AIの利益はどこへ移る？「動くスマイルカーブ」で読む2027年の勝者

---

AIに投資するなら、最も賢いモデルに近い場所を取ればよい――2024年まで、市場はそう見えていた。

OpenAIやAnthropicは知能を作り、NVIDIAは計算能力を売り、クラウドはそれを企業へ届ける。どこに立っていても、AIの波に乗れば勝者になれるように見えた。

ところがDeepSeek、Qwen、Kimiが「十分に賢い知能」の価格を急速に下げた。それでもモデル企業の売上は伸び、AIインフラへの投資も止まらない。ではなぜ、モデルは安くなるのに、AIへの投資は止まらないのか。

この矛盾を解く鍵が、利益の居場所を固定しない「動くスマイルカーブ」である。

スマイルカーブとは何か――そして、なぜAIでは動くのか

スマイルカーブは利益の自然法則ではなく、どの工程が価格決定力を持つかを見る経営上の比喩である。

スマイルカーブは、Acer創業者の施振榮（スタン・シー）氏が1992年の企業改革で示した経営メタファーです。横軸に研究開発から製造、販売・サービスまでの工程、縦軸に付加価値を置くと、研究開発・設計とブランド・販売が高く、組立・製造が低いU字型になります。本質は工程名ではなく、模倣されにくい設計や顧客接点には価格決定力があり、標準化された工程には価格競争が起きることです。

ただし、スマイルカーブは査読付き研究によって確立された普遍法則ではありません。産業や評価指標によってはU字が確認されず、粗利率では両端が高くても、研究開発費や販売費を含むROA・ROEでは差が縮む場合があります。したがって、これは「どこが必ず儲かるか」を示す図ではなく、いま何が代替されにくく、誰がその価値を利益として回収できるかを考えるための道具です。クリステンセンらの言葉を借りれば、コモディティ化によって消えた利益機会が、次にどの工程へ現れるかを見る図ともいえます。

AI版では、その希少性が数年どころか数カ月単位で移る。だから一枚の静止画ではなく、時間とともに形を変える動画として見る必要があります。

2017年から始まった「全員が勝者」に見える時代

Transformerは新しい製品だけでなく、半導体、クラウド、検索、業務ソフトの価値基準まで変えた。

2017年の論文「Attention Is All You Need」が示したTransformerは、OpenAI、Anthropic、Googleなどが大規模言語モデルを発展させる土台になりました。ChatGPT以後、モデルは文章生成ツールを超え、検索、コーディング、分析、顧客対応を再設計しうる汎用技術として認識されます。

この初期局面では、需要の伸びが供給を上回りました。最先端モデルは少数企業に集中し、高性能GPUは不足し、企業はAIを導入しないリスクを恐れました。そのためモデル企業だけでなく、NVIDIA、Micron、クラウド、データセンター、ネットワーク、SIまで期待を集めます。市場の潮位が急上昇し、カーブ全体が持ち上がったように見えたのです。

しかし、各社が同じ理由で強かったわけではありません。NVIDIAはGPUだけでなくCUDAとネットワークを含む計算基盤を握り、MicrosoftやAWSは電力・データセンター・法人契約・セキュリティを束ねました。OpenAIやAnthropicは、最先端能力と将来の改善可能性を提供しました。全員が高付加価値だったのではなく、それぞれが別の希少資源を握っていたのです。市場全体の構造は、AIインフラ市場2026でも整理しています。

だが、希少なものが増えた市場は、永遠に全員を勝者にしません。次に崩れたのは、最も高く売れていた「知能そのもの」の値札でした。

DeepSeek以後、標準的な知能の値札が下がった

DeepSeek、Qwen、Moonshot AIのKimi系モデルが突きつけたのは、知能そのものの消滅ではなく、「十分に賢い知能」の価格低下である。

QwenはDeepSeek以前から存在しましたが、2025年1月のDeepSeek-R1は市場の認識を大きく変えました。オープンウェイト、蒸留、MoE、推論最適化が広がり、その後もQwenやKimiなどが性能・価格・利用条件を競っています。企業は一社のAPIに固定せず、難しい推論は高性能モデル、定型処理は小型・低価格モデルという使い分けが可能になりました。

