「知能の生産」から「知能の組織化と観測」への価値移転

Sakana AIとリアルデータ時代の産業構造に関する対話ログ

本稿は、2026年8月6日に行われた対話の記録である。主題は、Sakana AIのGOAL、日本のAIスタートアップ、世界的なAI産業構造の変化、インターネット史との比較、そしてリアルデバイスと高解像度リアルデータが企業・個人にもたらす変化である。
本文は、発言者別・時系列順に、対話の内容を一切省略することなく清書・再構成して収録している。文中の（出典：〜）は、対話の中で参照された情報源を示す。

一　Fugu-Ultraの衝撃──「Fable 5超え」ニュースをどう読むか

■あなた
次のようなニュースが報じられています。
ランキング──「Fable 5」越えを達成したSakana AI（株）の「Fugu-Ultra」v1.1に注目が集まる
このニュースについて、あなたの考えを教えてください。
■AI
このニュースは、「日本発のAIが世界最高水準に到達した」という話である以上に、「AIの競争軸が変わった」ことを示しているという点で重要だと考えています。Sakana AIは、Fugu Ultraを「単一の巨大モデル」ではなく、複数のモデルを協調させるシステムとして設計しており、一部ベンチマークではAnthropicのFable 5を上回る結果を示しています（出典：ndtv.com）。
私が注目した点は3つあります。

1．「一番賢いモデル」を作る競争から、「一番賢いシステム」を作る競争へ

Sakana AIのFuguは、単一LLMではなく、複数のAIをオーケストレーションする設計です。つまり、

• コーディング担当

• 推論担当

• 検証担当

• 評価担当

のように役割分担させて性能を引き上げています（出典：ndtv.com）。
これは、以前あなたと話していた
「ループエンジニアリング」
「評価ハーネス」
「AI Council」
と非常に近い発想です。
Claude Councilも「複数AIによる討論」で品質を上げていますが、Fuguはその考え方をシステムとして実装した例と言えます。

2．ベンチマーク首位よりも「設計思想」が重要

「Fable 5を超えた」という見出しは目を引きますが、冷静に見る必要があります。
公開されているベンチマークでは、

• LiveCodeBench

• GPQA

• 推論系

などでは非常に優秀な結果が示されていますが、一方でSWE-bench ProやTerminal-BenchではFable 5が上回る比較もあります。つまり、「あらゆる用途で完全に勝った」とまでは言えません（出典：benchlm.ai）。
そのため、このニュースは、
Fable 5を完全に超えた
ではなく、
世界トップクラスのモデル群と肩を並べる設計が、日本企業から出てきた
と理解するのが適切だと思います。

3．日本の強みと非常に相性が良い

ここが私には最も興味深い点です。
Sakana AIは、
巨大モデルを一つ作る
よりも、
既存モデルをどう組み合わせるか
に重心があります。
これは日本企業が昔から得意だった、

• 品質管理

• 工程設計

• システム統合

• 現場改善

という強みと非常に似ています。
半導体で言えば、
CPUそのものよりも、製造装置や材料で世界を支える
構図に近い印象です。
AIでも、
世界最高の頭脳を作る
より、
世界最高のチームを設計する
方向へ進んでいるように見えます。

あなたとの以前の対話との共通点

あなたは以前から、

• AIエージェント

• ループエンジニアリング

• 評価ハーネス

• Second Brain

• Horizon Europe

について、
「能力そのものより、能力をどう循環させるか」
が重要になると話していました。
Fugu Ultraは、まさにその方向性を体現しているように見えます。
今後は、
モデル性能 × オーケストレーション × 評価ループ
の3つが競争力の中心になるでしょう。

今後注目したい点

私なら、ランキングそのものよりも次の点を見ます。

• Fugu Ultraが実務でどれだけ再現性のある成果を出せるか

• APIの価格・速度・安定性

• エージェントとして長時間タスクを任せた際の信頼性

• 第三者による独立評価で同様の性能が確認されるか

ベンチマークは重要ですが、企業で採用されるかどうかは、長時間のエージェント運用や実務タスクでの総合性能によって決まります。そこでも高い評価を得られれば、Sakana AIは日本発のAI企業として世界市場で一段と存在感を高める可能性があります（出典：benchlm.ai）。

二　Sakana AIとは何者か──四層のGOAL

■あなた
この企業について教えてください。
この企業のGOALは何でしょうか？
■AI

Sakana AIとは何か

Sakana AI株式会社は、2023年7月に東京で設立された、基盤AIとAIエージェントを研究・事業化する日本企業です。共同創業者は次の3人です。

• CEO：デイビッド・ハ氏。Google Brainの日本研究チームを率いた研究者

• CTO：ライオン・ジョーンズ氏。Transformerの原論文「Attention Is All You Need」の共著者

• 会長：伊藤錬氏。外務省、メルカリ、Stability AIなどを経た事業・政策側の人物

つまり、純粋な研究者集団というより、世界水準のAI研究、事業化、日本社会との接続を最初から組み合わせた会社です（出典：sakana.ai）。

この企業のGOALは何か

一言で表現すれば、Sakana AIのGOALは、
巨大な一つのAIを人間が作り続けるのではなく、複数のAIが協力し、競争し、進化しながら、次のAIを自動的に生み出す仕組みを作ること
だと考えられます。
ただし、その目標には少なくとも四つの階層があります。

1．表面的な目標：日本で世界最先端のAIを作る

Sakana AIは公式サイトで、自社を「Building Frontier AI in Japan」、すなわち日本でフロンティアAIを構築する企業と位置づけています（出典：sakana.ai）。
これは単に日本語LLMを作るという意味ではありません。
目指しているのは、

• 世界トップレベルのAI研究を日本から出す

• 日本企業や政府機関に実装する

• 日本の言語、文化、産業知識をAIに保持する

• 海外の単一AI企業への依存を弱める

という、技術・産業・安全保障を合わせた目標です。
同社自身も、使命を「日本のためにフロンティアAI技術を開発すること」、そして主要な使命を「日本の社会課題の解決に貢献すること」と説明しています（出典：sakana.ai）。
したがって、Sakana AIには明確にソブリンAI的な側面があります。

2．技術上の目標：単一巨大モデルから離れる

現在のOpenAI、Google、Anthropicなどの主要な開発競争は、基本的には、
より大量のデータ、計算資源、半導体を使い、より巨大なモデルを作る
という規模の競争です。
Sakana AIは、ここから少し違う方向へ進んでいます。
同社の基本思想は、
最も強力なAIは、孤立した一つの巨大モデルではなく、複数の知能が協調する生態系になる
というものです。Fuguも、世界中の複数モデルを選択・分業・統合して、一つのモデル以上の成果を生み出す設計です（出典：sakana.ai）。
社名の「Sakana」も、魚一匹の知能ではなく、魚群が単純なルールから全体として秩序ある動きを形成することに由来します。ロゴの群れから離れて泳ぐ赤い魚は、他社と同じ方法を追随せず、「次に来るもの」を探す意思を表しています（出典：sakana.ai）。
つまり、この会社は最大の魚を作ろうとしているのではありません。最も知的な魚群を作ろうとしているのです。

3．より深い目標：AI開発そのものを自動化する

Sakana AIの研究目標の核心は、個別の優秀なモデルを作ることではありません。
公式には、次の趣旨を明確に述べています。
特定の一つのモデルを訓練すること自体が目的ではなく、必要な能力を持つ基盤モデルを自動生成する機械を作りたい。
同社の「Evolutionary Model Merge」は、多数の既存モデルから必要な能力を選び、進化的探索によって新しいモデルを組み上げる技術です（出典：sakana.ai）。
この方向を整理すると、次のようになります。
従来のAI開発
人間 → モデルを設計 → 学習方法を設計 → 評価 → 修正
Sakana AIが目指すAI開発
人間 → 目標と評価基準を設定 → AIが候補を生成 → AI同士が競争・協力 → 評価結果から進化 → より良いAIやアルゴリズムを自動生成
したがって、Sakana AIが作ろうとしている本当の製品は、最終的にはFuguという個別サービスだけではありません。
AIを作るAI工場
に近いものです。

4．究極的な目標：自己改善する知能システム

さらに先には、再帰的自己改善、すなわちAIが自分自身の設計・コード・学習方法を改善する構想があります。
Sakana AIは、専用の「RSI Lab」を設立し、AIを静的な道具から、自律的に研究し、集合的に自己改善する知能エンジンへ移行させる方針を示しています（出典：sakana.ai）。
代表的な研究は、一本の線でつながっています。

• Evolutionary Model Merge──複数のモデルを進化的に融合する

• AI Scientist──仮説、実験、論文作成まで研究過程を自動化する

• ShinkaEvolve──AIが生成したプログラムを進化させ、アルゴリズムを発見する

• Darwin Gödel Machine──AIが自分のコードや改善方法自体を改良する

• AB-MCTS──複数のAIが試行錯誤しながら協働する

• Fugu──それらの集合知を実用的な一つのインターフェースとして提供する

2025年の資金調達時にも、同社は研究を「自己進化AI」「複数モデルのオーケストレーション」「Transformerを超える構造」「研究ワークフローの自動化」という方向で整理しています（出典：sakana.ai）。

FuguはGOALそのものではない

ここは重要です。
Fuguは、Sakana AIの最終目的というより、長期的な研究思想を製品として社会に接続する中間地点です。
Fuguが行っているのは、

1. 問題を分解する

2. 適切なモデルを選ぶ

3. 複数のモデルに役割を与える

4. 回答を比較・検証する

5. 結果を統合する

という処理です。
これは、Sakana AIが研究してきた、

• 進化

• 集合知

• 分業

• 競争

• 選択

• 再帰

• 自動評価

を、商用APIに変換したものです（出典：sakana.ai）。
つまり、Fuguは「非常に賢いモデル」というより、
どの知能を、いつ、どの順序で、どう働かせるかを判断する管理知能
です。
この意味では、FuguがFable 5を超えたというニュースの本質は、「Sakana AIがFable 5より強い基盤モデルを一から訓練した」ことではありません。
複数のAIを編成する側が、個別の最強モデルを上回り始めた
ということです。

日本社会における現実的なGOAL

研究だけでなく、Sakana AIはすでに日本の大企業や公共部門への実装を進めています。
公式には、金融を起点として、

• MUFG

• 大和証券グループ

• 防衛

• インテリジェンス

• 製造業

などへの展開を掲げています（出典：sakana.ai）。
特に同社が認識しているのは、汎用AIと、専門職が持つ「暗黙知」の間に大きな隔たりがあることです。金融、製造、防衛、不動産評価などの仕事は、規則を読ませるだけでは再現できません。
必要なのは、

