現在、人工知能の覇権を巡って米国と中国の激しい競争が続いています。しかし、最先端を走るはずの米国の開発現場やスタートアップ企業において、中国製のAIモデルをあえて採用する動きが急速に広がっているのをご存じでしょうか。一見すると国家間の対立に逆行するかのようなこの現象の裏には、政治的な思想ではなく、切実なコストの問題が隠されています。本記事では、AIエージェントの普及に伴って発生した費用の爆発的な増加と、企業に突きつけられた選択肢について、企業の現実的な視点から詳しく解説します。

【関連記事】Claude「Fable 5」停止騒動で問われる「AIサプライチェーン」とは？

米国企業が中国発AIモデルを使い始めた

米国のIT業界で今、中国発のAIモデルを業務に組み込む事例が増えています。この節では、最先端の米国製モデルと安価な中国製モデルを使い分ける開発者たちの実態と、その背景にある経済的な動機を紐解きます。

シリコンバレーで顕在化したコスト問題

世界のテクノロジー進化をリードする米国のシリコンバレーでは、人工知能の開発において常に最新かつ最高の性能を持つモデルが追い求められてきました。OpenAIのChatGPTやAnthropicのClaudeといった米国製のAIは、その圧倒的な知能によって市場を独占するかのように見えました。しかし、実際の開発現場やスタートアップ企業の内部では、非常に奇妙な現象が起き始めています。それは、AIの覇権を争うライバル国であるはずの中国から生まれたAIモデルを、米国のエンジニアたちが積極的に自社のシステムへ組み込み、運用を始めているという事実です。

一見すると、この動きは国家的な安全保障やナショナリズムの観点から矛盾しているように感じられるかもしれません。最先端の技術を競い合う中で、なぜあえて中国製の技術に頼るのかという疑問が生じるのは当然です。しかし、企業の経営者や現場のエンジニアにとって、これは政治的なメッセージではなく、極めて現実的な生存戦略に基づいた判断です。つまり、ナショナリズムの問題ではなく、純粋にコスト管理における壁に直面した結果の選択と言えます。どれほど優れたAIであっても、動かすための費用が企業の利益を圧迫し、破綻を招くようでは本末転倒だからです。実利を最優先するビジネスの世界において、この逆説的な選択は合理的な決断として受け入れられています。

「賢い使い分け」の実態

媒体などの報道では「米国企業が中国発のAIに乗り換えている」というセンセーショナルな見出しが躍ることがあります。この表現をそのまま受け取ると、米国企業がChatGPTなどの利用を完全にやめて、すべてのシステムを中国製へと移行させたかのような印象を受けるかもしれません。しかし、実際の運用の実態は全面的な移行とは大きく異なります。企業は最先端の米国製モデルを捨てたわけではなく、すべての業務に一律で最高額のモデルを使う運用のあり方を見直しました。

あるITスタートアップ企業では、新しいWebサービスの開発においてAIを活用しています。かつてはすべての処理を最も賢い高額なモデルに任せていました。しかし、それでは予算がいくらあっても足りなくなります。そこで現場のエンジニアたちは、システムの役割に応じてAIを使い分ける手法を取り入れました。

複雑なシステムの計画立案、高度な設計書のレビュー、整合性の最終チェックといった、最も高い能力を必要とする核心的な部分には、これまで通り米国の高性能モデルを限定的に使用します。一方で、日々の定型的なプログラミングの記述、大量のテキストの要約、音声データの文字起こし、データからの特定情報の抽出といった、比較的単純な作業やAIエージェントの下位タスクには、DeepSeekやQwen、Kimi、MiniMaxといった中国発のモデルを割り当てるようになりました。こうした適材適所を進めることによって、開発の質を落とさずに大幅な支出削減を達成しているのが実態です。

中国発AIモデルが選ばれる理由

米国の開発者たちが中国発のAIモデルを高く評価し、自社の基盤に採用するのには、明確な理由が存在します。

第一に挙げられるのは、圧倒的な低価格でありながら、業務に耐えうる一定水準以上の性能を十分に備えている点です。安かろう悪かろうではなく、特定の作業においては米国の主要モデルと遜色のない精度を発揮します。

