Anthropicの2GW投資、競争優位の源泉を基盤層へ

Anthropicは、2027年から最大2GWのAMD MI450供給枠を購入すると約束した。投資家向け資料によると、AnthropicとOpenAIはいずれも推論費用が売上高の半分を超える。API事業が拡大するほど、その裏側にある設備へ流れ込む資金も増えていく。

API顧客は売上をもたらす一方、利用のたびに推論費用も発生させる。その費用が急速に膨らめば、モデルの性能が上がっても採算は悪化しかねない。Anthropicには、顧客が利用するモデルだけでなく、それを動かす仕組み全体の改善が必要だ。

能力の低価格化で、競争の主戦場は推論提供基盤へ

その構図を端的に示すのがClaude Opus 5だ。Anthropicによると、同モデルはFable 5に近い性能を半額で実現し、Claude Maxの標準モデルに採用された。最先端に近いモデルであれば、顧客が重視する能力をほとんど損なわず、最先端モデルより低い料金を打ち出せる。

AnthropicはOpus 5を入力トークン100万個当たり$5、出力トークン100万個当たり$25に設定した。料金はOpus 4.8と同じだが、同程度の作業に必要なトークン数は少ないとしている。トークン数の削減、指示文の再利用、道具利用の改善により、作業完了までに必要な有料設備を減らせる。

推論費用は固定的な研究費ではなく、利用量に応じて増える。投資家向け資料では、AnthropicとOpenAIの双方で推論費用が売上高の半分を超えたと報告された。変動費が売上高の半分を上回る状況で値下げするなら、それに見合う効率向上か利益率の低下、またはその両方が避けられない。

GoogleのGemma 3やCohereのCommand Aなどの公開モデルは、追加処理にかかる費用と売上原価の重要性を改めて浮き彫りにした。十分な能力を持つ代替モデルがあれば、高価格の提供モデルは、信頼性、既存業務との連携、統制、作業全体の採算によって価格差を正当化しなければならない。

利用企業はまず、同じ答えをより安く得るために低価格の推論を使う。その後、価格低下を前提に用途そのものを作り替え、扱う文脈を広げ、モデルの呼び出し回数を増やし、より長い作業工程を任せるようになる。トークン単価が下がれば採算の合う用途が増え、効率的な基盤への需要も拡大する。

単価下落は需要を押し上げる一方、推論提供事業の脆弱な採算を露呈させる。効率改善分をすべて顧客へ還元する事業者は、成長率こそ高くても、半導体企業の売上を運ぶだけの存在になりかねない。逆に価格を維持すれば、仕事は安価な代替手段へ流れる。企業顧客は、定型業務を安価なモデルへ振り分け、失敗時や重要度の高い仕事だけに高価格モデルを使い、表示料金ではなく完了した作業当たりの費用を交渉基準とするようになる。

Anthropicは費用構造を変える選択肢を買っている

Anthropicが自社半導体の開発に使うメモリーをSK Hynixへ求めたことは、より広範な調達戦略の一部だ。同社は2027年前半から最大2GWのAMD MI450供給枠を購入すると約束しており、AMDも別途、Anthropicへ最大$5 billionを投資すると表明している。

2つの動きは、それぞれ異なる危険に備えるものだ。Anthropicは専用半導体の可能性を探りながら、将来の供給枠を確保し、調達先を分散し、交渉力を高められる。AMDとの契約後も外部の演算装置に大きく依存する点は変わらないが、取引条件に影響を及ぼせるほどの規模にはなる。

Anthropicは設備確保の経路も広げている。同社と提携し、AIデータセンター建設を支援するFluidstackは、$7.5 billionの評価額で$830 millionを調達した。AmazonによるAnthropicへの累計投資額は2024年に$8 billionへ達した。大手クラウド事業者の資金、新興計算基盤事業者による開発、演算装置の供給枠、メモリー供給を巡る協議により、AnthropicはAPIを支える基盤へ至る複数の経路を確保している。

