AI業界におけるコストの問題は、もはや無視しづらくなっている。OpenAI、Anthropic、Google DeepMind の最も強力なモデルの上に急いで構築してきた企業は、いまや制御不能なまでに膨れ上がる請求書に直面しており、そのうち増え続ける数の企業が、より持続可能な前進の道としてオープンソースのAIモデルへと舵を切っている。このシフトは当初こそ慎重なものだったが、いまではアマゾンの最高技術責任者が公の場で指摘するほど、はっきりと目に見えるようになっている。
Summary
主なポイント
- アマゾンのCTOであるヴェルナー・フォーゲルス氏は、企業が高騰するAIコストを抑えるため、より安価なオープンソースAIモデルへと切り替えるケースが増えていると述べた。
- Uberはわずか4か月で2026年のAI予算をすべて使い果たし、ある月には5億ドルを費やしたと報じられている。
- オープンソースモデルは通常、無料でダウンロードでき、ユーザーはそれを動かすためのクラウドインフラの費用のみを支払うため、多くの場合、プロプライエタリな代替手段よりも安価になる。
- アマゾンは、研究者が自然言語を使って1,100件以上の科学データセットを検索できるようにする、新しいオープンソースAIツールを国連「AI for Good」サミットで発表した。
- AIの学習データに関する透明性は、医療、政府、人道支援といった分野において、もはや譲れない要件として浮上している。
高騰するAIコストがオープンソースモデルへのシフトを加速
2026年7月10日に開催された国連「AI for Good」サミットの場で、アマゾンの最高技術責任者であるヴェルナー・フォーゲルス氏は、次のように率直に語った。「安価なオープンソースモデルと、大規模で高価なモデルとの間でシフトが起きているのが見て取れます」。これは、AIゴールドラッシュには代償が伴うこと、そして多くの企業がもはや無条件にその代償を支払うつもりはないことを率直に認めた発言だった。
業界リーダーによる高価なプロプライエタリモデル
OpenAI、Anthropic、Google DeepMindのフラッグシップモデルは、性能ランキングの最上位に位置している。しかし、大規模な性能には、多くの組織を不意打ちにするコスト構造が伴う。これらのシステムはトークン単位で課金されるため、チームやプロダクト全体で利用が拡大するにつれて、コストは急速に積み上がっていく。
このことを最も端的に示したのがUberの事例だ。同社は2026年のAI予算をわずか4か月で使い切り、従業員のAI利用に上限を設けなかった結果、ある月には約5億ドルを費やしたと報じられている。このような支出の軌道は、大企業であってもアプローチの見直しを急がざるを得ない状況に追い込む。
フォーゲルス氏は、これを純粋な財務問題ではなく、アーキテクチャ上の問題として位置づけた。「コストはアーキテクチャの非常に重要な要素であり、それを考慮に入れる必要があります」と同氏は語る。「この問題を解決するのに、本当に最大かつ最高性能のモデルが必要でしょうか？答えはノーです。必要ありません。」
オープンソースAIモデルのコスト優位性
オープンソースモデル（オープンウェイトモデルと呼ばれることもある）は、通常、無料でダウンロードできる。主なコストは、それらを動かすために必要なクラウドコンピューティングインフラにかかるものだ。この構成は、特にスケールした場合、プロプライエタリプロバイダーにトークンベースの利用料を継続的に支払うよりも、はるかに安価になることが多い。
そのコスト優位性は、わずかな差ではない。複数のAIモデルへのアクセスを集約する開発者向けプラットフォームであるOpenRouterのデータによると、中国のオープンソースモデルは、AnthropicやOpenAIの主要な代替モデルと比べて60％から90％安価になり得るという。この差は、OpenRouter経由で米国企業が中国製AIモデルに費やすトークンの比率が、過去12か月の平均11％から最大46％にまで上昇した理由を説明する一助となる。
このトレンドは、単なるコスト削減だけが理由ではない。オープンソースAI開発ツール「Ollama」への投資家であるBenchmarkのピーター・フェントン氏が述べたように、高い推論コストを抱えるあらゆる企業には、オープンウェイトモデルへと向かわせる「極めて重要な存在論的プロジェクト」がある。開発者がオープンウェイトモデルをローカルで動かせるよう支援するOllama自体は、現在、月間アクティブユーザーが約900万人に達し、フォーチュン500企業の85％に導入されている。これは、このシフトがいかに主流化しているかを示すサインだ。
アマゾンCTOが語る、AI導入における透明性と現実主義
コストの議論だけでは、全体像を捉えきれない。経済性を超えて、組織が導入するAIについての考え方には、より構造的な変化が起きている。
