AIのコストが崩壊している。

399ドルで二足歩行ロボットが買える。月5万円でLLMがローカルで動く。6,900ドルでGPUを回せば、それなりのモデルが訓練できる。

3年前なら桁が2つ違った話だ。

にもかかわらず、地方の中小企業の現場では「高い方」を選んでしまう判断ミスが繰り返されている。なぜか。安心感だ。「有名なベンダーだから」「サポートがつくから」「みんな使っているから」。その安心感に、年間数百万円を払っている。

本当にそれでいいのか？

今回は、Hugging Faceの399ドルロボット「Microduck」、ローカルLLM運用、低コストモデル訓練の3つの事例から、中小企業が陥りがちな選択ミスを具体的なコスト比較で解剖する。

—

間違い①：数万ドルのロボットを買う前に、399ドルを試さない

Hugging Faceが発表した「Microduck」は、399ドル（約6万円）の小型二足歩行ロボットだ。強化学習でユーザー自身がトレーニングでき、歩行・着座・キック・スケートといった動作を物理シミュレーション上で学習させたニューラルポリシーで制御する。

一方、産業用や教育用の商用ロボットはどうか。Boston Dynamics系は論外として、研究・教育向けの二足歩行ロボットでも5,000〜30,000ドルが相場だ。カスタマイズや3Dプリンタでのプロトタイピングを含めれば、トータルで数万ドルに達することも珍しくない。

399ドル vs 数万ドル。50倍以上の価格差。

もちろん、Microduckは産業ラインにそのまま投入するものではない。だが、問題はそこじゃない。

中小企業がロボティクスやAIの実験を始めるとき、最初から「本番用」を買おうとする。これが間違いの本質だ。399ドルで強化学習の仕組みを理解し、自社の業務にロボティクスが合うかどうかを検証する。合わなければ6万円の授業料で済む。合えば、そこから本格投資すればいい。

「まず6万円で実験する」か「いきなり300万円で導入する」か。 この判断の差が、中小企業の生死を分ける。大企業は300万円の失敗を吸収できる。従業員20人の会社にはできない。だからこそ、低コストで実験できる時代の恩恵を最も受けるのは中小企業のはずだ。

にもかかわらず、「安いものは信用できない」という思い込みで、高額ソリューションに飛びつく。ベンダーの営業資料を見て安心する。これが間違い①だ。

—

間違い②：外部APIに月額数十万円払い続け、データも渡す

「ChatGPTのAPI使ってます」「外部のAIチャットボットサービス入れてます」。

それ自体は悪くない。だが、こう聞きたい。月いくら払っていて、自社のデータはどこに行っているか、把握しているか？

外部AIプラットフォームのサブスクリプション費用は、利用量にもよるが月額5万〜50万円が一般的だ。社員数十人規模の会社で、複数部署が使えば月20〜30万円はすぐに超える。年間で240万〜360万円。3年使えば1,000万円に届く。

一方、ローカルでLLMを動かす選択肢が現実的になっている。最近の検証では、個人用ハイスペックPC（GPU搭載で30〜50万円程度）を用意すれば、オープンソースのLLM（Llama 3、Mistral、Phi-3など）をローカルで稼働させ、月々の電気代とメンテナンスコストを含めてもランニングコストは月5万円前後に収まる。

月30万円 vs 月5万円。年間で300万円の差。

しかも、ローカル運用なら顧客データは社外に出ない。外部APIに投げれば、プロンプトに含まれる顧客情報・社内ノウハウ・営業データが外部サーバーを経由する。利用規約上「学習には使わない」と書いてあっても、データが社外に出ている事実は変わらない。

地方の中小企業こそ、顧客との信頼関係が商売の根幹だ。「お客さんの情報、外のAIに流してました」と言える社長がいるか？

もちろん、ローカルLLMは万能じゃない。GPT-4oやClaude 3.5と比べれば、性能差はある。だが、社内FAQ対応、議事録要約、定型メール生成、マニュアル検索——こうした「80点で十分な業務」なら、ローカルLLMで事足りる。100点を求めて月30万円払うか、80点で月5万円に収めるか。中小企業にとっての正解は明らかだ。

