Barclays、AI収益100ドルの行き先を追跡――クラウドプロバイダーは約40ドルを獲得
BarclaysはAIモデル企業が得る100ドルの配分を分析し、クラウドプロバイダーが推論コストを通じて約35〜40ドルを受け取ると算出した。この推計は、AWS、Microsoft Azure、Google Cloudを、業界で形成されつつある利益構造の中心に位置付けている。
この分析は、2026年8月28日付のAIユニットエコノミクスに関するレポートに基づく。8月30日に公開された中国の報道は、この分析と仮想的な2つのAIラボモデルを要約している。
見出しだけを見れば、クラウドインフラにとって明快な勝利に映る。しかしBarclaysは、推論がより効率化され、トレーニングの収益に占める割合が小さくなるにつれて、モデル企業の利益率も改善すると見込んでいる。
ここに中心的な対立がある。クラウドプロバイダーは現在、モデル収益の大きな部分を受け取っているが、AI市場全体が拡大を続けるなかで、その取り分は低下し得る。
これは単純にソフトウェア企業とインフラベンダーの競争ではない。AIが高コストなトレーニング段階から継続的な本番利用へ移行するなかで、どのレイヤーが経済的優位性を維持するかという問題だ。
AI収益100ドルの内訳からBarclaysが見出したこと
推論効率が大きく改善した後でも、クラウド料金はAIモデル収益に対する最大級の取り分の一つであり続けている。
Barclaysは、事業モデルや会計方針が報告上の利益率をどのように変えるかを示すため、仮想的な2つの最先端ラボを構築した。これは分析モデルであり、特定企業が開示した財務諸表ではない。
Lab Aは収益の約70%をAPI、30%をサブスクリプションから得る。Lab Bはその構成が逆で、収益の80%をサブスクリプション、20%をAPIから得る。
Lab Aが100ドルを得るごとに、関連するクラウドプロバイダーは約35ドルの収益を得る。Barclaysは、そのうち約11.80ドルが営業利益となり、利益率は約34%になると推定している。
Lab Bでは異なる結果となる。そのクラウドパートナーは、戦略的な収益分配の取り決めを含め、100ドルごとに約41ドルを受け取る。
このケースでは、クラウドプロバイダーは約19.10ドルを営業利益として保持する。結果として利益率は約47%に達する。
これらの例は、クラウドプロバイダーがAIラボの収益100ドルあたり約35〜40ドルを獲得するという広く繰り返される結論の根拠となっている。また、営業利益として約10〜20ドルを残すとされる。
正確な結果は、コンピューティング消費量だけで決まるわけではない。製品構成、パートナー契約、トレーニング費用の配分、収益認識の方法はいずれも、見かけ上の配分を変える。
Lab Aは間接的なAPI収益をグロスベースで認識する。Lab Bは比較可能な収益をネットベースで計上するか、パートナーが運営する事業を除外する。
グロス認識では、関連費用を差し引く前に取引のより大きな部分を収益として計上する。ネット認識では、企業が保持する部分のみを計上する。
Barclaysはこの会計上の違いを、UberとLyftの歴史的な差異になぞらえている。根底にある取引が類似していても、企業による報告方法が異なれば、財務諸表は大きく異なり得る。
この注意は重要だ。非公開AI企業が提供する標準化された財務データは限られているためだ。収益認識方針を調整せずに見出し上の売上高や売上総利益率を比較すると、誤った印象を生みかねない。
2つのラボでは、調整後売上総利益率も異なる。BarclaysはLab Aを約55%、Lab Bを約38%とし、17ポイントの差を見込んでいる。
API比率の高いラボの方が好成績となる一因は、直接のAPI顧客がトークン消費量に応じて支払うことにある。この構造では、収益が実行された計算処理とより密接に結び付く。
サブスクリプション製品には別のリスクがある。固定料金で、集中的なコーディングセッションや長時間稼働するエージェントタスクを含む、消費パターンの大きく異なるユーザーをカバーしなければならない。
利用上限はプロバイダーを守り得るが、継続利用率にも影響する。上限を引き上げれば顧客を引き付けられる一方、推論コストのより多くをモデル企業側に戻すことになる。
Barclaysは、Claude CodeやCodexのようなサブスクリプション製品の推論マージンを約70%と見積もっている。直接APIの推論マージンは80%を超えると報じられている。
これらの数値は、AI企業全体の収益性ではなく、推論の利益貢献を示すものだ。トレーニング、研究、販売、管理などの主要費用は除外するか、別途配分されている。
