AIを6つの層に分けて眺めたら、お金がどこに落ちているか見えてきた

※本記事にはアフィリエイト広告を含みます

僕が自作したAIエージェントは、朝のレポートを1本作るのに、内部で何十回もやりとりをしている。株価を取る、ラインとの距離を計算する、文面にする、体裁を整える。それを15体ぶん、毎日だ。

月に払っているAI利用料は数千円台。安いものだと思っていた。ところが、この記事を書くために内訳を見て、少し驚いた。思ったより、推論を焚いていた。

きっかけは前の記事だ。ニューラルネットワークの中身を「弱点が分かる程度」に調べ直した（使えればいい、で止まっていた——ニューラルネットワークの中身を、エンジニアとして理解しに行った）。仕組みが少し分かったら、次が気になった。この技術、誰がどこで儲けているんだろう。

僕は投資もやっているので、業界の地図が頭に入っていないと落ち着かない。それに、AIエージェントを自作して使っている立場でもある。使う側として、どの層の恩恵を受けていて、どの層に金を払っているのか。AIの産業構造を整理してみたら、6つの層に分けるときれいに見えた。

先に結論を言うと、お金は上から下へ流れていた

AIという言葉自体は何十年も前からある。急に来たわけではない。

ざっくり言うと、2012年ごろに深層学習が画像認識で結果を出し、2017年にTransformerという構造が出て文章を扱えるようになり、2022年末にChatGPTが公開されて一般の人が触れるようになった。ここまでが助走だ。

そこから先が今で、モデルを作る競争から、動かすインフラの競争へ移ってきている。この移り変わりが、層ごとの力関係にそのまま出ていた。

層は下から、半導体、データセンターと電力、基盤モデル、開発基盤とツール、アプリケーション、そして周辺（データ・評価・セキュリティ・規制）の6つになる。アプリの利用料はモデルへ、モデルの代金は電力とチップへ。お金は上から下へ流れ、代替が効かない下の層に集まる。調べ終えて残ったのは、この一文だった。ただしこれは産業の構造の話で、「この層が有望だから、その企業の株を買えばいい」という話ではない。そこは混ぜないでおきたい。

いちばん下の2層、半導体と電力が今いちばん強い

いちばん下が半導体だ。GPUや専用チップ、それを載せるメモリ、そして製造装置。

規模がすごくて、AI半導体の市場は2026年で2,094億ドル、そこから年33%ペースで伸びて2034年には2兆ドル超という予測が出ている（市場調査レポート）。儲け方は単純で、モノを売る。そして今は売り手が強い。作れる会社が世界に数えるほどしかないからだ。

面白いのは、日本企業が意外と効いている層だということ。チップそのものより、製造装置とメモリ。表に出ないので目立たないが、この層がなければ上の全部が動かない。2026年の論点は、NVIDIA以外の選択肢が育つかどうかだ。OpenAIが10ギガワット分のチップを載せたサーバーを2026年後半から順次展開する、という話も出ていて（JETRO）、独占が少し崩れる方向に動いている。

その上がデータセンターと電力。調べていていちばん驚いたのがここだった。

Amazon・Alphabet・Meta・Microsoftの4社だけで、2026年のAIインフラ投資は合計6,500億ドル、前年比+71%（ITmedia）。国家予算みたいな金額が、データセンターと電力設備に流れ込んでいる。

AI向けサーバーの消費電力は2025年の95TWhから2026年には175TWh（+84%）へ、データセンター全体の31%を占める見込みだという。世界のデータセンター全体では2026年に約1,000TWhに届く可能性があるとIEAが言っている（出典）。

2026年のボトルネックは計算力ではなく電力だ、という指摘が方々で出ていて、これが今いちばん大事な論点だと思った。日本だと送電インフラの整備が追いつかず、データセンターを建てたい場所に建てられないという構造的な問題もあるようだ（ITmedia）。儲け方は場所と電気と冷却を貸すこと。地味だが、需要が供給を超えている間はいちばん強い。

なぜ、モデルより「その下」に金が集まるのか

ここが今回いちばん腑に落ちた部分なので、少し丁寧に書く。

AIの計算は大きく2種類ある。モデルを作る計算（学習）と、できたモデルを使う計算（推論）だ。レストランで例えると、学習は開店準備で、一度やれば終わる。推論は日々の営業で、客が来るたびに材料と人手を使う。