「外部APIの方が楽だから」で思考停止する。これが間違い②だ。

—

間違い③：モデル訓練は大企業しかできないと思い込む

「LLMの訓練？ うちみたいな会社には無理でしょ」

これが最大の思い込みかもしれない。

確かに、GPT-4クラスのモデルをゼロから訓練するには数千万〜数億ドルかかる。OpenAIやGoogleの土俵で戦う必要はない。だが、自社の業務に特化した小規模モデルの訓練やファインチューニングは、もはや中小企業の射程圏内にある。

学術研究の事例を一つ挙げる。「Puro-2B」というモデルは、NVIDIA RTX 5090（約30万円）を使ったトレーニングで、わずか6,900ドル（約100万円）で実用的な性能を達成したと報告されている。

100万円。中小企業にとって小さな額ではないが、「AIモデルの訓練」と聞いて想像する金額とは桁が違うはずだ。

さらに言えば、フルスクラッチの訓練でなくても道はある。既存のオープンソースモデルに自社データでファインチューニングをかけるなら、クラウドGPUを数時間借りるだけで済む。費用は数千円〜数万円だ。

数億円の世界だと思っていたものが、100万円で手が届く。ファインチューニングなら数万円。

この価格破壊を知らないまま、「AIは大企業のもの」と決めつけて何もしない。あるいは、汎用的な外部サービスをそのまま使い続けて、自社業務にフィットしないと嘆く。これが間違い③だ。

自社の見積書データ、過去の顧客対応ログ、製造工程の記録——こうした「自社にしかないデータ」でモデルを調整すれば、大企業が持っていない武器になる。汎用AIでは絶対に出せない、自社業務に特化した精度が手に入る。

中小企業の強みは「狭くて深いデータ」を持っていることだ。 大企業は広く浅いデータで汎用モデルを作る。中小企業は狭く深いデータで特化モデルを作る。この非対称性こそが、逆転の構造になる。

—

で、結局どうすればいいのか

3つの間違いに共通するのは、「コストが下がった事実を知らない」ことだ。

知らないから、3年前の相場感で判断する。知らないから、ベンダーの言い値で買う。知らないから、「うちには無理」と諦める。

具体的なアクションはシンプルだ。

① 実験は最小コストで始める。 399ドルのロボット、無料のオープンソースLLM、数千円のクラウドGPU。まず触る。合わなければやめればいい。6万円の実験と300万円の導入では、失敗したときのダメージが50倍違う。

② 「月いくら払っているか」を棚卸しする。 外部AIサービスの月額費用を全部足してみる。年間でいくらになるか。そのうち、ローカル運用に切り替えられるものはないか。全部を切り替える必要はない。コア業務だけでも内製化すれば、年間100万〜200万円は浮く可能性がある。

③ 自社データの価値を再認識する。 過去10年分の顧客対応データ、見積もりの傾向、クレーム履歴——これらは大企業が金を積んでも買えないデータだ。このデータでモデルをファインチューニングすれば、自社専用のAIが手に入る。費用は数万円から。

—

「高いAI」の時代は終わった

AIのコストは、今この瞬間も下がり続けている。

半年前に「高い」と思ったものが、今日はもう半額になっているかもしれない。1年後にはさらに下がる。この流れは止まらない。

問題は、コストが下がっていることに気づかず、古い相場感で意思決定し続けることだ。

399ドルのロボット。月5万円のローカルLLM。6,900ドルのモデル訓練。

これらの数字を見て、「うちでもできるかもしれない」と思えるかどうか。思えたなら、まず一つ試してみればいい。

中小企業がAIで勝つ方法は、大企業の真似をすることじゃない。「安く、小さく、自分たちのデータで」始めることだ。

その選択肢が、今ようやく現実的な価格で揃った。使わない手はない。

—