OpenRouterとは何か —— Stripeが数十億ドルで買った「中立性」の正体

2026年8月19日、Stripeが「OpenRouterを買収することで合意した」と発表しました。Stripeにとって過去最大級の買収であり、決済インフラの会社がAIモデルのルーティング層を手に入れたことになります。金額は両社とも非開示ですが、報道は70億ドル超から80億ドル超まで幅があります。いずれの数字でも、その3か月前のシリーズBで付いた13億ドルの評価額を大きく上回ります。

OpenRouterは自前のモデルを1つも持っていません。400以上のモデルを1つのAPIの裏側に並べ、リクエストごとに適切な提供元へ振り分けるだけの会社です。トークン単価に上乗せもしていません。ではStripeは何に対価を払ったのか。そして、参入障壁がそれほど高くないように見えるこのビジネスは、この先も成立し続けるのか。

先に結論を書きます。OpenRouterの価値は技術ではなく位置にあります。どのモデルに何トークン流れているかを最も正確に知る立場を、中立を保つことで手に入れた。ただしその中立性は自社で所有している資産ではなく、モデル提供各社が黙認している状態にすぎません。強気論と弱気論はいずれもこの一点に収斂します。

本記事は2026年8月30日時点の情報に基づきます。この領域はモデル・価格・カタログが週単位で変動するため、実際の採用判断にあたっては各社の公式ページで最新値を確認してください。また後半の見通しには筆者の推定が含まれます。確率を伴う精密な予測ではなく、判断材料の整理として読んでください。

1. OpenRouterとは何か

OpenRouterは2023年設立、本社はニューヨーク。共同創業者兼CEOのAlex Atallahは、NFTマーケットプレイスOpenSeaの共同創業者兼元CTOです。共同創業者にLouis Vichy、COOにChris Clarkが名を連ねます。

提供しているのは、OpenAI互換の単一エンドポイントです。既存のOpenAI SDKのベースURLとAPIキーを差し替えるだけで、Anthropic、Google、OpenAI、xAI、Meta、Mistral、DeepSeekなど多数の提供元のモデルにアクセスできます。Stripeの公式発表では「80以上のプロバイダの400以上のモデル」と表現されています。

単なるプロキシではなく、リクエストごとに価格・レイテンシ・稼働状況・スループットを見て提供元を選ぶルーティング層として動きます。主要な機能は次のとおりです。

• 障害時の自動フォールバック（プライマリの提供元が落ちたら別系統へ）
• 最速優先・最安優先などのルーティング指定、価格上限の設定
• 全提供元のレスポンスをOpenAI形式のJSONに正規化
• プロンプトキャッシング、マルチモーダル（画像・音声）対応
• APIキー単位・組織単位の支出追跡と上限設定
• ゼロデータ保持（ZDR）の強制、EU/US域内ルーティングなどのエンタープライズ向け設定

採用企業としてStripeの発表が挙げているのはNVIDIA、Zoom、Lovableです。またコーディングエージェント（Cline、Roo Code、Aider等）やチャットフロントエンドの多くがバックエンドの選択肢としてOpenRouterを組み込んでおり、開発者側のデファクトになっています。

2. 収益構造 —— トークンには上乗せしない

OpenRouterの課金は独特です。トークン単価にはマークアップを載せず、各提供元の公表価格をそのまま通します。収益は次の2か所から発生します。

• クレジット購入時の手数料5.5%（クレジットカード決済の場合。100ドル分を買うと実際に使えるのは94.50ドル分）
• BYOK（自前のAPIキー利用）の超過手数料5%。無料枠は月100万リクエストまでで、それを超えると「OpenRouter経由で呼んだ場合の相当額」の5%を支払う

つまり「薄い通行料 × 巨大な流量」のモデルです。ここは実務上重要な論点で、月数百ドル規模なら5.5%は誤差ですが、月1万ドルを超えると無視できない金額になります。BYOKの無料枠を超えたケースは、直接課金されているうえに手数料も払う構造になるため、エージェントワークロードを拡大するチームは特に注意が必要です。

売上高は非公開ですが、The Informationが2026年7月末に「年換算約1億4,000万ドル、ソフトウェア企業並みの粗利率」と報じています。それ以前の推移は調査会社Sacraの推計で、2025年末に約1,900万ドル、2026年3月に約5,000万ドル。急伸ではありますが、いずれも監査済みの開示値ではない点は押さえておくべきです。

3. 規模と「業界の物差し」化

2026年5月26日のシリーズB発表時点で、OpenRouterは週25兆トークン（月換算100兆トークン）を処理し、開発者は800万人超と公表しました。半年前の週5兆トークンから5倍です。買収発表時には「1日10兆トークン超」という主張も出ていますが、こちらは自己申告で独立した検証はありません。

この規模がもたらした副産物が、公開ランキングとデータセットです。OpenRouterが公開している週次のモデル別トークンランキングは、実際の課金を伴う利用に基づく数少ない中立・マルチベンダーのサンプルとして、投資家やメディアが参照する事実上の業界指標になりました。

2025年12月には投資家であるa16zと共同で「State of AI: An Empirical 100 Trillion Token Study with OpenRouter」（arXiv:2601.10088）を公開しています。100兆トークン超の実利用を分析したもので、推論特化モデルがトークンの50%超を占めること、コーディング用途が最大カテゴリであること、プロンプトの平均長が約4倍に伸びたことなどを報告しています。ただしこれはプレプリントであり査読を経ていません。またOpenRouter自身とその出資者による共著で、分析対象も同社のプラットフォームに限られます。市場全体の縮図として読むには留保が必要です。

同様の留保はランキング全般に当てはまります。これは「採用量」を測るものであって品質を測るものではなく、母集団もコスト最適化に敏感な開発者に偏っています。実際、CNBCの2026年7月の調査では、2026年2月8日以降、中国系モデルが毎週OpenRouterの米国エンタープライズのトークン利用の30%超を占め、ピークで46%に達しました。12か月平均の11%、2025年上期の4.5%と比べると急変ですが、これをそのままエンタープライズ全体の姿と読むのは危険です。

4. Stripeによる買収

時系列を整理します。2026年7月にWSJが買収交渉を報道、8月16日にBloombergが「70億ドル超で合意」と報じ、8月19日にStripeが公式発表しました。取引条件は両社とも非開示です。報道はNYT/CNBCが約75億ドル（うち創業者に15億ドル）、Axiosが「80億ドル超、現金と株式」と伝えており、数字は一致していません。8月30日時点では合意・発表済みで、クロージングは未完了です。

資金調達の経緯を踏まえると、この価格の意味が見えます。2025年4月のシリーズAが4,000万ドル（a16zとMenlo Venturesがリード、Sequoiaが参加、ポストマネー約5.47億ドル）。2026年5月26日のシリーズBが1億1,300万ドルで、AlphabetのCapitalGがリード、NVIDIAのNVentures、ServiceNow Ventures、MongoDB Ventures、Snowflake Ventures、Databricks Ventures、AMP PBC、Pace Capitalが参加し、既存投資家のa16zとMenlo Venturesも継続しました。評価額は約13億ドル。累計調達額は約1億6,400万ドルです。

つまり3か月で5倍以上のマークアップです。The Informationの報じた年換算1.4億ドルに対して約50倍という水準になります。

Stripe側の狙いは、公式発表の言葉を借りれば「AIの経済インフラ」です。Patrick Collison CEOはトークンをAI企業にとっての中心的な通貨と位置づけ、収益の最大化とコストの最小化の両側を支援する、と説明しています。決済で培った「複数の経路から最適なものを選ぶ」ロジックを、そのままモデル選択に持ち込む構図です。同社は使用量課金のMetronomeを2026年1月に買収しており、計測と課金の層を押さえる動きの延長線上にあります。

5. 競合地図 —— 4つの層

「OpenRouterの競合」と一口に言っても、層によって競争軸がまったく違います。4つに分けて整理します。

層1：同種のゲートウェイ/ルーター

プレイヤー	形態	強み	弱み	課金
OpenRouter	ホスト型	網羅性（400+モデル/80+プロバイダ）、新モデルの即日対応、中立性、公開データの蓄積	公開SLAがない、エンタープライズ統制機能が薄い、支出の暴走リスク	クレジット5.5%＋BYOK超過5%
LiteLLM	OSS・自己ホスト	MITライセンスで無料、100超のプロバイダ対応、データを自社ネットワーク内に留められる	運用・監視・認証取得がすべて自社責任	無料（別途Enterprise版あり）
Portkey	マネージド／自己ホスト	オブザーバビリティ、ガードレール、プロンプト管理が第一級。医療系のコンプライアンス対応	モデル網羅性ではOpenRouterに劣る	商用（無料枠あり）
Requesty	ホスト型	セマンティックキャッシュによるコスト削減、低レイテンシ、RBAC等の統制機能	後発で規模が小さい	商用
Vercel AI Gateway	ホスト型	Next.js/Vercelエコシステムとの一体運用、トークン単価にマークアップなし	Vercelプラットフォーム前提。高度な条件分岐ルーティングは非対応	クレジット制＋パススルー

この層で最も注意すべきはLiteLLMです。MITライセンスで無料、機能は概ね同等。月1万ドルを超える支出があれば、5.5%を回避するために自社構築する動機が明確に生まれます。しかも手数料を最も多く生む顧客ほど、それを取り除くだけの技術力を持つエンジニアを抱えているという構造的なジレンマがあります。国内でも社内LLMゲートウェイの内製にLiteLLM Proxyを採用した事例が公開されており、これは決して理論上のリスクではありません。

層2：ハイパースケーラーのモデルガーデン

プラットフォーム	強み	OpenRouterとの違い
Azure AI Foundry	OpenAI系モデルの本丸。Microsoft 365やEntra IDとの統合、カタログの規模	Azure前提。既存Microsoft顧客には調達が圧倒的に楽だが、他社モデルの網羅では劣る
Amazon Bedrock	Claudeの主要提供経路。AWSネイティブの権限管理とコンプライアンス、サーバーレス課金	AWS前提。扱うモデル数は絞られ、新モデルの追加も即日ではない
Google Vertex AI	Geminiの本丸。データ基盤との統合、Model Gardenの品揃え	GCP前提。第三者モデルの網羅性では及ばない

この層の脅威は「便利さ」です。既存クラウド契約の枠内でモデルを呼べるなら、稟議も監査も既存の仕組みが使えます。エンタープライズの大型案件では、これがOpenRouterに対する最大の障壁になります。一方で、主要モデルが各クラウドに分散して配置されている現状は、単一の窓口ですべてに届くOpenRouterの価値をむしろ裏付けています。

層3：推論プロバイダ／GPUクラウド

Together AI、Fireworks AI、Groq、Cerebras、Baseten、Replicateといった面々です。これらは厳密にはOpenRouterの競合ではなく、むしろルーティング先の供給元にあたります。特定用途での速度やコストで勝負する層で、OpenRouterはこれらを束ねる側にいます。ただし垂直統合が進み、顧客が直接契約を選ぶようになれば中抜きされる関係でもあります。

この層の資本市場での評価は、2026年5月14日のCerebras上場に象徴されます。公開価格185ドルに対し初日終値は311.07ドル（68%高）、調達額は約55億5,000万ドルで、米テック企業としては2019年のUber以来の規模でした。ただし報じられた時価総額は、発行済株式ベースか希薄化後かで約700億ドルから約950億ドルまで開きがあります。そして8月下旬時点の株価は190ドル前後、時価総額は約440億ドルまで下落しています。推論インフラへの期待と実際の収益力の間に、市場がまだ答えを出せていないことを示す動きです。

層4：モデル提供各社の直販

OpenAI、Anthropic、Googleとの関係は、補完と競合の両面を持ちます。OpenRouterは新モデルの最速の配布チャネルの1つとして機能しており、実際にOpenAIはGPT-4.1のローンチでコードネーム付きの先行テストにOpenRouterを使いました。しかし単一モデルがワークロードの大半を占めるようになれば、顧客が直接契約に移るのは自然な流れです。

6. 弱気論 —— 堀の薄さ

弱気論の中核は「Anthropic依存」です。OpenRouter上ではトークン量の主役は中国系オープンウェイトモデルに移りましたが、金額ベースで見ると構図が反転します。

この点を最も明確に示す一次データは、実はOpenRouterではなくVercelのものです。Vercel AI Gatewayが自社の集計として公表した2026年6月の実績では、Anthropicはトークンの32%に対して支出の61%を占め、リスクの高いユースケースでは支出の72%以上を握っていました。同じ月、オープンウェイトモデルはトークンの29%を占めながら支出では4%弱にとどまっています。安いモデルに大量の作業を流し、重要な仕事だけをフロンティアモデルに残す——ゲートウェイ利用者の行動は、複数のプラットフォームで同じ形をしています。

OpenRouterについても「トークン量では12%、ドル支出では46%をAnthropicが占める」という数字が広く流通しています。ただしこれはOpenRouterの公式発表ではなく、同社の公開データを第三者が分析した推計値として複数の媒体に転載されたものです。数字そのものは複数の独立分析で一致していますが、一次開示ではない点は区別しておく必要があります。

構図が正しいとすれば、OpenRouterの収益基盤は少数のプレミアムモデルに強く依存していることになります。そしてAnthropicが仲介業者への提供条件を変える判断をすれば、この基盤は一夜で揺らぎます。中立性はOpenRouterが所有する資産ではなく、モデル各社が今のところ許容している状態にすぎません。ここが最大の脆弱性です。

弱気論のその他の論点も挙げておきます。

• コモディティ化：APIプロキシとロードバランシングという機能自体に高い参入障壁はない。5.5%は「便利さ」でしか正当化されていない
• 内製化：LiteLLMをはじめOSS代替が成熟しており、支出が大きい顧客ほど自社構築の合理性が高まる
• エンタープライズ要件：公開SLAがなく、VPC内ルーティングやRBAC、コンプライアンスログといった統制機能で専業各社に劣る
• 地政学：米国の決済大手が、西側開発者から中国系モデルへの最大の中立的な入口を運営することになる。規制・調達の両面で説明を求められる場面が増える
• 中立性の変質：買い手がStripeであること自体が、「どこにも与しない」という商品性を守りにくくする