国連「AI for Good」サミットでのヴェルナー・フォーゲルス氏の発言
コストに関する議論と並んで、フォーゲルス氏はAI調達を再構築している第二の要因として、透明性への要求を挙げた。「透明性は極めて重要になってきています」と同氏はサミットで語った。「人々は、どのようなデータが使われているのかを知りたがっています。」
これは抽象的な懸念ではない。企業は今や、AIモデルが何をできるかだけでなく、それがどのように構築されたのか――どのようなデータで学習され、どのようなバイアスが埋め込まれている可能性があり、その判断がどのように説明できるのか――を精査している。この精査は、エンタープライズにおけるAI導入の成熟を反映しており、初期のハイプ段階を過ぎて、AIの透明性とデータガバナンスをより冷静に評価するフェーズへと移行していることを示している。
センシティブな分野における信頼の重要性
透明性の要請は、誤った、あるいは説明不能なAI出力のリスクが高い分野では、特に切実だ。医療、政府、人道支援といった分野では、システムがどのように学習されたかを理解することが、その生の性能と同じくらい重要になり得る。「これらの人々は脆弱なコミュニティにサービスを提供しています。もし彼らがシステムを信頼しなければ、それを使うことはないでしょう」とフォーゲルス氏は述べた。
ここでオープンソースモデルは構造的な優位性を持つ。開発者がコードを検査・変更でき、さらに自社のプロプライエタリデータでモデルをより容易にファインチューニングできるため、規制の厳しい、あるいはセンシティブな環境における透明性の期待に、より適合しやすい傾向がある。ただし注意点もある。多くのオープンウェイトプロバイダーでさえ、モデルの初期学習に用いたすべてのデータを完全には開示していない。オープンネスは二者択一ではなく、スペクトラムなのだ。
この瞬間が分析的に興味深いのは、コスト抑制と信頼要件という二つの別個のプレッシャーが、同じ方向を指し示している点にある。実験フェーズでは高価なプロプライエタリモデルのコストを正当化できていた組織も、今や別の計算に直面している。すなわち、コストが予測不能で、学習データの来歴が不透明な状況で、取締役会レベルのAI投資への信認を維持できるのか、という問いだ。多くの組織にとって、その答えはAIスタック全体の再構築につながりつつある。
新たなアマゾンのオープンソースツール、科学研究者の支援を目指す
アマゾンのフォーゲルス氏は、サミットで業界の進む方向性を指摘しただけではない。それに沿った具体的な一歩も発表した。アマゾンの新しいオープンソースAIツールは、科学データをより意味のある形でアクセス可能にすることを目的としており、特に大規模な研究大学や資金豊富な研究所のような技術リソースを持たない機関に焦点を当てている。
AWS Registry of Open Dataとの統合
このツールは、NASA、NOAA、NIHを含む主要な科学機関からの1,100件以上のデータセットを収蔵するAWS Registry of Open Dataに接続する。これまで数時間を要することもあった複雑なデータカタログのナビゲーションを行う代わりに、研究者は自然言語でレジストリにクエリを投げることができるようになる。例えば、特定のライセンス条件を満たす衛星画像を求めたり、特定の集団に関するゲノミクスデータセットを要求したりすれば、基盤となるデータアーキテクチャを理解していなくても、関連する結果を得ることができる。
リソースの限られた機関へのアクセス支援
研究にとっての実務的な意味合いは大きい。リソースの限られた機関――小規模大学、NGO、開発途上地域の公衆衛生機関など――は、データ探索において長らく構造的な不利を抱えてきた。大規模な科学レジストリを扱うための技術的オーバーヘッドは、専任のデータエンジニアを抱える機関に有利に働く。自然言語検索によってその障壁を下げることで、このツールは、気候科学や公衆衛生といった分野のデータセットへのアクセスを、専門外のチームにとっても以前より容易にする。
また、オープンソースAIエコシステムが本格的な資本と人材を引きつけているこのタイミングで、アマゾンをそのど真ん中に位置づけることにもなる。Ollamaが最近実施した6,500万ドルのシリーズBラウンドにより、同社の累計調達額は8,800万ドルとなったが、これはベンチャーコミュニティがオープンソースAIツールを、プロプライエタリモデルが再び優位に立つまでの一時的な段階ではなく、持続可能なビジネスとして見ていることを示している。言い換えれば、オープンソースの軌道には、いまや単なるコスト論理だけでなく、制度的なモメンタムも備わっている。
