業界はこの3年間、進歩をスケールと同一視してきた。次の段階は異なる様相を呈している。購買担当者は、単一の業務に特化してファインチューニングされたコンパクトなモデルが、CFOにとって重要な指標——クエリあたりのコスト、レイテンシ、予測可能性——において、1兆パラメータの汎用モデルを上回ることが多いと気付きつつある。

計算は明確だ。日常的な分類、抽出、ルーティングタスクに最先端モデルを使用するのは、街を横断するためにジェット機をチャーターするようなものだ。10億〜80億パラメータ範囲の小規模モデルは、ドメインデータで蒸留またはファインチューニングされることで、推論コストのわずかな割合で90%以上の精度を提供でき、デバイス上または控えめなGPUで実行できる。OpenAI、Meta、xAIがすべてトークンあたりの価格を引き下げる中、汎用モデルが請求できる上限は下がっており——その圧縮は専門モデルの優位性をさらに強固にする。なぜなら、大規模モデルの価値はまさにその広範性にあり、ほとんどの本番ワークロードはそれを決して使わないからだ。

既存企業にとって、これは市場を二分する。OpenAIとAnthropicは高マージンの最先端領域——推論、エージェント型オーケストレーション、新規研究——を維持する一方、デプロイメントの長いテールはMeta'sのLlama、Mistral、AlibabaのQwen、MicrosoftのPhiといったオープンウェイト基盤に向かい、企業はこれらを所有しチューニングできる。戦略的な価値は、もはや単一の最良モデルではなく、どのリクエストをどのモデルが処理するかを決定するルーティング層にある。そのオーケストレーションを所有する者が顧客関係を所有する。

リスクは両面に及ぶ。小規模モデルは断片化、モデル乱立によるガバナンスの問題、MLOpsチームが過小評価するバージョンドリフトをもたらす。データレジデンシーとIP漏洩——すでにネットワーク外に大量のペイロードを送信するAIコーディングエージェントの分析で指摘されている——は、規制対象セクターを生の能力に関係なくローカルで制御可能なモデルへと押し進める。

推奨される行動:モデルのポートフォリオを構築せよ、一夫一婦制ではなく。ベンチマークスコアではなく、アウトカムあたりのコストを計測せよ。価格が四半期ごとに下落する中でモデルを入れ替えられるよう、今すぐ社内のルーティングと評価層に投資せよ。投資家は推論最適化スタートアップ、エッジシリコン関連企業、オーケストレーションツール群に注目すべきだ——市場が'最大'から'適正規模'へと移行する中でのつるはしとシャベルだ。