ここで沈むのは、フロンティア研究そのものではありません。要約、分類、一般的なチャット、標準的なコード生成など、複数モデルで代替できる「標準知能」です。価値は高くても、供給者が増え、切り替えが容易になれば価格決定力は弱まります。モデル比較の現在地は、主要AIモデル比較で確認できます。

蒸留は「盗用」なのか

高価なモデルの出力で別モデルを学習させ、低価格で提供すれば、研究開発費を負担した企業が回収できなくなる――この懸念には合理性があります。優れた製品の知識を無断で抽出し、同等品を販売できるなら、次の研究へ投資する誘因は弱まるからです。経済学的には、革新から生じた利益を開発者がどこまで回収できるかという「専有可能性」の問題です。

ただし、蒸留そのものを盗用と同一視してはいけません。自社モデル、許諾済みモデル、公開条件に沿ったモデルからの蒸留は正当な技術です。争点は、利用規約、出力の取得方法、著作権、営業秘密、アクセス制御に反して能力を抽出したかどうかにあります。

価格競争は利用者に恩恵をもたらす一方、次世代の研究原資を圧迫する可能性がある。この緊張が、AI市場を単純な「安いほど善い」で説明できない理由です。

「価値を生む」と「利益を残す」は別である

ここで、スマイルカーブの縦軸を何で測るかが問題になります。利用者の生産性を大きく高めるモデルは、社会的にも事業的にも高い価値を生みます。しかし、その価値が開発企業の利益になるとは限りません。競合が短期間で追いつき、API価格が下がり、顧客が容易に切り替えられるなら、価値の多くは利用企業や下流のサービスへ移ります。

反対に、製品そのものの革新性が目立たなくても、供給制約、標準規格、顧客データ、販売網、契約関係を握る企業は利益を残せます。したがってAI市場を読むときは、少なくとも価値創出、売上成長、利益回収、将来投資を分けて見る必要があります。

• 価値創出：顧客や社会にどれだけ大きな便益を生んだか
• 売上獲得：その便益の対価を契約や利用料として受け取れたか
• 利益回収：計算費、研究費、販売費、資本コストを引いて利益が残ったか
• 再投資能力：残った資金を次世代モデルや新市場へ回せるか

OpenAIやAnthropicが生む付加価値は小さくありません。むしろ大きいからこそ利用量と売上が伸びています。問題は、その価値を安価な競合やクラウド、顧客企業と分け合った後、次の研究を賄えるだけの利益が残るかです。AI版スマイルカーブの谷とは、価値がない場所ではなく、価値を自社利益として回収しにくい場所である。この違いが、本記事で最も重要な補助線です。

では、知能の値札が下がるなら、それを動かすGPU、電力、データセンターの価値まで下がるのだろうか。むしろここから、AI市場で最も逆説的な動きが始まる。

モデルが安くなるほど、AIインフラは不要になるのか

知能の単価が下がると利用量が増え、GPU、メモリ、ネットワーク、電力への需要はむしろ膨らみうる。

低価格モデルはインフラ企業にとって必ずしも逆風ではありません。1回の推論が安くなれば、常時稼働するエージェント、動画、ロボティクス、科学計算など、従来は採算が合わなかった用途が増えます。単価の下落以上に利用量が伸びれば、総計算需要は増加します。いわゆるジェボンズのパラドックス、すなわち技術効率の向上が需要を拡大させ、結果として総資源消費が増える現象に近い構造です。

一方、「AIインフラなら何でも高収益」でもありません。NVIDIAのように技術標準と供給制約を握る企業と、借入で設備を増やすデータセンター事業者では、価値の回収力が違います。

表：同じAI需要なのになぜNVIDIAとCoreWeaveで利益が違うのか（2026/8公表値）

企業	需要を捉える位置	主な公表値	読み方
NVIDIA	GPU・ネットワーク・CUDA	FY2027 Q1売上816億ドル、GAAP粗利率74.9%	標準と希少供給を握り、高い価値回収力を持つ
CoreWeave	AI特化クラウド	Q2売上25.75億ドル、受注残約1,040億ドル、調整後EBITDA率59%、純損失6.26億ドル	需要と償却・利息前の収益力は強い。先行投資を利益と現金へ変えられるかが焦点
※出典：NVIDIA FY2027 Q1（2026年5月20日発表）、CoreWeave 2026年Q2決算（2026年8月11日発表）。会計期間・事業構造が異なるため、規模の単純比較ではなく価値回収構造の例として掲載。

