RampのAI支出、主要企業で減少 ハイパースケーラーの成長見通しに試練
企業で最もAIを多用する利用者のRamp AI支出は、企業によるAI消費が長年にわたり急拡大してきたにもかかわらず、8月に9.7%減少した。この減少により、AIを利用する企業の上位1%における従業員1人当たりの月間支出は7,976ドルから7,205ドルへと低下した。夏季の活動鈍化という説明はあり得る。一方で、トークン価格の下落と、より安価なモデルを選好する傾向の拡大は、より重大な要因を示唆している。
同じデータでは、企業導入は依然として増加していたものの、その伸びはわずかだった。Rampによると、8月にAI製品を購入した顧客は56%で、7月からわずか0.4ポイントの上昇にとどまった。導入の鈍化と最大顧客層での支出減という組み合わせは、インフラ投資ブームを支える前提に疑問を投げかける。
OpenAI、Anthropic、そしてそのハイパースケーラーのパートナーは、単価下落を上回るために利用量を拡大する必要がある。企業の購入者は、各タスクを信頼性高く完了できる最も安価なモデルをますます求めている。より多くの知能を売ることと、より安価な成果を提供することの差が、いまAI経済の中心に位置している。
8月に勢いを失ったRamp AI支出
8月の減少が重要なのは、将来のAI収益の不釣り合いに大きな割合を生み出すと見込まれる顧客層で起きたためだ。
Rampは、7万社超の企業から得た匿名化取引データに基づき最新の分析を行った。この金融プラットフォームは、AIサブスクリプションおよびトークン利用に対する支払いを追跡しており、企業購入を直接把握できる。
September AI Indexによると、8月も導入は増え続けた。しかし、そのペースは、数カ月にわたる急拡大の後の需要に疑問を投げかけるほど鈍化した。
Anthropicの導入率は、Rampが測定した企業の43.8%に達した。前月比では0.34ポイントの上昇だった。OpenAIは0.09ポイントの上昇にとどまり、39.8%に達した。
これらの比率は、各プロバイダーに支払いを行う企業の割合であり、排他的な市場シェアではない。企業は複数のAIベンダーから同時に製品を購入できる。Rampは以前、OpenAIまたはAnthropicを利用する顧客の52%が両方を利用していると報告している。
より意外な変化は、支出の強度に現れた。導入企業の上位1%における従業員1人当たりの月間AI支出は、修正後の7月の7,976ドルから7,205ドルへ低下した。
Rampは、このグループに含まれる企業数は比較的少ないと注意を促している。そのため、推計値は中央値の企業や上位10%の数値よりも変動が大きい。取引計上の遅れにより、Rampは7月の結果も上方修正した。
この方法論上の注意は、1カ月の動きを永続的な後退の証拠とみなすことを防ぐ。ただし、減少の重要性をなくすものではない。上位1%は、モデルプロバイダーが得られる収益の中で非常に大きな割合を占めている。
こうした大口導入企業は、典型的な企業とは大きく異なる。Rampのsummer spending dataによると、7月の月間AI支出の中央値は従業員1人当たり11.95ドルだった。上位10%は約650ドル、上位1%は7,400ドルを超えた。
この差は、総導入率が誤解を招き得る理由を示している。利用度の低い顧客が1社増えても、業務全体でエージェント、コーディングシステム、自動化ワークフローを運用する企業の支出減を補うことはできない。
8月には活動が弱い傾向もある。Rampは2025年、8月から10月にかけて導入の伸びがほとんど見られず、その後、年末にかけて再び拡大したと観測している。エンジニアリングチームは夏に休暇を取ることが多く、対話型・自動化型の利用が減少する。
したがって、季節性は依然としてもっともらしい説明である。しかし、支出減は、従業員が復帰しても消えない構造的な変化とともに起きた。トークンは安価になり、企業はモデルのデフォルトを設定し、購入者は投資効果を精査している。
この鈍化は、確定的な結論ではなく早期シグナルとして捉えるのが最善だ。企業AIの収益は、導入が増えるたびに自動的に拡大するわけではなくなったことを示している。
