AIの夜明け：1997年のインターネットがそうであったように、今、AIが世界を再定義する

かつて、インターネットが我々の想像力を掻き立て、ビジネスと社会のあり方を根底から変革し始めた1997年がありました。その熱狂と不確実性に満ちた時代を彷彿とさせるかのように、今、人工知能（AI）が新たなフロンティアを開拓しています。a16zのポッドキャストに登場した元パートナーであり、業界で最も読まれるニュースレター「AI eats the world」の著者であるベネディクト・エヴァンス氏は、このAIの変革期を深く洞察し、その重要性、具体的な機能、ビジネスへの影響、そして将来性を詳細に語っています。本記事では、エヴァンス氏の視点に基づき、AIがもたらすであろう未来の全貌を深く掘り下げていきます。

1. AIの現状と短期的なインパクト：エージェント型コーディングの衝撃

エヴァンス氏は、この1年半でAIを取り巻く環境が大きく変化したと指摘します。特に印象的なのは、「エージェント型コーディング」の台頭です。かつては「そこそこ便利」だったこの技術が、今や「全てを変える」ものへと進化し、確かなプロダクトマーケットフィットを見出しています。顧客がその力を手放したがらないほどに、その価値は明らかになっています。

この成功は、AIが単なるツールを超え、具体的な課題解決に直結する能力を持つことを示しています。ソフトウェア開発者自身がAI技術を使いこなし、自分たちの仕事、すなわちソフトウェア開発の自動化に適用したことは、ある意味で当然の帰結でした。これは、初期のPCが「コンピューターを作る」ために使われたのと同様、LLM（大規模言語モデル）という「コンピューター」が「より多くのコンピューティング」を生み出すために使われている現象と重なります。

しかし、この急速な進化には影の部分もあります。エージェント型コーディングの成功は、AIのキャパシティに対する極端な需要を生み出し、供給制約と価格の不均衡を招いています。設備投資（Capex）は急増し、需要は無限に見える一方で、それに伴うコストは企業にとって大きな課題となっています。

一方で、多くの根本的な問いは未解決のままです。基盤モデルの勝者は現れるのか？モデルはスタックのより上位で価値を捉えることができるのか？消費者がこれを日常的に利用するようになる道筋は？これらの問いは、AIが次の段階へと進むために不可欠なものです。現状では、ソフトウェア開発という特定の領域で「機能する」ことが明確になったに過ぎず、その他の領域での広範な応用はまだ模索段階にあります。

2. 過去のプラットフォームシフトから学ぶ：コモディティ化の教訓

AIの未来を考える上で、エヴァンス氏が繰り返し参照するのが、過去の主要なプラットフォームシフト、すなわちPC、インターネット、モバイルの歴史です。これらの比較から、AIの発展が辿るであろう経路と、その中で価値がどこに宿るのかについての重要な洞察が得られます。

2.1. 初期段階の共通性：不確実性と困難さ

PCが普及し始めた1980年代、そしてインターネットが一般に開放された1990年代後半を振り返ると、今日のAIの状況と共通する初期の困難と不確実性が見えてきます。

PCの黎明期： 初期PCは非常に不安定で、画面がフリーズしては再起動が必要でした。サウンドカード一つ導入するにも多大な労力と費用がかかり、何に使うべきか明確ではありませんでした。最初の用途は「コンピューターを作る」ことでした。
インターネットの黎明期： 1990年代後半のインターネットも同様です。TCP/IPスタックのインストール、遅いダイヤルアップ接続、Webサイトの少なさなど、利用には高い技術的障壁と忍耐力が必要でした。当時、ブラウザが未来のOSになるかどうかも不透明でした。
モバイルデータの初期： 2009～2010年頃のモバイルデータも、初期には予期せぬ高額請求やネットワーク容量の不足といった問題に直面しました。AT&TがiPhoneをフラットレートで提供した結果、ユーザーがYouTubeを視聴し始め、ネットワークがダウンするという事態も発生しました。

これらの経験が示唆するのは、いかなる革命的技術も、初期段階では使いにくく、高価で、何に使うべきか不明瞭であるということです。AIもまた、現在この「興奮と不確実性の谷」にあると言えるでしょう。

