8月1日、MBI Deep Divesが「Hyperscalers vs AI Labs Debate, and the Moving AI Frontier」と題した記事を公開した。この記事では、ハイパースケーラー（AWS・Azure・GCP等の大規模クラウド事業者）とフロンティアAIラボ（OpenAI・Anthropic等）の間で進行する経済的な力学の変化と、AIモデルの最前線がどこに向かっているかについて詳しく論じられている。

ハイパースケーラーが抱える非対称リスク

記事の出発点はAWSとGCPの収益構造の比較だ。GCPはAnthropicの大口顧客であるが、Googleには万一AIラボ収益が失速した場合の「内部の受け皿」がある。Search・YouTube・Gemini・DeepMindがTPUを吸収できるため、設備投資の無駄が生じにくい。

一方、AWSにはそのような内部ワークロードがない。インフラは「貸し出すために作られている」構造であり、ラボ収益が減速した際のショックアブソーバーが存在しない。現状のラボ収益がAWSの**約10%**にとどまっているとしても、数年分のバックログを見れば将来の収益はより「ラボ重心」になる。

さらに重要な指摘がある。大規模GPU/TPUクラスターをラボに貸し出す契約は、エンタープライズ向けや推論トークン販売と比べて収益効率が低い。記事の中では「Tn/GPUクラスターによるラボ向け卸売契約は、MicrosoftやAWSのビジネスの中で最もGPU電力あたりの収益が低い部分」という見方が紹介されている（記事著者であるMBI Deep Divesによる分析として提示されているもの）。これから数年で稼働してくる設備の収益は、従来型クラウドの単価を下回る傾向が続く見通しだ。

「内製化」がラボの本当の交渉カード

記事が最も鋭く切り込む論点が、ラボのインソーシング（自社インフラ構築）の可能性だ。

「ラボが採算に乗れば自前でGPUインフラを持つようになる、だからハイパースケーラーへの依存は長続きしない」という見方があるが、MBI Deep Divesはこれをむしろラボの最強の交渉カードとして捉えている。

自社でデータセンターを持てる能力があれば、ラボは「自前で建てた場合の1トークンあたりコスト」を正確に把握できる。その数字が、ハイパースケーラーに支払える上限値になる。ハイパースケーラーに残るマージンは「利便性プレミアム」（速度・柔軟性の対価）のみとなり、ラボが成熟するにつれてそのプレミアムは縮小する。

ただし、現実的な制約もある。電力の確保は依然として大きなボトルネックであり、既存ハイパースケーラーがすでにパズルの全ピースを持っている場合、利便性プレミアムは想定より大きくなりうる。また、データセンター建設への政治的な反発が強まる可能性もある。

Microsoftの「スワッパブルモデル」戦略の実態

Microsoftは「モデルは差し替え可能（swappable）であるべき」という設計思想をSatya Nadellaが公の場で繰り返している。ハーネス（実行基盤）とモデルを分離し、メモリ・コンテキストを外部化すれば、任意のモデルをいつでも切り替えられるというアーキテクチャだ。

「フロンティアモデルを使うべき理由はある。だが複数を使えばよい。低コストモデルを使えばよい場合もある。外部モデルを一切使わず自前のモデルをトレーニングすることもできる」— Satya Nadella（2Q26決算Q&Aより）

しかし実態はどうか。MBI Deep Divesは過去の開示データを追跡しており、MicrosoftのFoundryプラットフォームの顧客数は10万社（前四半期の8万社から増加）、複数プロバイダのモデルを利用する顧客は年初比5倍増とされている。ただし、前四半期に開示されていた「複数モデル利用顧客数」の絶対値や「OpenAI＋Anthropic利用顧客数」は今回の開示から消えた。

毎四半期、新しい分母に対する新しい分子が提示される。フォローが難しい開示設計だ。

記事の判断では、Foundry顧客の大多数は依然として実質的にシングルモデルだ。Geminiを含む他のクローズドモデルがフロンティア競争から遅れつつある現状では、Nadellaが描くマルチモデルの未来は実現が難しい。

フロンティアはまだ動いている

2026年のAIモデルの「先頭集団」は、事実上OpenAIとAnthropicの2社に絞られている。中国のオープンウェイトモデルがギャップを縮めたかに見えた矢先、再び乖離が広がる兆しがあると記事は指摘する。なお、Amazonによる大規模なOpenAIへの投資完了についても記事内で言及されているが、本稿ではその詳細は元記事の記述に譲る。

記事の中では、OpenAI社内でのテストに関する情報として、次世代モデルファミリー「Astra」の内部版が数学・量子複雑性・理論計算機科学の10の未解決問題を解いたとされる結果が紹介されている（この内容はMBI Deep Divesが元記事執筆時点で参照した情報に基づくもので、OpenAIによる公式の対外発表とは区別して読むべきだ）。そのコストは「Sol APIレートで約2,000ドル」。複雑な数学問題をわずか数千ドルで解ける時代が来つつあるともいえるし、逆に言えば「知能がメーター制で売れないほど安価になる時代」が近いとも読める。

MBI Deep Divesはこの点で明確な結論を出していない。「知能の大量生産で数千億ドルの収益を上げるのはハードルが高いかもしれない」としつつも、いわゆる「ジェヴォンズのパラドックス」（効率化により需要が爆発的に増える現象）の可能性も示唆する。ジェヴォンズのパラドックスはエネルギー経済学に端を発する概念で、技術的効率化がコスト低下を通じて需要を逆に押し上げるという逆説を指す。AIの文脈では、推論コストの低下がAPIコールの爆発的増加をもたらし、結果として収益が拡大するシナリオがこれにあたる。

投資家として何を見るか

記事はハイパースケーラー対AIラボの構図について「5〜10年後の決着は見えない」と正直に認める。現在のハイパースケーラーの株価倍率を前提にすると、その不確実性は割高感につながりうる。

記事の筆者はGOOGL（Google）のポジションを保有しつつも、今後数四半期は「観察者」に徹するスタンスを示している。その根拠として挙げられているのは、ラボ側の交渉力の高まりと、ハイパースケーラーの収益構造が「従来型クラウド重心」から「ラボ重心」へ移行することへの不透明感だ。AIラボのIPOが実現すれば財務開示の透明性が増し、こうした構造をより客観的に評価できるようになるという期待も添えられている。

この議論の背景を理解するうえでは、ハイパースケーラーの資本支出動向を追ったSemiAnalysisのレポートや、Anthropic・OpenAIそれぞれの利用規約・パートナーシップ開示ページなども参照に値する。また、ジェヴォンズのパラドックスとAI需要の関係については、Benedict Evansをはじめとする複数のアナリストが継続的に論じており、本記事の議論と合わせて読むと理解が深まる。

詳細はHyperscalers vs AI Labs Debate, and the Moving AI Frontierを参照していただきたい。