Ed ZitronのAIバブル論、Big Techの投資急増と交錯

Ed Zitronによる最新のAIバブル論は、記録的なインフラ投資が進み、需要がその請求額を正当化できるかを巡る対立が広がるなかで、Google Newsにも取り上げられた。

Blood in the Machineでの対話は、新たなモデルや資金調達ラウンドを発表するものではない。そこには、より重大な変化が表れている。懐疑論が業界の周縁から日々のニュースサイクルへと移ってきたのだ。

Zitronは、生成AIが依然として採算の取れない製品であり、ハイパースケーラーの支出、不透明な非公開企業の財務、そして将来の需要に関する約束によって支えられていると主張する。Big Techは同じ投資拡大を、クラウド顧客、消費者向け製品、そして高度化を続けるモデルに不可欠な能力増強だと位置付ける。

この対立は、また一つのベンチマークでの勝利よりも重要になっている。Microsoft、Alphabet、Amazon、Meta、そしてそのサプライヤーは、インフラの耐用期間を通じた最終的な収益が分からない段階で資本を投じている。

中心的な問いは、AIが機能するかどうかではない。多くのシステムはすでに、有用なコード、要約、画像、検索結果、科学的分析を生み出している。問われているのは、それらの用途が投資額、エネルギー消費、そして継続的な運用コストを支えられるかどうかだ。

企業がユニットエコノミクスを隠したり、持続的な収益の代わりに導入統計を示したりする場合、バブル論は最も説得力を増す。コスト低下が需要を引き出し、既存事業がAI投資をうまく吸収できる場合には、その論拠は弱まる。

この二つの動きは同時に起きている。だからこそ現在のAIバブルを巡る状況には、単純な好況か不況かというラベルではなく、より厳密な会計的検証が必要だ。

Ed Zitronとの対話が実際に変えたこと

重要な変化は、AIの財務構造そのものが、次の製品発表の背景ではなくニュースの主題になったことだ。

Zitronは長年にわたり、業界が技術的能力と持続可能な事業を混同していると主張してきた。彼の論点は、継続的なコンピューティングコスト、莫大な資本要件、そして非公開モデル開発企業による限定的な情報開示に焦点を当てている。

Blood in the Machineは、労働、企業権力、オートメーションという観点からAIを扱う。そのため、この媒体とZitronの対話は懐疑的な立場から始まる。中立的な投資家向け説明会ではない。

この文脈は重要だ。Google Newsへの掲載によって、インタビューが個別の企業イベントのように見える可能性があるからだ。実際に起きているのは編集上の出来事である。著名な批評家が、ブームを支える財務上の約束が実際の運用成果と一致しているかを評価している。

Zitronの最も強い主張は、業界の支出と開示されるリターンとの隔たりに関するものだ。企業はクラウド成長、サブスクリプション、利用量、需要を定期的に報告するが、生成AIによる利益を切り分けて示すことはない。

これは、それらの製品が赤字だと証明するものではない。外部の人々がそれらを個別に評価するのに必要なデータを、しばしば得られないことを示している。

クラウド部門は成長していても、最新のAIワークロードは依然として高コストである可能性がある。消費者向けアシスタントは、推論や開発費を回収できなくても数百万人のユーザーを集められる。コーディングツールは、より大きな戦略的補助の枠組みの中で運用されながら、実際の生産性向上をもたらすこともある。

推論とは、ユーザーがリクエストを送信した際に、学習済みモデルを実行するコストを指す。トレーニングによってモデルは作られるが、利用が拡大するにつれて推論は継続的な費用となる。

従来型のソフトウェアは、開発後に高い限界利益率を享受することが多い。生成AIは、応答のたびに計算、メモリ、ネットワーク、電力を消費するため、より複雑なコスト曲線を持つ。

ただし、この比較は単純化しすぎることもある。モデル提供企業は、より優れたチップ、小型モデル、ソフトウェア最適化、キャッシュ、専用インフラによって推論コストを下げている。

したがって、業界は今日あるワークロードで損失を出していても、後に経済性を改善できる。また、コスト低下より速く価格を下げ、同じマージン問題を維持することもあり得る。

