資産化、国家にとってはAI主権の基盤化です。
あなた
つまり、評価ハーネスを始めとする蒸留のシステムは、AI基盤産業の本質でもある。ループエンジニアリングは、そのシステムを個人が設計したもの。よって、重みを個人が設定可能。Skillとの違いは、重みの設定が可能であること。それは「AIが作業した過程、判断基準、修正履歴、検証方法、テンプレートをユーザー側に保存」することで可能となり、ポータブルな資産となる。――そういうことでしょうか。
AI
かなり正確です。ただし一点だけ補正すると、ここで言う「重み」は、ニューラルネットワークのモデル重みそのものではなく、ユーザー側が設計する判断重み・評価重み・運用重みです。

結論

あなたの整理を少し精密化すると、こうです。評価ハーネス、検証基準、ログ、テンプレート、Skills、State、ワークフローは、AI基盤産業における「蒸留装置」である。そして、ループエンジニアリングとは、その蒸留装置を個人または組織が自分の側に持つ技術である。
その結果、ユーザーはAIモデルそのものを所有しなくても、AIを使って生成された判断基準・作業過程・修正履歴・評価方法を、自分のポータブルな知的資産として蓄積できる。これはかなり重要な見方です。

Skillとの違い

Skillは、基本的にはAIに渡す知識・手順・ルールです。たとえば、「このプロジェクトではこの文体で書く」「このコード規約を守る」「この順番で作業する」「この資料を参照する」「この禁止事項を避ける」というものです。しかし、Skillだけではまだ静的です。いわば、作業前に与える説明書です。
一方、ループエンジニアリングでは、そこに次が加わります。どの出力を良いと判定するか、どの失敗を重大と見るか、何回まで再試行するか、どの観点を優先するか、どのモデルにどの仕事を振るか、どの修正履歴を次回に反映するか、どの段階で人間に戻すか、過去の成功・失敗をどう次回の判断に使うか。ここで初めて、ユーザー側が「重み」を設定できます。
つまり、Skillは知識・手順の明文化。Loopは知識・手順・評価・再試行・記憶・優先順位の運用系です。Skillは部品。Loopは、その部品を使って判断を積み上げる機械です。

「重みを設定する」とは何か

ここで言う重みとは、たとえば次のようなものです。正確性を文体より重く見るなら、読みやすさより事実確認を優先する。コストを速度より重く見るなら、高性能モデルの使用を抑える。安全性を自動化率より重く見るなら、人間承認を多めに残す。反証探索を初稿生成より重く見るなら、まず弱点を探させる。出典確認を推論より重く見るなら、推測ではなく根拠ベースにする。保守性を短期成果より重く見るなら、コード量産より理解可能性を優先する。自社保存を利便性より重く見るなら、ベンダークラウド依存を避ける。
これはモデル内部のweightではありません。しかし、AIの振る舞いを現実に方向づけるという意味では、外部化された重みです。モデル重みが「モデル内部の傾向」なら、ループ重みは「ユーザー側の判断傾向」です。

ループは「外部化された個人モデル」に近い

これはかなり面白い点です。個人が自分専用モデルをフルスクラッチで訓練するのは難しい。しかし、個人が自分専用のループを作ることはできます。そして、そのループには、自分の関心、文体、検証基準、判断履歴、失敗パターン、好む構成、嫌う論理飛躍、重視するリスクが蓄積されます。
これは、モデル重みではないが、実質的には個人の知的作業OSです。LLM本体は汎用エンジン。ループ資産は、ユーザー専用の制御プログラムです。

AI基盤産業との関係

AI基盤産業の本質も、実はここにあります。フロンティアAI企業は、単にモデルを作っているだけではありません。彼らは、評価ハーネス、RLHF／RLAIF、自動評価、安全性テスト、プロンプト集合、エージェント実行環境、ログ解析、失敗事例DB、ツール使用履歴、ユーザー行動データを持っています。これらによって、モデルの能力を測り、修正し、蒸留し、商品化しているのです。
つまりAI企業の本当の資産は、モデル重みだけではありません。むしろ、モデルを鍛え、評価し、運用し、改善する蒸留システム全体です。あなたの言うとおり、ループエンジニアリングは、その小型版・個人版・組織版です。

