オープンウェイトは利用量の三割を持っていき、金額では 4% しか取れていない。金を止めているのはモデルの弱さではなく、仕事の切り出しが狭くないことだ

今号の要点

1. オープンウェイトのモデル(パラメータが公開され、自前でダウンロードして動かせるもの)は、あるモデル振り分け基盤で利用量の三割を占めながら、金額では 4% に届かない。金を止めているのはモデルの弱さではない。

2. OpenAI の自社設計チップは、電力あたりの生成量で 1.5 から 1.9 倍高い。それでもトークンあたりの総コストは Nvidia と互角だ。

3. 同じ分解記事でも、二次の紹介では「総コストは互角」の一文が抜け落ちた。それで結論は逆の側へ振れている。

今号の材料は、本紙 8 月 31 日のこの回の判読から来ている。出来事の時間は 2026 年 6 月から 8 月 30 日にまたがる。昨夜は 79 本をさらい、今号に残ったのは、リンクをたどれる外部の領収書 17 件になる。

今日の主線

[証拠更新]（指数の公開は 7 月、データ期間は 6 月。技術報告は 8 月）「オープンウェイトは安い仕事しか取れない」という説明は、もう支えきれない。フロンティアモデルが勝てない仕事でも、金は動いていない

Vercel はフロントエンドの配信基盤で、その AI Gateway は、企業が複数のモデル事業者へリクエストを振り分けるための中間層にあたる。だから事業者をまたいだ実利用量と支出の数字が手元にある。7 月に出した公式指数(データ期間は 2026 年 6 月)には、向きの逆な数字が二つ並ぶ。オープンウェイトのモデルは同基盤のトークン量の 29% を動かしながら、支出では 4% に届かない。トークンあたりの平均価格は、基盤全体の平均のおよそ十分の一になる。この三つはいずれも指数が別々に示した読み取りであって、互いに換算した値ではない。「4% 未満」は上限しか与えていないので、29% と割っても十分の一にはならない。同じ指数は推移も示す。4 月のオープンウェイトは全利用量のおよそ九分の一、6 月には三分の一に近い（Vercel AI Gateway Production Index、2026 年 7 月）。

検証： 29% という「量」の数字は本紙にとって新しくない。7 月 28 日の号で同じ 29% を載せている。当時の出どころは、電子版の便り Exponential View が同基盤の公開ランキングから計算した数字だった（本紙 2026-07-28 号）。今日新しいのは「金」と「価格」の二欄になる。加えて、量の数字が二次の計算から、会社自身が出す定期指数に置き換わった。裏取りのしやすさが別の水準になる。⚠️ これは単一の基盤の標本だ。Vercel の客層はフロントエンドとアプリ開発に偏っており、企業向け API 市場の全体へ広げることはできない。同社が売るのは振り分け層でモデルではないから、オープンウェイトと閉じたモデルの分岐に強い動機は持たない。それでも自社の運用データの自己申告である。⚠️ もう一つ、本紙が採らない数字がある。同社の最高経営責任者が示したリアルタイムの図表を引いて、8 月 22 日の単日でオープンウェイト比率が 62% の記録を出したとする話だ。公開済みのどの指数にも入っていない単日の読み取りで、しかもその日は土曜だった。週末の流量は実験寄りに振れるので、月次の基準とは並べられない（その図表を引いた投稿、08-22）。

この分岐そのものは新しい観察ではない。今日変わったのは、その成り立ちのほうだ。 7 月 22 日、X の匿名の業界論者 @teortaxesTex が同じ区分を出している。本紙の名簿はこのアカウントを長く追っており、中国のモデルに対して同じ向きの立場を明確に取る書き手だ。彼の区分はこうなる——オープンウェイトの競争圧力を追うなら、置き換えられた支出を見るべきで、トークン比率ではない。挙げた成り立ちはロングテールだ。オープンウェイトが取るのは価格に敏感で、もともと高い金を払わない層の仕事だから、量は伸びても金は伸びない。ただしこれは数字を一つも伴わない、むき出しの主張だった（元の投稿、07-22）。