このインタビューの真の貢献は、決定的なバブル診断ではない。検証可能な問いを提示していることだ。AI収益はどこから来るのか、提供にはどれほどの費用がかかるのか、そして規模拡大に伴いその経済性はどう改善するのか。

読者はこの検証を企業ごとに異なる形で適用すべきだ。Nvidiaは希少なコンピューティング機器を販売する。MicrosoftとGoogleはクラウド容量を販売する。OpenAIとAnthropicはモデルへのアクセスとアプリケーションを販売する。リスクは関連しているが、同一ではない。

一つの層で崩壊が起きても、すべての有用なアプリケーションが消えるわけではない。変わるのは価格、資金調達条件、契約、そして生き残るインフラをどの企業が支配するかだ。

この区別が、真剣なバブル分析と、AI技術すべてが消滅するという予測とを分ける。

Google NewsがAIバブル論で埋まりつつある理由

バブル論争が拡大しているのは、インフラへのコミットメントを企業業績から切り離して考えることが難しくなっているためだ。

ここ数年、投資家はモデル、チップ、データセンター容量へのアクセスを示す企業を評価してきた。市場は現在、それらの資源が持続的な収益を生む、あるいは既存事業を守るという証拠を求めている。

Microsoftはその緊張関係を示している。同社の2025 annual reportでは、有形固定資産および設備への追加投資が646億ドルと記録され、前年の445億ドルから増加した。

同社は、クラウドとAIインフラへの投資が運用コストを引き続き押し上げると述べた。また、これらの投資が営業利益率を低下させる可能性についても警告した。

こうした開示は、即時の崩壊シナリオを支持するものではない。Microsoftは同じ会計年度に1,362億ドルの営業キャッシュフローを生み出しており、投資に充てられる相当な余力を持つ。

ただし、なぜ立証責任が高まっているのかは示している。収益性の高い既存企業はスタートアップよりも長く高コストな実験に資金を投じられるが、辛抱強い資本が魅力的なリターンを保証するわけではない。

Alphabetも、より大きな計画規模で同様の対立を抱えている。同社は2025年の設備投資が914億ドルで、その大半が技術インフラ向けだったと報告した。

2025 earnings callでAlphabetは、2026年の設備投資を1,750億～1,850億ドルと予測した。

同社によると、2025年の投資のおよそ60％はサーバーに向けられた。残る40％はデータセンターとネットワーク機器に充てられた。

Alphabetはまた、減価償却費と運用コストの上昇が損益計算書に圧力をかけると述べた。減価償却費は2024年の153億ドルから、2025年には211億ドルへ増加した。

これらの数字は、企業がプレスリリースを出してもインフラが消えるわけではないため、Zitronの主張を際立たせる。サーバーは老朽化し、建物には電力が必要であり、減価償却は時間の経過とともに財務諸表に反映される。

一方でAlphabetは、クラウド顧客からの大きな需要も報告した。2026年の機械学習コンピューティングの半分超がクラウド事業向けになると述べている。

この主張は、楽観論に測定可能な根拠を与える。顧客が容量を買い続けるなら、そのインフラは一つの投機的なアプリケーションではなく、確立された収益エンジンを支えることになる。

問題は帰属関係にある。Google Cloudの収益には、AIだけでなく、データベース、ストレージ、ネットワーキング、セキュリティ、生産性ソフトウェア、従来型コンピューティングが含まれる。

投資家は依然として、データセンターに投じられたすべてのドルを生成AIに割り当てることはできない。また、新モデルがなければすべてのクラウド販売が発生しなかったとも仮定できない。

Google Newsの報道は、この不確実性を対立する見出しへと圧縮しがちだ。ある記事は記録的な支出を需要の証拠として扱う。別の記事は同じ支出をバブルの証拠として扱う。

