ブログ

日本で中国のAIを語るとき、DeepSeekとQwenの名前が出て、そこから「中国製オープンウェイトモデル」という一つの塊として扱われることが多い。だが当然ながら、中国国内では各社が激しく争っている。しかもその主戦場は、日本から見えているオープンウェイトの領域ではない。閉じられたフラッグシップと、消費者向けアプリの配信力をめぐる争いである。本稿では、2026年時点で誰が何番手なのか、どういう戦略で戦っているのかを、公開されている数字をもとに整理する。

日本から見えている構図はずれている

海外のコミュニティでは「DeepSeekとQwenがほぼすべてを定義している」という見方が広まっている。しかし中国国内の実際のアプリ利用データを見ると、消費者接点ではByteDanceのDoubao（豆包）が圧倒的な存在感を持つ。両者は同じ市場で競っているのではなく、異なる層を切り取っているにすぎない。

この認識のずれは、日本の観測者が主に海外の技術コミュニティ経由で情報を得ているために生じている。重みが公開されたモデルは、海外の開発者がすぐ試せる。だから話題になる。逆に、中国国内のアプリでしか触れられないモデルは、日本の議論に上がってこない。

見えているのは、中国のAI業界のうち「輸出された部分」だけである。

「一番」は指標ごとに違う

誰がナンバーワンかという問いには、少なくとも三つの答えがある。測る指標が違うからだ。

指標	首位	根拠となる数字
消費者向けアプリ	ByteDance（Doubao）	DAU約1億人。2026年春節期間で利用者数首位
開発者のトークン消費	DeepSeek	OpenRouter日次トークンの約36%
企業向けモデルAPI（MaaS）	ByteDance（Volcano Engine）	2025年上半期に約49.2%のシェアで首位

この三つは別々の戦場である。消費者向けアプリは配信力とプロダクトの完成度で決まる。開発者のトークン消費は価格と可用性で決まる。企業向けAPIは営業力と既存の取引関係で決まる。同じ「AI企業の順位」という言葉で語れるものではない。

注意すべきは母集団だ。OpenRouterの数字は同サービス経由の利用に限られ、各社のAPIを直接契約している分は含まれない。この指標で首位のDeepSeekが、中国のAI業界全体で首位という意味にはならない。

四大テックの垂直統合

中国の大手テック四社は、それぞれ自社の既存資産にAIを接続する形で戦っている。モデル単体の性能を売るのではなく、既にある流通経路の中に組み込む戦略だ。

企業	モデル	接続先の既存資産
Alibaba	Qwen	クラウド基盤と自社ECエコシステム
Baidu	Ernie	検索エンジンとの融合
ByteDance	Doubao	消費者向けアプリへの機能実装
Tencent	Hunyuan（混元）	既存のSNS・ゲーム基盤との連携

この構図は米国の大手と似ている。違うのは、中国では検索、EC、SNS、短尺動画のそれぞれで支配的な事業者が分かれており、AIの入り口も分散していることだ。米国のように一社が検索を独占している構造ではない。

開く層と閉じる層、その標準形

配布戦略には、はっきりした標準形がある。基礎から中位のモデルは公開し、フラッグシップと上位版は閉じる。2026年8月時点で、閉じられているのはQwen3.7-Max、マルチモーダル版のQwen3.8-Max、Ernie 5.1、そしてDoubaoである。公開されているのはDeepSeek、GLM、Kimi K3、MiniMax、および小型のQwenやErnieだ。

Alibabaの動きが典型的だ。最上位のMaxモデルは閉じたまま、それ以外はApache-2.0で公開する。2026年8月にQwen3.8-Maxを公開したときも、出したのはテキスト専用版だけで、マルチモーダルのフラッグシップはAPI限定に留めた。

この分け方には合理性がある。公開されたモデルは普及と評判を生み、標準を取る。閉じたモデルは収益を生む。両方を同時に追えるのが、この二層構造の利点である。

例外はDeepSeekで、最上位までMITで全面公開している。一社だけが「閉じる層」を持たない構造を選んでいる。これは事業モデルとしての賭けであり、他社が追随していない事実そのものが、その難しさを示している。

Doubao ── 配信力と最安価格、そして有料化

Doubaoの強さは、モデルの技術的な話題性ではなく、配信力とプロダクトの到達範囲に支えられている。DAUは約1億人を超え、DAUとMAUの比率は約30%とされる。同業他社が約15%前後であることを考えると、使われ方の濃度が二倍近い。

プロダクトの構成も広い。Doubao 2.0のAIエージェント機能、Seedance 2.0の動画生成、Seedream 4.0の画像生成という三本柱を持つ。単価も同クラスで最安の水準にあり、入力$0.11という数字が挙げられている。