ポータブル資産化の条件

ただし、資産になるには条件があります。それは、ユーザー側に保存されていることです。具体的には、AIが作業した過程、なぜその判断をしたか、どこで失敗したか、どう修正したか、何を良い出力と判定したか、次回から何を省略できるか、どのテンプレートが有効だったか、どの検証方法が機能したか。これらが、Markdown、Git、DB、JSON、CSV、Notion、ローカルファイル、社内システムなどに残る必要があります。
逆に、チャット画面の中にだけ残っているなら、それは弱い。サービスが変われば消える。検索しづらい。再利用しづらい。別モデルに移植しづらい。だから、ポータブル資産にするには、Skillsは外部ファイル化する、STATEは保存する、評価基準はチェックリスト化する、テンプレートは独立管理する、失敗ログを残す、モデル固有機能に依存しすぎない、実行環境と記憶を分離する、必要があります。

かなり重要な定式化

あなたの議論を一文にすると、こうです。ループエンジニアリングとは、AIモデルの能力を、ユーザー側の評価ハーネス・記憶・手順・テンプレート・検証基準へ蒸留し、ポータブルな知的資産に変換する技術である。
さらに言えば、Skillは知識の外部化、Loopは判断重みの外部化、Evaluation harnessは価値基準の外部化、Stateは時間軸の外部化、Workflowは行動順序の外部化であり、それら全体がユーザー資産になる、という整理ができます。

ここで主権論につながる

この話は、AI主権の核心です。主権とは、単に「どの国のAIを使うか」ではありません。より本質的には、知能の蓄積先を誰が支配しているか、です。クローズドAI企業の中に蓄積されるのか。ユーザーのワークスペースに蓄積されるのか。企業の社内基盤に蓄積されるのか。国家のAIインフラに蓄積されるのか。
ループエンジニアリングは、この蓄積先をユーザー側に戻す技術です。だからこれは単なる作業自動化ではなく、AI時代の知的主権回復技術です。
あなた
これは主権の話であるとともに、AIエージェントの機能の話でもあります。今後、クローズドAIモデルも、ループエンジニアリングを設計できるようになるでしょう。ただ、ユーザーが自分でループエンジニアリングを設計して、複数のAIをAPIで連携するのは面倒です。オープンモデルでも、Hermes Agent などは、その設計を意識していると考えます。
AI
ここは非常に重要です。これは主権の話であると同時に、AIエージェントの機能進化の話です。今後はクローズドAIもオープンAIも、単なる「賢いモデル」ではなく、ループエンジニアリングを内包したエージェント基盤へ進むはずです。

まず、ユーザーは自分で全部組みたくない

理屈の上では、ユーザーはこうできます。GPT API、Claude API、Gemini API、Qwen／DeepSeek／Llama、MCP、Slack／Gmail／GitHub／Notion、STATE.md、Skills、評価ハーネス、ワークツリー、サブエージェント、自動実行スケジューラを自分でつないで、独自のループ基盤を作る。しかし、普通のユーザーや企業には面倒すぎます。
特に難しいのは、モデルAPIを呼ぶことではありません。本当に難しいのは、状態管理、失敗時の停止条件、費用上限、ツール権限、メモリ管理、評価ハーネス、人間承認、ログ保存、モデル差し替え、セキュリティ、再現性です。
つまり、ユーザーが欲しいのは、「ループを自分でゼロから設計する自由」ではなく、「自分の主権を失わずにループを簡単に使える基盤」です。ここがビジネスになります。

クローズドAI企業も、当然そこを取りに来る

クローズドAI企業は、今後かなりの確率で「ループ設計機能」を自社サービスに組み込みます。すでにその方向は見えています。OpenAI Codexは、クラウド上で複数のソフトウェア開発タスクを並列実行できるエージェントとして説明されています。単なるチャットではなく、作業環境を持ち、タスクを進め、結果を返す形式です。Claude Codeも、単発のプロンプト実行ではなく、hooks、subagents、skills、MCP、tool permissions を組み合わせる方向に進んでいます。Business Insiderも、Claude CodeやCodexの文脈で「prompting agents」から「loops」へ移行していると整理しています。
GoogleやMicrosoftも、企業向けには「AIが業務を実行する基盤」を売りに行きます。つまりクローズドAI側の狙いは、モデルを売る段階から、エージェントを売る段階、ループ実行基盤を売る段階、そして企業の業務OSになる段階へと進むことです。この方向は自然です。なぜなら、モデル性能だけでは差別化が難しくなり、オープンモデルにも価格を削られるからです。そのときクローズドAI企業は、ループ、権限管理、監査、企業統合、SLA、安全性保証で稼ぐことになります。

しかし、クローズドAIのループ基盤にはロックイン問題がある

ここで主権問題が再び出ます。クローズドAI企業のループ基盤は便利です。しかし、その便利さの代償として、Skills、プロンプトテンプレート、実行履歴、成功・失敗ログ、評価基準、サブエージェント構成、コネクタ設定、社内ワークフロー、ユーザーの好み、業務判断の重みが、サービス内に蓄積されます。
これは、もはや単なるチャット履歴ではありません。ユーザーの業務知能そのものです。つまり、クローズドAI企業のループ基盤を使うと、便利な一方で、自分の業務知能がベンダー側の実行環境に沈殿する。これが「ループロックイン」です。モデルロックインより深刻です。モデルは別モデルに替えればよい。しかし、ループ資産が独自形式で閉じ込められると、業務移行そのものが難しくなります。

