カテゴリー: AIビジネス戦略

AI導入で見るべきなのは、人を何人減らせるかではなく、どの工程なら、人間から切り離して任せられるかどうか。

Meta、ExxonMobil、Anthropicの事例を並べると、この違いがはっきりと見えてきます。

AIに仕事全体を渡す方法と、工程を限定して自動化する方法。

この二つでは、実装の難しさが大きく異なります。

Metaで起きたのは「生成量」と「成果」のズレ

Metaでは2026年、AIエージェントを前提とした組織再編が進められ、社内ではAIを使った大幅な人員削減も検討されていたようです。

5月には約10％の人員削減が実施されたのですが、その後に想定されていた追加の大規模削減は見送られたようです。

問題は、AIがコードを書けなかったことではなく、コードなどの生成量を増やしても、それが製品改善や安定性にそのまま結びつくわけではないようで、そもそも企業の仕事には、コードを書く前後にも行うべき作業があるんです。

仕様を決め、関係者と調整し、例外を処理する。そして完成した機能を検証し、問題が起きれば原因を探して修正。

AIが一つの工程を高速化すると、別の工程がボトルネックになる場合があり「AIが何件処理したか」だけでは、組織全体の生産性は測れず、Meta自身も別の領域では、対象を絞ったAIエージェントを導入しています。

インフラの性能問題を発見・修正する仕組みにおいては、調査時間を数時間から数分へ短縮されたようで、同じMetaでも、自動化する範囲によって結果は変わっているのです。

ExxonMobilは危険な工程をロボットへ渡す

工程を限定する考え方は、ソフトウェア以外でも運用されており、ExxonMobilは、米Permian Basinの掘削現場で自動化を進めています。

同社は30基以上の掘削リグを運用しており、そのうちの2基には、すでにロボット設備が導入されていて、2028年までに約半数を自動化する計画となっています。

対象の一つが、重量約2,000ポンドの鋼管を動かす作業で、従来は人間が事故リスクの高いリグ床で対応していたようですが、ロボットアームなら人を危険区域から分離させることができます。

ここでは「掘削作業員をAIで丸ごと代替する」という設計ではなく、危険で、動作を定義できる工程を機械へと渡していて、人間は次の作業計画など別の役割へ移る形となっています。

これは人員代替を先に決める方法と比べて、自動化する対象と評価基準が明確となっていますね。

AnthropicもAIと機械の間に「決められた操作」を置く

Anthropicが2026年8月に公開した「Model Hardware Standard（MHS）」も、工程単位の自動化を考える材料になり、MHSは、AIエージェントが顕微鏡や液体処理装置、ロボットアームなどを操作するための共通仕様となっていて、重要なのは、AIに機械を自由に触らせる仕組みではないこと。

機器の状態を読み取る操作や設定を書き込む操作などを共通化し、Anthropicが紹介した実証では、液体処理装置、ロボットアーム、測定装置をClaudeが連携させているようです。

別の事例では、実験設備の統合作業を短縮しており、ここでも、自動化される対象は具体的で、実験設計や結果の解釈まで含めた研究者の仕事と、機器を動かして実験を実行する工程は同じではありませんので、AIが研究者そのものになる話とは分けて考える必要があります。