どちらの推論も十分ではない。設備投資が示すのは確信とエクスポージャーであり、最終的なリターンではない。

支出の判断が先に下されるため、この論争は引き続き注目を集めるだろう。稼働率、価格、減価償却、顧客維持について最も明確な証拠が届くのは後になる。

この時間差こそ、バブルが膨らむ場所だ。同時に、成功するインフラサイクルが始まる場所でもある。

本当の対立はAIの約束とその経済性にある

主な対立はEd Zitron対Silicon Valleyではない。業界が掲げる規模拡大の約束と、それを維持するために必要な経済性との対立だ。

AI企業は、導入が広がることで固定的な開発コストをより多くの顧客に分散できると約束している。また、ハードウェアとソフトウェアの改善によって、一回の応答にかかる費用を下げられると見込んでいる。

前者は従来型のソフトウェア経済に似ている。後者は、生成AIが利用時に依然として物理的資源に結びついていることを認めるものだ。

規模拡大は、大規模な購買契約、チップ利用率の向上、より効率的なデータセンターを通じて役立つ可能性がある。一方で、人気の高い推論システムが回答ごとにより多くの計算を消費する場合には不利に働く。

推論モデルは、結果を返す前に中間ステップを生成・評価する。このプロセスは性能を高め得るが、多くの場合、より多くのトークンと処理時間を必要とする。

その結果としての経済性は、ワークロード設計に左右される。短い分類リクエストは長時間のリサーチ作業とは異なる。コード生成は画像作成とは異なる。消費者向けチャットは、社内システムに接続された企業向けエージェントとは異なる。

一つの平均コストで、それらすべてを説明することはできない。この複雑さにより、普遍的な収益性や普遍的な損失を巡る大まかな主張は、いずれも同じように信頼しにくいものになる。

業界にとって最も強力な反論は、推論価格の低下にある。StanfordのAI Indexは、GPT-3.5水準の推論コストが2022年11月から2024年10月の間に280分の1以上へ低下したと報告している。

この改善は大きい。かつては不可能に見えたアプリケーションが、基本的なユーザー体験を変えずに手頃な価格で実現可能になることを意味する。

コスト低下は消費も増やし得る。開発者はより多くのリクエストを送り、より長いコンテキストを使い、以前は人手のレビューが必要だったタスクをモデルに割り当てるかもしれない。

この反動は楽観的な見方を複雑にする。利用量が単位コストの低下より速く拡大する場合、効率向上がインフラ需要全体を自動的に減らすわけではない。

また、バブル論も複雑にする。経済性が急速に改善している製品カテゴリーを、初期のコスト構造だけで判断することはできない。

より有用な区別は、技術的効率と事業効率の間にある。技術的効率は、コンピューティング単位当たりの出力を測る。事業効率は、支出1ドル当たりの粗利益と顧客価値を測る。

提供企業は、積極的な値引きによって後者を損ないながら、前者を改善することがある。また、モデルを高価値なタスクへ振り向けることで、事業効率を高めることもできる。

ソフトウェア開発は具体例を示す。複雑な移行作業で数時間を節約できるコーディングアシスタントは、相当なコンピューティング費用を正当化できる。

信頼性の低い定型コードを作るアシスタントは、作業をレビューとデバッグへ移すだけかもしれない。その場合、高い利用量は導入を誇張して示す一方、経済的価値を確認するものにはならない。

同じ検証は企業内検索にも当てはまる。埋もれたポリシーや契約条項を見つけられるモデルは、調査時間を減らせる。不正確な回答は法的または運用上のリスクを生む可能性がある。

チームには、追跡可能なソース資料、評価手順、人によるレビューが必要だ。検索可能なAI knowledge baseはこのプロセスを支援できるが、判断の必要性を取り除くものではない。

ここでAIバブル論は、購入者にとって実践的な問題となる。企業は、AIが一般論として変革的かどうかを問うべきではない。エラーと監督を考慮したうえで、定義された一つのワークフローが改善するかを測定すべきだ。

業界は、規模の拡大が採算性を解決すると顧客に信じさせようとしている。Zitronの批判は、規模の拡大が、企業が明確に開示していないコストを単に増幅するだけではないかと問う。

