ソフトウェアが世界を食べ尽くし、いまやハードウェアがソフトウェアを食べている

• SaaS時代にはインターフェースとアプリケーションが総利益率の75〜90%を確保していたが、AIでは価値の中心が 半導体・コンピューティング・データ・推論プラットフォーム へと下り、アプリケーション層は薄くなっている
• 莫大な資本と CoWoS・HBM・電力の物理的ボトルネック、データ移行コスト、アプリケーションロジックの代替可能性が、価値の中心を下位レイヤーに固定している
• NVIDIAのデータセンター売上高は2026年4月終了四半期に752億ドルとなり前年同期比92%増、4大ハイパースケーラーの2026年第1四半期設備投資は1,310億ドルに達し、物理的な基盤レイヤー に資本が集中している
• オープンウェイトモデルの性能格差と価格は急速に低下しているが、高スループットと低レイテンシを提供する 推論・最適化プラットフォーム、独占データプラットフォーム、最上位性能と企業向け流通網を備えた少数のプレミアムモデルは価値を維持している
• AIアプリケーションは推論コストが平均して売上高の23%を占めるため、総利益率は50〜60%にとどまりうる。そのため、独占データループ・システムオブレコード・規制ワークフロー・流通力・成果報酬型価格設定 のいずれかを備えなければ、従来ソフトウェア並みの防御力を確保しにくい

---

AIが覆す価値移動の方向

• SaaSではユーザーを1人追加で支える限界費用はゼロに近く、インターフェース・ワークフロー・システムオブレコードを所有する企業が 75〜90%の総利益率 を確保していた
• AIでは推論が変動売上原価となり、価値の中心がアプリケーションから下位レイヤーへ移動している
  • 半導体とコンピューティング、データプラットフォーム、オープンモデルを動かす推論エンジン、少数のプレミアムなフロンティアモデルが主要な価値レイヤーを成している
• アプリケーションが消えるわけではないが、レイヤーは薄くなっている
  • モデルとデータのバリュエーションは高まる一方で、差別化されていない ラッパーアプリケーション はマージンと売上倍率が低下している
• ドットコム崩壊後、民間資本は資本集約的で景気循環性の高い半導体を離れ、80%超の総利益率と継続収益を提供するクラウド・SaaSへ移っていった
• AIはこの流れを反転させ、資本を シリコン・パッケージング・電力・データインフラ・推論基盤 へと引き戻している
  • テクノロジー分野で最も価値の高いフランチャイズが再びチップ企業になった
  • 推論およびデータプラットフォームは記録的な速度で成長するインフラ事業となった
  • 以前の資本移動の行き先だったアセットライトなアプリケーションは、AIスタックで不利なマージン構造を持つようになった

価値が下位レイヤーに積み上がる4つの理由

• AIスタックの各レイヤーは、次の1ドル分の価値を他所がどれだけ容易に代替できるかによって評価できる
• 資本集約度 が参入障壁として作用する
  • 4大ハイパースケーラーは年率換算で5,000億ドルを超える設備投資を実行中で、2026年には6,000億ドル超へ向かっている
  • 莫大な資本を継続的に投入しなければならない市場では、資本そのものが堀になる
• 物理的ボトルネック は短期的には資金だけで解消しにくい
  • CoWoS先端パッケージング、高帯域幅メモリ（HBM）、電力が明確な制約として働いている
  • 希少な制約条件をコントロールする企業が価値を確保する
• スイッチングコストと慣性 はデータプラットフォームに価値を蓄積させる
  • 同じ環境にパイプライン・テーブル・モデルが追加されるほど移行コストは高くなる
  • オープンウェイトは移動可能なよう設計されているため、価値はモデル自体よりもそれを提供するプラットフォームへ移る
• 表層レイヤーの代替リスク は高まり続けている
  • 汎用アプリケーションロジックはモデルが直接実行できるため、スタックの中で最も代替されやすい

レイヤー1: 半導体とコンピューティング

• NVIDIAとハイパースケーラーの設備投資

  • NVIDIAのデータセンター売上高は2026年4月終了四半期に 752億ドル となり、前年同期比92%増加した
  • 総利益率は約75%、年率換算売上高は約3,000億ドルである
  • 次四半期の全社売上ガイダンスは910億ドルで、AIアクセラレータ売上ベースのシェアは約80%である
  • 4大ハイパースケーラーの2026年第1四半期設備投資は約 1,310億ドル に達する
    • Amazonは442億ドル、Alphabetは357億ドルを支出した
    • Microsoftは309億ドル、Metaは198億ドルを投じた
  • この投資規模は年率換算で約5,250億ドルであり、2026年通期ガイダンスの6,000億ドル超へ向けて増加している
  • Goldman Sachsは2025〜2030年のハイパースケーラー累積設備投資を 5兆3,000億ドル と推計している

