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、エージェントの実行ログが増えていく。モデルを別のものに替えたいとき、これらを持ち出し、次の環境でも使えるだろうか。APIを変更できても、仕事の前提や判断の履歴が移せなければ、移行は終わらない。
企業AIの選択を「クローズドモデルか、オープンモデルか」だけで考えると、この問題を捉えきれない。モデルの性能に加えて、それを使って生まれた知識がどこに残り、誰が再利用できるかが問われる。
ここでは、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、実行ログを、自社の知識を生産するための仕組みとして考えたい。企業が自分たちの管理下に残すべきなのは、これらを使って競争優位を作る能力である。
トークン消費と業務成果のずれ
知識を生み出す仕組みの価値は、利用量だけでは測れない。企業がAIに期待するのは、意思決定の短縮、品質向上、売上増、コスト削減などの成果だ。一方、トークン従量課金では、使う量が増えるほどベンダーの収益も増える。顧客の成果とベンダーの収益が一致しない場合がある。
この不満は、2026年7月の報道にも表れている。Axiosは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、企業がAI支出へガードレールを設け始めていると報じている ↗。
もちろん、Karpの発言には営業上の立場がある。Palantirは自社のオンプレミス寄りのAI基盤を売る側でもある。それでも、支払った利用量が業務成果につながっているかという問いは残る。大量に生成できることと、その生成を仕事で使えることは違う。
さらに、同じ成果を出せたとしても、次の仕事で使える知識が自社に残るかどうかで長期的な価値は変わる。利用コストを抑えるだけでなく、利用後に何を保持できるかも確かめたい。
モデル学習への利用と、運用文脈の蓄積
「顧客データがモデル学習に使われるか」は、保持できる知識を考えるうえで一つの論点である。ただ、それだけでは依存関係は判断できない。
2026年7月の執筆時点で、OpenAIはChatGPT Team、ChatGPT Enterprise、APIなどのビジネス向け製品では、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 ↗。Enterprise Privacyページ ↗でも、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を説明している。
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 ↗、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が設定できる機能 ↗を提供している。主要企業が、データ非学習や管理者による制御を整えてきたことは評価すべきだ。
それでも、顧客が作った評価基準や修正履歴、データとの接続方法が、特定のワークスペース内でしか使えなければ依存は残る。モデルの学習に入力が使われなくても、その環境を離れる費用は大きくなり得る。
これらの運用記録は、その企業が何を重視し、どの判断を正しいとみなすかを表す業務知識でもある。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、他社が簡単にコピーできない。汎用モデルの性能差が縮まり、価格や代替候補が変わっていくとしても、この蓄積の価値は残ると考えている。
AIを使うほど、自社や顧客の管理できる場所に知識が増える。その構造を作れるかどうかが、モデルの選択以上に長く影響するかもしれない。
モデル提供者とアプリケーションの競争
外部への依存を考える理由は、価格や移行費用だけではない。APIやチャットUIを提供していた企業が、その利用先にあるアプリケーションへ参入する可能性もある。
AnthropicのClaude Designをめぐる報道は、その例である。Times of Indiaは、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Claude Designを報じ ↗、既存デザインツールへの競争圧力として受け止められたことも伝えている。
また、Barron’sは、AnthropicのCPOであるMike Kriegerが発表の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 ↗。これは個別の報道であり、顧客データの違法な盗用を示すものではない。ここで考えたいのは、基盤の提供者が、顧客やパートナーの事業領域でも競争する構造だ。
多くの業務で使われるモデルの提供者には、需要の大きい分野を見極め、自社の製品へ統合する誘因がある。今日のパートナーが明日の競合になる可能性も、企業側の設計に織り込んでおきたい。競合になった後でも、自社の知識と選択権を保てるかが問題になる。
オープンモデルで管理できるものと、引き受けるもの
オープンモデルや自社ホストには、この選択権を増やす利点がある。自社や顧客の環境で推論し、データ、推論ログ、埋め込み、ファインチューニング、評価結果を管理できれば、ベンダーへの依存を減らせる。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関心を向けていることも報じられている。
ただし、自社で管理する範囲が広がれば、責任も増える。オープンモデルが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く、運用コスト、評価、保守を負担する必要がある。ガードレール、監査、脆弱性対応、データ流出対策、モデル更新も利用企業の仕事になる。
とくに軍事、金融、医療、重要インフラのような領域では、外部APIを使わないという条件だけでは不十分だ。入力してよいデータ、推論ログの保存先、モデル更新の権限、出力を使ってよい業務判断、誤答時の責任を定める必要がある。
ここでいうAI主権は、オンプレミスで動かすことに限らない。知識を生成し、保存し、評価し、仕事に使う過程を、自分たちで統治できる状態である。
クローズドAIの利用と知識資産の管理
自社で統治することは、フロンティアAIを使わないことも意味しない。汎用推論、コード生成、マルチモーダル処理、長文理解、エージェント実行で高い能力が必要な仕事はある。APIを使って短期間で価値を検証できる利点も大きい。
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、モデルの性能差が検証速度に影響する。こうした用途に高性能モデルを選びながら、使って得られたプロンプト、評価データ、業務判断、実行ログは企業側で管理できるようにする。この二つは両立させたい。
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、ローカルモデルを選ぶ。その際、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、実行ログを特定モデルに閉じない形で保持する。自分が考えるモデル中立の設計は、これである。
モデルの価格が上がる、規制で使えなくなる、提供者が競合分野に進出する。そのいずれの場合も、業務文脈を移せれば選び直す余地が残る。逆に、ワークスペース、コネクタ、履歴、評価UIにしか文脈が残らないなら、モデルのAPIを替えるだけでは足りない。ロックインは、この移行の難しさからも生じる。
何を測れば選び直せるか
モデルを選び直すには、成果の比較も必要になる。利用回数、生成文字数、トークン消費量、チャット数は、導入初期の活動量を知るには使えるが、価値そのものを表す指標ではない。
仕事に応じて測りたいのは、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の出力をどれだけ業務成果に変えられたかと、その成果を次にも再現できるかを確かめる。
これが分かれば、高性能モデルに費用を払うべき業務と、小型モデルで足りる業務を比較できる。課金方式の交渉にも根拠ができる。成果を測れないままでは、便利そうだから使い、請求が高くなったら止めるという判断に戻りやすい。
冒頭の移行で持ち出したいのは、データベースの中身だけではない。なぜその手順を採り、どの結果をよいと判定し、何を改善したかという知識も必要だ。それを失わずに次のモデルで仕事を続けられるかを、導入時から確かめておきたい。
企業AIの安全性を考えるなら、有害出力を防ぐことに加えて、この知識生産の仕組みを統治できるかも問うべきだと思う。AIを使うほど自社の判断と知識を再利用できるようになる。その蓄積を自分たちで管理できることが、将来も選択権を持つための条件になる。