7. 強気論 —— エージェントがトークンを焼く

強気論の中核は、需要そのものの爆発です。a16zが2026年8月21日のニュースレターで公開した、OpenRouterのPeter Walker氏による集計が象徴的です。

• 2026年8月10日時点の7日移動平均で、エージェント由来のトークンは7.3兆。人間由来は約1.4〜1.5兆で、約5倍の開き
• エージェントが人間を初めて上回ったのは2026年2月6日。当時の0.51兆から約半年で14倍。同じ期間の人間側の伸びは2.8倍
• エージェントのトークン消費の70〜85%はキャッシュ済みプロンプトの再読み込み

エージェントは一往復で終わりません。読み、書き、自分の出力を検証し、何十回もループします。人間が1つ指示を出すたびに、その裏で数十から数百のモデル呼び出しが走る。この構造がトークン需要を非線形に押し上げています。ただしキャッシュヒット分は割引課金されるため、実際の金額の伸びは生のトークン数ほど急ではない点は補正して読む必要があります。

流量ビジネスにとっては、これがそのまま追い風です。加えて構造的な追い風が2つあります。1つは、単一の最良モデルが存在しない状態が定着したこと。用途ごとに最適なモデルが違い、しかも週単位で入れ替わる市場では、再統合コストなしに乗り換えられることに実質的な価値があります。もう1つは、Stripe傘下入りによる資本と信用の獲得です。公開SLAやエンタープライズ統制という弱点は、資金と組織があれば埋められる種類の弱点です。

弱気論への反論としては、こう整理できます。トークン単価が下落し続けたにもかかわらず、OpenRouterの売上は2025年末の推計約1,900万ドルから2026年半ばの約1.4億ドルへ伸びました。量の増加と、有償・エンタープライズ利用への構成シフトが、単価下落を上回ったということです。この関係が続くなら「コモディティ化で死ぬ」という見立ては外れることになります。ここは筆者の推定を含む論点で、判断の分かれ目は「Anthropicの支出シェアが維持されるか」と「流量の伸びが単価下落を上回り続けるか」の2点に絞られます。

8. 実務での使い分け

投資判断ではなく、実際にシステムを組む立場で整理すると次のようになります。

状況	選択肢	理由
PoC・モデル比較段階	OpenRouter	ベースURLとキーの差し替えだけで多数のモデルを試せる。月数百ドル規模なら手数料は誤差
本番移行・単一モデルが主力	提供元と直接契約	1社のモデルがワークロードの大半を占めるなら、仲介の便益より手数料が上回る
本番・マルチモデル継続	OpenRouterのBYOKモード	ルーティングの便益を保ちつつ、無料枠の範囲でゲートウェイ手数料を抑えられる
統制・監査要件が厳しい	Portkey / Requesty	RBAC、監査ログ、ガードレールが製品の中心に据えられている
データの国内処理が必須	LiteLLM自己ホスト	国内リージョンに閉じた運用が可能。ただし認証取得と運用は自社責任

機密データを扱う場合の設定上の注意も挙げておきます。OpenRouterはSOC 2 Type 2を取得しており、DPAもエンタープライズ向けに提供されています。ただし実際のデータ保持は「どの提供元に振られたか」に依存するため、ZDRを全モデルグループで有効にし、提供元を明示的にアローリストで限定するのが安全です。また、プロンプトログを有効にすると割引と引き換えに広い利用許諾を与える条項があるため、機密データでは使うべきではありません。中国系モデルへの意図しないフォールバックを避けたい案件では、提供元の限定は必須要件として設計に入れておくべきでしょう。

まとめ

OpenRouterがやっていることは、技術的には難しくありません。難しいのは、モデルを作る側とアプリを作る側の両方から信頼される場所に立ち続けることです。Stripeが数十億ドルを払ったのはその位置に対してであり、コードに対してではありません。

だからこそ、この会社の未来は自社の努力だけでは決まりません。Anthropicが仲介の条件を変えるか、大口顧客がLiteLLMで内製に踏み切るか、ハイパースケーラーが同等の中立性を提供するか——外部の判断が結論を左右します。「中立性が商品だった会社を、決済最大手が買った」という事実が、その商品性にどう作用するのかも、まだ答えが出ていません。

実務者としての結論はシンプルです。OpenRouterは「永続的なコミットメント」ではなく「OpenAI互換の形式を保っている限り、いつでも外せる可搬な層」として設計に組み込むのが正解です。そう設計しておけば、上に書いた不確実性のどれが現実になっても、移行コストは最小で済みます。

NVIDIA以外のAIチップを比較する 2026年版 ― AMD・TPU・Trainium・中国勢の実力

AI用途のチップといえばNVIDIAのGPU、というのが常識になって久しいのですが、2026年に入ってその常識はかなり崩れてきました。OpenAI・Meta・Anthropicといった最前線のAI企業が、そろってギガワット単位の「非NVIDIA」調達を確約しています。では実際のところ、NVIDIA以外にどんなチップがあり、性能・価格・シェアはどう違うのでしょうか。

この問いが意味を持つのは、選択肢が「あるかないか」の段階を過ぎて「どの条件なら乗り換えが合理的か」という段階に入ったからです。数年前まで代替品は事実上存在せず、比較記事を書く意味自体が薄いものでした。今は違います。メモリ容量ではAMDがNVIDIAを上回り、GoogleはTPUを外部に売り始め、AWSは自社チップを100万個以上動かしています。

先に結論を書きます。NVIDIAは依然としてデータセンター向けAIアクセラレータ売上の8割前後を握っていますが、その優位はハードウェアの性能差ではなく、CUDAというソフトウェア資産と、HBM・先端パッケージングの供給枠を押さえている点に支えられています。生スペックでは競合がすでに肩を並べており、最大の脅威はAMDではなく、ハイパースケーラーが自社設計するカスタムASICです。ただし外部の第三者ベンチマークで横並び比較できるのはNVIDIAとAMDが中心で、それ以外の多くはベンダー自己申告値にとどまります。この非対称性が、比較を難しくしている最大の要因です。

本記事には2027年以降の製品ロードマップや市場見通しに関する記述が含まれます。これらはベンダーの公表計画や調査会社の予測に基づくもので、確定した事実ではありません。また、演算性能値の多くはベンダーが自ら公表した数字であり、独立した第三者検証を経ていないものが含まれます。本文中では可能な限りその区別を明示しています。

1. 市場シェアの実像 — 「何を分母にするか」で数字が変わる

まず数字の前提を揃えておきます。「NVIDIAのシェア」として流通している数値は、分母の取り方によって70%台から90%超まで大きくブレます。データセンター向けAIアクセラレータの売上ベースなのか、ハイパースケーラーの内製シリコンを含むのか、それともゲーム向けを含むディスクリートGPUの出荷枚数なのか。これらは別物です。

出典	時点	NVIDIAシェア	補足
Silicon Analysts	2026年	約80%（2026年は75%へ低下と予測）	2024年のピークは約87%。AMDは5〜7%、ハイパースケーラーASICが10〜15%を目標とする
IDC	2026年	約81%	上記と同じ売上ベースだが推計手法が異なる
Kearney	2025年→2030年予測	約90%→70%	長期の低下トレンドを示す予測値
TrendForce	2026年	（ASIC側の数値）	ASIC搭載AIサーバー出荷が全体の27.8%へ。ASIC出荷は前年比44.6%増、汎用GPUの16.1%増を大きく上回る

絶対額で見るとNVIDIAの優位は数字以上です。FY2026のデータセンター売上は1,937億ドル、FY2027 Q1は単四半期で752億ドル（前年同期比92%増）。対するAMDは2026年Q2（6月27日締め）のデータセンター売上が67億ドルで前年同期比107%増、営業利益21億ドル・営業利益率31%。伸び率はAMDのほうが高いものの、母数の差は依然として10倍前後あります。

むしろ注目すべきはBroadcomです。ハイパースケーラーのカスタムASICを共同設計する立場で、FY2026 Q2（2026年6月3日発表）のAI半導体売上は108億ドル、前年同期比143%増。Q3は200%超の成長で160億ドルを見込むとしており、FY2027には年間1,000億ドル超という見通しをHock Tan CEOが繰り返し表明しています。「NVIDIA対AMD」という構図で見ていると、この第三の軸を見落とします。

2. 比較の基準線 — NVIDIAの現行3世代

比較の物差しを先に置きます。NVIDIAは現在Hopper（H100/H200）、Blackwell（B200/B300、GB200/GB300 NVL72）、Rubin（Vera Rubin NVL72）の3世代が併存しており、Rubinは2026年6月1日に本格生産へ入りました。

項目	H200	B200 (SXM)	Rubin
プロセス／構成	TSMC 4N、単一ダイ（H100と同じGH100）	TSMC 4NP、デュアルダイ 2,080億トランジスタ	TSMC 3nm、2コンピュートダイ＋2 I/Oダイ、3,360億トランジスタ
メモリ／帯域	141GB HBM3e／4.8 TB/s	180GB HBM3e／7.7 TB/s	288GB HBM4／22 TB/s
低精度演算	FP8 約1,979 TFLOPS（密）／3,958（2:4スパース）	FP4 9 PFLOPS（密）／18（スパース）、FP8 4.5／9 PFLOPS	NVFP4 推論50 PFLOPS／学習35 PFLOPS
インターコネクト	NVLink 4：900 GB/s	NVLink 5：1.8 TB/s	NVLink 6：3.6 TB/s
ラック構成	HGX H200（8基）	GB200 NVL72：FP4合計1,440 PFLOPS、高速メモリ最大30TB	Vera Rubin NVL72：NVFP4推論3.6 EF／学習2.5 EF、HBM4 20.7TB

この表を読むうえで、ひとつ注意が必要です。ベンダーが見出しに使う演算性能値は、しばしば構造化スパース性（2:4スパース）を前提にした数字です。NVIDIAの場合、スパース値はちょうど密実行値の2倍になります。実運用の多くは密実行に近いため、比較する際は必ずどちらの基準かを揃える必要があります。B200単体を「FP4 20 PFLOPS」と紹介している資料をよく見かけますが、これはGB200スーパーチップに搭載される高クロック版Blackwell GPUの値（20/10 PFLOPS、186GB・8 TB/s）で、単体のB200 SXM（180GB・7.7 TB/s）とは別物です。

Rubinと組み合わされるVera CPUは、Armv9.2準拠の独自コア「Olympus」を88基（空間マルチスレッドで176スレッド）搭載し、227億トランジスタ規模。NVIDIAはBlackwell比で「エージェント処理のエネルギーあたりスループット最大10倍」を公称していますが、これは特定のMoEモデル・特定の入出力長での測定であり、独立ベンチマークはまだ存在しません。密モデルの短コンテキスト推論では2〜3倍程度と見るのが妥当でしょう。

3. AMD Instinct — 唯一の「第2の商用供給源」

誰でも買えるNVIDIA代替として実質的に唯一の選択肢がAMDです。2026年7月23日の「Advancing AI 2026」でMI455XとHeliosラックが発表され、製品としても構図としても大きく前進しました。

項目	MI300X	MI355X	MI455X（MI400シリーズ）
アーキ／プロセス	CDNA 3	CDNA 4（TSMC 3nm）	CDNA 5（TSMC 2nm／3nm混載）、3,200億トランジスタ
メモリ／帯域	192GB HBM3／5.3 TB/s	288GB HBM3E／8 TB/s	432GB HBM4／最大23.3 TB/s
演算（公称ピーク）	—	MXFP4 10.1 PFLOPS／MXFP8 5 PFLOPS	MXFP4 約40 PFLOPS／FP8 20 PFLOPS
TDP	750W	1,400W	未公表
ラック構成	—	—	Helios：72基＋EPYC Venice。FP4 2.9 EF／FP8 1.4 EF、HBM4 31TB

AMDの売りは一貫してメモリ容量です。MI355Xの288GBはB200の180GBを大きく上回り、MI455Xの432GBはRubinの288GBに対して50%多い。単一アクセラレータに載せられるモデルが大きくなるほど、GPU間の通信が減って推論のコストと遅延が下がります。大規模モデルの推論では、演算性能よりこちらが効くケースが少なくありません。

興味深いのは、AMDが自らピーク値と実効値のギャップを公開したことです。Advancing AI 2026のソフトウェアセッションで示されたMI455Xの実測値はFP4で20 PFLOPS。公称ピークの40.26 PFLOPSに対しておよそ50%です。AMDはこれがMAMF（最大到達可能行列演算FLOPS）測定であり、デバイスに最も有利な行列形状での値だと質疑で認めています。多くのベンダーが伏せる数字を出した点は評価できますが、逆に言えば他社の公称ピーク値も同程度に割り引いて読むべきだ、ということでもあります。

需要側の確約も本格化しました。OpenAIが6GW（2025年10月、MI450シリーズから開始、AMD株1.6億株分のワラント付与）、Metaが6GW（2026年2月）、Anthropicが最大2GW＋AMDによる最大50億ドルの出資（2026年7月22日、初回1GWは2027年上期）。三社合計で約14GW規模です。AnthropicとはClaudeを使ってROCmの開発を加速させる技術提携も結ばれており、AMDの弱点がソフトウェアであることを当事者が認めた形になっています。

なお、Heliosの量産立ち上がり時期には見解の相違があります。AMDは2026年下期を主張し、SemiAnalysisは2027年Q2へのずれ込みを指摘、AMDはこれを明確に否定しています。第三者による大規模モデルでのベンチマークもまだ出ていません。

4. ハイパースケーラーの内製ASIC — 実質的な最大の対抗軸

売上規模でも成長率でも、NVIDIAの牙城を最も削っているのはAMDではなくカスタムASICです。自社ワークロードに最適化できるうえ、設計をBroadcomやMediaTekに委ね、製造はTSMCに出すことで、垂直統合のコストメリットを取りにいっています。

