MetaとOpenRouterがAIへの依頼を一件ごとの購買判断に変える

投資家向け資料によると、OpenAIとAnthropicはいずれも、推論費用が売上高の半分を超えている。OpenRouterでは、米国企業が使用するトークンの約60%を中国のモデルが占める。一方は費用、もう一方は地域をめぐる別々の話に見える。だが両者は、従来の多くの応用システムが一度しか下さなかった判断を、都度迫るという点でつながっている。

基盤モデル導入の初期には、どのモデルを選ぶかは設計上の問題だった。開発チームは事業者を選び、そのAPIを組み込み、モデルの挙動に合わせて指示文を調整し、そこで生じる依存関係を技術上の長期的な前提として受け入れた。切り替えは理屈のうえでは可能でも、実際には高くついた。事業者固有の接続仕様、道具の扱い方、安全管理、モデルの挙動が、応用システムの隅々に入り込んだからだ。

モデルを選び直す機会が少ないうちは、こうした依存も許容できた。しかし、性能と推論の採算性がこれほど速く変わる状況では難しい。難度の高い調査に適したモデルも、分類作業には過剰かもしれない。顧客向けの回答に適したモデルも、裏方で動くエージェントには遅すぎる可能性がある。ある地域やデータ区分では承認されたモデルでも、別の条件では使用できないことがある。経済条件が変わったため、各社はそれぞれに振り分け方式へ向かい始めた。

モデル選択が固定できなくなり、共通窓口が必要になった

モデル共通窓口は、複数事業者に対する統一された接続口を応用システムに提供する。依頼形式を変換し、認証、利用回数の制限、記録、障害時の代替、振り分け規則を一元的に適用できる。接続先のサービスが頻繁に変わるほど、違いを吸収する仕組みの重要性は増す。

設計思想そのものは珍しくない。共通の依頼形式を設け、応用システムが担う業務領域と、事業者ごとの実装を切り離す。すべての製品業務に各モデルAPI固有の作法を覚え込ませる代わりに、両者の間で使う共通言語を窓口側が定める。モデル間の差がなくなるわけではない。差異を一か所で管理できるようになる。

モデル振り分け基盤は、その共通窓口に判断機能を加える。依頼を分類し、利用可能なモデルと照合し、費用と性能の要件に応じて割り当て、結果を評価し、必要なら上位の手段へ切り替える。基盤自体が業務を遂行するのではない。業務遂行に用いる運用計画を組み替える。

振り分け基盤は、すべてを同時には最大化できない複数条件の交点に位置する。最も安いモデルが遅いこともある。最速のモデルが、特定分野では信頼性に欠けることもある。並列実行は確信度を高める一方、費用を押し上げる。共通窓口を使うことで、より良い結果につながる事業者固有の機能が見えにくくなる場合もある。振り分け基盤は、こうした妥協を年1回の事業者評価に埋もれさせず、継続的に判断する。

推論依頼の一件一件が調達になりつつある

投資家向け資料では、OpenAIとAnthropicの推論費用が売上高の半分を超えていることが示され、学習費用を含む場合と含まない場合の黒字化見通しが提示された。学習は巨大な計算設備の集積として目に見えるため、注目を集めやすい。一方、推論は利用者やエージェントが作業を依頼するたびに発生する。その規模まで拡大すれば、単一モデルを無条件に使う初期設定は、検証されていない購買方針にほかならない。

費用曲線も安定していない。OpenAIの技術者は、推論費用を半分未満に抑えられる可能性のある手法を見いだしたと報じられている。これほど大きな変化が起きれば、採算の合う処理、許容できる応答時間と品質の組み合わせ、モデル間で依頼を移すことで買い手が得られる価値は一変する。

モデル調達の仕組みを整えると、モデル選択は特定基盤への長期的な肩入れではなく、繰り返し行う購買判断になる。重要なのはトークン当たりの費用ではなく、有用な作業1件当たりの費用だ。そこには再試行、道具の呼び出し、評価、待ち時間、失敗も含まれる。名目上は安いモデルでも、3回試さなければならないなら高くつく。最先端モデルを1回使うことで、性能の低いモデルを何段階も連ねる必要がなくなるなら、そちらのほうが経済的な場合もある。

