开源模型会杀死「算力需求」？摩根士丹利推演AI的三种未来

MSX 研究院

特邀专栏作者

@MSX_CN

2026-08-10 08:49

この記事は約6022文字で、全文を読むには約9分かかります

当单次推理消耗下降，更多业务开始调用AI，反而可能换来更大的调用总量。

AI要約

展開

核心观点：开放权重模型降低单次调用成本，但可能因调用量激增触发「杰文斯悖论」，推高总算力需求。AI算力不会消失，而是从集中式训练集群扩散至企业私有云、边缘设备等分布式节点，价值链重心从基础模型层转移至路由、编排、安全及本地基础设施。
关键要素：
1. 企业AI任务平均创造约55美元收益，直接成本仅2-5美元，降价使更多工作流跨过经济可行性门槛，扩大调用量。
2. 63%受访企业已使用开放模型，但多与闭源模型组合使用；后者仍主导复杂推理与Agent工作负载。
3. MIT研究估算转向开放模型可降本约70%，但CMU研究显示自建部署回收期或长达6年，经济性因场景而异。
4. 开放权重普及将增加模型网关、任务路由、Agent编排、可观测性与安全软件等中间层需求，安全因部署分散而更复杂。
5. 摩根士丹利推演三种情景（闭源胜出、混合共存、开放胜出），NVIDIA、现场电力与安全软件均为跨情景共同受益方。

出典：Morgan Stanley Research「Weighing In: Open-Weights Models & 3 States of the World」、2026年8月3日

翻訳・編集：DaiDai、Frank、MSX 麦通研究院

主要ポイント

オープンウェイトモデルが下げるのは単発の呼び出しコストと導入ハードルであり、必ずしも総計算需要を減らすわけではない。AIがより多くの企業、ワークフロー、デバイスに浸透するにつれ、呼び出し量の増加が効率向上を上回り、典型的な「ジェボンズのパラドックス」を引き起こす可能性がある。
企業はすでにマルチモデル時代に入っており、オープンウェイトモデルは主にプログラミング、文書処理、高頻度呼び出し、特定領域のタスクを担い、複雑な推論やAgentワークロードは依然として最先端のクローズドソースモデルに依存することが多い。
オープンウェイトは無料を意味しない。企業が節約できるのはモデルのライセンス料や一部のAPI費用かもしれないが、GPU、クラウドサービス、自社データセンター、ファインチューニング、人材、セキュリティ、運用保守のコストは引き続き負担する必要がある。
クローズドソース、ハイブリッド、オープンウェイトモデルのいずれが最終的に主流になろうとも、NVIDIA、現場電力、セキュリティソフトウェアは、比較的明確なシナリオ横断的な恩恵受益者である。
オープンウェイトモデルが普及すればするほど、AIバリューチェーンは基盤モデル層から、推論、ルーティング、オーケストレーション、可観測性、ローカルインフラ、エッジデバイス、垂直アプリケーションへと分散していく可能性が高い。

しばらく間隔を置くたびに、AI市場は「効率性への不安」を経験しているように見える。

モデルのパラメータが小さくなり、推論コストが下がり、あるいはモデル企業がより少ないチップで最先端に近い性能を実現すると、市場はすぐにこうした直感を持つようになる。同じタスクを完了するために必要な計算リソースがますます少なくなっているのだから、GPU、データセンター、電力需要も頭打ちになるのではないか、と。

Kimi K3、DeepSeek V4 Flash正式版などの新世代オープンウェイトモデルの登場により、この問題は再び市場の前面に押し出された。これらのモデルは、最先端のクローズドソースモデルとの能力差を縮めようとするだけでなく、企業がモデルをダウンロードし、修正し、自主的に展開することを可能にし、これまで少数の米国モデル研究所に高度に集中していた能力を、より広範な開発者や企業のテクノロジースタックへと拡散させている。

しかし、モルガン・スタンレーが最新レポートで示した答えは、まさにこの直感に反するものだ。

モデルの効率向上は、必ずしも計算需要を消滅させるわけではない。むしろAIを十分に安価にし、これまでAIを使う価値がなかったシナリオにも浸透させ、最終的に全体的な呼び出し量を押し上げる可能性が高い。

その上で、真に再議論されるべきは、計算能力がどこで発生し、誰が提供し、どの企業がこの拡散から収益を得られるか、ということになる。

1. より安価なモデルが、なぜより多くの計算能力を消費するのか？

オープンウェイトモデルが最も引き起こしやすい誤解は、「モデルコストの低下」を「インフラ需要の低下」と直接同一視することだ。

しかし、ほとんどの企業にとって、AIを採用するかどうかは、モデルが1つのタスクを完了するためにどれだけの計算能力を必要とするかだけではなく、それが生み出す収益が、モデル、エンジニアリング、インフラのコストを賄えるかどうかにかかっている。

