米企業で本格化するOpenAI離れとオープンLLM採用加速の理由

AI予算を圧迫したトークン課金の現実

米国企業の間で「OpenAI離れ」「Anthropic離れ」と呼ばれる動きが目立ち始めています。ただし実態は、両社のモデルを一斉に捨てる流れではありません。高性能なクローズドモデルを最重要業務に残しつつ、要約、分類、検索支援、社内問い合わせなどをオープンモデルへ振り分ける調達再設計です。

生成AIが実証実験から本番運用へ移ると、費用の見え方は大きく変わります。月額SaaSのように席数で読める支出ではなく、入力文、出力文、エージェントの再試行、長い文脈、キャッシュ利用の有無で請求額が揺れます。AI導入の焦点は「どのモデルが最も賢いか」から「どの業務にどのモデルを割り当てるか」へ移っています。

AT&Tが選んだモデル分散運用の経済性

1日450億トークンが映す規模の壁

象徴的な事例がAT&Tです。同社は2026年7月、AI運用の平均処理量が1日450億トークンに達していると明らかにしました。通信会社のAI活用は、顧客対応、通話内容の要約、ネットワーク運用、社内開発支援など広範囲に及びます。使う人数と業務が増えるほど、1回あたりの単価が小さく見えても総額は急速に膨らみます。

AT&Tが取った打ち手は、単に安いモデルへ置き換えることではありません。独自のAI Gatewayを使い、プロンプトごとに速度、品質、コストを評価して、最も費用対効果の高いモデルへ振り分ける仕組みを整えました。公式ブログでは、このキャッシュ対応ルーターと通信業界向けオープンモデルの組み合わせにより、AIコストを最大90%削減し、すでに数百万ドル規模の節約につながっていると説明しています。

重要なのは、オープンモデル採用が「劣化版への妥協」ではなくなっている点です。AT&TはOpen Telco AIの一環として、通信分野に特化したOTel 2.0を展開しています。公開情報によれば、同モデルはGSMAのデータを活用し、AMD GPU上で4000億トークン超を用いてポストトレーニングされています。汎用モデルが通信規格やネットワーク構成を十分に理解しない場面では、分野特化モデルのほうが実務上の精度を出しやすいのです。

キャッシュ対応ルーターの費用対効果

Fierce Networkの取材では、AT&TのAIトークン処理量は前年の1日80億トークン前後から450億トークン超へ増えたとされています。それでもコストを比較的横ばいに抑えられている背景には、古いユースケースの再点検があります。同社は本番稼働中の約150件のAIユースケースを見直し、1年以上前にクローズドモデルで作った業務を、現在のオープンモデルで十分に置き換えられるか検証しています。

この発想はSaaS導入に近いものです。最初は高機能な外部サービスで素早く立ち上げ、業務要件が固まったら運用コスト、データ管理、カスタマイズ性を見て構成を変える。生成AIでも同じことが起きています。特に分類のように答えがA、B、Cに限られる処理では、最先端LLMを毎回呼び出す必要がない場合があります。AT&Tは一部の分類業務について、生成AIではなく従来型の機械学習へ戻す選択肢も取っています。

さらにコスト管理ではキャッシュが大きな意味を持ちます。長い会話履歴やRAGの固定プロンプトを何度も送る場合、キャッシュが効くかどうかで入力トークン費用は変わります。単純に「安いモデルへ切り替える」だけでは、キャッシュを失って逆に割高になることもあります。モデルルーターは価格表だけでなく、文脈長、会話継続性、失敗時の再試行、品質劣化時のエスカレーションまで見る必要があります。

OpenAI依存を薄める企業調達の新基準

調達主導権を取り戻す多モデル化

OpenAIやAnthropicの企業利用が終わるわけではありません。a16zの2026年調査では、OpenAIは企業AI支出の過半を占め、Anthropicも本番利用と検証利用で存在感を伸ばしています。同時に、企業の81%が3種類以上のモデルファミリーをテストまたは本番利用しているとも報告されています。つまり「離れ」の本質は、単一ベンダー依存からの離脱です。

企業が多モデル化へ進む理由は三つあります。第一に、用途によって必要な知能が違うことです。戦略文書の作成、複雑なコード修正、マルチモーダル分析のような業務では、OpenAIやAnthropicの高性能モデルが強みを持ちます。一方、定型的な要約、検索結果の整形、FAQ回答、チケット分類では、より小さなモデルでも十分な品質を出せます。

第二に、データ主権です。顧客情報、通信ログ、金融取引、医療情報、社内コードなどを扱う企業は、どの地域で推論されるのか、学習に使われないのか、監査ログを残せるのかを重視します。オープンウェイトモデルを自社環境や専用クラウドで動かせれば、データの流れを設計しやすくなります。これは単なるセキュリティ論ではなく、規制産業のDXで避けられない調達条件です。

第三に、価格交渉力です。OpenAIの企業向けレートカードでは、GPT-5.5が100万入力トークン5ドル、出力30ドル、GPT-5.5 Proは入力30ドル、出力180ドルとされています。Anthropicの公式価格でも、Claude Sonnet 5は入力2ドル、出力10ドル、Opus 5は入力5ドル、出力25ドルです。高性能モデルの価格は下がってきましたが、出力の多いエージェント業務では差が積み上がります。代替モデルを持つ企業ほど、品質と価格の交渉余地を持てます。