第二に、開発者にとって導入のハードルが極めて低い点が挙げられます。例えば、DeepSeekなどの多くの中国発AIは、世界中で広く普及しているOpenAIやAnthropicのAPIと互換性を持つ形式を提供しています。これは、既存のプログラムコードをほとんど書き換えることなく、接続先の設定を少し変更するだけで、すぐにモデルを切り替えられることを意味します。

第三に、既存のAIエージェントツールやコーディング支援環境へ簡単に組み込みやすい構造になっている点です。エンジニアが日常的に使用している開発ソフトにそのまま組み込めるため、新しいツールの使い方を学び直す手間がかかりません。こうした扱いやすさが、現場での爆発的な普及を後押ししています。

AIエージェントの台頭が招く新たな経営課題

ここまでの話を「中国発だから安い」「米国製だから高性能」という単純な二項対立の構図だけで捉えるのは正確ではありません。米国企業が中国発のモデルを視野に入れ始めた背景には、単なるモデル同士の性能競争を超えた、より深い構造的な変化があります。それが、自律的に動くAIエージェントの利用の急増です。

従来のAIは、人が質問を投げかけてAIがそれに答えるという、一問一答のチャット形式が主流でした。この使い方であれば、かかる費用はそれほど大きな問題にはなりませんでした。しかし、現在のトレンドは、AIが自分で考えて複数のツールを操作し、目的を達成するエージェント形式へとシフトしています。AIエージェントは裏側で何度もAI自身と通信を繰り返し、思考を深めるため、消費するトークン数がチャット形式とは比較にならないほど膨れ上がります。この結果、企業のAI利用料は急激に跳ね上がり、今や現場のエンジニアだけでなく、企業の財務を揺るがす深刻な経営課題となり始めました。

【参考】When Americans choose Chinese AI

利用料が下がっても請求額が増える

各AIベンダーによる激しい価格競争の結果、AIのAPI利用料金は確実に低下しています。それにもかかわらず、多くの企業においてAIの月間請求額が逆に跳ね上がっているという、一見すると不可解な現象が起きています。この矛盾の背景にあるAIエージェントの仕組みと、コストが爆発するメカニズムを詳しく解説します。

「一問一答」から「自律稼働」へ

これまでの生成AIの利用スタイルは、人が質問を入力し、AIがそれに一度だけ回答して終了するという一問一答型が中心でした。例えば、メールの文面を作成させたり、短い文章を翻訳させたりする使い方がこれに該当します。この形態では、消費されるトークン（AIが処理する文字や単語の単位）の量は、人が入力した量とAIが出力した量だけで完結していました。利用の頻度も人の作業スピードに依存する形となるため、想定外の費用が発生することは稀でした。

しかし、現在のビジネス現場で導入が進んでいるAIエージェントは、全く異なる動きをします。AIエージェントは、人が大まかな目標を指示するだけで、その達成に必要な細かな段取りを自分自身で考え、自律的に処理を繰り返す仕組みです。
具体的な処理の流れは以下の通りです。

• 目標の解釈: 人が与えた指示の意図を分析し、何をすべきかを明確にします。
• 計画の作成: 目標を達成するための具体的な手順や、使用するツールを組み立てます。
• 外部ツールの実行: 必要に応じてファイルの検索やウェブ調査、データベースへの問い合わせを行います。
• 結果の検証と再試行: 得られたデータが正しいかを検証し、エラーが起きた場合は別の方法でやり直します。

こうした仕組みにより、一度の指示に対してAIが裏側で何十回もの思考と処理を繰り返すため、人の関与しないところでデータ処理量が爆発的に増加する構造が生まれています。

見えにくいコストの正体

AIエージェントを運用する際、企業が支払う費用は単純に入力した文字と出力された文字の量だけで決まるわけではありません。エージェントが自律的に稼働を続ける過程で、目に見えにくい様々なデータが通信のたびに積み重なっていきます。