MicronのHBM、先端パッケージ、光通信、冷却、発電・送電も同じです。従来のスマイルカーブで低付加価値と見なされがちだった「製造」でも、代替困難なボトルネックになれば谷から山へ移ります。

しかしCoreWeaveは、AIインフラ企業が利益を残せないことを示す失敗例ではありません。2026年Q2の売上は前年同期比112％増の25.75億ドル、受注残は約1,040億ドル、調整後EBITDAは15.10億ドル、マージン59％でした。AI需要を獲得し、設備償却と利息の負担前に厚い収益を生む力は示しています。

一方、その需要を売上と現金へ変えるには、GPU、建屋、電力を顧客利用に先立って確保する必要があります。Q2の純支払利息6.40億ドルは、純損失6.26億ドルを上回りました。争点は需要の有無ではなく、巨大な需要を、設備の立ち上げ遅延や資本コストに負けず、持続的な利益とキャッシュフローへ変換できるかです。

AIインフラのカーブには、技術希少性の山と資本コストの谷が同居しています。NVIDIAは技術標準と供給制約を握り、CoreWeaveは巨大需要を支える設備と資金を先に確保します。CoreWeaveは谷に沈んだ企業ではなく、需要の山と資本コストの谷を同時に走る企業です。その技術と資本の両面は、CoreWeaveの強み・将来性・リスク分析で詳しく解説しています。

OpenAIとAnthropicは、なぜ高コスト構造でも成長できるのか

顧客は今日のトークンだけでなく、次世代能力、安全性、業務変革へ接続できる将来の選択肢にも払っている。

OpenAIやAnthropicの売上成長を、AGIやASIという物語だけで説明するのは不十分です。顧客は現在の推論・コーディング能力、モデル更新、セキュリティ、管理機能、エコシステムに対価を払っています。同時に投資家は、次の能力飛躍を最初に商用化できる可能性へ資金を供給します。ここでは売上、利益、資金調達、企業価値を混同しないことが重要です。価値を生んでいても、研究費と計算費がそれ以上なら利益は残りません。

価格破壊は、次のモデルを生む循環を止めるのか

フロンティアモデル開発には、研究者、学習データ、評価、安全性検証、巨大な計算資源が必要です。通常なら、高性能モデルを販売し、得た利益を次世代モデルへ再投資する循環が理想です。しかし、完成直後から蒸留や模倣、価格競争が始まれば、開発企業は投資回収前に単価低下へ直面します。

この状態が続くと、研究を支える資金は静かに姿を変えていきます。クラウドや半導体企業からの戦略投資、AGIや自動研究への期待を織り込んだ資本調達、そしてエンタープライズ、コーディング、業界特化サービスが生む下流収益――気づけば、モデル単体の売上だけが頼りではなくなっているのです。モデル企業が周辺事業へ進むのは、単なる多角化ではありません。コモディティ化する知能から研究原資を守るための防衛線でもあります。

一方、低価格モデルを排除すればよいわけでもありません。競争は利用価格を下げ、研究成果を広く社会へ届け、新しいアプリケーションを生みます。必要なのは、競争を止めることではなく、正当な利用と不正な能力抽出を区別し、研究への投資が回収できるライセンス、契約、技術的保護、収益モデルを作ることです。

OpenAI――研究へ退くのではなく、研究と顧客接点をつなぐ

OpenAIは研究専業へ退くのではなく、研究成果を企業の業務へ届ける経路も広げています。Codex、エンタープライズ、ヘルスケアなどへの展開に加え、Deployment Companyの設立は、モデルを提供するだけでは企業変革が完結しないという認識の表れだと、Arpable編集部では捉えています。

つまりOpenAIは、左端のフロンティア研究と右端のChatGPT・企業導入をつなぐ垂直統合を試みています。研究と、研究原資を生む顧客接点を同時に広げる動きと見る方が正確です。