より安価なトークンが成長の意味を変えている
トークンコストの低下は顧客に利益をもたらす一方、モデルプロバイダーには同じ収益を維持するだけでも利用量の拡大を迫る。
Rampの実効価格指数は、9月初旬に100万トークン当たり0.68ドルまで低下した。これは3月に記録した2026年のピークである1.15ドルを41%下回る。競争とプロバイダーによる値下げが、この変化を後押しした。
トークンは、言語モデルが処理または生成するテキストの小さな単位である。プロバイダーは通常、消費された入力・出力トークン数に応じてAPI顧客へ課金する。
単価の低下は、必ずしもAI活動の減少を示すものではない。企業は、より少ない支払いで、より多くの文書を処理し、より多くのコードを生成し、追加のエージェントを運用できる。有用な出力が増えていても、支出は減少し得る。
この区別により、Ramp AI支出は導入強度を測る不完全な代理指標となる。取引記録はベンダーに資金が流れることを示すが、完了したタスク、生成トークン、削減された従業員時間、事業価値を直接示すものではない。
それでも、最終的には収益がモデル開発者とインフラ供給者にとって重要である。価格の下落が量の増加を上回れば、技術的利用が増えても商業的な成長は弱まる。
これが8月データにおける中心的な逆転である。AIサービスは、競争が促すはずだった形で、より利用しやすくなっている。この成功は、導入と収益の結び付きを弱める。
モデル構成は圧力をさらに強めている。Rampによると、企業はGPT-5.6 TerraやAnthropicのSonnetファミリーなどの標準モデルをますます利用している。企業はRampに対し、これらのシステムは性能を維持しつつ、最先端の選択肢より低コストだと説明した。
Opus、Fable、Solを含む最先端モデルは、測定されたトークン量の45%を占めた。Rampの説明によれば、その比率は8月中に一時53%に達した後、低下した。
正確なモデル名と比率は今後も変化し続けるだろう。その背後にある顧客行動はより持続的だ。企業は、メール文案の作成、分類、抽出、定型的なコーディングには、最も高性能なモデルが必要になることはまれだと学びつつある。
モデルルーティングは、その判断を正式な仕組みにする。ルーターはリクエストを評価し、性能、レイテンシー、コストの許容可能なバランスを提供するシステムへ振り分ける。
Rampが8月の数値を公表する前から、enterprise routing shiftはすでに見えていた。BainのコンサルタントであるJue Wangは、企業が実際に必要なタスクに限って高価なシステムを使うようになっていると説明した。
このアプローチは競争単位を変える。プロバイダーはもはや、全社契約や優先チャットボットの地位だけを争っているのではない。顧客のルーティング層における仕事のカテゴリーごとに競争している。
最先端ラボは難度の高い研究・コーディングのリクエストを獲得する一方、要約、分類、定型的な問い合わせでは安価なシステムに敗れる可能性がある。その顧客はアクティブなアカウントであり続けても、収益は減少する。
これは企業の購入者にとって歓迎すべき効率化である。すべてのタスクで最大インスタンスを選ぶのではなく、チームがワークロードに適したコンピュートを割り当てるクラウド最適化に似ている。
この移行は、弱いAIプロジェクトを露呈させる場合もある。信頼性の低い結果を生み、大量のレビューを必要とし、重要性の低い問題を解くワークフローを、安価な推論で救うことはできない。
したがって企業は、トークン総数ではなく成果を測定しなければならない。検索可能なAI knowledge baseは、従業員が有用な情報をより迅速に取得できるようになるときに価値を生む。そのトークン消費だけでは、この結果についてほとんど分からない。
価格下落は、時間の経過とともに需要を拡大し得る。しかしRampの8月の測定値は、この拡大がまだ、実効価格の低下をプロバイダーに十分補償していないことを示唆している。
ハイパースケーラーの賭けには、効率化を上回る量が必要
インフラ投資の拡大は、より安価な知能が、計算単位ごとの収益低下を相殺するのに十分な追加業務を生み出すという前提に立っている。