これまでは開店準備の話が中心だった。でも利用者が増えれば、営業のほうが積み上がる。デロイトの予測として、2026年にはAIの計算全体の3分の2を推論が占めるという見方も紹介されている。日経も、AI半導体の中心が学習から推論に移り、市場は2030年に150兆円規模になると書いている（日経xTECH）。

さらに拍車をかけているのがAIエージェントだ。人が1回質問して1回答える形なら計算は1回分だが、エージェントは自分で何度も考えて、調べて、やり直す。1つの依頼に対する計算量が何倍にもなる。冒頭に書いた僕の朝のレポートが、まさにそれだった。

もう一つ意外だったのが、推論で効くのは演算よりメモリだったことだ。推論では、モデルの重みと計算途中のデータを超高速なメモリに置いたまま処理し続ける必要がある。演算器が速くても、データが届かなければ待つだけ。メモリがAIの性能を決める中核部品に浮上してきたという指摘が出ている（日経テックフォーサイト）。

その結果、メモリメーカーの生産能力がデータセンター向けの高速メモリ（HBM）に振り向けられ、PCやスマホ向けのメモリが足りなくなっている。DRAM価格の急騰が起きていて、この逼迫は2026年いっぱい、下手をすると2028年まで続くという見方がある（PC Watch / IDC）。AIの話が、自分が買うPCの値段に直結している。ここは正直、他人事だと思っていた。

そして決定的なのが、半導体も電力も増やすのに数年かかることだ。メモリ大手の新工場は、SK Hynixが2027年半ば稼働、Samsungが2028年量産開始という計画だと伝えられている。今から建てても3年先。電力も同じで、先に書いたとおり日本では建てたい場所にデータセンターを建てられない。需要は今すぐ増える。供給は3年待ち。この時間差が、価格と投資を押し上げている。

モデルは差し替えがきく。でも電気とメモリは差し替えがきかない。代替が効かないものに金が集まる、という当たり前の話だった。

派手に見えるモデルの層は、実はいちばんしんどい

真ん中にあるのが基盤モデル、いわゆる大規模言語モデルを作っている層だ。開発に莫大な計算資源が要るので、参入できるのは資金力のある少数に限られる。儲け方はAPI課金と利用料。使われた分だけ取る。

ただ、ここは競争が激しくて、性能差が数ヶ月で入れ替わる。しかも下の2層（チップと電力）に金を払う側なので、売上は大きいのに利益が残りにくい構造になっている。派手に見えて、実はいちばんしんどい層かもしれない。

日本勢では NEC、富士通、NTT、PFN、Sakana AI、ELYZA といったところが国産モデルを手がけている（CREX）。

個人が戦えるのは、上の2層だけだった

モデルは単体では業務に入らない。呼び出す仕組み、社内データと繋ぐ仕組み、複数のモデルを組み合わせる仕組みが要る。それが第4層の開発基盤とツールだ。

僕が自作したAIエージェントのチームも、この層の話になる。既存のモデルを呼び出して、キューを作って、承認ゲートを挟んで、ログを残す。モデル本体は1行も書いていない。自作するか既製サービスを使うかで迷った話はこちらに書いた。儲け方は利用量とシート課金。地味だが、一度組み込まれると乗り換えコストが高いので、粘り強い層だ。

その上の第5層がアプリケーション。議事録、コード補完、カスタマーサポート、資料作成。ここは課題を知っている人が強い。モデルはみんな同じものを借りてくるので、差がつくのは業務理解のほうだ。だから、本業で現場の面倒を知っている人には勝ち目がある。逆に「AIに詳しいだけ」の人は、この層では戦えない。

最後の第6層は周辺だ。学習に使うデータの整備、出力が正しいかを評価する仕組み、機密が漏れないようにする仕組み、そして規制対応。日本では公正取引委員会が生成AIの実態調査報告書を出していて（令和8年4月版）、市場の集中や取引慣行に目が向き始めている。この層は、これから厚くなっていくと思う。