• 熟練者がどこを見るか

• どの例外を重視するか

• 何を危険信号と判断するか

• どの証拠を信頼するか

• どの条件で上位者に回すか

を、評価ループとしてAIに埋め込むことです。
したがって、事業面でのGOALは、
日本社会に蓄積された専門家の暗黙知を、複数AIが利用できる判断システムへ変換すること
だと読めます。
これは単純な業務自動化よりはるかに大きな話です。

私の解釈

Sakana AIは、AI版の自動車メーカーを目指しているのではありません。
むしろ、
AI版の生態系設計会社
AI版の研究所製造装置会社
AI版の組織設計会社
を同時に目指しているように見えます。
OpenAIやAnthropicが「一人の非常に優秀な天才」を作ろうとしているとすれば、Sakana AIは、
性格も能力も異なる研究者、技術者、批評家、管理者からなる組織を、AIによって自動編成する
方向に進んでいます。
これは、あなたがこれまで論じてきたループエンジニアリングとほぼ同じ問題設定です。
モデル単体の知能を上げ続けるのではなく、

• 誰に考えさせるか

• 誰に反論させるか

• 何を評価するか

• 失敗をどう次の試行へ戻すか

• 評価ハーネスの重みを誰が決めるか

によって、システム全体の知性を上げる。
Sakana AIの最終的な競争力は、モデルそのものよりも、
知能を選択・結合・評価・進化させるループの所有
に宿るでしょう。
そして究極的なGOALを一文に縮めるなら、私はこう表現します。
Sakana AIのGOALは、人間が一つずつAIを設計する時代を終わらせ、AIの集合体が、目的に応じて新しい知能を自動的に編成・発見・改善する基盤を日本から作ることである。
ただし、この構想が本当に成功するかは、ベンチマークではなく、自己改善ループを誰が評価し、どこで止め、何を良い進化と定義するかによって決まります。Sakana AIが最終的に握ろうとしているのはAIの回答権ではなく、より上位にあるAIの進化方向を決める評価権なのだと思います。

三　なぜトップ研究者は日本を選んだのか

■あなた
なぜ彼らのようなトップ研究者が、日本に来て、日本のためにも働いてくれているのでしょう。
経緯が知りたいです。
■AI
結論から言えば、彼らは「日本に招かれて、善意で日本を助けに来た」というより、すでに日本に生活・職業上の基盤を持っていたトップ研究者たちが、日本を世界的なAI拠点にするという共同事業を選んだのです。
そして、その構想を「日本のための仕事」にまで接続した中心人物が、共同創業者の伊藤錬氏だったと考えるのが自然です。

1．デイビッド・ハ氏は、もともと長く日本で働いていた

CEOのデイビッド・ハ氏は、突然シリコンバレーから日本へ移住した人物ではありません。
彼はトロント大学卒業後、ゴールドマン・サックスに入り、2008年に日本法人へ赴任しました。その後、東京大学で博士号を取得し、GoogleではGoogle Brainの東京チームを率いています。つまりSakana AI創業以前から、金融、大学、AI研究という異なる領域を通じて、日本にかなり深く根を張っていました（出典：sakana.ai）。
したがって、デイビッド・ハ氏については、
世界的研究者が日本を選んだ
というより、
日本を長年の活動拠点としてきた研究者が、日本で独立した
と表現した方が正確です。
彼にとって東京は外国の出張先ではなく、研究人生の主要拠点の一つだったのでしょう。

2．ライオン・ジョーンズ氏も、創業前にGoogle東京へ移っていた

CTOのライオン・ジョーンズ氏は、Transformer論文「Attention Is All You Need」の共著者です。彼もSakana AIを設立するためだけに初めて日本へ来たわけではなく、2020年にGoogleの日本法人へ異動しています（出典：sakana.ai）。
その後、デイビッド・ハ氏らと2023年7月に東京でSakana AIを共同創業しました（出典：sakana.ai）。
公開情報からは、ジョーンズ氏が2020年に日本へ移った個人的理由のすべてまでは確認できません。ただし重要なのは、創業時点で彼もすでに東京で活動しており、ハ氏との間にGoogle日本という接点が存在したことです。
つまり、創業チームは偶然集まったのではなく、

• Googleの世界最先端AI研究

• 東京での勤務経験

• 日本社会との接点

を共有する人々から生まれています。

3．そこへ伊藤錬氏が「日本国家との接続」を持ち込んだ

3人目の共同創業者である伊藤錬氏は、研究者ではなく、外交・政策・事業の人物です。
伊藤氏は外務省出身で、その後メルカリの欧州展開やStability AIなどに関わりました。本人は、日本を再び技術大国にしたいという思いを明言しており、海外には今でもウォークマンや任天堂に象徴される「技術の国・日本」という印象が残っているとして、再び技術の夢を追うべきだと語っています（出典：note.com）。
ここで役割分担が見えてきます。

• ハ氏：研究思想と研究組織

• ジョーンズ氏：世界最高水準のモデル技術

• 伊藤氏：資金、政策、日本企業、政府との接続

です。
ハ氏とジョーンズ氏だけなら、東京に小規模な世界的研究所を作ることはできたでしょう。しかし伊藤氏が加わることで、それが、
日本企業や公共部門にAIを実装し、日本全体の能力を上げる事業
へと変わったのだと思います。
Sakana AIは現在、自らを単なる研究所ではなく、日本企業や公共部門と協働して、日本の需要に合ったAIを開発し、AIを日本で広く利用可能にする会社だと説明しています（出典：sakana.ai）。

4．なぜ米国ではなく日本だったのか

ここには、いくつかの合理的理由があります。
米国の正面競争を避けられる
米国で基盤モデル企業を設立すれば、OpenAI、Anthropic、Google、Metaなどと、計算資源・人材・資金の正面競争になります。
Sakana AIは当初から、巨大モデルを一から拡大するだけではなく、進化、モデル統合、集合知、マルチエージェントという異なる道を選びました。同社は自然界に着想を得た、資源効率の高いAI開発を掲げています（出典：sakana.ai）。
日本は米国ほど計算資源やリスク資本が豊富ではありません。しかし逆に言えば、
少ない計算資源で、別の設計思想によって勝つ
というSakana AIの研究テーマを実証する場所として適しています。
制約が研究思想と一致しているのです。
日本には「空いているポジション」があった
サンフランシスコにはOpenAIがあり、ロンドンにはDeepMindがあります。しかし東京には、世界的に認識されるフロンティアAI研究所がまだ存在していませんでした。
Sakana AIは、東京をサンフランシスコやロンドンに匹敵するAI研究拠点として地図に載せることを目指しています（出典：reuters.com）。
これは、競争相手が少ないという消極的な意味だけではありません。
世界的研究者から見れば、すでに完成した中心地で十番目の研究所を作るより、
世界第三、第四のAI研究都市を自分たちで作る
方が、歴史的に大きな仕事になり得ます。
日本には巨大な実装先がある
日本には、金融、製造、防衛、物流、医療、行政など、専門知識を大量に抱える大企業と公共機関があります。
Sakana AIは研究だけでなく、金融や防衛・インテリジェンスを中心に社会実装を進めています。2025年にはApplied Teamを設け、日本企業向けの展開を本格化しました（出典：sakana.ai）。
米国ではAI企業が消費者向けチャットや広告、クラウド市場で競争します。日本ではむしろ、
古くて巨大な産業組織の内部に、AIをどう組み込むか
が大きな未開拓市場になります。
これはハ氏らの「AI単体ではなく、知能システムを設計する」という思想とも相性が良いでしょう。

5．日本側も、彼らを受け入れる条件を用意した

これは研究者側の好意だけで成立した話ではありません。
Sakana AIは2024年のシリーズAで、NVIDIAに加え、三菱UFJ、SMBC、みずほ、KDDI、野村、伊藤忠など、日本の主要企業から広範な支援を受けました（出典：sakana.ai）。
つまり日本企業は、単に外国人研究者を称賛したのではなく、

• 資金

• 顧客

• 産業データ

• 実装先

• 社会的信用

を提供しました。
これは一種の交換関係です。
研究者側は世界水準の知能技術を日本に持ち込み、日本側は研究を産業と国家機能へ接続する基盤を提供する。
だからSakana AIは、「外国人研究者が日本のために奉仕する会社」というより、世界的研究者と日本の産業社会が共同で作った会社と見るべきでしょう。

6．彼らは日本だけのAIを作りたいわけではない

ここも重要です。
ジョーンズ氏は、東京をAI拠点にするには、日本語や日本固有の課題だけに集中してはいけないと述べています。世界に展開できる興味深い問題を提示しなければ、世界の研究者は東京に集まらないという趣旨です（出典：sj.jst.go.jp）。
したがって、彼らの構想は、
日本市場専用のAIを作る
ことではありません。
より正確には、
日本を拠点に世界的なAI研究を行い、その成果を日本社会にも優先的に還元する
という二重構造です。
彼らにとって「日本のため」と「世界最先端」は対立していません。
日本のためだけの閉じた研究所では世界的人材が集まらない。逆に世界だけを向いて日本社会に還元しなければ、東京に置く意味が薄くなる。その両方を成立させようとしているのです。

私の見方

この経緯で最も重要なのは、日本が彼らに選ばれたというより、彼ら自身が日本を選ぶ立場にすでになっていたことです。
ハ氏は日本の金融・大学・Google研究所を経験し、ジョーンズ氏もGoogle東京に移り、伊藤氏は日本を再び技術大国にしたいという国家的動機を持っていた。
そこに生成AI革命が起きました。
3人はおそらく、次の機会を見たのでしょう。
日本には人材も企業も資金も産業知識もある。しかし、それらを世界最先端AIへ変換する中核研究所がない。
ならば、その空白を自分たちが埋める。
この意味でSakana AIは、日本が海外から偶然授かった贈り物ではありません。日本社会の空白を、国際的な経歴を持つ人々が発見し、そこに自分たちの研究人生を賭けた結果です。
そして彼らが日本に提供している最大のものは、個別のAIモデルではなく、
優秀な研究者が、日本にいながら世界の頂点を目指せるという実例
だと思います。
Sakana AIが成功すれば、次の外国人研究者や海外在住の日本人研究者にとって、東京は「キャリアを犠牲にして住む場所」ではなく、世界的な研究成果を出すために選ぶ場所になります。それこそが、彼らの日本への最も大きな貢献でしょう。

