人工知能、クラウドコンピューティング、半導体、セキュリティソフトウェア、ITインフラ：オープンウェイトモデルはAIの普及を加速させ、業界の勝者は3つの競争環境に左右される

概要

本レポートは、企業のAI技術スタックにおけるオープンウェイトモデルとクローズドソースモデルの競争と共存について論じている。Morgan Stanleyは、市場がオープンウェイトモデルの役割を過小評価している可能性があると考える。その中核的な違いはモデル規模や品質ではなく、利用者がウェイトにアクセスして調整できるか、またパブリッククラウド、プライベートクラウド、オンプレミス、エッジ環境に柔軟に導入できるかにある。オープンウェイトモデルは高頻度推論の変動コストを削減し、専門的なカスタマイズを支援し、データ主権要件を満たせる一方、ファインチューニング費用、人材ボトルネック、セキュリティ責任、地政学的リスクも伴う。今後数年間の業界価値の分配は、クローズドソース、ハイブリッド、オープンウェイトという3シナリオのどれが支配的になるかに依存する。

主要見解

第一に、オープンウェイトモデルは競争と技術普及を促進し、価格低下は単にコンピューティング能力需要を弱めるのではなく、ジェボンズのパラドックスを通じてAI総需要を拡大する可能性がある。第二に、短期的には企業がハイブリッドアーキテクチャを維持する可能性が高い。クローズドソースの最先端モデルは複雑な推論とエージェント型業務を処理し、オープンモデルまたは小型モデルは高頻度、コスト感応的、領域特化型の業務を担う。第三に、モデル数と導入場所が分散するほど、ゲートウェイ、ルーティング、オーケストレーション、評価、可観測性、セキュリティ、ガバナンスの重要性が増す。第四に、クローズドソースモデルが勝つ場合は、大手ラボ、ハイパースケールクラウド、学習用ネットワーク、半導体、オンサイト電力供給の恩恵が大きい。オープンウェイトモデルが勝つ場合、価値はファインチューニング、推論最適化、アプリケーション、プライベートクラウド、オンプレミスインフラ、エッジデバイス、セキュリティソフトウェアへより大きく移る。

分析フレームワーク

本レポートは、企業導入調査、トークン利用データ、総保有コストおよび投資利益率の調査を組み合わせ、シナリオ分析を用いてモデル性能、価格決定力、導入アーキテクチャ、規制制約、企業の調達行動を比較し、その後、各シナリオを関連株式および業界セグメントに対応付けている。

手法メモ

• シナリオ分析世界の3つの状態

  クローズドソースモデルが勝つ、ハイブリッドアーキテクチャが共存する、オープンウェイトモデルが勝つ、という各ケースを想定する。

  モデル性能差、価格競争、企業の導入方法、規制条件を変化させることで、本レポートは異なるシナリオ下におけるクラウド、モデル、ソフトウェア、ハードウェア、ネットワーキング、エネルギー分野の相対的受益者を特定している。

• 経済学フレームワークジェボンズのパラドックス

  単位当たり推論コストの低下は利用拡大を刺激し、AI総需要を増加させる可能性がある。

  オープンウェイトモデルが効率を改善し価格を押し下げると、より多くの企業やワークロードでAI導入の採算性が高まるため、単位コストが下落してもコンピューティング能力および関連インフラへの需要は必ずしも減少しない。

• コスト分析総保有コスト

  ライセンス料、トークン料金、コンピューティング能力、ホスティング、ファインチューニング、人材、運用・保守コストを比較する。

  オープンウェイトモデルはライセンス料やトークンごとの料金を回避できるものの、無料ではない。導入規模とモデルのパラメータ数は、相対的な経済性と投資回収期間に大きく影響する。

• 業界チェーンのマッピングAI導入アーキテクチャの受益者分析

  ワークロードがパブリッククラウド、プライベートクラウド、オンプレミス、エッジへ移行する度合いに応じて、業界の受益方向を配分する。

  集中型のクローズドソースアーキテクチャは大手クラウドおよび最先端モデル提供者により有利である一方、分散型のオープンアーキテクチャはオンプレミスハードウェア、エッジデバイス、セキュリティ、オーケストレーション、ルーティング、可観測性への需要を増加させる。