6層を1枚にまとめると、こうなる。この表だけ持ち帰ってもらえれば十分だ。

層	やっていること	儲け方	2026年の状況	個人の関わり方
6 周辺	データ整備・評価・セキュリティ・規制対応	受託／サブスク	規制の整備が進行中。今後厚くなる	業務知識で参入余地あり
5 アプリ	議事録・コード補完・資料作成など用途に仕立てる	月額・従量	技術より業務理解で差がつく	個人が戦える
4 開発基盤	モデルを呼ぶ・繋ぐ・組み合わせる仕組み	利用量・シート課金	一度組み込むと乗り換えにくい	個人が戦える
3 基盤モデル	大規模言語モデルそのものを作る	API課金・利用料	競争激烈。売上は大きいが利益は残りにくい	使う側として払う
2 DC・電力	場所・電気・冷却を貸す	賃貸・従量	2026年最大のボトルネックとの指摘。増設に数年	資本の勝負
1 半導体	チップ・メモリ・製造装置を作る	モノ売り	売り手優位。メモリ逼迫が民生に波及	資本の勝負

読み方は単純で、下に行くほど参入障壁が高く、代替が効かない。上に行くほど参入しやすいが、代替もされやすい。チップも電力もモデルも資本の勝負で、個人が入れるのは道具として組む第4層と、業務に落とす第5層だけだ。僕がやっていることは全部この2層だった。偶然そうなっていたわけだが、構造的にはそこしかなかったとも言える。

この地図を描くのに効いた本

層で考える発想は、実は本から借りた。

川邊健太郎さんの『7つの激変』だ。インターネット産業の30年史を、7つの転換点で追った本で、AIの本ではない。でも「新しい技術が来たとき、どの層に誰が張って、何が残ったか」が事例で並んでいるので、今のAIを見るときの物差しになった。

読んでいて何度も思ったのが、盛り上がっている層と、最後にお金が残った層は違うということ。当時いちばん派手だったサービスが今どうなっているかを知っていると、今のモデル層の消耗戦の見え方が変わる。

ただ、これはAIの解説書ではないので、AIの技術や市場データを求めている人には合わない。産業の歴史に興味がある人向けだ。1,980円。

7つの激変（楽天ブックス） — 川邊健太郎 / 東洋経済新報社

未来側では、中島聡さんの『2034 未来予測——AI（きみ）のいる明日』も買った。同じ著者の『メタトレンド投資』は以前レビューを書いている。

2034 未来予測——AI（きみ）のいる明日（楽天ブックス） — 中島聡 / 徳間書店 / 1,870円

層で見たら、自分の払い先と任せ方が変わった

並べてみて、自分の中で変わったことが3つある。

3つ目は、エンジニアとしてはむしろ納得しやすい話だった。「AIで何ができるか」を考えるとき、物理的な制約が上限を決めている。

最後に、地味な収穫をひとつ。僕が毎月AIに払っているお金は、たどっていくと第3層に入って、そこから第2層と第1層に流れていく。使えば使うほど、電力とチップの需要を押し上げている側にいる。

そう考えると、「とりあえず全部AIに投げる」のは筋が悪いと思うようになった。事実確認が要らない作業に絞って任せる、という今の線引きは、コストの面でも正しかったことになる。

次は、この地図の中で自分がどの層で何を作るかを考えたい。たぶん第4層と第5層のあいだだ。

AIエージェントに仕事を任せるようになった経緯は種銭づくりから投資までの全記録【宣言編】に、意志に頼らず続く仕組みにした話は「続けられない」は、意志の問題じゃなかったに書いている。ニューラルネットワークの中身の話は前の記事から。

※本記事は業界構造を理解するための個人的な整理であり、特定の企業・商品の購入や投資を推奨するものではありません。数値は執筆時点（2026年9月）に公開されている資料に基づくもので、予測値を含みます。

※本記事は筆者個人の投資手法の記録であり、特定銘柄の売買を推奨するものではありません。投資判断はご自身の責任で行ってください。

---

---

この記事は地図まで。自分がどの層で何を作るかの検討メモは、note化を予定しています。 それまでは、AIエージェントのチームを組んだ全記録をnoteで読めます → 兼業エンジニアが、投資と副業ブログをAIエージェント15体に任せた全記録

---

マーケットの気づきや失敗談は、Xでもぼそっと呟いてます。よかったらフォローどうぞ → ＠E_mc2_japan

---

書いた人：会社員をしながら、物販×アフィリで種銭を作り、新高値ブレイク投資で資産形成を目指しています。安く買っては失敗し続けた過去から、”仕組みで勝つ”投資に切り替えました（決済84トレードの記録あり）。数字は盛らず、失敗も正直に書きます。

👉 詳しくは 運営者情報（プロフィール）／種銭 宣言編（軸記事）