チップ	メモリ／帯域	演算（公称）	提供形態・状況
Google TPU v7 Ironwood	192GB HBM3E／7.37 TB/s	FP8 4,614 TFLOPS	2025年11月6日GA。1 Superpod＝9,216チップ、チップ間9.6 Tb/s。基本はGCP経由だが、Anthropic向けには実機販売も
AWS Trainium3	144GB HBM3e／4.9 TB/s	FP8 2.52 PFLOPS	TSMC 3nm。re:Invent 2025でGA。Trn3 UltraServerは144チップで362 PFLOPS。AWS限定
Microsoft Maia 200	216GB HBM3e／7 TB/s	FP8／FP4ネイティブ（絶対値未公表）	TSMC 3nm、1,400億超トランジスタ。2026年1月公表、Azure内で稼働。外部提供SKUなし
Meta MTIA	LPDDR5中心（HBM非搭載世代あり）	非公表	推薦・ランキング向けの内製効率化チップ。外部提供なし。Broadcom／MediaTekと協業

構図を変えたのはGoogleです。自社利用に限っていたTPUを外部へ出し始めました。2025年10月の発表でAnthropicが最大100万TPUの利用を表明し、SemiAnalysisの分析によれば、うち40万台はBroadcomが完成ラック（推定100億ドル規模）としてAnthropicへ直接販売、残り60万台はGCP経由のレンタルという構成です。前者は「クラウドサービス」ではなく「ハードウェア販売」であり、GoogleがNVIDIAと同じ土俵に立ったことを意味します。2026年4月のCloud Next 2026ではIronwoodの一般提供に加え、第8世代を学習用（Broadcom設計「Sunfish」）と推論用（MediaTek設計「Zebrafish」）に分割する構想も示されました。

AWSは規模で押しています。re:Invent 2025時点で「Trainiumは100万個超が本番稼働中」「Bedrockの推論の大半はTrainium上で動いている」とMatt Garman CEOが述べており、Trainium3はTrainium2比で演算4.4倍・メモリ帯域3.9倍・電力効率約40%改善。Neuron SDKのネイティブPyTorch対応も入り、移植のハードルは下がりつつあります。次世代Trainium4ではNVLink Fusion対応が予告されており、NVIDIAとの混成クラスタという方向も見えてきました。

Microsoftとの比較で言えば、Maia 200は「Trainium3比でFP4性能3倍」「自社既存フリート比で価格性能30%改善」を公称していますが、これは自社評価であり方法論は公開されていません。外部から検証する手段が現状ないため、数字の扱いには注意が要ります。

5. Intel と専業スタートアップ

Intelは苦戦が続いています。Gaudi 3は128GB HBM2e・3.7 TB/s、BF16およびFP8がともに約1,835 TFLOPS（FP8でも倍増しないのがNVIDIAとの違い）、8アクセラレータ＋ベースボードのキットで125,000ドル（1基あたり約15,625ドル）とIntel自身が公表しました。H100の半額水準という価格は魅力的でしたが、2024年のAIアクセラレータ売上目標5億ドルは未達に終わっています。

後継のFalcon Shoresは商用投入が中止され社内テストチップに格下げ。現在のロードマップは、2025年10月のOCP Global Summitで発表された推論特化GPU「Crescent Island」（Xe3Pアーキテクチャ、160GB LPDDR5X、空冷サーバー向けに電力・コスト最適化）が2026年下期に顧客サンプル出荷、その後継として2027年にラックスケールの「Jaguar Shores」という二段構えです。Crescent IslandはLPDDR5X採用のため、HBM勢に対してメモリ帯域では大きく劣ります。大容量メモリを活かしたトークン単価勝負に賭ける設計と言えます。

専業スタートアップ側では、2025年末に大きな地殻変動がありました。NVIDIAが推論特化のGroqを約200億ドルで買収したのです。GroqのLPUはSRAMのみの決定論的アーキテクチャで超低レイテンシに強く、GPUが苦手とする領域を埋めるものでした。NVIDIAはこれをRubin世代の分離型推論（プリフィルとデコードを別ハードで処理する構成）に組み込んでおり、GTC 2026のキーノートでその構想が示されています。競合を買って自社の穴を埋めた形で、独立系の代替という選択肢がひとつ減ったことになります。

対照的に上場を果たしたのがCerebrasです。ウェハスケールのWSE-3（4兆トランジスタ、90万コア、オンチップSRAM 44GB、TSMC 5nm）を武器に、2025年売上は5.10億ドル（前年比76%増）。2026年4月17日にS-1を提出し、5月にNASDAQへ上場（ティッカーCBRS）、最終的に約55億ドルを調達しました。2026年Q1のGAAP売上は1億9,340万ドル。ただしS-1の時点でUAE関連2社に売上の86%が集中しており、顧客集中リスクは大きい。OpenAIとの750MW・200億ドル超の契約、AWSとの提携（Trainium3でプリフィル、CS-3でデコードという分離型構成）が今後どれだけ実売上に変わるかが焦点です。

このほか、SambaNova（SN40L、SRAM＋HBM＋DRAMの三層メモリ）、Tenstorrent（Jim Keller率いるTensixアーキテクチャ）、d-Matrix（カスタムDRAM直上積層で1カードあたり100 TB/s）、Etched（Transformer専用ASIC）、韓国のFuriosaAI・Rebellionsなどが推論領域で存在感を出そうとしています。いずれも「特定条件で速い」ことは示せていますが、汎用性とソフトウェアの厚みでは大きく水をあけられています。

6. 中国勢 — 輸出規制が生んだ第二の生態系

中国では輸出規制が国産化の強力な推進力になっています。中心はHuaweiのAscend 910Cで、SMICの7nm（N+2）プロセス、530億トランジスタ、デュアルダイ構成、128GBメモリ・3.2 TB/s。FP16性能は業界推計で約780〜800 TFLOPS、H100の8割程度とされます（Huaweiは公式スペックを詳細開示していないため、これはSemiAnalysis等による推計値です。なお320 TFLOPSという数字が流通していますが、これは前世代の910Bの値です）。

Huaweiの戦略はチップ単体ではなくシステムで殴ることにあります。CloudMatrix 384は384基の910Cと192基のKunpeng CPUを全結合し、BF16で約300 PFLOPSに到達。GB200 NVL72に対して演算では約1.7倍ですが、消費電力は約560kW（NVL72の約145kW）で、電力効率では大きく劣ります。電力が潤沢で先端プロセスが手に入らない環境では合理的な設計判断ですが、そのまま輸出競争力になるかは別問題です。

Cambricon（寒武紀）、Biren、Moore Threads、Alibaba T-Head、Baidu Kunlunなども並走していますが、多くがSMICのN+2に依存しており、歩留まりが実質的な生産上限になっています。ソフトウェア面では、HuaweiのCANN（CUDA相当のランタイム）に加え、CUDAコードをトランスコンパイルするツールチェーンの整備が各社で進んでいます。

米国の輸出規制は依然として流動的です。H20は2025年に対中禁輸となった後に条件付きで解除され、H200も条件付きで対中販売が認められましたが、実際の出荷状況は報道ベースでも一貫していません。この領域は数か月単位で状況が変わるため、調達計画に組み込む際は最新の官報・BIS発表を直接確認する必要があります。

7. 日本勢とエッジ

日本のAIアクセラレータで世界市場に数字として現れている企業はありませんが、独自路線を走っている例はあります。Preferred NetworksのMN-Coreシリーズは、MN-Core（12nm）、MN-Core 2（7nm）と続き、推論特化のMN-Core L1000を2027年投入予定としています。MN-3スパコンがGreen500で複数回世界一を獲得した実績が示すとおり、電力効率に振った設計が特徴です。チップから基盤モデルまでを自社で持つ垂直統合も、他にあまり例がありません。

CPU側では、富士通のFUJITSU-MONAKA（Armベース144コア、コアダイ2nm＋SRAM/IOダイ5nmの3D積層、2027年投入予定、350W／500W SKU）がHot Chips 2026で詳細を公開しています。これはGPUや専用アクセラレータではなくCPUであり、AIアクセラレータの比較軸には直接乗りません。ただしNVLink Fusion対応の後継が計画されており、「国産CPU＋外部GPU」というハイブリッド構成が主権AI用途での現実解になりつつある点は、AWS Trainium4のNVLink Fusion対応と同じ流れとして押さえておく価値があります。

エッジ・オンデバイス領域では、AppleのNeural Engine搭載Apple SiliconとQualcommのHexagon NPUが支配的です。データセンターの学習市場とは別セグメントですが、推論の一部が端末側へ移るトレンドは、長期的にはデータセンター需要の構成を変える要因になります。

8. 横断比較 — メモリ、価格、ソフトウェア

LLMの推論は多くの場合メモリ帯域律速です。演算性能よりも、メモリ容量と帯域のほうが実運用の体感に効きます。主要チップを並べると次のようになります。

チップ	メモリ	帯域	入手性
AMD MI455X	432GB HBM4	最大23.3 TB/s	2026年下期から出荷開始。誰でも購入可能
NVIDIA Rubin	288GB HBM4	22 TB/s	2026年6月生産開始。初期供給は大口顧客優先
AMD MI355X	288GB HBM3E	8 TB/s	出荷中。専業クラウドでの提供も多い
Microsoft Maia 200	216GB HBM3e	7 TB/s	Azure内部利用のみ。外部SKUなし
Google TPU v7 / NVIDIA B200	192GB HBM3E／180GB HBM3e	7.37 TB/s／7.7 TB/s	TPUはGCP経由（一部実機販売）。B200は広く流通
AWS Trainium3 / NVIDIA H200	144GB HBM3e／141GB HBM3e	4.9 TB/s／4.8 TB/s	Trainium3はAWS限定。H200は流通量が最も多く価格もこなれている
Huawei Ascend 910C	128GB	3.2 TB/s	実質的に中国国内向け

価格については、まず前提として、NVIDIA・AMDとも大口顧客向けの実売価格は公開されていません。流通している「H100は1基2.5万〜4万ドル」といった数字はすべて報道・推計ベースです。参考値として、Silicon AnalystsはH100の製造原価を約3,320ドル、販売価格を約28,000ドル（粗利約88%）と推計しています。公式価格として確認できるのは、前述のIntel Gaudi 3のキット価格くらいです。

クラウドの時間単価は事業者・地域・契約期間で大きく変動するため、単一の数字を引用しても意味がありません。実務では、自分が使うリージョンで、同じ時期に、同じ契約形態（オンデマンド／リザーブド／スポット）で比較するしかない、というのが正直なところです。傾向としてはAMD勢が同世代のNVIDIA製品より2〜4割安く、専業クラウド（Lambda、Runpod、Nebius、TensorWave等）がハイパースケーラーより大幅に安い、という関係が続いています。

そして最後に残るのがソフトウェアです。ここがNVIDIAの本丸であり、移行判断の分かれ目です。

スタック	対象	成熟度と制約
CUDA	NVIDIA	事実上の標準。vLLM、SGLang、TensorRT-LLMなど主要推論スタックはCUDA前提で、他アーキテクチャへの移植版が存在しないものも多い
ROCm	AMD	PyTorchネイティブ対応済み。ROCm 7以降で大きく前進し、開発者体験を刷新したROCm.aiも投入。ただしCUDA最適化済みのカーネルは書き直しが必要
JAX／XLA	Google TPU	JAX＋MaxText／JetStreamが本流。PyTorch/XLAは橋渡しになるが、実運用ではネイティブJAXより明確に遅い
Neuron SDK	AWS Trainium	re:Invent 2025でネイティブPyTorch対応とNKI（カーネルインターフェース）のオープンソース化。AWS外では使えない
CANN／oneAPI 他	Huawei／Intel	CANNはオープンソース化が進む。oneAPI／OpenVINOは推論寄りで、学習市場での実績は乏しい

同じ「PyTorchが動く」でも、意味する内容には幅があります。モデル定義がそのまま走るのと、本番性能が出るまでチューニングできるのとでは、必要な工数が一桁違います。Silicon Analystsの推計では、同じハードウェアでもNVIDIAが50〜55%のMFU（モデルFLOPS利用率）を出すのに対しAMDは約45%とされており、カタログスペックの差以上に実効性能の差が残ります。この差が縮むかどうかが、今後2年の最大の見どころです。

9. 供給制約 — 実は性能より効いている変数

見落とされがちですが、2026年の競争を実質的に規定しているのは性能ではなく供給です。HBMとTSMCのCoWoS先端パッケージングという二つのボトルネックが、各社が作れるチップの上限を決めています。

HBM3EはSamsung・SK Hynixとも2026年分がほぼ売り切れ、価格も上昇。HBM4はRubinとMI455Xが同時に必要とするため、さらに逼迫します。CoWoS-Lについても、NVIDIA・Broadcom・AMDの上位3社で能力の大半が押さえられている状況が続いています。つまり「性能で勝っているか」より「枠を確保できているか」のほうが、実際の出荷台数を左右する。この構造がある限り、シェアの急変は起こりにくいと考えられます。

逆に言えば、供給が緩む局面ではシェアが動きやすくなります。HBM4の量産が本格化し、CoWoS能力が拡張される2027年前後が、次の変曲点になる可能性があります。ただしこれは筆者の推定であり、精密な予測ではありません。