したがって買い手は、事業者との利用量交渉に入る前に振り分け方針を決める必要がある。どの作業なら最先端モデルの利用を認めるのか、どの失敗を上位手段への切り替え条件とするのか、どのデータなら国境を越えてよいのか、再試行後も費用削減効果が残るのかを定める。調達は事業者の採点表ではなく、常時動く配分方針になる。

OpenRouterのFusionは、こうした組み合わせの発想を明示している。指示文を複数モデルへ並列送信し、Fable級の知能を半額で実現すると主張している。OpenRouterはこの性能評価を独立に検証していないが、注目すべきは製品設計そのものだ。売られている単位は、もはや単一モデルへの利用権ではない。複数モデルの組み合わせから作られた結果である。

振り分けによって最先端モデルが不要になるわけではない。品質差を経済価値として捉えやすくなる。すべてのモデルが代替可能なら、価格表だけで足りる。高価な性能を使う価値がある作業と、そうでない作業が存在するからこそ、振り分けに意味がある。

Metaは知能を大量調達する買い手として動いている

Metaの社内AI育成組織は、OpenRouterの方式を参考にしたモデル振り分け基盤を開発している。一部の作業を低費用のモデルへ回すことが目的だという。この計画が重要なのは、Metaが共通窓口の仕組みを発見したからではない。モデルと基盤設備に巨額を投じる企業でさえ、最も高価な選択肢を使わないと判断できる層を必要としているからだ。Metaは、知能を調達し、処理予定を組むための基盤を自ら構築しようとしている。

財務面を見れば、その動機は明らかだ。Metaは2022以降、$62 billionの債務を増やしており、そのおよそ半分は2025中に積み上がった。さらに、AIデータセンター建設に伴う$30 billionの債務を、特別目的会社を通じて貸借対照表の外へ移した。Alphabet、Microsoft、Amazon、Meta、Oracleの簿外債務の推計額は、2022以降およそ8倍に増え、約$1.65 trillionに達した。

より広い契約済みAI処理能力の市場では、電力を確保した計算資源が、融資や賃貸の対象となる社会基盤へ変わる。処理能力が長期の財務負担を伴うようになれば、稼働量だけでなく、その稼働から得られる成果の質も重要になる。高価な処理能力を本当に必要な依頼に限って使えば、資金調達済みの設備からより多くの有用な成果を引き出せる。

Metaをめぐる報道の論調にも、同じく運用重視への転換が表れている。Meta関連報道で企業利用を扱う比率は10.8%から15.7%へ上昇する一方、研究を扱う比率は16.5%から12.0%へ低下した。焦点は、Metaがモデルを作れるかどうかから、モデル利用をどう配分し、資金を手当てし、統治するかへ移っている。

Metaの振り分け基盤は、なお開発中の社内計画にとどまる。一般向け製品である証拠はなく、まして普及済みの相互運用規格ではない。ここで重要なのは商用化ではなく行動だ。大手モデル開発企業が、モデル選択には専用の基盤が必要だと判断したことに意味がある。

エージェントによって、振り分け基盤は業務全体の進行を司る

従来型の応用システムなら、モデルを1回呼び出して返答を待つだけかもしれない。エージェント型の業務手順では、モデルを呼び出し、ウェブを検索し、ファイルを取得し、外部の道具を使い、結果を確認し、計画を修正して、別のモデルを呼び出すことがある。各段階で、誤りがもたらす損失も、必要な性能も異なる。

OpenAIのResponses APIとAgents SDKは、ウェブ検索、ファイル走査、コンピューター操作を行うエージェント向けに、処理をまとめて動かす場を提供する。Responses APIには後に、遠隔MCPサーバー、画像生成、Code Interpreterも追加された。Codexは当初から20超の追加連携機能を用意し、Figma、Notion、Gmail、Slackなどに対応した。