オープンモデルが広げる内製余地

オープンモデル側の供給も厚くなっています。MetaのLlama 3.1は405Bモデルを含むラインアップを公開し、128K文脈、ツール利用、多言語対応、蒸留や合成データ生成の用途を打ち出しました。GoogleのGemma 4はApache 2.0ライセンスで提供され、少ないパラメータで高い性能を出す「intelligence-per-parameter」を前面に出しています。NVIDIAのNemotronも、オープンウェイト、学習データ、レシピ、NIMによる配備を組み合わせ、エージェント用途を狙っています。

この変化は、AIスタートアップやSaaS企業にも大きな意味を持ちます。以前は「どの基盤モデルのAPIを包むか」がプロダクトの中心でした。これからは、モデル選定、プロンプト管理、評価、RAG、権限管理、監査、費用配賦をどう統合するかが競争軸になります。顧客企業はモデル名ではなく、業務単位の正答率、遅延、運用費、データ管理を見ます。

McKinsey、Mozilla、Patrick J. McGovern Foundationの共同調査では、41カ国の700人超の技術リーダーと開発者を対象に、オープンソースAIの利用実態を分析しています。回答企業の多くがデータ、モデル、ツールの各層でオープンソースAIを利用し、テクノロジー、メディア、通信領域では利用率が高いとされます。回答者の76%は、今後数年でオープンソースAIの利用を増やす見込みだと答えています。

一方で、オープンモデルは無料の魔法ではありません。自社運用にはGPU、MLOps、セキュリティ、評価基盤、障害対応が必要です。プロプライエタリモデルは初期導入が速く、商用サポートやSLAも明確です。したがって企業の最適解は、全面自前化ではなく、業務の成熟度に応じた「買う、作る、借りる、切り替える」の組み合わせになります。

オープンモデル採用で残る統制と責任

オープンモデル活用が広がるほど、企業は「何がオープンなのか」を見極める必要があります。Open Source Initiativeは、AIシステムがオープンソースと呼ばれるには、利用、研究、改変、共有の自由に加え、データ情報、学習コード、パラメータへのアクセスが重要だと定義しています。単に重みが公開されているだけのモデルと、学習過程まで検証しやすいモデルは同じではありません。

性能面でも過信は禁物です。Stanford HAIの2026年AI Indexは、トップクローズドモデルとトップオープンモデルの差が2024年に一時縮まった後、2025年に再び広がったと整理しています。同時に、上位モデルの性能差は縮まり、競争軸がコスト、信頼性、分野特化性能へ移っているとも示しています。企業は公開ベンチマークだけでなく、自社の問い合わせ、コード、文書、顧客対応ログに近い評価セットを持つべきです。

リスクはモデルの出力だけではありません。ライセンス、学習データの由来、輸出規制、地域ごとのデータ処理、サプライチェーン脆弱性も確認対象です。安いモデルを部署ごとに自由導入すると、費用は下がっても監査不能なAIスプロールを招きます。オープンモデル採用は、むしろガバナンス設計の成熟を求めます。

経営者が来期予算で見るべき三つの指標

企業が今見るべき指標は、トークン単価だけではありません。第一に、1件の顧客対応、1件のコードレビュー、1件の社内問い合わせ解決にかかった「成果あたりAIコスト」です。第二に、モデル別ではなく業務別の品質評価です。第三に、データ、権限、ログ、ライセンスを含む統制コストです。

AT&Tの事例が示すのは、OpenAIやAnthropicの価値低下ではなく、企業側の運用能力の上昇です。最難関タスクには高性能モデルを使い、反復業務には小型または分野特化モデルを使い、全体をAI Gatewayで制御する。この構成を持つ企業ほど、AI投資を単なる請求書ではなく、事業別の収益性で管理できます。

生成AIの競争は、モデル単体の性能競争から、モデルを使い分ける運用競争へ移りました。来期のAI予算を組む企業に必要なのは、最先端モデルの導入数を増やすことではありません。どの業務をどの品質で、いくらで、どの統制下で動かすのかを測る仕組みです。そこに、米企業の「オープンLLM回帰」が持つ本当の意味があります。

参考資料:

• The Tokenomics Equation: Balancing Cost and Performance
• Creating and Sharing Dedicated AI Models for the Telco Industry
• Open models are driving AT&T’s AI ‘tokenomics’ strategy
• GSMA launches Open Telco AI to accelerate development of telco-grade AI
• AT&T charts a new course with OTel 2.0, its new open-source AI foundation model
• Technical Performance | The 2026 AI Index Report
• Open source technology in the age of AI
• The cost of intelligence: How CIOs can manage AI demand at scale
• Leaders, gainers and unexpected winners in the Enterprise AI arms race
• The Open Source AI Definition – 1.0
• ChatGPT Rate Card: Enterprise token-based pricing
• Pricing - Claude Platform Docs
• Introducing Llama 3.1: Our most capable models to date
• Gemma 4: Byte for byte, the most capable open models
• NVIDIA Nemotron