10. 選定の指針

実務で判断するなら、まずワークロードを学習と推論に切り分けるところから始めます。

• 大規模な学習：CUDAの成熟度、NVLinkによるスケールアップ、供給確保のいずれでもNVIDIAが第一候補です。ただし供給逼迫を前提に、AMD MI355X／MI455Xを第二供給源として実際に評価しておく価値はあります。OpenAI・Meta・Anthropicが揃って評価を通したという事実は、少なくとも「試す価値はある」ことの傍証になります。
• 大規模な推論・コスト重視：メモリ容量で有利なAMD、GCP前提ならTPU、AWS前提ならTrainium。いずれもトークン単価で比較するのが筋です。超低レイテンシが要件ならCerebrasのような専用アーキテクチャも候補に入りますが、汎用性は犠牲になります。
• 移行コストの定量化：ROCm／XLA／Neuronへの移植工数と、移行後に出せる実効利用率を掛け合わせて評価します。CUDA最適化資産が厚い組織ほど閾値は高くなります。カタログ価格の差だけで判断すると、ほぼ確実に見誤ります。
• クラウドかオンプレか：継続的に回し続けるワークロードなら購入・枠確保、変動的なら専業クラウドでマルチベンダー比較。ただし現在の供給状況では「買いたくても買えない」ケースがあるため、供給確保そのものを選定基準に含めるべきです。

判断を見直すべきタイミングの目安としては、(1) ROCmやカスタムASICの第三者ベンチマークがBlackwell／Rubinの8割以上に達し、かつトークン単価で3割以上安くなったとき、(2) HBM4とCoWoSの供給が緩んだとき、(3) 対中輸出規制が再度変更されたとき、あたりが挙げられます。

まとめ

NVIDIA以外の選択肢は、2026年にはっきりと「存在する」ものになりました。メモリ容量ではAMDが先行し、コスト効率ではハイパースケーラーのASICが自社ワークロードで結果を出し、推論の特定領域では専用アーキテクチャが速度で勝っています。NVIDIAがGroqを買収したこと自体、GPUだけでは埋まらない領域があることを認めた行動と読めます。

それでも構図が一気にひっくり返らないのは、CUDAという20年近い蓄積と、HBM・CoWoSの供給枠という二重の堀があるからです。企業が乗り換えるのは、ソフトウェア移行コストが調達節約額を下回ったときだけであり、その閾値はまだ多くの組織にとって高い。ただし、その閾値は年々下がっています。

最後に、この分野の記事や資料を読むときの注意点をひとつ。演算性能の数字を見たら、まず「密実行かスパースか」「ベンダー公称か第三者測定か」を確認してください。MLPerfのような比較可能な形で結果を出しているのはNVIDIAとAMDが中心で、カスタムASICも中国勢もスタートアップも、多くは自社評価にとどまっています。AMDが自ら公称ピークの5割という実効値を出したように、公称値と実測値の間には大きな開きがあるのが普通です。この非対称性を意識しないまま表を並べると、比較しているつもりで比較になっていない、ということが起こります。

気象予報AIは何を変え、何を変えなかったのか — 現業化2年目の到達点と限界

「AIは天気予報を置き換えるのか」。2023年頃までは仮定の話でした。2026年8月の今、それは仮定ではありません。ヨーロッパ中期予報センター（ECMWF）はAIモデルを24時間365日の本番運用に使っています。米国立ハリケーンセンターは2025年のハリケーンシーズンで、Google DeepMindのAIモデルを実際の予報作業に投入しました。NVIDIAは気象AIのソフトウェア一式を無償公開しています。

ただ、問いの立て方を変えたほうがよさそうです。「置き換わるか」ではなく「どこが置き換わり、どこが置き換わらないのか」。ベンチマークの点数だけ見ればAIは強い。しかし気象庁が同じ条件で検証すると、台風の進む方向はよく当たる一方、台風の強さは決まって弱めに出て、強い雨のピークは再現されない。得意と不得意がくっきり分かれています。

結論を先に書きます。しばらくの間、AIモデルと従来型モデルは併存します。世界気象機関（WMO）も2025年10月に「AIは既存の手法を補完するものであって、置き換えるものではない」という立場を明確にしました。ただし併存は現状維持という意味ではありません。今のAIは出発点となるデータを従来型モデルに頼っています。その依存を断ち切る研究がすでに動いており、そこが崩れたときに構図が変わります。

本記事は2026年8月時点の公開情報に基づきます。数値には出典と時点を付しました。第9節の将来見通しは筆者の推定であり、確定的な予測ではありません。AIモデルの精度に関する主張のうち、開発元自身による評価にはその旨を明記しています。

1. 先に用語を4つだけ

この分野は用語が多いので、本文で繰り返し出てくる4つだけ先に押さえておきます。

数値予報／大気の運動を物理の方程式で解いて未来を計算する、従来からの天気予報の方式。地球を細かい格子に区切り、スーパーコンピュータで一歩ずつ時間を進めます。本記事では「物理モデル」とも呼びます。

初期値とデータ同化／計算の出発点となる「今の大気の状態」が初期値です。観測データだけでは地球全体を埋められないので、直前の予報結果を観測で補正して作ります。この作業がデータ同化です。今のAIモデルは、この初期値を物理モデル側から受け取っています。ここが本記事の重要な論点になります。

アンサンブル予報／初期値をわずかにずらした計算を何十通りも走らせ、結果のばらつきから「どのくらい確からしいか」を見る方法。1本だけ計算するのが決定論予報です。「降水確率60%」のような情報はアンサンブルから作られます。

再解析データ（ERA5）／過去数十年分の観測を、現在の技術で一貫した方式に作り直した大気のデータセット。ECMWFのERA5が事実上の標準で、ほとんどのAI気象モデルはこれを教材にして学習しています。

2. 結論の要約 — AIの得意と不得意

詳しい根拠は第4節以降で示しますが、全体像を先に置きます。

評価	項目	中身
得意	大きなスケールの大気の流れ	高気圧・低気圧・偏西風といった数百km規模の場は、従来モデルと同等以上に再現する
得意	台風がどこへ進むか	気象庁の検証で3日先の進路誤差が約20%改善。従来モデルの弱点だった「北に寄せすぎる」癖も出にくい
得意	計算の速さと安さ	GPU1枚で全球11日予測が数分。同じ粗さの従来モデルはCPU10コアで約33分かかる
苦手	台風がどのくらい強いか	中心気圧を一貫して約15hPa浅く（＝弱く）予測する。教材のERA5が台風を弱く表現しているため
苦手	激しい雨・局地的な現象	雨のピークが出ず、降水域がぼんやり広がる。線状降水帯のような現象とは相性が悪い
苦手	物理としての辻褄	気圧の等値線が細かく波打つなど、物理モデルには現れない不自然さが出ることがある
構造的な制約	出発点を自前で作れない	初期値も教材データも物理モデルの産物。AIは物理モデルの上に乗っている

得意と苦手の分かれ目は、はっきりしています。広い範囲でなだらかに変わるものは得意、狭い範囲で激しく変わるものは苦手です。そしてこれは、AIモデルが学んだ教材（ERA5）の細かさが約30km相当であることに由来します。モデルを大きくすれば解決する、という種類の問題ではありません。

3. 2025〜2026年に何が起きたか

この2年で起きたのは、新技術の発表というより「本番投入」と「無償公開」でした。主要な動きを順に見ます。

ECMWFが最初の一歩を踏み出しました。1本だけ計算する決定論版「AIFS Single」を2025年2月25日に本番運用へ移し、続いて51通りを計算するアンサンブル版「AIFS ENS」を2025年7月1日に本番化しました。ECMWFの発表によれば、地上気温をはじめ多くの指標で従来のアンサンブルを最大20%上回っています。

ただし解像度は31kmで、従来型アンサンブルの9kmに及びません。ECMWF自身が、細かい場の表現や大気と海洋を結びつけた計算には物理モデルが依然として欠かせない、だから両者を組み合わせるハイブリッドを検討している、と述べています。速度面では、従来手法に対して10倍以上速く、消費電力は約1000分の1という数字を出しました。

Google DeepMindは2025年11月17日にWeatherNext 2を発表しました。TPU1枚で1分未満に数百通りのシナリオを作れます。ここで注意したいのが、公式ブログの「99.9%の変数とリードタイムで上回る」という数字です。これはひとつ前の自社モデルとの比較であって、物理モデルとの比較ではありません。「8倍速い」も同じく前世代比です。技術的な裏付けはarXivのプレプリント（2506.10772、2025年6月12日投稿）で、査読は通っていません。

台風に特化したモデルでは、査読済みの成果が出ました。WeatherNext Cyclonesの論文が2026年8月6日にNature誌へ掲載されています（doi: 10.1038/s41586-026-10953-2）。米国立ハリケーンセンター、CIRA、英気象庁が共著に入っており、開発元の自称ではない点が重要です。2023〜2025年の台風・ハリケーンを対象に、進路・強度・風の広がりのいずれでも既存の現業モデルより平均1日以上早く同じ精度に到達した、というのが主張の骨子です。

特筆すべきは入力の粗さです。28km四方という粗い入力でこの結果を出しており、論文は「高解像度は必須の前提条件ではないことを示唆する」と述べています。台風の強度予測には従来、中心部を細かく解く専用モデルが必要とされてきたので、これは通念に反する結果です。2025年シーズンには1つの台風につき1,000通りのシナリオを計算し、ハリケーンMelissaの急速な発達とジャマイカ上陸の予測に貢献しました。Googleは同日、モデルの中身（重み）をApache 2.0ライセンスで公開しています。

MicrosoftのAuroraは2025年5月21日にNature誌へ掲載されました（Vol 641, pp.1180-1187）。100万時間を超える地球物理データで学習した13億パラメータのモデルで、天気だけでなく大気汚染、海の波、台風まで扱う「基盤モデル」という位置づけです。NVIDIAは2026年1月26日、米気象学会の年次総会でEarth-2ファミリーを発表しました。中期予報のAtlas、数時間先を予測するStormScope、そして初期値を作るHEAL-DAの3本立てです。ただしStormScopeの公開版は米国本土の衛星観測で学習したもので、日本でそのまま使えるわけではありません。

モデル	開発元	時期	特記	根拠の強さ
AIFS Single	ECMWF	2025/2/25 本番化	決定論型。公開された形で24時間運用された初のAI予報モデル	公的機関の公式発表
AIFS ENS	ECMWF	2025/7/1 本番化	51通り計算。解像度31km（従来型は9km）。地上気温等で最大20%改善	公的機関の公式発表
WeatherNext 2	Google DeepMind	2025/11/17	TPU1枚で1分未満に数百シナリオ。1時間刻み。2026/8に中身を公開	自社ブログ＋査読前プレプリント
WeatherNext Cyclones	Google DeepMind	2026/8/6 論文掲載	台風特化。入力28km・1,000通り。2025年にNHCが実運用	Nature（気象機関3者が共著）
Aurora	Microsoft	2025/5/21 掲載	天気・大気質・海洋波・台風を扱う基盤モデル。学習はA100を32枚で約2.5週間	Nature 641:1180-1187
Earth-2ファミリー	NVIDIA	2026/1/26 発表	中期予報・数時間予測・初期値作成の3点セット。HEAL-DAは2026年後半予定	企業の公式発表
Pangu-Weather	Huawei	2023/7/5 掲載	予報間隔の異なる4モデルを組み合わせて長時間予測の誤差蓄積を抑える構成	Nature 619:533-538

4. 「AIが勝った」を疑ってみる

勝った負けたの話は、条件を確認しないと意味がありません。この分野では特に、出発点となる初期値をどう与えたかが結果を左右します。

気象庁が2025年2月に公開した報告書「AI気象モデルの利用可能性調査」が、この点を突いています。GraphCastやPangu-Weatherの原論文では、比較相手の物理モデルには当日中に作られる速報解析を与える一方、AIモデルには再解析データERA5を与えていました。ERA5は観測がすべて届くのを待ってから作られるため精度は高いのですが、実際に使えるようになるのは5日以上先です。本番では絶対に使えないデータを、AI側にだけ与えて比較していたわけです。報告書はこれを「公平でない検証になっていることに留意が必要」と明記しています。

そこで気象庁は、3つのAIモデルに自庁の全球モデルGSMの速報解析を初期値として与え、本番と同じ条件で検証しました。結果が次の表です。

検証項目	結果
台風の進路	3日先でPangu-WeatherとFourCastNetv2がGSMを約20%上回った。物理モデルの弱点だった「西進中の台風を北に寄せすぎる」癖もPangu-Weatherではほぼ見られない。ただしGraphCastは同じ改善を示さなかった
台風の強度	3モデルとも中心気圧が約+15hPaずれ、実際より弱く予測する。教材のERA5が1979年以降の台風の中心気圧を取り込んでおらず、実際より浅く表現しているのが主因
降水の表現	大まかな雨域は捉えるが、6時間50mmを超える強い雨は出せず、雨域が広がる。誤差の二乗を最小化する学習方式では「ぼかした予測」のほうが点数が良くなるため、必然的な結果と説明されている
物理としての辻褄	気圧の等値線に、物理モデルでは起きない細かい「がたつき」が出る。エネルギーの分布を波の細かさ別に見ると、細かい側で不自然に減衰したり振動したりする
日本域モデルの外枠として使う	2モデルは夏冬ともほぼ全要素で悪化。Pangu-Weatherでは大きな場は改善するが降水は横ばいか悪化。現在のメソモデルがGSMを外枠とする前提で調整されているため
ガイダンスの材料として使う	出力する要素が少なく、既存ガイダンスのうち動かせたのは風だけ。強風の予測頻度が低い。ただし複数モデルを平均するガイダンスにGraphCastを加えると全体の精度は上がった
1か月先まで延ばす	計算自体は完走するが、3〜4週目にかけて誤差が従来型アンサンブルより速く拡大。中期予報用に作られたモデルの延長には限度があると結論

物理モデル側が優位という検証も出ています。ハンガリー・デブレツェン大学の研究チームが、2025年7月から11月のAIFSとIFSのアンサンブル予報を、世界9,000か所以上の観測点の地上風速で比べました（arXiv 2606.02508、査読前）。統計処理をかける前の生の予報では、すべての予報時間で物理モデルのIFSがAIFSを実質的に上回っています。後処理をすると差は縮まりますが、短い予報時間ではやはりIFSが優位でした。地上風速は実務で最もよく使われる要素のひとつですから、この結果は軽くありません。

