01AIを持つ国
米国・中国
モデル、チップ、データセンター、電力、規制を自国の戦略として扱える。米国はもちろん、中国も独自モデルと独自エコシステムを持つ側に入る。
Thesis
AIは全員に配る道具ではなく、人間の業務を奪い取る高価な実行資源になる。
最初に起きるのは、国家単位の分断です。 高性能AIを自分で持つ国、外部から使わせてもらう国、そもそも接続できない国。 この差が、そのまま企業と産業の実行能力の差になります。
01
02AIを使える国
日本はここ / EU主要国
高性能AIへアクセスできるが、基盤を握っているわけではない。日本はここに入る。米中級の国家規模投資なしに01へ移るのは難しい。
03AIを使えない国
国名は明示しない
制裁、輸出管理、インフラ不足、価格、政治判断により高性能AIへ接続できない国。
Investment Gap
日本が02から01へ移るには、数十兆円規模の壁がある。
OpenAI や Anthropic の直近大型調達だけを見ても、フロンティアAIは企業単位で数十兆円規模の資金を吸収しています。 モデルだけでなく、GPU、データセンター、電力、研究人材まで持つには、単発政策では足りません。
AI Cost
高性能AIは、安くならない。
安いAIは増えます。けれど、企業の業務を自律的に判断し、既存システムを動かし、 例外まで処理できる高性能AIは安くなりません。 その価格は、ソフトウェアの月額料金だけでは決まりません。 電力、高性能チップ、冷却、データセンター立地、地域への負荷、輸出管理、 政治判断までがコストとして乗ります。
その結果、企業は「人を使うのか、AIを使うのか」を選ぶようになります。 AIは人件費より安い代替品ではなく、人より高価でも自律的に業務を回す実行資源になります。
電力GPUデータセンター冷却土地規制地政学リスク
Cost Evidence
トークン単価の裏側では、電力とデータセンター需要が跳ね上がる。
高性能AIの価格は、API料金だけで決まりません。 推論を回すための電力、GPU、冷却、土地、送電網、地域調整が積み上がります。 その圧力は、すでにデータセンターの電力需要として表れています。
AX Strategy
社員全員にAIを配る全社AXは、失敗する。
いまのAIは、Claude や ChatGPT のような月額サブスクで安く見えます。 しかし、企業の業務を判断し、既存システムを操作し、例外まで処理する高性能AIは、 使い放題の道具ではありません。業務実行に近づくほど、課金の中心はアカウントではなく、 token と実行量へ移ります。
01
サブスクで安く見える時代は終わる。
月額固定のAIは、社員に配る道具として見れば魅力的です。 しかし高性能AIを業務実行に使うほど、原価は利用量に連動します。 つまり、全社AXの論点は「アカウントを何人に配るか」ではなく、 「どれだけ高価な推論を実行させるか」に変わります。
02
1人あたりでも、月12万〜18万円になる。
業務で本当に使うなら、1日2回では足りません。 調査、要約、コード生成、確認、例外処理、報告まで含めれば、 1人あたり1日20〜30回のAI実行は自然に発生します。 1回あたり2ドル、20営業日、1ドル150円で置くと、 1人だけでも月12万〜18万円のAI原価になります。
03
爆発するのは、利用回数ではなく人数。
部門を広げても、1人あたりの使い方が大きく変わるわけではありません。 問題は、同じ高コストな使い方を何人に広げるかです。 600人へ配れば、月額は約7,200万円〜1.08億円。 年間では約8.6億〜13億円規模になります。
Avoid
社員にAIを配ってはいけない
- 利用量が爆発する
- 高性能AIの権限差が不満になる
- 現場ごとの使い方が散らばる
Build
AIに業務を渡す
- 既存システムへ接続する
- 判断と実行の範囲を定義する
- 承認、ログ、停止条件を残す
AI Access
AI利用権ではなく、AI予算を業務へ割り当てる。
Brain Fiber が言うAXは、社員全員にAIを配ることではありません。 業務そのものをAIに渡し、AIが既存システムを操作し、必要なところだけ人間が確認する状態へ移すことです。 企業が決めるべきなのは、誰にAI利用権を渡すかではありません。 どの業務にAI予算を投入し、どの業務をAIに渡すのかです。
Enterprise Shift
有力企業は、AI前提の別会社へ業務を移す。
高性能AIは高い。けれど、人間よりも圧倒的に速く、24時間止まらず、 一度業務システムへ接続されると大量の判断と処理を吸収できます。 問題は、効率化できるかどうかではありません。日本企業が、既存社員を一気に置き換えられるかです。
01
AIは高いが、業務量で見ると投資対象になる。
McKinsey は、生成AIと既存技術により、現在の労働時間の60〜70%を占める作業に自動化余地があると見ています。 また生成AIの年間価値ポテンシャルを2.6兆〜4.4兆ドル規模と試算しています。 Goldman Sachs も、生成AIが世界GDPを7%押し上げる可能性を示しました。 つまり高性能AIは、安い道具ではなく、業務量を圧縮する投資対象です。