• コンピューティング・メモリ・ストレージの供給制約

  • 世界の半導体売上高は2025年に 7,930億ドル となり前年比21%増、2026年には1兆ドルに近づく見通しである
    • WSTS予測は約9,750億ドルで前年比25%増の水準である
    • Gartner予測はこれよりさらに高い
  • AIは半導体売上高全体の約30%を占め、2029年には 50%以上 に高まる見通しである
  • コンピューティング部門では、AIアクセラレータ市場が2024年の約800億ドルから2029年には 2,800億ドル超 へ拡大すると予想されている
  • メモリ部門も急速に逼迫している
    • HBM需要は2025年に約130%増え、2026年にはさらに約70%増加する
    • 汎用DRAMの契約価格は2026年第1四半期に前四半期比約90%上昇した
    • AIデータセンターが高級DRAMの約70%を吸収している
  • NAND市場は2026年に約650億ドルに達し、全ビットの5分の1がAIに使われる
    • 2027年まで需要増加率は20〜22%で、供給増加率15〜17%を上回る見通しである

• パッケージング・電力ボトルネックと収益率リスク

  • 中核的な制約はチップ設計から パッケージングと電力 へ移っている
  • TSMCのCoWoS生産能力は2025年の月間約7万ウェハーから2026年には約11万ウェハーへ増えるが、実質的に売り切れ状態である
  • NVIDIAは2027年まで供給の過半を予約している
  • 2025年に発表された新規AIデータセンター容量は10GWを超え、現在のパッケージング基盤が支えられる容量は約18GWである
  • Google TPU、AWS Trainium、Broadcom ASICのようなハイパースケーラーのカスタムシリコンは、2,000億ドル超 のアクセラレータ市場へ成長している
    • 長期的にはNVIDIAのシェアを下げうるが、価値を半導体レイヤーの外へ移すものではない
  • 最大のリスクは売上高より 投資収益率 である
    • 年間5,000億ドル超の設備投資と2〜3年のアクセラレータ耐用年数を考えると、マージン維持には設置ベースの稼働率が十分高くなければならない
    • 競争以上に、設備利用率がAIスタック全体の収益性を左右する最大の変数である

レイヤー2: オープンモデルと推論プラットフォーム

• モデル性能の収束と供給拡大

  • Stanford AI IndexのChatbot Arena基準では、最高のクローズドモデルと最高のオープンウェイトモデルの差は2024年1月の 8.04% から2025年2月には1.70%まで縮小した
  • MMLUでは2023年に約17.5点あった差が事実上消えた
  • DeepSeek R1は、フロンティア級推論に1億ドル規模の学習予算が必須ではないことを示す事例となった
  • QwenはHugging FaceでLlamaを抜き、最も多くダウンロードされたモデル系列となった
  • Hugging Faceには 220万件以上のモデル が登録されており、カタログは約24カ月で2倍に増えた
  • 類似したオープンモデルが数千存在すると、ウェイトそのものよりもそれを効率的に動かす能力が希少になる
    • スループット、レイテンシ、トークン当たりコストを最適化しなければならない
    • モデルルーティングやキャッシング、ファインチューニングと評価、ガードレールも必要になる

• 非米国圏オープンモデルとプラットフォーム価値

  • オープンウェイトのフロンティアでは、米国外の開発者の比重が高まっている
  • 2024年8月から2025年8月まで、中国の開発者はHugging Faceダウンロードの 17.1% を占めた
    • 米国の開発者の比率は15.8%だった
  • QwenはLlamaを抜いてダウンロード1位のモデル系列となった
  • オープンモデルの商品化には経済問題だけでなく サプライチェーンと政策変数 も含まれる
  • Linux自体よりRed Hatやクラウドが経済的価値を確保したように、オープンウェイトでもモデルより、それを安定かつ低コストで提供するプラットフォームが支出を取り込む
  • 持続可能な事業はオープンモデルそのものより 推論・最適化プラットフォーム に近い
    • 移動可能なモデルを本番環境で信頼性高く、安価に運用する機能は簡単にはコモディティ化しない