Anthropicは、大規模な設備を自ら保有する前から、契約、仕様、割当権、提携先間の競争を使って費用構造に影響を及ぼそうとしている。問われるのは、トークン追加処理費用を決める部品の価格、供給量、構成をどこまで動かせるかだ。

演算装置の供給を確保しても、HBMがモデル事業者の制約になる場合がある。SamsungやMicronとの競争が続くなか、SK Hynixは市場の52%超を握っていた。十分な広帯域メモリーを備えない演算装置は、処理能力として使えない。最大手との関係は、独自の演算装置が製品化されるかどうかにかかわらず、Anthropicに供給の見通しと設計面での発言力を与える。

Anthropic独自の半導体には、設計、プログラム、実装、製造、導入の各段階でなお危険が残る。同社はメモリー供給者との関係を、外部設計のシステムに生かしたり、演算装置の提携先に対する立場を強めたりする可能性もある。供給者が集中し、利用可能な構成や利益率を左右する市場では、この選択肢自体に価値がある。

モデル開発企業は実際の処理特性を起点に一体設計を進める

モデル開発企業は、文脈の使われ方、注意機構の挙動、量子化への許容度、保存内容の再利用、道具呼び出しの構造、処理量の要件といった実際の仕事に関する知見を提供することで、基盤層との一体化を進める。半導体の提携先は、そうした要件を演算装置、メモリー構成、実装、通信網、機器棚へ落とし込む。

隣接する最も明確な事例はOpenAIとBroadcomだ。両社は、大規模言語モデルの推論に特化した半導体Jalapeñoを、設計から製造開始に必要な最終設計確定まで9か月で開発した。初期試験では、消費電力当たりの性能が現行最高水準を上回ったとされる。両社の戦略的な強みは、特定処理への知見が陳腐化する前に、それを半導体へ落とし込める点にあった。

専用半導体は、それでもAI半導体売上の推定70%を占めるNvidiaを乗り越えなければならない。成熟した開発環境、幅広い互換性、開発者の習熟、すでに稼働している設備は、半導体単体の理論上の優位を上回り得る。処理の割り当てが難しく、推論提供の仕組みに十分対応していない専用演算装置は、システム全体の重要性を示す高価な実証品になってしまう。

Anthropicは、専用化を正当化できるだけの量と予測可能性を持つ処理に共同設計を絞れる。削減額は、開発費、実行上の危険、失われる柔軟性を上回らなければならない。その基準を下回れば汎用品が有利であり、上回ればAnthropicは不要になった汎用性のために継続的な割増費用を払うことになる。

半導体の性能をAPIの利益へ変えるのは推論提供の仕組み

API事業が半導体の費用削減効果を取り込めるのは、その効果がモデル構成、演算処理、量子化、再利用、まとめ処理、振り分け、処理順制御、障害復旧を経ても残る場合に限られる。稼働率が下がり、要求の待ち時間が不安定になり、同じ仕事の完了により多くのトークンが必要になるなら、半導体が高速でも経済的価値は乏しい。

Opus 5が、少ないトークン数と、指示文を再利用しやすい道具利用を重視しているのは、まさにこの層を意識したものだ。有用な単位は完了した作業である。同程度の仕事を少ない生成トークンで終えられるモデルは、表示料金が同じでも実質的に安い。さらに、保存済み文脈の再利用と、同時処理しやすい要求の組み合わせにより、トークン処理に必要な設備も減らせる。

公開推論基盤vLLMの開発者が、その事業化を目的に設立したInferactは、$800 millionの評価額で$150 millionの創業初期資金を調達した。OpenAIの技術者は、推論費用を半分未満に削減する方法を見つけたとも報じられている。推論基盤への大型資金調達と、モデル開発企業による50%超の費用削減は、推論提供の仕組みがモデル設計と同じ戦略的重要性を持つことを示す。