だからオープンモデル側は「ループ設計済み基盤」を出してくる

ここでHermes Agentのようなものが出てくる意味があります。Hermes Agentは、Nous Researchによるオープンソースのエージェントで、公式サイトでは「open-source agent that grows with you（あなたと共に育つオープンソースのエージェント）」と表現されています。MITライセンスで、macOS、Windows、Linux向けのネイティブアプリも提供されています。
GitHub上の説明でも、Hermes Agentは「built-in learning loop（組み込みの学習ループ）」を持ち、経験からskillsを作り、利用中にそれを改善し、過去会話を検索し、セッションをまたいでユーザー理解を深めるエージェントと説明されています。これは、まさにあなたが言う方向です。単に「オープンモデルを使えます」ではない。オープン側も、ループ、メモリ、スキル化、自己改善、外部ツール連携をパッケージ化し始めています。TechRadarも、OpenClawとHermes Agentを比較し、OpenClawは素早いセットアップと広いスキルライブラリ、Hermes Agentは自己学習により反復タスクで鋭くなる点が強みだと整理しています。つまり、Hermes Agentは「モデル」ではなく、オープンなループ実行環境として見るべきです。

Hermes Agentの意味 ―― 四つのポイント

Hermes Agentのようなサービスが重要なのは、次の四点です。
第一に、ループの設計をユーザーから隠すこと。ユーザーは毎回、状態を保存して、成功パターンを抽出して、skill化して、次回に使って、ツール連携して、過去ログを検索して、と設計したくない。Hermes Agentは、その部分をある程度自動化しようとしている。つまり、これはループエンジニアリングの抽象化です。
第二に、Skillを動的に生成すること。通常のSkillは人間が書くものですが、Hermes Agentの説明では、経験からskillsを作り、利用中に改善するとされています。これは非常に重要です。なぜなら、ユーザーの判断・作業過程・修正履歴が、静的なメモではなく、再利用可能な行動部品に変換されるからです。これは、先ほど話した「ループ蒸留」そのものです。
第三に、モデル非依存に近づくこと。オープン系ループ基盤が強くなると、モデルは差し替え可能な部品になります。高性能推論はClaudeやGPT、機密処理はローカルのQwenやDeepSeek、定型処理は小型モデル、コードは専用モデル、検証は別モデル、という使い分けが可能になる。Hermes Agentのドキュメントでも、AI providers に関する設定があり、ローカルモデルや外部プロバイダを扱う前提が見えます。
第四に、主権の受け皿になること。オープンなループ基盤なら、少なくとも理屈上は、skills、memory、state、logs、tools、workflowをユーザー側に置ける。これは、ユーザーの資産をベンダー内に閉じ込めないための重要な条件です。

ただし、オープン側にも課題はある

Hermes Agentのような方向は有望ですが、万能ではありません。第一に、セットアップと運用が難しい。TechRadarは、OpenClawはDockerで短時間に立ち上げやすい一方、Hermes Agentはmemoryやtoolsをきちんと設定すると数時間かかると整理しています。つまり、非エンジニアにはまだ重い。
第二に、安全性は自分で見る必要がある。オープンなエージェント基盤は自由度が高い。しかし、自由度が高いほど、ツール権限、ファイルアクセス、外部API、メール送信、決済、GitHub操作、個人情報処理のリスクが上がります。クローズドAI企業ならある程度のガードレールや企業契約がありますが、オープン側はユーザーや導入者が設計しなければなりません。
第三に、Skillの自己生成は危険でもある。AIが自分でskillを作るのは強力です。しかし、間違った成功体験をskill化すると、誤った手順が固定されます。これは「誤謬の蒸留」です。だから、自己生成skillには必ず、人間レビュー、バージョン管理、テスト、有効期限、失敗時のロールバック、使用頻度と成功率の計測が必要です。