したがって、この100ドルの枠組みは監査済みの業界平均ではなく、地図である。その価値は、資金の流れと、どの前提が結果を変えるかを示す点にある。
推論経済がいま改善している理由
AI企業は、有用な応答1件あたりに必要なインフラが減る一方、商業需要が収益化の継続を支えているため、利益率を高めている。
推論とは、学習済みモデルを実行してリクエストに答えたり、コードを生成したり、エージェントタスクを完了したりすることを指す。顧客がAI製品を使うたびに繰り返し発生する費用となる。
トレーニングは異なるパターンをたどる。モデルが顧客に届く前に膨大な計算コストが集中するが、ポストトレーニングや継続的な改善によって、その境界は曖昧になっている。
Barclaysは、有料推論の利益率が2025年の低い二桁台から、2026年には50〜65%、あるいはそれ以上へ上昇したと推定している。調整後売上総利益率は30〜50ポイント改善した。
この変化は複数の技術的改善に支えられている。量子化はモデルが使用する数値精度を下げ、出力品質の維持を図りながら、メモリと計算要件を削減する。
投機的デコーディングでは、小規模なシステムがトークン候補を提示し、大規模モデルがそれをまとめて検証する。予測が成功すれば、生成に必要な時間とハードウェアを減らせる。
より優れたルーティングも、単純なリクエストを小規模モデルへ送る。キャッシュは重複計算を防ぎ、バッチ処理はハードウェアが複数のリクエストをまとめて処理できるようにする。
ハードウェアの稼働率は、モデル設計と同じくらい重要だ。高価なアクセラレーターが遊休状態にあっても、減価償却、資金調達、エネルギー、施設の費用は発生する。
最大手の事業者は、変動するワークロードを地域、顧客、製品にまたがって分散できる。この規模は、専用クラスターを管理する小規模AIラボに対し、クラウドプロバイダーに重要な優位性を与える。
ただし、モデル開発者も効率化の恩恵を受ける。計算単位あたりのトークン数を改善すれば、利益率を拡大するか、同じコストでより多くの利用を支えられる。
Googleは、モデル最適化、稼働率の改善、インフラ効率化を通じて、2025年中にGeminiの提供単位コストを78%削減したと報告した。同社のクラウド業績は、垂直統合型の事業者が複数のレイヤーを同時に改善できることを示している。
Microsoftも2026年度に同様の重点を説明した。同社はある四半期において、最も利用されているCopilotモデルの推論スループットが40%改善したと報告している。
その後のインフラ更新では、Copilotワークロードのスループットが年初から4倍に増加したと述べた。Microsoftはこうした改善を、シリコン、システム、ソフトウェア全体にわたる最適化によるものとしている。
こうした改善が自動的に顧客料金を引き下げるわけではない。プロバイダーは効率化の利益を保持することも、出力品質の改善に使うことも、より負荷の高い推論ワークロードを支えることもできる。
推論モデルは、回答を生成する前により多くの中間トークンを生成することが多い。エージェントは、検索、コード作成、結果確認、作業の修正を行う間に、モデルを繰り返し呼び出すことがある。
その結果、単位コストの低下は総消費量の増加につながり得る。このリバウンド効果により、推論効率はAI企業とクラウドプロバイダーの双方にとって価値を持つ。
エンタープライズ需要ももう一つの要素となる。Barclaysのアナリスト、Ross Sandlerは、利益率の改善を、企業顧客とエージェント型ワークフローが重要な購買対象になりつつあることと結び付けた。
この評価は、すべての顧客に共通する結論ではなく、依然として予測の域を出ない。企業によって導入状況、展開規模、セキュリティ要件、測定可能なリターンは大きく異なる。
しかし、本番環境のエージェントはモデルトークン以上のものを消費する。データベース、ストレージ、ネットワーキング、ID管理、監視、永続的なタスク状態が必要になる。
こうした補完サービスはクラウドの立場を強める。ラボがモデル推論を最適化しても、顧客は同じクラウドプラットフォームから、より広範なインフラ一式を購入する可能性がある。
この力学は、AIラボの利益率が改善しても、クラウドが約40ドルを受け取れる理由を説明する。効率化は、競争が誰の取り分になるかを決める前に、利用可能な利益プールを拡大する。
クラウドプロバイダーは現ラウンドで勝利しているが、競争全体にも資金を供給している
AWS、Azure、Google Cloudが継続的なAI収益を獲得できるのは、モデル企業が顧客にサービスを提供する前に資本負担を引き受けているためだ。