資産マッピングと比較

投資テーゼから固有資産への構造化マッピング（強み、弱み、同業、リスク）。

• GOOGL, AMZN, MSFT

  クラウドプラットフォームおよびモデル配信チャネル

  強み

  大規模なコンピューティング能力、企業顧客との関係、ホスティング能力を持つ。クローズドソースまたはハイブリッドアーキテクチャ下では、大量の集中型ワークロードを取り込める。

  弱み

  オープンモデルによる価格競争はモデルAPIの超過収益を圧迫し、一部のワークロードをオンプレミスまたはエッジ環境へ移行させる可能性がある。

  比較

  クローズドソースシナリオの主要受益者にはGOOGLとAMZNが含まれる。ハイブリッドシナリオにはAMZN、GOOGL、MSFTが含まれ、オープンウェイトシナリオでは本レポートはMSFTを強調している。

  リスク

  独自モデルが最先端モデルに遅れること、設備投資収益率の低下、顧客のマルチクラウド導入、規制上の制約。

• NVDA, AVGO

  AI半導体およびカスタムコンピューティングインフラ

  強み

  学習・推論需要の成長は、アクセラレータ、ネットワーキング、カスタムチップへの需要を直接支える。NVDAはシナリオをまたいで比較的強い耐性を持つ受益者とみられる。

  弱み

  より小型で効率的なモデルはタスク当たりに必要なコンピューティング能力を減らす可能性があり、オープンアーキテクチャはチップおよびシステムの調達構造も変え得る。

  比較

  クローズドソースシナリオではNVDAとAVGOが挙げられ、ハイブリッドシナリオではNVDAが挙げられている。本レポートの表紙は、NVDAが複数の状態にまたがる受益ロジックを持つことを強調している。