モルガン・スタンレーが引用した試算によれば、ある企業のAIタスクは平均して約55ドルの収益を生み出す一方、直接コストは約2〜5ドルである。データ、エンジニアリング、セキュリティ、管理コストを考慮しても、この収益対コスト比率は、多数の企業ワークフローがまだAI化されていないことを意味している。

このような状況下で、モデル価格の低下がもたらす結果は、企業がAI支出を減らすことではなく、より多くのタスクが経済的実現可能性の閾値を超えることかもしれない。

これまで企業は最も重要で価値の高いタスクだけをAIに任せていたかもしれない。推論価格が下がり続ければ、カスタマーサービス記録の分類、契約審査、コードテスト、商品説明、エンタープライズ検索、マーケティング素材、データクレンジング、さらには内部承認までが、モデルのワークフローに組み込まれる可能性がある。

各タスクに必要な計算リソースは低下するかもしれないが、タスク数、実行頻度、ユーザー規模は同時に拡大するだろう。

これはまさにレポートが繰り返し言及する「ジェボンズのパラドックス」である。あるリソースの使用効率が向上し、単位コストが低下すると、適用範囲が急速に拡大するため、その総消費量はむしろ増加する可能性がある。

例えば、自動車の燃費が向上しても、世界の石油需要が自動的に消滅したわけではない。ネットワーク帯域幅が安くなっても、データトラフィックが減少したわけではない。同様に、より効率的なモデルはGPU使用量を減らすとは限らず、むしろAIを少数の高価値タスクから、企業内部の至る所にある基盤的能力へと変える可能性がある。

現在、この拡散はすでに始まっている。

レポートが引用したMcKinseyの調査によれば、回答企業の63%がすでにテクノロジースタックでオープンモデルを使用しているが、ほとんどの企業はクローズドソースモデルを完全に放棄しているわけではなく、両者を組み合わせて使用している。オープンウェイトモデルは主にプログラミング、文書解析、高頻度呼び出し、特定領域のタスクに使用され、最先端のクローズドソースモデルは、複雑な推論、高い信頼性が要求されるタスク、標準化が難しい作業を引き続き担当している。

2026年2月から7月にかけて、米国企業がOpenRouterを通じて中国のオープンモデルにルーティングしたTokenの割合は一時30%を超えた。このデータは開発者やスタートアップにより偏っている可能性があり、大企業の支出を直接代表するものではないが、少なくともオープンウェイトモデルがラボのコンセプトから、実際の呼び出し・展開環境に入ったことを示している。

もちろん、オープンウェイトモデルは「無料モデル」を意味するわけでもない。

企業はセルフホスティング時に、モデルプロバイダーにToken単位で支払うAPI費用を支払う必要がなくなるかもしれないが、GPUの購入またはレンタル、データセンター、クラウドサービス、ファインチューニング、エンジニアリングチーム、セキュリティ、日常的な運用保守のコストは引き続き負担しなければならない。これは、モデルベンダーやクラウドプラットフォームが提供するホスティングAPIを通じてオープンウェイトモデルを使用する場合、企業が依然としてTokenまたは計算量に応じて支払う可能性があることを意味する。

したがって、オープンウェイトが変えるのは計算コストの存在ではなく、企業が計算コストをどのように支払うか、そしてその価値をモデルプロバイダー、クラウドプラットフォーム、または企業独自のインフラのいずれが獲得するかである。

モルガン・スタンレーが引用したMITの研究では、クローズドソースモデルからオープンモデルへの移行により、平均価格が約70%低下し、年間約250億ドルの消費者節約になると推定されている。しかしレポートは、この研究は完了時期が早く、異なるモデルの能力は完全に比較可能ではなく、エンジニアリング、ファインチューニング、運用保守などの暗黙のコストを十分に考慮していない可能性もあると特に注意を促している。

もう1つのCarnegie Mellonの研究では、オープンモデルの自社構築展開の回収期間は約3ヶ月から6年に延びる可能性があることが示されている。パラメータが小さく、タスクが固定され、呼び出し頻度が高いモデルは、ハードウェアコストを比較的迅速に償却できるが、大規模モデルや複雑なエンタープライズ向けアプリケーションは、利用率不足、更新頻度の高さ、ファインチューニングコストの高さから、自社構築がAPIより安価であることを長期間証明できない可能性がある。