今後の競争軸は「誰がループ設計を握るか」

今後、AIエージェント市場の本当の競争軸はこうなります。モデル性能を誰が持つか、ではなく、ループ設計とループ資産を誰が握るか、です。クローズドAI企業は、自社プラットフォーム内でループを作らせたい。オープンAI側は、ユーザー側・ローカル側・コミュニティ側にループ資産を置きたい。企業ユーザーは、便利さは欲しいが、ループ資産は自社側に置きたい。この三者の綱引きです。
整理すると、クローズドAI企業の狙いは、高性能モデル＋ループ基盤による企業OS化。オープンモデル／OSSの狙いは、モデル差し替え可能なループ環境の提供。ユーザー企業の狙いは、便利さを得つつ、Skills／State／評価基準を自社資産化すること。SIer／コンサルの狙いは、業界別ループを設計・保守して継続収益化すること。
つまり、エージェント時代の主権は、モデル主権からループ主権へ移る。これはかなり重要な定式化です。

私の見立て ―― 三層構造

今後の実用的なAIエージェントは、おそらく三層構造になります。
第1層はモデル層です。GPT、Claude、Gemini、Qwen、DeepSeek、Llama、Mistralなど。ここは高性能化と価格競争が続きますが、国家主権や規制の影響を受けやすい。第2層はループ基盤層です。Codex、Claude Code、Hermes Agent、OpenClaw、LangGraph、AutoGen、CrewAI、Copilot Studioなど。ここが次の主戦場で、状態管理、ツール実行、サブエージェント、スキル化、評価、権限管理を担います。第3層は業務資産層です。ユーザー側のSkills、STATE、評価基準、テンプレート、業務ログ、ナレッジベース、承認フロー。ここが本当の資産です。
最も重要なのは、第2層と第3層を分離することです。ループ基盤は便利なものを使えばよい。しかし、業務資産はユーザー側に残す。
これができれば、クローズドAIも使える、オープンモデルも使える、Hermes Agentのような基盤にも乗れる、将来、別の基盤にも移行できる。最終的には、「どのモデルが一番賢いか」ではなく、「どのループ基盤に自分の知的資産を蓄積するか」が、ユーザーにとって一番重要な選択になります。
あなた
過去のインターネット産業の発展の歴史とリンクさせて、今後のAI産業、AIエージェント産業の将来を推論してみたいです。推論を依頼します。
AI
これはかなり有効な推論軸です。インターネット産業の発展史と重ねると、今後のAI産業・AIエージェント産業は、かなり見通しやすくなります。
私の結論はこうです。AI産業は、インターネット産業がたどった「通信網 → ブラウザ → 検索 → プラットフォーム → クラウド → アプリ経済」の歴史を、圧縮して再演する可能性が高い。
ただし、AIでは中心資産が変わります。インターネット産業の中心資産は、トラフィック、ユーザー接点、データ、広告、クラウド基盤でした。これに対してAIエージェント産業の中心資産は、モデル、計算資源、評価ハーネス、ループ、スキル、メモリ、業務ログ、コネクタ、主権対応になると思います。

1. インターネット初期 ―― 通信インフラの時代

インターネット産業の最初の主役は、回線、ISP、サーバー、データセンターでした。この段階では、価値は「何ができるか」よりも、まず接続できることにありました。
AIで言えば、これは今の、GPU、TPU、データセンター、電力、クラウド、推論基盤、モデルAPIの段階に対応します。つまり、AI産業の最初の勝者は、やはりインフラ側です。NVIDIA、TSMC、ASML、Broadcom、Vertiv、クラウド事業者、電力会社、データセンターREITなどがここに入る。これは、インターネット初期に通信キャリアやデータセンターが重要だったのと同じです。
ただし違いもあります。インターネットの通信網は、比較的「中立的な土管」になりました。しかしAIの計算資源は、国家安全保障と直結します。高性能GPU、巨大データセンター、先端モデルは、単なる商業インフラではなく、準軍事・準諜報インフラになります。
したがってAIインフラは、インターネット回線よりも国家主権の影響を強く受けます。

2. ブラウザの時代 ―― AIでは「チャットUI」が最初の入口になった

インターネットでは、ブラウザが大衆化の入口でした。Netscape、Internet Explorer、Firefox、Chromeなどが、ユーザーにとっての「インターネットの窓」になった。AIでは、ChatGPT、Claude、GeminiなどのチャットUIがこれに相当します。
つまり、ユーザーは最初に「AIモデル」を理解したのではありません。チャット画面を通じてAIを理解した。これは非常に重要です。インターネットでも、ユーザーはTCP/IPやHTMLを理解したから使ったのではない。ブラウザがあったから使えた。AIでも同じで、ユーザーはTransformerや推論モデルを理解したから使っているのではなく、ChatGPTのようなUIがあったから使えたのです。
この段階では、勝負は「誰が一番使いやすい入口を取るか」でした。OpenAIが強かったのは、モデル性能だけでなく、ChatGPTという入口を取ったからです。Googleは検索という入口を持っていましたが、AIチャットの入口では出遅れた。MicrosoftはOfficeとWindowsに入口を持ち、Appleは端末入口を、MetaはSNS入口を持っている。ここはインターネット史とかなり似ています。

