AIモデルは「一番」を選ぶものではなくなった
イープライズでは現在、開発で使用するAIモデルを見直し、ClaudeやChatGPTから、GLM 5.2とKimi K3の組み合わせをメインに切り替えています。
ここで少し補足しておきたいのですが、この2つは実は性格の異なるモデルです。GLM 5.2は中国のZhipu AI（Z.ai）が開発したモデル、Kimi K3も同じく中国のMoonshot AIが開発したモデルです。Kimi K3は、2.8兆パラメータのオープンウェイトモデルとして登場し、既存の高性能・高コストなフロンティアモデル（Claude Opus 4.8など）に対して「実務で十分、あるいはそれ以上に通用する能力を、大幅に低いコストで提供する」ことを明確に打ち出しています。価格面では、Kimi K3が入力100万トークンあたり3ドル（キャッシュヒット時0.30ドル）・出力15ドルであるのに対し、Claude Opus 4.8は入力5ドル・出力25ドルとされており、出力単価で見ても6割程度の水準に抑えられています。
性能面では「最上位モデルに一歩譲る」とひとくくりにできるほど単純ではなく、ベンチマークによって傾向が分かれます。独立機関Artificial Analysisの評価では、Kimi K3は総合スコアで主要フロンティアモデルの中で4位につけ、Claude Opus 4.8を上回る結果が報告されています。一方で、実務のコード修正力など一部の指標では最上位モデルにわずかに及ばない場面もあります。特に注目されているのがフロントエンド開発の実力で、ブラインドテストによる評価であるFrontend Code Arenaではトップの座を獲得しました。つまり、タスクの種類によっては最上位モデルと同等以上の実力を見せる場面もあり、特にエージェント的な用途・コーディング作業ではKimi K3の強みが際立つ、というのが実態に近いといえます。
そして重要なのは、こうした「性能はやや抑えつつ、コストを大きく下げる」モデルは、Kimi K3に限った話ではないということです。OpenAIやAnthropicをはじめとする各社も、同様の狙いを持ったモデルを続々と投入してきています。つまりこれは、特定の1社の戦略ではなく、業界全体で起きている潮流だと捉えるべきでしょう。
そしてGLM 5.2も、Kimi K3と同じくこの潮流の中に位置づけられるモデルです。次章で触れる通り、中国発のモデルはオープンウェイト化と圧倒的な低価格を武器に、世界的な利用シェアを急速に伸ばしています。GLM 5.2とKimi K3はともに「米国発フロンティアモデルへの、低コストかつ高性能な代替」という、共通の切り口を持つ動きだといえるでしょう。
こう聞くと、「性能が落ちるのでは」「中国製で大丈夫なのか」と感じる方もいらっしゃるかもしれません。しかし実際に使ってみると、トップモデルと遜色ない、あるいはタスクによってはそれ以上の品質を感じる場面が少なくありませんでした。そして何より、この動きは私たちだけのものではありません。今、米国の企業でも、コスト高騰を理由に低価格モデルや中国発のモデルへ移行する流れが急速に広がっています。
今回は、なぜこのような見直しが起きているのか、そしてAIモデルの選定において本当に重要な視点は何かについて、イープライズの過去記事でも繰り返し取り上げてきたコストの問題とあわせて整理してみたいと思います。
「高性能・高コスト」に対抗する、もう一つの潮流
まず押さえておきたいのは、Kimi K3のような「タスクによっては最上位モデルを上回る場面もあり、全体としても十分な性能を低コストで提供する」モデルが、業界全体のトレンドになりつつあるという点です。
この背景には、AIの活用が「実験段階」から「実務で大量に使い倒す段階」へと移行してきたことがあります。エージェントが自律的に何度もタスクを繰り返すような使い方では、1回あたりの処理コストが積み上がり、月間のAI利用料に直結します。そのため、「単発の精度は最上位ではなくても、大量のタスクを低コストで回せる」モデルの価値が急速に高まっているのです。
こうした流れを受けて、ClaudeやOpenAI、xAIといった主要ベンダーも、高コストパフォーマンスを訴求するモデルを続々とリリースしています。最上位モデルは難易度の高い重要な判断に温存し、日常的な定型タスクにはコスト効率の良いモデルを充てる、という使い分けが実務の現場で広がりつつあります。
中国で急伸するAIモデル、米国企業も続々乗り換え
ここからは、もう一つの潮流である中国発モデルの動きについて見ていきましょう。