• 推論プラットフォームの成長とコスト構造

  • Fireworks AIは約3年で年率換算売上高 8億ドル を超え、前年比4倍超の成長を遂げたと公表している
  • Together AIも同程度の規模とされ、Basetenは前年比5倍超で成長し約6億ドルに達した
  • これらの企業はモデル研究所ではなく、オープンウェイトを本番環境で使えるようにする基盤事業者である
  • 月間500億出力トークンを処理する中規模AI機能を想定すると、コスト差は大きい
    • フロンティアAPIの出力価格が100万トークン当たり約10〜15ドルなら、月間コストは約50万〜75万ドルである
    • Llama、Qwen、DeepSeekのようなオープンモデルを推論プラットフォームで100万トークン当たり約0.40〜1ドルで提供すれば、月間コストは約2万〜5万ドルである
  • コスト低下幅は 90%以上 であり、プラットフォームは削減額の一部をマージンとして確保する
  • この計算は例示であり、実際のコストはモデル、コンテキスト長、利用率によって変わる

レイヤー3: 少数のプレミアムモデル

• オープンモデルの収束は平均性能差を縮めるが、フロンティアそのものを消し去るわけではない
• 複雑なエージェント作業、長時間実行の信頼性、本番コーディング、安全性のように、性能1ポイントの上積み に対価が支払われる領域にはプレミアム層が残る
• Anthropicの年率換算売上高は2024年末の約10億ドルから2026年5月には約470億ドルへ増え、年末には約1,000億ドルが見込まれている
  • 年間100万ドル以上を支出する企業顧客が1,000社を超える
• OpenAIの年率換算売上高は2024年末の約60億ドル、2025年末の約200億ドル、2026年半ばの約300億ドルで、年末には約600億ドルへ向かっている
• 両研究所は異なる売上基準を用いており、2026年末の数値は 推定値 であるため、絶対規模より成長軌道に注目すべきである
• プレミアム層は2023年時点の想定より狭く、防御可能なポジションを築くにはフロンティア性能だけでなく 企業顧客に届く流通網 も必要である

レイヤー4: データプラットフォーム

• データプラットフォームは、パイプライン・テーブル・オントロジーが積み上がるほど移行コストが高まる データ重力 を形成する
• Databricksの年率換算売上高は69億ドルを超え、約80%成長した
  • AI製品はすでに売上高の約26%を占めている
  • 非上場企業評価額は約1,700億ドルである
• Palantirは企業データを制御された意思決定へつなぐオペレーティングレイヤーである
  • 2026年第1四半期売上高は前年比 85%増 で、年率換算規模は約65億ドルに達した
  • 米国商業部門売上高は133%増加した
  • Rule of 40の数値は145%である
  • 時価総額は約3,500億ドルで、売上高の約50倍で評価されている
• モデル同士は収束しても、企業の独占データとその上に構築されたワークフローやオントロジーは代替されない
• モデルレイヤーがコモディティ化するほど、データと意思決定ループを所有するプラットフォームが持続的なテコを確保する
• Palantirの約50倍、基盤モデル企業の25〜50倍といった高い売上倍率は、汎用ソフトウェアの表層よりも 独占データと結び付いたレイヤー に集中している

レイヤー5: 薄くなるアプリケーション

• 総利益率への圧力

  • 従来型SaaSは追加ユーザーを支えるコストがほぼゼロで、75〜90%の総利益率 を記録できた
  • AIネイティブアプリケーションはリクエストごとにモデルを再実行する必要があるため、総利益率は50〜60%水準である
  • ICONIQの2026年データでは、成長段階AI企業の推論コストは平均して売上高の約 23% を占める
  • SaaSの売上原価と違い、規模が拡大しても推論コスト比率は自動的には下がらない
  • 極端に薄いラッパーでは総利益率が25%まで下がりうる