無料競争の終わり

2026年5月、ByteDanceは豆包の有料プランを発表した。月額1400円からという価格設定である。中国のLLM市場では無料でのユーザー獲得競争が続いてきたため、最大手が収益化に踏み切ったことの意味は大きい。Alibabaやテンセントも追随を迫られる見通しとされている。

無料で配って規模を取り、規模を取ってから課金する。この順序は、中国のインターネットサービスで繰り返されてきた形である。AIでも同じ段階に入ったと読める。

Zhipu と Moonshot ── 公開で存在感を買う

四大テックに対して、新興のラボは別の戦い方をしている。ZhipuのGLMとMoonshotのKimiは、重みを公開することで開発者の間での存在感を確保する戦略だ。

GLM-5はMITライセンスで提供され、2026年6月のGLM-5.2は約7530億パラメータのMoE構成（起動は約400億）で、1Mトークンの文脈長を持つ。長時間動作するコーディングエージェント向けに焦点を絞り、閉じた競合の約六分の一のコストを謳っている。GLM-5世代は主に中国国内のHuawei Ascendで学習されたとされる点も見逃せない。

Kimiは、OpenRouterの累計利用量で首位に立ったことがある。K2.5がオープンウェイトで提供され、K3も独自ライセンスで公開された。

ラボ	評価額（報道ベース）	備考
Zhipu（GLM）	約130億ドル	FY26E売上の50〜60倍という水準
Moonshot（Kimi）	約50億ドル	2026年1月の新規調達時点

2026年は中国のAIラボにとってIPOの年と言われている。重みの公開は、この文脈では上場前の存在感づくりという意味も持つ。技術的な理念だけで説明できる行動ではない。

利用量と知能は乖離している

重要な指摘がある。中国勢のシェアは1年前の2%未満から2026年4月には週次総量の45%超まで伸びたが、利用量と知能は分離しているという観察だ。最も利用量の多い中国モデルは、知能の上位10位圏外に位置する。

つまり多く使われているのは、最も賢いからではない。安く、制約が少なく、すぐ試せるからである。開発者は最高性能を選ぶのではなく、要件を満たす中で最も条件のよいものを選ぶ。

• シェアが高い ≠ 品質が最高
• 重みが公開されている ≠ 商用利用が自由（収益連動ライセンスの例がある）
• 安い ≠ 安く続く（DeepSeekは最大約12倍の値上げを実施）

三つとも、日本での議論で混同されやすい点である。

日本の読み手にとっての含意

実務的な結論は三つに整理できる。

第一に、中国のAI企業を評価するとき、どの指標での順位なのかを確認する。消費者アプリの首位と開発者トークンの首位は別の会社である。

第二に、日本から見えているオープンウェイトは、各社の戦略の一部でしかない。閉じられたフラッグシップの性能や、国内での収益化の進み方は、公開モデルの評判からは推し量れない。

第三に、条件は変わる前提で組む。値上げ、ライセンス変更、有料化への転換が、この一年で実際に起きている。モデルを差し替えられる構造を保っておくことが、そのまま交渉力になる。

まとめ

中国のAI業界は、一つの塊ではない。消費者接点をByteDanceが取り、開発者の利用量をDeepSeekが取り、企業向けAPIをまたByteDanceが取る。その上で、最上位を閉じて収益を確保し、中位以下を公開して普及を取るという二層構造が標準形になっている。

日本で議論されている「中国製オープンウェイトモデル」は、この構造の下半分だけを指している。上半分を含めて見ないと、各社が何を狙っているのかは分からない。

2026年2月に公表されたEgoScaleという論文が、この年のモデル層における最も重要な発見と評されている。ロボティクス基盤モデルが、大規模言語モデルと同じデータ駆動のスケーリング則に従うという、初めての強い実証を与えたからだ。

何が示されたのか

方針の性能が、事前学習データの量に応じて予測可能に向上する。言語モデルで観測されてきた関係が、身体を持つモデルでも成立するという内容である。

これが重要なのは、研究の進め方が変わるからだ。スケーリング則が成り立つなら、賢い工夫を探すよりもデータを増やすほうが確実になる。

競争構造への含意

スケーリング則が成立しない場合	成立する場合
工夫の質で差が付く。小規模でも勝てる	データ量で差が付く。蓄積が有利
後発が追い付ける	先行者の優位が自己強化する

最も多くのデータを蓄積している企業が、自己強化的な優位を得る。言語モデルで起きたことが、ロボティクスでも起きるという予測になる。

スケーリング則の確認は、技術的な発見であると同時に、産業構造の予告でもある。

データはどこから来るのか

言語モデルのデータはインターネットにあった。身体データはそこにない。集め方としては、実機の稼働から集める、模擬環境で合成する、人間の一人称視点動画から学ぶ、という三つの経路が並行して追われている。

