AIの電気代、誰が払うと思いますか？

Googleのデータセンター電力消費が前年比37%増。2019年比では250%増。SK Hynixの株価は3000%上昇。AIチップ工場はフル稼働。

この数字を見て「すごいな」で終わる人が多い。でも、考えるべきはその先だ。

この電気代は、最終的に誰が払うのか？

答えはシンプル。APIを使う中小企業であり、電気料金が上がる地域の住民であり、つまり「あなた」だ。

—

Googleの電力消費250%増——数字が示す構造変化

Googleが2025年に発表した環境報告書によれば、同社のデータセンター電力消費は前年比37%増加した。これは同社史上最大の増加幅だ。

もう少し引いて見ると、2019年からの累計では約250%増。つまり、わずか6年で電力消費が2.5倍になった。Google Cloud、YouTubeの動画配信、そしてGeminiをはじめとするAIサービスの運用がその主因とされている。

Googleはクリーンエネルギーの大量購入で炭素排出の相殺に取り組んでいる。だが、ここで見るべきは「CO2がどうか」ではない。電力という有限のリソースを、一部の巨大テック企業が猛烈な勢いで吸い上げているという構造そのものだ。

電力は地域のインフラだ。データセンターが集中する地域では、すでに電力供給の逼迫が報告されている。アメリカのバージニア州北部では、データセンターの電力需要が地域の送電網の容量を圧迫し、新規の住宅開発や商業施設の電力接続が遅延するケースが出ている。

日本も他人事ではない。国内のデータセンター需要は急増しており、北海道や千葉県印西市への集中立地が進んでいる。電力の需給バランスが崩れれば、産業用電力の料金が上がる。中小企業の製造コストに直撃する話だ。

—

API料金の「見えないインフレ」

もう一つ、中小企業にとって直接的なインパクトがある話をしよう。

OpenAIのGPT-4が登場した2023年3月時点で、APIの入力トークン単価は1Kトークンあたり約0.03ドルだった。その後、GPT-4 Turboで大幅に値下げされ、GPT-4oではさらに下がった。一見、コストは下がっているように見える。

だが、これは「同じモデルが安くなった」のではなく、「新しいモデルが出るたびに旧モデルの価格が下がり、最新モデルは高い」という構造だ。最先端の性能を使おうとすれば、コストは上がり続ける。そして、AIサービスの裏側にあるインフラコスト——つまり電力代——が上がれば、いずれAPI料金全体に転嫁される。

中小企業がAIを業務に組み込むとき、月額数千円のAPI代は許容範囲かもしれない。だが、それが月額数万円になったらどうか。「AIで効率化して浮いたコスト」を、API料金の値上げが食いつぶす未来は、十分にあり得る。

AIを使うコストが下がった時代は、実はもう折り返し地点に来ているかもしれない。

—

韓国の3000%ボーナス——繁栄の偏り

視点を変えて、韓国を見よう。

AIチップの需要爆発で、韓国の半導体企業は空前の好景気だ。SK Hynixの株価は底値から3000%上昇。HBM（広帯域メモリ）の需要はNVIDIAのGPU増産に連動して急拡大し、SK Hynixはその供給をほぼ独占している。Samsung Electronicsも巻き返しに動いている。

この好景気は、韓国経済全体を押し上げている——ように見える。だが実態はどうか。

恩恵を受けているのは、半導体大手とその周辺のサプライチェーンに限られる。韓国の中小企業や一般労働者の実質賃金は、この好景気とは無関係に停滞している。AIチップブームで生まれた富は、特定の企業と株主に集中している。

これは韓国だけの話ではない。AI産業の構造的な特徴だ。

AIの価値連鎖を見ると、利益が集中するのは「チップを作る企業」「クラウドを提供する企業」「基盤モデルを開発する企業」の3層だ。この3層の外にいるプレイヤー——つまり、AIを「使う側」の大多数の企業——は、利益を生む側ではなくコストを払う側に回る。

AIの繁栄は、使う側には降りてこない。これが現時点での構造だ。

—

GPUの生産コスト——もう一つの限界

AIの電力問題と並んで見落とされがちなのが、ハードウェアそのものの持続可能性だ。

2023年の研究データによれば、ハイエンドGPUの生産に伴う環境負荷は、2013年比で大幅に増加している。1枚のGPU製造に必要なエネルギー、水、レアメタルの量は年々増えており、最先端プロセス（3nm、2nm）になるほど製造の複雑さとコストが跳ね上がる。

NVIDIAのH100は1枚あたり推定3万〜4万ドル。次世代のBlackwellアーキテクチャではさらに高額になると見られている。このGPUを数千枚、数万枚単位で並べてAIを動かしている。

このハードウェアコストも、最終的にはAPI料金やクラウド利用料に乗ってくる。中小企業が「AIを使う」というとき、その裏側にはこれだけのインフラコストが積み上がっている。

—

で、中小企業はどうすればいいのか

暗い話ばかりしても仕方ない。構造を理解した上で、中小企業が取るべきアクションを考えよう。

1. 「最新モデル依存」をやめる

GPT-4oやClaude 3.5 Sonnetが最強だからといって、すべての業務に最新モデルを使う必要はない。議事録の要約、メールの下書き、データの整形——こうした定型業務には、軽量なモデルやローカルLLMで十分なケースが多い。API料金が上がっても影響を受けにくい構造を、今のうちに作っておくべきだ。

2. ローカル実行という選択肢を持つ

Llama 3やPhi-3といったオープンソースモデルは、ローカルPCやオンプレミスのサーバーで動かせる。クラウドAPI依存から脱却すれば、電力コストの転嫁リスクを減らせる。初期投資は必要だが、月額のランニングコストは劇的に下がる。GPU1枚で月数万円の電気代と、クラウドAPIに月数十万円払うのと、どちらが合理的か。計算してみる価値はある。

3. 「AIで何を自動化するか」ではなく「AIコストが上がっても回る仕組み」を設計する

AIの導入効果を「人件費の削減額」だけで測ると、API料金が上がった瞬間に損益が逆転する。AIを組み込んだ業務フローが、コスト変動に耐えられる設計になっているか。ここを見ないまま「とりあえずAI導入」すると、数年後に痛い目を見る。

—

AIの電気代は「見えない税金」になる

まとめよう。

Googleの電力消費250%増。SK Hynixの株価3000%上昇。GPU1枚4万ドル。これらの数字が示しているのは、AIのインフラコストは膨張し続けており、その負担は「AIを使う側」に静かに転嫁されているということだ。

API料金の値上げ、クラウド利用料の改定、地域の電気料金の上昇——形はさまざまだが、構造は同じ。AIの電気代は、いわば「見えない税金」として、中小企業や一般家庭に降りかかってくる。

だからといって「AIを使うな」という話ではない。電気代が上がることを前提に、コスト変動に強いAI活用の仕組みを今から作っておけ、という話だ。

最新モデルを追いかけるのではなく、自社の業務に本当に必要な性能を見極める。クラウド一本足ではなく、ローカル実行の選択肢を持つ。AIの導入効果をコスト変動込みで設計する。

地方の中小企業にとって、AIは武器にもなるし、コスト爆弾にもなる。その分かれ目は、「AIの裏側で何が起きているか」を知っているかどうかだ。

この記事を読んだあなたは、もう知っている。次は、自社のAIコスト構造を一度棚卸ししてみてほしい。

—