10月1日、TechSpotが「The cost of AI performance is falling so fast it could reshape the entire software market」と題した記事を公開した。この記事では、AIの性能コストが四半期ごとに約50%下落するペースで急落しており、ソフトウェア市場全体の構造を変えうるというEpoch AIのレポートを詳しく紹介している。

AIコストの下落速度は、リチウム電池やムーアの法則を超えている

Epoch AIが公開したレポート「The Plunging Price of Thought」によると、一定水準のAI性能を達成するコストは、四半期ごとに約50%のペースで下落している。年間では4四半期分の複利計算となり、単純換算で10倍超に相当する急落だ（元記事では「約13倍」と記載されており、モデルの加重平均や測定期間の取り方による調整が反映されている可能性がある）。

この数字がいかに異常かを示すために、Epoch AIは他の技術コスト曲線と比較している。

• リチウムイオン電池：1991年〜2024年の33年間でコストが約100分の1
• コンピューティングコスト：1940年頃から60年かけて数千億分の1
• DNAシーケンシング：コスト曲線の形成に20年以上を要した

AIの場合、Epoch AIの測定によればDNAシーケンシングの約4倍速、リチウム電池の約18倍速で下落している。

なお、Epoch AIはAIの進歩を定量的に追跡・予測することを専門とする研究機関で、コンピューティングトレンドや学習コスト、モデル性能の推移に関するデータを継続的に公開している。本レポート「The Plunging Price of Thought」は、そうした継続的モニタリングの一環として発表された分析であり、単発の価格調査ではなく複数ベンチマークにまたがる系統的な測定に基づいている。

何を測定しているのか

重要なのは、このレポートが「AIサービスの平均価格」を測定しているわけではない点だ。

Epoch AIが追跡しているのは、特定の性能水準を達成するためにかかるコストである。主要な指標として使用されているのは「GPQA Diamond」——理系分野の大学院レベルの問題で構成された多肢選択テストだ。このベンチマークで81.25%以上のスコアを達成するモデルを動かすコストの推移を追っている。

この測定アプローチにより、モデルの精度向上だけでなく、同じタスクに必要なコンピューティングリソースやトークン数の削減効果も捉えられる。

具体例として、元記事ではOpenAIのモデル間の比較が引用されている。

• GPT o3（2025年1月リリース）：GPQA Diamondで75%スコアを達成するコストが1問あたり$0.30
• 後継モデル（約1年半後時点）：同水準のスコアを1問あたり$0.0004で達成

約750倍のコスト差だ。元記事に登場するモデル名の表記については、原文の該当箇所を直接参照されたい。

コスト下落は均一ではない

ただし、すべてのタスクで同じペースのコスト低下が起きているわけではない。

Epoch AIが数学や論理パズルに関するベンチマーク（Frontier Mathなど）でも同様の分析を行ったところ、タスクによって結果にばらつきがあった。Frontier Mathの結果は2025年〜2026年にかけてほぼ横ばいが続いた後、2026年半ばに急激に下落したという。つまり、「AIにはひとつの普遍的なコスト曲線がある」とは言えない。

また、レポートは下落ペース自体が鈍化している可能性も指摘している。追跡した5つのベンチマーク全体で見ると、当初は四半期あたり66%の下落だったものが、2年後には**四半期あたり32%**まで鈍化している。それでも急速な改善ではあるが、エネルギーコストやデータセンター容量、AIハードウェアの価格上昇が推進力を相殺している可能性がある。

「ベンチマクシング」リスク

Epoch AIはもうひとつの懸念も挙げている。「benchmaxxing（ベンチマクシング）」と呼ばれる現象だ（原語の発音は「ベンチマクシング」に近く、「ベンチマークを極限まで最大化する」という意味合いの造語）。これは開発者がベンチマークのスコアを上げるためにモデルを最適化した結果、実際の業務での性能向上を伴わないケースを指す。

Epoch AIはテストの一部にランダム要素を導入してこれを防ごうとしたが、そうした保護のないベンチマークではより急激なコスト低下が見られた。ベンチマーク特化の最適化が数字に影響している可能性は排除できない。

ソフトウェア市場への影響

コスト下落が続けば、企業は最新・最高性能のモデルに費用をかけなくても、自社のワークロードに見合った安価なモデルで十分な結果を得られるようになる。これはフロンティアモデル（最先端モデル）の開発に多額を投じているプロバイダーにとって、価格支配力の低下を意味する。

たとえば、コード補完や定型文書処理のように「高精度である必要はあるが最先端でなくてよい」業務カテゴリでは、企業がより安価なモデルへ移行するインセンティブが直接的に生まれる。コスト差が数百倍規模に達するならば、既存契約の更新タイミングで調達先を見直す動きが加速しやすい。

ただし、AIプロバイダーの選定基準はコストだけではない。既存システムとの統合、セキュリティポリシー、ユーザーの慣れ、信頼性といった要素も選定に影響する。モデルを切り替えるには、テスト、ソフトウェア変更、プライバシー・信頼性の再評価が必要になる。

Epoch AIのレポートが指摘する本質的な課題は、AIの性能コストが顧客の計画調整より速く下がり続けるかもしれないという点だ。開発者にとっては、背後にあるモデルが安くなっても製品の価値と収益性を維持する方法を見つけることが次の問いになる。

詳細はThe cost of AI performance is falling so fast it could reshape the entire software marketを参照していただきたい。