OpenAI、Anthropic、その他のモデル企業は、ますます高性能なシステムの訓練と提供に多額の支出を行っている。クラウドパートナーは、持続的な需要を見込んでデータセンターを建設し、電力を確保し、アクセラレーターを購入している。
この投資論は、すべての企業がRampの上位1%のように支出することを必要としない。しかし、導入済み容量を支えるには、十分な数の顧客、ワークフロー、自動化エージェントにわたる持続的な成長が必要だ。
8月のデータは、この期待に両方向から圧力をかけている。導入の伸びは減速し、最も熱心な利用者の従業員当たり支出は低下した。いずれの変化も単独では、この論点を否定するものではない。
しかし両者を合わせると、脆弱性が明らかになる。市場は、大口導入企業が、プロバイダーの値下げよりも速く価値あるワークロードを見いだし続けると見込んでいる。
この関係は、生産効率が急速に改善する量産ビジネスに似ている。コスト低下は顧客を引き付け、消費を刺激できる。一方で、顧客が節約分の大半を得れば、収益を圧縮することもある。
AI企業は前者の効果が優勢になることを望む。企業の財務チームは後者を望む。利益がどう分配されるかは競争が決める。
OpenAIは、顧客に生のトークンコストではなく価値を測るよう促すことで対応してきた。同社が提案する「1ドル当たりの有用な知能」という概念は、AIが意味ある仕事を正確かつ経済的に完了できるかを問うものだ。
この枠組みには妥当性がある。繰り返される失敗、人間による修正、エスカレーションによって見かけ上の節約が消えるなら、最も安価なモデルが最良の選択とはならない。
しかしこの枠組みは、最先端プロバイダーの商業的利益にも資する。彼らは購入者に、単にモデル間のトークン価格を比較するのではなく、タスクの成功を重視してもらう必要がある。
多くの企業は、成果重視の主張を受け入れながらも、単一のプレミアムモデルがすべてを処理すべきだという考えは退けているように見える。容易な仕事は低コストで振り分け、複雑なリクエストには最先端システムを割り当てている。
エージェント経済性に関する研究も、この慎重さを裏付けている。workflow economics analysisでは、モデル選択、ワークフロー設計、再試行、人間による監督が総コストを大きく変え得ることが示された。
エージェントは複数ステップのタスクを完了するため、こうした変数を増幅する。ユーザーからの1件のリクエストが、計画、ツール呼び出し、検索、検証、モデルとの反復的なやり取りを引き起こす可能性がある。
これにより、成長へ戻るもっともらしい道筋が生まれる。すべてのトークンが安くなっても、自律型ワークフローは会話型プロンプトよりはるかに多くのトークンを消費し得る。したがって、エージェントの増加は利用量の成長を回復させる可能性がある。
ただし、消費量の増加が価値の比例的な増加を保証するわけではない。設計の悪いエージェントは、同じ資料を繰り返し確認し、不必要なツールを呼び出し、結果を改善しないまま失敗したステップを再試行する可能性がある。
企業は、トークン活動と生産的な自動化を区別し始めている。この変化は、利用量を成功指標として組み立てられた事業戦略を脅かす。
影響はモデルラボにとどまらない。ハイパースケーラーは、AIアプリケーションを支えるコンピュート、ストレージ、ネットワーキング、マネージドサービスから収益を得ている。また、最先端開発企業に直接投資し、予想需要に備えて容量を確保している。
顧客がより小型のモデル、より優れたキャッシュ、より選択的なルーティングで同じ出力を得られるなら、インフラ需要は高水準を維持しつつも、野心的な予測を下回る成長にとどまる可能性がある。
ここでは、利用量と支出の違いが重要になる。トークン数が増えても、必ずしも計算資源が比例して増えるわけではない。量子化、最適化された推論、専用ハードウェアにより、応答1回あたりに必要なリソースを削減できる。
プロバイダーは、より高性能なモデルの投入、開発者ツールの改善、非技術職の従業員にも届くアプリケーションの構築によって対応できる。いずれの戦略も、初期のエンジニアリング用途を超えた新たな需要の獲得を目指している。