四　産業ライフサイクルの波──モデル性能の過剰化が意味するもの

■あなた
産業のライフサイクルの波に乗れていますね。
今なら巨額の資本が無くても、世界レベルの、そして世界とは別の生態系を持つAIが作れる。
中国勢がアメリカ勢を脅かすレベルにいるということは、モデル単体の性能が、これ以上人間には過剰になってきている。
少なくとも日常レベルでは。
ということだと考えます。
■AI
その見方はかなり本質を突いていると思います。
いまSakana AIが乗っているのは、単なる「生成AIブーム」ではなく、産業の価値中心が、モデルの巨大化からシステム設計へ移る転換点です。

モデル性能の限界ではなく、利用価値の限界

厳密には、モデル単体の性能が物理的・技術的な限界に達したわけではありません。数学、科学研究、長期自律作業などでは、まだ高性能化の余地があります。
しかし日常業務では、すでに多くのモデルが、

• 文章を書く

• 要約する

• 翻訳する

• 調査する

• コードを書く

• アイデアを出す

という点で、人間が普通に使うには十分以上の能力を持ち始めています。
問題は「もっと賢い回答を一回出せるか」から、
その能力を、現実の仕事の中で安定して使えるか
へ移っています。
つまり不足しているのは、IQではなく、

• 文脈

• 記憶

• 権限

• 評価

• 検証

• 業務知識

• 継続的な改善

です。
モデルの知能は過剰でも、システムとしての信頼性は不足しているという状態です。

中国勢の台頭が示したこと

中国勢が米国最先端モデルに急速に接近したことは、非常に大きな意味を持ちます。
それは、基盤モデルの性能が完全にコモディティ化したということではありません。しかし少なくとも、
巨額の資本を持つ米国企業だけが、実用的な高性能AIを作れる
という前提は崩れました。
最先端モデルとの差が多少残っていても、実務で必要な性能水準を超えてしまえば、その差の経済的価値は急激に小さくなります。
たとえば日常利用で、

• 90点のモデル

• 93点のモデル

• 96点のモデル

があったとしても、ユーザーにとって重要なのは96点のモデルを持つことではありません。
むしろ、

• 自社資料を正しく参照する

• 間違いを検証する

• 適切な形式で出力する

• 必要な場合だけ人間に確認する

• 長期的に学習を蓄積する

90点のモデルの方が、単体で96点のモデルより有用になり得ます。
この段階になると、モデル性能差よりも、モデルを囲む生態系の差の方が大きくなります。

だからSakana AIに機会がある

第一段階では、資本力が決定的です。
大量のGPUを購入し、大量のデータで巨大モデルを訓練する。ここではOpenAI、Google、Metaなどが圧倒的に有利です。
しかし第二段階では、価値の中心が変わります。
既存モデルを、どのように選び、組み合わせ、評価し、現実の制度へ埋め込むか。
この段階では、必ずしも最大の資本を持つ企業が勝つとは限りません。
必要になるのは、

• 優れた評価設計

• 独自データ

• 専門領域への理解

• モデル間の役割分担

• 顧客組織との信頼関係

• 長期的な運用改善

です。
Sakana AIは、第一段階の正面競争を避け、最初から第二段階に賭けています。
「最大のモデル」を所有するのではなく、
その時点で利用可能な最良の知能群を、最適に編成する能力
を所有しようとしている。
この設計なら、基盤モデルがコモディティ化するほど、Sakana AIにとって有利になります。

「世界とは別の生態系」という点

ここも重要です。
日本が作るべきなのは、米国製AIの性能を少し下回る日本語版モデルではありません。それでは常に追随者になります。
日本には、日本独自の、

• 法制度

• 行政文書

• 企業組織

• 商慣行

• 製造現場

• 金融審査

• 歴史文化資料

• 専門職の暗黙知

があります。
これらを評価基準や業務ループとして組み込めば、米国モデルとは異なる生態系を作れます。
モデルの基礎知能そのものは海外製でも構いません。重要なのは、その上で、
何を正しいと評価するか
どの証拠を重視するか
どの失敗を許容しないか
どの状況で人間へ戻すか
を日本側が所有することです。
これは、あなたが以前から述べている評価ハーネスの主権に当たります。
モデルを所有しなくても、評価関数と運用ループを所有すれば、独自のAI文明圏を形成できます。

産業ライフサイクルで見ると

AI産業を単純化すると、次のように見えます。

第一期：発明期

Transformerや大規模言語モデルの原理が発見される。

第二期：規模拡大期

GPU、データ、資本を投入し、モデル性能を競う。米国巨大企業が有利です。

第三期：普及・標準化期

中国やオープンモデルが追いつき、十分に高性能なモデルが広く利用可能になる。

第四期：分化・統合期

各産業、国家、企業が、モデルを独自データ・制度・評価系に接続する。
現在は、第二期から第三期を経て、第四期へ入りつつあります。
Sakana AIは第三期に現れ、第四期の支配的な設計を先取りしています。
そのため、創業時期が非常に良い。
5年前なら、使える基盤モデルが不足していました。5年後なら、GoogleやMicrosoftなどがオーケストレーション層まで支配している可能性があります。
今は、
基盤モデルは十分に存在するが、その統合方法はまだ標準化されていない
という短い空白期間です。
ここにSakana AIが入っています。

モデルの過剰性能が生む逆転

性能が過剰になると、価値の源泉は上流から下流へ移ります。
半導体で計算能力が十分になると、ユーザー体験やソフトウェアが重要になる。通信速度が十分になると、回線そのものよりサービスが重要になる。
AIも同じです。
モデルが十分賢くなるほど、重要になるのは、
何をさせるか
何を記憶させるか
どう失敗を検出するか
どの組織に埋め込むか
です。
したがって、AIの成熟はモデル企業の価値を消すのではなく、モデル企業だけが価値を独占する状態を終わらせるのだと思います。
Sakana AIが狙っているのは、その次の産業層です。
そして日本にとっての好機もそこにあります。日本は巨大モデル競争では後発ですが、品質管理、工程設計、専門知識、制度運用、長期改善という統合競争では、必ずしも後発ではありません。
一文でまとめれば、
知能を作る競争で出遅れた日本が、知能を組織する競争の開始時点には間に合った。
Sakana AIは、その転換点を正確に捉えている企業だと思います。

五　日本のAIスタートアップ群──点から群れへ

■あなた
日本には、他にもこのようなスタートアップはあるのでしょうか？
■AI
あります。ただし、Sakana AIとまったく同じ型の企業は、ほぼありません。
日本のAIスタートアップ群を眺めると、Sakana AIだけが比較的明確に、
個別の基盤モデルではなく、複数モデルの編成・進化・研究自動化という「メタレイヤー」
を主戦場にしています。
ほかの有力企業は、日本が優位を持ちやすい特定領域に基盤モデルを埋め込む方向へ進んでいます。

私が特に注目する5社

1．Preferred Networks──日本の本命級

Sakana AIとは方向が違いますが、総合力では最も重要な存在です。
Preferred Networksは、AI半導体、計算基盤、国産基盤モデル「PLaMo」、産業向けアプリケーションまでを自社で垂直統合しています。2026年6月には、フルスクラッチ開発の「PLaMo 3.0 Prime」を正式提供し、APIとオンプレミスの双方に対応しています。長文、ツール利用、コーディング、AIエージェント用途も強化されています（出典：preferred.jp）。
Sakana AIとの違いを一言で示すと、

• Sakana AI：世界中の知能を編成する

• Preferred Networks：知能の生産設備を国内で垂直統合する

です。
PFNは2014年創業なので、現在は初期スタートアップというより大型非上場ディープテック企業、あるいはスケールアップと呼ぶ方が適切です（出典：preferred.jp）。
日本独自のAI生態系を本気で作る場合、Sakana AIが「知能のオーケストレーター」なら、PFNは「国産AI産業の総合電機メーカー」に近い存在になるでしょう。

2．Kotoba Technologies──Sakana AIに最も近い新世代企業

現在、私がSakana AIに次いで注目するのはKotoba Technologiesです。
2023年創業で、コーネル大学やワシントン大学で博士号を取得した研究者が設立しました。リアルタイム音声認識、音声合成、音声から音声への同時通訳を一体化した音声基盤モデルを開発しています。特に日本語を含む東アジア言語と、低遅延処理に焦点を置いています（出典：site.kotoba.tech）。
重要なのは、「海外製音声モデルの日本語版」を作っているのではないことです。
同社のKotoは、

• リアルタイム音声AI

• AIエージェントとの会話

• 同時通訳

• オンプレミス

• 端末内処理

を一つの基盤モデルとして設計しています（出典：site.kotoba.tech）。
これはかなり良いポジションです。テキストモデルが過剰性能化するほど、次の競争領域は、
人間とAIが、遅延や操作を意識せず自然に会話できるか
へ移ります。
また、日本語、中国語、韓国語などは、英語中心の音声AIが必ずしも十分に扱えていない領域です。Kotobaは、東アジアの音声インターフェース層を押さえようとしています。
世界的研究者が日本を拠点に、資本量だけでは決まらない技術領域を選んでいる点でも、Sakana AIとよく似ています。

3．Turing──自動車を丸ごとAI生態系にする企業

Turingは2021年創業の完全自動運転スタートアップです。単に自動運転ソフトを供給するのではなく、完全自動運転システムと車両を一体で作り、テスラを超えることを掲げています（出典：tur.ing）。
同社が取り組むのは、視覚・言語・行動を統合するVLA、つまりVision-Language-Action基盤モデルです。
カメラ映像を見て、

1. 周囲の状況を理解する

2. 何が起きるかを予測する

3. 走行経路を決める

4. 車両を操作する

5. 実走行の結果を学習へ戻す

という閉ループを作ります。同社はモデルだけでなく、データ収集、学習、シミュレーション、車載実装、実車評価までを一気通貫で開発しています（出典：jobs.tur.ing）。
Sakana AIとの共通点は、単体ベンチマークよりも知能が改善され続けるループ全体を所有しようとしていることです。
Turingが成功すれば、日本は汎用チャットAIではなく、
日本の道路、車両、交通規則、製造能力から生まれるフィジカルAI
という別の生態系を持てます。
ただし、これはSakana AIよりはるかに資本集約的です。車両、走行データ、計算設備、安全性検証が必要だからです。