NVIDIAが模擬データの追加で成功率を約40%改善したと報告している点、WholeBodyVLAが行動ラベルのない一人称動画から学ぶ設計を採っている点は、いずれもこの制約への回答である。

日本の事業者にとって

この構造は、実機を持ち現場で稼働させている事業者に有利に働く。製造、物流、建設、インフラ点検といった領域で日々発生している動作データが、そのまま資産になりうる。

ただしそれは、データを取得し保管し学習に使える形にしている場合に限られる。稼働しているだけでは蓄積にならない。ここが分岐点になる。

まとめ

フィジカルAIの競争は、アルゴリズムの競争から、データを取れる現場を持っているかどうかの競争へ移りつつある。言語モデルで見た構図が、より物理的な形で繰り返されようとしている。

スケーリング則が意味すること

スケーリング則が成立するという結果は、研究の進め方を変える。工夫を探すより、データを増やすほうが確実に効く。予測可能に改善するという性質は、投資判断を可能にする。どれだけ集めればどこまで届くかが、事前に見積もれるからだ。

これは言語モデルで起きたことの繰り返しである。スケーリング則が確認されてから、競争は資本とデータの規模の勝負に移った。ロボティクスでも同じ移行が起きると予測される。

データを取れる現場の価値

データの出どころ	強み	課題
実機の稼働	現実の分布に一致する	収集の仕組みが必要
模擬環境	量を作れる、危険な状況も試せる	現実との差が残る
一人称視点動画	既存の映像を活用できる	行動ラベルがない

三行目に対する回答が、行動ラベルのない映像から潜在的な行動を学ぶWholeBodyVLAのような手法である。AgiBot X2でGR00Tを21.3%上回ったと報告されている。ラベル付けのコストを回避できるなら、活用できるデータの範囲が一気に広がる。

稼働と蓄積は違う

実機を持っていることは前提条件にすぎない。動作の記録が保存されておらず、成功と失敗の判定も残っていなければ、稼働は蓄積にならない。多くの現場が、この段階でつまずく可能性がある。

今から準備できることがあるとすれば、現場で発生している動作と結果を、後から学習に使える形で残し始めることだろう。どのモデルを使うかは後で決められるが、過去のデータは後から作れない。

2026年のAI業界を語るとき、フィジカルAIという言葉が中心に出てくる。現実世界を知覚し、推論し、行動するAIのことで、ワールドモデル、ロボティクス基盤モデル、自動運転、ヒューマノイド、製造業の外観検査までを含む広い領域を指す。

なぜ言語モデルの延長ではないのか

言語モデルはインターネット上のテキストという巨大な既存データを使えた。フィジカルAIにはそれがない。必要なのは身体を通じて得られるデータであり、これは自動で集まらない。

この制約への対処として登場したのがワールドモデルである。物理環境を模擬し、物体や力が時間とともにどう相互作用するかを予測する。ロボットは実際に動く前に、内部で結果を試せる。

ワールドモデルは、モデルの内側に置かれた物理エンジンのようなものである。

代表的な取り組み

提供元	技術	内容
NVIDIA	GR00T N1 / N1.5	開放的でカスタマイズ可能なヒューマノイド基盤モデル。VLMによる推論とDiffusion Transformerによる動作制御を組み合わせる
NVIDIA	Cosmos / Isaac / Jetson	ワールドモデル、ロボティクススタック、エッジGPUという三層
Google DeepMind	Gemini Robotics	3次元の空間認識と、その場でのロボット制御コード生成。端末内実行版もある

NVIDIAは、GR00T-Dreamsという模擬環境で合成した動作データを加えることで、実世界データのみの場合と比べてタスク成功率が約40%改善したと報告している。データが足りない領域で、模擬によって補うという方向性が見える。

研究の収束点

研究側では「world-action model」という呼び方が定着しつつある。行動を中心に据えたGigaWorld-Policy、ロボット制御向けのMotuBrain、後悔を考慮するKairosといった系列がある。

また、行動ラベルのない一人称視点動画から潜在的な行動を学ぶWholeBodyVLAは、AgiBot X2においてGR00Tを21.3%上回ったと報告されている。ラベル付けのコストを回避する方向の研究である。

次回

この分野で2026年に最も重要とされる結果は、スケーリング則がロボティクスにも当てはまるという実証である。次回それを扱う。

データの制約が設計を決める

フィジカルAIの難しさは、能力の設計よりもデータの調達にある。言語モデルはインターネット上のテキストを使えたが、身体を通じた動作データは自動的には集まらない。この非対称性が、この分野の技術選択を決めている。

模擬環境での合成、一人称視点動画からの学習、実機の稼働ログという三つの経路は、いずれもこの制約への回答である。NVIDIAがGR00T-Dreamsによる合成データの追加で成功率を約40%改善したと報告している点は、模擬による補完が実際に効くことを示している。

