私はClouderaの最高戦略責任者です。こちらがあなたの$1 億AI予算が無用になった理由です

AIは新たなフェーズ、すなわちAI 2.0の時代に入っています。AI 1.0は、広範なビジネス課題に一般的な機械学習を適用した非構造化データに基づいて構築されました。これは、実験的なAIから初期の運用・エージェントシステムへの移行を示し、大規模モデルが自然と最も強力な結果をもたらすと信じられていました。この考えは、ハイパースケーラー企業がより大きな最先端モデルの構築を競い合うことで強化され、軍拡競争を生み出し、ブレークスルーを促進しましたが、同時に計算資源の過剰な要求やインフラコストの上昇も招きました。

おすすめ動画

AI 2.0はこれまでの考え方に挑戦し、実際にはより大きなモデルがほとんど価値を持たないことを証明しています。言語や統計的確率をモデル化するのではなく、AI 2.0は現実世界のダイナミクスをモデル化することに焦点を当てています。物理に基づく機械学習—微分方程式に根ざした厳密なシミュレーション駆動型モデルにAIを加速させたもの—に依存しています。これらのモデルは幻覚を生じさせず、実世界の運用の制約内で計算・予測を行うため、実運用環境に非常に適しています。このシフトは、企業がハイパースケーラーの経済性だけに頼ることができなくなることも示しています。最先端モデルの訓練には、少数のプロバイダーだけが対応できる計算資源が必要となり、「より大きい」ことがアクセス可能かつ最適かどうかを再考させる必要があります。

最終的に、AI 2.0の決定的な特徴はスケールではなく、抑制です。私たちは、いつ思考を止めるべきかを知るAIシステムに向かっています。これらは、無限の計算ではなく、精度、コスト効率、合理的な推論を重視して設計されたモデルです。

AI 1.0からAI 2.0への移行

AI 1.0は主に推論に基づき、実験や概念実証が支配的でした。組織はデモやベンチマークの最適化に注力し、運用結果よりも見た目や指標を重視していました。主要な問いは、AIが経済的・信頼性の面でスケールできるかどうかではなく、そもそも機能するかどうかでした。

このフェーズでは、多くのリーダーが「精度の罠」に陥り、計算資源や文脈理解よりも精度だけを追求しました。制御された環境では高性能に見えたモデルも、実運用では遅すぎたり、コストが高すぎたりして、実用化に失敗しました。最初から最大のモデルを選び、適応によって性能が自然に向上すると考えるのが一般的でした。

AI 2.0はこの考え方を刷新します。リーダーはもはやデモやベンチマークのスコアではなく、測定可能なROIに責任を持つ必要があります。2.0では、すべてを知るためにモデルを訓練するのではなく、重要なことをシミュレーションできるAIモデルを訓練すべきです。これは、一般化を追い求めるのではなく、一つまたは複数の能力を学び、磨き上げることを目的とした、より専門的なパラダイムです。

AI 2.0では、医療から製造、金融サービスまで、あらゆる業界が自らの物理法則や制約、環境をシミュレートする小型のドメイン特化モデルを構築できるようになります。これは、大量生産の自動車製造からカスタム組立へ移行するようなもので、もはや規模の経済だけで生産が決まるわけではありません。例えば医療では、小型の物理情報モデルが疾患の進行や治療反応をシミュレートし、膨大な一般化システムに頼る必要がなくなります。これにより、幻覚のリスクが排除され、安全性が求められるワークフローの信頼性が向上します。

さらに、ハイパースケーラーのダイナミクスも変化しています。すべてを巨大な中央モデルで処理するのではなく、基盤モデルと小規模な言語モデルを組み合わせて知能を分散させ、ハイパースケーラーへの依存を減らし、特定のローカル環境に最適化されたパフォーマンスを実現します。