• バリュエーションの二極化

  • 市場はAIスタックのレイヤーごとに異なる売上倍率を適用している
    • 基盤モデル企業は 25〜50倍 で評価される
    • AIネイティブプラットフォームは25〜30倍水準である
    • 従来型SaaSの中央値は2021年のピーク18.6倍から約6.7倍へ低下した
    • AIラッパーは5〜8倍で、従来型SaaSと同等かそれ以下である
  • モデルとデータには高い価値が付く一方、差別化されていないアプリケーション表面は低く評価される
  • 持続可能なアプリケーションには、モデルが吸収しにくい資産が必要である
    • 独占データループ やシステムオブレコードを保有している必要がある
    • 規制されたワークフローと実効的な流通網が防御力を与える
    • 成果報酬型価格設定は推論コストをマージンへ転換できる
  • こうした要素がなければ、アプリケーションはコモディティ化したモデルの上にプロンプトと接続コードを載せただけの薄いレイヤーにとどまる

価値が再びアプリケーションへ移る条件

• アプリケーションがインタラクションデータを素早く蓄積すれば、それ自体が データプラットフォーム となってデータ重力を確保できる
  • システムオブレコードの役割を果たすアプリケーションは、レイヤーが薄くなる流れの例外になりうる
• プレミアムモデル研究所が推論を保有し、エージェントを構築してアプリケーションまで直接販売すれば、3レイヤー分の価値を内部化できる
  • これは価値を上方向へ再配分するというより1社に集中させるものであり、独立した推論プラットフォームとアプリケーション層を弱めうる
• 推論コストが予想より早くコモディティ化すれば、AIアプリケーションの総利益率はSaaS水準まで回復しうる
  • LLMflationは、知能1単位当たりのコストが年率約10倍で低下し、2024年初頭以降の中央値価格下落ペースは年率約 200倍 に達すると見ている
  • 推論がほぼ無料になれば、アプリケーション層のマージン問題は弱まる
  • ただしコストがゼロになっても、表層レイヤーの代替可能性は残るため、バリュエーションの問題はおおむね残る
• 同じコスト低下が半導体と推論プラットフォームの価格を圧迫すると同時に、アプリケーションのマージンを回復させる可能性はあるが、表層レイヤーの 構造的な代替リスク は続く

投資家・創業者・既存企業の対応

• 投資家はインターフェースより 支配点 を評価すべきである
  • コンピューティングと、パッケージング・電力・メモリのような物理的ボトルネックを見なければならない
  • 独占データを継続的に蓄積するデータプラットフォームも含まれる
  • オープンモデルの豊富な供給を収益化する推論・最適化プラットフォームも対象である
  • フロンティア性能と企業向け流通網の両方を備えた少数のプレミアムモデルを見分ける必要がある
• アプリケーションにはデータループかシステムオブレコードを求め、立証されるまでは80%以上ではなく 50〜60%の総利益率 を前提にすべきである
• 創業者は独占データループを所有するか、システムオブレコードにならなければならない
  • あるいは成果報酬型で価格設定し、推論コスト低下が顧客の節約額にとどまらず自社マージンにもつながるようにすべきである
• 既存企業は、莫大な資本を要する基盤レイヤーの堀を借りることはできても、直接所有するのは難しい
  • コンピューティングやフロンティアモデルと競うより、データ・学習・サービングを一箇所に保つ データレイヤー で防御力を確保する方が適している

今後4四半期で確認すべき指標

• ハイパースケーラーの設備投資対売上高比率 が25〜30%を超えてもマージンが維持されるなら、基盤レイヤーの収益率ロジックは維持される
  • 投下資本利益率が崩れれば、スタック全体の価値は再評価されうる
• Fireworks AI、Together AI、Basetenの年間経常収益がそれぞれ約 10億〜20億ドル に増えれば、価値がモデルより推論レイヤーに集まる根拠となる
• エージェントやコーディングのような難しいベンチマークで、オープンモデルとクローズドモデルの差が約2ポイント以内にとどまれば、モデルレイヤーのコモディティ化が固まる
• 成長段階AIアプリケーションの総利益率が50〜60%にとどまるなら、薄くなるアプリケーション論は維持され、75%以上へ回復すれば弱まる
• DRAMとHBM価格が四半期ごとに二桁で上昇し続けるなら、物理的制約とマージン が基盤レイヤーに残っていることを確認できる

3〜5年視点での配置

• 確率の高いシナリオでは基盤レイヤーとデータレイヤーに集中し、プレミアムモデルは少数の勝者に高い確信がある場合にのみ選ぶべきである
• アプリケーションには、データループかシステムオブレコードがある場合にのみ、従来ソフトウェア並みの売上倍率を適用すべきである
• 資本、物理的ボトルネック、データ移行コスト、代替可能性によって形成された 価値の重力 が、AIスタックの下位レイヤーに価値を蓄積させている