④ 収益化の構造 — トークンはどう金に変わるか
モデル提供社の収益は大きく個人購読 (月額定額) と企業向けトークン従量課金 (API) の2本柱で、 これに大企業向けの専用容量契約が加わる。価格を決める変数は有効パラメータ量・文脈長・速度の3つに集約される。
4.1 個人購読 — 定額制は「保険」の商売である
月額20ドル前後の購読は、軽い利用者の払い過ぎが重い利用者の原価を補助する保険型の収益構造である。 提供側は利用上限・混雑時制限で重利用者の原価を抑え、全体で粗利を成立させる。 解約率が低く売上が読めるため、資本市場はAPI売上より購読売上を高く評価する傾向がある。
4.2 トークン従量課金 — 価格表の読み方
API価格は「入力100万トークンあたり / 出力100万トークンあたり」で表示される。 出力が入力の約5倍高いのは気まぐれではなく、入力の読込 (プリフィル) は一括並列で安く処理できるのに対し、 出力の生成 (デコード) は1トークンずつ逐次で、GPUメモリ帯域を占有し続けるからである。
| 価格帯 | 入力 (100万トークン) | 出力 (100万トークン) | 構造的理由 |
|---|---|---|---|
| 低価格帯 (開放型系) | $0.1〜0.6 | $0.4〜2 | DeepSeek等。MoEで有効パラメータを絞り原価を圧縮 |
| 中位 (主力モデル) | $1〜3 | $5〜15 | 各社の実務主力。性能と価格の均衡点 |
| 最上位 (旗艦モデル) | $5〜15 | $25〜75 | 最高性能。複雑な推論・エージェント用途 |
| キャッシュ済み入力 | 通常の約1/10 | - | 同じ前置文の再計算を省けるため原価が桁で下がる |
4.3 トークン原価の分解 — 粗利はバッチングで決まる
業界があまり説明しない推論経済学の3点
- バッチングが全て: 1リクエストずつ処理するとGPUは遊ぶ。多数の利用者要求を束ねて同時処理 (連続バッチング) できるかで、同じGPUの実効原価が5〜10倍変わる。規模の大きい提供社ほど原価が安いのはこのため
- キャッシュ入力が約1/10の理由: 同じ前置文 (システムプロンプト等) の計算結果を再利用でき、プリフィル演算を丸ごと省けるから。エージェント時代は入力の大半が繰り返しで、この割引が原価構造を支配し始めている
- 価格は原価より速く下がる: 同性能あたりの利用料金は年に数分の1のペースで下落してきた。モデル効率化と競争の両輪で、「今の価格表」を前提にした収益予測は必ず陳腐化する
⑤ 応用層の解剖 — 「ラッパー」は何でできているか
基盤モデルの上に作られるAI応用は、揶揄を込めて「ラッパー (外装)」と呼ばれることがある。 しかし実際の応用は5つの層の積み重ねであり、どの層に独自性を持つかで防御力 (模倣されにくさ) が決まる。 「ラッパーだから無価値」でも「AI搭載だから有望」でもなく、層ごとの見極めが投資判断の要になる。
5.1 応用を構成する5層
| 層 | 内容 | 防御力 (模倣されにくさ) | 主導権の所在 |
|---|---|---|---|
| 第1層: 基盤モデル | どのモデル (API) を使うか。自社開発か外部調達か | 低い (誰でも同じAPIを呼べる) | モデル提供社 |
| 第2層: システムプロンプト | 役割・制約・口調を定義する指示文の設計 | 低い (流出・模倣が容易) | 応用開発者 |
| 第3層: 私有データ (RAG) | 企業内文書・顧客データを検索して文脈に注入 | 高い (データは複製できない) | データ保有企業 |
| 第4層: ワークフロー | 工程分解・道具接続・エージェント編成の内部設計 | 中〜高 (運用知見が蓄積する) | 応用開発者 |
| 第5層: UIと利用場面 | 画面設計・業務への埋め込み・利用者の習慣化 | 中 (乗換費用を作れる) | 応用開発者 |
5.2 応用の3分類 — 生成型・垂直特化型・実行型
生成型 (汎用対話)
垂直特化型 (業種特化)
