AIが安くなるほど「モデルの外側」が勝つ——補完財という競争軸を実務に落とす
AIが安くなって、何が起きているのか
UC BerkeleyのBAIR(Berkeley AI Research)の整理によれば、GPT-4級の推論価格は2023年初頭に100万トークンあたり約30ドルだったものが、現在は1ドル未満、事業者によっては0.10ドルを下回っている。2年足らずで30倍から300倍の価格下落だ。
この数字が示すのは「AIがすごくなった」という話ではない。AIが使えること自体は、もはや差別化の条件にならなくなりつつある、という構造変化の話だ。
誰もが同じモデルにアクセスできる状況では、「モデルが賢いかどうか」より「そのモデルを何とつなぐか」が問いの中心になる。ここからは、その「何とつなぐか」を具体的に考えていく。
「補完財」という視点がなぜ重要か
投資家のCliff Sosin氏は、2026年10月27日公開のポッドキャスト「Invest Like the Best」第497回で、こう論じた。「知能が安価で普遍的になるなら、所有すべきは知能の補完財である」。
補完財とは、経済学の用語で、コーヒーと砂糖のように「一方が安くなると他方の需要が増える関係」にある財のことだ。AIが安くなれば、AIを使うために必要なもの——データ、顧客接点、現場の実行力、信頼——の相対的な価値が上がる。
Sosin氏が補完財として挙げた要素は以下のとおりだ。
| 補完財 | なぜ価値が上がるか |
|---|---|
| 独自データ | 誰でも同じモデルを使えるなら、与える材料の差が成果の差になる |
| ユーザーの注意 | コンテンツは無限に作れても、人の時間は増えない |
| 物理的な現場ネットワーク | 配送・設置・保守は現地でしかできない |
| 規制上の地位 | 許認可・資格・監査対応は容易に複製できない |
| ブランドや感情的な結びつき | 代替が容易なとき、「選ぶ理由」になる |
ここで大切なのは、これらのどれかひとつが飛び抜けていれば勝てる、という話ではないことだ。Sosin氏の視点を整理すると、勝ち筋の式は掛け算に近い。希少な資産×独自データ×業界固有ワークフロー×実行能力×信頼——どれかひとつがゼロに近ければ、全体もゼロに近くなる。
三つの流れで読む「富の行き先」
AIが安くなる世界で富がどこへ向かうかは、三つの流れを見るとわかりやすい。
①注意の流れ——人間の時間がどこへ向かうか。Herbert A. Simonが1971年に指摘したとおり、情報が豊富になるほど注意が希少になる。生成AIで文章・画像・動画・広告が大量生成されても、人間の一日は24時間のままだ。AIは供給を増やせるが、可処分時間を増やすことはほとんどできない。競争は「コンテンツを作れるか」から「誰がユーザーの限られた時間を継続的に獲得できるか」に移っている。
②物資・エネルギーの流れ——人は情報だけでは生活できない。衣食住・移動・医療・電力といった基本需要は物理世界にある。AIは需要予測や配送計画を改善できるが、商品を調達し、倉庫に置き、家庭へ届ける能力は、モデルAPIだけでは代替できない。Carvanaが注目される理由はここだ。同社が持つのはWebサイトだけでなく、車両の仕入れ・検査・整備・在庫・価格設定・物流・引き渡しまでを含む実業務のネットワークだ。競合が同じモデルを契約しただけでは、この連鎖を複製できない。
③情報・調整の流れ——企業間の取引と意思決定だ。生成AIとAIエージェントは、FAXやPDF・メールからの受発注情報の抽出、古い業務システム間のデータ変換、担当者ごとの判断根拠の整理など、これまで大規模なERPや多数の調整担当者が必要だったコストを下げる可能性がある。これは、すべてを一社で所有する垂直統合だけでなく、複数の企業がデータと業務を接続し、AIが調整層となる仮想的な垂直統合も意味する。
「ツールを足す」と「閉ループを設計する」は別物
ここからは見方の話になる。
Bainがシンガポールのカンファレンスでまとめた指摘が刺さる。「エージェント導入の典型的な失敗は、人間向けに作られた業務にエージェントを後付けすることだ。作業は速くなって進歩した気分になるが、サイロ、引き継ぎ、承認といった根本の構造は変わらない」。
これはAI導入の現場でよく起きることだ。要約AIを導入して会議が少し速くなった、文章生成で資料作成が楽になった——そういう「部分最適」の積み上げは、既存の業務構造にAIを貼り付けているだけで、価値の流れ自体は変えていない。