これにより、AIワークスペース、リサーチアシスタント、協働エージェントへの注目が高まっている理由を説明できる。技術チームは早期にAIを導入した。次の収益源には、オペレーション、財務、マーケティング、法務、その他の知識集約型業務も含まれなければならない。
現在の賭けは、こうした職種全体で価値ある利用が繰り返されるかどうかにかかっている。従業員がほとんど開かない購入済みサブスクリプションは、導入統計には寄与するが、拡大収益にはほとんど貢献しない。
Rampの数字では証明できないこと
変動の大きい1か月のデータだけでは、季節的な停滞と企業需要の持続的な変化を区別できない。
Rampのデータセットは実際の支払いを観測しているため、非常に直接的な証拠を提供する。それでも、対象はRampの顧客であり、その業種構成やテクノロジーへの選好は経済全体とは異なる。
サンプル内では、情報、金融、専門サービスなどの技術系セクターが導入を先導している。この傾向により同指数は早期指標となり得る一方、米国企業全体での導入状況を過大評価する可能性もある。
米国国勢調査局による企業導入調査は、有用な比較材料となる。TechCrunchは、8月の更新で報告されたAI利用率は企業の約22%となり、Rampの56%を大きく下回ったと伝えた。
両調査は異なる母集団と行動を測定している。RampはAI支出として分類された購入を検出する。国勢調査局は、商品やサービスの生産におけるAI利用について企業に尋ねている。
どちらの指標も市場全体を捉えてはいない。従業員は、企業システムの外で無料ツールや個人購入のサブスクリプションを利用できる。また企業は、実質的な利用がほとんどないAI製品に費用を支払うこともある。
Rampの上位1%に関する推計には、特に注意が必要だ。少数の企業、請求日、年間契約、あるいは遅延した取引によって、そのグループの月間中央値は変動し得る。
Rampは追加取引を受け取った後、7月の支出額を約7,400ドルからほぼ8,000ドルへと修正した。8月の結果も同様の変更を受ける可能性がある。
休暇のパターンも別のノイズ要因となる。8月にエンジニアが生成するトークン数を減らしていた場合、プロジェクトの再開に伴って支出が反発する可能性がある。過去の年末回復は、その可能性を裏付けている。
反発が起きたとしても、価格設定上の課題が解消されるわけではない。休暇から戻った従業員は、2026年の早い時期に比べて安価なモデルと、よりコストを意識したデフォルト設定に直面することになる。
入手可能なデータからは、支出減少がアウトプットの低下を反映しているかどうかも確定できない。支払い額が減っていても、同じ業務をより効率的に達成している企業はあり得る。その結果は撤退ではなく、導入の成功を意味する。
反対に、高支出の企業が低価値なアウトプットを大量に生成している可能性もある。トークン総数では、生産的な自動化と無駄を区別できない。
この測定上のギャップは、購入側にとって重要だ。財務チームには、ワークフロー、チーム、モデル、完了した成果ごとの支出が必要になる。プロダクトリーダーには、品質、サイクルタイム、修正率、ユーザー継続率が求められる。
開発者にも同様に完全な視点が必要だ。繰り返し失敗する安価なモデルは、再試行やデバッグを経ることで、かえって高コストになる場合がある。難しいタスクを正しく完了できるなら、高価なモデルでも経済的になり得る。
モデルプロバイダーにとって、この曖昧さは安心材料であると同時に危険でもある。支出減少は、顧客の経済性が改善し、後に導入を加速させる兆候かもしれない。一方で、支払い意欲の上限を示している可能性もある。
オープンウェイトモデルは、まだこの幅広い変化を説明していない。Rampは、8月にモデル提供または推論プラットフォームを利用したAI支出企業はわずか6.4%だったとした。
ルーティングプラットフォームはクローズドモデルも提供できるため、この数値はオープンモデル利用の上限推計である。Rampは全企業における導入率を3.6%とした。
したがって、オープンモデルはこの物語における主な対抗勢力ではなく、補足的な文脈にとどまる。目下の競争は、同じ大手プロバイダーが販売する、より安価な標準的提供品から生じている。