こうした追加機能は業務の有用性を高める一方、判断の数も増やす。定型的な情報抽出には、速くて安価なモデルで十分かもしれない。計画立案では、より高性能なモデルを使う価値がある。機密記録を扱う道具の呼び出しには、そのデータ区分について承認済みのモデルが必要になる場合がある。最終的な実行には、生成元のモデルにかかわらず人間の審査が求められることもある。

従来の障害切り替え機構が問うのは、第一候補のモデルを利用できるかどうかだ。エージェントの振り分け基盤が問うのは、先行段階で起きたことを踏まえ、所定の規則と予算のもとで、この段階をどのモデルに担わせるべきかである。その違いは、予備タイヤと航空管制ほど大きい。

事業者固有のエージェントAPI、SDK、追加機能、安全管理は、持ち運びを難しくする。共通窓口でモデル呼び出し自体を統一できても、業務手順は特定事業者の道具の扱い方、会話状態、隔離実行環境、評価制度に依存したままになり得る。移しやすさには順序があり、まず指示文、次に道具、最後に運用履歴となる。

したがってOpenAIとAnthropicにとっては、自社APIが応用システムの標準的な作業面になるほど有利だ。モデル呼び出しを振り分けられるようになっても、深い連携によって需要をつなぎ止められる。そのため各社は共通仕様に対応しつつ、自社固有の経路をより便利にできる。

持ち運びやすさと関門支配は同じ接続口から生まれる

振り分け基盤は、複数事業者のAPI群を、持ち運び可能な処理層へ変えられる。応用システムは一つの接続口だけを指定し、その背後のモデルは振り分け基盤が切り替える。これにより買い手の交渉力が高まり、代替候補を試す運用費用が下がり、地域をまたぐ切り替えも日常的に行えるようになる。

事業者や地域をまたぐ利用の摩擦を仲介者が減らしたとき、開発者がどう動くかについて、OpenRouterは際立った証拠を示している。

この数字は米国市場全体を測ったものではない。共通の接続口によって代替候補を容易に利用できるとき、開発者がどう行動するかを示している。米国企業が足並みをそろえ、中国のモデルへトークン需要を移す戦略を発表したわけではない。個々の開発者が価格、性能、利用可否を見て判断し、共通窓口がその選択を集約した結果、戦略的に無視できない傾向が生まれた。

同じ接続口が、権限の集中する要所にもなり得る。所有者は依頼の傾向を把握し、利用可能な事業者を決め、障害時の切り替え方を定義し、監視情報を管理し、地域やデータ取扱規則を課せる。上位の応用コードも下位のモデルも変更せずに、需要の行き先を変えられる。

この立場には戦略的な関心が集まっている。OpenRouterは売却の可能性について協議し、評価額は数十億ドル規模だったと報じられている。これは5月時点で報じられた$1.3 billionの評価額を上回る。この資産の本質は、単なるAPIの取りまとめではない。処理需要を把握し、その行き先を決める力にある。

その力がどう使われるかは、所有者の事業構造で決まる。OpenRouterには、多数のモデルが競う市場を維持する利点がある。Metaの社内振り分け基盤は、Meta自身の採算を最適化する。AWS Bedrock、Google Vertex AI、Microsoft Azure AI Foundryは、それぞれの管理領域内で持ち運びやすさを提供する。中国のモデル事業者は、共通窓口によって運用上の代替が容易になるほど販路を広げられる。接続口は共通に見えても、それを支配する利害は異なる。

事業者固有の道具がある限り、振り分けは万能にならない

振り分け基盤は、価格や性能評価以外に存在するモデル間の違いまでは消せない。各事業者が提供する道具、文脈の扱い、安全対策、定型出力の保証、運用管理はそれぞれ異なる。こうした機能を前提に構築された応用システムは、機能を失わずに別モデルへ切り替えられるとは限らない。

並列振り分けにも固有の費用がある。一つの作業を複数モデルへ送れば、有用な回答を得られる可能性は高まるが、推論量が増え、採点方法も必要になる。評価役が信頼できなければ、難しい判断を生成から選別へ移したにすぎない。振り分け基盤が最適化できるのは、目的として測定した項目だけだ。