自動化しやすい仕事には共通条件がある

Meta、ExxonMobil、Anthropicでは、使われるAIも目的も違いますが、自動化する工程には共通点があります。

入力を定義でき、実行できる操作を決められ、結果を確認できる。

この条件がそろうほど、工程を人間から切り離しやすくなり、反対に難しいのは、途中で前提が頻繁に変わる仕事。

顧客との交渉や複数部署との調整がその典型ともいえ、例外が発生するたびに判断基準が変わるなら、AIに渡す範囲を広げるほど管理も難しくなります。

その場合は、人間を完全に外す設計よりも「AIが処理し、人間が承認する」形のほうが現実的ですし、エラー時に誰へ戻すのかも決めておく必要があります。

この分野はAIの性能だけでは解決できない部分といってもいいでしょう。

「何人減らせるか」より「どこを渡せるか」

AIによる仕事の代替を考えると、大規模な人員削減が目立ちますが、企業が実際に自動化を進めるなら、先に見るべき場所は業務フローです。

一人の仕事を丸ごとAIへ渡す必要はありませんし、むしろ無理な話といってもいいでしょう。

資料の下書きだけを渡す。コード生成だけを渡す。設備の監視を渡す。決められた機械操作を渡す。

残った承認、例外処理、調整、最終確認は人間が担当すべき業務であり、この設計なら、AIの担当範囲と失敗時の責任範囲を区別することができます。

働く側にとっても同じで「自分の職業がAIに消されるか」だけを見ると、実際の変化を捉えにくくなりますから、まずは自分の仕事を工程に切り分けてみましょう。

その中で、入力、手順、合否判定を明確にできる工程はどこか？そこが、最初にAIへ渡る可能性が高い仕事となります。

Anthropicが、Claude向け半導体の自社設計に乗り出し、アメリカではデータセンター部品の輸入規制が検討されています。

インドではGoogleの大型計画が水資源をめぐる反発に直面し、AI競争の重心は、モデルの性能だけでなく、計算資源を安定して確保できるかへ移り始めてきています。

Anthropicが半導体設計へ、モデル企業の仕事が下流へ広がる

AI企業の競争を考えるとき、これまではモデルの性能差が主な比較対象となっており、回答の正確さ、推論能力、コーディング性能、処理速度といった指標が中心だったのですが、いくら高性能なモデルを開発できたとしても、それを多数の利用者へ安定して提供できなければ事業にはなりません。

Anthropicは、2026年8月5日、Claude向けのカスタム半導体を設計する社内チームを立ち上げるよで、ハードウェアとソフトウェアの双方に詳しい技術者を採用し、モデルと半導体を共同で最適化する方針のようです。

その一方で、Amazon Web Services、Google、Nvidia、AMDの技術を使う複数調達の戦略も継続して使用していくようです。

この発表が示しているのは、Anthropicが直ちに既存の半導体メーカーから自立するということではなく、設計と製造は別の工程であり、独自設計に着手しても、実際の生産を外部へ委託する可能性はまだまだ残されています。

手探りの状況といってもいいでしょうね。

それでも、モデル企業が半導体の設計段階へ踏み込む意味は小さくありませんし、外部から調達した汎用的な計算基盤へモデルを合わせるだけでなく、モデルの動かし方に合わせて半導体を設計することができれば、処理速度や消費電力、運用コストを改善できる可能性が出てきますよね。

今後のAIの性能競争が、ソフトウェア単体からハードウェアを含む「一体設計」へ広がっていると解釈できるでしょうね。

AIを動かす供給網は、半導体だけでは完結しない

AIモデルを実際に稼働させるには、演算を担う半導体だけでなく、サーバー、メモリー、ストレージ、通信部品、電力、冷却設備、土地、水が必要で、どこか一つが不足すれば、ほかの設備を用意しても計算能力を増やすことはできません。

この構造では、AI企業の競争力はモデルの品質だけで決まることはなく、必要な部品を予定どおり調達できるか？データセンターへ十分な電力を供給できるか？冷却に必要な資源を確保できるか？建設について地域の理解を得られるかが事業の速度を左右してきます。

Anthropicの独自半導体計画も、この供給網全体を自社で所有する動きとは言い切れず、同社が従来の調達先を併用する方針を示していることから、狙いは完全な内製化よりも、特定の企業や製品への依存を減らし、用途に応じて選べる計算基盤を増やすことにあると考えられます。

つまり、「自前インフラ」とは、必ずしも工場やデータセンターをすべて自社保有することではありませんし、設計、調達先、長期契約、運用方法を組み合わせ、必要な計算資源を自社の判断で確保しやすくすることであり、AI企業にとっては、モデル開発とは異なる資本力、調達力、行政との調整力が必要となります。

