オープンソースAIムーブメントは、真に印象的なモデルを生み出してきた。現在、VercelのAIゲートウェイを流れる全トークンの3分の1以上をDeepSeekが処理している。Z.aiのGLM-5.2も、ボリュームにおいてプラットフォームのトップ4にしっかりと食い込んでいる。これらは趣味のプロジェクトではない。大規模な実用レベルのエンタープライズ・ワークロードを処理する、プロダクション級のシステムである。これらの数字を見れば、Anthropicのようなフロンティア・ラボが、市場における地位に対して存亡の危機に直面していると考えるのは容易だろう。
しかし、その想定は実際に起きていることを見落としている。
フロンティア・モデルの真の役割
DecagonのCEOであるJesse Zhangは、プロプライエタリなAIとオープンソースAIの分断を理解するための、より明確な方法を提案している。この競争は、単にどちらかが他方を置き換えるための単純なレースではない。むしろ、これら2つのカテゴリーは、単一のエンタープライズ・ライフサイクルの異なるフェーズを担っているのである。
フロンティア・モデルは「ディスカバリー・レイヤー（発見レイヤー）」として機能する。企業がAIによって社内プロセスをどのように変えられるかを探求し始める際、そのタスクはほぼ常に定義が不十分である。入力は乱雑で、期待される出力は曖昧だ。成功には、曖昧さの中での推論、チームがまだカタログ化していないエッジケースへの対応、そして時間ごとに変化するプロンプトへの適応が求められる。これはプロトタイピングや概念実証（PoC）の作業である。コストを度外視してでも、利用可能な中で最も有能なシステムが必要とされる。なぜなら、そうでなければ、何も学べない失敗に終わる実験になってしまうからだ。
このフェーズにおいて、高価なフロンティア・モデルはオーバーヘッドではない。それは、数回のAPIコールに凝縮された市場調査のコストである。ユースケースが証明され、ワークフローが確立されると、問題の性質は変化する。曖昧さは消え、入力は標準化され、プロンプトは安定する。タスクはルーチン化される。その時点で、多くの企業はワークロードをより軽量で安価なモデルへと移行させる。オープンソースの代替手段がその役割を引き継いでプロダクション段階を担い、一方でフロンティア・モデルは最前線に留まり、次にやってくる未知の問題に対処し続けるのである。
これはAIがどうあるべきかという理論ではない。予算が実際にどのように動いているかという記述である。
ワークロードがダウンマーケットへ移動するとき
オープンソースへの移行は現実のものであり、トラフィックデータにも表れている。VercelのインフラストラクチャにおけるDeepSeekのトークンボリュームが3分の1以上に急増していることは、企業が安価なモデルを通じて膨大な量の推論を実行していることを示している。Z.aiのGLM-5.2も、安定した予測可能なトラフィックを処理することで、トップ4の地位を確立している。
これらのモデルは、すでに「手懐けられた」タスクにおいて卓越した能力を発揮する。標準化されたフォームからの大量のデータ抽出、明らかなキーワードに基づいてチケットを振り分ける一次対応のカスタマーサポート、あるいは日常的なコードのリンティングやドキュメント生成などを考えてみてほしい。プロンプトはテンプレート化されており、エラーのパターンも把握されている。誤った出力によるビジネスリスクは限定的である。作業が定義され、反復的になれば、推論コストが主要な懸念事項となる。プレミアム層のモデルではなく、わずか6セントのモデルで同じワークロードを実行することは、即座に経済的な合理性を持つ。
しかし、ボリュームは収益ではない。オープンソース・モデルがトークン数で優勢であるからといって、価値創造において優勢であるとは限らない。トークンボリュームは「活動量」を測定するものであり、トークン支出は「企業が代替不可能な能力に対していくら支払う意思があるか」を測定するものなのだ。
資金が実際に流れている場所
VercelのAIゲートウェイのデータは、この経済的な分断を無視できないものにしている。生のトークントラフィックにおいてDeepSeekが圧倒しているにもかかわらず、Anthropicはプラットフォーム上のAI支出全体の半分以上を依然として獲得し続けている。活動量と支出の間のギャップは、驚異的な価格差に起因している。
