学習ループがあれば、システムはすべての修正を取り込む。なぜ営業担当のAさんはセット販売の構成を変えたのか。Bさんはいつも最初にどんな反論に対応しているのか。500本の提案書を経て、システムは一般的なパターンではなく、自社の実際の営業ロジックを学ぶ。501本目は修正が減る。1000本目になれば、ほとんど手を入れずに済む。これによって営業チームは、競合がどのウェブサイトからもダウンロードできない独自の知的財産を構築したことになる。
優位性は学習ループから生まれるというマイクロソフトの主張
ナデラがXに投稿した背景には、こうした理由がある。「モデル選定で競うべきではない」と彼は主張する。誰もがClaude、ChatGPT、Geminiなどを利用できる時代だからだ。競うべきは、あなたの判断基準やワークフロー、専門性を「使うほど良くなるAI」に組み込む学習ループである。
彼は「トークン・マクシング（Token-maxing：トークンの過剰消費）」、すなわちあらゆるタスクに最強のモデルを投入する反射的な行動に警告する。優位性はモデルそのものの処理能力ではなく、モデルを取り巻くシステムから生まれる。
マイクロソフトの狙いは明確だ。企業にMicrosoft Azure上でそうしたループを構築してほしい。つまり、そこでファインチューニング（微調整・追加学習）を実行し、独自データを保存し、移行コストが高くなる労力を注ぐことだ。こうした枠組みは、議論の焦点を「どこが最高のモデルを持つか」（マイクロソフトはOpenAIのようなパートナーに依存している）から、「どこが最も賢いシステムを構築したか」（マイクロソフトはインフラを販売している）へと、巧みに転換する。
マイクロソフトの競合が同意しない点
誰もが学習ループという見方に同意しているわけではない。
OpenAIは現時点で最も幅広いファインチューニング手法をサポートしているが、その大きな賭けはよりシンプルだ。基盤モデルをひたすら高性能にして、複雑なループが要らない状態にする。ユーザーはより良いプロンプトを書けばよい。導入は速く、ガバナンスの問題は軽減される。
Anthropicは、広範なファインチューニングよりもプロジェクトや検索ワークフロー、憲法AI（Constitutional AI）に重心を置く。2026年のはじめの時点では、ファインチューニングは旧世代のClaudeモデルに限定されていた。企業は重み（weights）を再学習させることより、制御性・安全性・ガバナンスを重視する、という見立てである。
オープンソースは、パラメーター効率のよい微調整手法であるLoRA（Low-Rank Adaptation：低ランク適応）を利用し、Llamaなどの大規模言語モデル（LLM）に対してパラメータ効率の高いファインチューニングを施すことで独立性を得られる。だが、自前のインフラを運用・保護する負担を背負うことになる。