5. 計算コスト — 使うのは安い、作るのは高い

AIのコスト優位は本物です。ただし安いのは「使うとき」だけです。

気象庁の実測値がわかりやすいので引用します。同じ全球11日予測をするのに、3つのAIモデルはいずれもCPU 1コアとGPU 1枚（NVIDIA A100）で約120〜290秒。ファイルの読み書きを含めても5分以内です。

比較相手は2種類あります。AIモデルの出力は約28km相当なので、公平に比べるべきは同じくらい粗い低解像度版のGSM（約27km）で、こちらはCPU 10コアで約2,000秒、つまり30分強かかります。本番で動いている高解像度のGSM（約13km）はCPU 98コアで約1,150秒です。どちらと比べても、消費する計算資源は桁が違います。

一方、モデルを作る側は重い作業です。GraphCastの学習にはTPUを32枚使って4週間、Pangu-WeatherはGPU 192枚で16日、AuroraはGPU 32枚で2.5週間かかっています。気象庁がGraphCastを日本の解析データで追加学習させた試行では、一般的な基準ではごく小規模な1,000回の学習でも、GPU1枚で約35時間を要しました。

つまりAIモデルは「作るのは重いが、一度作れば軽く回せる」という構造です。だからアンサンブル予報と相性がいい。Googleが台風1つに1,000通りの計算を回せるのも、この構造があるからです。従来のスーパーコンピュータでは、メンバー数を増やすことと解像度を上げることが常にトレードオフでした。

機関	システム	稼働時期	特記
気象庁（第11世代）	富士通 PRIMERGY CX400 M7	2024/3/5	更新前の約2倍。線状降水帯予測スパコンと合わせて約4倍。データ共有環境も併設
気象庁	線状降水帯予測スーパーコンピュータ（富士通 PRIMEHPC FX1000）	2023/3/1	「富岳」と同じA64FXを採用。主系・副系の2系統で1系あたり15.5PFLOPS。当時のシステムの約2倍
理化学研究所	「富岳」	2021〜	令和3年度から気象庁の局地モデル1km化開発に活用。ゲリラ豪雨の研究にも使用
英気象庁	HPE Cray EX（Microsoft Azure上）	2025年に現業を移行	第14世代にあたる新システムの第1フェーズ。国の気象機関が本番の予報処理をパブリッククラウドに載せた事例

なお気象庁第11世代の演算性能（PFLOPS値）は公表されておらず、公開されているのは「約2倍」「約4倍」という相対値だけです。事業費は5年間で約120億円と報じられています。一方、線状降水帯予測スーパーコンピュータの理論演算性能は公表されており、この非対称は次節で触れます。

6. 日本はどこにいるのか

気象庁がAIを使い始めたのは最近の話ではありません。機械学習を使ったガイダンスの運用は1977年から、ニューラルネットワークの利用は1996年から続いています。「2030年に向けた数値予報技術開発重点計画」（2018年10月4日）でも、計算の高速化、誤差の補正、観測データの品質チェックといった形でAI活用が明示されています。

ただしAI全球モデルそのものを本番運用する計画は掲げられていません。2026年に実施された強化は、いずれも従来型の高解像度化でした。3月17日から局地モデル（LFM）を2kmから1kmに細かくし、翌18日からは局地アンサンブル予報システム（LEPS）の運用を始めています。どちらも「富岳」を使って開発されました。

モデル	解像度	直近の変更	主な用途
全球モデル（GSM）	約13km	2023/3/14に約20kmから細かく	台風の進路・強度予報、天気予報、週間天気予報
メソモデル（MSM）	5km	—	防災気象情報、降水短時間予報、航空気象情報
局地モデル（LFM）	1km	2026/3/17に2kmから細かく	局地的な大雨の可能性の把握。線状降水帯の直前予測にも活用
局地アンサンブル（LEPS）	2km・21通り	2026/3/18 運用開始	豪雨の発生を確率で捉える。1日4回、21時間先まで

AI気象モデルについては、調査と知見の蓄積という段階です。前述の報告書では、公開モデルの検証だけでなく、GraphCastを日本のデータで追加学習させる試行と、自前でAIモデルを一から作る試作まで踏み込んでいます。

追加学習の効果は明確でした。チベット高原付近の気温のずれが大きく減り、台風の中心気圧も実際に近づきます。ただし線状降水帯のような細かい現象の雨量は、依然として実況より大幅に少ないままでした。追加学習の教材にしたGSMの降水の表現力に頭打ちされている、というのが報告書の見立てです。

自作モデルのほうは、24時間予測に限定した簡素な構成です。GPU 4枚で約26時間学習させた結果、上空約5,500m付近の高度場の24時間予測誤差は8.8m。報告書自身が「最新のAI気象モデルで報告されているような精度には及ばない」と率直に書いています。業務利用のためではなく、大規模モデル特有の技術を身につけ、学習データの重要性を確かめるための試作です。

この報告書で最も示唆に富むのは、学習データについての整理です。AIモデルの解像度も精度も、教材となるデータの解像度と精度で頭打ちになる。したがって日本周辺を細かく正確に予測したいなら、解像度と精度の高い日本域の解析データが必須だと結論づけています。汎用の全球AIモデルを輸入してくるだけでは限界がある、ということです。

7. 線状降水帯 — 数字で見る現実

日本で最も注目される予測課題ですが、精度の現実は厳しいものです。

情報は3段階あります。

• 半日前予測（2022年6月開始）／発生の半日ほど前に呼びかける。2024年5月27日から府県単位に細かくなった
• 直前予測（2026年5月下旬開始）／発生の2〜3時間前を目標。「気象防災速報」として、県内をさらに分けた区域単位で発表される
• 発生情報（2021年6月開始）／すでに発生していることを知らせる

肝心の的中率です。気象庁長官は2025年10月15日の会見で、同年度は10月9日時点で半日前予測を86回発表し、実際に線状降水帯が発生したのは12事例、約14%の的中率で「当初の想定よりも低くなっている」と説明しました。さらに、実際に発生した17事例のうち5事例は事前に予測情報を出せなかったとも述べています。当てにいけば空振りが多く、それでも見逃しは残るという状態です。

2026年5月下旬に始まった直前予測についても、初シーズンの実績が出ています。2026年7月15日の会見で長官は、直前予測を出してから発生までが平均60分あまりで、「2〜3時間前」という目標より短くなっていることを認めました。一方で、直前予測を出した後に3時間降水量100mmを超えた事例は29事例中25事例（約86%）だったとも説明しています。つまり線状降水帯という基準では外れていても、大雨そのものは高い確率で当たっている。長官はこれを踏まえ、情報が出たら線状降水帯かどうかにかかわらず大雨への行動をとってほしいと呼びかけました。

情報の細分化はさらに進む計画です。気象庁の資料によれば、令和11年には半日前の情報を市町村単位で把握できる危険度分布の形式で提供する予定とされています。リードタイムを延ばしつつ対象地域を狭めていく、という方向です。

ここで、この記事の主題との対比で見逃せない事実があります。日本はこの現象のために、専用のスーパーコンピュータを1台まるごと用意しました。

「線状降水帯予測スーパーコンピュータ」は2023年3月1日に稼働を始めました。予算は令和3年度の補正予算で措置されたもので、当時の長官が会見で「大変大きな額が盛り込まれた」「政府全体の決意の表れ」と述べたほど、異例の投入でした。機種は富士通のPRIMEHPC FX1000。「富岳」と同じA64FXプロセッサを採用したシステムを主系・副系の2系統構成で組み、1系あたりの理論演算性能は15.5PFLOPSです。当時運用中だったシステムの約2倍にあたります。

目的は明確でした。それまで半日前の呼びかけを判断する材料は、主に水平5kmのメソモデルの計算結果でした。しかし線状降水帯を構成しているのは個々の積乱雲であり、5kmの格子では表現しきれない。「もっと細かく解くために計算機を買う」という、身も蓋もないほど直球のアプローチです。導入時に示されたロードマップは、令和5年度末に局地モデルの予報時間を10時間から18時間へ延長、令和7年度末に水平解像度を2kmから1kmへ、というものでした。実際、1km化は2026年3月17日に実現しています。予定通りです。

さらに気象庁は、モデルの開発そのものには文部科学省・理化学研究所の協力を得て「富岳」を使い、2023年9月からは大学・研究機関と観測データの利用手法についての共同研究も始めました。専用機で現業を回し、富岳で開発を加速し、外部と組んで観測の使い方を磨く。三層構えです。

これだけの資源を投じて、半日前予測の的中率は約14%です。悲観的に読むこともできますが、筆者はむしろ逆に受け取っています。専用スパコンと最新の物理モデルを積み上げてなおこの水準だという事実が、この現象の難しさの実測値になっているからです。そして、そこにAIが横から入って一足飛びに解決する、という筋書きは今のところ見当たりません。

ここで第4節の話とつながります。現在のAI気象モデルが最も苦手としているのが、まさにこの領域なのです。強い雨のピークを出さず、雨域をぼんやり広げる特性は、線状降水帯の予測とは正面から相性が悪い。しかも気象庁の検証では、AIモデルを日本域モデルの外枠として使うと降水予測はむしろ悪化しました。日本の防災における最重要課題に対して、今のAI全球モデルはほとんど答えを持っていません。

計算資源の使い方という点でも対照的です。AIモデルの売りは「GPU1枚で数分」という軽さでした。一方、線状降水帯に対する日本の回答は、専用機を2系統立てて物理モデルを1kmで回すという、真逆に重いやり方です。安く速く回せることが価値になる問題と、どれだけ計算資源を積んでも足りない問題は、別物だということでしょう。

対照的に、台風の進路予報は着実に改善しています。気象庁が毎年公表している「台風のまとめ」から、直近2年を挙げておきます。

年	1日先	2日先	3日先	5日先と特記事項
2024年	72km	104km	150km	420km。2日先は1989年の発表開始以降、3日先は1997年以降で最良。5日先は台風第10号など難しい事例の影響で悪化
2025年	66km	102km	173km	449km。2日先が1989年以降で最良。4日先・5日先は台風第9号・第22号の影響で近年では悪い結果

いずれも速報値です。2日先までは改善が続く一方、4〜5日先はその年の台風の性質に振り回されます。AIが最も強みを発揮するのがこの進路予測の領域であることを考えると、気象庁がいずれAIを台風進路予報に取り込む可能性は高いと筆者は見ています。ただしこれは推定であり、気象庁が計画として公表しているものではありません。

8. 全球中期予報以外での使われ方

• 数時間先の予測／NVIDIAのStormScopeは、衛星やレーダーの画像そのものを予測する方式で、0〜6時間の1km級予測を数分で作ります。NVIDIAは短時間降水予測で物理手法を上回った初の例だとしていますが、公開版は米国本土の衛星データで学習したものです。
• 粗い予測を細かくする／NVIDIAのCorrDiffは、粗い予測から高解像度の場を生成します。台湾中央気象局の2kmモデルのデータで学習し、25kmの再解析データを2kmまで細かくする構成で、査読論文（Communications Earth & Environment、2025年）にもなっています。全球は粗く計算し、必要な地域だけAIで細かくするやり方は、コスト面で現実的です。
• 一部だけ細かくするモデル／ノルウェー気象局は、特定地域だけ格子を細かくする方式のAIモデルを開発しました。31kmのERA5を43年分と、2.5kmの地域データを3.3年分組み合わせて学習しています。全球と地域を1つのモデルで扱う可能性を示した事例で、日本にも参考になる方向です。
• ゲリラ豪雨のリアルタイム予測／理化学研究所の三好建正チームは、フェーズドアレイ気象レーダー2台と「富岳」を組み合わせ、30秒ごとに観測を取り込んで30分先までを予測する実証実験を、2025年の大阪・関西万博会場周辺で実施しました（2025年7月30日発表、NICT・防災科学技術研究所・大阪大学・Preferred Networks・エムティーアイとの共同）。これはAIモデルではなく超高頻度のデータ同化ですが、日本固有の課題については現時点でこちらのほうが実績があります。
• 再生可能エネルギー／確率的な予報を安く大量に作れるようになったことの実務的な受益者は、風力・太陽光の発電予測と電力取引です。GoogleがWeatherNext 2の説明で「風力発電所全体の発電量」を例に挙げているのは偶然ではありません。

9. 公開の流れと、WMOの立ち位置

この分野の面白い特徴は、主要プレイヤーがモデルの中身を公開していることです。AIFS、WeatherNext 2とCyclones、Aurora、FourCastNet3、Pangu-Weatherが、いずれも何らかの形で公開されています。大規模言語モデルの世界がクローズド寄りに動いているのと対照的です。理由のひとつは、気象予報が公共財としての性格を持ち、各国の気象機関が主要な担い手であることでしょう。

制度面では、WMOが2025年10月の臨時世界気象会議で、AIを観測・データ処理・予報の基盤に統合する方針を承認しました。同時に、AIは既存の手法とインフラを補完するものであって置き換えるものではないこと、各国気象機関の権威ある役割が続くことを明記しています。オープンデータとオープンソースの重視、AIを取り込んだ新しい予報基盤戦略の策定、そして本番運用の前に厳格な検証が不可欠であることも打ち出しました。ベンダーが「AIが物理モデルを超えた」と発信する一方、国際機関は慎重な線を引いた、という構図です。

なお気象AIの市場規模については複数の調査会社が推計を出していますが、対象範囲の定義がばらばらで、年平均成長率が3%台から26%台まで開きます。意味のある比較ができないと判断して、本記事では数値の掲載を見送ります。

10. 2026〜2030年をどう見るか

ここからは筆者の推定です。公表されたロードマップに基づく部分と、そこから推し量った部分が混在しています。確定的な予測ではありません。

最大の分岐点は「初期値を自前で作れるか」です。今のAIモデルは、出発点となる初期値を物理モデルのデータ同化に頼っています。学習の教材も、物理モデルと観測を組み合わせて作られた再解析データです。この構造がある限り、AIは物理モデルの上に乗った存在にとどまります。NVIDIAのHEAL-DA（2026年後半予定）のように、観測から直接初期値を作る試みが実用水準に届けば、前提が変わります。逆に言えば、それが起きるまで「AIが物理モデルを置き換える」という話は成立しません。