米国の輸入規制案が示す、データセンターの安全保障化

AIインフラの確保を難しくするのは、需要の増加だけではなく、国家間の規制も供給条件を変え始めてきています。

アメリカ政府は、中国製の新しいデータセンター部品を対象とした輸入禁止措置を検討しており、対象として報じられた光トランシーバーは、電気信号を光信号へ変換し、データセンター内で大量のデータを高速に移動させる部品。

米連邦通信委員会が規制案を作成している段階であり、内容が変更されたり、計画自体が見送られたりする可能性も十分残されている状況となっています。

この背景には、中国企業によるデータ取得やマルウェアの組み込み、サービス妨害を防ぐというアメリカ側の安全保障上の懸念があるとはいえ、安全性を優先して調達先を絞れば、別の問題が生じてきます。

そもそも中国の中際旭創は世界のデータセンター向けトランシーバー市場で27％のシェアを持つとされ、米国企業にも代替候補はあるとはいえ、中国企業を短期間で置き換えられる規模には達していないとの見方が強く、規制が実施されれば、アメリカのクラウド事業者が別の供給元へ移ることで、部品価格や整備日程に影響する可能性があります。

ここで起きているのは、AIインフラの評価軸が「安く、早く調達できるか」だけでは済まなくなったことであり、供給元の国、部品の安全性、制裁や輸出入規制の影響まで含めて選定するようにしなければなりません。

経済安全保障が、AIサービスのコストと供給能力に直接入り込む構造となってきているわけです。

150億ドル計画が直面した、地域の水不足という制約

たとえ部品を確保できても、データセンターを建てられるとは限らず、Googleがインド南部アンドラプラデシュ州で進める150億ドル規模のデータセンター計画は、水資源と野生生物への影響をめぐって反対運動や法的な異議申し立てに直面しています。

計画地のあるビシャカパトナムでは、1日に必要な水量が4億8000万リットルであるのに対し、河川や貯水池からの供給は4億1000万リットルと州政府が説明しており、計算上は毎日7000万リットル不足します。

Googleは、地域の重要な水資源を守るため、高度な空冷方式を採用すると説明しており、州政府も、住宅用や農村部の飲料水をデータセンターへ転用しないとしているのですが、数値上の不安はなかなか払拭できないでしょうね。

企業のAI導入にも価格・供給・契約条件が波及する

こうした変化は、大手AI企業や半導体メーカーだけの問題ではなく、一般企業が利用する生成AIやクラウドサービスの価格、提供地域、処理上限にも波及する可能性があります。

計算資源を安定して確保できるAI企業は、利用者が急増してもサービスを拡張しやすくなりますが、逆に、半導体や通信部品の不足、輸入規制、建設計画の遅れが重なれば、サービス料金の引き上げや利用制限、提供開始の延期につながる可能性があります。

企業のシステム担当者にとっては、モデルのベンチマークだけでAIサービスを選ぶことが難しくなり、処理能力を継続的に確保できるか、複数の半導体やクラウドへ対応しているか、地政学的な規制を受けた場合に代替手段があるかも確認対象になります。

購買部門や経営層にも同じ問題が及び、短期的に安いサービスでも、供給基盤が一社や一地域へ集中していれば、規制や設備不足が発生したときの移行費用が大きくなりますし、AIの調達は、ソフトウェア契約であると同時に、背後にある物理インフラへの依存を選ぶ判断にもなりつつあります。

AIは性能より「入口」で決まる

スマホと検索を巡るAI選択権の争い

AI競争の主戦場は、もはや性能比較だけではなくなり、今後は、スマホや検索の入口を誰が握るかで勝敗が決まってきそうですよね。

どんなに高性能なAIを作っても、結局のところ利用者に選ばれなければ使われません。

OSや検索を持っている企業であれば、多少性能が劣っていようが、自社AIを標準機能として端末に配置することができますし、もはやAIの競争軸は、賢さから利用経路へ移ったといえます。

Googleへの開放要求が示したもの

欧州委員会は2026年7月16日、Googleに競合AIへの機能開放を求めました。

対象はAndroidにある11の機能で、競合AIも音声操作を使い、予約や場所の検索を実行できる設計となりそうで、機能開放は2027年7月から始まる予定となっています。