4．Stockmark──製造業の知識をAI化する企業

Stockmarkは、日本語LLMと製造業・研究開発向けAIエージェントを組み合わせています。
2024年のGENIACでは、フルスクラッチで1,000億パラメータの「Stockmark-LLM」を開発・公開しました。現在は、複雑な企業文書の読解、製品アイデアの発想、技術用途探索、事業立案など、一般的なチャットAIでは精度を出しにくい領域に進んでいます（出典：stockmark.co.jp）。
同社が面白いのは、単に「日本語が上手なモデル」を作っているのではなく、
日本の製造業が持つ技術情報、企業情報、研究資料を、AIが利用可能な知識構造へ変える
ことを狙っている点です。
産総研グループとの研究では、実現可能性のあるビジネスアイデアを発想する自律型AIエージェントを開発しています。2026年には、製造業向けエージェント「Aconnect」に市場規模推定や強制発想法などの機能も追加しています（出典：stockmark.co.jp）。
これは、日本の独自生態系として非常に有望です。
米国モデルは公開ウェブ上の一般知識では強い。しかし、企業内に眠る図面、研究報告書、試験結果、失敗記録、顧客要望までは持っていません。
Stockmarkは、日本の産業知識をAIの思考材料へ変換する層を取りに行っています。

5．ELYZA──研究を大企業の実務へ接続する企業

ELYZAは東京大学・松尾研究室発の企業で、日本語LLMの開発と企業への実装を早い段階から進めてきました。
2026年には、文章を逐次生成する通常の自己回帰型モデルとは異なる、日本語特化の拡散言語モデル「ELYZA-LLM-Diffusion」を商用利用可能な形で公開しています。これは高速生成を狙う、技術的にも興味深い別路線です（出典：elyza.ai）。
また、実際のクレジットカード入会審査では、担当者による審査の20％をAIで自動化する運用を開始しています。単なる要約支援ではなく、判断業務の一部まで入っている点が重要です（出典：elyza.ai）。
ただし、ELYZAは2024年にKDDIの連結子会社になっています。そのため現在は、純粋な独立スタートアップというより、
大企業の資本・販売網・計算基盤と、スタートアップ型研究組織を組み合わせるモデル
です（出典：newsroom.kddi.com）。
Sakana AIが独立した研究所型だとすれば、ELYZAは大企業との融合による社会実装型です。

もう一段小さいが、興味深い企業

Lightblueは東京大学発で、日本語モデル「ao-Karasu」を公開しながら、複数の海外LLMを切り替えて利用できる企業向けAIエージェントを展開しています。独自モデルだけに閉じず、企業内知識と複数モデルを組み合わせる点では、Sakana AIの思想を業務実装側から追っている企業です（出典：lightblue-tech.com）。
rinnaは、Microsoftから独立した日本企業で、日本語LLMだけでなく、音声、表情、AIキャラクター、バーチャルヒューマンを長期間研究しています。世界最強の汎用モデルを狙う企業ではありませんが、日本のキャラクター文化と会話AIを結び付ける独自生態系を持っています（出典：rinna.co.jp）。

日本全体として、点から群れになり始めている

これは数社だけの孤立した動きではありません。
経済産業省・NEDOのGENIACは、基盤モデル開発に必要な計算資源や企業間連携を支援しており、2026年の第4期では50件の応募から採択先を選定しました。公式イベントでは、競争力ある生成AI基盤モデルの開発事業者として16社・機関が採択されたとされています（出典：nedo.go.jp）。
つまり日本では、すでに次のような分業が形成され始めています。

• Sakana AI：モデル群の編成・進化

• Preferred Networks：半導体からモデル、アプリまで

• Kotoba：音声と同時通訳

• Turing：自動運転・フィジカルAI

• Stockmark：製造業・研究開発知識

• ELYZA：日本語AIの企業・行政実装

• rinna：人格・音声・キャラクターAI

これは、全員で同じ巨大LLMを作ろうとする構造ではありません。
むしろ、
日本の各産業が持つ現実世界の強みを、それぞれ異なるAIへ変換する構造
です。

私の評価

Sakana AIと同等の世界的知名度と研究上の独自性を、現時点ですでに持つ日本の新興企業は多くありません。 Sakana AIは例外的です。
しかし、将来性という観点なら、私は次の順で注目します。

1. Preferred Networks──国内AI主権の総合基盤

2. Kotoba Technologies──音声AIの世界企業候補

3. Turing──日本発フィジカルAIの大勝負

4. Stockmark──製造業知識のAI化

5. ELYZA──企業実務への深い実装

特にKotoba Technologiesは、まだ企業規模が小さい一方で、優秀な国際研究者、日本拠点、世界市場、特定基盤モデル、資本効率の良い領域という条件がそろっています。Sakana AIの次に「今の産業ライフサイクルをうまく読んでいる」と感じる会社です。
全体として見ると、日本は汎用チャットモデルで米国や中国を正面から追うより、
音声、製造、自動車、ロボット、行政、企業文書という現実世界との境界面で、複数の独自AI生態系を作る
方向へ進みつつあります。
Sakana AIはその群れの先頭にいますが、孤独な一匹ではなくなり始めています。

六　変化は世界同時に起きている──各国・各地域の生態系戦略

■あなた
このような産業構造の変化は、日本だけなのでしょうか？
それとも世界的に、このような変化が現れているのでしょうか？
■AI
日本だけの現象ではありません。世界全体で、AI産業は「最強モデルを作る競争」から、「十分に賢いモデルを、地域・産業・組織ごとに編成する競争」へ移り始めています。
ただし、巨大モデル競争が終わったわけではありません。正確には、AI産業が二層に分裂しています。

世界で同時に起きている二層化

上層では、OpenAI、Google、Anthropic、Metaなどが、巨額の計算資源を使ってフロンティアモデルを開発する寡占競争を続けています。2025年に発表された注目度の高いフロンティアモデルの9割以上は企業が開発したと、Stanford AI Index 2026は報告しています（出典：hai.stanford.edu）。
一方、その下には急速に大きくなっている市場があります。
既存モデルを選び、専門データを与え、評価し、業務に組み込み、複数のAIを働かせる市場
です。
組織によるAI利用率はすでに高い一方、エージェントの本格運用や企業全体の収益化はまだ初期段階です。つまり、モデルはかなり普及したが、モデルを企業能力へ変換する方法は、まだ確立していないのです（出典：hai.stanford.edu）。
Sakana AIは、この未確立の層にいる企業です。

米国──「最強モデル」から「AI労働力」へ

米国はフロンティアモデルの中心ですが、米国内でも価値の中心はエージェント、評価、業務統合へ移っています。
たとえばScale AIは、現在の主力を単なる学習データ提供から、

• AIシステムの評価と改善

• 長時間動くエージェントの管理

• 人間による介入

• 企業・政府の業務への導入

• 複数エージェントのオーケストレーション

へ広げています。同社は、単一の巨大モデルではなく、異なる能力を持つエージェント群を編成することが重要だと明言しています（出典：scale.com）。
米国では、この変化は「ソブリンAI」というより、法律、医療、金融、顧客対応、ソフトウェア開発など、職業別・業務別のAI労働市場として現れています。
米国は基盤モデルを自国に持つため、国家単位の独自モデルを強く意識する必要がありません。その代わり、各企業が自社固有のワークフローと評価系を囲い込もうとしています。

中国──低価格モデルを公共財化し、下流を増殖させる

中国では、DeepSeekやAlibaba系モデルなどが、米国最先端に接近する性能を、比較的低価格かつ利用しやすい形で提供しています。
DeepSeekは2026年4月にV4系をオープンソースで公開し、高性能モデルをAPIだけでなく、企業や開発者が改変・展開できる基盤として提供しています（出典：api-docs.deepseek.com）。
これは、モデル販売だけで利益を独占する戦略とは異なります。
安価で高性能なモデルを広く配り、その上に国内のクラウド、アプリ、ロボット、製造、行政サービスを増殖させる
という構造です。
したがって中国勢の台頭が示しているのは、単に「中国モデルが米国モデルに追いついた」ことではありません。
近フロンティア級の知能を、世界中の企業が材料として使えるようになったことです。
これはSakana AIのような企業にとって追い風です。供給されるモデルの種類が増え、価格が下がり、性能差が縮まるほど、モデルを選択・結合する側の価値が上がるからです。

欧州──産業・データ・主権を中心にした別生態系

欧州は日本とかなり近い方向へ進んでいます。
フランスのMistral AIは、単なる欧州版ChatGPTではなく、

• 企業固有の知識に基づくモデル

• 自律エージェント

• オンプレミス運用

• データ所有権

• 製造、金融、防衛、エネルギー向けAI

を一体で提供し始めています。2026年には、企業が自社の技術標準、コード、規程、過去の意思決定を組み込んだ専用モデルを作る「Forge」も発表しました（出典：mistral.ai）。
EU自身も、加盟国のスーパーコンピューター、大学、スタートアップ、産業データを結ぶ「AI Factories」を展開しています。2026年4月時点で19拠点と13の地域アンテナが運用され、製造、医療、金融、気候、宇宙などの分野別AI開発を支援しています（出典：digital-strategy.ec.europa.eu）。
欧州の狙いは、米国モデルを完全に排除することではありません。
米国モデルを利用しても、産業データ、評価基準、計算基盤、運用権限を欧州側に残す
というものです。
これは、あなたが述べている「世界とは別の生態系」に最も近い事例です。

インド・韓国・UAE──言語と文化を基盤にしたソブリンAI

この動きは、欧州や日本だけでもありません。
インドのSarvam AIは、インド諸語、政府サービス、端末上で動くAI、企業向け基盤を一体化し、「インドのフルスタック・ソブリンAI」を掲げています。2026年には、モデル、学習・推論基盤、政府・企業向け展開まで自社で構築するため、大型資金調達も実施しました（出典：sarvam.ai）。
韓国ではNAVERが、韓国語と文化、国内クラウド、行政・防衛・社会サービスをHyperCLOVA Xに接続しています。韓国独自のソブリンAI生態系を作ることを公式に掲げ、軽量モデルや端末・防衛用途への展開も進めています（出典：navercorp.com）。
UAEでは政府系研究機関TIIがFalconシリーズを開発し、小型モデル、アラビア語モデル、視覚モデルなどへ分化させています。単一の最大モデルより、現地言語、端末、製造、ロボットなどで使える効率的なモデル群を形成しています（出典：tii.ae）。
つまり現在、世界各地で、
米国の汎用知能を輸入するだけではなく、自国の言語・産業・制度へ接続する層を自分たちで所有する
動きが起きています。