2.2. 価値の移動：誰が利益を得るのか？

過去のプラットフォームシフトの歴史は、インフラレイヤーを構築した企業が必ずしも最大の利益を得られなかったことを教えてくれます。

通信キャリアの例： モバイルネットワークは、過去15年間でデータトラフィックが1500〜2000倍に増加し、私たちの生活を劇的に変えました。しかし、通信キャリア全体の売上は年間約1兆ドルであるにもかかわらず、設備投資に2000億ドルを費やし、株価は20年間横ばいです。彼らは「クールなもの」のほとんどを「他の誰か」に作らせ、価値はスタックの上位へと移動しました。かつて電話会社がモバイルバンキングを主導すると考えていた時代は、今となっては滑稽にさえ見えます。
チップメーカー、ISPの例： 同様に、チップメーカーやISPも、インフラを提供しながらも、その上に構築されたアプリケーションやサービスほどの価値を捉えることはできませんでした。

これに対して、WindowsやiOSは、ネットワーク効果とエコシステムを構築することで、スタックの上位で大きな価値を捉えることに成功しました。彼らは単なるインフラではなく、プラットフォームとして機能し、何が構築されるかを「決定する」レバレッジを持っていたのです。

この歴史がLLMの未来に突きつける問いは明確です。「基盤モデルはインフラレイヤーとしてコモディティ化し、ほとんど利益を上げられないのか？それとも、WindowsやiOSのようにプラットフォームとしての価値を確立し、利益を独占するのか？」

3. モデルはコモディティ化するのか？エヴァンス氏の核心的問い

ベネディクト・エヴァンス氏は、基盤モデルが最終的にコモディティ化する可能性が高いという仮説を提示し、その論拠を詳細に説明しています。これは、AI業界の構造と企業の戦略にとって極めて重要な洞察です。

3.1. モデルの差別化の難しさ

エヴァンス氏は、Google検索やYouTube、Instagramのような「持続可能な差別化」をLLMが見出すことが難しいと指摘します。

ネットワーク効果の欠如： LLMには、ユーザー数が増えるほど価値が高まるネットワーク効果がありません。あるモデルが他よりも「優れている」と評価されることはあっても、それは一時的なものか、特定のユースケースに特化したものに過ぎません。
資金力による競争： 現在のモデルの優位性は、主に投じる資本の量（コンピューティングリソース、データ）に依存しているように見えます。しかし、これは持続可能な差別化要因とはなりにくいでしょう。

3.2. チャットボットUIの限界

ChatGPTのようなチャットボットは、LLMの初期の代表的なインターフェースですが、エヴァンス氏はこのUIの限界を指摘します。

V1 UIとしての限定性： 特定のタスクやユーザーには非常に有効ですが、ほとんどの業務には「ツール」や「適切なデータ」「設定」「制御」「ユーザーインターフェース」など、多くの付加機能が必要です。
専門性とツールの設計： 優れたツールを使う能力と、優れたツールを設計する能力は別物です。財務アドバイスの専門家がTurboTaxを設計するわけではないように、ユーザーが直接チャットボットを使いこなして複雑な業務を解決するには限界があります。
Excelの比喩： Excelが多くの業務で使われる一方で、特定の規模を超えると専用のデータベースやソフトウェアが必要になるように、チャットボットも「テンプレート」としては優れていても、いずれ限界を迎えます。

3.3. モデル企業が全てを構築できない理由

MicrosoftやAppleが全てのWindowsアプリやiPhoneアプリを構築できないのと同様に、基盤モデルを提供する企業も、その上に構築される何十万、何百万ものアプリケーションやソリューションを全て開発することは不可能です。

専門性： 各業界や企業が抱える問題は極めて多様であり、モデル企業がその全てに対応する専門知識を持つことは現実的ではありません。
レバレッジの欠如： 企業顧客が、SaaS製品を選ぶ際に「Claudeを使っているか、OpenAIを使っているか」を気にすることは稀です。まるでクラウドプロバイダー（AWSなど）を意識しないのと同様に、基盤モデルは抽象化されたインフラの一部となるでしょう。

3.4. 半導体業界との比較と価格競争の未来

エヴァンス氏は、半導体業界との比較が示唆に富むと述べます。新しい世代のチップが登場するたびに開発コストが指数関数的に増大し、結果としてプレイヤーの数が減少するという構図です。AIモデルの開発も同様に莫大な資本を必要とし、少数のフロンティアモデル提供者が残る可能性があります。