3. 検索の時代 ―― AIでは「オーケストレーター」が検索に相当する

インターネットでは、情報が増えすぎると、検索エンジンが不可欠になりました。Yahoo!のディレクトリ型から、Googleの検索型へ移行した。このとき価値の中心は、単なるWebページではなく、どの情報に到達させるかになりました。
AIでは、これに相当するのがオーケストレーション層です。なぜなら、AI時代にはモデルやツールが増えすぎるからです。GPT、Claude、Gemini、Qwen、DeepSeek、Llama、Mistral、Gemma、社内RAG、GitHub、Slack、Gmail、Notion、Salesforce、ERP、社内DB、ローカルファイル、ブラウザ操作、コード実行環境――これらを人間が毎回選ぶのは不可能です。
そこで必要になるのが、どのタスクを、どのモデルに、どのツールで、どの順番で、どの費用上限で、どの権限でやらせるかを決めるオーケストレーターです。インターネットでGoogle検索が「情報への配車係」だったように、AIエージェント時代のオーケストレーターは、知能・ツール・データ・業務への配車係になります。
ここが大きな主戦場になります。Google CloudのGemini Enterprise Agent Platformも、企業向けAIエージェントを構築・展開・統治・最適化する統一基盤として位置づけられています。つまり、Google自身も「モデル単体」ではなく、エージェントを管理する企業基盤へ進んでいます。

4. SNS・プラットフォーム時代 ―― AIでは「エージェント・マーケットプレイス」が来る

インターネットでは、Webサイトが乱立した後、ユーザー接点はプラットフォームに集約されました。Google、Facebook、Twitter／X、YouTube、Amazon、Apple App Store、Android Play Storeといった場所に、ユーザー、開発者、広告主、コンテンツ、決済が集まった。
AIでも、同じことが起きる可能性が高いです。ただし、AIでは「アプリ」ではなく、エージェントやスキルが流通します。たとえば、契約書レビューエージェント、経費精算エージェント、営業メール作成エージェント、コード修正エージェント、不動産評価エージェント、投資分析エージェント、研究調査エージェント、顧客対応エージェント、画像生成プロンプト調整エージェント、監査エージェント――こうしたものが、マーケットプレイス化する。
すでにClaude系のSkillsについては、公開マーケットプレイス上の4万件超のSkillsを分析した研究があり、ソフトウェアエンジニアリング、情報検索、コンテンツ作成などに集中している一方、状態変更やシステム操作を可能にするSkillsには安全上のリスクもあると指摘されています。
これは、スマホアプリ市場の初期とよく似ています。最初は便利な小物アプリが乱立する。やがて、勝ち残るのは、業務に深く刺さるもの、権限管理ができるもの、プラットフォーム標準に乗ったもの、ネットワーク効果を持つものになります。AIエージェントも同じです。

5. クラウド時代 ―― AIでは「エージェント実行基盤」がクラウド化する

インターネット産業で決定的だったのは、クラウドです。AWS、Azure、Google Cloudによって、企業は自前でサーバーを持たずに、アプリやサービスを動かせるようになりました。
AIエージェントでは、これに相当するのが、エージェント実行基盤です。つまり、AIが作業するためのクラウド上の作業環境です。OpenAI Codexは、クラウド上で複数のソフトウェア開発タスクを並列に扱うエージェントとして展開されています。2026年前半にはCodexのアクティブユーザーが5倍超に増え、特に組織利用でエージェント型ツールへの移行が進んでいるとされています。
これはまさに、AIエージェントのクラウド化です。人間のPC上でAIが少し手伝うのではなく、クラウド上に作業環境を持ったAIが、タスクを受け、ファイルを編集し、テストし、結果を返す。これは、インターネット時代に「自社サーバー」から「クラウド」へ移ったのと同じです。
ただし、ここでも主権問題が出ます。クラウド上のエージェントに業務を任せるということは、コード、業務データ、作業ログ、判断履歴、失敗履歴、スキル、メモリ、評価基準が、そのクラウド基盤に蓄積されるということです。だから今後は、通常クラウドと同じように、パブリックAIクラウド、プライベートAIクラウド、オンプレAIエージェント、政府向けAIクラウド、業界特化AIクラウドに分岐すると思います。