つまり、オープンウェイトモデルの経済性に一律の答えはない。

それは、モデルの規模、使用頻度、インフラ利用率、企業のエンジニアリング能力、そしてデータがローカルに留まる必要があるかどうかに依存する。モデルがよりオープンになるほど、企業が持つ選択肢は増えるが、負う技術的責任も増える。

2. 次の段階では、計算能力はどこで発生するのか？

もしAIの未来が少数のクローズドソースモデルによってのみ支配されるならば、トレーニングと推論は引き続き大規模なクラウドプラットフォームとハイパースケールデータセンターに集中し続けるだろう。

しかし、オープンウェイトモデルがより広く採用されれば、AI計算能力は消滅するのではなく、少数の中心ノードから、プライベートクラウド、企業データセンター、主権データセンター、エッジサーバー、個人デバイスへとさらに拡散するだろう。

これは、市場が注目すべき変数が「何枚のGPUが必要か」から、「GPUがどこに展開され、誰が管理し、どのように呼び出されるか」へと移行することを意味する。

クローズドソースモデルの時代には、企業は複雑な作業の多くをモデル企業にアウトソーシングできた。APIに接続し、Token単位で支払い、モデルの更新、インフラ、セキュリティアライメント、法的責任の一部はプロバイダーが担当した。

マルチモデル時代に入ると、この単純な構造は崩れ始める。

企業は最も複雑なタスクを最先端のクローズドソースモデルに任せ、高頻度でコストに敏感なタスクはオープンウェイトモデルに任せるかもしれない。機密データはローカルに留め、一般的なワークロードはパブリッククラウドで実行する。一部のリクエストはデータセンターで処理され、一部のリクエストはコンピューター、スマートフォン、その他のエッジデバイスで直接完了する。

モデル数が増え、展開場所が分散するほど、企業のAIテクノロジースタックも複雑になる：

まずゲートウェイ層：企業は、異なるモデルの認証、呼び出し権限、レート制限、ログ記録、ベンダー障害時のフェイルオーバーを管理するための統一エントリーポイントを必要とする。
次にルーティング層：システムは、精度、レイテンシ、コスト、データ機密性、タスクの難易度に基づいて、各リクエストを最適なモデルに割り当てる必要がある。
続いてオーケストレーション層：複雑なAgentワークフローは通常、複数のモデル、データベース、外部ツールの連携を必要とし、単一のユーザーリクエストが数十のステップと呼び出しに分解される可能性がある。
最後に可観測性と評価層：企業はモデル出力の品質、応答レイテンシ、Token使用量、実行コスト、失敗原因、セキュリティリスクを継続的に追跡する必要がある。

これが、オープンウェイトモデルの拡散がモデルベンダーだけに利益をもたらすわけではない理由でもある。

基盤モデル自体がより入手しやすくなると、企業は「モデルを安定的に本番環境に投入する方法」に対してより喜んで支払うようになる。モデルゲートウェイ、タスクルーティング、Agentオーケストレーション、データガバナンス、可観測性、セキュリティソフトウェアは、バリューチェーンの中で圧縮が難しい部分になる可能性がある。

セキュリティの重要性は特に顕著である。クローズドソースモデルが集中実行される場合、セキュリティ責任の一部はモデルラボとクラウドプラットフォームが負担する。しかし、オープンモデルが企業のローカル環境、プライベートクラウド、エッジデバイスに入ると、アイデンティティ、データ、エンドポイント、モデルウェイト、ランタイム環境をすべて独立して保護する必要がある。

企業は、従業員が機密データを誤ったモデルに送信するのを防ぐだけでなく、異なるモデルがどのデータベースにアクセスでき、どのツールを呼び出せるか、そしてプロンプトインジェクション、モデル蒸留、ウェイト改ざん、権限乱用のリスクにさらされる可能性があるかを管理する必要がある。

モデルの展開が分散すればするほど攻撃対象は大きくなり、モデル数が増えれば増えるほどガバナンスコストは高くなる。

したがって、オープンウェイトモデルがもたらすものは、AIインフラ価値の消滅ではなく、価値が単一の基盤モデルとAPI層から、システムスタック全体へと徐々に拡散することである。

将来のAI支出は、少数のテック大手による巨大なトレーニングクラスターの建設としてのみ現れるのではなく、企業がサーバーを購入し、ネットワークとストレージをアップグレードし、セキュリティシステムを導入し、プライベートAIプラットフォームを構築し、スマートフォンやPCにより強力なエッジコンピューティングを搭載するという形でも現れるだろう。

計算需要が集中から分散へ移行することは、総量の減少を意味しない。ただ、受益者がモデルラボや大手クラウドベンダーだけに集中しなくなることを意味するだけだ。