今日読んだ二つ目の材料、数字を伴うほうが、このロングテールという説明に穴を開ける。 世界最大級のヘッジファンド Bridgewater が、AI 研究所 Thinking Machines Lab と組んで技術報告を出した。同研究所の製品 Tinker は、企業向けにモデルの微調整を請け負う。微調整とは、出来合いのモデルに自社のデータでもう一度学習をかけ、特定の仕事に専念させることをいう。報告のやり方はこうだ。アリババのオープンウェイトモデル Qwen3-235B を土台に、専門家が注釈をつけた「何が価値ある金融情報にあたるか」という課題で微調整し、平均正解率 84.7% を自己申告した。評価対象としたフロンティアモデル(各社の最強の汎用モデル)の最良は 78.2% だったので、誤りが 29.8% 少ない計算になる。同時に、課題あたりの推論コストは 13.8 倍下がった。同じ報告はこうも記録している。フロンティアモデルは最適化なしではこの課題で正解率がおよそ 50%、専門家が書いたプロンプトで調整すると 70% 台の半ばまで上がるが、天井は 80% に届かない（Thinking Machines × Bridgewater、2026 年 8 月）。この課題はロングテールではない。フロンティアモデルはそこで割高なのではなく、単に劣っている。

⚠️ この報告の評価課題も、専門家の注釈も、フロンティアモデル側の対照プロンプトも、利害を持つ当事者が自分で設計している。独立した再現はない。上がったのは反証可能性であって、信頼度ではない。具体的な数字が出て、はじめて他人に再現したり覆したりする的ができる。ただしそのことで中身が信頼できるようになるわけではない。13.8 倍は推論コストで、専門家の注釈と微調整にかかる一度きりの投資は入っていない。だから端から端までの総コストではない。⚠️ この微調整の事例そのものは、本紙も 6 月 30 日に第三者の紹介で知っていた。当時は数字がゼロで、独立した基準もなかった。だから本紙は読者に一字も書かなかった。今日足りたのは数字のほうになる。

判断の更新： フロンティアモデルが勝てない仕事ですら金が大きく動いていないなら、金を止めているのは能力ではないし、価格への敏感さでもない。残る説明は狭くできること、そして注釈できることの二つになる。一本の業務フローを、境界がはっきりして入出力の決まった狭い課題として定義でき、なおかつ顧客側に「何が正解か」を注釈できる専門家がいる。この二つが同時に立ってはじめて、量と金は一緒に動く。同時に立たなければ、オープンウェイトが取れるのは安いほうの半分だけだ。これは見るべき変数を、時間軸から構造軸へ移す。問いは「オープンソースはいつフロンティアに追いつくか」ではなく、「顧客が抱える業務のうち、どれだけの割合を狭く切り出せるか」になる。⚠️ これは推論であって、確認済みの事実ではない。二本の脚はどちらも単一のソースで、うち一本は利害関係者の自己申告だ。どちらの側を主張するにも証拠が足りない。何が覆すかは三つに絞って言い切る。独立した第三者が十分に強い対照群で Bridgewater のあの課題を再現し、失敗すること。振り分け基盤のオープンウェイト支出比率が、顧客の課題構造が変わらないまま二か月で 4% 未満から 15% 超へ跳ぶこと。汎用能力でフロンティアと並ぶオープンウェイトモデルが現れること。真ん中の一つにある時間の窓と閾値は本紙が自分で決めたもので、当事者の誰かが示した判定基準ではない。二か月としたのは、この指数がおおむね月次で更新され、その時点で比べられる新しい読み取りが二回ぶん揃うからだ。答え合わせの日は 2026 年 10 月 31 日に置く。8 月と 9 月の二回ぶんの指数が出ているはずで、支出比率が 4% という桁を離れたかどうかを直接読める。

投資への含意： 圧縮はすでに一つの狭い課題で一度起きており、それでも支出比率は 4% 未満に留まっている。この二つの読み取りを並べると、「オープンウェイトがフロンティアに追いついた日が、モデル層の粗利率が圧縮される日だ」というナラティブは弱まる。この筋書きはリスクを時間に賭けているが、落差が出ているのは別の場所だ。測り直すべきは、顧客側で狭く切り出せる業務の比率になる。