ハイブリッドが現実解として定着するでしょう。ECMWF自身が両者を組み合わせる方向を明言しており、WMOの作業部会もAI・ハイブリッド・物理の比較プロジェクトを立ち上げています。AIが大きな場を、物理モデルが細かい現象と極端事象を担当する分業は、今の得意不得意の分布から見て自然な落ち着き先です。

日本にとっての鍵は、日本域の解析データです。気象庁の報告書が指摘したとおり、AIモデルの上限は教材データの上限に等しい。日本域を細かく予測したいなら、高解像度で高精度な日本域の解析データが要ります。これは全球モデルを輸入しても手に入らないものであり、逆に言えば日本が独自に価値を出せる数少ない領域でもあります。

線状降水帯は当面AIの手に負えないと見ています。市町村単位・危険度分布形式での半日前情報の提供は令和11年度が目標で、次期静止気象衛星の運用開始も同じ令和11年度予定です。この時間軸で効くのは観測の強化と物理モデルの高解像度化であって、今のかたちのAI全球モデルではありません。AIが貢献するとすれば、数時間先の予測や高解像度化、複数モデルを組み合わせるガイダンスへの追加といった、脇からの寄与になるでしょう。

まとめ

2025年から2026年にかけて、AI気象モデルは研究から本番運用へ移りました。ECMWFは決定論版とアンサンブル版の両方を24時間動かし、Google DeepMindは台風予測で査読を通した成果を出したうえでモデルを公開し、NVIDIAはソフトウェア一式をオープンソースにしました。使うときのコストが従来の数百分の一という優位は動きません。

同時に、限界もはっきりしてきました。気象庁が条件を揃えて検証したところ、台風の進路は3日先で約20%改善する一方、中心気圧は決まって15hPa弱く出て、強い雨のピークは出ず、気圧の等値線には物理モデルにはないノイズが乗る。地上風速では、後処理前の生の予報で物理モデルのほうが明確に優れているという検証もあります。これらは教材データの細かさに由来する構造的な制約であり、モデルを大きくすれば片づく話ではありません。

日本の状況は、この構図をそのまま映しています。気象庁はAI全球モデルの調査を続けつつ、本番の強化は局地モデルの1km化とアンサンブル化という従来路線で進めました。線状降水帯に至っては専用のスーパーコンピュータを1台用意し、それでも半日前予測の的中率は約14%です。AIの有無にかかわらず、この現象の予測が本質的に難しいことを示しています。

「AIが天気予報を変えた」という見出しは間違いではありません。ただし変えたのは中期の大きな流れと台風の進路であって、日本人が最も知りたい目の前の豪雨ではない。この区別が、今のところ最も実務的な理解だと思います。

さくらインターネット不正アクセス — 583から136万へ、拡大したのは件数だけではない

2026年8月17日、さくらインターネットが「さくらのレンタルサーバ」への不正アクセスを公表しました。不正ログインが確認されたのは583アカウント。この時点では、レンタルサーバー事業者に起きた中規模のインシデントに見えました。ところが2日後の8月19日、影響を受けた可能性のある会員情報は最大1,360,563アカウントに拡大します。数字は2,300倍以上に膨らみました。

件数の拡大そのものは、調査が進めば起こりうることです。注目すべきはその中身の違いのほうで、583は「さくらのレンタルサーバ」の顧客環境で不正ログインが確認された数、1,360,563は契約者情報を管理する販売管理システムという別系統で影響を受けた可能性のある会員情報の数です。しかも販売管理システムへの侵入は、レンタルサーバーの異常を検知した8月9日より前に発生していたとされています。事業者の基幹システムが先に破られていた可能性がある、という話になります。

先に結論を書きます。本件で最も重要なのは件数ではなく、公式発表にある「当社の管理環境を経由して」という一文です。利用者がどれだけパスワードを堅くしてもWAFを入れても、事業者の管理側から入られれば迂回されます。そして本稿執筆時点（2026年8月23日、検知から14日目）で、その管理環境がどう破られたのか——侵入経路も、悪用された脆弱性も、攻撃者像も、公表されていません。後述するように、同時期の他社事案では検知から6日ないし12日で原因の説明が出ています。件数だけが確定しないまま拡大した、というのが現在の状況です。

本件は調査継続中の事案です。本稿の記述はすべて2026年8月23日時点で公表されている情報に基づきます。影響件数・情報種別・侵入経路については今後の続報で変動する可能性があります。特に「1,360,563アカウント」は同社自身が「現時点で影響が確定した数ではない」と明記している数値であり、漏えい確定件数ではありません。

1. 二つの発表で何が明らかになったか

起点は2026年8月9日（日）です。さくらインターネットが管理するサーバー環境で異常を検知し、調査を開始しました。その結果、第三者が同社の管理環境を経由して「さくらのレンタルサーバ」の一部顧客環境へ不正アクセスしていたことが確認されます。8月17日の第一報で公表されたのがこの内容です。

封じ込め後も調査は続き、8月19日の第二報で、契約者情報・請求先情報等を管理する販売管理システムへの不正アクセスの可能性が新たに判明したと公表されました。適時開示は同日の大引け後に発表されています。二つの発表の内容を並べます。

項目	第一報（8月17日）	第二報（8月19日）
対象システム	「さくらのレンタルサーバ」の一部顧客環境	販売管理システム（契約者情報・請求先情報等を管理）
件数	不正ログイン583アカウント	影響を受けた可能性のある会員情報 最大1,360,563アカウント（583を内包）。うち30アカウントでハッシュ化パスワードへのアクセスの可能性
情報種別	顧客領域内の情報（メールデータ、ウェブサイトデータ、ログ、その他ファイル等）および「通信の秘密」に該当する情報	会員ID、会社名、部署名、住所、氏名、電話番号、メールアドレス、生年月日、性別、FAX番号、契約サービス、契約期間、請求金額等
発生時期	8月9日に異常を検知	8月9日より前に発生した事象。レンタルサーバー側との関連性は調査中
特記	一部サーバーにマルウェアの設置を確認	クレジットカード情報は保有しておらず漏えいなし。データの外部持ち出しは現時点で未確認

時系列で整理すると、検知から第一報まで8日、第一報から第二報まで2日です。

日付	出来事
8月9日以前	販売管理システムへの不正アクセスが発生（第二報で判明）
8月9日（日）	サーバー環境の異常を検知、調査開始
8月17日	第一報公表（583アカウント、マルウェア設置）
8月19日	第二報公表。大引け後に適時開示、顧客向けFAQページ公開
8月20日	株価が大幅続落
8月23日	本稿執筆時点。第三報など追加の公式続報は確認されていない

2. 583と1,360,563を足し算しない

報道の見出しだけを追うと数字を取り違えやすいので、確認しておきます。1,360,563は583を内包する数であり、両者を足すものではありません。そして両者は性質が異なります。

• 583——「さくらのレンタルサーバ」で不正ログインが確認されたアカウント数。顧客領域のデータにアクセス可能な状態にあり、一部にはマルウェアも設置されていた。実害の蓋然性が高い層。
• 1,360,563——販売管理システム上で影響を受けた可能性のある会員情報の総数。同社は「現時点で影響が確定した数ではない」と明記している。実際に閲覧・取得された件数は調査中で、データの外部持ち出しも未確認。
• 30——ハッシュ化パスワード情報へのアクセスの可能性が確認されたアカウント数。

重要なのは、販売管理システムの対象がレンタルサーバー利用者に限らないことです。会員情報を管理するシステムである以上、VPSやクラウドの契約者、さらには過去に契約していた法人・個人も対象範囲に入りうる。「自分はレンタルサーバーを使っていないから無関係」とは言い切れない構造になっています。

3. 侵入経路は空白のまま

本稿執筆時点で公表されていないものを列挙します。初期アクセスの手段、悪用された脆弱性（CVE番号を含む）、攻撃者の帰属、ランサムウェアの有無、実際に閲覧・取得された情報の内容。同社は侵入経路・発生時期・影響範囲を「調査中」としており、公式発表に特定の脅威アクターやランサムウェアへの言及はありません。検知（8月9日）から14日、第一報から6日が経過した時点での状況です。

それでも第一報の記述から読み取れることがあります。「当社の管理環境を経由して」顧客環境へ不正アクセスがあった、という説明です。顧客のWordPressが個別に破られた、というよくある構図ではありません。事業者側の管理経路が起点になっている。

共有責任モデルでは、レンタルサーバーやIaaSの利用者側にアプリケーション層の責任が割り当てられます。しかし管理プレーンは事業者側の責任範囲です。ここが破られると、利用者側の対策——強固なパスワード、WAF、プラグインの更新——はすべて迂回されます。piyokango氏のまとめ（piyolog、8月20日）をはじめとする専門家の分析でも、この点が本件の構造的な論点として整理されています。ただしこれは公式発表の文言をもとにした第三者の解釈であり、同社が侵入経路について具体的な説明をしたわけではない点は区別しておく必要があります。

4. 影響が確認されていないサービスと、公共部門への含意

第一報では、「さくらのVPS」「さくらのクラウド」「さくらの専用サーバ PHY」「高火力 PHY」への影響は確認されていないと明記されています。販売管理システムも、各サービスの提供環境とは別系統です。

この切り分けは公共部門にとって意味を持ちます。「さくらのクラウド」は2021年12月20日にISMAP（政府情報システムのためのセキュリティ評価制度）に登録され、2026年3月27日にはデジタル庁のガバメントクラウド整備において令和5年度・令和8年度募集の双方で対象クラウドサービスに採択されました。国産事業者としては初の複数年度採択です。今回の不正アクセスはこの提供基盤ではなく、レンタルサーバーと会員情報を扱う販売管理システムで発生しており、ガバメントクラウド基盤への影響は現時点で確認されていません。

ただし、ISMAPの登録範囲は「さくらのクラウド」であって、レンタルサーバーや販売管理システムは範囲外です。つまり今回破られたのは、第三者評価制度の網の外側にあるシステムでした。制度の対象範囲と、事業者が実際に抱えるリスク面積は一致しません。委託先管理の観点では、認証の有無だけでなく「どこまでが認証範囲か」を確認する必要がある、ということです。

5. 二系統の報告義務

さくらインターネットは電気通信事業者です。第一報で「通信の秘密」に該当する情報へのアクセス可能性に言及したことから、本件では二系統の報告義務が関わってきます。

• 電気通信事業法——通信の秘密の漏えいに関する総務省への報告。同法第166条は総務大臣による報告徴収の根拠条文でもあります。
• 個人情報保護法——第26条に基づく個人情報保護委員会への漏えい等報告（速報・確報）。ただし電気通信事業者の場合、報告先は総務省（総合通信局）に委任されます。同社の本社は大阪市であり、管轄は近畿総合通信局となります。

同社は総務省・個人情報保護委員会等の関係機関への報告と情報共有を進めているとしています。一方で、本件について行政指導や報告徴収が行われたという公表は、8月23日時点では確認できません。事案の公表からまだ日が浅く、今後行政側の措置が出る可能性は残ります。

6. 市場の反応

第二報が大引け後に開示された翌8月20日、株価（東証プライム・3778）は大幅続落しました。株探の時系列データによれば、8月20日は始値3,705円、高値3,715円、安値3,500円、終値3,570円。前日終値3,915円に対して終値ベースで345円安（8.8%安）、ザラ場安値の3,500円は前日終値比で約10.6%安に相当します。売買高は2,992,600株でした。報道では「一時10.4%安」という表現も伝えられています。

2027年3月期連結業績への影響については、同社は精査中としており、具体的な金額は開示されていません。

7. IIJ、KDDI、さくら——経過日数を揃えて比べる

2025年から2026年にかけて、日本のホスティング・ISP事業者の基盤を狙った大規模インシデントが続いています。本件を単独で見るより、この連鎖のなかに置いたほうが輪郭がはっきりします。

ただし比較には注意が必要です。さくらの事案は公表からまだ日が浅く、「IIJとKDDIは原因が判明しているのにさくらは未公表」と並べるのはフェアではありません。各社が自ら侵害を検知した日を起点に、経過日数を揃えて見ます。

起点からの経過	IIJ	KDDI	さくらインターネット
侵入開始	2024年8月3日	2026年5月16日（一部ISP事業者において）	未公表（販売管理システムへのアクセスは8月9日以前）
検知（起点）	2025年4月10日（侵入から約8か月）	2026年6月17日（侵入から約1か月）	2026年8月9日（ラグは算定不能）
第一報	4月15日（検知+5日）	6月23日（検知+6日）	8月17日（検知+8日）
原因の類型を公表	4月22日（検知+12日）。CVE-2025-42599まで特定	6月23日（検知+6日、第一報と同時）。「第三者製ソフトウェアの脆弱性」	未公表（8月23日時点で検知+14日）
件数の確定	4月22日（検知+12日）。407万2,650件→586契約・31万1,288件へ下方修正	7月6日（検知+19日）。最大1,422万件→1,223万3,087件へ確定	583→最大1,360,563へ上方修正、未確定

経過日数を揃えると、印象は変わります。KDDIは第一報の時点ですでに原因の類型を明示していました。IIJも検知12日後には、悪用された脆弱性をCVE番号まで特定して公表しています。さくらは検知から14日、第一報から6日を経て、原因の類型すら公表していない。「まだ日が浅いから」だけでは説明しきれない差が残ります。

もっとも、これを単純に対応の遅速として読むべきではありません。IIJとKDDIはいずれも外部調達したソフトウェア製品の脆弱性が原因でした。製品を特定できれば、原因の説明は一気に進みます。対してさくらの第一報が指すのは「当社の管理環境」であり、特定製品ではありません。自社の管理環境そのものが起点である場合、フォレンジックの性質が異なり、原因の言語化に時間を要するという見方はできます。ただしこれは公表情報からの筆者の推定であり、同社がそう説明したわけではありません。