ワールドモデルが解く問題

方式	動作を決める手順	失敗のコスト
直接制御	観測から即座に行動を出す	実機で失敗する
ワールドモデル経由	内部で結果を予測してから行動	予測の中で失敗できる

実機で試すことのコストが高い領域では、内部で試せることの価値が大きい。物理的な破損や安全上の危険を伴う作業では、この差が決定的になる。

導入を考える立場から

製造や物流の現場でこの技術を検討する場合、見るべきは基盤モデルの性能よりも、自社の作業をどう表現するかである。動作の記録が取れているか、成功と失敗の判定が定義できるか。ここが整っていないと、どのモデルを持ってきても学習させられない。

端末内で動く版が出ている点は、現場適用の観点で重要だ。通信が不安定な環境や、応答時間に厳しい要件がある工程では、クラウド経由の推論が前提にできない。

中国系オープンウェイトモデルについて、安価で制約が少ないという理解が広まっている。2026年の後半時点では、この理解はすでに正確でない。前提が変わりつつある。

値上げとライセンスの変化

公開されている情報では、次のような動きがある。

• DeepSeek が最大で約12倍の値上げを実施
• Kimi K3 と Qwen3.8-Max が収益連動型のライセンスを導入
• Kimi K3 は独自ライセンスで重みが公開されたが、性能主張の独立検証が不足している

収益連動型のライセンスは、利用が商業的に成功した場合に対価を求める形式である。導入の時点では安価に見えるため、成功した後の条件を読んでおく必要がある。

普及の後に条件が変わる構造

段階	提供側の狙い	利用側が見るべき点
普及期	安価に配り標準を取る	移行のしやすさ
回収期	値上げ・ライセンス変更	切り替えコストと契約条件

この二段構えは中国系に限った話ではない。オープンウェイトを掲げる事業者に共通する構造である。安いうちに深く依存すると、条件が変わったときの選択肢が減る。

移行できる状態を保っておくことが、価格交渉力そのものになる。

規制対象データを扱う場合

規制対象のデータを扱う場合、セルフホストが推奨される。それが不可能であれば、米国またはEUでホストされているモデルのほうが安全という整理になる。

この判断は性能の問題ではなく、データがどこに送られ、どの法域の管轄下に入るかという問題である。モデルの選定を性能表だけで決めると、この観点が抜け落ちる。

実務上の指針

三点に整理できる。第一に、モデルを差し替えられる構造でアプリケーションを組む。第二に、ライセンスの収益条項と将来の値上げ条件を導入前に読む。第三に、扱うデータの法域要件を先に確定させる。

性能の比較は最後でよい。前提条件のほうが変えにくいからだ。

移行できる状態を保つ設計

条件が変わりうる前提で組むなら、モデルを差し替えられる構造にしておくのが基本になる。具体的には、モデル固有の呼び出しをアプリケーションの内側に散らさず、一箇所に集めておくことだ。

加えて、評価用の入力と期待される出力の組を手元に持っておくと、切り替え時の判断が速くなる。20件程度でも、判定基準が定まっていれば十分に機能する。持っていない場合、切り替えの是非を感覚で決めることになる。

収益連動ライセンスの読み方

確認項目	見るべき点
発動条件	売上か利用量か、しきい値はいくらか
対価の算定	定率か定額か、上限があるか
報告義務	何をいつ報告するのか
過去分の扱い	しきい値を超えた時点より前に遡るか

導入時点では無償に見えるため、この確認を省略しがちである。しかし事業が成長した後に条件を知ると、選択肢が限られている。導入前に読むべきものだ。

法域の要件を先に決める

扱うデータに規制がかかる場合、モデルの選定より前に法域の要件を確定させるべきである。要件が決まれば候補が絞られ、性能の比較は絞られた中で行えばよい。順序を逆にすると、比較の労力が無駄になる。

セルフホストが可能かどうかも、この段階で判断しておく。可能であればオープンウェイトの選択肢が広がり、不可能であればホスト地域が選定条件になる。

2026年に登場した中国系モデルは、DeepSeek V4、Qwen 3.7 Max、Kimi K2.6、MiniMax M3を含め、いずれもMoE（Mixture of Experts）構成を採用している。この選択の一致は、コスト構造からの要請と考えられる。

MoE の基本

従来の密なモデルは、入力を処理するとき全てのパラメータを使う。MoEは、モデル内部を複数の「専門家」に分け、入力ごとに一部だけを起動させる。総パラメータ数は大きく保ちつつ、1トークンあたりの計算量を抑えられる。