三つの席で、読み取れる動きが違う。フロンティアラボは、堀の点検先を変えるときだ。本当の競争相手は、追いついた誰かのオープンソースモデルではない。仕事を狭く切り出せて、しかも専門家の注釈を雇える顧客社内のデータチームである。上乗せ価格を守る金は、汎用性、サービス保証、外側の編成に振るべきで、汎用のテストで点を積み増すことではない。狭い課題では、すでに一度負けているからだ。クラウド事業者が売上の曲線から容量を引き延ばすと、体系的に出遅れる。29% の量が 4% の金にしかならないということは、安い層で容量の圧力が先に来て、売上の信号は永久に来ないかもしれない、という意味になる。だから容量と売上は二枚の表に割る必要がある。企業の情報システム責任者は、最初の問いを「どのモデルが最強か」から「この業務フローは狭い課題として定義できるか、それを注釈できる人が社内にいるか」に入れ替えるとよい。自前で組む分水嶺は、多くの人が思うより低い。詰まるのはモデルではなく、注釈をつける人のほうだ。そして三つの席は同じ動作を共有する。「オープンウェイトの比率は X%」という数字を見たら、まずその分母が量なのか金なのかを問うことだ。今日のこの二つは同じ基盤の同じ月で、七倍以上ひらいている。

[証拠更新]（分解記事の公開日 8 月 27 日）OpenAI の自社設計チップは電力あたり 1.9 倍勝つのに、トークンあたりの総コストは互角だ。効いているのは後ろの一文になる

本紙は 8 月 26 日のそのほかに起きたことで、OpenAI の自社設計の推論チップ Jalapeño が最初の成績表を出したことに触れている。今日新しいのは実測の数字と、同じ分解記事のすぐ後ろに置かれた「互角」の一文だ。

Jalapeño は、OpenAI が Broadcom と組んで作った最初の自社設計 AI 推論チップになる(推論とは、モデルが公開されたあとに問いへ答える側の仕事で、訓練の対になる)。半導体産業の独立系分析機関 SemiAnalysis(創業者は Dylan Patel)が、自社で公開している InferenceX というテストを使い、一部のテストは OpenAI の研究所で現地に立ち会って確かめたとしている。結論はこうだ。700 ワットの Jalapeño は、1,200 から 1,400 ワット級の Nvidia GB200／GB300(Blackwell 世代の製品)に対し、電力あたりの生成量で 1.5 から 1.9 倍高く、応答の遅延は 1.7 から 3.6 倍低い。電力効率は、ほぼすべての場面で Blackwell を上回る。ところが同じ分解記事は、両者の「トークンあたりの総保有コストはおおむね互角」と判定している——総保有コストとは、チップの単価、歩留まり、ラックの密度、稼働率、電気代、償却まですべて織り込んだうえで、トークン一つに実際にかかる金のことをいう（SemiAnalysis、2026 年 8 月）。

記憶しておく値打ちのある数字が、もう二つある。チームの採用を始めてから、チップの設計を確定して製造へ送るまで、およそ 16 か月だった(2024 年半ばに着手、2025 年 11 月に確定)。そして OpenAI の自己申告によれば、AI を使った設計支援でチップ内の二つの演算ブロックの面積がそれぞれ 8% と 10% 減った。さらに自社のコード生成モデル Codex が、低レベルのプログラムを担うチームがまったく関与しないまま、使えて効率も出る演算カーネルのコードを書いたという。

検証： 支えているのは SemiAnalysis のこの分解記事だけになる。OpenAI 側の一次ページは今回の取得で 403 が返り、逐語の内容を取れていない。二つ目の独立したソースには数えていない。したがって「Jalapeño が実際に Nvidia より優れている」という件を、本紙は単一ソースの言い分として扱う。テスト対象のモデルと機材の構成は OpenAI が選んでいる。現地での確認の範囲は「一部のテスト」であって、全量の独立再現ではない。面積が 8% と 10% 減ったという件は OpenAI の自己申告で、分解記事の原文も「彼らは主張している」と書いている。本紙が代わりに認定することはしない。このワット数を比べる粒度について、本紙は一次ページで確かめていない。⚠️ そのうえ、700 ワット対 1,400 ワットという電力効率の優位には、単に部品が小さいことから来る部分がある。同じ規模で比べたときの設計上の優位と同じではない。⚠️ 分解記事はさらに、Jalapeño と Nvidia の次世代基盤 Vera Rubin を MW あたりの生成量で比べているが、両者は動作の条件が違う。同じ物差しではない。