- 電子商取引の商品画像生成、医療の読影・記録支援、事務のAI補助など
- 第3層 (業界データ)・第5層 (業務への埋め込み) で防御力を作る
- 業界知識と販路を持つ既存企業が、後からAIを足す形でも勝ちやすい領域
実行型 (エージェント)
- 指示を受けて道具を操作し、複数工程の作業を自律遂行する形態
- 符号作成支援・作業手順の自動編成・調査代行などが先行分野
- 第4層 (ワークフロー設計) が主戦場。トークン消費が桁で増えるため、計算資源需要の次の牽引役と目される
5.3 事業者はどの層に参入すべきか
基盤モデル開発は数千億円級の資本と人材を要し、参入者は世界でも1桁である。 中間層 (計算資源・開発道具) は資本集約型、応用層は知恵と速度の勝負で、 事業者は自社の技術特性と資金力に応じて、3層すべてに関与するか、応用層のみに絞るかを選ぶ。 大手テック (Microsoft・Alphabet) は3層垂直統合、 大多数の企業は応用層特化が合理解となる。
⑥ 計算資源提供事業の経済性 — GPU 1基の収支から読む
本節が本ページの核心である。計算資源提供 (GPUクラウド) は「GPUを買って時間貸しする」だけの単純な商売に見えるが、 収益性は稼働率・契約形態・電力原価・陳腐化速度の4変数でほぼ決まる。 以下は概算モデル (推定値は明記) と、業界内では常識だが対外的にはあまり語られない実務数値である。
6.1 GPU 1基の収支モデル (H100級・概算)
| 項目 | 水準 | 注記 |
|---|---|---|
| 取得原価 | $25,000〜40,000 / 基 | H100級。サーバ・ネットワーク・設置込みだと1基あたり実質1.5倍前後 (推定) |
| 賃貸単価 | $3〜4 /GPU時間 (主要事業者の公開価格・2026年8月実測) | スポットやマーケットプレイスでは$2前後まで下がる。長期契約はさらに安いが条件は非公開 |
| 理論年間売上 | 約 $17,500 (=$2×8,760時間) | 稼働率100%の理論値。現実には到達しない |
| 実効稼働率 | 50〜80% (推定) | 業界があまり公言しない数字。スポット中心だと5割を切る事業者もある |
| 電力・冷却原価 | 約 $700〜1,500 /基/年 | 1基あたり実効1kW超×電力単価。日本は米国より単価が高く不利 |
| 単純回収期間 | 約 2.5〜4 年 | 長期契約 (2〜4年) を先に固めれば約2年台、スポット依存なら賃料下落と陳腐化に追われる |
この表の性格 — 外部機関の推計ではなく、本ページの試算である
6.2 業界があまり公言しない7つの実務数値
投資家が知っておくべき裏側
- ① 公称FLOPSは2倍に見える: カタログ値の多くは疎行列 (sparsity) 補正込み。実アプリで使える密行列性能はその半分
- ② MFU (実効演算利用率) は38〜43%: Llama 3 405Bの訓練でMetaが実測公表した値。大規模訓練でも公称性能の4割前後しか使い切れないのが最前線の実力で、残りは通信待ちとメモリ待ちに消える
- ③ 大規模訓練は落ちる前提: Metaの公表論文によれば、Llama 3 405Bの54日間訓練で予期せぬ中断は419回 (約3時間に1回)。主因はGPU・HBMの故障。検査点からの自動復旧が事業の生命線
- ④ 公開価格とスポット価格は別物: 2026年8月時点でH100 SXMの主要事業者の公開オンデマンド価格は$3〜4台だが、スポットやマーケットプレイスでは$2前後まで下がる。「相場」を語るときどちらを指しているかで採算計算が倍近く変わる
- ⑤ GPU担保金融が業界を回す: 専業クラウド大手は、顧客との長期契約とGPU自体を担保に数十億ドル級の負債を調達して増設する。契約先の信用力=事業の信用力
- ⑥ 減価償却6年 vs 実質陳腐化3年: 会計上の耐用年数を5〜6年に伸ばすと利益は良く見えるが、最前線需要は3年で次世代に移る。中古市場と推論転用が残存価値の実態を決める