02
ただし日本では、置き換えは直線では進まない。
日本の労働契約法16条は、解雇に客観的合理性と社会的相当性を求めます。 JETRO も、整理解雇では必要性、解雇回避努力、選定の合理性、手続の相当性が問われると整理しています。 だから、AIで業務効率が上がるとしても、既存社員を一気に減らしてAIへ置き換える移行は現実的ではありません。
03
だから、別会社を作り、業務を移す。
既存会社の中で人を一気に置き換えるのではなく、AI前提の別会社や別部門を作る。 そこに既存システムへの接続、承認、ログ、停止条件を持たせ、業務を順番に流していく。 既存会社は新規採用を抑え、自然減や配置転換で徐々に小さくなる。 AI前提の会社が、新しい業務量と成長面を吸収していく。
Engineering
開発者の仕事量は、時間ではなくトークンで測られる。
これまでのフリーランス開発は、1時間5,000円〜1万円のような時間単価で説明できました。 実際に人間がその時間を使い、設計し、実装し、価値を提供していたからです。 しかし Claude Code や Codex のようなAI開発環境が入ると、作業時間と価値が切り離されます。 だから、時間精算のままでは、発注側にも受注側にも歪みが生まれます。
01
時間単価モデルは、AIで壊れる。
GitHub の研究では、Copilot を使った開発者はタスクを55%速く完了しました。 agentic coding では、案件によってはもっと極端になります。 もし100時間かかっていた仕事が10時間で終わるなら、時間単価5,000円〜1万円では、 報酬は50万〜100万円から5万〜10万円へ落ちます。 すると、稼ぐために稼働時間を増やす理由探しが始まります。
02
仕事量は、投入したTokenで見積もる。
AI開発の実体は、時間ではなく推論資源の投入です。 仮に1日2M tokenを使い、20日稼働したなら、投入量は40M tokenです。 これは1M token単価の40単位分として見積もるべきです。 報酬は「10時間働いたからいくら」ではなく、 どれだけ高価な推論資源を成果へ変えたかで決まるべきです。
03
安い報酬は、安いAIを選ばせる。
成果物だけを見て報酬を抑えると、tokenコストはエンジニア側の負担になります。 その結果、エンジニアは高性能AIではなく、安いAIや浅い推論で作ることを強いられます。 表面上は動くコードでも、設計、検証、レビューが薄くなれば、 品質の低いアーキテクチャが納品され、サービス全体の品質が落ちます。
Token Based Work
時間精算から、推論資源精算へ。
重要なのは、tokenを多く使うこと自体ではありません。 高価なAIをどこに投入し、どこで止め、どこで軽量モデルへ逃がし、 どの判断を人間が担保したかです。 これからの開発者の価値は、時間ではなく、tokenを成果へ変換する運用能力になります。
Continuity Risk
AIは、ある日突然止まる。
高性能AIは、月額SaaSのように常に同じ条件で使えるものではありません。 提供国、対応地域、輸出管理、契約条件、障害、政府判断によって、アクセスは変わります。 だから、AIを業務の実行線に入れるほど、止まる前提の設計が必要になります。
01
高性能AIは、ただのSaaSではない。
OpenAI や Anthropic は、利用可能な国・地域を明示しています。 さらに米国BISやFederal Registerの規制では、先端チップやAIモデルの拡散そのものが政策対象になります。 つまり高性能AIへのアクセスは、技術だけでなく、国、地域、契約、規制に左右されます。
02
1つのAIに寄せるほど、会社も止まる。
障害、規制、契約変更、提供条件の変更が起きたとき、 開発、判断、承認、業務実行を単一モデルへ寄せている会社ほど影響を受けます。 AIが便利な補助ツールなら影響は限定的です。 しかし業務の実行線になったAIが止まれば、会社の実行能力も止まります。
03
必要なのは、モデル選定ではなく継続設計。
複数モデルを契約するだけでは足りません。 モデルルーター、評価基準、ログ、権限管理、ベンダー切替、Human Review を揃え、 どの条件で Primary AI から Fallback AI へ逃がすのかを決める必要があります。 これを社内だけで持ち続けるのは、大手企業でも簡単ではありません。
Continuity Design
AIを使う会社ではなく、AIが止まっても動く会社へ。
Brain Fiber が重視するのは、どのAIを使うかだけではありません。 AIが止まったときに、どの業務を止め、どの業務を軽量モデルへ逃がし、 どこを人間確認へ戻すのかです。 AI時代の業務システムには、接続だけでなく、停止と切替の設計が必要になります。
Brain Fiber
Brain Fiber は、社員にAIを配る会社ではない。
AIが社員の代わりに業務を回すための接続線を作る会社です。 MCP、ブラウザ操作、既存SaaS、承認、ログ、利用量計測を組み合わせ、 AIが既存業務を判断し、実行し、止まるべきところで止まれる状態を作ります。
この未来を前提に相談する