まず、客観的なデータから見てみましょう。AIモデルのAPI統合プラットフォームの集計によると、2026年に入ってから中国製AIモデルの利用量が急拡大し、ついに米国製モデルの利用量を逆転する事態が起きています。呼び出し量の上位モデルの多くを中国企業のモデルが占めるようになり、その背景には圧倒的なコストパフォーマンス、高い推論効率、そして長文処理能力の高さがあるとされています。
米国企業の乗り換えも顕著です。ある大手暗号資産取引所のCEOは、AI利用コストを半減できたと公言していますし、開発者向けサービスにおいては中国製AIの利用比率が5割に迫っているというデータも報じられています。料金水準で見ると、米国トップクラスのモデルに対して、わずか数十分の一というケースも存在します。
もちろん、こうした流れの背景には、米国側の輸出規制などによる一時的な供給の不安定さも影響しています。しかしそれ以上に大きいのは、「同等かそれに近い性能を、圧倒的に低いコストで使える」という単純な経済合理性です。
「中国製モデル」と「中国で運用されるAI」は違う
ここで一つ、誤解されやすいポイントを整理しておきたいと思います。「中国製だから危険」「中国製だから避けるべき」という声を耳にすることがありますが、これは少し乱暴な議論です。
重要なのは、モデルそのものの出自ではなく、そのモデルがどこで、どのように運用されているかという点です。たとえば、中国企業がオープンウェイト（誰でも自由に改変・商用利用できる形）で公開しているモデルを、米国系のクラウド基盤上でホスティングして利用するといった構成も一般的になってきています。この場合、モデルの重み(パラメータ)は中国発であっても、実際のデータ処理や運用は自社が管理する、あるいは信頼できる基盤の上で行われることになります。
つまり、
- モデルの「出自」
- モデルの「運用場所・運用主体」
この2つは分けて考える必要があるということです。機密性の高いデータを扱う業務では運用面の設計が重要になりますが、それは「中国製だから一律に避ける」という話とは本質的に別の問題です。実際に、モデルを自由に選べる技術チームでは、まず複数のモデルで同じタスクを並列実行し、単価とアウトプット品質を実測してから採用を判断するというアプローチが定着しつつあります。国籍だけで判断するのではなく、実測にもとづいて判断する。これがこれからのモデル選定における基本姿勢になっていくはずです。
ベンチマーク上位の意味が薄れてきている
もう一つ、私たちが強く感じているのが、「どのモデルが1位か2位か」という性能比較そのものの意味が薄れてきているということです。
新しいモデルがリリースされるたびに、ベンチマークスコアが話題になります。実際、2026年に入ってからも、Claude Opus級の性能をより高速・低コストで実現したとされるモデルが登場するなど、各社の競争は激しさを増しています。あるモデルは特定のベンチマークで既存の最上位モデルを上回った一方、別のベンチマークでは及ばないという結果も出ており、「純粋なトップ性能」よりも「コストパフォーマンス」で戦うモデルとしての立ち位置を明確にする動きも見られます。
これはつまり、リリース時点の性能比較は、あくまで「その瞬間の情報」でしかないということです。数ヶ月後には別のモデルが台頭し、ランキングは容易に入れ替わります。この情報自体は有益ですが、それをベンダー選定の判断基準そのものにしてしまうことには、私は疑問を感じています。
私自身も、Claudeが最も優れていると判断していた時期がありました。しかしそれはあくまで一時的なものであり、本当に重要なのは「常に、その時点で最適なモデルを選び続けられる体制」を持っておくことだと感じています。
ベンダーロックインという見えにくいリスク
新しいモデルが出るたびに比較検討し、契約するベンダーを決める。この意思決定プロセス自体に、実は大きなリスクが潜んでいます。それがベンダーロックインです。
特定のベンダーのAPIやツールに深く依存した設計にしてしまうと、後から「もっとコストの低い、あるいは性能の良いモデルに切り替えたい」と思っても、簡単には移行できなくなります。プロンプト設計、周辺ツール、社内の運用フローなど、あらゆる部分が特定のベンダーに最適化されてしまうためです。
AIの進化スピードは非常に速く、数ヶ月単位で状況が大きく変わります。それにもかかわらず、一度契約してしまうと簡単に抜け出せない構造を作ってしまえば、変化の恩恵を受けられないばかりか、割高なコストを払い続けることにもなりかねません。
だからこそ、これからのAI活用においては、特定のモデル・ベンダーに依存しない設計、つまり複数のモデルを状況に応じて切り替えられる柔軟性を持たせることが、非常に重要な経営判断になっていきます。