世界共通の産業転換

世界的な変化は、四段階で整理できます。

1. 基盤モデルの近コモディティ化──米国以外やオープンモデルでも、日常・一般業務には十分な性能が得られる。

2. 価値の業務層への移動──性能差より、データ、記憶、ツール、評価、権限、ワークフローが重要になる。

3. 産業別生態系の形成──法律、医療、製造、金融、行政、ロボットなどで、それぞれ異なるAIが育つ。

4. 国家・地域による主権化──言語、文化、機密情報、規制、計算基盤を自国・地域側に残そうとする。

OECDも2026年、オープンなAIが国家・地域のAI生態系やイノベーションに与える効果を独立した政策課題として扱っています。また世界経済フォーラムでも、すべてを一国で保有するのではなく、地域共同基盤や信頼できる同盟国との共有を含む「AI主権」が主要議題になっています（出典：oecd.org）。

日本の特殊性

したがって、変化そのものは世界的です。
ただし、変化の受け止め方には日本的な特徴があります。
米国はソフトウェアと職業別エージェント、中国は低価格モデルと巨大国内市場、欧州は規制・産業・データ主権、インドは多言語公共基盤、中東は国家資本とアラビア語圏を軸にしています。
日本の強みは、

• 製造工程

• 品質管理

• ロボット・自動車

• 大企業内の専門知識

• 長期的な改善

• 人間による厳密な検証

• 現場とシステムの接続

にあります。
したがって日本では、モデルそのものより、
AIを工程として組織し、失敗を検出し、改善を回し続ける能力
が競争力になりやすい。
Sakana AI、Preferred Networks、Turing、Stockmarkなどが、それぞれ異なる方向から同じ構造へ向かっているのは偶然ではありません。

結論

世界全体が、同じ方向へ動いています。
ただしそれは、世界が一つのAIへ統合される動きではありません。むしろ逆です。
基礎知能が安価で豊富になるほど、その上に地域・言語・産業・企業ごとの異なる生態系が増殖する。
インターネットが世界を一つにしながら、多数の企業・文化・サービスを生んだのと同じです。
フロンティアモデルは少数の巨大企業に集中する。一方、そのモデルを何に使い、どう評価し、どの制度に接続するかは、急速に分散していく。
したがって現在起きているのは、AI産業の単純なコモディティ化ではなく、
知能の生産は集中し、知能の運用と意味付けは分散する
という産業構造への転換です。
日本はこの変化に固有の強みを持っていますが、日本だけが気づいたわけではありません。現在は世界各国が、自国に適した「第二のAI産業」を作り始めた局面です。

七　インターネット史との比較──AI産業の現在地と今後の段階

■あなた
この産業構造の変化を、インターネットの産業構造の変化と比較して、今どのようなステージにいるか、そしてこれからどのように変化していくかを、推論して下さい。
■AI
はい。インターネット史と比較すると、現在のAI産業は、
1995〜2003年頃のインターネット産業が、数年間に圧縮されて同時進行している段階
だと考えます。
ただし、すべての層が同じ年代にいるわけではありません。

• 一般利用は、すでにブラウザ普及後

• 企業導入は、まだイントラネット構築期

• AIエージェントは、商用インターネット直前

• 規格と統治は、TCP/IPの相互接続実験期

という、複数の産業時計がずれて動いている状態です。

1．インターネット産業は、どのように価値の中心を移したか

インターネットの発展は、おおまかに五段階に分けられます。第一の「研究期」には、ARPANETやパケット通信が生まれ、価値の中心は原理とプロトコルにありました。第二の「基盤整備期」には、TCP/IP、NSFNET、ISPが整備され、回線・ルーター・接続そのものが価値の中心でした。第三の「商用化期」には、ブラウザ、ポータル、Webサイトが登場し、利用者との入口が価値を持ちました。第四の「プラットフォーム期」には、検索、EC、SNS、クラウドが台頭し、データ・取引・ネットワーク効果が中心になりました。そして第五の「成熟期」には、スマートフォン、SaaS、動画、決済が普及し、インターネットは社会制度・産業そのものになりました。
インターネット史では、TCP/IPの標準化、相互運用性の確立、民間ネットワークの成長、1995年のNSFNETバックボーン民営化を経て、価値の中心が「接続を提供すること」から「接続上で何を提供するか」へ移りました。Internet Societyも、インターネットがコモディティ化すると、注目が基本通信から、その上の高度な情報サービスへ移ったと説明しています（出典：internetsociety.org）。
最初の勝者は通信機器、回線、ISPでした。
しかし最終的に巨大化したのは、必ずしもISPではありません。

• Google

• Amazon

• Microsoft

• Meta

• Apple

• Salesforce

• 決済・広告・クラウド企業

など、インターネット上の行動、取引、データ、入口を握った企業です。
つまり産業の利益源は、
回線 → 接続 → 情報 → 取引 → 習慣・制度
へ下流移動しました。
AIにも、ほぼ同じ移動が始まっています。

2．現在のAIは、インターネットのどの段階か

私の結論は、全体としては1998年前後、エージェントについては1993〜1995年頃です。

基盤モデル層は、1990年代後半の通信インフラ

現在のGPU、データセンター、基盤モデル競争は、インターネットで言えば、

• 光ファイバー

• 海底ケーブル

• ルーター

• ISP

• 通信バックボーン

を建設していた段階に相当します。
OpenAI、Google、Anthropic、Meta、中国勢は、巨大な「知能供給網」を構築しています。
しかし上位モデル間の性能は収斂し始めています。2026年3月時点で、主要4社のモデルは人間評価上25 Elo以内に集まり、米中最上位モデルの差も一桁台に縮小しています。そのため競争圧力は、純粋な性能から価格、信頼性、専門領域へ移りつつあります（出典：hai.stanford.edu）。
これは、通信回線に十分な速度が出始めた後と似ています。
回線速度が一定水準を超えると、利用者は「この回線は1％速い」という理由だけでは選ばなくなります。同様に、日常業務で十分な知能水準を超えると、

• どれだけ安定しているか

• 自分の文脈を理解するか

• 自社システムにつながるか

• 間違いを検出できるか

• 最後まで仕事を完遂するか

の方が重要になります。
つまり、あなたが言われたように、日常用途ではモデル単体の知能が過剰になり始めているのです。
ただし、能力が過剰でも信頼性は過剰ではありません。専門領域では上位モデル間の差が小さくても、なお高い信頼性が必要であり、一般的な評価には最大42％の無効問題が含まれるという指摘もあります（出典：hai.stanford.edu）。

チャットAIは、Netscape型ブラウザ

ChatGPTをはじめとする対話画面は、インターネットにおけるブラウザに相当します。
インターネットはTCP/IPだけでは一般人に普及しませんでした。URLを入力し、クリックするだけで利用できるブラウザが必要でした。
AIも同様です。
ニューラルネットワークや言語モデル自体は以前から存在していましたが、自然言語で話しかけるだけで使えるチャット画面が、一般利用への入口になりました。
生成AIは登場から約3年で世界人口の53％に利用が広がったとStanford AI Indexは推計しており、PCやインターネットより速い普及ペースです（出典：hai.stanford.edu）。
したがって、消費者利用だけを見れば、AIはすでに1990年代末のブラウザ普及期を通過しつつあると言えます。
しかしブラウザが普及したことと、Amazon、Google、YouTube、クラウドが完成したことは別です。
現在のAIも同じです。
チャット画面は普及した。しかし、その上に成立する本格的な産業は、まだ建設途上です。

AIエージェントは、商用Web直前

企業でのAI利用は広がっていますが、エージェントによる業務の自律実行はまだ初期です。
Stanfordの2026年報告では、調査対象組織の88％が何らかのAIを利用している一方、各業務におけるAIエージェント導入はほぼ一桁台です。OECDの統計でも、AIを使用する企業は2025年時点で20.2％であり、企業規模や定義によって差はあるものの、深い業務変革はまだ少数派です（出典：hai.stanford.edu）。
現在の多くの企業利用は、

• 文章の下書き

• 要約

• 検索

• 会議記録

• コーディング補助

にとどまっています。
これは1990年代の企業が、

• Webサイトを作る

• 電子メールを導入する

• 社内イントラネットを設置する

段階に近い。
まだ企業の受発注、会計、設計、生産、審査、人事、意思決定が、AIを前提に全面再設計されたわけではありません。
したがって企業側の産業時計は、消費者側より数年遅れています。

3．決定的な違い──AIは「情報網」ではなく「行為網」である

ここでインターネットとの重要な違いがあります。
インターネットは、主として、
情報を運ぶ費用を下げた
技術でした。
AIは、
情報を理解し、加工し、判断し、行動に変える費用を下げる
技術です。
インターネットが通信網だとすれば、AIは通信網の上に形成される認知・労働・意思決定の網です。
そのためAIは、インターネットより早い段階から、

• 権限

• 責任

• 本人確認

• 監査

• 誤作動

• 保険

• セキュリティ

• 評価

• 人間による停止権

を必要とします。
NISTが2026年2月にAI Agent Standards Initiativeを開始し、エージェントの相互運用性、安全性、認証、標準化を主要課題に置いたのは、この産業が単なるチャットから行為主体へ移り始めたためです（出典：nist.gov）。
インターネットでは、Webサイトが誤った情報を表示しても、通常は勝手に銀行振込や契約を実行しません。
AIエージェントは実行します。
だからAI産業では、ブラウザ、OS、決済、本人認証、電子署名、監査ログが、ほぼ同時に必要になります。

4．これから起きる第一段階──「AIブラウザ戦争」

今後2〜3年で最初に起きるのは、モデル戦争の終結ではなく、利用者との入口をめぐる戦争です。
インターネットでは、Netscape、Internet Explorer、その後のChrome、Safariが入口を争いました。
AIでは入口が、より広い意味を持ちます。
次のものを一体として所有する主体が、「AIブラウザ」になります。

• 利用者との会話画面

• 個人・企業の記憶

• ファイルとメールへのアクセス

• カレンダーや業務システムとの接続

• 支払い手段

• 利用者の権限

• エージェントの選択

• 実行履歴と監査

つまり、AI時代のブラウザは単なる画面ではありません。
記憶、身分、権限、モデル選択、行動実行を統合した代理人OS
です。
この入口をめぐり、

• OS企業

• クラウド企業

• 業務ソフト企業

• AIモデル企業

• 検索企業

• スマートフォン企業

が競争するでしょう。
最強モデルを持つ企業が必ず勝つとは限りません。
インターネットでも、最良の通信技術を作った企業と、最終的に消費者との接点を握った企業は一致しませんでした。