6. アプリ経済 ―― AIでは「ループ経済」になる

スマホ時代のアプリ経済では、価値は「アプリ」に宿りました。しかしAIエージェント時代の価値は、単体のアプリではなく、ループに宿る可能性が高いです。なぜなら、AIエージェントは一回起動して終わりではないからです。
調査する、生成する、検証する、修正する、記録する、次回に反映する、必要なら人間に戻す――この反復系こそが価値になる。Claude Codeのアーキテクチャ分析でも、コアは「モデルを呼び、ツールを実行し、繰り返すwhile-loop」であり、本当の差別化はその周辺のpermission system、context management、MCP、plugins、skills、hooks、subagents、worktree isolation、session storageにあると整理されています。
つまり、AIエージェント産業の本質は、アプリ経済からループ経済への移行です。インターネット時代には「どのアプリを使うか」が重要でしたが、AIエージェント時代には「どのループを回すか」が重要になります。

7. 歴史対応表 ―― インターネット産業史とAI産業の対応

ここまでを、歴史の対応として整理してみます。
通信インフラの時代は、回線・サーバー・データセンターが中心資産でした。AIでの対応物は、GPU、TPU、電力、AIデータセンターです。
ブラウザは、ユーザー入口という中心資産でした。AIでの対応物は、ChatGPT、Claude、Gemini、各種AI UIです。
検索は、情報到達の制御を担いました。AIでの対応物は、オーケストレーション、モデルルーティングです。
SNS／プラットフォームは、ユーザー接点・広告・ネットワーク効果を握りました。AIでの対応物は、エージェント基盤、スキル市場、AIワークスペースです。
クラウドは、実行環境とスケーラビリティを提供しました。AIでの対応物は、エージェント実行基盤、AIクラウドです。
アプリ経済は、アプリ・課金・開発者生態系が中心でした。AIでの対応物は、ループ、Skills、MCP、コネクタ、エージェント市場です。
データ経済は、行動ログと広告最適化が資産でした。AIでの対応物は、作業ログ、評価ハーネス、業務メモリ、蒸留資産です。
そして規制時代は、独禁・個人情報・表現規制が焦点でした。AIでの対応物は、AI主権、安全保障、モデル輸出管理、推論監査です。この対応表から見ると、今後のAI産業はかなり見えてきます。

8. 今後のAI産業の段階予測

私は、AI産業は次のように進むと思います。

第1段階：モデル競争

これはすでに起きました。GPT、Claude、Gemini、DeepSeek、Qwen、Llamaなどの性能競争です。この段階では、モデル性能、ベンチマーク、コンテキスト長、推論能力、マルチモーダル、価格が主戦場でした。ただし、この段階は徐々にコモディティ化します。最高性能モデルは国家規制の影響を受け、中位モデルはオープンモデルに追いつかれ、API単価は下がり、蒸留で能力が流出する。したがって、モデル単体で長期独占するのは難しい。

第2段階：UI・入口競争

ChatGPT、Claude、Gemini、Copilot、Perplexityのような入口競争です。ここでは、個人ユーザーの習慣を取ることが重要です。インターネットでブラウザや検索窓を取った企業が強かったように、AIでも日常的なAI入口を取った企業は強い。ただし、入口だけでも不十分です。なぜなら、ユーザーは最終的に「会話」ではなく「仕事の完了」を求めるからです。

第3段階：エージェント競争

ここが現在進行中です。AIが単に答えるのではなく、ファイルを編集する、コードを書く、テストする、メールを送る、チケットを更新する、ブラウザを操作する、社内DBを検索する、レポートを生成する、という段階です。Codexを中心に、AIエージェントが単なるチャットやWeb検索を超え、より複雑な委任タスクを担い始めていると整理されています。ただし、単体エージェントだけではまだ弱い。次に来るのは、エージェントのループ化です。

第4段階：ループ競争

ここが本命です。タスクを一回やるだけでなく、実行、検証、修正、再実行、記録、学習、人間へのハンドオフまで行う。この段階では、モデル単体の能力よりも、状態管理、評価ハーネス、コスト制御、権限管理、サブエージェント、メモリ、スキル化、ログ管理、モデル差し替えが価値になります。
Hermes Agentのようなオープンソース系の動きも、この方向です。Nous ResearchのHermes Agentは、経験からskillsを作り、利用中に改善し、過去会話を検索し、セッションをまたいでユーザー理解を深める「built-in learning loop」を持つと説明されています。これは、AIエージェントが単なる自動実行ツールから、ユーザー固有のループ資産を蓄積する基盤へ向かっていることを示しています。

第5段階：ループ群のOS化

最終的には、単一ループではなく、複数ループを束ねるOSが出ます。たとえば企業内で、営業ループ、法務ループ、経理ループ、開発ループ、監査ループ、調査ループ、人事ループ、広報ループが並行して動く。これらを、権限、予算、モデル選択、承認、ログ、監査、データアクセス、優先順位で統制する必要がある。これが、AIエージェント時代の「業務OS」です。Microsoft、Google、OpenAI、Anthropic、Salesforce、ServiceNow、Oracle、SAPなどは、ここを取りに来ると思います。