現在は双方に証拠がある。だが、どちらにも最終的な結論を主張するだけの証拠はない。

AIバブルをめぐる数字がなお証明していないこと

巨額の支出総額はエクスポージャーを示すが、崩壊が差し迫っていることも、その投資が合理的であることも証明しない。

バブルの診断には、高価な資産や宣伝文句だけでは不十分だ。通常は、もっともらしい将来のキャッシュフローでは支えられない価格や資金調達上の約束が伴う。

上場ハイパースケーラーは、既存事業のおかげで依然として利益を上げている。広告、クラウドソフトウェア、コマース、OS事業は、AI投資を何年にもわたって吸収できる。

そのため、現在のサイクルは外部資金だけに依存するスタートアップの集合とは異なる。同時に、真の採算性を観察しにくくしている。

既存の収益は実験を補助できる。AIは、独立した項目として現れなくても、既存製品を強化することもできる。

GoogleはGeminiを別途提供しながら、機械学習によって広告システムを改善するかもしれない。Microsoftは、あるアシスタントの利益率が低くても、モデルへのアクセスを提供することでAzureとの関係を守れる。

Metaは、生成AI製品と並行して、レコメンデーションや広告にAIインフラを活用できる。Amazonは自社のモデルやアプリケーションを試しながら、コンピューティング能力を販売できる。

批評家は、企業が収益性の高いレガシー事業を使って投機的投資を隠していると合理的に論じられる。楽観派は、統合的なリターンこそが戦略全体だと合理的に主張できる。

チャットボットのサブスクリプション数だけを数えても、どちらの立場も決着しない。

非公開のモデル開発企業は、別の検証上の問題を生む。完全な監査済み財務諸表を公表せず、選択した収益、評価額、利用状況、提携に関する数字だけを開示している。

報告収益は急成長しても、損失も同時に拡大しうる。契約済み収益は認識済み収益と異なる場合がある。コンピューティングに関するコミットメントは複数年に及び、再交渉可能な条件を含むこともある。

したがって読者は、漏洩した予測を完了済みの結果ではなく主張として扱うべきだ。同じ慎重さは、破綻が不可避だという予測にも当てはまる。

Zitronの批判が最も説得力を持つのは、キャッシュフローの不一致、循環的な資金調達、あるいは開示されていない依存関係を特定する時だ。あらゆる有用な用途を浪費の証拠とみなす時には、説得力が弱まる。

AIシステムが一部の状況で明確な価値を提供していることは確かだ。難しいのは、その価値の規模、持続性、分配をめぐる問題である。

この技術には、財務報告が間接的にしか捉えられない戦略的価値もある。企業は、顧客が競合プラットフォームへ移行するのを防ぐため、防衛的に支出することがある。

独立した製品の利益が控えめでも、防衛的な支出は合理的になりうる。一方で、それは全参加者が低いリターンしか得られない軍拡競争を引き起こす可能性もある。

歴史には両方の例がある。通信企業はドットコム時代に光ファイバーを過剰に敷設し、大きな損失を出した一方で、有用なインフラを残した。

クラウドコンピューティングは、大きな収益源になるまで何年もの投資を要した。過去に過剰投資が存在したからといって、どの類推がAIに当てはまるかは決まらない。

懐疑的な見方にも、明確な失敗のメカニズムが必要だ。巨額の設備投資だけで、収益性の高い企業が停止に追い込まれることはない。

圧力は、クラウド需要の低下、稼働率の弱さ、価格下落、減価償却費の増加、資金調達の逼迫、または顧客の抵抗を通じて高まるだろう。複数の兆候が同時に現れる必要がある可能性が高い。

単発のモデルの失望だけでは不十分だ。非公開スタートアップの失敗が、必ずしもハイパースケーラーの投資を終わらせるわけではない。

逆に、クラウドの好調な四半期が1回あったからといって、すべてのデータセンターが正当化されるわけではない。生産性の高いアプリケーションが1つあっても、すべてのモデル評価額を裏付けることにはならない。

