企業向けAIをめぐる現在の対立は、「クローズドモデルか、オープンモデルか」という技術選択だけでは説明できない。
より本質的には、企業が自社の競争優位を生み出す仕組みを、自分たちの管理下に残せるかどうかをめぐる争いである。 ここでいう仕組みには、データ、業務文脈、判断ロジック、計算資源、モデル選択権、評価履歴、エージェントの実行ログが含まれる。
AIの導入価値は、もはや「どのモデルが最も賢いか」だけでは決まらない。 むしろ、そのモデルを使う過程で企業固有の知識がどこに蓄積され、誰が再利用でき、将来どの事業者がその価値を取りに来られるのかが重要になっている。
トークン課金への不満は、料金だけの話ではない
トークン従量課金への批判は、単なる料金批判ではない。 企業がAIに期待しているのは、会話量や生成量ではなく、業務成果である。 しかし、トークン課金は利用量を収益源にするため、AIベンダー側の収益と顧客側の成果が一致しないことがある。
大量にトークンを消費しても、意思決定が速くならない。 業務品質が上がらない。 売上増やコスト削減にもつながらない。 それなら、それはAI活用ではなく、AI利用量の増加でしかない。
この違和感は、すでに企業側からも表面化している。 Axiosは2026年7月2日、PalantirのAlex Karpによる米国AIラボ批判を取り上げ ↗、企業が高いAIコストと乏しいリターンに不満を持っていると報じた。 Business Insiderも、UBSの企業IT幹部ヒアリングをもとに、多くの企業がAI支出にガードレールを設け始めていると報じている ↗。
もちろん、これらの発言には発信者の利害もある。 Palantirは自社のオンプレミス寄りのAI基盤を売る企業であり、米国AIラボへの批判は営業上の文脈を持つ。 それでも、企業AIの評価軸が「使った量」から「成果に変換できた量」へ移っていることは無視できない。
データを学習に使うかだけでは、論点が狭すぎる
ここで問題になるのは、AIベンダーが悪意をもって顧客データを盗んでいる、という単純な話ではない。
たとえばOpenAIは、ChatGPT Team、ChatGPT Enterprise、APIなどのビジネス向け製品について、明示的なオプトインがない限り入力・出力をモデル学習に使わないと説明している ↗。 同社のEnterprise Privacyページ ↗も、企業データの所有と管理、保持期間、接続する内部ソースの管理について説明している。
Anthropicも、商用製品の入力・出力をデフォルトではモデル学習に使わないと説明している ↗。 また、Enterprise向けには会話やプロジェクトデータの保持期間を組織側が設定できる機能 ↗を提供している。
したがって、論点を「入力データを学習に使うかどうか」だけに狭めると、問題の構造を見誤る。 主要AI企業は、少なくとも企業向け製品では、データ非学習、保持期間管理、管理者制御、コネクタ制御を整備してきている。
それでもなお、依存の問題は残る。
本当の資産は、モデルではなく運用文脈に宿る
企業がAIを使うたびに、プロンプト、業務フロー、データ接続、評価基準、修正履歴、利用ログ、エージェントの実行経路が積み上がる。 これらは単なる操作履歴ではない。 その企業がどのように考え、何を重視し、どの判断を正しいとみなしているかを表す業務知識である。
モデル本体よりも、この運用文脈のほうが将来的な競争優位になりうる。 汎用モデルの性能差は縮まる。 価格も下がる。 代替モデルも増える。 しかし、ある企業の評価データ、例外処理、業務オントロジー、顧客理解、意思決定履歴は簡単にはコピーできない。
だからこそ、企業にとって重要なのは、AI利用の過程で生まれる知識資産を、自社または顧客側の管理可能な場所に残すことである。 AIを使うほど自社の知識基盤が厚くなるのか。 それとも、AIを使うほど外部ベンダーのプロダクトが賢くなり、自社の交渉力が弱くなるのか。 分岐点はここにある。
プラットフォームは、価値の見えた領域へ上がってくる
この問題は、基盤モデル企業がアプリケーション層へ進出する流れとも結びつく。
モデル提供者は、当初はAPIやチャットUIを通じて各業界の企業にAI機能を提供する。 しかし、どの業務領域で価値が生まれているかが見えれば、モデル提供者自身がその領域に直接参入する誘因を持つ。
この構造を示す例として、AnthropicのClaude Designをめぐる報道がある。 Times of Indiaは、Claude Designを、テキストからプロトタイプ、スライド、マーケティング素材を作るAIワークスペースとして報じた ↗。 同報道では、既存のデザインツールに対する競争圧力として受け止められたことも説明されている。
さらにBarron’sは、AnthropicのCPOであるMike KriegerがClaude Design発表の3日前にFigma取締役を退任したことを、Figmaのアクティビスト投資家が問題視していると報じた ↗。 ここで重要なのは、個別企業の是非ではない。 API提供者が、やがて顧客やパートナーの隣接領域に降りてくる構造である。