Barclaysのモデルは営業上の資金フローに焦点を当てているが、インフラ層は巨額の先行投資から始まる。データセンターには土地、電力、冷却、ネットワーキング、プロセッサ、そして長い建設期間が必要となる。
Microsoftは2026年度第2四半期の設備投資額を375億ドルと報告した。約3分の2は、主にGPUとCPUなど、耐用年数の短い資産に関するものだった。
同社は、顧客需要が引き続き供給可能な容量を上回っているとも述べた。そのクラウド業績は、Azureの収益成長と、AIインフラ投資の継続による圧力を示している。
MicrosoftのIntelligent Cloud収益はその四半期に29%増加した。営業利益は28%増加したが、同セグメントの売上総利益率は前年同期比で低下した。
この組み合わせは、クラウドのトレードオフを捉えている。AI需要は急速な収益成長をもたらすが、それを満たすには、建物や土地よりも早く減価償却され得る追加設備が必要となる。
Alphabetは2026年に1750億〜1850億ドルの設備投資を計画していた。同社によれば、この資金はGoogle DeepMind、消費者向け製品、Cloud顧客の需要を支えるために使われる。
Google Cloudは2025年末時点で、年間換算収益ランレートが700億ドルを上回った。Alphabetは2400億ドルのクラウド受注残と、AI製品に対する強い需要も報告している。
Amazonも同じ投資サイクルに直面している。同社の株主向け資料によれば、予想される2026年のAWS設備投資の多くは、2027年と2028年に収益化される容量を支える。
Amazonはまた、計画容量の相当部分をカバーする顧客コミットメントを確保していると述べた。同社の株主向け提出書類は、この需要の可視性を継続投資を支える要因として示している。
これらの企業は、既存事業が生み出すキャッシュを使ってインフラに資金を供給できる。検索広告がAlphabetを支え、エンタープライズソフトウェアがMicrosoftを支え、コマースがAmazonへの資金供給を助けている。
独立系のモデル企業には、同じように多角化された基盤がない。多くの場合、株式による資金調達、戦略的なクラウドパートナーシップ、前払いコミットメント、あるいはその他の組成された取り決めに依存している。
この依存関係は、クラウドプロバイダーにトークン当たりの利益率を超える経済的レバレッジを与える。需要が供給を上回る局面では容量配分をコントロールし、どのモデルが企業顧客に届くかにも影響を与える。
マーケットプレイスやマネージドモデルプラットフォームは、この役割をさらに深める。企業は各ラボと直接契約する代わりに、既存のクラウド契約を通じてモデルへのアクセスを購入できる。
その後、クラウドプロバイダーは請求、アイデンティティ、ガバナンス、地域ごとの可用性、技術統合を管理する。モデルは、より広範な企業アカウントの一部として組み込まれる。
ただし、約40ドルという数字を純粋な経済レントと混同すべきではない。クラウドベンダーはチップ、電力、保守、ネットワーク、人員、資金調達、ハードウェア更新の費用を負担しなければならない。
Barclaysは、研究所収益100ドル当たりの営業利益を10〜20ドルと見積もっている。残りのクラウド収入は、こうした巨額のインフラコストに充てられる。
またこのモデルでは、Lab Bにおけるパートナーとの収益分配が、見かけ上のクラウド利益率を押し上げているとされる。この取り決めを除けば、トークン当たりのクラウドプロバイダーの利益はLab Aと一致する。
この違いは解釈を変える。Lab Bのより強い結果は、必ずしもインフラ経済性が優れていることを示すわけではない。
むしろ、その一部は戦略的パートナー間で交渉された移転を反映している。Barclaysは、この特定の収益分配メカニズムが2028年以降に段階的に廃止されると見込んでいる。
したがって、現在のクラウド優位性は、希少な供給能力、大規模な資本コミットメント、そしてモデル開発者とインフラ提供者を結ぶ契約という3つの基盤の上に成り立っている。
この3つはいずれも変わり得る。供給能力はより豊富になり得るし、専門事業者が参入する可能性もある。また、大規模な研究所は従来型のクラウド契約の外で専用インフラに資金を供給できる。
100ドルモデルが証明しないこと
Barclaysは有用な経済的枠組みを提示しているが、その予測は非公開企業の推定値、仮想的な研究所、会計上の選択に依存している。
基礎となるBarclaysの調査は公に要約されているが、完全なアナリストモデルは監査済みデータセットとして広く利用できるわけではない。読者はその数値を推定値として扱うべきだ。
