STR T-431 コース初日のエピソードから見える AI 産業の構造変化

序章：普遍的原理と技術的異質性の摩擦

ケロッグ経営大学院で行われたSTR T-431（戦略的思考入門）授業での一件について共有します。この科目は全学年の MBA 必修でしたが、教材に挙がる企業事例に技術系企業が一切含まれていないことに当初、失望感を覚えました。

• 教授からの回答: 「特定の業界を学ぶためではなく、どの業界にも適用可能な普遍的な原理を明らかにする」ことを目的としている。
• 私の直感的な反発: 技術分野の特性、特に**ソフトウェアや流通における「限界費用ゼロ」**という事実は、従来の経済モデルとは根本的に異質であり、混乱を招く要素である。

しかし現在では、その「混乱」とも呼べるゼロの限界費用こそが、新たな価値連鎖を生み出し、集中とスケールをもたらす重要なインサイト（集約理論）であると気づきました。

製造原価（COGS）対研究開発費（R&D）

オープンウェイトモデル（開放重みモデル）に関する議論で最も多い誤解は「それらは無料だから」です。事実として、ユーザー側はモデル制作のコストを負わず、代わりに推論（インフェレンス）コストを支払います。

COGS と R&D の性質の違い

• R&D（研究開発費）収益とは無関係な固定費用。
  • 例：100 万ドルの投資は、後で収益が 10 万ドルか 1 億ドルかに関わらず変わらない。
• COGS（売上原価）収益と直接関連する変動費用。
  • AI の文脈では、モデル上の推論を行うこと自体にお金が掛かるため、現実的なコスト構造が生まれました。
  • 利益率への影響: 収益が 10 倍になっても COGS が比例して増えるため、利益率が低下する仕組みになっています。

具体例による比較

モデルごとのコスト構造は以下のように異なります（推論コストベース）:

• Sol（参考元：Anthropic など）: 入力 5 ドル / 出力 30 ドル
• Kimi K3: 入力 3 ドル / 出力 15 ドル（Sol より安価）
  • ※ただし、単純な価格比較は妥当性がない場合があることに留意が必要です。

トークン対知能：商品化の限界

NVIDIA CEO のジェン・アン氏らも指すように、現在の産業は**「トークン工場」**の論理で動いています。GPU は高速にトークンを生成し、1 秒あたりのトークン数などのメトリクスが判断基準となります。

なぜトークンは商品ではないのか

• 商品の定義: 「代替可能性」を持つこと（例：1 ガロンの油と別のガロンは同等）。
• AI の現状: モデル A のトークンとモデル B のトークンは同じではありません。
  • 正解に至るまでの「思考連鎖トークンの数」が異なります。
  • キミ（Kimi）の方が多くのトークンを使用している場合、単価が安くてもトータルコストは高くなる可能性があります。
• 結論: コスト構造の優劣は、生成される**「知能」**によって決定されます。

知能のコスト構造（COGS）を決定する要因

優れたコスト構造を持つのは以下の要素の最適化によるものです：

• モデルフットプリント: メモリ量やアクセラレーターの数。
• 推論効率: エクスパート混合（MoE）などのアーキテクチャ選択。
• メモリエフィシエンシー: KV キャッシュの削減により並行処理能力を向上させる。
• サービス効率: バッチ処理やプレフィックスクエッシングによるリクエスト間での作業共有。
• トークン効率: 正解に達するまでに必要なトークン数を減らすこと。

多くの場合、利益を生むのは価格競争ではなく、優れたコスト構造を持つことです。

商品市場のメカニズムと倒産リスク

テクノロジー業界は「商品市場」のダイナミクスへの理解が不足しがちです。

商品市場のルール

1. 価格均一化: すべての供給者が同じものを売るため、需要と供給で価格が決まります。
2. 価格弾力性: 価格が高いと需要が落ち、安ければ需要が高まります。
3. 限界費用: 製造コストが低すぎる供給者は市場から淘汰されます。

供給者別の事例シミュレーション

市場価格（例：20 ドル）で以下のコスト構造があった場合：

• サプライヤー A（10 ドル/個）: 利益 10 ドル（素晴らしいビジネス）。
• サプライヤー B（15 ドル/個）: 利益 5 ドル（良いビジネス）。
• サプライヤー C（20 ドル/個）: 利益ゼロまたは赤字（倒産リスク）。

この構造において、市場均衡価格は需要を満たすための最高コストのユニットの限界費用に近づくため、コストが高い供給者は倒産を余儀なくされます。倒産すれば価格が上昇し、新しいプレイヤーが参入するサイクルが繰り返されます。

知能市場：供給制約と最先端優位

現在、AI 市場はまだ「商品」として完全に機能していない段階にあります。

現状の市場構造

• 需要 > 供給: 最先端モデルへの需要は計算資源（Compute）不足で制限されています。
  • これにより NVIDIA や Space X AI などの上流企業に莫大な利益をもたらしています。
• マージンの源泉: Anthropic や OpenAI が高い価格設定を許されるのは、単なる需要過剰だけでなく、コスト構造の最適化（最先端品質あたりの単価が最も低い）によるものです。