この力学は、顧客がベンダーを切り替えなくても平均収益を低下させ得る。Anthropicの顧客は業務をOpusからSonnetへ移せる。OpenAIの顧客は、定型業務により低価格のモデルを選択できる。
ベンダーの導入率は上昇しても、収益の質は低下し得る。だからこそ、誰かがこれをトレンドと呼ぶ前であっても、8月の組み合わせは注目に値する。
これが警告だったかを決める3つのシグナル
次の試金石は、顧客がより多くの業務を経済的なモデルへ振り向け続ける中で、支出が回復するかどうかだ。
第1のシグナルは、Rampの上位1%における9月と10月の支出だ。7月の水準に向けた急反発は、季節要因による説明をより強めるだろう。
その回復は、取引の修正と併せて評価しなければならない。Rampが追加支払いを受け取れば、暫定的な増減は変わり得る。単一の観測よりも、数か月分のデータの方が確かなトレンドを示す。
減少が続けば、構造的な解釈が強まる。新規ワークロードの拡大よりも、安価なトークンと厳格なモデル選択が収益を速く押し下げていることを示唆する。
第2のシグナルは、トークン量に占めるフロンティアモデルの割合だ。Rampは、その割合を8月初めのピーク時の53%から45%とした。
持続的な回復は、企業がプレミアムシステムを正当化できるほど多くの困難なタスクを依然として見出していることを示す。これは、能力向上がより良い経済性を生むというプロバイダーの主張を支える。
さらなる低下は、標準モデルがより多くの日常業務を獲得していることを示す。フロンティアラボには、差別化の改善、価格引き下げ、あるいは高度な機能をより幅広い製品へ組み込む圧力がかかるだろう。
ただし、生のモデルシェアにも文脈が必要だ。フロンティアモデルは価格が高いままであれば、少ないトークンでも相当な収益を生み出せる。プロバイダーはパッケージ、割引、サブスクリプション構造を変更することもある。
第3のシグナルは、技術チーム以外での導入だ。AIラボは、アナリスト、マネージャー、マーケター、その他のナレッジワーカーが行う協働業務を、ますます標的にしている。
これらのグループで強い継続利用が見られれば、顧客基盤は初期のエンジニアリング導入者を超えて拡大する。また、ソフトウェアのリリースサイクルや開発者の人員数との結び付きが弱いワークフローも生まれる。
購入だけでは、この問題は決着しない。企業は、非技術系ユーザーが戻ってきて、意味のあるタスクを完了し、初期試用後に利用を拡大していることを示さなければならない。
読者は、プロダクトの継続率、ワークフロー量、報告されるタスク成果に注目すべきだ。こうした指標は、ローンチ発表やアカウント数以上のことを明らかにする。
エンタープライズの購入者は、自社の節約がどこから生じているかも検証すべきだ。より良いルーティングによる支出削減は健全である。放棄されたプロジェクトによる支出削減は、導入の失敗を示す。
チームは、AI活動を保存された意思決定、プロジェクト記録、完了済みの業務と結び付けることで、その区別を支えられる。適切に維持された第二の脳は、こうした結果を長期にわたって評価するために必要な文脈を保持できる。
より広い市場では、従業員1人あたりの支出が永遠に増え続ける必要はない。能力が向上し、コストが下がれば、企業は恩恵を受ける。効率的な導入は、より少ない支出でより大きな価値を生み出せる。
モデル開発者とハイパースケーラーは、異なる方程式に直面している。彼らの投資計画には、最終的に巨額のインフラ投資を正当化する収益が必要だ。
RampのAI支出は、こうした結果の間にある対立を露呈させた。より多くの人がAIを利用する場合でも、顧客にとって有益なことがサプライヤーを圧迫する可能性がある。
8月は、なお休暇による一時的な停滞だったと判明するかもしれない。今後数回のデータは、ヘビーユーザーが支出を再開したのか、それとも安価なモデルで恒久的により多くをこなす方法を身に付けたのかを示すだろう。
開発者とビジネスリーダーにとって、実務上の問いはすでに明確だ。AI支出は、完了した価値ある業務を生み出しているのか、それともトークンをただ蓄積しているだけなのか。次の予算サイクルを迎える前に、その答えを測定すべきだ。