原因公表の「粒度」も揃えておく必要があります。KDDIが公表したのは6月23日時点では「第三者製ソフトウェアの脆弱性」という類型で、7月6日にそれがベンダー自身も認識していないゼロデイであったことを追加公表しましたが、製品名とCVE番号は7月6日時点でも公表されていません。CVE番号まで明示したIIJと同列に「原因特定済み」と括ると、実態を取り違えます。

検知までのラグという別の軸を当てると、順位はまた入れ替わります。IIJは2024年8月3日の侵入を2025年4月10日まで約8か月間検知できませんでした。KDDIは約1か月。さくらは侵入時期そのものが未公表のため、この軸では評価できません。事業者の防御力を測るなら、公表の速さより「どれだけ気づけなかったか」のほうが本質的な指標でしょう。

項目	IIJ（2025年4月）	KDDI（2026年6月）	さくらインターネット（2026年8月）
対象	法人向け「IIJセキュアMXサービス」	ISP事業者向けメールシステム（@nifty、BIGLOBE、J:COM、CPI等に波及）	「さくらのレンタルサーバ」顧客環境／販売管理システム
件数	最大6,493契約・約407万2,650件（解約済み含む）→ 漏えい確認は586契約・メールアカウント311,288件	最大1,422万件 → メールアドレス1,223万3,087件、うちパスワード761万6,173件	583アカウント → 最大1,360,563アカウント（未確定）
原因の粒度	クオリティア「Active! mail」のスタックベースのバッファオーバーフロー脆弱性（CVE-2025-42599、CVSS v3基本値9.8）。製品名・CVEまで公表	第三者製ソフトウェアの脆弱性。ベンダーも未認識のゼロデイ。製品名・CVE番号は7月6日時点で未公表	未公表。第一報の記述は「当社の管理環境を経由して」
行政の対応	総務省が行政指導（2025年7月18日、検知から約3か月後）	総務省が電気通信事業法第166条第1項に基づく報告徴収（6月24日）。個人情報保護委員会が行政指導（8月19日、10月19日までの報告を要求）	8月23日時点で公表なし（同社の自主報告のみ）

なお、個人情報保護委員会がKDDIに行政指導を行った8月19日は、さくらの第二報と同日ですが、両者に関係はありません。KDDI事案は6月の発生から約2か月を経ての措置であり、日付の一致は偶然です。

件数の動き方も対照的です。IIJは第一報の推定値407万2,650件から、実際に漏えいが確認された586契約・31万1,288件へと下方に確定しました。KDDIも最大1,422万件から1,223万3,087件へ絞り込まれています。初報の「最大値」がそのまま被害規模になった例は、この2件にはありません。さくらの1,360,563も同じ性質の数字であり、今後下方に確定する可能性は十分にあります。逆にいえば、さくらだけが現時点でまだ「絞り込みのフェーズに入っていない」ということでもあります。

なお行政対応についても、経過時間を揃えれば差は縮みます。IIJへの総務省の行政指導は検知から約3か月後、KDDIへの個人情報保護委員会の行政指導は公表から約2か月後です。さくらの事案で8月23日時点に公的機関の措置が出ていないのは、事案が新しいことでほぼ説明がつきます。

8. 利用者が取るべき対応

同社は、影響を受けた可能性のある顧客へ登録メールアドレス宛に個別通知を行っており、全利用者への一律のパスワード変更は求めていません。会員メニューは2要素認証（登録メールへの認証コード、SMS認証、認証アプリのいずれか）が必須のため、パスワードのみでのログインはできないと説明されています。そのうえで、実務上やっておくべきことを挙げます。

• 登録メールアドレス宛の個別通知を確認する（迷惑メールフォルダも含めて）。
• 「さくらのレンタルサーバ」利用者は、予防措置としてサーバーパスワード（FTP）とメールパスワードを変更する。同社も推奨しています。
• サイト運営者は、身に覚えのないファイルや管理者アカウントの追加、不審なファイル更新日時、心当たりのないログイン履歴・メール送信履歴を点検する。WordPressであれば管理者ユーザー、プラグイン・テーマ、アクセスログまで確認する。
• さくらと同じパスワードを他サービスで使い回している場合は、他サービス側を変更する。リスト型攻撃の材料になります。
• 会員ID・氏名・住所・電話番号・請求金額といった契約情報が攻撃者の手にある前提で、フィッシングに備える。「請求内容の確認」「緊急のパスワード再設定」を装った連絡は、契約情報を握られている相手が送ってくると相当に説得力を持ちます。同社がメールや電話でパスワード・認証情報・クレジットカード情報を尋ねることはありません。
• 過去に契約していた法人も、当時の登録情報が残っている可能性を前提に、当時のメールアドレス・電話番号宛の不審な連絡に注意する。

9. 事業者側が読み取るべきこと

クラウド・ホスティング・SIを提供する側から見ると、本件には三つの論点があります。

管理プレーンの保護。 事業者の内部管理環境が侵害されると、顧客側のあらゆる対策を迂回してデータ領域に到達されます。管理者アクセスの多要素認証、特権アクセス管理（PAM）、管理系ネットワークの分離と常時監視は、顧客向けセキュリティ機能より優先度が高いという整理になります。

分離しただけでは足りない。 販売管理システムはサービス提供基盤とは別系統でした。それでも侵入されています。系統を分けることは前提条件であって対策の完成ではなく、EDRやログ監視といった検知の実効性が問われます。侵入後の横展開をどこで止められるかという設計の問題です。

ハッシュ化の中身。 「パスワードはハッシュ化されている」という説明は安心材料として提示されがちですが、耐性はアルゴリズム、ソルトの有無、ワークファクタ、そして元のパスワード強度に依存します。今回のように「ハッシュ化パスワードへのアクセスの可能性」が公表される場面で説明責任を果たすには、Argon2idなどパスワード保存に適した方式を採っているかどうかが問われることになります。

開示の姿勢についても触れておきます。8月9日の検知から8日で第一報、その2日後に自社にとって都合の悪い数字を含む第二報を出し、範囲を上方修正した点は、国内企業のインシデント対応としては相応に評価できる部類でしょう。ただし、侵入経路の説明が空白のまま件数だけが2,300倍に拡大したことが利用者の不安を増幅させた面も否めません。何が起きたかを説明できない段階での件数開示は、透明性と混乱のどちらにも転びます。

10. まとめ

現時点で確定していることは多くありません。583アカウントへの不正ログインとマルウェア設置、販売管理システム経由で最大1,360,563アカウントの会員情報が影響を受けた可能性、そのうち30アカウントでハッシュ化パスワードへのアクセスの可能性。クレジットカード情報の漏えいはなく、外部持ち出しは未確認。「さくらのクラウド」等の提供環境への影響も確認されていません。

逆に確定していないのは、侵入経路、攻撃者、実際に取得された情報、そして最終的な件数です。今後の評価を大きく変えるのは、次の四つでしょう。第三報で侵入経路と漏えい確定件数が判明するか。総務省・個人情報保護委員会が報告徴収や行政指導に踏み込むか。「さくらのクラウド」やガバメントクラウド基盤への影響が新たに確認されるか。そして2027年3月期業績への具体的な影響額が開示されるか。

利用者としてできることは、通知の確認、パスワードの予防的変更、使い回しの解消、そして契約情報を握った相手からのフィッシングへの警戒です。事業者としては、「自社の管理環境が破られたとき、顧客のデータはどこで止まるのか」を設計として答えられるかどうか。IIJ、KDDI、さくらと1年強のうちに三件が続いたことを踏まえれば、これは他人事として扱える問いではなくなっています。

AGIはどんなサービスとして現れるか — 初期・中期・長期のサービス形態を予想する

「AGIの実現が近い」という言説をよく見かけるようになりました。ただ、この種の議論はたいてい「いつ来るか」で止まってしまいます。エンジニアや事業側の人間にとって本当に知りたいのは、その先です。AGIはどういう形で実現され、どういうサービスとして自分たちの前に現れるのか。

この問いが実務的に重要なのは、答えによって今すべきことが変わるからです。「賢いチャットボットが少し賢くなる」だけなら既存の延長で対応できます。しかし課金単位が「席」から「成果」に変わり、購入対象が「ツール」から「業務そのもの」に変わるなら、SaaSの価格設計も、SIerの契約書も、社内の内部統制も作り直しになります。

結論を先に書きます。AGIは単一の到達点としてではなく、数年がかりの連続的な移行として立ち現れつつあります。2026年8月現在、一部の経済的タスクでは既に人間の専門家に匹敵する一方、汎化能力を問うベンチマークでは人間の足元にも及びません。そしてサービス形態は「席の販売」から「職務の販売」へ、さらに「成果の販売」へと段階的に移っていくと考えられます。以下、根拠を示しながら整理します。

本記事は未来予測を多く含みます。確定した事実（法律の施行日、公表されたベンチマークスコア、企業の発表内容）と、筆者の推定・第三者の予測は本文中で区別して記述しますが、後者はあくまで見通しであり精密な予測ではありません。特に「サービス形態」の各節は、公表事実を土台とした筆者の推定が中心です。また、2026年8月時点の情報に基づいており、この分野は数か月単位で状況が変わります。

1. そもそも「AGI」の定義がラボごとに違う

議論の前提として押さえておくべきなのは、AGIに業界共通の定義が存在しないという事実です。「AGIは近い」という主張と「AGIは遠い」という主張が並立しているのは、多くの場合、両者が別のものを指しているからです。

OpenAIは2024年7月に、AGIへの道筋を5段階（Chatbots → Reasoners → Agents → Innovators → Organizations）で整理する枠組みを内部共有したことが報じられています。2026年時点の位置づけはLevel 2から3への移行期、つまり推論するモデルが定着し、エージェントが一部の企業で実運用に入った段階、という評価が一般的です。

ただしOpenAI自身が2026年に入って軸足を移しています。同社は2026年4月26日にAGIに関する5原則（民主化・エンパワーメント・普遍的繁栄・レジリエンス・適応性）を公表しましたが、複数の報道が指摘したのは、この文書で「AGI」という語の使用回数が前身にあたる文書から大幅に減っていた点でした。AGIという単語自体が多義的になりすぎて、ロードマップの説明に使いにくくなった、という事情がうかがえます。

AnthropicのDario Amodeiは、そもそも「AGI」という語を好まず、「データセンターの中の天才国家」という表現を使います。2026年1月に公開されたエッセイ「The Adolescence of Technology」でこの表現が使われており、強力なAI（powerful AI）の到来を数年内と見る立場を継続的に表明しています。

Google DeepMindは能力の「レベル」で捉える立場で、2025年4月に公表した安全性に関する長大な論文では、幅広い非物理タスクで熟練成人の上位数パーセントに相当する能力を持つAIが10年以内に登場しうる、という見通しを示しています。

つまり「AGIの実現形態」を問う前に、どのAGIの話をしているのかを確認する必要があるということです。実務上は、抽象的なAGI概念より次節のベンチマークのほうが役に立ちます。

2. ベンチマークが示す「まだらな」進歩

2026年の現在地を最もよく表しているのは、領域によって人間を超えているものと、幼児にも劣るものが同居しているという状態です。三つの指標で見てみます。

METRのタスク時間ホライズン。「AIが50%の確率で完遂できるタスクの長さ」を測る指標で、この分野で最も参照される客観指標のひとつです。METRの2026年1月更新（TH1.1、228タスク）によれば、倍増ペースは2019年以降の全期間平均で約7か月ですが、2023年以降は約131日、2024年以降は約88.6日と加速しています。フロンティアモデルの50%ホライズンは2026年に約12時間（718.8分）に達しました。

ただしMETR自身が、16時間を超える領域の測定は現行のタスクスイートでは信頼性が落ちると明記しています。また、この加速ペースが一時的で2026〜2027年に鈍化する可能性を指摘する専門家もおり、単純な外挿は危険です。より重要な留保は、これが「50%成功率」の数字だという点です。実務で使えるのは80%や95%の成功率であり、その水準でのホライズンは大幅に短くなります。

GDPval。OpenAIが2025年10月に公開した、実務成果物で人間の専門家と直接対決させるベンチマークです。米国GDP上位セクターの多数の職種について実務成果物を用意し、経験豊富な専門家の成果物と比較させます。GPT-5.2 Thinkingは勝率・引き分け率で70.9%を記録しました。ただしこれはOpenAI自身が設計・運用するベンチマークであり、自己評価バイアスを割り引いて読む必要があります。

ARC-AGI。新規パターンへの汎化能力を測る系列です。ARC-AGI-2では2026年8月時点でGPT-5.6 Sol Maxが92.5%に到達しており、人間平均を上回っています。しかし2026年3月25日にリリースされた対話型のARC-AGI-3では、リリース直後の時点でフロンティアモデルのスコアが軒並み1%を割りました。Gemini 3.1 Pro Previewが0.37%、Claude Opus 4.6が0.25%、Grokが0%という状況で、人間は同じ課題を解けます。

この差は「静的なパターン認識としての知能」と「新規環境で試行錯誤しながら適応する知能」の隔たりを示しています。ただし2026年7月にはGPT-5.6 SolがARC-AGI-3で初めてゲームクリアを達成し7.78%まで到達したという報告もあり、状況は動いています。人間の水準にはなお遠いものの、「1%の壁」は破られつつあると見るのが2026年8月時点の妥当な理解でしょう。

3. スケーリングの延長線か、新しいアーキテクチャか

実現形態をめぐる最大の技術的論点は、現在のTransformer/LLMをスケールアップしていけばAGIに届くのかという問いです。

主流のアプローチは、事前学習のスケーリングに加えて、推論時計算のスケーリング（test-time compute）、検証可能な報酬からの強化学習、そしてエージェント化を組み合わせる形に進化してきました。コーディングや数学のように答え合わせができる領域で進歩が速いのは、この3番目の要素が効いているためです。