AIエージェントの処理では、AIに対して役割を伝える長いシステムプロンプトや、利用可能な外部ツールの定義が毎回送信されます。さらに、過去の会話履歴、参照したファイルの中身、ウェブ検索の実行結果、プログラムの実行ログ、そして処理が失敗した際の再試行ログなどが、次の推論を行うために繰り返しAIへと渡されることになります。

ウェブ上の情報を収集するエージェントを動かす場合を考えてみましょう。検索によってヒットした大きなPDFファイルやWebページの内容がそのままAIの入力データとして取り込まれます。取得するデータが大きければ大きいほど、入力されるトークンの量は膨れ上がります。さらに、エージェントが正しい答えが見つからないと判断して何度も検索と検証を繰り返すと、そのたびに膨大な過去の会話の連なりが上乗せされた状態でデータが往復します。これが、利用者の想定を超えて請求額が跳ね上がる要因となっています。ウェブ検索の利用自体に発生する固定料金に加え、膨大な入力データによる課金が二重に重なっていくのです。

「単価の下落」という罠

1トークン当たりの単価が安くなることと、月間の請求額が下がることは全くの別問題です。経済学には、技術の進歩によってある資源の消費効率が高まると、かえってその資源の総消費量が増加するという現象があります。AIの利用料金においても、まさにこれと同じ現象が起きています。

APIの利用単価が劇的に下がった結果、企業はこれならもっと多くの業務にAIを組み込めると判断するようになります。かつては費用対効果が見合わなかった社内システムの監視や、大量の顧客データの分類、定型業務の自動化などに、次々とAIエージェントを投入し始める形です。

しかし、人が1日に数回起動するチャットAIと、システムに組み込まれて24時間体制で稼働し続けるAIエージェントでは、利用される文字の桁が根本から変わります。人が処理できる仕事量には限界がありますが、自動化されたエージェントはプログラムの指示通りに数万回の処理を休むことなく実行できます。単価が10分の1に下がったとしても、利用する量が100倍や1000倍になれば、最終的な総支出は膨大になります。単価の低下がかえって企業のAI支出を拡大させるという皮肉な現象が多くの現場で発生しています。

広がる価格差

このコストの壁を乗り越えるために、企業はAIモデルごとの価格差に目を向けるようになりました。現在の市場における代表的な高性能モデルと、中国発の低価格モデルの具体的な料金を比較してみます。

例えば、多くの開発者に支持されている米国の高性能AIであるClaude Sonnet 4.6の標準的な利用料金は、入力100万トークン当たり3ドル、出力100万トークン当たり15ドルに設定されています。これに対して、中国発のモデルであるDeepSeek-V4-Flashの料金は、データが一時保存（キャッシュ）されていない通常の入力状態であっても、入力100万トークン当たり0.14ドル、出力100万トークン当たり0.28ドルという驚異的な安さで提供されています。この数字を単純に比較すると、入力で約21倍、出力では約53倍もの圧倒的な価格差が存在していることがわかります。これほどの差があれば、24時間稼働し続けるAIエージェントの基盤としてどちらが利便性に優れているかは一目瞭然です。

この単価の安さだけを見て、すべてのシステムをすぐに切り替えるべきだと結論を出すのは早計です。単価の差がそのままシステムの最終的な総コストの差になるとは限りません。安価なモデルの品質が不足していた場合、目的を達成するまでに何度も処理をやり直す必要が生じ、かえって合計のデータ量が増えてしまうことがあります。また、AIが出した答えが正しいかどうかを人の手で検証する工数や、連携する外部ツールの利用料金、さらには機密データを扱うためのセキュリティ対策費用なども総合的に評価しなければなりません。

ここで重要になる視点は、単に最も安いモデルを探し出すことではありません。高度で複雑な判断が必要な仕事には高価なAIを使い、定型的な作業には安価なAIを割り当てる、という知能の階層化と使い分けの仕組みを社内に構築することです。

