重みを持たなければ
プロダクトを持たない？セコイア・キャピタル パートナーの警告

主権AIの最大の誤解：APIを捨てることではない

2026年初め、セコイア・キャピタル（Sequoia Capital）パートナーのSonya Huang氏は、ある公開イベントで衝撃的な指摘を行いました。AI産業の競争の主戦場はすでにアプリケーション層から「インテリジェンス層」へと沈んでおり、企業がモデルの重み（Model Weights）を持たなければ、その企業は自分のプロダクトを本当には所有していない、というものです。この発言は1年前であれば多くの人にとって唐突に聞こえたはずです。当時の主流の見方は「大規模モデルは巨大企業のゲームであり、スタートアップは素直にアプリケーションをラッピングすればよい」というものでした。

しかし彼女はすぐに重要な補足を加えました。これは企業にOpenAIやAnthropicといったクローズドソースAPIを捨てさせるものではなく、ゼロから事前学習（Pre-training）を行うことを求めるものでもありません。彼女が言う「主権AI（Sovereign AI）」の核心は、最も重要な機能について垂直統合を行い、プロダクトの差別化を本当に決定づけるインテリジェンスの層を自分の手に握ることにあります——すべてのインテリジェンス能力を外部委託することではありません。これは二元論的な選択ではなく、どの部分を外部委託でき、どの部分を自ら握らなければならないかを明確に見極める能力の問題です。

これはさらに根本的な路線選択にも関わってきます。AIの未来は、少数の集中型の超巨大モデルがすべてを駆動する世界になるのか、それとも開放的で強力な基盤モデルの上に、各企業・各業界が自分専用のカスタマイズされたインテリジェンスを構築していく世界になるのか。Sonya Huang氏は後者を支持しています——それこそが各企業が自分だけの差別化された堀を育てられる、健全なエコシステムだからです。すべてのアプリケーションが同じ金型から作られたように見える世界ではありません。

企業が自前でモデルを構築する4つの動因

なぜ2026年という今、より多くのアプリケーション企業が自前でモデルを構築し、重みを掌握することを真剣に検討し始めているのでしょうか。Sonya Huang氏は4つの中核的な動因を挙げています。

1. コスト — APIは使用量に応じた線形コストです。ユーザー数と呼び出し回数が増えるほど請求額は増え、しかもベンダーはいつでも値上げできる一方、企業側には全くコントロールできません。自前でモデルを持てば、学習完了後の推論の限界コストは低く、規模が拡大するほど薄まっていきます。高頻度呼び出しや大規模デプロイのシーンでは、長期的なサービス提供コストはAPIを継続的に呼び出すよりはるかに低くなります。
2. 速度 — 単なる応答遅延の話ではありません。コード補完やログ異常検知など特定領域向けに学習された小規模パラメータモデルは、汎用的な能力を兼ね備える必要がないため、すべてのパラメータ容量を単一タスクに使えます。推論速度は汎用大規模モデルより数倍速くなることもあり、リアルタイムなやり取りが求められる場面ではユーザー体験に決定的な差を生みます。
3. 性能 — 最も直感に反するポイントです。2026年の現在、オープンウェイトモデルの性能はクローズドなフロンティアモデルに急速に近づいており、企業の専有データによる事後学習（Post-training）やファインチューニングと組み合わせれば、垂直領域では汎用のクローズドAPIを上回ることさえあります。理由は明確です——企業は自社のビジネス領域を、どの大手企業よりも深く理解しており、その専有データは汎用モデルが決して目にすることのないものだからです。
4. 自らの運命を握ること — コアとなるインテリジェンスがすべて単一の外部ベンダーに依存していれば、ビジネスの主導権は実質的に他者の手にあります。ベンダーが値上げをしたり、インターフェースを変更したり、利用を制限したり、あるいはサービスを停止したりしても、企業には打つ手がありません。さらに金融・医療・行政といった機密性の高い分野では、ユーザーデータが上流のベンダーに流出することによるコンプライアンスとセキュリティのリスクにも向き合わなければなりません。