方式	総パラメータ	1トークンの計算量
密なモデル	N	Nに比例
MoE	N（大きく保てる）	起動した一部に比例

知識量は総パラメータに、推論コストは起動パラメータに、おおまかに対応する。両者を切り離せることがMoEの利点である。

安さの要因は三層ある

価格が下がった理由は、アーキテクチャだけではない。

• アーキテクチャ層：MoEによる推論FLOPの削減
• 流通層：重みを公開することで、Together AI・Fireworks・Novitaなど第三者ホスティング事業者が競合し単価が下がる
• インフラ層：Huawei Ascendなど国産チップと、国内の安価な電力

三層のうち、日本の事業者が真似できるのは一層目だけである。二層目は公開戦略の帰結であり、三層目は立地と産業政策の帰結だ。

重みを公開する意味

重みを公開すると、自社のAPI収益は減る。にもかかわらず公開する理由は、第三者ホスティングによって普及速度が上がり、事実上の標準を取れることにある。

重みの公開は無償の善意ではなく、流通経路を増やして標準を取るための投資である。

見落とされがちな点

MoEは万能ではない。専門家の振り分けが偏ると品質が不安定になり、メモリ上には全パラメータを載せる必要があるため、自前で動かす場合のハードウェア要件は総パラメータ数に引きずられる。

つまり「MoEだから軽い」のは、事業者側が大量のリクエストをまとめて処理する場合の話である。個人や小規模組織が自前で動かす前提では、必ずしも有利にならない。

まとめ

安さの理由を分解すると、模倣できる部分と模倣できない部分が見えてくる。単価の比較だけでは判断を誤る。

自前で動かす場合の現実

MoEの利点は、事業者が大量のリクエストをまとめて処理する場面で最大化される。個人や小規模組織が自前で動かす場合の計算は、まったく違う様相になる。

推論に使う計算量は起動した専門家の分だけで済むが、どの専門家が呼ばれるかは入力ごとに変わるため、メモリ上には全パラメータを載せておく必要がある。つまり必要なメモリ量は総パラメータ数に引きずられる。「軽い」という表現が当てはまらない。

観点	事業者側	自前運用
計算量	起動分のみで有利	同じく有利
メモリ	まとめて償却できる	総パラメータ分が必要
稼働率	常に高い	低いと単価が悪化

品質の不安定さ

MoEには、専門家の振り分けが偏ると品質がばらつくという弱点がある。特定の入力傾向に対して、うまく機能する専門家に当たらない場合がある。評価の際は平均だけを見ず、悪いほうの裾を確認する必要がある。

実務では、同じ条件で複数回試すことが有効だ。一回の結果で判断すると、たまたま良かった、あるいは悪かった例に引きずられる。

模倣できる部分の見極め

安さの三層のうち、アーキテクチャは公開された知見であり追随できる。第三者ホスティングの競争は公開戦略の帰結であり、公開しない限り生じない。国産チップと安価な電力は、立地と産業政策の帰結である。

つまり単価だけを目標にすると、構造的に追い付けない部分に挑むことになる。競う場所を選ぶ判断が必要になる。

2024年末には全トークンの2%未満だった中国製オープンウェイトモデルが、2026年8月にはOpenRouterの利用上位を占めるまでになった。感覚的な印象ではなく、実測できる形で構図が変わっている。

OpenRouter という指標

OpenRouterは400以上のモデルを横断して利用できるLLMルーターである。ユーザー数は約800万人とされ、週次のトークン消費ランキングが、開発者が実際に何を使っているかを測る事実上の業界指標になっている。

公開ベンチマークの順位と、実際に使われている量は一致しない。前者は能力、後者は能力と価格と可用性の総合結果だからだ。後者を見るほうが実務の判断に近い。

プロバイダ別のシェア

2026年8月16日時点の日次トークンの概算は次のとおりである。

プロバイダ	日次トークンの概算シェア
DeepSeek	約36%
Tencent	約14%
Anthropic	約10%
OpenAI	約8%
Xiaomi	約7%

上位5社のうち3社が中国系である。DeepSeek単独で3分の1を超えている。ただしこれはOpenRouter経由の利用に限った数字であり、各社のAPIを直接叩いている分は含まれない点に注意が必要だ。

主要モデル

2026年に入ってから、DeepSeek V4、Qwen 3.7 Max、Kimi K2.6、MiniMax M3が立て続けに登場した。夏にはDeepSeek V4 Pro、Kimi K3、MiniMax H3、DeepSeek V4 Flashが同じ波で出ている。共通するのは、全モデルがMoE（Mixture of Experts）構成を採っていることだ。

同じ時期に、同じアーキテクチャの選択が横並びになっている。偶然ではなく、コスト構造からの要請である。

この数字の読み方

シェアが高いことは、品質が最高であることを意味しない。価格が安く、制約が少なく、すぐ試せることの結果でもある。開発者は最も賢いモデルを選ぶのではなく、要件を満たす中で最も条件のよいものを選ぶ。

