AIのコストが壊れ始めた

結論から言う。

GPT-5.6のAPI価格が20%下がった。同じ週に、オープンソースLLM「Ox Alpha」がGPT-5.6と同等のベンチマークを叩き出した。

この2つが同時に起きた意味は大きい。「高い金を払って商用モデルを使う理由」が急速に薄れている。つまり、AIベンダーロックインが構造的に崩壊し始めた週だ。

中小企業にとって、これは「いつかの話」ではない。今月の意思決定の話だ。

—

何が起きたのか：数字で見る

GPT-5.6の値下げ

OpenAIがGPT-5.6のAPI利用料を20%引き下げた。具体的には、1,000クレジットあたり約30ドル → 約24ドルへ。

月間10万クレジット使っている企業なら、月額3,000ドル（約45万円）が2,400ドル（約36万円）になる。年間で約108万円の削減。

大企業なら誤差かもしれない。だが従業員20人の中小企業が月45万円のAPI費用を払っていたなら、年間108万円は社員1人分のボーナスに相当する。無視できる数字ではない。

Ox Alphaの登場

もう一つ。オープンソースLLM「Ox Alpha」が主要ベンチマークでGPT-5.6と同等スコアを記録した。

オープンソースということは、API利用料がゼロだ。自社サーバーやクラウドのGPUインスタンスで動かせば、かかるのはインフラコストだけ。試算すると、同じ処理量をAWS上のGPUインスタンスで回した場合、月額コストは商用APIの3分の1〜5分の1程度に収まるケースが出てきている。

つまり、月45万円が9万〜15万円になる世界が見えている。

—

本質は「値下げ」じゃない。「選べるようになった」ことだ

ここで考えるべきは、「安くなってよかった」ではない。

「特定のベンダーに縛られる理由がなくなった」という構造変化だ。

これまでのAI導入は、事実上OpenAIかAnthropicかGoogleの三択だった。一度プロンプトを作り込み、ワークフローを組み、社内に定着させると、乗り換えコストが跳ね上がる。これがベンダーロックインだ。

ところが今、オープンソースが商用モデルと同等性能に達したことで、「モデルは差し替え可能な部品」になりつつある。

これは何を意味するか。

• 価格交渉力が生まれる。 「Ox Alphaに切り替えますけど？」と言えるだけで、商用ベンダーとの交渉が変わる。
• 障害リスクが分散できる。 特定APIが落ちても、別モデルに切り替えられる設計が現実的になった。
• 自社データで微調整できる。 オープンソースなら、自社の業界用語や業務フローに合わせたファインチューニングが自由にできる。商用APIでは制約が多い。

特に3つ目は中小企業にとって大きい。大企業は汎用モデルでも十分な業務範囲をカバーできるが、ニッチな業界で戦う中小企業こそ、自社データで鍛えた専用モデルが武器になる。

—

実例：223ノードのエージェントグラフを解体した話

具体的な事例がある。ある企業が、商用APIベースで構築した223ノードのエージェントグラフ（複数のAIエージェントが連携する複雑なワークフロー）を、オープンソースLLMベースのシンプルな構成に置き換えた。

結果はこうだ。

• ノード数：223 → 12に削減
• 月間API費用：推定で70〜80%削減
• 障害発生時の原因特定時間：数時間 → 数分
• メンテナンスに必要な人員：専任2名 → 兼任1名で対応可能

223ノードというのは、言い換えれば「223箇所で課金が発生し、223箇所で障害が起きうる」ということだ。これを12に減らせたのは、モデル性能が上がって1回の推論でより多くの処理をこなせるようになったから。

複雑なシステムを組まなくても同じ成果が出る。 これはコスト削減であると同時に、属人化の排除でもある。223ノードの仕組みを理解できるのは作った本人だけだが、12ノードなら引き継ぎができる。

中小企業にとって「担当者が辞めたら終わり」は最大のリスクだ。シンプルな構成に置き換えられるなら、それだけで価値がある。

—

で、中小企業は今月何をすればいいのか

抽象的な「DX戦略を見直しましょう」は要らない。具体的にやることを書く。

ステップ1：今のAIコストを「見える化」する（所要時間：1時間）

まず、今月のAPI利用料の請求書を開く。月にいくら払っているか、どの処理にいくらかかっているかを把握する。これをやっていない企業が驚くほど多い。

確認すべき数字：

• 月間API費用の総額
• 処理あたりの単価（1件の問い合わせ対応にいくらかかっているか）
• 最もコストがかかっている処理トップ3

ステップ2：「切り替え可能か」を判定する（所要時間：半日）

以下の3問に答える。

1. プロンプトはモデル固有の機能に依存しているか？ → 汎用的なプロンプトなら、別モデルでもほぼそのまま動く。
2. 出力フォーマットはAPI固有の形式に依存しているか？ → JSON出力など標準的な形式なら、切り替えは容易。
3. 月間コストは10万円を超えているか？ → 超えているなら、切り替え検討の費用対効果が出る。

3問とも「はい」なら、今月中にパイロットテストを始める価値がある。

ステップ3：小さく試す（所要時間：1〜2日）

全面切り替えは不要。最もコストがかかっている処理1つだけを、Ox Alphaや他のオープンソースモデルで動かしてみる。

比較するのは3点だけ。

• 出力品質： 商用モデルと比べて許容範囲か
• 処理速度： 業務に支障がないか
• コスト： いくら下がるか

品質が80点で十分な業務なら、100点のモデルに高い金を払う必要はない。「この業務に100点は要らない」と判断できること自体が、コスト削減の第一歩だ。

ステップ4：「マルチモデル前提」で設計し直す

パイロットで手応えがあったら、今後の設計思想を変える。1つのモデルに全賭けしない。 処理ごとに最適なモデルを選び、切り替え可能な構成にしておく。

これは技術的に難しい話ではない。APIのエンドポイントを変数化しておくだけで、モデルの差し替えは格段に楽になる。

—

この先に起きること

今回の値下げとオープンソースの台頭は、始まりに過ぎない。

半年後には、さらに性能の高いオープンソースモデルが出てくる。商用モデルはさらに値下げするか、付加価値（セキュリティ、SLA、専門分野特化）で差別化するしかなくなる。

AIモデルのコストは、限りなくゼロに近づいていく。

そのとき、競争優位は「どのモデルを使っているか」ではなく、「自社のデータと業務プロセスをどれだけモデルに食わせているか」に移る。

モデルは部品だ。部品は安くなる。部品が安くなったとき、勝負を分けるのは「部品の使い方」だ。

中小企業は、大企業ほどのデータ量はない。だが、特定の業界・特定の顧客に関する「濃いデータ」を持っている。地方の建設会社が持つ現場写真、町工場が持つ加工条件のノウハウ、地域の不動産会社が持つ物件情報——これらは大企業が逆立ちしても手に入らないデータだ。

AIモデルが安くなった世界で最も価値が上がるのは、「そのモデルに食わせる独自データ」だ。

今月やるべきことは明確だ。まず、自社のAIコストを把握する。次に、1つの処理だけオープンソースで試す。そして、「モデルは差し替え可能な部品」という前提で、自社の本当の資産——データと業務ノウハウ——を整理し始める。

AIの値段が壊れた。次に価値が上がるものは何か。その答えは、あなたの会社の中にある。

—