自律的に仕事を進める用途では、この動機がさらに強まる。人が回答を待つ対話型用途では応答の速さが最優先される。より長い自律作業では、処理量、処理順の柔軟性、再試行の挙動、作業全体の費用が重くなる。どの仕事なら多少の即時性を犠牲にできるかを推論提供側が把握していれば、その代わりに設備稼働率を高められる。

事業者が最適化すべきなのは、有用な作業1件当たりの費用だ。モデル、演算装置、データセンターは投入要素にすぎない。商業上の成果は、コードの変更、調査資料の取りまとめ、道具を順に動かす処理、複雑な業務工程などを確実に完了することにある。トークンだけを測る事業者は料金計を最適化する。システム全体を制御する事業者は仕事そのものを最適化できる。

基盤の掌握は利益率を高める一方、投資収益を損なう恐れもある

基盤層へ踏み込むことで、Anthropicは供給者への依存を減らす代わりに、資本負担と稼働率低下の危険を引き受ける。長期の供給枠契約は、需要が想定どおり発生すれば供給を確保し、単位費用を下げられる。一方、需要予測を誤れば、何年にもわたる固定負担へ変わる。

専用半導体の開発にも同じ得失がある。専用化は消費電力当たりの性能を高め、最大手の供給者への依存を減らせる。その一方で、モデル構成が変わる、製造が遅れる、プログラム側が装置に対応できないといった事態が起きれば、開発成果が使えなくなる。確保済みのメモリーも、演算装置、通信網、電力、顧客需要がそろわなければ価値を生まない。

Anthropicには高い調整力が求められる。モデル公開、トークン効率、演算装置の供給、HBMの確保、データセンターの完成、顧客需要を緊密に合わせ、高価な設備を稼働させ続けなければならない。設備はモデルと顧客が使える時期に届く必要があり、推論提供の仕組みは作業の完了品質を損なわずに稼働率を維持しなければならない。

2GW規模のAMD供給枠確保により、稼働率は経営上の中心課題となる。確保した設備が順次稼働するなか、Anthropicはどれだけの有料処理をそこへ振り向けられるのか。調達条件の改善が単位採算の向上につながるのは、設備供給と顧客需要を一致させられる場合だけだ。

モデル供給を制限しても代替の動きは止められない

非公開モデルの事業者は、代替手段への接触や複製を制限することで、提供価格を守ることもできる。AnthropicとOpenAIは、中国の公開モデルに対する規制を巡ってWashingtonへ働きかけ、提案を巡り他の技術企業と対立したと報じられている。OpenAI、Anthropic、GoogleはFrontier Model Forumを通じ、利用条件に違反する敵対的な蒸留の試みを検知するための情報も共有している。

こうした措置は、利用のしやすさ、法令対応費用、特定モデルの複製しやすさには影響を与えられる。それでも、推論提供費用を巡る競争は続く。DeepInfraはすでに190を超える公開モデルに対応しており、推論基盤は幅広いモデルを流通させる経路になっている。GoogleのGemma 3とCohereのCommand Aは、Nvidia H100sを1基または2基使えば動かせると報じられ、有力な代替モデルを動かすための設備要件を引き下げた。

政策によって競争相手の範囲が狭まっても、その範囲内で顧客は価格と性能を比較し続ける。非公開モデルの事業者は、採算、信頼性、連携性、統制の優位によって割高な料金を正当化しなければならない。蒸留対策が守るのはモデルという成果物であり、効率的な供給体制が守るのはその採算性だ。

Anthropicによる2GWの供給枠確保は、推論費用が売上高の半分を超える状況から直接導かれた。顧客を獲得するのはAPIでも、その顧客がどれだけの利益を生むかは、メモリーの割当、演算装置の契約条件、推論提供の仕組みで決まる。持続的な優位を生むのは、モデル自体が希少でなくなった後も、変化し続けるモデルを低い追加費用で確実な仕事へ変えられるシステムである。