Anthropic――安全性を、エージェント事業の販売条件へ変える

Anthropicもモデル研究を止めたわけではありません。Constitutional AI、解釈可能性、リスク評価を中核に残しながら、Claude Code、企業向けエージェント、Microsoft 365連携、業界別ソリューションへ広げています。

両社の差は、研究か事業かという二者択一ではありません。OpenAIは巨大な消費者接点と研究を軸に広く試し、選択と集中を進める。Anthropicは安全性とコーディングを入口に、企業の仕事を実行する層へ比較的絞って伸ばす。どちらもモデル単体の谷から、研究の最前線と業務実装の両端へ橋を架けている。

フロンティア企業が研究と顧客接点の両方を求める理由はここにあります。しかし、顧客の仕事に最も深く入り込むのは、必ずしもモデル企業とは限りません。

知能を企業成果へ変える「3つの顧客接点」

知能が安くなるほど、企業データ、権限、現場の判断、導入責任を握るプラットフォームの価値が上がる。

下流の高収益を単なる「販売」と捉えると、AI市場を見誤ります。企業が買うのは回答ではなく、売上増加、コスト削減、リスク低下という成果です。そのためにはモデルをデータへ接続し、アクセス権を守り、現場で使える形にし、誤作動時の責任を定めなければなりません。

表：企業成果を握る3種類の顧客接点

企業	握る接点	強さの根源	モデルが安くなる効果
Microsoft	日常業務・ID・配布	Microsoft 365、Azure、企業契約	既存の仕事画面へAIを低摩擦で配れる
Databricks	データ・AI開発・ガバナンス	企業データ、リネージ、権限、評価の統合	モデルを替えても企業データの制御面が残る
Palantir	現場判断・実行	OntologyとFDEによる業務文脈の実装	安い知能を現実の意思決定へ変換できる

Databricksの重要性は、特定LLMを独占することではありません。Unity Catalogのような統合ガバナンスを通じて、データとAI資産の権限、監査、リネージを管理します。モデルが入れ替わっても企業データと統制は残るため、モデル選択の上位に位置できます。詳しくはDatabricksのAIデータ基盤をご覧ください。

Palantirが注目される根底も、単にLLMを搭載したからではありません。Ontologyで企業の人・設備・契約・意思決定を意味のある対象として表現し、FDE（Forward Deployed Engineer）が顧客現場へ入り、例外だらけの仕事を実装へ落とします。顧客接点とは営業窓口の数ではなく、顧客の意思決定へどれだけ深く組み込まれているかです。OntologyとFDEの関係は、Palantirの現場実装モデルで解説しています。

「SaaSは死んだ」の正体――消えるのは座席課金の前提

すべてのSaaSが消えるのではない。画面、機能、席数だけを価値とする汎用SaaSが、AIに吸収されやすくなる。

「SaaSは死んだ」という論調には、重要な真実があります。AIエージェントが複数アプリを横断し、人の代わりに操作するなら、利用者数に比例して課金するシートモデルは弱くなります。顧客は十個の画面を使い分けるより、一つのエージェントへ目的を伝え、裏側の機能を呼び出したいからです。

特に危ういのは、薄いUIと標準的なワークフローしか持たない、いわば「画面を貸し出すだけのSaaS」です。AI機能を追加して一時的に単価を引き上げても、上位のエージェントから呼び出される一機能になれば、ブランドと顧客への課金接点は次第に弱まります。

一方、記録の正本、独自データ、権限、規制対応、決済、深い業務フローを握るSaaSは残ります。ただし姿は変わります。人が画面を操作するソフトウェアから、エージェントが安全に仕事を実行する制御基盤へ移るのです。シート課金の圧縮はAIエージェントによるSeat Compression、その後の事業モデルはポストSaaS時代の3つのモデルで詳しく論じています。