中国製モデルへの過剰反応について

Kimi K3 などの中国製モデルに対するパニックは経済的には非合理的である可能性があります。

• 価格天井: 計算資源不足により、下流の価格には上限が存在します。
• 比較の誤り: キミが安く見えるのは、Anthropic や OpenAI が供給制約で高値を付けているためであり、中国モデルのコスト構造自体が劇的に優れているとは限りません。

長期的には、最先端モデルメーカーは非最先端市場も支配し、コスト削減に注力する立場にあります。

最先端研究所のパニック：なぜ慌てるのか？

モデルメーカーやオープンウェイトコミュニティが中国製モデルに対し過剰反応するのは、主に以下の 4 つの理由によるものです。

1. 財務モデルへの固執:
   • 従来、トレーニングコスト（推論収益に換算）が支配的でしたが、現在では推論市場の成長がトレーニングコストを上回る見込みです。ボリュームで利益を回収できる時代が到来しました。
2. 知能は完全な商品ではない:
   • 推論実行中のデータ収集により、次の世代モデルが学習・改善されます（データのフィードバックループ）。
   • Microsoft などは、このエコシステムに組み込まれることで独自モデルの実行を支援し、ユーザーへの付加価値を提供します。
3. 顧客エクスペリエンスへの統合：
   • Claude Code や Codex のように、一度使い始めると離脱しにくい（Sticky）フレームワークを構築できます。
   • 非技術ユーザーほど既存のスタックに留まり続ける傾向があり、長期的には最先端モデルがソフトウェアプロバイダーへの脅威となります。
4. イデオロギーと独占観:
   • 「AI を扱うのは自分たちだけだ」という考え方が根強くあり、オープンウェイト（他社利用）はこれに致命的です。

中国の動機：補完財の商品化

Kimi は中国製モデルの一つですが、Alibaba の Qwen3.8 Max や Moonshot AI の動きも注目を集めています。

• 市場動向:
  • Alibaba の株価は Qwen3.8 Max のリリース発表で急騰しました。
  • 2.4 兆パラメータの Qwen3.8 Max と 2.8 兆パラメータの Kimi K3 がトップクラスに並行しています。
• 方針転換:
  • 以前はオープンウェイト（重み公開）を避けていましたが、現在では積極的に公開・拡大する方向へ転換しています。
  • これは習近平国家主席による**「開かれた原則」**への回帰を強調した演説と連動していると考えられます。

中国戦略の本質

「AI はデジタル世界から物理世界へと移動する」

この言葉は、物理世界（ロボット工学、製造業等）で優位な中国にとって、広く利用可能な AI モデルによる恩恵の受け入れ方が明確です。中国は補完財を商品化し、米国の最先端研究所を弱体化させながら自国の潜在敵対者も強化する戦略を展開しています。

蒸留（Distillation）に関する問いかけ

蒸留攻撃（大規模モデルから知識を引き出すこと）は中国製モデルの優位性の全容ではありませんが、重要な要因の一つです。

蒸留の実態

• コスト削減: 強力な最先端モデルを「教師」として利用することで、後継モデルの開発コストを劇的に下げられます。
• 構造的問題: 西側企業は中国のオープンウェイトモデルを使うことで安価に高性能を得ていますが、米国製オープンウェイトメーカーが「源」にアクセスできないというジレンマがあります。

解決策としての著作権政策

蒸留を完全に阻止することは事実上不可能です（API をクエリするだけ）。重要なのは**「誰が被害者か」**ではなく、イノベーションの燃料としての知識の循環です。

• 提言: 米国は法律を可決し、トレーニングデータの収集を**「フェアユース」**として明文化し、蒸留制限条項を無効化すべきです。
• 結論: オープンウェイトモデルはイノベーションに有益であり、問題なのは中国への依存ではありません。双方が恩恵を受け、さらにイノベーションを生むための新しい著作権政策が必要です。

恐れるべき理由：サイバーセキュリティ

最後に最も懸念すべき点は**「サイバーセキュリティ」**です。

事例：Hugging Face のインシデント

• Hugging Face のインフラは、「自律型」AI エージェントシステムによって侵害されました。
• 攻撃者は匿名のモデルを悪用し、防御側のインシデント対応（IR）を妨害しました。
• 結果として、Hugging Face は自身のインフラ上で**中国の Z.ai が開発した「GLM 5.2」**を実行し、攻撃ログを検査せざるを得なくなりました。

警告：最良の防御は最良のモデルを使うこと

• 現状: 最も強力な AI モデルこそが、事実上唯一有効なサイバーセキュリティ防御手段です（攻撃の手口を分析・検知するため）。
• 矛盾: しかし、トランプ政権下では Fable や Sol（米国製高性能モデル）のサイバーセキュリティ利用が実質的に禁止される傾向があります。
• 結果: これにより、最も安全な選択肢が中国からのモデルになってしまい、米国の防衛力を弱体化させる狂気的な状況になっています。

正しい道筋

1. Fable や Sol のセキュリティ利用制限を緩和する。
2. 米国製オープンウェイトモデルメーカーを確保し、中国と同等の競技場を提供する。
3. 最悪のシナリオ: 安全やセキュリティの定義を中国に任せることになれば、最大の優位性を与えていることになります。これは決して許容できません。