5．第二段階──AI版イントラネットの形成

次に進むのは、企業内部のAI化です。
現在の企業は、外部モデルに質問しています。しかし今後は、企業内部に、

• 社内規程

• 過去の判断

• 顧客情報

• 失敗事例

• 評価基準

• 専門家の暗黙知

• 権限体系

• 例外処理

を統合した、独自のAI環境を持つようになります。
これはインターネットに対するイントラネットに相当します。
ただし、単なる企業内チャットではありません。
人間と複数のAIが、

1. 情報を収集する

2. 案を作る

3. 反論する

4. 証拠を検証する

5. 権限者に回す

6. 結果を記録する

7. 評価を次回に反映する

というループを形成します。
この段階になると、価値はモデルから、
業務ループ、組織記憶、評価ハーネス
へ移ります。
インターネット企業の資産がアクセス数、顧客データ、ネットワーク効果だったとすれば、AI企業の資産は、

• どの状況で何を判断したか

• その結果が正しかったか

• どのエラーをどう修正したか

• 誰がどの評価を与えたか

という評価履歴になります。
あなたが以前述べた「評価資本」が、ここで本格的な企業資産になります。

6．第三段階──AI版Webサービスとエージェント間取引

インターネットでは、Webサイト同士がAPIで接続され、決済、広告、物流、クラウドが統合されました。
AIでも同じことが起きます。
ただし接続するのはサービスだけでなく、代理権を持ったエージェントです。
例えば旅行では、

• 個人エージェントが希望を理解する

• 旅行エージェントが候補を探す

• 鉄道・航空エージェントが在庫を提示する

• 宿泊エージェントが条件を交渉する

• 決済エージェントが支払う

• 予定管理エージェントがカレンダーを更新する

という形になります。
このために必要になるのが、

• エージェントの本人性

• 委任された権限の範囲

• 支払い限度額

• 契約能力

• 行動ログ

• 取り消し権

• 責任の所在

• 相互運用規格

です。
現在は、インターネットで言えば、各社が独自仕様のネットワークを作りながら相互接続方法を探っていた時代に近い。
やがて「どのエージェントでも一定の規則で外部サービスを利用できる」共通基盤が形成されるでしょう。
これがAI時代のTCP/IP・HTTP・SSL・OAuth・クレジットカード網に当たります。

7．第四段階──ドットコム・バブル型の淘汰

AI産業にも、インターネットと同様の淘汰が起きる可能性が高いと考えます。
現在は「AIを付ければ新事業になる」という期待が強く、多数の企業が、

• 汎用チャットの包装

• 単純な文書要約

• 他社モデルへの薄い接続

• 差別化の乏しいAIエージェント

を提供しています。
しかし基盤モデルが安価になり、OSや業務ソフトに標準搭載されると、これらの機能は独立した事業として成立しにくくなります。
インターネット初期のポータル、ISP、オンライン商店の多くが消えたように、AIでも、
モデルを呼び出して画面を付けただけの会社
は淘汰されるでしょう。
残るのは主に次の企業です。

• 独自の流通経路を持つ

• 専門データを持つ

• 顧客業務の深部に入っている

• 明確な評価ループを持つ

• 法制度上の信頼を獲得している

• 現実世界の設備やサービスと接続している

• 他のAIが利用する基盤になっている

Sakana AIが面白いのは、特定モデルの性能だけでなく、モデルを編成・評価・進化させる上位層を狙っていることです。
モデルの価格が下がっても、むしろ利用可能なモデルが増えるほど、同社のオーケストレーション技術には機会が生まれます。

8．第五段階──「一つの世界AI」ではなく、複数のAI圏

ここはインターネットと異なる展開になる可能性があります。
インターネットは、基本的には世界共通のTCP/IP上に形成されました。国による分断はありますが、技術的には一つの大きなネットワークです。
AIでは、より強い地域分化が起こるでしょう。
理由は、AIが扱うものが単なる通信ではなく、

• 言語

• 文化

• 法律

• 国家機密

• 企業秘密

• 行政判断

• 医療・金融判断

• 教育内容

• 社会規範

だからです。
将来は、世界中で同じモデルを使っていたとしても、その上に載る、

• データ

• 記憶

• 評価基準

• 権限

• 禁止事項

• 判断ルール

は国・産業・企業ごとに異なるでしょう。
したがってAI産業は、
少数の世界的知能供給企業と、多数の地域・産業別AI生態系
に分かれると考えます。
インターネットが「一つのネットワーク、多数のWebサイト」だったとすれば、AIは、
少数の基礎知能、多数の目的関数・評価系・行為圏
になります。
日本が持つべきなのは、必ずしも世界最強モデルだけではありません。
日本の制度、産業、文化、専門知識に基づいて、
何を正しいとし、何を失敗とし、どこで人間に戻すか
を決定できるAI生態系です。

9．最終段階──AIネイティブ企業の誕生

インターネット成熟後に、Amazon、Google、Netflix、Uber、Salesforceのような「インターネットがなければ存在できない企業」が生まれました。
今後は、
AIがなければ成立しない組織構造を持つ企業
が生まれます。
現在の企業がAIを導入するのではありません。
最初から、

• 社内情報が機械可読

• 会議と判断が記録される

• 複数エージェントが常時稼働する

• 人間は目標・例外・評価を担当する

• 業務結果が自動的に学習へ戻る

• 少人数で巨大な事業を運営する

ように設計された会社です。
これはAI版の「Web企業」ではなく、企業そのものが学習ループになる状態です。
その企業の競争力は、社員数や保有モデル数だけでは測れません。

• 学習ループの速度

• 評価データの質

• 修正能力

• 組織記憶の一貫性

• 人間とAIの役割分担

• 例外状態への対応力

によって測られるようになります。
ここで、あなたが論じてきたループエンジニアリングが、AI活用手法ではなく、企業設計そのものになります。

現在地を一文で表すと

現在は、
AI版のブラウザは普及したが、GoogleもAmazonもクラウドもスマートフォンも、まだ完全な形では誕生していない段階
です。
さらに正確に言えば、
モデルという知能インフラの建設競争から、その知能を使って仕事・取引・組織を再構築する競争へ、価値の中心が移り始めた瞬間
です。
インターネットでは、通信速度の向上が価値を生んだ後、最終的には「通信を使って何をするか」が産業を支配しました。
AIでも同様に、
モデルがどれほど賢いか
から
その知能を誰が、何の目的で、どの評価系の下で組織するか
へ競争が移ります。
ただしAIは情報を運ぶだけでなく、判断し、行動します。
そのため次の巨大企業は、単なるAIサービス企業ではなく、
人間、モデル、データ、権限、評価、現実世界の行動を一つのループに統合した企業
になるでしょう。
Sakana AIは、インターネット企業で言えば「優秀なWebサイトを一つ作っている会社」ではありません。
むしろ、まだ標準が固まっていない時期に、知能同士を接続・編成するルーターやネットワークOSを作ろうとしている会社に近い。
だからこそ、現在の短い産業上の空白に入ることができているのだと思います。

八　推論競争から観測競争へ──リアルデバイスという次の主戦場

■あなた
今後は、リアルデータの入力デバイス。
例えば音声入力デバイスや、カメラデバイスが主流になってくる可能性がありますね。
そしてその解析能力が、推論能力に直結します。
そのためには、リアルデバイスの性能向上が必須となります。
■AI
その通りです。次のAI産業では、モデルが脳、カメラやマイクが感覚器官になると考えられます。
そしてモデル性能が一定水準を超えるほど、システム全体の知能を制約するものは、脳の大きさではなく、
何を、どの精度で、どの時間幅で観測できるか
へ移ります。
私はこれを、AI産業における「推論競争から観測競争への移行」と捉えます。

AIの性能は、モデル性能だけでは決まらない

現実世界での実用知能は、概念的には次の積に近くなります。
実用知能 ＝ モデル能力 × 観測品質 × 時間的連続性 × 文脈・記憶 × 行動結果からのフィードバック
どれほど賢いモデルでも、入力される情報が、

• 音声の一部分

• 静止画一枚

• 人間が選んだ文章

• 状況を失った要約

だけなら、そこから推論できる範囲も限られます。
逆に、多少小さなモデルでも、

• 誰が話しているか

• 声の調子がどう変化したか

• 何を見ているか

• どの物体が動いたか

• その前に何が起きたか

• 自分の行動で何が変化したか

を連続して観測できれば、現実世界では強い知能になります。
したがって、今後のAIでは「推論能力」と「知覚能力」を分離して考えにくくなります。
正しく見ること自体が、推論の前半部分になるからです。

入力デバイスは「記録装置」から「意味抽出装置」へ変わる

これまでのカメラは画像を撮影し、マイクは音を録音する装置でした。
これからは、その場で、

• 人物

• 物体

• 動作

• 異常

• 発話内容

• 感情的変化

• 空間的位置

• 因果関係の候補

を抽出する、意味センサーへ変わります。
すでにソニーのIMX500は、画像センサーの内部にAI処理機能とメモリーを組み込み、画像全体をクラウドに送るのではなく、必要な認識結果だけを出力できる構造になっています。つまり「撮ってから考える」のではなく、撮像と認識が同じ部品の中で始まっているのです（出典：aitrios.sony-semicon.com）。
この方向が進めば、将来のカメラは「映像を送る機械」ではなく、
人が入った
商品を手に取った
工具の使い方が通常と違う
部品の動きに異常がある
といった状態変化を出力する装置になります。
マイクも同様です。
単なる音声文字起こしではなく、

• 話者の識別

• 雑音からの分離

• 発話方向の推定

• 声量・間・抑揚

• 会話参加者の関係

• 異常音の検知

までを端末側で処理するようになります。

重要なのは画素数だけではない

ただし「リアルデバイスの性能向上」は、単純な解像度競争ではありません。
AI用センサーに必要なのは、主に次のような性能です。

低遅延

自動運転、ロボット、会話AIでは、数秒前の情報はすでに古い。クラウドとの往復を待たず、端末上で処理する必要があります。
NVIDIAはJetsonを、ロボットやエッジAI向けの小型・省電力計算基盤として展開しており、データセンターで使われるAI技術を現場の機械へ持ち込もうとしています（出典：nvidia.com）。