現在の証拠が支える結論は、より限定的だ。業界は、透明なリターンが得られる前に莫大なコミットメントを行っている。

これは現実のリスクだ。それを確実な崩壊と呼ぶのは、証拠を超えている。

支出が鈍化した場合、最も圧力を受けるのは誰か

AI支出のリセットで最初の犠牲になるのは、高いエクスポージャーを持つサプライヤーと資金調達されたインフラプロジェクトであり、すべてのAI利用者ではない。

AIのサプライチェーンには、まったく異なる余力を持つ企業が含まれる。ハイパースケーラーは多角化された事業からキャッシュを生み出す。モデルスタートアップは、投資家の支援とコンピューティング提携により直接的に依存している。

データセンター開発企業は、少数の顧客に依存することがある。チップサプライヤーは、そうした顧客が希少なアクセラレータを奪い合う時に利益を得る。

電力事業者、ネットワーク機器ベンダー、メモリメーカー、冷却の専門企業、建設会社は、同じ投資連鎖のさらに下流に位置する。

したがって、減速の影響は一様ではない。買い手は既設システムを稼働させ続けながら、新しいキャンパスを遅らせることができる。AIを放棄するのではなく、より小さなモデルへワークロードを移すこともできる。

モデル提供企業に対して、より低い価格を要求することもできる。その対応はエンタープライズ顧客を助ける一方で、提供企業の利益率を圧迫する。

Nvidiaは、現在のトレーニングおよび推論能力の多くをそのアクセラレータが支えているため、ブームを象徴する最も明確な存在だ。しかし、その採算性はモデル研究所の採算性とは異なる。

チップ販売はサプライヤーに認識済み収益をもたらす。その後、買い手が稼働率と減価償却のリスクを負う。

この区別は、AIバブルを評価する際に重要だ。収益性のないアプリケーションでも、構築段階では収益性の高いハードウェア販売を生み出しうる。

リスクは、顧客が追加能力では十分に稼げないと結論づけた時に到来する。既存アプリケーションが消える前に、注文は減速しうる。

パブリッククラウド事業者は異なる計算に直面する。インフラを外部顧客に貸し出し、社内で利用し、あるいはワークロード間で振り向けることができる。

この柔軟性は単一製品リスクを低減する。しかし、余剰能力や低いリターンの可能性をなくすわけではない。

非公開AI研究所は、コンピューティングが製品提供と研究の双方に不可欠であるため、より強い圧力に直面する。利用の増加は、収益と営業費用を同時に増やしうる。

その交渉力は、モデルの品質、顧客ロイヤルティ、競合するインフラサプライヤーへのアクセスに左右される。提携は当面の資金需要を減らせる一方で、長期的な義務を生む。

エンタープライズの買い手は、より目立たないリスクに直面する。提供企業が持続可能な利益率を求める中で、価格、モデル、または条件が変わるツールに依存する可能性がある。

パイロット導入は、プロモーション価格の下では魅力的に見えるかもしれない。本番導入は、利用量の増加、コンプライアンス要件、評価コスト、ベンダーの変更に耐えなければならない。

AIが日常業務に組み込まれると、ナレッジワーカーも切り替えコストを負う。モデルの置き換えは、出力品質、挙動、既存プロンプトとの互換性を変える可能性がある。

チームは、ソース文書、エクスポート可能なノート、ベンダーに依存しないワークフローを保持すべきだ。パーソナルナレッジシステムは、1つのモデルインターフェースへの依存を減らせる。

これはAIツールを拒絶する必要があるという意味ではない。モデルを、組織の記憶を恒久的に保管する場所ではなく、置き換え可能なコンポーネントとして扱うことを意味する。

支出が鈍化すれば、有用なアプリケーションは、より安価なモデル、より限定的なシステム、より規律ある調達を通じて生き残るはずだ。主に投資家の補助金で支えられている弱い製品は、より大きな圧力にさらされる。