9. インターネット史から見た勝者の条件

過去のインターネット産業では、勝者は単に技術が強い企業ではありませんでした。勝ったのは、入口を取った企業、開発者生態系を作った企業、データを集めた企業、課金・広告・クラウドの収益モデルを押さえた企業、標準を作った企業、規制に適応した企業です。AIエージェント産業でも同じで、勝者の条件はたぶんこうなります。
第一に、モデルだけでなく実行環境を持つこと。 モデルは差し替えられますが、実行環境は乗り換えにくい。だから、Claude Code、Codex、Gemini Enterprise、Copilot Studio、Hermes Agent、LangGraphのようなエージェント実行基盤が重要になります。
第二に、Skills／Memory／Stateを握ること。 これは、AIエージェント時代のデータです。インターネットでは、検索履歴、クリック履歴、購買履歴、SNSグラフが資産でした。AIエージェントでは、作業履歴、修正履歴、判断基準、成功パターン、失敗パターン、ユーザーの好み、業務ルール、テンプレート、評価ハーネスが資産になります。つまり、今後のデータ経済は、単なる行動ログではなく、作業知能ログになります。
第三に、ループ資産をポータブルにできること。 ここがユーザー側の勝負です。インターネット時代、プラットフォームにデータを閉じ込められたユーザーは弱かった。AI時代には、ループ資産を閉じ込められたユーザーが弱くなる。だから、Skills、State、評価基準、テンプレート、ログを外部化できる基盤が重要になります。
第四に、主権対応ができること。 AIはインターネットよりも国家主権の影響が強い。だから、国内データ保存、ローカルモデル、オンプレ実行、モデル差し替え、監査ログ、アクセス制御、輸出管理対応、政府・金融向け専用環境が重要になります。
第五に、垂直業務に深く入ること。 最終的に儲かるのは、汎用チャットではなく、業務特化です。インターネットでも、最終的に広告、EC、決済、クラウド、SaaS、業務システムが巨大市場になりました。AIでも、金融審査、不動産評価、医療記録、法務レビュー、製造管理、研究開発、公共調達、行政文書、ソフトウェア開発のような垂直業務ループが重要になります。

10. クローズドAI企業の未来

クローズドAI企業は、おそらく次の方向に進みます。
OpenAIは、ChatGPTを個人入口にし、Codexや企業向けエージェントで業務入口を取り、最終的にはAIワークスペースOSを目指す。OpenAIが公開したエージェント利用研究も、Codexのようなツールが長く複雑なタスクを可能にし、仕事の進め方を変えていると位置づけています。OpenAIの狙いは、単なるモデルAPIではなく、個人の知的作業入口、開発者の作業環境、企業のエージェント基盤を同時に取ることだと思います。
Anthropicは、ClaudeとClaude Codeを中心に、安全な企業エージェント基盤を目指す。Claude Codeの構成を見ると、subagents、skills、hooks、MCP、権限管理など、ループエンジニアリング部品をかなり意識しています。Anthropicは、モデル性能だけでなく、安全性、検証可能性、企業導入、コード作業、権限管理で差別化するでしょう。
Googleは、Gemini、Workspace、Search、Android、Cloud、TPUをつなぎ、企業と個人の両方のAI基盤を狙う。Googleの強みは、インターネット時代の資産をほぼ全部持っていることです。検索、メール、ドキュメント、カレンダー、クラウド、動画、モバイルOS、広告、データセンター、TPU――ここにGemini Enterprise Agent Platformを重ねる。これは非常に強い。
Microsoftは、Office、Windows、Teams、GitHub、Azureを通じて、既存業務のAI化を狙う。Microsoftの強みは、すでに企業の仕事場を持っていることです。インターネット時代の「OS企業」が、AI時代の「業務OS企業」へ再拡張する構図です。
Metaは、少し違って、Llama系オープンモデル、SNS、広告、個人AI、AR／VRを組み合わせる。Metaは企業クラウドが弱い一方、配布力とオープンモデル戦略がある。AIエージェントOSというより、個人・SNS・広告・クリエイター向けAIで強いでしょう。
オープンモデル勢、すなわちQwen、DeepSeek、Mistral、Llama、Gemma、Hermes Agent、OpenClaw、LangGraph系は、モデルとループ基盤の分散化を進める。ここは、インターネットにおけるLinux、Apache、MySQL、Firefox、Android的な役割です。