ダイナミックレンジと耐環境性

暗所、逆光、騒音、振動、雨、工場の粉塵など、現実世界は学習用データセットほど整っていません。
実際のAIでは、4Kか8Kかよりも、
条件が悪いときに、必要な対象を取り逃がさないか
の方が重要になります。

時間同期

カメラ、マイク、位置情報、加速度、温度、レーダーなどが別々の時間軸で記録されると、因果関係を正しく推論できません。
「音がした後に人が動いた」のか、「人が動いた結果、音がした」のかを区別するには、センサー同士の厳密な同期が必要です。

センサーフュージョン

人間も視覚だけでは世界を理解していません。
今後のAI端末は、

• カメラ

• マイク

• 深度センサー

• レーダー

• LiDAR

• GPS

• IMU

• 温度・圧力

• 生体情報

を組み合わせます。
一つのセンサーが誤認しても、他のセンサーで補正する。ここで初めて、現実世界で信頼できる推論が可能になります。

省電力

常時観測するデバイスでは、ピーク時の計算能力より、
一日中動き続けられる性能
が重要です。
Appleも、端末上で動作する基盤モデルとサーバー側モデルを組み合わせる構造を進めています。端末処理には、応答速度だけでなく、個人データを外部へ出さずに処理できる意味があります（出典：machinelearning.apple.com）。

クラウドAIとエッジAIは役割分担する

すべてを端末だけで処理することにはならないでしょう。
現実には、三層構造になると考えます。

センサー内AI

画像や音を取得した瞬間に、不要情報を捨て、特徴を抽出します。

端末内AI

直近の状況を理解し、即時判断を行います。
たとえば、

• 危険を検知して機械を止める

• 会話にすぐ応答する

• 必要な映像だけ保存する

• 個人情報を匿名化する

といった処理です。

クラウドAI

長期記憶、大規模な比較、複雑な計画、モデル更新を担当します。
したがって、将来のAIは一つの巨大モデルではなく、
センサー内の小型AI ＋ 端末内の中型AI ＋ クラウド上の大型AI
が役割分担する分散知能になります。
これはSakana AIの「複数の知能を編成する」という思想が、デバイス階層にまで広がったものとも言えます。

AIの主戦場は「画面の中」から「現実の時間」へ移る

Google DeepMindのProject Astraも、周囲の世界をリアルタイムに理解する汎用AIアシスタントを目指し、スマートグラスのような新しい形態への展開を想定しています（出典：deepmind.google）。
これは、AIへの入力方法が、
人間がプロンプトを書く ↓ AIが人間と同じ場を見聞きする
へ変わることを意味します。
現在のAIは、人間が世界を観察し、その一部を言葉に変換し、AIへ渡しています。
この構造では、人間がボトルネックです。
人間は、

• 見落とす

• 記憶を失う

• 言語化できない

• 無意識に情報を選別する

• 時系列を正確に再現できない

からです。
AIがカメラやマイクを通じて直接観測するようになると、AIは人間の要約を介さず、現実の一次データから判断できます。
これは非常に大きな変化です。

インターネット時代との違い

インターネット時代のデバイスは、主として情報を閲覧・送信する端末でした。

• PC：文書とWeb

• スマートフォン：Webとアプリ

• カメラ：写真の取得

• マイク：通話と録音

AI時代のデバイスは、現実を観測し、意味を抽出し、行動する端末になります。
スマートフォンは「人が操作するコンピューター」でした。
次の端末は、
人間と同じ環境に存在し、常時状況を理解する知的な同行者
に近づきます。
したがって、スマートグラス、イヤホン、車、ロボット、監視カメラ、工場設備、家電が、単なる周辺機器ではなく、AIネットワークの感覚器官になります。

そしてリアルデータが最大の競争資産になる

ここが産業構造上、最も重要です。
基盤モデルは外部から購入できます。オープンモデルも利用できます。
しかし、

• 自社工場で何が起きたか

• 熟練者がどこを見たか

• 顧客がどこで困ったか

• ロボットがどこで失敗したか

• その判断の結果、何が起きたか

というリアルデータは、外部から購入できません。
しかも価値があるのは映像や音声そのものだけではありません。
観測 → 判断 → 行動 → 結果 → 評価
までつながったデータです。
たとえば、作業員の映像を大量に集めても、それだけでは不十分です。

• どの作業が正しかったか

• どこが危険だったか

• 製品品質にどう影響したか

• 熟練者がなぜ介入したか

まで結びついて初めて、AIが学習できる資産になります。
これは、これまで話してきた評価資本の物理世界版です。
私はこれを、観測資本と呼んでもよいと思います。

日本には大きな機会がある

この段階は、日本にとって比較的有利です。
日本は、汎用モデルの計算資源競争では米国や中国に劣ります。しかし、

• 画像センサー

• 光学

• 精密部品

• 自動車

• ロボット

• 工作機械

• 工場設備

• 品質管理

• 現場改善

という、現実世界との接点を多く持っています。
ソニーのように、センサーとAI処理を一体化する方向は、その象徴です（出典：aitrios.sony-semicon.com）。
日本企業が狙うべきなのは、必ずしも最も大きなAIの脳ではありません。
世界で最も正確に、現実をAIへ入力できる感覚器官と学習ループ
です。
モデルの知能差が縮まるほど、現場を正確に観測できる企業の価値が上がります。

最終的に起きること

将来のAI企業は、モデルだけを持つ企業ではなくなります。
競争力は、次の一体構造から生まれます。
センサー → エッジ処理 → マルチモーダル理解 → 推論 → 行動 → 結果の観測 → 評価 → 再学習
このループを所有する企業が強くなります。
したがって、あなたの指摘を一文にすると、
モデルが十分賢くなった後のAI競争では、より深く考える能力より、現実をより正確に、連続的に、低コストで知覚する能力がボトルネックになる。
となります。
インターネットが世界中のコンピューターを接続した産業だとすれば、次のAI産業は、世界中の感覚器官を知能へ接続する産業になるのだと思います。

九　現実の可観測化──企業と個人に訪れる変化

■あなた
この場合、インターネットの産業構造の変化と比較することだけでは、推論が不足しているかもしれません。リアルデータの高解像度の把握は、推論能力に劇的な変化を促すでしょう。
現状のリアルデバイスは、その意味では、まだまだ能力が低い。
そして企業、個人で、それぞれリアルデータの活用を始めるのではないでしょうか。
その場合、企業、個人で、どのような産業構造の変化、個人のライフスタイルの変化がもたらされるでしょう。
■AI
おっしゃる通りです。ここまで来ると、比較対象をインターネットだけに置くのは不十分です。
インターネットが主として情報の伝達費用を下げたのに対し、高解像度のリアルデータとAIは、
現実の状態を把握し、意味を理解し、次の行動を決める費用
を下げます。
したがって比較すべきなのは、インターネットに加えて、

• 電化

• センサー化・計測技術

• サイバネティクス

• スマートフォン

• 会計制度

• 工場の品質管理

が一度に融合する変化です。
私は、この次の産業段階を「現実の可観測化」と呼ぶのがよいと思います。

リアルデータは、単に回答精度を上げるのではない

高解像度のリアルデータが重要なのは、AIへの情報量が増えるからだけではありません。
AIの推論形式そのものが変わります。
現在の生成AIは、多くの場合、
人間が観察した現実 → 人間が言語化 → AIに入力 → AIが推論
という構造です。
この場合、人間が情報圧縮装置になっています。
人間は無意識に、

• 不要だと思った情報を落とす

• 見た順番を忘れる

• 微細な変化を見逃す

• 自分の解釈を事実として入力する

• 言葉にできない感覚を除外する

からです。
カメラ、マイク、加速度、位置、温度、生体情報などが連続的に入力されると、AIは人間の要約ではなく、現実の時間系列そのものから推論できるようになります。
すると推論は、静止した質問への回答から、

• 状態の変化を追う

• 異常の前兆を見つける

• 行動と結果の関係を学ぶ

• 個人や設備固有の通常状態を理解する

• 別の行動を取った場合の結果を予測する

方向へ変わります。
Appleの研究では、16万2,000人、25億時間超のウェアラブル由来データから行動信号の基盤モデルを構築し、57の健康関連タスクで評価しています。重要なのは、単なる瞬間的なセンサー値よりも、睡眠・活動・行動のような、意味のある時間尺度に変換されたデータが予測に有効だとしている点です（出典：machinelearning.apple.com）。
つまり高解像度化とは、単に画素数や録音品質を上げることではありません。
現実の変化を、意味を保ったまま時間軸上に保存すること
です。

企業では「文書で経営する会社」から「状態を観測する会社」へ変わる

現在の企業経営は、現実に対してかなり低解像度です。
経営者が見るものは、

• 月次資料

• 週次会議

• 売上集計

• 稟議書

• 事故報告

• 担当者による説明

などです。
これはすべて、現場で起きた出来事を人間が編集・圧縮した二次データです。
そのため経営は必然的に遅れます。
現場で異変が起き、担当者が認識し、上司に報告し、会議資料になり、経営者が判断する頃には、出来事から数日から数カ月経過しています。
リアルデータが企業に入ると、この構造が変わります。

1．企業は「定期報告型」から「常時状態推定型」になる

工場、店舗、物流、顧客対応、設備、情報システムからデータが常時流れ、その上でAIが、

• 今、何が起きているか

• 通常状態から何が外れたか

• 何もしなければ何が起きるか

• どの介入が有効か

を推定するようになります。
MicrosoftのReal-Time Intelligenceは、IoT、ログ、テキストなどのストリームを取り込み、分析だけでなく、AIエージェントによる判断やリアルタイムの行動まで接続する構造を提供しています（出典：learn.microsoft.com）。
Siemensも、工場や設備のデジタルツインに、リアルタイムの物理データを重ね、現実の変化と仮想シミュレーションを往復できる方向へ進んでいます（出典：press.siemens.com）。
企業の管理単位は「月次売上」から、「毎秒変化する状態」へ細分化されていくでしょう。

2．価値の源泉が、保有データから「観測と介入の履歴」へ移る

企業が持つだけのデータは、意外に価値が限定されます。
本当に価値があるのは、
何が起きたか → どう判断したか → 何を実行したか → 結果はどうなったか → その結果をどう評価したか
が連結されたデータです。
この閉じたループがあれば、企業は自分自身の行動から学習できます。
たとえば、機械の振動データだけでなく、