判断の更新： 1.5 から 1.9 倍という数字は、自社設計チップの陣営が Nvidia の取り分を食い始める合図に読める。しかし本当に効いているのは「互角」の一文だ。取り分を決めるのは総保有コストであって、電力効率ではない。本紙の手元には、走らせたままの判断が一本ある——2027 年半ばの時点で Nvidia は AI アクセラレータ(AI の計算を担う専用チップ)の供給価値の七割超を保ち、その構造は粘る、という読みだ。今日の読み取りの向きは、それを強めるもので、揺さぶるものではない。何が緩めるかも言い切る。より高い電力効率ではなく、トークンあたりの総保有コストに、はじめて明確な差が出たときだ。今日からできることが一つある。調達と交渉の条項は、電力効率のテスト点数ではなく、トークンあたりの総保有コストに賭けること。

投資への含意： いまのナラティブは「自社設計チップのほうが電力を食わないなら、Nvidia の取り分は緩む」と仮定している。この証拠は二つを切り離した。電力を食わないのは本当で、請求書の上の差額はゼロだ。「自社設計チップが取り分を侵食する」という賭けに対しては弱める証拠になる。待つべき信号は、次の電力効率の最高記録ではなく、総保有コストにはじめて差がついた瞬間になる。

[今週]（電子版の便りの公開日 8 月 30 日）同じ分解記事、二つの紹介。落ちたのは、結論に不利な一文のほうだった

本紙が今日読んだ SemiAnalysis のあの分解記事を、業界の電子版の便り Exponential View(創業者は Azeem Azhar)も同じ週に読んでおり、原文へのリンクも添えている。引いたのは 1.5 から 1.9 倍のほうで、「総保有コストは互角」の一文は引いていない。逐語で並べる。同紙は Jalapeño が「beats comparable Nvidia silicon by 1.5–1.9x on tokens per megawatt」と書き、「total cost of ownership」という文字列は全編に一度も出てこない（Exponential View #599、08-30）。だから結論は逆の方向へ進む。同紙が書いたのは「この差別化されたハードウェアの需要は市場を大きくする、たとえそれが Nvidia の相対的な優位を下げうるとしても」であり、本紙の読み取りは、総保有コストは互角で、今回は取り分が緩む証拠にはならない、というものになる。

検証： ⚠️ これは誤りを見つけたという話ではない。同紙は一次のリンクを最後まで添えており、読者はたどれる。29.8% を四捨五入して「およそ 30%」と書き、13.8 倍を「十四分の一のコスト」と書いたのも、かみ砕く際の裁量の内にある。確かめられるのは一つだけだ。二つの文書を並べたとき、落ちた一文が、同じ分解記事のなかで結論に不利で、しかも調達の判断に効くほうの一文だった。どちらの結論も本紙は保留し、正誤は裁かない。次の世代で総保有コストに差がつけば、先に成り立つのは同紙の結論のほうになる。

同じ書き手が自分から明かしたことも、あわせて読む値打ちがある。彼は同じ記事のなかで、低遅延の推論チップを作る新興企業 Fractile の投資家であり、微調整サービスを売る会社 Trainloop の投資家でもあると書いている。この二本の線は、今日の中核の 2 点目と 1 点目の向きに、ちょうど重なる。自分から明かすのは加点であって減点ではない。本紙が取った動きは彼を信用しないことではなく、今日の三つの事実をすべて彼を迂回して、一次ページから直接読んだことだ。

判断の更新： 二次の要約でこの産業を追いかけている人に、この一件はすぐ実行できる動作を渡す。目を引く比率を見たら、原文に戻って「しかし」の一文を探すこと。たいてい存在するし、たいていそれが、契約するかどうかを決める一文になる。2 点目とあわせて読むとよい。あちらで読み違えられたのは 1.9 倍のほう(あれは電力あたりの生成量であって、トークンあたりのコストではない)で、こちらで落ちたのは、同じ文書のなかでそれに枠をはめる一文だ。二つは同じ問題の二つの層になる。

投資への含意： 同じ文書を何社が紹介しても、それは複数のソースではない。いま出回っている自社設計チップへの楽観のうち少なくない部分は、たどれば同じ分解記事の同じ比率で、あいだに一つか二つの紹介が挟まっている。この証拠は、その分解記事が何を言ったかを変えない。変えるのは「複数の独立したソースがそう言っている」という印象のほうで、それを弱める。