このすべてに影を落としている、より難しい問いは、性能の上限がどうなるのかという点だ。オープンソースモデルは、最先端のプロプライエタリシステムとのギャップを縮めつつあるが、最も複雑なタスク――最高額のモデルコストを正当化するようなタスク――では、依然としてクローズドで潤沢なリソースを持つシステムが有利な傾向にある。企業は最終的に、スタックをハイブリッド化する可能性が高い。すなわち、大部分の推論負荷にはオープンソースモデルを用い、特定の高リスクタスクにはプロプライエタリモデルを温存するという構成だ。業界が実際に落ち着くのは、一方から他方へのきれいな切り替えではなく、そのようなアーキテクチャなのかもしれない。
FAQ
なぜ企業はオープンソースAIモデルへとシフトしているのですか？
企業がオープンソースAIモデルへとシフトしている主な理由は、高騰するAIコストを削減するためである。OpenAIやAnthropicのようなプロバイダーによるプロプライエタリモデルはトークン単位で課金されるため、大規模運用では予測不能かつ非常に大きな費用を生み出し得る。オープンソースモデルは一般的に無料でダウンロードでき、ユーザーはそれを動かすためのクラウドインフラの費用のみを支払えばよい。この仕組みは、特に高トラフィックなデプロイメントにおいて、しばしば大幅なコスト削減につながる。
アマゾンのCTOはAIの透明性についてどのような懸念を強調していますか？
アマゾンのCTOであるヴェルナー・フォーゲルス氏は、AIの学習データに関する透明性が、エンタープライズ導入においてますます重要になっていると強調した。組織は、自らが導入するモデルの学習にどのようなデータが使われたのかを知りたがっている。これは、医療、政府、人道支援といった分野では特に重要であり、そうしたシステムが脆弱なコミュニティにサービスを提供する場合には、システムへの信頼が実際の利用の前提条件となる。
アマゾンの新しいオープンソースAIツールの目的は何ですか？
このツールは、NASA、NOAA、NIHを含む組織からの1,100件以上のデータセットを収蔵するAWS Registry of Open Dataを、複雑な技術カタログをたどる代わりに自然言語クエリで検索できるようにするものだ。目的は、関連する科学データセットを見つけるために必要な時間と技術的専門性を削減することであり、特にリソースの限られた研究機関に対して、より公平なアクセスを実現することに焦点を当てている。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”なぜ企業はオープンソースAIモデルへとシフトしているのですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”企業がオープンソースAIモデルへとシフトしている主な理由は、高騰するAIコストを削減するためである。OpenAIやAnthropicのようなプロバイダーによるプロプライエタリモデルはトークン単位で課金されるため、大規模運用では予測不能かつ非常に大きな費用を生み出し得る。オープンソースモデルは一般的に無料でダウンロードでき、ユーザーはそれを動かすためのクラウドインフラの費用のみを支払えばよい。この仕組みは、特に高トラフィックなデプロイメントにおいて、しばしば大幅なコスト削減につながる。”}},{“@type”:”Question”,”name”:”アマゾンのCTOはAIの透明性についてどのような懸念を強調していますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”アマゾンのCTOであるヴェルナー・フォーゲルス氏は、AIの学習データに関する透明性が、エンタープライズ導入においてますます重要になっていると強調した。組織は、自らが導入するモデルの学習にどのようなデータが使われたのかを知りたがっている。これは、医療、政府、人道支援といった分野では特に重要であり、そうしたシステムが脆弱なコミュニティにサービスを提供する場合には、システムへの信頼が実際の利用の前提条件となる。”}},{“@type”:”Question”,”name”:”アマゾンの新しいオープンソースAIツールの目的は何ですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”このツールは、NASA、NOAA、NIHを含む組織からの1,100件以上のデータセットを収蔵するAWS Registry of Open Dataを、複雑な技術カタログをたどる代わりに自然言語クエリで検索できるようにするものだ。目的は、関連する科学データセットを見つけるために必要な時間と技術的専門性を削減することであり、特にリソースの限られた研究機関に対して、より公平なアクセスを実現することに焦点を当てている。”}}]}
本記事は人工知能の支援を受けて作成され、編集チームによる確認を経ています。