注意すべきは、これら4つの動因がすべての企業に自前でのモデル構築を求めているわけではないという点です。これらはむしろ「どの能力を自ら握るべきか、どの能力を外部委託できるか」という線を引くための判断基準です。

重みを持たなければ、プロダクトを持たない：モデルの重みはAI時代の秘密鍵

Sonya Huang氏は講演の中で、全体で最も重要な一言を発しました。「重みを持たなければ、プロダクトを持たない（Not Your Weights, Not Your Product）」。この言葉は、暗号資産の世界で語られる古典的な格言「Not your keys, not your coins」を転用したものです——取引所に置いたコインは本質的にあなたのものではありません。秘密鍵は取引所が握っており、資産を凍結することも、何らかの問題を起こすこともできるからです。自分自身で秘密鍵を保持して初めて、コインは本当にあなたのものになります。

この言葉の痛烈さは次の点にあります。もしあなたのプロダクトが単にAPIを呼び出すラッパーであれば、今日行ったすべての体験改善は、明日の上流モデルの更新一つで消し去られてしまうかもしれません。そしてビジネスの過程で積み重ねたすべてのデータや現場のノウハウも、自分自身のモデルに定着させない限り、本当の意味で自分の堀になることは決してないのです。

アプリケーション企業こそが新世代のAIラボ：4つの実践ステップ

ここまで聞くと、多くのアプリケーション企業の最初の反応は「モデルの自前構築はAIラボの仕事であり、私たちはアプリケーションを作る会社なのに、そんなことができるのか」というものでしょう。Sonya Huang氏の見立てはまさに正反対です。今日のアプリケーション企業は、本質的にすでに新世代のAIラボなのです。法律AIのHarvey、インテリジェント製造のFactory、企業内検索のGleanといった企業を見ても、そのチームには強力な応用研究能力があります——彼らは単純にAPIを呼び出してラッパーを作っているのではなく、モデルのファインチューニング、事後学習、推論最適化、そして自前の評価体系の構築に取り組んでいます。

モデルの経験が全くない企業に向けて、彼女は実践的な4つのステップを提示しています。

1. まず自前構築と外部利用の境界を定める — これは技術的な決定ではなく、ビジネス上の決定です。コスト、速度と遅延、性能、専有データの価値という4つの観点を総合的に検討し、明確な線を引きます。線のこちら側は自前で行い、あちら側は安心して外部サービスを利用します。
2. 専属のフロンティア研究アジャイルチームを組成する — 既存のプラットフォームチームに「ついでに」モデルの仕事を任せてはいけません。それでは中途半端な結果しか生まれません。数人規模の専属チームを立ち上げ、そのKPIはモデルの効果を高め、データの価値を最大化することであるべきで、エンジニアリングの成果物そのものではありません。
3. 外部から見える存在感（テクニカルブランド）を築く — 研究成果、技術ブログ、オープンソースへの貢献を発信し、評判を築きます。これは最高のAI人材を引き寄せるためだけでなく、顧客やパートナーに「本当にその技術力がある」と信じてもらうためでもあります。
4. 明確な技術ロードマップを策定する — 明確なモデル評価基準を確立し、ルーターとアプリケーションフレームワークの選択を明らかにし、プロンプトエンジニアリングや事後学習から、必要であれば事前学習まで段階的に上流へ進むためのアーキテクチャ上の余地を残しておきます。基礎は十分に固めておくべきですが、最初から高層ビルを建てる必要はありません。

現代企業のAI技術スタック：本番環境と開発環境の並走

Sonya Huang氏はまた、今日の典型的な現代企業AI技術スタックの姿も描きました。それは実際には2つの環境が並行して動いています。本番環境はユーザー向けで、高い安定性、低遅延、高可用性を追求します。開発環境はモデル評価、データ処理、学習・進化エンジンをカバーします。この2つはつながっていなければなりません——開発環境で反復改善されたより良いモデルは、安全かつスムーズに本番環境へデプロイされる必要があります。そうでなければモデルはリリース後に進化が止まり、性能は初日の水準にとどまり続けてしまいます。