次回は、なぜこれだけ安くできたのかという原価の側を扱う。

シェアの数字を鵜呑みにしない

OpenRouter経由の数字は有用だが、母集団を理解して使う必要がある。OpenRouterを使うのは、複数モデルを比較したい開発者や、単価に敏感な用途である。企業が各社のAPIを直接契約して使っている分は含まれない。

したがってこの数字は「価格と可用性に敏感な開発者層における選択」を表している。企業の本番システムでの採用状況とは別の指標だ。両者を混同すると、判断を誤る。

何が起きているのかの整理

時期	中国製オープンウェイトの位置
2024年末	全トークンの2%未満
2026年8月	OpenRouter利用の上位を占める

二年足らずでこの変化が起きた。速度そのものが示唆的である。重みが公開されていれば、第三者のホスティング事業者が即座に提供を開始でき、利用者は契約を待たずに試せる。普及の摩擦が小さい。

日本の事業者としての向き合い方

シェアが高いからといって採用する理由にはならないが、無視する理由にもならない。確認すべきは三点だ。自社の用途で品質が足りるか、扱うデータの法域要件を満たせるか、そして条件が変わったときに移行できるか。

特に三点目が重要になる。オープンウェイトであれば、原理的にはセルフホストへ移行できる。その退路があるかどうかが、価格交渉や条件変更に対する耐性を決める。

Suno のダウンロード回数制限は、課金の対象が変わったという点で興味深い。従来の生成AIサービスは、生成すること自体に課金してきた。今回は、生成は据え置きで、取り出すことに上限が付いた。

二つの課金モデル

課金の位置	根拠	利用者の行動
生成に課金	計算資源の消費	無駄な生成を避ける
取り出しに課金	権利処理と流通	試行は自由、確定は慎重に

計算資源に紐づける課金は、原価に素直で分かりやすい。一方、権利に紐づける課金は、原価とは別の論理で決まる。今回の変更は後者への移行と読める。

利用者の行動はどう変わるか

生成が自由で取り出しが有限になると、行動が変わる。たくさん作って眺めることは推奨され、決めることが慎重になる。試行のコストが下がり、決定のコストが上がる。

これは制作の現場としては、必ずしも悪い方向ではない。選別に時間をかけるほうが成果物の質は上がる。ただし、大量生成して機械的に選ぶような自動化とは相性が悪い。

他分野に広がるか

同じ構造が成立する条件は、生成物が既存の権利者の領域と重なることだ。音楽、画像、動画、声はこれに該当する。文章は境界が曖昧だが、無関係ではない。

権利者がいる領域では、課金は計算資源から流通許諾へ移りやすい。

逆に、コード生成やデータ分析のように、出力が既存の権利物と競合しにくい領域では、従来の計算資源型の課金が続くと考えられる。

見積もりの立て方が変わる

実務上の影響は、予算の見積もり方に出る。生成量から費用を推定する方法が使えなくなり、納品する成果物の点数から積算する形になる。

制作会社が案件見積もりを作る際は、生成回数ではなく確定本数を基準にすべきだ。ここを間違えると、月末に上限へ当たる。

まとめ

課金の位置は、そのサービスが何を管理したいかを表している。位置の変化を追うことは、業界の力関係を読むことに近い。

見積もりのやり直し

課金の位置が変わると、見積もりの立て方も変わる。従来は生成回数から費用を推定できた。今後は、納品する成果物の点数を先に確定させ、そこから逆算する形になる。

実務では、案件の初期段階で「最終的に何本を納品するか」を決める必要が出てくる。決まらない場合は上限を設けておく。ここが曖昧なままだと、月末に枠が足りなくなり、追加購入か納期の調整という形で跳ね返る。

自動化との相性

やり方	取り出し課金との相性
人が選別して少数を確定	良い。試行が自由で決定が慎重になる
大量生成して機械的に採用	悪い。取り出しの回数が制約になる
生成結果を一括で外部保存	規約違反になりうる

三行目は特に注意が必要である。効率化のつもりで一括取得を試みると、規約違反となり、得たファイルにライセンスが付かない。自動化の設計は、取り出しの前に人の判断を挟む形にしておくのが安全だ。

どちらの課金が広がるか

結論を出すには早いが、判別の基準は立てられる。生成物が既存の権利者の領域と重なるかどうかである。重なる分野では取り出し課金へ、重ならない分野では計算資源型の課金が続くと考えられる。

自分が使っているサービスがどちらに属するかを把握しておくと、価格改定のニュースを見たときに、それが自分に効くかどうかを素早く判断できる。

Suno は9月3日、音楽業界と共同開発した新世代モデルを投入し、それまでのモデルを全て退役させた。品質の向上とライセンスの整理という点では前進だが、利用者側には別の問題が生じる。過去の生成物を再現できなくなることだ。