  リスク

  モデル効率の改善がワークロード成長を上回ること、顧客の内製チップ、供給拡大、高いバリュエーション。

• PANW, CRWD, FTNT, ZS, NTSK, OKTA, SAIL, VRNS

  分散型AIワークロードのためのセキュリティおよびアイデンティティガバナンス

  強み

  モデルとデータがクラウド、オンプレミス、エッジ環境に分散すると、アクセス制御、エンドポイントセキュリティ、アイデンティティ管理、ガバナンスへの需要が増加する。

  弱み

  集中型クローズドソースアーキテクチャでは、一部のセキュリティ責任は最先端モデルラボまたはクラウドプラットフォームが内部で処理する可能性がある。

  比較

  セキュリティソフトウェアは3シナリオすべてで恩恵を受けるが、増分需要はオープンウェイトまたはハイブリッドアーキテクチャ下でより広範になる。

  リスク

  セキュリティ予算の統合、プラットフォームネイティブ機能による代替、オープンモデルの悪意ある改変、責任帰属の不明確さ。

• DDOG, PLTR, APPN

  オーケストレーション、可観測性、インフラストラクチャソフトウェア

  強み

  マルチモデル環境には、統一ゲートウェイ、ルーティング、ログ記録、評価、コスト監視、ワークフローオーケストレーション、フェイルオーバーが必要となる。

  弱み

  これらの機能はクラウドプラットフォーム、モデル提供者、オープンソースツールに組み込まれる可能性があり、独立系ベンダーはプラットフォーム競争に直面する。

  比較

  ハイブリッドシナリオではDDOG、PLTR、APPNが強調され、オープンウェイトシナリオではPLTRが挙げられている。

  リスク

  企業導入の進展が予想より遅いこと、製品のコモディティ化、オープンソース代替品、顧客の内製開発。

• DELL, HPE, NTAP, P, HPQ, AAPL

  オンプレミスインフラおよびエッジデバイス

  強み

  オープンモデルの性能向上後、企業はコスト、レイテンシー、プライバシー、データ主権の要件から、より多くの推論をオンプレミスおよびエッジ環境に移す可能性がある。

  弱み

  大規模モデルのオンプレミス導入は資本集約的であり、投資回収期間が長くなる可能性があり、企業には運用・保守人材が必要となる。

  比較

  これらの企業は主にオープンウェイトモデルが勝つ分散型シナリオで恩恵を受け、集中型クローズドソースシナリオでの弾力性は低い。

  リスク

  企業が引き続きAPIを優先すること、パブリッククラウドコストの低下、ハードウェア更新サイクルの長期化、過度なモデル導入の複雑性。

• SAP, NOW, SHOP

  エンタープライズアプリケーションおよびSaaSレイヤー

  強み

  オープンまたはクローズドソースモデルを既存ワークフローに組み込み、企業の独自データを用いて領域アプリケーションおよびエージェントを開発できる。

  弱み

  基盤モデル機能のコモディティ化は、一部のAI機能の差別化と価格決定力を低下させる可能性がある。

  比較

  SAPとNOWはハイブリッドおよびオープンウェイトの両シナリオに登場する一方、SHOPは主にオープンウェイトシナリオに挙げられている。

  リスク

  AI機能の収益化不足、推論コスト圧力、データガバナンス上の障害、顧客によるアプリケーション内製。

• ANET, LITE, COHR, CSCO, FFIV

  データセンターの光通信、ネットワーキング、トラフィック管理

  強み

  クローズドソースの学習クラスターには高帯域幅ネットワークが必要である一方、ハイブリッドおよび分散型アーキテクチャはクラウド、データセンター、エッジ間の接続性とトラフィック管理への需要を増やす。

  弱み

  集中型学習と分散型推論の比率が変化するにつれ、受益銘柄は分岐する。

  比較

  クローズドソースシナリオではANET、LITE、COHRが強調され、ハイブリッドシナリオではCSCOとFFIVが強調されている。

  リスク

  データセンターの設備投資サイクル、顧客集中、技術革新、サプライチェーンの変動。

• BE, INIO, SEI, WMB, LBRT

  ハイパースケールAI学習施設向けオンサイト電力供給

  強み

  クローズドソースの最先端モデルが学習クラスターを継続的に拡大する場合、ギガワット規模の信頼性の高い電力とオンサイトエネルギーソリューションへの需要は強まる。

  弱み

  プロジェクトサイクルは長く、需要の実現はデータセンター建設の進捗、許認可、燃料インフラに依存する。

  比較

  本レポートは主に、クローズドソースモデルが勝つシナリオの受益者としてこれらの銘柄を挙げている一方、電力需要は複数の状態で支えられるとも考えている。

  リスク

  データセンタープロジェクトの遅延、エネルギー価格変動、規制認可、資金調達コスト、コンピューティング効率が予想以上に改善すること。

• MiniMax, Knowledge Atlas, BABA, Tencent

  オープンウェイトモデル提供者

  強み

  オープンモデルが最先端性能に近づけば、幅広い配布、エコシステム構築、地域市場の顧客基盤を通じて導入を拡大できる。

  弱み

  基盤モデル価格は急速に低下しており、直接的な収益化能力は限定的となる可能性がある。また、学習およびセキュリティガバナンスへの継続投資が必要である。

  比較

  本レポートは、オープンウェイトモデルが勝つシナリオにおけるモデル層の受益者としてこれらの企業を挙げている。

  リスク

  中国モデルに対する米国の潜在的制限、越境事業の継続性、ライセンス方針、セキュリティ懸念、最先端性能との差。

主要データ

• 企業によるオープンモデルの導入率63%41カ国の約700人のテクノロジーリーダーを対象としたMcKinsey調査の結果。導入企業の大半はクローズドソースモデルも利用している。
• 米国ユーザーによるOpenRouterトークンのうち中国のオープンモデルに流れる割合週当たり30%超統計は2026年2月から7月を対象とする。本レポートは、サンプルが大企業よりスタートアップに偏っている可能性を指摘している。
• AIタスクの平均的な経済性便益は約$55、コストは$2–5企業のAI導入には依然として大きな成長余地があることを示すために用いられている。
• オープンモデルによる潜在的な価格影響平均価格は70%下落する可能性があり、消費者は年間約$25Bを節約できる可能性がある2025年12月のMIT研究を引用。すべてのオープンウェイトモデルが単位トークンコストで低いわけではない。
• 導入管理を重視する企業の割合40%McKinsey調査では、調査対象企業のリーダーはホスティング場所を管理できることからオープンウェイトモデルを選好した。
• オンプレミス導入の投資回収期間約3カ月から6年小規模導入の投資回収期間は約3カ月と短い一方、200B–1Tパラメータの大規模導入では約6年に及ぶ可能性がある。
• GOOGLのモデルAPIにおける潜在的ROIC約45%Geminiが最先端にあり、自社インフラ上でモデルAPIを運営するシナリオに適用される。
• GOOGLのインフラ提供者モデルにおける潜在的ROIC約30%Geminiが最先端ではなく、GOOGLがよりインフラ提供者としての役割を果たすシナリオに適用される。
• 主要AI推論ビジネスモデルの増分ROIC25%超本レポートは、AI推論時代における3つの主要ビジネスモデルが比較的魅力的な増分ユニットエコノミクスを有すると考えている。