2027年以降、「動くスマイルカーブ」はどこへ向かうか

未来を決めるのは固定された勝者ではなく、次の希少性を先に作り、標準化される前に回収する能力である。

ここからは確定事実ではなく、2026年8月までの動向から導くシナリオです。カーブは一つのU字に収束せず、用途ごとに複数の山と谷を作る可能性が高いでしょう。

表：2027年以降の動くスマイルカーブ――3つのシナリオ

シナリオ	谷になる領域	山になる領域	転換を示す指標
標準知能の基礎投入財化	汎用API、基本チャット、単純RAG	計算効率、独自データ、評価・監査	性能差、API単価、モデル切替率
エージェント経済	画面中心の汎用SaaS、単純受託作業	権限、実行環境、保証、FDE	自律完了率、事故率、成果課金比率
フロンティア再上昇	旧世代モデル、模倣可能な機能	科学、ロボティクス、自動研究など新能力	研究成果、実収益、計算費の回収期間
※Arpable編集部によるシナリオ。企業業績や株価を予測するものではなく、規制、技術進歩、資本コストにより変化します。

第一に、標準知能は電気やクラウドのような基礎投入物へ近づきます。第二に、エージェントが回答から実行へ進むほど、データ、ID、権限、決済、監査、保険、責任分界が新しいボトルネックになります。第三に、フロンティア研究が科学発見やロボティクスで明確な能力差を生めば、沈んだモデル層の左端に再び高い山が立ちます。

つまり「モデルはコモディティになる」も「最先端モデルは高価値であり続ける」も、同時に成立します。標準知能は安くなり、未知の能力はプレミアムを持つ。昨日のフロンティアが明日の標準品になり、その利益が次の希少性へ移る。この移動こそが、動くスマイルカーブです。

モデル層は一つの谷ではなく、二つに裂ける

2027年以降、基盤モデル層全体が沈むと考えるのは早計です。むしろ内部で、安価な標準知能と、高価なフロンティア能力へ二極化する可能性があります。

標準知能側では、要約、検索補助、定型コード、一般的な文書処理が低価格化し、複数モデルを切り替えるルーターが普及します。ここではブランドより、価格、速度、データ所在地、運用安定性が選択基準になります。提供企業が得る利益率は下がっても、利用量は大きく伸びるでしょう。

フロンティア側では、未知の科学的発見、長時間の自律研究、複雑なソフトウェア開発、ロボットによる現実世界の実行など、標準モデルでは完遂できない能力にプレミアムが残ります。ただし高価格を維持するには、ベンチマークの数点差では足りません。顧客が測定できる成果、信頼性、安全性、時間短縮として能力差を証明する必要があります。

そしてフロンティア能力も、成功すればやがて蒸留・最適化され、標準知能側へ落ちていきます。モデル企業は止まった山を守るのではなく、新しい山を作り続けなければならない。その速度に研究資金の回収が追いつくかが、OpenAIやAnthropicだけでなくAI産業全体の持続性を左右します。

この分岐はモデル企業だけの話ではありません。すべての企業が、「安くなる知能」に依存する側になるのか、「安くなっても残る資産」を持つ側になるのかを問われます。

企業は何を持ち、何を借りるべきか

モデルを所有することより、モデルが替わっても残るデータ、評価基準、顧客関係、実行権限を持つべきである。

ここで自社に問いを返してください。いま構築しているAIの価値は、次のモデルが半額になっても残るでしょうか。残らないなら、その事業はすでにカーブの谷へ向かっています。

• 借りるもの：汎用モデル、標準的な推論基盤、代替可能なツール
• 持つもの：独自データ、顧客との契約関係、評価指標、ワークフロー、権限設計
• 磨くもの：AIの出力を現場成果へ変える導入力、例外処理、説明責任

日本企業にとって最大のリスクは、国産LLMを持たないことだけではありません。海外モデルを導入しながら、自社のデータ、判断基準、顧客接点まで外部サービスへ明け渡すことです。モデルは複数社から選べても、失った業務知識と顧客信頼は簡単には戻りません。

投資判断の中心を「どのモデルが一番賢いか」から、「モデルが替わっても自社に何が蓄積するか」へ移す。これが動くカーブに振り落とされない実務原則です。

一次情報からどこまで言えるか

価格低下、インフラ需要、企業実装の深化は確認できるが、2027年の勝者は条件付きの見立てである。

DeepSeekとQwenの公開情報は、オープンウェイトと効率化がモデル選択を広げたことを示します。NVIDIAとCoreWeaveの決算は、AIインフラ需要の強さと、同じ需要を得ても利益構造が異なることを示します。DatabricksとPalantirの公式資料は、データ統制と現場実行が独立した価値層になっていることを裏付けます。