• どの振動が故障につながったか

• いつ部品を交換したか

• 交換しなかった場合はどうなったか

• 誰の判断が正しかったか

まで残ることで、故障予測の精度が上がります。
企業の競争優位は、従来の「データを大量に持っている」から、
現実を観測し、介入し、その結果を学習へ戻す速度
へ移ります。
これは企業版のループエンジニアリングです。

3．組織階層の役割が変わる

現在の中間管理職には、情報を集めて上へ伝える仕事がかなり含まれています。
リアルデータとAIが普及すると、

• 情報収集

• 集計

• 状況説明

• 定例報告

• 進捗確認

の多くは自動化されます。
しかし管理職そのものが不要になるとは限りません。
役割が、
情報の中継者 から 例外の解釈者・評価基準の設計者
へ変わります。
通常時の状況把握はAIが行い、人間は、

• 何を異常と定義するか

• どの指標を優先するか

• 相反する目的をどう調停するか

• どこまでAIに権限を与えるか

• どの例外を許容するか

を担当します。
つまり、企業内の権力は「情報を持っている者」から、評価基準と介入権を持つ者へ移ります。

4．企業そのものがデジタルツイン化する

製品や工場だけでなく、企業全体に仮想モデルが作られるでしょう。

• 人員配置を変えた場合

• 価格を変更した場合

• 店舗を閉鎖した場合

• 仕入れ先が止まった場合

• 金利が上がった場合

• AIに審査権限を移した場合

を、実行前にシミュレーションするようになります。
Microsoftは自社サプライチェーンで25以上のAIエージェントやアプリケーションを運用し、需要予測、物流、在庫などの判断をエージェント化していると説明しています（出典：microsoft.com）。
将来の経営会議は、資料を読んで意見を述べる場から、
複数の介入案を企業デジタルツインで走らせ、結果の分布を比較する場
へ変わる可能性があります。

産業構造では、どの企業が強くなるか

この変化では、モデル企業だけが勝つわけではありません。
新たに重要になるのは、次の産業層です。

感覚器官を作る企業

カメラ、マイク、レーダー、LiDAR、生体センサー、触覚センサーです。
ただし価値はハードウェア単体ではなく、センサー内部で意味を抽出できるかに移ります。
ソニーのIMX500は、画像センサー内にAI処理機能とメモリーを持ち、映像そのものではなく、認識したメタデータだけを出力できます。これは計算量、通信量、プライバシーの問題を同時に軽減する設計です（出典：aitrios.sony-semicon.com）。

現実を意味構造に変換する企業

生の映像や音声を、

• 人

• 物

• 作業

• 関係

• 状態変化

• 異常

• 意図

へ変換する層です。
ここではセンサー企業、エッジAI企業、空間認識企業が競争します。

時系列を所有する企業

一枚の写真ではなく、
昨日から今日まで何が変わったか
を理解する企業です。
単発の認識より、個体・設備・店舗・人物ごとの長期的な状態モデルが重要になります。

介入結果を所有する企業

最も強いのは、観測するだけでなく、行動まで実行できる企業です。

• ロボット企業

• 自動車企業

• 工場自動化企業

• 医療機器企業

• 物流企業

• スマートホーム企業

です。
行動の結果を再び観測できるため、学習ループが閉じるからです。
したがって、長期的には、
センサー企業、AI企業、業務ソフト企業、ロボット企業の境界が曖昧になる
と予想します。

個人では「検索する生活」から「観測され、支援される生活」へ移る

個人生活における変化は、スマートフォン以上に大きい可能性があります。
現在のAIは、人間が質問しなければ動きません。
将来の個人AIは、

• 何を見ているか

• 誰と話したか

• 何を約束したか

• 何を買ったか

• どこで迷ったか

• どの作業で時間を失ったか

• 体調がどう変化したか

を継続的に把握します。
Google DeepMindのProject Astraも、周囲の世界をリアルタイムで理解する汎用アシスタントを目指し、グラスのような新しい形態への展開を想定しています（出典：deepmind.google）。
すると個人AIは、検索エンジンやチャットではなく、生活の観測者兼代理人になります。

1．記憶の外部化が、文書から経験へ広がる

現在のデジタル記憶は、

• 写真

• メール

• メモ

• カレンダー

• 検索履歴

など、意図的に保存したものが中心です。
将来は、

• どこに物を置いたか

• 店員から何を説明されたか

• 会議で誰が何を約束したか

• 旅行中に何を快適と感じたか

• どの道で疲れたか

まで、意味情報として保存されます。
「いつ撮影した写真か」を探すのではなく、
前回この温泉地を訪れたとき、私はどこで疲れ、何を良いと評価したか
をAIに尋ねられるようになります。
これは単なるライフログではありません。
経験が検索可能な構造化資産になることです。

2．健康管理は、健康診断から連続的な変化検出へ移る

現在の健康管理は、年に一度の検査や、本人が不調を感じた後の受診が中心です。
ウェアラブルとAIが進歩すると、

• 睡眠

• 歩行

• 声

• 呼吸

• 心拍

• 姿勢

• 活動量

• 日常行動の変化

から、本人が自覚する前の変化を検出する方向へ進みます。
重要なのは「一般的な正常値」と比較するだけでなく、
その人自身の通常状態から、どれほど外れたか
を見ることです。
個人ごとの長期データを持つAIは、医師の代替というより、日常状態の変化を早く発見する観測者になります。

3．買い物は「商品を選ぶ」から「生活状態を最適化する」へ変わる

個人AIが、

• 家に何があるか

• 何を実際に使っているか

• どの服を着ているか

• 食品を何日で消費するか

• どの購入を後悔したか

を把握すると、広告やレビューだけで商品を推薦する必要がなくなります。
冷蔵庫の中身、使用頻度、生活習慣を見て、

• 必要になる前に補充する

• 重複購入を止める

• 使わない定額サービスを解約する

• 既存の持ち物で代替する

ようになります。
これは企業にとって重大です。
現在の広告産業は「消費者の関心」を推定しています。
将来の個人AIは、消費者の現実の在庫と使用状況を知ります。
すると広告企業よりも、個人の代理人AIの方が、本人の需要を正確に把握することになります。
企業は人間を広告で説得するだけでなく、個人AIに対して、

• 価格

• 品質

• 耐久性

• 修理可能性

• 契約条件

• 実利用データ

を機械可読形式で提示しなければならなくなるでしょう。

4．仕事は「成果の提出」から「過程の学習」へ変わる

現在、企業が評価できるのは主に完成物です。

• 報告書

• 売上

• 処理件数

• 納期

• 試験結果

高解像度の作業データが得られると、

• どこで迷ったか

• どの資料を参照したか

• どの順番で考えたか

• どの異常を見落としたか

• 熟練者がどこで判断を変えたか

まで分析できます。
これにより、教育は一般的な研修から、その人の作業過程に対する個別指導へ変わります。
一方で、これは非常に強い監視にもなります。
作業の可視化は、本人を助けるコーチにもなれば、秒単位で労働者を査定する監督者にもなります。
技術的には同じです。
違いを決めるのは、

• 誰がデータを所有するか

• 何の目的に使えるか

• 評価に使うことへ同意しているか

• 生データを誰が見られるか

• 削除できるか

という制度です。

「観測されない権利」が重要になる

リアルデータ時代では、プライバシーは単に個人情報を隠す問題ではなくなります。
より深い問題は、
人間には、記録されず、評価されず、最適化されない時間が必要か
という問題です。
AIが常時、

• 健康状態

• 生産性

• 感情

• 消費

• 人間関係

• 発言

• 移動

を分析する社会では、効率は上がります。
しかし人間は、観測されると行動を変えます。
失敗、無駄、寄り道、曖昧な会話、目的のない時間が減り、AIが評価しやすい行動へ適応する危険があります。
したがって将来は、

• 観測モード

• 私的モード

• 保存しないモード

• 端末内だけで処理するモード

• 一定期間後に自動消去するモード

を使い分けることが、生活リテラシーになるでしょう。
紙のノート、散歩、風呂、私的な会話などが、単なる懐古趣味ではなく、観測と最適化から退出するための空間として再評価される可能性もあります。

個人の格差も変わる

将来の格差は、単に高性能AIを使えるかどうかではありません。
次の三つの格差になるでしょう。

観測格差

自分の身体、時間、仕事、支出を高品質に把握できるか。

解釈格差

得られたデータから、意味のある判断を導けるか。

代理権格差

AIに予約、交渉、購入、申請などを実行させられるか。
高所得者だけが優秀な人間の秘書やコーチを持てた時代から、多くの人がAI代理人を持つ時代へ移る可能性があります。
しかし、無料AIが広告企業や保険会社の利益を優先し、有料AIだけが本人の利益を忠実に守るようになれば、新たな格差が生まれます。
「誰のために推論するAIか」が重要になります。

今後の段階

時期は不確実ですが、構造的には次の順序で進むと推測します。

第1段階：記録と要約

現在から数年間。
カメラ、マイク、ウェアラブルが、会話、行動、設備状態を記録し、要約・異常通知を行う。
人間が最終判断をする段階です。

第2段階：個体別・企業別の世界モデル

AIが一般知識だけでなく、

• この人

• この設備

• この工場

• この家庭

• この企業

の通常状態を理解します。
ここで汎用AIから、個別世界を持つAIへ移ります。

第3段階：限定的な自律介入

AIが、

• 予定を変更する

• 機械を停止する

• 発注量を変える

• 支払いを行う

• 生活習慣を調整する

など、限定された権限で行動します。
観測と推論と行動のループが閉じます。

第4段階：自己改善する企業と個人環境

企業と個人のAIが、結果を評価し、次回の行動方針を更新します。
企業では経営システムそのものが学習し、個人では生活環境そのものが本人に適応します。
ここまで来ると、AIは道具ではありません。
企業や個人を取り巻く、外部神経系
になります。

結論

インターネットは、世界を接続可能にしました。
高解像度リアルデータとAIは、世界を観測可能・推論可能・介入可能にします。
この変化によって、企業は、
報告書を読んで経営する組織 から 現実の状態を常時推定し、介入結果から学ぶ組織
へ変わります。
個人は、
必要なときに情報を検索する人 から 自分の経験、身体、環境を理解するAIと共生する人
へ変わります。
そして最大の競争資産は、モデルそのものではなく、
誰が現実を観測し、その意味を定義し、どこまで行動する権限を持つか
になります。
これは情報革命の延長ではなく、その次に来る「現実の可観測化」という、もう一つの産業革命の始まりなのだと思います。