年単位のプロジェクトが抱える「陳腐化リスク」
企業でシステム開発のプロジェクトを計画する場合、年単位で進めることは珍しくありません。しかし、AIの進化スピードを考えると、そのスピード感ではプロジェクトの前提そのものが陳腐化してしまうリスクが非常に高くなっています。
多大なコストと時間をかけて構築したシステムが、完成する頃には「もっと安く、もっと高性能な選択肢」が当たり前に存在している。これは今後、AIを活用するあらゆるプロジェクトにおいて無視できないリスク要因になっていくでしょう。
これは、単に技術トレンドを追いかける、追いかけないという話ではありません。プロジェクトの設計段階から、「将来的にモデルやベンダーを柔軟に切り替えられる構造にしておく」という視点を組み込んでおくかどうかが、プロジェクトの成否、そして投資対効果を大きく左右することになります。
AIモデルの「利用」は、嗜好品から日用品へ
最後に、少し視点を広げてお話ししたいと思います。
「AIインフラ」という言葉を聞くと、GPUやデータセンターへの巨額投資を思い浮かべる方も多いかもしれません。実際、計算資源への投資は企業の競争優位を左右する戦略的資産として語られることが多く、この意味での「AIインフラ」はむしろ差別化要因、つまり簡単には真似できない“堀”として位置づけられています。
しかし、ここでお伝えしたいのはそれとは別の話です。私たちが見直すべきなのは、AIモデルという「利用の対象」そのものが、嗜好品から日用品へと性質を変えつつあるという点です。
これまでAIモデルは、ある種「性能が高いほど価値がある」という、嗜好品に近い扱いをされてきた側面がありました。しかし、実際の業務でAIを使い倒すフェーズに入るにつれて、その位置づけは大きく変わりつつあります。モデルそのものは、今後、電気やガス、水道と同じように、日常的に、当たり前に使われる日用品・公共財に近い存在になっていくはずです。
日用品や公共財には、高級品とは異なる論理が働きます。
- 食品は、高級な一部の商品を除けば、より安く、より広く供給されることが求められます。
- 自動車も、単なる移動手段として使う場合には、必ずしも高級車である必要はありません。
- 電気やガスには、そもそも「高性能な電気」「高性能なガス」といった概念自体が存在せず、需要と供給のバランスの中で適正な価格が形成されます。
AIモデルの利用も、同じ道をたどっていくと考えられます。「高くて当たり前」ではなく、「手頃な価格でなければ、広く使ってもらえない」という力学が働くようになるのです。実際、ClaudeやOpenAI、xAIといった主要ベンダーも、この流れを受けて高コストパフォーマンスモデルを次々と投入しています。今はまさに、各社が市場シェアを獲得するために激しく競争している時期だからこそ、こうした動きが加速していると言えるでしょう。
つまり、AIをめぐる「インフラ化」には二つの層があります。一つは計算資源という差別化要因としてのインフラ、もう一つはモデルの利用というコモディティ化していく日用品としての側面です。この記事で扱っているのは後者、つまりモデル選定・調達における価格競争の話であることを、あらためて強調しておきたいと思います。
まとめ：重要なのは「選び続けられる体制」をつくること
AIモデルの選定において、私たちが本当に意識すべきことは、以下のようにまとめられます。
- モデルの出自ではなく、運用の実態で判断する — 「中国製だから」ではなく、どこでどう運用されているかを見極める
- ベンチマーク上位は一時的な情報にすぎないと理解する — リリース時点の性能比較を、そのままベンダー選定の絶対基準にしない
- ベンダーロックインを避け、切り替えられる柔軟性を確保する — 特定のモデルに過度に最適化した設計を避ける
- プロジェクト設計に陳腐化リスクを織り込む — 年単位の計画には、途中でモデルを見直せる余地を残しておく
- AIモデルの利用を日用品として捉え、コスト構造を意識する — 計算資源への投資は差別化要因である一方、モデルの利用そのものは「高性能=高コスト」が当たり前ではなくなる未来を前提にする
AI技術はこれからも猛烈なスピードで進化を続けます。その変化に振り回されるのではなく、変化を前提とした柔軟な体制を整えておくこと。これこそが、これからの時代にAIを活用していく企業にとって、最も重要な競争力になっていくのではないでしょうか。
イープライズでは、こうした視点を持ちながら、今後もAI活用の実践的な知見をブログで発信してまいります。