しかし、そうした少数の企業間でも激しい価格競争が繰り広げられる可能性が高いです。

競争： 3～6社のフロンティアモデル提供者が、それぞれ年間2000億ドルから2兆ドルもの巨額を投じてモデルを構築します。これに加えて、エッジモデルやオープンソースモデルも登場し、競争は激化するでしょう。
事業モデルの違い： Googleのように広告収入という別の収益源を持つ企業は、OpenAIと比較してモデルの価格設定に対して異なる姿勢を取る可能性があります。
コモディティ化と価格支配力： モデルがすべて「同じようなチップで、同じようなことをする」のであれば、価格支配力を維持することは困難です。現在の需要と供給の極端な不均衡は一時的なものであり、モバイルデータの歴史が示すように、需要が無限に見えても、最終的には価格が均衡し、激烈な価格競争に突入する可能性があります。開発者が特定のモデルにロックインされるのではなく、容易に乗り換えられるのであれば、この傾向はさらに強まるでしょう。

エヴァンス氏は、これが「完全に間違っている可能性もある」と認めつつも、モデル企業が「なぜコモディティ化しないのか」を説明する必要がある、と問いかけます。

4. AIが変革するビジネス領域：既存の自動化から新しい問題解決へ

AIは、既存の業務プロセスを効率化するだけでなく、これまで不可能だった新しい問題解決の道を開きます。エヴァンス氏は、具体的なビジネス領域におけるAIの影響を分析しています。

4.1. ソフトウェア開発：生産性の飛躍と役割の変化

エージェント型コーディングの成功は、ソフトウェア開発の風景を劇的に変え始めています。

生産性向上： AIがコード生成、デバッグ、テストといったタスクを支援することで、開発者はより少ない時間でより多くのソフトウェアを構築できるようになります。これは、これまで人間が手作業で行っていた多くの作業が自動化されることを意味します。
ジュニアエンジニアの役割： これまでジュニアエンジニアが担っていた定型的なタスクがAIによって自動化されることで、彼らの役割やキャリアパスは大きく変化するでしょう。彼らはより高度な問題解決やシステム設計、AIとの協調作業にシフトしていく必要があります。
チーム編成と組織： ソフトウェアチームの構造や組織のあり方も再考が求められます。AIを効果的に活用できる人材の育成と、AIが生成するコードを評価・統合する能力が重要になります。

しかし、この変化はまだ始まったばかりであり、「チームがどうなるか」「ソフトウェアエンジニアのキャリアが3年後にどうなるか」を正確に予測することは時期尚早だとエヴァンス氏は強調します。

4.2. プロフェッショナルサービス：ピラミッド構造の変革と価値提供の再定義

法律事務所、コンサルティングファーム、投資銀行といったプロフェッショナルサービス業界は、伝統的に「ピラミッド構造」と呼ばれる組織形態を持っています。この業界にもAIは大きな影響を与えるでしょう。

下位層の業務自動化： ピラミッドの下位に位置するジュニアアソシエイトが行っていた情報収集、資料作成、定型分析といった業務の多くがAIによって自動化される可能性があります。
問いの「業界化」： AIがプロフェッショナルサービスに何をもたらすかという問いは、AI技術そのものよりも、それぞれの業界の深い知識を持つ専門家にとっての問いへと変化します。エヴァンス氏がNetflixの例で語るように、「Netflixにとって重要な問いは、技術的なサンフランシスコの問いではなく、ハリウッドのショー、タレント、賞に関するLAの問いである」のと同様に、AIが法律業界にどう影響するかは「弁護士」の問いになるのです。
新たな価値提供： AIは、弁護士がより多くの判例を分析し、より複雑な案件に集中することを可能にするかもしれません。コンサルタントは、膨大なデータを分析してより深い洞察を提供したり、これまで不可能だった種類の戦略を提案したりできるようになるでしょう。

4.3. 広告・Eコマース・マーケティング：消費者の「なぜ」を理解するAI

広告市場は1兆ドル、小売市場は25兆ドルという巨大な規模を持ち、AIがもたらす影響は計り知れません。

商品理解の深化： 現在のGoogleやMeta、Amazonの広告システムは、「これを買った人はあれも買った」という相関関係は知っていても、「なぜ」買ったのか、商品の本質的な意味を理解しているわけではありません。エヴァンス氏の「Amazonはトイレの便座カバーが何かを知らない（そして、人々がいくつも買うものではないことも知らない）」という皮肉は、この限界を突いています。
パーソナライゼーションの高度化： LLMのようなAIは、商品の「意味」や「文脈」をより深く理解することで、単なるキーワードやメタデータに基づかない、高度にパーソナライズされたレコメンデーションや広告生成を可能にします。例えば、ユーザーのInstagramの投稿を見て、そのスタイルに合った冬のコートを提案するといったことが、もはやSFではなく現実のものとなりつつあります。
顧客体験の変革： AIは、顧客サポートの改善、価格戦略の最適化、顧客離反率の予測など、多岐にわたるビジネスプロセスを強化します。企業の内部データ（Zoom通話記録、メール、Salesforceデータ、利用分析など）を統合・分析し、これまで人間では到達できなかったレベルの洞察を提供できるようになるでしょう。