OpenRouterのデータによると、AnthropicのOpus 4.8のコストは100万トークンあたり約1.37ドルである。一方、DeepSeekのV4Flashは、同ボリュームで約6セントである。Opusの価格は、約23倍も高い。この倍率は、生のトークン数がいかに多くても、それ以上に重要な意味を持つ。開発チームが推論ボリュームの90%を安価なモデルに移行したとしても、予算の大部分は依然として高価なモデルが占めることになるだろう。
この乖離は偶然ではありません。それは、フロンティア・プロバイダーが異なるものを販売しているという現実を反映しています。彼らは単にトークンを売っているのではありません。定型化された手順（プレイブック）のない問題に対して、推論を行う能力を売っているのです。プレミアムな料金を支払っている企業は、無知ゆえにそうしているわけではありません。彼らがこれらのモデルに割り当てるタスクが、極めてリスクが高いか、あるいは構造的に複雑であるからこそ、支払っているのです。新しい規制上のリスクを分析する法務チームは、ハルシネーション（幻覚）による引用を許容することはできません。マルチステップのエージェンティックなワークフローを設計するプロダクトチームは、モデルが複数のターンにわたって論理を正しく連鎖させることを必要としています。これらのシナリオにおける失敗のコストは、API呼び出しのコストをはるかに上回ります。
資本支出は、単に実行されるレイヤーではなく、価値が今まさに創出されているレイヤーへと流れます。
市場は移行のスピードよりも速く成長している
もしオープンソースのモデルがこれほど安価で、企業が成熟したワークロードを積極的にそれらへと移行させているのであれば、なぜフロンティア・モデルへの支出は崩壊していないのでしょうか？ その答えは、対応可能なAIタスクの総市場が、単一のモデルがコモディティ化できるスピードよりも速く拡大しているからです。
企業がオープンソースの代替手段を用いて予測可能なワークフローの自動化に成功するたびに、2つのことが起こります。第一に、そのチームは実行コストを削減できます。第二に、それらのリソースと人材が、より困難な隣接課題へと再配分されます。ルーチンワークは機械が処理するようになるため、人間は非定型的、戦略的、かつ前例のない課題に集中できるようになります。新たに発見された課題は、ほとんどの場合、フロンティア・モデルの推論の深さを必要とします。
このパターンはあらゆる業界で繰り返されます。ある銀行は安価なモデルを使って文書レビューを自動化し、その後、微妙な判断を必要とする動的なリスクモデルの構築へと関心を移します。あるソフトウェア企業はテスト生成を自動化し、次に、分散システム全体でエラーを追跡しなければならない自律的なデバッグ・エージェントの構築を試みます。フロンティアは進み続けます。あるタスクがコモディティ化した途端、より高度な能力を要求する、より複雑なユースケースが出現するのです。
また、多くのエンタープライズ・タスクは、現在の世代のオープンソースの代替手段に任せるには、依然として機密性が高すぎます。医療のトリアージ支援、規制当局の監視下にある財務予測、経営戦略の分析などは、正確性と信頼性に比べれば推論コストなど無関係と言えるほどのダウンサイド・リスクを伴います。これらのワークロードは、持続的なプレミアム層を生み出します。その結果、複雑な推論と発見のための「高利益率レイヤー」と、ルーチンな生産実行のための「高ボリュームなコモディティ・レイヤー」という、安定した二層構造の経済が形成されます。
エンタープライズの買い手にとっての意味
実践的な教訓は、モデルの選択はイデオロギーではなく、業務の成熟度に従うべきであるということです。アクセス可能な中で最も能力の高いフロンティア・モデルを使用して、新しいAIアプリケーションを構築し、検証してください。探索フェーズではプレミアムな料金を支払うべきです。その方が、限定的なモデルで構築して価値を証明できずにプロジェクトを断念するよりも安上がりです。入力、出力、および失敗モードが判明したら、その後に積極的に最適化を行います。安定したワークロードをオープンソースの代替手段に移行し、コスト削減を実現してください。
すべてのタスクを単一のティアに押し込めようとすることは、資本の浪費か、あるいは能力の喪失を招くレシピとなります。これを正しくナビゲートできる企業は、妥協案としてではなく、デフォルトとしてハイブリッド・アーキテクチャを採用することになるでしょう。
ここでの物語は、オープンソースが負けているとか、フロンティア・ラボが無敵であるということではありません。両方のティアが成長しているが、それぞれ異なる方向へ成長しているということです。オープンソース・モデルは、既知のAIタスクの世界を飲み込んでいます。フロンティア・モデルは、未知の領域に権利を主張しています。当面の間、これは双方にとって好都合な状況なのです。