また、検索サービスの改善に使うデータも匿名化したうえで競合へ共有されるようで、こちらは2027年1月からの実施予定となっています。

重要となってくるのは、スマホ上で競合AIが、どこまで端末を操作できるようになるかということ。

これまで競合AIは、アプリとしてまずは起動する必要があり、標準AIであれば、音声、通知、位置情報などへ端末側から直接つながっていました。

つまり性能が同等であっても、利用するまでの手順には大きな差が出ていたということです。

強いのは「賢いAI」より端末を動かせるAI

AIモデル単体の比較では、回答精度や処理速度が重視されるのですが、一般的な日常利用では、回答後に何ができるかが重要といえます。

というのも、店を調べるだけのAIより、空席確認から予約まで進めるAIのほうが断然便利ですし、商品を比較するだけのAIより、購入や決済まで進めてくれるAIのほうが使われていくのは世の流れともいえます。

そのためには、AIモデルの優秀さだけでなく、基盤との接続が欠かせません。

• スマートフォンのOS
• 検索サービス
• メールとカレンダー
• 地図と位置情報
• アプリと決済機能

Googleは、検索にAI機能を組み込み、調査から行動まで進める方向を示しており、ただ検索結果を表示するだけではなく、AIがその後の作業を代行する形へと進んでいます。

この構造では、検索の入口を持つ企業が圧倒的に有利なうえ、多くのユーザはそこで別のAIを使いたいと考えることはほぼないでしょう。便利であればいいんです。

利用者は別のAIをわざわざ探すことはなく（そもそもそこまで考えが及ばない）、画面上の標準AIを普通に使い、その後の作業を進めていくはず。

AIの入口は国家も管理し始めた

入口の争いは、企業間の競争だけではなく、アメリカ政府は2026年7月14日、AI企業と重要インフラ事業者を結ぶサイバー連携組織を設け、AIが発見した脆弱性を共有し、攻撃前に対応する仕組みを構築し、金融、医療、エネルギーなどが対象となっています。

これは、AIが便利なソフトではなく、国家インフラの一部になったことを示していて、中国も上海のAI会議を通じ、国際的なAI統治構想を示し、AIへのアクセスや国際協力を軸に、アメリカとは異なるルール形成を狙っています。

EUは市場競争を重視し、アメリカは安全保障との連携を進め、中国は国際標準への影響力を狙います。

手法は異なっているとはいえ、AIの入口を放置しない点はそれぞれ共通しています。

AIを選べても、乗り換えられるとは限らない

AI選択画面が用意されるとしても、競争が公平になるとは限りません。

問題になるのはデータの移動で、メール、予定、検索履歴、購入履歴などを一つのAIへ渡すほど便利になります。

一方で、別のAIへ乗り換える際に設定や履歴を移せない可能性があります。

スマホのAIを変更できても、データを移せなければ実質的な問題は残ります。

従来は、端末やOSで囲い込みが許されていたのですが、今後は、AIが覚えた個人情報や設定が、
利用者を囲い込む材料になります。

なので、標準AIを選べるかだけでは不十分で、確認すべきなのは、データを持ち出せるかどうか。

利用者が見るべき基準は三つ

今後、次のAIを選ぶとき、回答性能だけで比較すべきではありません。

見るべきなのは次の三点です。

• 標準AIを変更できるか
• 権限を細かく管理できるか
• データや設定を移行できるか

性能がどんなに高くても、端末の全機能へ無制限に接続するAIは危険ですし、安全性が高くても、
外部サービスを操作できなければ不便でしかありません。

便利さと選択権の両方が必要となってくることから、AI競争の勝者は、最も賢いモデルとは限らなくなってきました。

これからは、スマホ、検索、データ、決済を押さえ、利用者が最初に触れるAIがもっとも強くなっていきます。

これから比較すべきなのは、どのAIが一番賢いかではありません。

どのAIに、生活の入口を渡すかとなるでしょう。