11. 重要なのは「AI版Google」は誰か、ではない

よく「AI時代のGoogleは誰か」という問いがあります。しかし私は、この問いは少しズレていると思います。AI時代には、Googleに相当する勝者が一社出るというより、複数の層に分かれるはずです。
役割ごとに候補を並べると、こうなります。AI版ブラウザはChatGPT、Claude、Gemini、Copilot。AI版検索はPerplexity、Google AI、ChatGPT Search、企業内RAG。AI版クラウドはAzure、Google Cloud、AWS、OpenAI／Anthropicの専用基盤。AI版App StoreはGPTs、Claude Skills、各種エージェント・マーケットプレイス。AI版LinuxはLlama、Qwen、DeepSeek、Mistral、Gemma。AI版KubernetesはLangGraph、AutoGen、CrewAI、OpenClaw、Hermes Agent。AI版Salesforce／SAPは業務特化エージェントSaaS。AI版広告経済はパーソナルAI推薦、購買エージェント、商取引AIです。
つまり、AI産業は一枚岩ではありません。モデル層、実行基盤層、ループ層、業務アプリ層、主権インフラ層、個人エージェント層に分裂します。

12. ユーザー側から見た最重要戦略

ここが一番大事です。インターネット時代、ユーザーや企業はプラットフォームに依存しました。Googleに検索を握られ、Amazonに販売を握られ、AppleやGoogleにアプリ配布を握られ、Facebookに顧客接点を握られた。
AI時代に同じことが起きると、今度はもっと深刻です。なぜなら握られるのは、単なる顧客接点ではなく、業務判断、作業履歴、知的生産過程、検証基準、組織ノウハウ、個人の思考パターンだからです。
だから、ユーザー側の戦略は明確です。モデルは借りてよい。ループ資産は自分側に残す。これが鉄則です。
具体的には、SkillsはMarkdown／Gitで保存する。Stateは自分のDBやファイルに保存する。評価ハーネスは自分側に持つ。テンプレートは外部化する。作業ログはエクスポート可能にする。複数モデルに差し替え可能にする。クローズドAIとオープンモデルを併用する。重要業務は人間承認を残す。この設計ができるユーザーは、AI時代に強い。できないユーザーは、AIプラットフォームに知的資産を吸われます。

13. 未来予測 ―― AIエージェント産業はこうなる

私の推論では、今後は次のような産業構造になります。

2026〜2027年：エージェント乱立期

コーディングエージェント、リサーチエージェント、営業エージェント、個人秘書エージェントが乱立する。ただし、多くは不安定で、コストが高く、権限管理が甘い。インターネットのドットコム初期、スマホアプリ初期に近いです。

2027〜2029年：ループ基盤の標準化

生き残るのは、単発エージェントではなく、状態管理、権限管理、評価ハーネス、人間承認、コスト上限、ログ管理、モデルルーティングを持つ基盤です。ここで、Claude Code、Codex、Gemini Enterprise、Copilot Studio、Hermes Agent、LangGraph系のようなものが競争します。

2029〜2032年：垂直業務ループの成長

業界別AIエージェントが伸びる。金融、法務、不動産、医療、製造、行政、教育、研究、開発。この段階では、モデルよりも、業界知識、規制対応、評価ハーネス、監査ログが重要になります。

2032年以降：AI業務OSの寡占とオープン基盤の並存

最終的には、クローズドAI企業・クラウド企業による寡占が進む。しかし同時に、オープンモデル、オープンエージェント基盤、ローカルAI、主権AIも残る。インターネットで、Google、Amazon、Meta、Apple、Microsoftが支配しつつ、Linux、Apache、OSS、Web標準も残ったのと同じです。

14. 私の最終見立て

AI産業の将来をインターネット史とリンクさせるなら、最も重要な結論はこれです。インターネットは、情報の流通をプラットフォーム化した。AIエージェントは、知的作業の実行をプラットフォーム化する。
そして、その次に起きるのは、知的作業ログの蓄積、業務判断の蒸留、ループ資産の所有権争い、主権AIとクラウドAIの併存、垂直業務エージェント市場の拡大です。だから、今後のAI産業の主戦場は、単なるモデル性能ではありません。主戦場は、誰がユーザーの知的作業ループを握るか、です。
クローズドAI企業は、それを自社クラウド内に囲い込みたい。オープンモデル勢は、それをユーザー側に開放したい。企業ユーザーは、便利さを享受しつつ、自社資産として保持したい。ここに、次の10年のAI産業の本質があります。
一言でまとめるなら、インターネット時代の覇権は「ユーザー接点」を握った企業が取った。AIエージェント時代の覇権は「ユーザーの知的ループ」を握った企業が取る。
そして、ユーザー側の防衛策は、モデルを選ぶことではなく、ループ資産を自分の側に残すことです。