本当に問われるのは、「顧客の目的が完了するまでの全工程を、誰が設計し直すか」だ。Bainの言葉を借りれば、「知能が潤沢で安く、ほぼすべての業務プロセスに組み込まれたとき、あなたのもとに何が残るのか」という問いがそれにあたる。
AIエージェントに書き込み権限を持たせるときの注意点についても触れておきたい。権限は段階的に広げるのが原則だ。
| レベル | エージェントができること | 進む条件の例 |
|---|---|---|
| 0:参照 | データを読み、要約する | 参照ミスが許容範囲内 |
| 1:提案 | 根拠付きで提案を出す | 提案採用率と効果が安定 |
| 2:承認付き実行 | 承認を得て発注・変更を実行 | 誤実行ゼロ、監査ログ整備 |
| 3:上限付き自律 | 金額・数量の上限内で自律実行 | 上限設計と緊急停止が検証済み |
誤発注や誤制御は実際に起きうる。「とりあえず自律化」ではなく、責任設計と例外対応を先に決めておくことが実務上の前提になる。
日本で現実的な三つの機会
①中小小売の「発注閉ループ」
単体の需要予測APIを入れるのではなく、POS・在庫・販促・天候のデータを統合し、需要予測→発注案→店長承認→実績フィードバックという一連の閉ループを作ることが肝だ。ここで注目したい指標は予測精度(WAPE、MAE)だけではない。欠品率・廃棄率・発注作業時間・提案採用率——特に提案採用率は、現場が提案を信頼しているかを測る先行指標になる。モデルが高精度でも、発注に反映されなければ価値はゼロだ。
最初のPoCは1業態・3〜10店舗・上位100〜500SKU程度に絞り、12週間で「提案あり/なし」の差を検証するのが現実的だ。
②電力・蓄電池の運用最適化
資源エネルギー庁が2026年7月に公開した「デジタル・AI技術による省エネ・生産性向上に向けた手引き」には、具体的な事例が掲載されている。三菱電機の製造工場では、AIによる省エネポテンシャルの自動分析により消費電力量を約10〜20%削減、分析工数を約90%削減した。ENEOSマテリアルの化学プラントでは、熟練者が15分ごとに調整していたバルブ制御を強化学習ベースのAI制御に置き換え、蒸気使用量を約40%削減している。
JERAの事例も参考になる。LNGの配船・在庫管理を、134シート・180万以上の関数・71のマクロを含むExcel中心の運用からデータ基盤に移し、処理時間を数十秒から約1秒に短縮した。これはAIモデル単体の成果ではなく、データ・業務・現場運用をつないだ成果だ。
③製造・物流・医療への展開
同じ構造は他の領域にも適用できる。製造では設備の稼働・故障履歴と保守員のノウハウを組み合わせた異常検知・作業計画の自動化、物流では配送密度と荷主との関係を活かした配車最適化、医療・介護では記録・請求・申し送り支援(ただし責任は人間が持つ前提で)などだ。ただしこれらは仮説であり、各領域の規制・慣行・データ整備状況によって難易度は大きく異なる。
次の論点:需要は供給と同じ速度では増えない
最後に、楽観的すぎる前提を一つ崩しておきたい。
AIの供給能力が急速に伸びても、顧客の需要が同じ速度で増えるとは限らない。企業導入には予算・データ整備・セキュリティ審査・業務変更・責任設計・教育が伴う。技術的に可能でも、組織が受け入れなければ利用量は増えない。
数字で確認しよう。AIの利用量が100倍になっても、単価が1,000分の1になれば売上は10分の1に減る。売上が増えるには、価格が1,000分の1になったとき需要が1,000倍を超えて伸びなければならない。「ジェボンズのパラドックス」(効率が上がると総消費が増える現象)は起きうるが、無条件に前提にするのは危険だ。
AI事業では「利用回数」よりも、「顧客が実際に支払う成果の単位は何か」「AI利用による追加の粗利または回避できたコストはいくらか」「同じモデルを使う競合との差は何か」「顧客の業務に定着するまで何カ月かかるか」を見ることが必要になる。
まとめ
AIモデルの価格が30ドルから0.1ドル以下まで下がった今、「どのモデルを使うか」は差別化の軸ではなくなりつつある。残るのは、AIが単独では作れないもの——顧客の注意、現場の実行力、独自データ、業界固有のワークフロー、信頼、規制対応だ。
「AI機能を追加する」のではなく、「顧客の目的が完了するまでの閉ループを再設計する」。この違いが、ツール導入に留まる企業と、実際に価値創造につなげる企業を分ける。
判断軸として持っておくといいのは、「このAI活用は、競合が同じモデルを契約したら即座に再現できるか?」という問いだ。再現できるなら、まだ補完財に手が届いていない。