再現性が失われるとどうなるか

生成AIの出力は、モデル、プロンプト、乱数の状態という三つの組み合わせで決まる。このうちモデルが失われると、残りが揃っていても同じ出力を得られない。

実務では次のような場面で影響が出る。

• 納品済みの楽曲について、尺だけを変えた版を作りたい
• 同じ雰囲気で続編やシリーズものを作りたい
• ミックスをやり直したいのでステムを再取得したい
• 権利上の問い合わせに対し、生成の過程を再現して示したい

いずれも「同じモデルがまだある」ことを暗黙の前提にしている。この前提が外れる。

生成物を資産として扱うなら

再現に頼れないなら、出力そのものを保全するしかない。考え方としては、ソフトウェアのビルド成果物の扱いに近い。

扱い方	前提	リスク
再生成できる前提で運用	モデルが将来も存在する	退役で全て崩れる
出力を保全して運用	ファイルとメタ情報を自分で保管	保管コストがかかる

今回の件は、後者を選ばざるを得ないことを示した。しかもダウンロード回数に上限があるため、保全にはコストと計画が要る。

何を一緒に残すか

音源ファイルだけでは足りない。後から権利や制作の経緯を説明できる形にするには、生成に使ったプロンプト、生成日時、使用したモデルの名称と版、ダウンロードの取得記録を併せて残す必要がある。

再現できないものは、記録で補うしかない。

より広い含意

この問題は音楽に限らない。API経由で使うモデルは、いずれ退役する。特定のモデルの挙動に依存した成果物を持っているなら、それは期限のある資産である。

生成AIを業務に組み込むときは、モデルの寿命を設計の前提に入れておくべきだ。今回の件はその実例になった。

保管の実務

再生成に頼れないと分かった以上、出力の保管を業務手順に組み込む必要がある。考え方はバックアップと同じで、どこに、いつまで、誰が責任を持って置くかを決めることになる。

音源のような大きなファイルは、担当者の手元だけに置かれがちである。担当が変わった時点で所在が分からなくなり、実質的に失われる。共有ストレージ上に案件単位で置き、命名規則を決めておくのが基本になる。

残すべきメタ情報

項目	なぜ必要か
プロンプト	制作意図の記録。類似の依頼に再利用できる
生成日時	どのモデル世代で作られたかの手掛かり
モデル名と版	退役後に条件を説明する根拠
ダウンロード記録	商用利用の権利的な裏付け
納品先と用途	権利の範囲を後から確認できる

これらは音源ファイルと同じ場所に、テキストファイルとして併置しておくのが簡単である。別のシステムで管理すると、ファイルとの対応が崩れる。

モデルの寿命を設計に入れる

今回の件が示したのは、生成AIを使った成果物には期限があるという事実である。設計の段階で、モデルが無くなった場合に何が壊れるかを一度考えておくべきだ。壊れるものが多すぎるなら、その依存の仕方に問題がある。

特定モデルの癖に合わせた作り込みは、短期的には効率がよい。しかし退役のたびに作り直しが発生する。どこまで作り込むかは、その成果物をどれだけ長く使うかで決めるのが妥当だろう。

Suno のダウンロード制限は、突然の方針転換のように見えるが、経緯を追うと一本の線でつながっている。起点は2025年11月、Warner Music Group との和解およびライセンス契約の発表である。

時系列

時期	出来事
2025年11月	Warner Music Group との和解・ライセンス契約を発表。音源のダウンロードには有料アカウントが必要と明示
2026年9月3日	ダウンロード回数制限を導入。利用規約を更新
同日	音楽業界と共同開発した新世代モデルを投入。旧モデルは全て退役

2025年11月の発表時点で、ダウンロードに有料アカウントを要するという枠組みは示されていた。今回はその枠組みを、回数という形で具体化したものと読める。

なぜダウンロードなのか

権利者側から見ると、管理すべき対象は「生成された曲の数」ではない。流通し、収益を生む可能性のある音源の数である。ライブラリの中にあるだけの曲は流通していない。

つまりダウンロードは、権利処理の境界線として最も自然な位置にある。ここに関門を置けば、生成の自由度を保ったまま流通を管理できる。

生成の自由と流通の管理を両立させる境界が、ダウンロードという行為だった。

モデルの世代交代

同時に見落とせないのが、音楽業界と共同で構築した新世代モデルの投入と、それに伴う旧モデルの全面退役である。ライセンス上クリアなモデルへ土台を移した、と解釈できる。

ただしこれには副作用がある。旧モデルで作った曲を、同じ条件で再生成することができなくなる。この点は次回、再現性の問題として扱う。

業界構造としての読み方

和解、ライセンス、モデル刷新、流通管理という順序は、音楽以外の生成AIにも当てはまる可能性がある。学習データの権利処理を済ませ、その代わりに出口を管理する。この形が定着するかどうかが、今後の分岐点になる。