一方、「標準知能が基礎的な投入資源に近づく」「FDEやガバナンスが2027年の利益の山になる」という部分は、本記事の分析です。規制によるモデル囲い込み、推論技術の飛躍、電力価格、AI事故、企業の内製化が進めば形は変わります。したがって、企業名ではなく希少性・代替可能性・顧客成果への距離という指標を追う必要があります。

もう一つ追うべきなのが、生み出した価値を次の研究へ戻せるかです。売上が伸びていても、推論費と研究費がそれ以上に膨らめば循環は続きません。反対に、高い利益を得るインフラ企業や下流プラットフォームがモデル研究へ再投資すれば、利益の山と革新の起点が再び接続します。2027年の競争は、単年度のモデル性能ではなく、この再投資循環を誰が設計できるかという競争でもあります。

まとめ――AIの勝者は「次に安くならないもの」を握る

2027年の勝者を読む最良の方法は、今日の売上順位ではなく、次の希少性がどこへ移るかを見ることである。

冒頭で見た「全員が勝者に見える市場」は、幻想だったわけではありません。当時はGPU、クラウド、最先端モデルのすべてが希少だったからです。

しかし、その希少性は固定されません。DeepSeek以後、標準知能の価格が下がると、利益は消えるのではなく、物理インフラ、フロンティア研究、企業データ、業務実装、責任ある顧客接点へ再配分され始めました。

OpenAIとAnthropicはモデル企業から研究と実装をつなぐ企業へ動き、Microsoftは配布、Databricksはデータ統制、PalantirはFDEとOntologyによる現場実行を握ろうとしています。SaaSも、席と画面を売るだけなら沈みますが、記録・権限・実行を握れば新しい山になれます。

ここで重要なのは、最も大きな付加価値を生んだ企業が、そのまま最大の利益を得るとは限らないことです。研究成果が急速に標準化されれば価値は利用者と下流へ移り、インフラ需要が増えても資本コストが重ければ利益は残りません。勝者に必要なのは、革新だけでなく、価値を回収し、次の革新へ戻す循環です。

知能は安くなる。しかし、知能を動かす物理基盤、企業独自のデータ、例外だらけの現場文脈、そして結果への責任は、簡単には安くならない。

スマイルカーブが動くたび、利益は次の希少性へ移ります。2027年の勝者とは、現在の山に立つ企業ではありません。次に安くならないものを、すでに積み上げ始めている企業です。

あなたの会社がいま積み上げているものは、次のモデルが半額になっても残るでしょうか。

専門用語まとめ

スマイルカーブ

バリューチェーンの上流と下流で付加価値が高く、中流で低いU字型になるという経営メタファー。

オープンウェイト

学習済みモデルの重みを利用可能にした形態。ソースコード、学習データ、ライセンスまで完全にオープンとは限りません。

蒸留（Distillation）

大きな教師モデルの出力や振る舞いを用いて、より小さなモデルへ能力を移す学習手法。

FDE（Forward Deployed Engineer）

顧客の現場に深く入り、プロダクトやデータ基盤を実際の業務へ実装する技術者・役割。企業によって担当範囲は異なりますが、要件整理、実装、運用定着まで関わることがあります。

参考文献 / 出典

次に読むならこの3本

補足Q&A

Q1.AI業界の「動くスマイルカーブ」とは何ですか？

A1.利益が特定の工程に固定されず、その時点で代替しにくい希少資源へ高速に移る構造です。モデル、計算資源、データ、顧客接点のどこが希少かによってカーブが変形します。

Q2.生成AIでSaaSはなくなりますか？

A2.すべてはなくなりませんが、席数と画面だけを価値にする汎用SaaSは厳しくなります。独自データ、記録、権限、規制対応、深い業務フローを握る企業は、エージェントの制御基盤へ進化できます。

Q3.2027年のAI市場では、どの企業が勝ちますか？

A3.企業名を断定するより、次に安くならない資源を握る企業を見るべきです。計算基盤、独自データ、権限、顧客関係、現場実装、説明責任が有力な判断軸です。

更新履歴