これは単に既存業務の「自動化」に留まらず、これまで不可能だった「新しいこと」を可能にするものです。AIは、ビジネスが顧客を理解し、価値を提供する方法を根底から変える潜在力を秘めています。

5. AIがもたらす構造変化と未解明な問い

AIの導入は、ビジネスや社会の構造に広範な影響を及ぼしますが、その多くはまだ未解明な問いとして残されています。

5.1. 組織と人材への影響

エヴァンス氏は、AIが組織に与える影響はまだ不透明であると強調します。

自動化の範囲： AIは、組織内で「暗黙的に行われている」「文書化されていない」「誰もフローチャートに描けない」ような業務の一部を自動化する可能性があります。しかし、人間の判断やコンテキスト理解を必要とする複雑なタスクは、依然として人間の役割として残るでしょう。
新しいスキルと能力： AIを使いこなし、AIが生成するものを適切に評価し、人間の判断と組み合わせる能力が今後ますます重要になります。
市場構造とキャリアパス： ソフトウェアエンジニアやその他の専門職のキャリアパスが3年後にどうなっているかを予測することは非常に困難であり、現時点での断定は「狂気の沙汰」だとエヴァンス氏は述べています。

5.2. 資本支出の持続可能性と財政的重力

主要なテック企業（Microsoft, Meta, Googleなど）は、AIインフラに売上高の50%以上を投じており、その規模は年間7000億ドルにも上ります。これは、資本集約的とされる通信業界（売上高の15～20%）をはるかに上回る水準です。

物理的な限界： 年間10兆ドルをAIインフラに投じることは、世界経済の規模から見て現実的ではありません。資本には物理的な限界が存在します。
ROIの問い： 巨額の設備投資に見合うリターンが得られるのか、という問いが常に存在します。現在のモデルの関連性が3～9ヶ月程度で陳腐化する可能性を考えると、投資回収のスパンは非常に短くなります。
存在をかけた競争： これらの企業にとってAIは「存在をかけた問題」であり、他社に遅れを取ることは許されません。いわゆる「FOMO（Fear Of Missing Out）」が、過剰な投資を促している側面もあります。しかし、この成長曲線はいずれ「先細り」にならざるを得ないでしょう。

5.3. ROIと消費者余剰：価値の測定と競争の力学

AIへの投資のROI（投資収益率）を正確に測定することは、初期段階では困難です。

測定の難しさ： DeloitteやFedの調査が示すように、AIの初期の恩恵は「より良い分析」「顧客サポートの改善」「生産性向上（スライド作成の迅速化など）」といった、測定が難しい領域に多く見られます。新しい売上高や具体的なコスト削減に直結する成果は、時間をかけて構築されるものです。
消費者余剰： AIが業務を効率化し、コストを削減しても、その恩恵が必ずしも収益増につながるとは限りません。例えば、DCF（ディスカウントキャッシュフロー）分析が1週間から10秒に短縮されても、その分析の料金を5倍にできるわけではなく、競合との間で「消費者余剰」として吸収されてしまう可能性があります。これは、投資銀行がより少ない人数でより多くの分析を行うようになったのと同様の現象です。
競争による相殺： AIが「競争上の必須要件」となれば、全ての企業が導入せざるを得なくなりますが、その結果生じる生産性向上は業界全体で相殺され、特定の企業が独占的な利益を享受することは難しくなるでしょう。

5.4. 新しいソフトウェアのあり方とSaaS市場への影響

AIは、既存のソフトウェアのあり方とSaaS市場の構造を根本から変える可能性があります。

「より多くのソフトウェア」の時代： ソフトウェア開発がはるかに安価かつ迅速になることで、これまでビジネスロジックや特定のニッチな問題を解決するためにSaaSアプリが爆発的に増えたように、「AIを活用した新しいソフトウェア」が大量に生まれるでしょう。
既存ソフトウェアとの関係： AIは、SAPのような大規模基幹システム、特定の垂直SaaS、あるいはExcelやメールといった「曖昧で手作りの」中間領域のいずれにも組み込まれる可能性があります。AIをSalesforceの機能として組み込むのか、それともSalesforceやWorkday、Google Analyticsを横断的に分析する最上位のレイヤーとして機能させるのか、その配置は多様であり、両方のパターンが共存するでしょう。
確率的ソフトウェアと決定論的ソフトウェア： AIは間違いを犯す可能性がある「確率的ソフトウェア」であるため、それが「決定論的システム」（データベースなど）とどのように統合され、信頼性と正確性を担保するかが重要になります。
SaaS市場の再編： AIの導入は、多くの既存SaaS企業にとって大きな脅威となり得ます。AIが提供する新しい機能や効率性によって、一部のSaaS製品は陳腐化したり、統合されたりする可能性があります。「SaaSの黙示録」が訪れると多くの投資家は危惧していますが、どの企業が影響を受けるかを特定することは困難です。
新しい問題の発見と解決： 過去のスタートアップが、業界の誰も認識していなかった問題を解決する画期的な方法を見出したように、AIは「今まで誰も存在を知らなかった問題」を発見し、それを解決する新しいツールを創出する原動力となるでしょう。