そのほかに起きたこと（本紙は未検証）

1. 哲学者の Toby Ord が論文を発表し、再帰的な自己改善(AI が次の世代の自分を設計し、訓練まで手伝い、世代ごとに強くなること)の鍵になる関門は、改良の一巡にかかる時間だと論じた。そのうえで物理の上限を三つ重ねる——光の速さ、単位空間に収められる情報量、不可逆な計算にかかるエネルギーの下限だ。本紙は二次の紹介しか読んでおらず、論文そのものには当たっていない（arXiv 2608.14426）。

2. 法務と金融の専門情報を売る Thomson Reuters(Westlaw とロイターを抱える企業集団)が、コストを下げるために、アリババの Qwen を土台にした初の社内モデルを開発したと伝えられている。本紙が読んだのは紹介だけで、一次の報道には当たっていない（Yahoo Finance）。事実なら、今日の中核 1 点目の推論にとって、二つ目の企業の実例になる。

3. 新興企業の int21.ai が、外側の編成の仕組み(問いを割り、やり直し、検証する層)を入れ替えるだけで、GPT-5.6 の抽象推論テスト ARC-AGI-3 の公開問題群での成績を 13.3% から 100% へ押し上げたと述べている。⚠️ 公開問題群は問いも答えも公になっており、試験の前に問題用紙を見たのと変わらない。この 100% には、ほとんど情報がない。本紙はこの事業者のページを読んでいない（int21.ai）。

4. ロイターの調査報道によれば、Meta は「AI ネイティブ」な組織になるため、一部のチームを最大 60% 縮小することを検討したが、のちに立ち消えになった。⚠️ これは検討された計画であって、実行された事実ではない。本紙は報道の原文を読んでいない（ロイター、08-26）。

目利きの読み

[今週]（投稿日 8 月 30 日）Simon Willison：OpenAI は新しい製品を「これは何のためのものか」で説明し、「実際に何をするのか」では説明しない——だから彼は自分で聞きにいった。 Simon Willison は、オープンソースのウェブフレームワーク Django を共同で作った書き手だ。AI の道具を長く公開の場で実測し、一項目ずつ記録してきた。彼は OpenAI が 7 月 9 日に発表した ChatGPT Work をしばらく触り、率直な結論を書いている。公式の文書はこの製品を「いつ使うべきか」で定義している(提案資料が要るとき、分析が要るとき、渡せるファイルが要るときに使う)。しかし彼に言わせれば、それはほとんど情報がない。そうした用事は、普通の ChatGPT がもとから引き受けているからだ。彼が整理した実際の違いは、能力の一覧になる——ネットにつながるプログラム実行環境、画面のないブラウザ、会話をまたいで共有されるファイルの仕組み、下位の作業を切り出して走らせる機能、時刻を決めて動かせる自動化。記事を出したあと、彼はもっと直接的なことをした。新しい作業の場を開き、その仕組み自身に、持っている道具を一つ残らず並べ、分類し、用途を一項目ずつ説明して、一つのウェブサイトに仕立てさせたのだ。出てきたのは登録済みの道具 223 個で、そのうち 6 個は彼が自分でつないだものだった（Simon Willison、08-30）。彼が名指しする問題は二層目にある。OpenAI はいまもシステムプロンプトと道具の説明を公開していない。彼の言い方を借りれば、文書にそれが載っていたなら、この記事は書かなくてよかった。記憶しておく理由： 企業が代理型の製品を自社の流れに入れてよいか判断するとき、要るのは道具の一覧と権限の境界であって、利用場面の宣伝文ではない。そしてこの一覧は今日、事業者が出したものではなく、利用者が自分で聞き出したものだ。調達と情報セキュリティの審査には、そのまま使える動作が一つある。あなたも直接それに聞けばよい。

過去の洞見

本号に過去の洞見はありません。 本紙がこれまで積み上げた深掘りの素材のうち、使える古い材料はもう尽きた(最後の一本は 7 月 30 日に使っており、今日で十二号続けて空いている)。空けたままにしてでも、一度使った項目を再放送はしない。