その結果は、人工知能の消滅ではなく、市場調整に近いものとなるだろう。

最も厳しい調整は、評価額が途切れない成長を必要とする企業に及ぶ。また、楽観的な能力前提に基づいて資金調達されたプロジェクトにも及ぶ。

したがって、Zitronの警告は株主だけに関係するものではない。過剰建設は、エネルギー計画、地域インフラ、雇用、顧客契約に影響を及ぼしうる。

しかし、リスクの分布は見出し上の規模より重要であり続ける。ハイパースケーラー、モデルスタートアップ、ソフトウェア購入者は、同じ賭けをしているわけではない。

Google Newsの読者が次に注視すべきこと

バブル論が強まっているかどうかは、稼働率、AI関連の利益率、そして設備投資の持続的な変化という3つのシグナルが示す。

第1のシグナルは、データセンターの稼働率だ。企業は現在、供給制約と顧客需要を強調している。

この表現の変化に注目すべきだ。プロジェクトの遅延、短期化するリース、利用可能なアクセラレータ能力、クラウドの受注残の弱まりは、予想した需要が到来していないことを示唆する。

高い稼働率は反対の見方を支える。すべてのワークロードが成熟した利益率に達する前でも、顧客が能力を吸収していることを示すからだ。

稼働率だけでは収益性を確立できない。しかし、過剰建設が物理インフラで顕在化しているかどうかは明らかにする。

第2のシグナルは、AIサービスに紐づく利益率の開示だ。投資家に必要なのは、ユーザー数、トークン量、一般化されたクラウド成長だけではない。

提供コスト、値引き、顧客維持、収益成長と計算費用の関係に関する証拠が必要だ。

粗利益率は、直接的な提供コストを差し引いた後に残る収益を測る。評価額や年換算収益よりも、モデルの採算性を明確に示す。

上場企業はこれらの数字を切り分けて公表しないかもしれない。非公開開発企業には、さらに少ない開示要件しかない。

その不在はZitronの批判を生かし続ける。透明で改善する利益率は、彼のバブル論の最も強い形を弱めるだろう。

第3のシグナルは、複数のハイパースケーラーにわたる計画設備投資の持続的な減少だ。許認可、電力、設備はプロジェクトの時期を変えうるため、1つのキャンパスの遅延だけでは意味が薄い。

協調した削減は、経営陣がリターンの弱さ、または能力の十分さを見ていることを意味する。継続的な増加は自信を示すが、必ずしも正当性を証明するものではない。

支出の質も重要だ。企業は資本を、推論、自社製チップ、ネットワーキング、または長期使用の建物へ振り向けることができる。

より安価で特化したハードウェアへの移行は、総支出を減らさずに採算性を改善するかもしれない。投機的なキャンパスへの移行は、長期的なエクスポージャーを増やす可能性がある。

読者は、報道と集約も区別すべきだ。Google NewsはAIバブルをめぐる議論が広がっていることを示せるが、その見出しはどちらの立場も裏付けない。

フィード内の類似記事の数よりも、基となる情報源、提出書類、財務上の定義の方が重要だ。

Zitronの批判が注目に値するのは、業界がしばしば期待を示すところで、会計を求めているからだ。彼の結論も、彼が企業の主張に適用するのと同じ精査に値する。

楽観的な見方にも規律が必要だ。推論コストの低下、クラウド需要の拡大、有用なアプリケーションは、今日の評価額が維持されることを保証しない。

起こりうる結果は、1つの明快な判定ではない。一部のインフラは強いリターンを生み、一部は減損され、一部の補助金付き製品はより高価になる。

開発者は、モデル価格と能力の利用可能性を注視すべきだ。エンタープライズの買い手は、ワークフローの成果と切り替えコストを測定すべきだ。ナレッジワーカーは、基となる情報へのアクセスを保持すべきだ。

AIバブルという問いは、AIが本物かどうかを問うのをやめた時に実践的になる。より良い問いは、補助金、値引き、インフラコストが可視化された後に、どの収益が残るのかということだ。

次の決算サイクルでは、その基準で追うべきだ。見出し上の導入状況ではなく、設備投資を稼働率、減価償却、開示されたAI利益率と比較する。

これらの指標がともに改善すれば、最も強い崩壊論は弱まる。支出が増える一方でリターンが不透明なままなら、Ed Zitronの警告は重みを増す。

それこそが、次の Google News の見出しの先に追うべきシグナルだ。