画像や動画の分野でも同じ議論が起きるだろう。音楽が先行事例になった。

他分野への波及を考える

音楽で起きた「和解、ライセンス、モデル刷新、流通管理」という順序は、権利者が組織化されている分野で再現しやすい。音楽業界はレーベルという形で権利が集約されているため、交渉相手が特定できた。

分野	権利の集約度	同じ経路をたどる可能性
音楽	高い（レーベル）	すでに進行中
映像	比較的高い（スタジオ）	高い
写真・イラスト	低い（個人が多数）	交渉相手が定まりにくい
文章	低い（出版社と個人が混在）	境界が曖昧

権利が分散している分野では、同じ形の和解が成立しにくい。結果として、音楽よりも解決が遅れる可能性がある。逆に言えば、音楽の事例は今後の議論の参照点になる。

利用者にとっての含意

和解によってライセンスが整理されることは、利用者にとって不利な話ではない。権利上クリアな素材を、明示された条件で使えるようになるからだ。従来の不透明な状態のほうが、業務利用にはリスクが高かった。

代わりに支払うのが、自由度である。回数、経路、用途が明示的に管理される。この交換を受け入れるかどうかが、サービス選択の判断になる。管理を嫌ってグレーな手段に戻ると、業務で使える根拠を失う。

Suno の9月3日の変更で、回数制限よりも影響が大きいのは利用規約の側である。新しい規約では、生成物を商用に利用できるのは、承認された経路を通じて許諾されたダウンロードを取得した場合に限られる。

何が変わったのか

従来、有料プランで生成した楽曲は、ライブラリにある状態で商用利用の対象と理解されていた。新しい規約では、その理解が成り立たない。ライブラリに置いてあるだけの曲は、公開も販売もライセンスもできない。ダウンロードを1回「使う」ことが、商用利用の前提条件になった。

状態	従来の理解	9月3日以降
ライブラリにある	有料なら商用利用可	商用利用は不可
ダウンロード済み	商用利用可	商用利用可
他者の曲のリミックス	制限あり	個人・非商用に限定

ワークフローへの影響

この変更は、制作の進め方そのものに影響する。従来は、大量に生成してから選ぶという手順が取れた。今後は、選んだ後にダウンロードするという順序を厳密に守る必要がある。回数が有限だからだ。

結果として、生成の段階での聴き比べと選別の重要性が上がる。ダウンロードは「決定」の行為になった。

第三者ツールという誘惑

回数制限を回避する第三者製の一括ダウンローダーを紹介する情報が出回っている。これは避けるべきである。

理由は二つある。第一に、そうしたツールの利用はスクレイピングを禁じる利用規約に違反し、アカウント停止の対象になる。第二に、より本質的な問題として、その経路で得たファイルにはライセンスが付かない。

回数の制限を回避する手段は、その回数が担保していた権利も同時に回避してしまう。

商用利用のために回避策を使うと、商用利用の根拠を失う。目的と手段が矛盾する構造になっている。

実務的な対応

案件で使う予定の曲は、確定した時点で早めにダウンロードしておく。ダウンロード済みのファイルとその取得記録を、権利の証跡として保管する。この二点が最低限の備えになる。

制限が導入された背景については次回扱う。2025年11月の動きから筋が通っている。

案件ごとの記録の付け方

ダウンロードが商用利用の前提になったため、どの曲についてダウンロードを消費したかを記録する必要が生じた。権利の説明を求められたときに、それが根拠になる。

最低限、次の情報を案件ごとにまとめておくとよい。曲のタイトルまたは識別子、生成に使ったプロンプト、生成日時、ダウンロードした日時、使用したプラン、納品先である。表形式で管理すれば、後から検索できる。

社内での周知が必要な点

この変更は、制作者だけでなく発注側にも影響する。ライブラリにある曲を聞かせて「これでいきましょう」と決めた時点では、まだ商用利用の条件を満たしていない。決定と取り出しが別の行為になったことを、関係者全員が理解している必要がある。

工程	従来	現在
候補を聞かせる	問題なし	問題なし
採用を決める	この時点で使える	まだ使えない
ダウンロードする	任意のタイミング	ここで初めて使える

表の三行目が抜けたまま公開してしまう事故が、最も起こりやすい。工程表にダウンロードの実施を明示的な作業として入れておくべきだ。

リミックスの扱い

他者の曲を元にしたリミックスは、個人・非商用の範囲に限定されている。この点は回数制限とは別の制約であり、回数が残っていても商用には使えない。素材の出自によって扱いが変わるため、制作の初期段階で確認しておく必要がある。