スムリティ・キルバナンダン氏（MS、MPH、FRSA、CN）は、成長・戦略的パートナーシップ担当エグゼクティブ（ロボティクス、AI、ヘルスケア分野）兼ポッドキャストホスト。
汎用技術の歴史──電化、コンピューティング、インターネットを思い浮かべてほしい──は、AIにとって信頼できるテンプレートを提供している。それぞれが同じ軌跡をたどった。すなわち、集中的で高価な中央集権的能力の初期段階に続き、コストが崩壊し、アクセスが民主化され、価値がインフラ層から最も賢明にそれを展開する者へと移行する普及段階である。人工知能（AI）は、測定可能なあらゆる指標から見て、その普及段階に入りつつあり、その移行を推進するミクロ経済的圧力は異例の速さで作用している。
大規模なAI変革に携わるテクノロジー企業のエグゼクティブ兼ディスラプターとして、私が目にしているのは、企業レベルにおいて、推論コストがもはや抽象的なものではないということだ。それは複合的な結果をもたらす項目である。最先端の大規模言語モデルに対して日々100万件の推論呼び出しを処理する企業は、技術的決定を下しているのではない。資本配分の決定を下しているのであり、それはマージン構造、運転資本、基礎となるビジネスモデルの持続可能性に重大な影響を及ぼす。
マクロ対ミクロ
マクロ経済レベルでは、この力学の総体的効果は相当な規模の資本再配分であり、企業のAI予算が中央集権的モデル容量の消費から、所有され、特化され、自己ホスト型の知的インフラへの投資へとシフトしている。そのシグナルは、クラウド支出パターン、オープンウェイトモデルのファインチューニングの急増、取締役会レベルで行われているAI調達に関する会話の洗練度の高まりにすでに表れている。進む方向は明白だ。
小規模言語モデル（SLM）は、正確な経済学的意味において、このシグナルに対する効率的な市場の反応である。小規模であることが劣っていることを意味するという直感は、専門化がいかに価値を創造するかについての誤解を反映している──経済学者なら誰でも馴染みのある誤解だ。比較優位は、最も広範な能力セットを持つ主体に属するのではない。それは、手元のタスクに最も正確に適合した主体に属する。狭く明確に定義された領域──医療コーディング、契約分析、サプライチェーン異常検知など──でファインチューニングされたモデルは、そのタスクにおいて汎用的な最先端モデルを一貫して上回り、計算量のほんの一部しか消費しない。
コスト差は限界的なものではない。推論コストは80〜95%低下する。そして、大量処理では、レイテンシが改善され、データレジデンシー要件が実行可能になり、ベンダー集中リスクがクリティカルパスから排除される。これらは段階的な改善ではなく、AI展開の単位経済学への構造的変化であり、アプリケーションの全カテゴリーの実行可能性計算を変える。
パズルの重要なピース
以前の技術移行との類推は示唆に富むが不完全だ。マイクロサービスは、モノリシックなアプリケーションを独立した構成可能なサービスに分解することで、ソフトウェアを分散化した。小規模言語モデルは、知能に対して同じことを行っている。少数のAI企業が所有する単一の汎用モデルではなく、ドメイン固有の認知能力を、データに最も近い組織──患者を知る病院、在庫を知る小売業者、案件を知る法律事務所──が所有し運用できるようになった。この世界では、独自データは単なるビジネス資産ではない。それは知的スタックの一部を所有するための原材料である。
しかし、経済的枠組みが曖昧にしがちなのは、これらの理論的利益を実現するために必要な運用インフラである。ここでハーネスエンジニアリングが決定的な変数として登場する。ハーネス──評価パイプライン、自動テストフレームワーク、プロンプト管理インフラ、本番監視、デプロイメントツールの周辺システム──は、モデルの潜在的パフォーマンスを信頼性のある測定可能なビジネス成果に変換するメカニズムである。それなしでは、小規模言語モデルのテーゼは失敗する。なぜなら、それらを統治する組織システムが不十分だからだ。
本番環境は制御された実験ではない。データ分布はシフトする。ユーザー行動は進化する。エッジケースは蓄積する。デプロイメント時に精度を持って機能するモデルは、そのドリフトを検出し対応する監視インフラなしでは静かに劣化する。ハーネスエンジニアリングは、このギャップを埋める規律である──グラウンドトゥルースデータに対してベンチマークされた自動評価スイートを構築し、劣化がエンドユーザーに到達する前に再トレーニングパイプラインをトリガーする品質閾値を設定し、すべてのモデル更新を信頼すべき変更ではなくテストすべき仮説として扱うカナリアデプロイメントアーキテクチャを構築する。
特に小規模言語モデルにとって、その狭い専門化が同時に最大の資産であり主要な脆弱性であるため、ハーネスは価値保護の主要メカニズムである。
時間経過に伴う価値
しかし、最も深い経済的洞察は、時間経過に伴うこのシステムの動的特性に関するものだ。小規模言語モデルと最先端モデル間の静的コスト比較は、一次効果のみを捉えている。より重要な価値は、経済学者が組織学習への収穫逓増として認識するものにある。
小規模言語モデルは軽量で再トレーニングが高速であるため、反復サイクルは劇的に圧縮される。本番シグナルがトレーニングデータになり、ハーネスに対する評価が品質ゲートになり、再デプロイメントが例外的ではなく日常的になる。各反復はモデルパフォーマンスを改善し、評価データセットを充実させ、デプロイメントプレイブックを洗練させる。
ハーネス自体が組織知識──ドメイン固有のベンチマーク、レッドチーミングシナリオ、障害モード分類法──を蓄積し、それは移転が困難で迅速に複製することは不可能である。これが、規律ある小規模言語モデルとハーネスエンジニアリング戦略が複利的リターンを生み出すメカニズムである。
これを理解している組織は、単にAIコストを削減しているのではない。彼らは、使用とともに価値が高まり、最先端モデルの価格設定と能力サイクルのボラティリティから構造的に隔離され、ベンダー関係としてではなく所有する組織能力としてAIから持続的な価値を抽出する立場に彼らを位置づける、独自の認知インフラを構築している。長期的には、それが知能自体が生産要素になりつつある経済において持続可能な競争優位の唯一の基盤である。
フォーブス・ビジネス・デベロップメント・カウンシルは、営業およびビジネス開発担当エグゼクティブのための招待制コミュニティである。参加資格はあるか？