Metaの社内計画も、OpenRouterの接続仕様も、管理型クラウドの共通窓口も、普遍的な相互運用規格にはなっていない。競合する各基盤は、一般的な処理を共通化しながら、その周辺に独自拡張を残している。

振り分けによって集中がなくなるわけでもない。ある最先端モデルが、価値の高い十分な数の作業で明確に優れていれば、依頼はそこへ集中する。勝者総取りになるには、性能上の優位が、費用、応答時間、持ち運びやすさ、規則上の制約を上回るほど大きくなければならない。振り分け基盤はその境目を見えるようにするが、答えを決めるわけではない。

共通窓口が重要な地位を保てるのは、買い手に複数の有力モデルがあり、切り替えの摩擦が小さく、性能差に意味があり、処理を移す自由がある間だけだ。幅広いモデルへの利用権が失われるか、事業者固有の道具が不可欠になれば、共通窓口は障害時の代替機構へ逆戻りする。

安価な切り替えは模倣できても、説明責任を伴う判断は模倣しにくい

基本的な振り分け規則なら、どの開発チームでも複製できる。利用可能なモデルのうち最も安いものを選び、失敗すれば再試行し、難しい依頼は最先端事業者へ送ればよい。確かに有用だが、それだけでは長く主導権を保てる管理層にはならない。難しいのは、複数の制約下で判断し、その経緯を監査できる形で残すことだ。

規則を理解する振り分け基盤は、単純な価格比較では答えられない問いに対応しなければならない。その依頼は特定の管轄地域外へ出してよかったのか。選択したモデルは該当するデータ区分を処理できたのか。どの品質基準が適用されたのか。どの版のモデルが出力したのか。なぜ業務手順は人間の審査担当者を呼び出した、あるいは省いたのか。最初のモデルが失敗したとき何が起きたのか。

より築きにくい優位性は、低費用ではなく安全性を監査できることにある。自動処理された結果について、適用規則、モデル、道具、データ条件、上位判断への移行経路を再現できる能力だ。

効率指標だけでは不十分な理由は、Metaの投稿監視制度にも表れている。Metaによると、同社のAIによる投稿監視は、人間の担当者より誤りが13%少なく、違反の発見数が10%多い。一方で、InstagramとFacebookの一部利用者は、自動監視によって自分の利用資格が削除されたと訴えている。両方が同時に事実であることはあり得る。全体平均が改善していても、個々の重大な判断が正しかったか、審査可能だったか、取り消せたかは証明されない。

平均費用や平均精度だけを最適化する開発チームは、同じ失敗をさらに大きな規模で繰り返しかねない。振り分け基盤が、統計上は好成績でも特定の規則に反するモデルへ、機微な作業を送る可能性がある。審査を省いて応答時間を縮めたり、影響を受ける利用者を反映しない性能評価に基づいてモデルを選んだりする恐れもある。生成前にモデルを割り当てることで、振り分け基盤は判断の自動化を一段手前へ移している。

したがって運営者には、明示的な上位判断への移行規則、規則の適用境界、モデルの版記録、結果の反映が必要になる。普遍的に最良のモデルを探すべきではない。作業から独立して最良となるモデルは存在しない。必要なのは、一つ一つの得失を明示し、同じ条件なら再現でき、後から検証できるようにすることだ。

判断を担う層が主導権を握る

振り分け基盤は、市場を動かすためにモデルや計算資源を所有する必要はない。選択を実質的なものにするだけの有力な候補と、選択が結果を左右するだけの業務情報があればよい。そうなれば、誰が候補だったのか、いくら使ったのか、なぜ一つのモデルが選ばれたのかを記録しながら、需要の行き先を決められる。

売上高の半分を超える推論費用と、米国企業のトークン使用量に占める60%という比率は、単なる費用と地域の数字ではない。同じ変化を示している。モデル選択は一度きりの設計判断ではなく、説明責任を伴う反復的な購買になった。知能を依頼ごとに買う時代には、すべての購入理由を説明できる層が、仕組み全体の主導権を握る。