モデルの選択とカントリーリスク

AIエージェントの運用に伴うコストの爆発に対抗する手段として、多くの企業がBYOKという仕組みに注目しています。本章では、BYOKの基本的な概念から、低価格な中国発モデルを採用する際に避けては通れないリスク管理の現実について、感情的な国籍論に終始しない本質的な視点から詳しく解説します。

「BYOK」の仕組み

ITシステムやクラウドサービスの世界では、利用の形態が時代とともに変化してきました。AIの領域において新しい標準となりつつあるのが、BYOK（Bring Your Own Key）と呼ばれる方式です。これは直訳すると「独自の鍵を持参する」という意味を指します。システムやツールの利用者が自分自身で各AIモデルの提供事業者と直接契約を結び、そこで取得したAPIキーを、外部のAIエージェントツールや開発ソフトウェアに設定して利用する構造を指します。

通常、特定のベンダーが提供するAIアシスタントサービスを月額定額などで契約した場合、そのサービスが裏側で採用している特定のAIモデルしか使うことができません。利用者はそのモデルの性能や料金体系をそのまま受け入れるしかありません。しかし、BYOKに対応した開発環境やツールを使用すれば、主導権は利用者の側に移ります。例えば、Microsoftが提供するVS Codeなどの高度なコード編集ソフトや、各種の自律型AIエージェントを構築するための基盤では、このBYOKの仕組みが広く取り入れられています。利用者は自分が用意した複数の鍵をツールに差し替えるだけで、接続するAIをOpenAIからAnthropicへ、あるいは別のオープンモデルへと自由に切り替えられます。これにより、特定のサービスプロバイダーによる囲い込みから解放され、企業は自社の予算や目的に合わせた柔軟な運用基盤を整えることが可能になります。

「AIの適材適所」を実現するモデルルーティング

現場でよく見られる失敗として、システム全体のすべての処理を、市場で最も賢いとされる高額なAIモデルだけで構築してしまう例が挙げられます。これは、社内の簡単な書類の並べ替えやデータの単純入力といった作業に対して、世界最高峰の経営コンサルタントを高い時給で雇い続けるようなものです。運用を開始した当初は完璧に動いているように見えても、利用者の数や処理するデータ量が増えるにつれてコストが雪だるま式に膨らみ、最終的に予算を使い果たしてプロジェクト自体が頓挫することになります。

これを防ぐために、BYOKによるAIモデルの適材適所が必要になります。例えば顧客に直接送信する重要文書の最終的なチェックや、システムの根幹に関わる複雑な設計の判断、高度な計画立案といった、失敗が許されない核心的な部分には、高い知能を持つ米国の高性能モデルを割り当てます。その一方で、大量のデータの分類や、キーワードの抽出、一次要約、定型的なプログラムの修正といった、定型的で秘匿性が低い作業には、DeepSeek-V4-Flashなどの低コストなモデルを動かすように設定します。こうした柔軟なモデルの切り替えにより、システムの高い品質を維持したまま、全体の運用の合計費用を劇的に抑え込むことができます。

カントリーリスクを正しく評価する

一方で、企業が中国発のAIモデルや付随するサービスを採用するにあたっては、カントリーリスクと呼ばれる特定の国や地域に起因するリスクを正しく評価しなければなりません。ここで重要なのは、「中国製だから一律に危険」「米国製だから無条件で安全」という安易な構図に落とさないことです。ここでの本質的な論点は、データの処理が行われる地理的な場所と、その国における契約条件や法律の適用範囲にあります。

例えば、DeepSeekが公開しているプライバシーポリシーによると、公式のチャットサービスや公式のAPIに直接入力された利用者の個人情報やデータは、中国国内にあるサーバーで処理および保存される可能性があると明記されています。自社の重要な業務データや顧客の個人情報、他社との機密情報が含まれるデータを扱う場合、そのデータがどの国の法律の管轄下に置かれ、どのような扱いを受けるのかを正確に把握する必要があります。公式サービスに直接データを送信する経路の安全性については、契約面と運用の両面から極めて慎重に確認を重ねる必要があります。