一方で、研究者コミュニティの多数派はスケーリング単独には懐疑的です。AAAI 2025の大統領パネル報告書（回答者475名）では、回答者の76%が「現行のAIアプローチをスケールアップしてAGIを実現することは、ありそうにない、または非常にありそうにない」と評価しました。これは公式PDFで確認できる数字です。ラボのCEOの発言とアカデミアの体感には、かなりの開きがあるということです。

この立場を最も明確に体現しているのがYann LeCunです。彼は2025年11月にMetaを離れる意向を表明し（実際の退社は2025年末）、その後AMI Labs（Advanced Machine Intelligence Labs）を立ち上げました。2026年3月には約10.3億ドルを調達し、評価額は35億ドルと報じられています。LeCunの主張は一貫していて、LLMは人間レベルの知能への道ではなく、必要なのは世界モデル、具体的にはJEPA（Joint Embedding Predictive Architecture）系のアプローチだ、というものです。

世界モデルの方向にはMeta、Google DeepMind、NVIDIA、World Labsなどが並走していますが、実用化の時期については各社とも慎重です。2026年時点では「スケーリングの延長線がまだ効いている」というのが観測される事実であり、新アーキテクチャが必要かどうかは未決着と見るのが公平でしょう。ARC-AGI-3の結果は前者への疑問符ですが、GPT-5.6 Solの進展は「現行路線でもまだ伸びる」証拠でもあります。

4. タイムライン予測は「誰の予測か」で読む

AGIの時期予測は、発言者の立場によって系統的にずれます。この点を意識せずに数字だけ拾うと判断を誤ります。

立場	予測時期	主な根拠・表現	読むときの留意点
AIラボCEO （Amodei、Altman等）	2027年前後〜2028年	「データセンターの中の天才国家」（Amodei）、自動AI研究者の実現目標（OpenAI）	巨額の資金調達と企業評価がこのナラティブに依存する構造がある。インセンティブ上のバイアスを割り引く必要
Google DeepMind （公式文書）	10年以内	2025年4月の安全性論文。非物理タスクで熟練成人の上位数パーセント相当	ラボ発だが安全性文脈での記述で、他社より慎重
予測市場・集合知 （Metaculus等）	2030年代前半	コミュニティ中央値は2033年1月前後。2030年までの実現確率は各予測市場で50%前後	定義（解決条件）が厳しめに設定されており、緩い定義なら早まる
アカデミア多数派 （AAAI調査）	現行手法では到達困難	回答者475名の76%が「スケールアップによるAGI実現はありそうにない」	「時期が遅い」ではなく「路線が違う」という主張である点に注意

実務的な示唆は、「AGI到達の単一時点」を待つのは意思決定の方法として筋が悪いということです。能力は段階的に上がり続けるので、それに合わせて体制を継続的に調整するほうが合理的です。以下ではその段階を、AGI相当の能力に到達した時点を起点として初期・中期・長期に分けて考えます。西暦への対応は上表の幅（楽観2027年前後、中間2030年代前半、悲観2030年代後半以降）を当てはめてください。

5. サービス形態・初期（0〜2年）：「AIワーカーを雇う」

ここからは筆者の推定が中心になります。

この段階の提供形態は、汎用チャットボットではなく職種単位の「デジタル従業員」に収束すると考えられます。カスタマーサポート担当、経理処理担当、一次調査担当といった具合に、人間の組織図の空きポジションに埋め込む売り方です。

ここで重要なのは、商品価値の重心がモデルの賢さそのものから離れるという点です。既にどのラボのモデルも一定水準を超えている以上、差がつくのはオンボーディング（何を任せるか定義する仕組み）、権限管理、監査ログ、ロールバック手段といった「組織に安全に埋め込むための周辺装置」です。METRの数字が示すとおり、50%成功率で12時間のタスクをこなせても、80%や95%の水準ではずっと短いのですから、人間のレビューを前提とした設計は当面外せません。

インターフェースはチャットUIから、既存の業務システム内への常駐へ移ります。Slack、Teams、ERP、CRM、チケット管理システムの中にエージェントが住み着く形です。Gartnerは2025年8月26日のプレスリリースで、タスク特化型AIエージェントと統合されるエンタープライズアプリケーションの割合が、2025年の5%未満から2026年末までに40%へ拡大すると予測しています。この移行の入口にあたる動きです。

課金モデルはシート課金と成果課金の併存期になります。既にカスタマーサポート領域では、解決1件あたりの従量課金を採用するベンダーが現れています。この「タスク単価」から、より粗い「1職務あたり月額」へと単位が大きくなっていくのが自然な流れでしょう。

そして筆者が最も重要だと考える律速要因は、推論コストでも精度でもなく、人間側の監督帯域です。AIが10体並列で働けても、その出力を承認できる人間が1人しかいなければ、全体のスループットは人間で決まります。「AIを何体動かせるか」ではなく「人間が何件承認できるか」がボトルネックになるという構造は、この段階の設計を根本的に規定します。承認を省ける領域（可逆な操作、低リスクな判断）から順に自動化が進み、不可逆・高リスク領域は長く人間が残る、という非対称な浸透になるはずです。

6. サービス形態・中期（2〜5年）：「成果を買う」とSaaSの解体

中期には、販売単位がツールから業務プロセスそのものへ移ると予想します。顧客が買うのは「請求処理ソフトウェア」ではなく「請求処理という業務の完遂」になる。実質的にはBPOのAI版です。

ここで価格構造が二極化するはずです。要約、翻訳、一般的なコード生成といった汎用領域は、オープンウェイトモデルの圧力で原価（推論コスト）に向かって暴落します。DeepSeekが2026年4月24日に公開したV4-Proは1.6兆パラメータのMoEでSWE-bench Verifiedが80.6%、しかもMITライセンスという構成でした。最先端に近い性能をライセンス制約なく配ることは、汎用領域の価格を意図的に破壊する行為でもあります。一方で医療、金融、法務、製造の安全系といった規制産業・高責任領域は、価値ベースの価格を維持できるでしょう。

この過程でSaaSの解体（unbundling）が起きる可能性があります。UIを持つアプリケーション層の価値が薄れ、価値がデータとワークフローの所有、システムへの書き込み権限、ドメイン固有の検証手段へと移動する。逆に言えば、AIが持てないものを持っている企業が優位に立ちます。

物理世界への拡張もこの時期でしょう。ロボット向けの基盤モデルが実用域に入れば、製造・物流・建設の現場データが競争資源になります。日本にとってはここが勝負どころで、この点は次節で扱います。

個人向けでは、パーソナルAIが「常時文脈保持型」に進化します。ここで論点になるのが文脈のポータビリティです。自分のAIに何年も蓄積した文脈を他社サービスに持ち出せるのか。持ち出せないなら、それは史上最強のロックインになります。データポータビリティ権のAI版として規制側の論点に浮上する可能性は高いと見ています。

7. サービス形態・長期（5〜15年）：知能のユーティリティ化

長期の不確実性は極めて高いので、以下は方向性の提示にとどまります。

方向としては、知能が電力や通信に近いユーティリティ財として提供される姿が想定されます。単価は計算資源と電力コストに収斂し、「どのモデルを使っているか」は水道の水源を気にしないのと同じくらい意識されなくなる。OpenAI・SoftBank・Oracle・MGXによるStargateが4年5,000億ドル・10GW規模を掲げていることは、AIインフラが実質的に電力事業に接近していることを示しています。SoftBankは2025年12月にOpenAIへの約410億ドルの投資を完了し、出資比率は約11%となりました。

このとき希少性は知能そのものから移動します。筆者の見立てでは、価値が集まるのは次の4つです。

• 計算資源と電力へのアクセス権 — 国家間格差そのものであり、主権AI議論の核心
• 独自データと物理的実行能力 — ロボット、設備、現場へのアクセス
• 信頼と責任の引き受け — 誰が結果を保証するのか
• 人間であること自体 — 人間の判断・承認が法的・社会的に要求される領域

したがって企業が最終的に買うものは「能力」ではなく「保証」になる、というのが筆者の推定です。これはSIer、監査法人、保険といった既存の信頼産業にとって、消滅ではなく再定義の機会だと考えています。

8. サービス形態の変化：軸別の整理

ここまでの議論を軸ごとに整理すると次のようになります。フェーズ0が現在（2026年8月）、以降が上記の初期・中期・長期に対応します。

軸	フェーズ0（現在）	初期（0〜2年）	中期（2〜5年）	長期（5年〜）
販売単位	ツール・シート	職務（デジタル従業員）	業務プロセス・成果物	能力へのアクセス＋保証
課金モデル	月額シート＋API従量	タスク単価／職務単価	成果報酬・価値ベース	ユーティリティ従量＋保証料
UI	チャット・IDE	業務システム内に常駐	UIの後退（自律実行）	環境に埋没
人間の役割	操作者	レビュアー・承認者	プロセス設計者・監督	責任主体・目的設定者
競争優位	モデル性能	統合力・信頼性・監査	データ・実行権限・検証手段	計算資源・物理資産・信頼
主な律速	精度・ハルシネーション	推論コスト・監督帯域	組織のAI-Ready度・規制	電力・半導体・地政学

9. 日本への波及：制度設計と現場データ

日本への波及は、グローバルから1〜2年遅れると見るのが妥当でしょう。ただし遅れの理由は技術的制約ではなく、稟議・内部統制・責任分界点の契約設計にあります。「AIが誤った出力を出して損害が発生したとき、誰が責任を負うのか」を契約に書けるかどうかが、普及速度を規定します。

制度面では、AI推進法（人工知能関連技術の研究開発及び活用の推進に関する法律、令和7年法律第53号）が2025年6月4日に公布され、2025年9月1日に全面施行されました。罰則を持たない推進・基本法型で、事業者に課されるのは努力義務にとどまります。EUのAI Actがリスクベースの規制と高額の制裁金を備えるのとは対照的です。2025年12月23日にはAI基本計画が閣議決定されました。

罰則がないから何もしなくてよい、という話ではありません。政府調達要件、既存法（個人情報保護法、著作権法）、AI事業者ガイドラインが事実上の基準として機能します。実務としては、AI利用ポリシー、エージェントの台帳管理、出力検証フロー、責任分界の契約条項あたりを先に整えた事業者が優位に立つはずです。

技術面では、国産基盤モデルの位置づけが2026年に明確に変わりました。GENIACは2026年6月4日に第4期の採択16件を公表しましたが、そこで前面に出たのは「日本の強みである現場データのAI-Ready化」であり、ロボット基盤モデルやデータエコシステム構築が新規事業として加わっています。汎用フロンティアモデルで正面から競争するのではなく、現場データという他国が持たない資源に賭ける、という戦略転換です。

これは前節までの議論と整合的です。中期以降に価値が「データと実行権限」へ移るのだとすれば、製造・物流・建設・医療の現場を押さえていることは、モデル開発力の不足を補って余りある資産になりうるからです。

フルスクラッチの国産モデルも動いています。Preferred Networksは2026年6月22日にPLaMo 3.0 Primeを正式リリースし、推論モードを備えた国産フルスクラッチモデルとして提供を開始しました。ただし現実的な選択肢としては、汎用国産モデルの完成を待つより、業界特化の小型モデルとオープンウェイトモデルを組み合わせて業務に組み込む路線のほうが先に成果を出すだろうと見ています。

10. AGIからASIへ：最大の不確実性

最後に、長期予測を大きく分岐させる要因に触れます。AGIが自らを改良し始めた場合、そこからASI（人工超知能）までどれくらいかかるのか、という問題です。

この議論で注目すべきは、ラボ内部からの発言です。AnthropicのJack Clarkは2026年5月に、自律的に後継システムを構築できるAIが2028年末までに出現する確率を60%超、2027年末までを30%程度と述べています。これは推測ではなく公開された発言であり、複数のメディアが数値まで一致して報じています。

もっとも、こうした急速な移行（fast takeoff）に対する反論も強力です。計算資源の物理的制約、新規の洞察を生む作業が本質的に逐次的で並列化しにくいこと、そして半世紀以上にわたって持続的な自律的自己改善の実例が存在しないことが挙げられます。緩やかな移行（slow takeoff）であれば、本記事で描いた連続的なサービス形態の変化に落ち着くでしょう。急激な移行であれば、サービスや市場という枠組み自体が意味を失う可能性があります。

筆者としては前者の確度が高いと考えていますが、これは根拠の強い予測ではありません。この分岐については、誰も自信を持って語れる段階にないというのが正直なところです。

11. まとめ：待つのではなく、指標を決めて動く

「AGIはいつ来るか」を待つのは意思決定として筋が悪い、というのが本記事の結論です。能力は段階的に上がり続けるので、自分たちで移行の判断基準を決めておき、指標が動いたら体制を変えるほうが実用的です。筆者が有用だと考える基準を挙げておきます。

• METRのタスクホライズンが80%成功率で1営業日（8時間）を超えたら — ホワイトカラー業務の本格的な自動化フェーズと判断してよい。現在公表されている12時間は50%成功率の数字であり、混同しないこと
• ARC-AGI-3で複数のフロンティアモデルが人間水準に接近したら — 「新規環境での適応」という最後の壁が崩れたシグナル。2026年7月に7.78%まで来ており、この指標は今後1〜2年が見どころ
• 取引先や競合のSaaS契約で成果課金が過半を占めたら — 自社の課金構造転換を先送りできない段階
• 自社の承認プロセスがAIの出力速度に追いつかなくなったら — 監督帯域が律速に変わった合図。この時点で必要なのはモデルの入れ替えではなく、承認プロセスの再設計

そして当面のあいだ、AIに関する競争優位はモデルの選定ではなく「どこまでを人間の承認なしで動かしてよいか」を定義し、その責任を引き受けられる体制のほうに宿ります。これは技術部門だけでは決められない話で、法務・監査・経営が同じテーブルにつく必要があります。AGIの到来を待つ前にできることは、まだかなり残っています。