この変化は、技術的な側面だけでなく、経済的・運用的な側面も含みます。

成功の鍵：いつ「思考を止める」べきかを知ること

企業環境において、「思考」には実際にコストがかかります。パラメータ数が多いほど良い結果になるわけではありません。多くの用途では、GPT-5クラスのモデルは過剰で高価、遅く、導入が停滞しやすくなります。

AI 2.0の基盤は、制約を意識した知能です。世界モデルは、システムが現実の特定タスクに合わせた表現を構築し、理解を再計算せずに重要なことについて推論できるようにします。今年のダボス会議でも、AIの先駆者ヤン・ルカン氏が「LLMやテキストだけの訓練では人間レベルの知能には到達しない。現実世界が必要だ」と述べ、議論が沸きました。彼の見解は、コード生成は一つのことだが、レベルファイブの自動運転車のような認知的複雑さに到達するのは、今日の大規模モデルでは遠い未来だというものです。

これらすべては、GPT-5クラスのモデルが実世界のシナリオで訓練されていないことに繋がります。むしろ、小型で専門的、効率的に調整されたモデルは、より早く十分な精度を達成し、遅延を大幅に低減し、コストのごく一部で運用でき、実世界の需要に応じて予測可能にスケールします。実際には、AIは無限に考え続けるべきではなく、「一つのモデルですべてを解決する」アーキテクチャも存在しません。決定可能な範囲内で動作し、必要に応じてタスクを最もシンプルな効果的なモデルにルーティングし、必要なときだけエスカレーションし、精度と速度、コストのバランスを取り続ける仕組みが求められます。

言い換えれば、モデルのサイズはダッシュボード上の最も危険な指標です。これは、能力と容量を混同させる1.0時代の名残です。真に重要なのは、コストあたりの問題解決能力、すなわち、実運用の制約内で正確で信頼できる結果を効率的に提供できるシステムの能力です。

企業は、最も大きなモデルを動かすことで勝つのではなく、問題をスケールして解決できる最も経済的なモデルを運用することで勝ちます。

AI 2.0における人材のアービトラージ

人材もまた、AI 2.0の重要な変数であり、AI業界のダイナミクスを劇的に変える要素です。成功には、多様な用途に対応できるモデルを構築できる人材が必要です。現在、世界の人材のごく一部だけが基盤モデルを開発でき、その大部分は少数のグローバルな技術ハブに集中しています。

今、研究者はスーパースターであり、高い報酬を得ていますが、AI 2.0への移行は、魔術師からメカニックへの転換を求めます。モデルを調整、維持、最適化し、具体的な現実問題を解決できる専門家です。この人材の変化は、次のAIフェーズにおける最大のアービトラージの一つとなるでしょう。AIを真に民主化するには、医療、製造、物流などの分野の物理法則を理解し、その専門知識を使って特化型の実用的なAIシステムに変換できる人材が世界中に必要です。

これが2026年のAIロードマップにどう影響するのでしょうか。より賢く働き、無理をしないことが求められます。予算や戦略は、効率性と使いやすさにシフトし、小型で最適化されたモデル、ハイブリッド・マルチモデルアーキテクチャ、耐久性のあるシステムに重点を置く必要があります。成功の指標も、モデルのサイズからコストあたりの成果、意思決定までの時間、実世界への具体的な影響へと変わっていきます。

AI 2.0は、大規模モデルを放棄することではありません。意図的かつ経済的に使うことです。これらの実践を採用する組織は、より早く進み、コストを抑え、より多くの成果を上げることができるでしょう。

_Fortune.comのコメント記事に表明された意見は、著者の見解にのみ基づき、Fortune_の意見や信念を反映するものではありません。

**2026年5月19日〜20日にアトランタで開催されるフォーチュン職場革新サミットに参加しましょう。次なる職場革新の時代が到来し、従来の戦略は書き換えられつつあります。このエリートでエネルギッシュなイベントでは、世界の最も革新的なリーダーたちが集まり、AI、人間性、戦略がどのように融合し、再び働き方の未来を再定義するのかを探ります。今すぐ登録を。