サプライチェーンと実行環境を分けて評価する

リスクを冷静に分析するためには、AIのモデルそのもの（設計図や計算データ）と、それを動かす実行環境や運営企業を切り離して評価する視点が必要です。多くの企業は、リスクを回避しながら安価な技術を活用するために、賢い構造の工夫を行っています。

中国企業が運営する公式のクラウドサービスにデータを送るリスクを回避するため、公開されているAIの設計図である「オープンモデル」を自社でダウンロードし、自社が契約している国内の信頼できるクラウド環境に配置して動かすという方法も存在します。この構成を取れば、入力したデータが外部の国へ送信されるリスクは完全に遮断できます。

ただし、この場合であっても別の問題として、技術のサプライチェーン（供給網）におけるリスクが残る点には注意が必要です。AIモデルの開発元からの更新データの提供が突然停止したり、利用に関するライセンス条件が将来的に変更されたり、あるいはモデルに組み込まれているプログラムの部品に予期せぬ脆弱性が発見されたりした場合に、自社でどこまで対応できるかという問題がこれに該当します。過去には、欧州のデータ保護当局が公式サービスのデータ処理方法を問題視し、特定のAIサービスの利用を一時的に制限する措置を命じた事例もありました。リスクを「モデルそのもの」「公式サービス」「データの通信経路」「実行環境」という複数の要素に細分化し、自社のセキュリティ基準と照らし合わせて個別に評価することが求められます。

AIエージェントが持つリスク

最後に重要な点として、AIを業務で活用する際のリスクの多くは、モデルの国籍に関係なく発生するという事実を強調したいと思います。特に、外部のシステムやデータベースを人間の代わりに自律的に操作するAIエージェントにおいては、特有の安全対策が不可欠となります。

国際的なセキュリティ団体であるOWASP（オープンWebアプリケーションセキュリティプロジェクト）の報告によると、生成AIを組み込んだアプリケーションにおける主な脅威として以下のような項目が挙げられています。

• プロンプトインジェクション: 悪意のある指示を入力することで、AIを騙して意図しない形に誤操作させる攻撃手法
• 機密情報の開示: AIの学習データや会話の履歴から、本来見せてはならない重要なデータが漏洩するリスク
• 過剰な自律性: AIエージェントに対して必要以上の権限を与えてしまい、予期せぬ誤操作やデータの書き換えが発生する問題

これらは中国発のモデルだけで起きる特殊な問題ではなく、米国製の最新AIであっても全く同じように発生します。中国発モデルのリスクばかりを過度に警戒し、米国製のAIエージェントだからといって社内システムへの過剰なアクセス権限を無条件で与えてしまうような運用は、本質的なセキュリティの危機を見落とすことにつながります。BYOKという仕組みは、単に安いモデルに逃げるための手段ではなく、こうした様々なリスクとコスト、性能を常に天秤にかけ、企業が自らの手で最適な制御を行うための基盤であると言えます。

「AIを選べる」ことが競争力に繋がる

米国政府は国家安全保障の観点から、最先端のAIモデルの提供範囲や公開を制限するなどの動きを見せ始めています。最先端のAIは、単なる業務効率化のツールを超えて、国のサイバー防衛や経済活動を左右する重要な戦略資産となりつつあります。このような状況の中で、米国の企業やスタートアップが中国発の低コストなモデルを業務の一部に組み込み始めている現象は、非常に示唆に富んでいます。

この変化は、日本企業にとっても決して他人事ではありません。AIの運用に必要な半導体、クラウド、大規模な基盤モデルなどの資源を、すべて自国だけで調達することは極めて困難です。だからこそ、特定のAIサービスに全てのシステムを委ねて全面依存するのではなく、BYOKのような仕組みを取り入れ、コスト、性能、データ管理、そして供給の継続性を比較できる複数の選択肢を手元に残しておくことが重要です。世界情勢や各国の規制の動きを冷静に見極め、必要に応じて柔軟に接続先を切り替えられる柔軟なシステム構造そのものが、これからの時代における企業の強力なリスク管理であり、競争力の源泉となります。