今日のパートナーが、明日の競合になる可能性は常にある。 とくにAIでは、モデル提供者が横断的に多くの業務領域を観察できるため、価値の大きいアプリケーション領域を特定し、自社プロダクトとして垂直統合するインセンティブが強い。 これは違法な盗用というより、プラットフォーム企業に構造的に生じる上位レイヤー侵食の問題である。
オープンモデルは主権を助けるが、万能薬ではない
この構造の中で、オープンモデルや自社ホスト環境の価値が再評価されている。
オープンモデルは、常に最先端のクローズドモデルより高性能なわけではない。 運用コスト、セキュリティ、評価、保守の負担もある。 それでも、モデルを自社環境や顧客環境で動かし、データ、推論ログ、埋め込み、ファインチューニング、評価結果を自分たちで管理できれば、ベンダー依存を下げられる。
実際、コストや供給制約を背景に、米国企業の一部が安価なモデルやオープンウェイトモデルに目を向けていることも報じられている。 これは反米AIラボという話ではなく、企業がモデル選択権を取り戻そうとしている現象として見るべきだ。
ただし、オープンモデルを使えばすべて安全になるわけではない。 重みや実行環境を自分で管理できる反面、ガードレール、監査、脆弱性対応、データ流出対策、モデル更新、評価基盤を利用企業側が背負う。
特に軍事、金融、医療、重要インフラのような領域では、「外部APIを使わない」だけでは不十分である。 どのデータを入力してよいか。 推論ログをどこに保存するか。 誰がモデルを更新できるか。 出力をどの業務判断に使ってよいか。 誤答時の責任をどう分界するか。 ここまで設計しなければならない。
AI主権とは、単にオンプレミスで動かすことではない。 AIを使った知識生産プロセス全体を統治できる状態を意味する。
クローズドAIを使うな、ではない
一方で、フロンティアAI企業を一方的に否定するのも現実的ではない。
最先端モデルは、汎用推論、コード生成、マルチモーダル処理、長文理解、エージェント実行の面で依然として強力である。 API利用によって短期間で価値検証できる利点も大きい。 主要AI企業が企業向けにデータ非学習、保持期間管理、管理者制御、コネクタ制御を整えてきていることも評価すべきだ。
したがって、実務上の正解は「クローズドAIを使うな」ではない。 「クローズドAIに、企業の知識生産手段を丸ごと預けるな」である。
用途によっては、フロンティアモデルを使うべき場面がある。 高難度のコードレビュー、複雑な調査、長文の構造化、マルチモーダル理解、短期のPoCでは、性能差がそのまま検証速度に効く。 問題は、そこで得られたプロンプト、評価データ、業務判断、実行ログまで、特定ベンダーの閉じた環境にしか残らない設計にしてしまうことだ。
企業が持つべき設計思想はモデル中立である
企業が取るべき設計思想は、モデル中立である。
用途に応じて、フロンティアモデル、安価な商用モデル、オープンモデル、ローカルモデルを切り替えられるようにする。 業務オントロジー、プロンプトテンプレート、評価データ、意思決定履歴、データ定義、エージェント実行ログは、特定モデルに閉じず、企業側の資産として管理する。
モデルは交換可能な部品にする。 業務文脈と評価基盤を中核資産にする。
この設計にしておけば、あるモデルの価格が上がっても、規制で使えなくなっても、提供会社が競合領域に進出しても、企業は選択権を失いにくい。 逆に、業務文脈が特定ベンダーのワークスペース、コネクタ、エージェント履歴、評価UIに閉じていると、モデルを替えるだけでは移行できない。
ロックインは、モデルのAPIではなく、業務文脈で起きる。
KPIも利用量から成果へ移す
AI導入のKPIも見直す必要がある。
利用回数、生成文字数、トークン消費量、チャット数は、導入初期の活動量指標としては使える。 しかし、それらは価値指標ではない。
見るべきは、業務リードタイム、判断精度、再現性、レビュー工数、実行件数、意思決定への接続率、ナレッジ再利用率、属人性の低下、顧客価値への寄与である。 AIがどれだけ動いたかではなく、業務システムの中でどれだけ確かな成果に変換されたかを測るべきである。
このKPI転換は、課金モデルへの交渉力にもつながる。 成果が測れていれば、どのモデルが高すぎるのか、どの業務で高性能モデルを使う価値があるのか、どこは小型モデルで足りるのかを判断できる。 成果が測れていなければ、企業は「便利そうだから使う」と「請求が高いから止める」の間を揺れるだけになる。
企業AIの安全性は、知識生産手段を統治できるかで決まる
AI時代のロックインは、モデルそのものではなく、業務文脈で起きる。
モデルは進化し、価格も変わり、競合も増える。 しかし、ある企業の業務知識、判断基準、例外処理、顧客理解、評価履歴、改善履歴が一度特定ベンダーの閉じた環境に蓄積されると、それを移すのは難しい。
企業が守るべきものは、単なるデータベースではない。 自社がなぜ勝てるのかを説明する、知識の生成・蓄積・運用の仕組みそのものである。
したがって、企業AIの本当の安全性とは、有害出力を防ぐことだけではない。 自社のデータ、モデル選択権、計算資源、業務オントロジー、評価基盤、意思決定履歴を、自分たちが統治できる状態に保つことである。
AIを使うほど、自社の競争優位が強くなる構造を作るのか。 それとも、AIを使うほど外部ベンダーのプロダクトと交渉力が強くなる構造に入ってしまうのか。
企業AIの成否は、この設計思想の差で決まる。