2つの研究所プロファイルは意図的に単純化されている。実際の企業は、消費者向けサブスクリプション、企業契約、直接API、クラウドマーケットプレイス、ライセンス、戦略的パートナーシップを組み合わせている。
また、ハードウェア料金や供給能力の条件もそれぞれ異なる。複数年のコミットメントを結ぶ企業は、オンデマンドで供給能力を購入する小規模開発者とは異なる経済性に直面し得る。
モデルアーキテクチャも変動要因となる。一部のシステムはスパースなMixture-of-Experts設計を採用する一方、他のシステムはリクエストごとにより多くのパラメータを有効化する。
ワークロードの形態も重要だ。短い分類タスク、長時間のコーディングセッション、画像生成、自律型リサーチエージェントでは、課されるコストが大きく異なる。
トークンの意味でさえ、モデルファミリーやモダリティによって異なる。名目上のトークン価格を比較しても、同じ有用なタスクを完了するためのコストは明らかにならない。
学習コストの配分も、不確実性の要因となる。研究所は開発コストを、報告期間や製品ラインをまたいで、費用計上、資産計上、または異なる形で配分できる。
Barclaysは、学習支出が2026年のAI研究所収益の約48%を占めたと推定している。この比率は2027年に35%、2028年に30%へ低下すると予測している。
収益は学習プログラムより速く成長し得るため、その方向性はもっともらしい。しかし、最先端競争はより大規模かつ頻繁な学習実行を促す可能性もある。
独立研究では、最も計算集約的な学習実行のコストが2016年以降、年率約2.4倍で増加したことが示された。学習コスト研究は、この歴史的傾向が続くなら、数十億ドル規模の最先端学習実行が生じると予測していた。
この研究はBarclaysの2026年モデルより前のものであり、測定している問いも異なる。それでも、収益に占める学習コストの割合が低下するとは限らない理由を示している。
間接APIが拡大するにつれ、収益の比較も難しくなり得る。ある研究所は顧客支払いの全額を計上する一方、別の研究所は自社取り分のみを計上する場合がある。
このため、基礎となる製品がより優れていることを反映せずに、ある企業がより大きく、あるいはより収益性が高く見える可能性がある。Barclaysは特に、将来の比較には慎重な会計調整が必要だと警告している。
戦略的関係は追加の歪みを生む。クラウド企業はモデル開発者に投資する一方で、その開発者からインフラ支出や収益分配を受け取ることもある。
こうした取り決めは商業的に正当なものだが、サプライヤー収益、投資リターン、独立した顧客需要を明確に分けることを難しくする。
クラウドレベルの財務報告でも、この問題を完全には解決できない。AWSは独立したセグメントを報告しているが、MicrosoftはAzureの収益を個別のドル金額として開示していない。
Google Cloudにはインフラ、プラットフォームサービス、アプリケーション、その他のエンタープライズ向け提供が含まれる。これらのセグメントのいずれも、最先端モデルの推論による利益を切り分けてはいない。
したがって、Barclaysの例にある34%から47%の利益率を、公表されているクラウド会計と直接照合することはできない。これらはあくまでモデル上の配分である。
競争は双方に圧力をかけ得る。モデル企業は利用を守るために価格を下げるかもしれず、クラウドベンダーは大規模なコミットメントを獲得するために供給能力を値引きする可能性がある。
オープンモデルも、元の開発者の収益を維持しないまま、需要をインフラへ移す可能性がある。企業はそうしたモデルをクラウドプラットフォームや専門プロバイダーを通じてホスティングできる。
同時に、プロプライエタリな研究所はワークロードを複数ベンダーに振り分けられる。交渉力を高めるため、カスタムアクセラレーター、専用クラスター、代替クラウドを利用できる。
したがって、見出しの主張は限定的に保つべきだ。Barclaysは、代表的な構造の下で、クラウドプロバイダーが現在、モデル企業の収益100ドル当たり約40ドルを得ていると推定している。
これは、すべての研究所が同じ割合を支払っていることを証明するものではない。また、クラウド企業がその取り分を無期限に維持することも示していない。
次の100ドルを誰が確保するかを決める3つのシグナル
次の局面は、学習の集約度、専用インフラ、そしてクラウド投資と実現したAI収益の差に左右される。
第1のシグナルは、研究所収益に占める学習支出の割合だ。Barclaysは、この比率が2028年にかけて急速に低下すると予想している。
この比率が2027年に予測どおり35%へ達すれば、モデル企業は収益が最先端開発コストを上回って伸びているという、より強い証拠を得ることになる。