- ⑦ 本当の希少資源は電力契約: GPUは金で買えるが、受電容量と変電設備は年単位でしか増えない。電力を確保済みのデータセンター用地そのものが投機対象になっている
6.3 事業モデルの4類型
| 類型 | 代表 | 構造 | 投資家視点の評価軸 |
|---|---|---|---|
| ハイパースケーラー | AWS・Azure・Google Cloud | 汎用クラウドの一部としてGPUを提供 | 自社AI需要と外販を兼ね、価格決定力が強い |
| 専業GPUクラウド (ネオクラウド) | CoreWeave・Lambda等 | GPU賃貸に特化。長期契約を担保に負債調達 | 成長は速いが、顧客集中とGPU担保債務が弱点 |
| 主権クラウド・国策枠 | さくらインターネット等 | 政府補助・国内データ主権を背景に整備 | 補助金と官需で初期需要が読める。価格競争力は今後の課題 |
| コロケーション+設備 | データセンター事業者・REIT | 建物・電力・冷却を貸し、GPUは顧客資産 | GPU価格変動を負わず、電力契約が価値の源泉 |
投資家に対する計算資源提供事業の説得力は、突き詰めれば 「需要 (長期契約) を先に固め、電力を確保し、稼働率とMFUを開示し、陳腐化を織り込んだ回収計画を示せるか」に懸かっている。 逆に言えば、この4点を示せない計画は、GPU価格変動と賃料下落の投機に過ぎない。
6.4 日本の関連上場銘柄 (関連の観点整理)
計算資源の潮流を日本市場で捉える場合の代表的な関連銘柄。個別の投資助言ではなく、事業関連の整理である。
| 銘柄 | 証券コード | 関連事業 | 位置付け |
|---|---|---|---|
| さくらインターネット | 3778 | 国産GPUクラウド。政府クラウドと経済産業省支援でH100/B200級を増強 | 国内の計算資源提供そのもの |
| ソフトバンクグループ | 9984 | AI計算基盤への大型投資 (OpenAI関連・国内データセンター計画) | 計算資源への資本供給の代表格 |
| ニデック | 6594 | 水冷モジュール・CDU (冷却水分配装置) を展開 | 液冷化の直接受益 |
| フジクラ | 5803 | データセンター向け光配線・高密度光部品 | GPUクラスタ間接続の物理層 |
| 高砂熱学工業 | 1969 | データセンター空調・熱源工事の大手 | 冷却設備投資の施工側 |
6.5 循環金融の読み方 — 出資先が顧客を兼ねるとき
AIの計算資源には「売り手が買い手に出資する」構図が組み込まれている。出資先がそのカネでGPUを買えば売上は 自作自演ではないか、という批判 (循環金融論) と実態を分ける物差しは、投下額の仕分けである。 NVIDIAが2026年8月に提出した保有報告 (13F・6月末時点) と公表済みの出資条件で数えると、次のように割れる。
| 区分 | 投資先 | 投下額 | 6月末の評価額 |
|---|---|---|---|
| 顧客側 (GPUを買う側) | CoreWeave・Nebius・SpaceX・ノキア | 約74億ドル (36%) | 約340億ドル |
| 供給側 (部材・製造・道具) | インテル・コヒレント・ルメンタム・マーベル・シノプシス | 約130億ドル (64%) | 約398億ドル |
循環金融の批判が形式のうえで当てはまるのは顧客側の36%だけで、過半は逼迫部材の 生産能力の前払いにあたる (光部品3社への出資には複数年の購入確約が付く)。 ただし13Fに載らない未公開枠 — OpenAIへ最大1,000億ドル、Anthropicへ最大100億ドル — は全て顧客側であり、 満額実行なら構図は逆転する。健全性の判定軸は、④で見た収益化の 最終需要が投資の速度に追いつくかどうかに戻ってくる。
出典: NVIDIA Form 13F-HR (2026年8月14日提出) / 本サイトの検証記事 (投下204億ドル・評価738億ドルの内訳)
🧰 ツール・特集の入口
一次データで動く 14 本 — 銘柄の絞り込み・供給網・比較・一次データの台帳・解説・規制レンズ (すべて無料)