影響と示唆

投資家にとって重要なのは、単にオープンモデルかクローズドソースモデルかに賭けることではなく、各業界セグメントの3シナリオに対する感応度を特定することである。クローズドソース優勢は、資本、モデル性能、クラウドインフラに優位性を持つ少数のプラットフォーム、およびハイパースケール学習を支える半導体、ネットワーキング、電力供給企業に有利である。ハイブリッドアーキテクチャは、モデル横断でルーティング、オーケストレーション、評価、ガバナンス、セキュリティを提供できるソフトウェアベンダーに最も有利である。オープンウェイト優勢では、価値は基盤モデルの事前学習から、ファインチューニング、推論最適化、エージェント、アプリケーション、オンプレミスインフラ、エッジデバイスへさらに移る。コンピューティング効率の向上はAIワークロードの総量を拡大し得るため、NVDAと電力関連需要はシナリオをまたいで比較的強い耐性を持つ。

リスク

• 米国が中国のオープンウェイトモデルを制限し、中国も海外の最先端モデルを制限する可能性があり、多国籍企業の事業継続性とサプライヤー選定にリスクをもたらす。
• オープンウェイトでは安全性アラインメントが取り除かれたり、悪意を持ってファインチューニングされたりする可能性があり、サイバーセキュリティ、モデル悪用、責任帰属のリスクを高める。
• 最先端バージョンに追随するには繰り返しのファインチューニングが必要であり、企業にはコンピューティング能力、人材、時間、エンジニアリングリソースが不足する可能性がある。
• オープンウェイトモデルにトークンごとの料金がないことは、総保有コストが低いことを意味しない。大規模なオンプレミス導入の投資回収期間は数年に及ぶ可能性がある。
• ブランド、信頼、スイッチングコスト、補償保護、外国モデルへの懸念が、企業の移行を遅らせる可能性がある。
• モデル性能、価格、効率は急速に変化しており、3シナリオの確率および対応する株式の受益関係は継続的に調整される可能性がある。
• 本レポートに挙げられた受益企業は複数業界にまたがり、個別株のパフォーマンスは依然としてバリュエーション、競争、設備投資サイクル、企業の実行力の影響を受ける。

注目点

• オープンウェイトモデルが、推論、エージェント、セキュリティにおいて最先端クローズドソースモデルとの性能差を継続的に縮められるか。
• 試行やトークントラフィックだけでなく、企業のAIモデル支出におけるオープン、クローズドソース、ハイブリッドアーキテクチャの構成比の変化。
• モデルの起源、ウェイト公開、データ主権、セキュリティ責任に関する米国および中国の規制動向。
• ホスティング、コンピューティング能力、ファインチューニング、人材、セキュリティ、バージョンアップを含むオープンモデルのライフサイクル全体の総保有コスト。
• 企業ワークロードがプライベートクラウド、オンプレミス、エッジ環境へ移行するペース、およびGPUクラスターの実際の投資回収期間。
• モデルゲートウェイ、ルーティング、オーケストレーション、評価、可観測性、ガバナンスソフトウェアの調達・収益化動向。
• ジェボンズのパラドックスがコンピューティング能力と電力需要を引き続き支えられるかを評価するための、モデル効率改善と新規ワークロードの相対的な速度。
• GOOGLのGeminiが最先端に復帰できるか、およびそのモデルAPI事業とインフラ事業のROIC差。