彼女は特に、この時代がわずか2年前と大きく異なる点を指摘しました。2年前、GPT-4クラスの性能を得たければ、OpenAIのAPIを呼び出す以外にほぼ選択肢はありませんでした。しかし今日では、Kimi K3やZhipuのGLM-5.2といったオープンウェイトの基盤モデルが、事後学習、プロンプトエンジニアリング、RAGエンジニアリングと組み合わさることで、クローズドAPIに匹敵する、あるいはそれを上回る性能を達成できるようになっています。しかも重みは完全に開放されているため、企業はそれを自社内に取り込み、思うままに改変できます。この講演全体を通じた最も核心的な洞察は次の点です。AI産業の競争の堀は絶えず沈み続けている——チャットインターフェースから、プロンプトへ、そしてワークフローのオーケストレーションへと、これらはすべて急速にコモディティ化しており、本当の堀はインテリジェンスそのもの、つまりモデルの重みという層に沈んでいくのです。

本記事はセコイア・キャピタル パートナーのSonya Huang氏による公開講演内容を、YouTubeチャンネル「最佳拍檔」（ホスト：大飛）による整理をもとにまとめたものです。内容はいかなる保証や確約を構成するものではありません。実際の導入戦略は貴組織の状況に応じてご判断ください。

SecuAgentの見解：まず統制権を、モデル自前化はその後

Sonya Huang氏の主張はシリコンバレーの文脈では的確です。しかし台湾の多くの中小企業や伝統的な産業に当てはめる場合、SecuAgentはまず明確にすべき重要なギャップがあると考えます。多くの企業が本当に必要としているのは、文字通り「モデルの重みを所有すること」ではなく、「インテリジェンス層に対する統制権を持つこと」です。この2つは強く関連していますが、完全に同じものではありません。

自前の学習パイプラインを構築し、フロンティア研究チームを雇用し、評価体系を確立することは、従業員数百人規模でAI予算が限られた伝統的な製造業やサービス業にとって、依然として高いハードルです——まさにこの点で、記事中の「コスト、速度、性能、専有データ」という4つの観点を線引きの基準として使うべきなのです。多くの台湾企業にとって最初のステップは、事前学習や大規模な事後学習である必要はなく、まず「統制権」の3つの実務的な要素を固めることです。

• モデルの自前構築より先に、データガバナンスを — 手元にある専有データが事前に十分な匿名化・分類・構造化を経ていなければ、将来実際にモデルを自前構築・ファインチューニングしても、投入されるのは依然としてノイズです。統制権の第一層は、モデルを乗り換えることを急ぐのではなく、まず自分自身のデータパイプラインを掌握することです。
• ルーティングとガードレールで「ロックインされない」柔軟性を確保する — 企業は最初から重みを自前構築する必要はなく、オープンウェイト、クローズド、自前ファインチューニングといった異なるモデルの間でタスクに応じて動的にルーティングし、デュアルモデルのセーフティガードレールで機密データをエッジで止めることができます。まずベンダーを切り替える自由を手に入れてから、上流へ進んで自前構築するかどうかを検討すればよいのです。
• 「感覚」ではなく評価体系で判断する — Sonya Huang氏の4ステップの中で、台湾企業が最も飛ばしがちなのが「明確なモデル評価基準の確立」です。評価体系がなければ、モデルの乗り換え、ファインチューニング、事後学習はすべて感覚に頼るしかなく、投資が効果を上げているかを証明できず、上流への発展を語ることもできません。

言い換えれば、「重みを持たなければ、プロダクトを持たない」という言葉の台湾版は、「統制権を持たなければ、自分のAI戦略を持たない」という言い方に近いかもしれません。発電所を自前で建てる必要は必ずしもありませんが、少なくとも自分自身の水道メーターと電力メーターは持つべきです——インテリジェンスがどのように使われ、誰によって使われ、どこへ流れているかを知ること。それこそが、多くの企業が現段階で実際に手が届き、実際に使える「重み級」の主導権なのです。