その結果は、研究所の収益性改善を裏付けることになる。また、モデル収益1ドル当たりで見たクラウドの総収入も減少する。
学習の集約度が2026年水準付近にとどまれば、結論は反対になる。推論マージンが改善しても、業界は依然として高コストの開発サイクルに大きく依存することになる。
第2のシグナルは、3大クラウドプラットフォームの外部で専用供給能力が登場することだ。Barclaysは、従来型クラウドのシェアが2年間はおおむね安定すると予想している。
2028年以降は、すでに契約または資金調達されたインフラが、AI研究所にとってより大きなコンピューティング源になるはずだ。この予測は、施設が稼働するかなり前から注意深く検証する価値がある。
発表だけでは証拠として弱い。投資家や顧客は、プロジェクトが電力、チップ、資金、ネットワーク接続、運用チームを確保しているかを注視すべきだ。
また、研究所がその供給能力へ本番ワークロードを移すかどうかも追う必要がある。学習クラスターが自動的に、信頼性が高く地理的に分散した推論システムになるわけではない。
専用施設が本番トラフィックのかなりの部分を処理するなら、約40ドルというクラウド取り分は低下するはずだ。モデル企業は、より多くのインフラ責任と潜在的なマージンを内製化することになる。
ただし、稼働率リスクと資本エクスポージャーも抱え込む。高価なハードウェアを継続的に高稼働に保てる場合にのみ、供給能力の保有は経済性を改善する。
第3のシグナルは、ハイパースケーラーの設備投資とクラウド収益性の関係だ。Microsoft、Alphabet、Amazonは、すべての供給能力が収益を生む前に巨額の資金を投入している。
安定または改善する利益率を伴う強いクラウド成長は、Barclaysの主張を支持する。それは、インフラベンダーがAI需要を持続的な営業利益へ転換できることを示すだろう。
成長の鈍化や持続的な利益率圧縮は、その主張を弱める。そのような結果は、競争、減価償却、エネルギーコストが、100ドルモデルの想定より多くの価値を消費していることを示唆する。
企業導入は、これらをつなぐ糸となる。クラウド企業がこの規模で構築するインフラを正当化するには、少数の最先端研究所だけでは不十分だ。
Microsoftは、2026年度に需要が利用可能な供給を上回ったと述べた。Alphabetは、AI顧客が非AIのクラウド顧客より多くの製品を利用し、生のコンピューティングを超えて収益を拡大したと報告している。
顧客がコミットメントを更新し、パイロット導入を本番環境へ移行すれば、こうした主張の信頼性は高まる。初期実験の予算が尽きた後も、利用は継続しなければならない。
開発者や企業の購買担当者にとって、この経済的な競争は製品設計に影響する。モデル呼び出しを繰り返すワークフローは、インターフェースから想像される以上に大きなインフラ負担を生み得る。
チームは、再試行、検索、ストレージ、監視、人によるレビューを含むタスク全体のコストを評価すべきだ。最も安いトークンが、常に最も安い完了結果につながるわけではない。
ナレッジワーカーも同様の問題に直面する。エージェントのサブスクリプションは、一見シンプルでも、利用制限や変化するサービス方針の背後に変動するインフラ消費を隠していることがある。
結果、意思決定、ソース資料の社内記録を残すことで、不必要な繰り返しリクエストを減らせる。検索可能なAIナレッジベースも、チームによる完了済み作業の再利用に役立つ。
Barclaysは、世界のAI研究所収益が2026年の1,370億ドルから2028年には6,900億ドルへ増加すると予測している。この予測は依然として強気であり、確定した事実として扱うべきではない。
これを下回る結果であっても、クラウド需要は大幅に生まれ得る。決定的な問いは市場が成長するかどうかではなく、その成長をどのレイヤーが利益として保持できるかだ。
次の財務開示では、標準化された収益認識、推論コスト、学習コスト配分、契約上のコミットメントに注目すべきだ。より良い開示により、仮想的な研究所では決着をつけられない前提を検証できる。
また、AI開発者が利益率の改善を称賛しながら、より大きなインフラ契約を締結し続けるかも見守るべきだ。この組み合わせは、効率向上がより多くの消費を刺激していることを示すだろう。
約40ドルという数字は、2026年における交渉力のスナップショットとして理解するのが最適だ。クラウドプロバイダーは希少なインフラに資金を供給し、モデル企業は製品と顧客関係を支配している。
次の100ドルのうちどちら側がより多くを確保するかは、恒久的なルールではなく実行力に左右される。今日の分配を明日の業界構造とみなす前に、この3つのシグナルを追うべきだ。