5.5. インターフェースとエージェントの未来

AIの進化は、人間とコンピューターのインターフェース、そしてソフトウェアエージェントのあり方にも影響を及ぼします。

APIとエージェント： かつて「APIが新しいビジネス開発である」と言われたように、AIエージェントが直接システムと対話する「フロントエンドのないソフトウェア」が増える可能性も指摘されています。
例外処理の重要性： しかし、あらゆる自動化されたシステムにおいて、最も重要なのは「例外処理」です。人間が判断を下し、意見を持つ必要がある部分、つまり「自動化できない部分」がどこにあるかを見極めることが重要です。
タスクとジョブの区別： 会計士の仕事が50年前と今で「タスク」は劇的に変化しても、「ジョブ」（顧客に財務アドバイスを提供する）の本質は変わらないように、AIはタスクを自動化し、ジョブの遂行方法を変えるでしょう。
「平均」と「独自性」の区別： LLMは、「誰もがそうするであろう」という平均的なタスクの遂行には非常に優れています。しかし、新しい問いに対する独自の答え、非定型的な解決策、あるいは人間特有の創造性や直感を必要とする場面では、その能力には限界があります。

6. 不確実性の中での展望：未来は誰にも予測できない

エヴァンス氏は、未来の予測がいかに困難であるかを繰り返し強調します。

予測の限界： 「歴史は我々に何も教えてくれない。何かが起こるということ以外は」という言葉が示すように、後から見れば当然に見える結果も、当時は不明瞭なものでした。1997年のインターネットを前に、UberやAirbnbの登場を予測できた人はいなかったでしょう。
物理的限界の不明瞭さ： 過去のプラットフォームシフト（3G、iPhone、Webなど）では、「ブロードバンドが来週には世界中の全員に届くことはない」「PCが3000ドルもするから、誰もがすぐに買えるわけではない」といった物理的な限界が明確でした。しかし、現在の生成AIにおいては、モデルがどれだけ速く、安く、賢くなるか、その物理的な限界はまだ見えていません。今日のモデルの価格が明日には2%になる可能性もゼロではないのです。
問いの移動： AIの問いは、技術そのものから、それが適用される各産業固有の課題へと移りつつあります。「法律にAIが何を意味するか」は、もはやAI専門家だけの問いではなく、法律の専門家や法律事務所の経営者が答えるべき問いとなるのです。

7. 結論：20年後の「当たり前」の世界

AIが私たちにもたらす未来は、計り知れない可能性と、深い不確実性に満ちています。しかし、エヴァンス氏の最終的な見解は、希望に満ちたものです。

彼は、1950年代初頭のIBMの広告を引用します。そこには計算尺を持つ技術者の群れの写真とともに、「IBM電子計算機は150人の追加エンジニアを提供する」と書かれていました。これは、今日のAIが提供する「生産性向上」の約束と全く同じです。私たちは10年から20年ごとに、このような根本的な技術変革を経験してきました。PC、インターネット、モバイル、そして今、AIです。それぞれが「驚くべきものであり、全てを変える」と同時に、「これまでにないもの」でした。

そして、その結果は常に同じです。最初は困難で、批判され、多くの未解決の問いを残します。しかし、やがて技術は社会に深く浸透し、その「魔法」は当たり前のものとなります。私たちが今、高画質のビデオ通話をiPhoneからMacにWi-Fi経由でストリーミングできることを「当然」と見なしているように、20年後にはAIが達成する驚異的な成果も「コンピューターは常にそうしてきた」と語られるようになるでしょう。

AIは、私たちに「魔法」をもたらし、そしてその魔法が当たり前になる世界を創造する旅の途上にあります。この旅は不確実性に満ちていますが、その先には、私たちの想像を超える豊かな未来が待っているはずです。