AIはもはやソフトウェアの物語だけではない：17の図で見る資本・仕事・計算資源の転換

資金はまず、より重く、遅く、高価なテーマへ

最初のチャート群は、資金の流れの変化を明確に示しています。

2026年のETFへの純流入額は、過去最高記録を更新し続けています。Citadel Securitiesのデータによると、8月10日時点での今年のペースは、前年の記録を約6000億ドル上回っています。また、7月だけで約3460億ドルの純流入があり、月間での最高額を記録しました。

総量の多さもさることながら、資金の向かう先はさらに興味深いものがあります。2020年の主要テーマは、クリーンエネルギー、新興市場テクノロジー、ヘルスケアでした。しかし、2026年には、AI、原子力、宇宙、防衛、インフラがランキングに加わっています。これらはすべて、設備投資、物理的な施設、エネルギー、長期的な建設に大きく依存しています。

① 年間総量：2026年のETF純流入ペースが記録に迫る。出典：Citadel Securities / Global Market Intelligence。

② 月次ピーク：2026年7月は約3460億ドルで、過去最高を更新。出典：Citadel Securities / Global Market Intelligence。

③ 構成の転換：主要テーマがAI、原子力、防衛、インフラへ移行。出典：Bloomberg / J.P. Morgan Asset Management。

これは、ビット（情報）からアトム（物理的なもの）への物語の移行です。かつて最も人気があったのは、急速に複製可能なソフトウェアと消費者向けインターネットでした。現在では、資金は電力、工場、衛星、防衛能力、計算インフラに対して支払われています。

しかし、資金の流れは、投資家の選好が変わったことを示すだけで、これらのプロジェクトが最終的に利益を生むことを証明するものではありません。また、多額の流入の後に高いリターンがあることを保証するものでもありません。テーマETFは、複雑な産業を取引可能なラベルに凝縮するのが得意ですが、「方向性が正しいかもしれない」ということと「価格が依然として割安である」ということを混同しがちです。

計算インフラの建設が、技能職の賃金を再形成

最初のチャート群が期待を示すものであれば、データセンターに関するチャート群は、期待が現実になった後の摩擦を示しています。

ニューメキシコ州とワイオミング州では、データセンターが民間非住宅建設支出の約60%を占めています。この数字は非常に大きいですが、分母を考慮せずに評価することはできません。両州の建設中データセンター容量は3GW未満であり、この高い割合は、他の建設活動が少ないことも一因です。ペンシルベニア州も約3GWですが、州全体の非住宅建設支出の約30%に近くなっています。テキサス州は建設中の容量がはるかに大きいものの、その割合は約10%です。

データセンターの特異性はここにあります。それはテクノロジーインフラであると同時に、土地、電力、空調、コンクリート、電気、ネットワーク工事などが関わる重工業プロジェクトでもあります。州によっては、地域の建設サイクルを主導し始めています。

郡レベルのデータも、概ね肯定的な全体像を示しています。大規模なデータセンターがすでに稼働している郡では、2024年以降、住宅建設、住宅価格、失業率、雇用成長のいずれも、全米平均を上回っています。建設がまだ進行中の郡では、雇用改善はより明確ですが、住宅と住宅価格の状況はより複雑です。

ここで、因果関係を混同してはなりません。データセンターは、多くの場合、電力、土地、ネットワーク、税制面でより優れた条件が整った場所に立地します。バージニア州ラウドン郡は元々裕福な地域ですし、テキサス州は2024年以前にも異常なほどの住宅建設ブームを経験しています。チャートが見せているのは「データセンターと良好な経済結果の同時発生」であり、ランダム化試験の結果ではありません。

賃金データは、より実際の需給の変化に近いものです。Indeedが同種の求人情報を比較したところ、データセンター関連職種の賃金プレミアム（中央値）は、電気エンジニアの約10%から、施設マネージャーの約64%まで幅があります。建設マネージャーは約29%、現場監督は約26%です。ダラス連邦準備銀行の企業インタビュー記録はさらに直接的な内容で、地元の熟練コンクリート作業員の通常時給は28〜32ドルですが、データセンタープロジェクトでは45ドルに引き上げられ、さらに日当150ドルの手当が支払われています。

① 建設シェア：高い比率を確認するには、建設中のGWと地元の建設支出の分母を同時に見る必要がある。出典：Goldman Sachs Global Investment Research。

② 郡レベルの結果：運営中の郡は総じて良好だが、立地条件や既存の経済状況による選択効果が存在する。出典：Wells Fargo / FracTracker / US Census。

③ 同一職種の賃金：施設マネージャーは約64%、電気エンジニアは約10%のプレミアム。出典：Indeed、2026年1〜6月の求人情報。

④ 転職価格：建設、製造、天然資源・鉱業で転職プレミアムが先行。出典：ADP Research。

ADPの転職データも、これを別の角度から裏付けています。建設、製造、天然資源・鉱業の各セクターでは、転職者の賃金上昇率が、留まる人より約6〜9.5ポイント高く、他のセクターよりも明確に高くなっています。転職による賃金プレミアムはデータセンターに限った現象ではありませんが、「現場系の仕事」への需要が高まっていることを示しています。

つまり、データセンターを巡る地域の議論では、電力網の負荷、水使用量、税金、騒音だけでなく、長期的な運用職だけを考慮するのでも不十分です。プロジェクトを拒否すれば、一連の建設支出と技能職への賃金上昇を同時に拒否することになりかねません。受け入れたとしても、すべての郡レベルの繁栄がデータセンターによってもたらされるわけではありません。本当の選択は、「AIが必要かどうか」ではなく、コストとベネフィットの全体像に基づいて行われるべきものです。

ライドシェアは高額化、プラットフォームとドライバーの収支は別物

Uberが高くなったのは、錯覚ではありません。a16zのチャートはGridwiseのデータに基づいており、2024年初頭から2026年第二四半期にかけて、Uberの平均運賃と中央値の両方が約20%上昇したとしています。Lyftは全体的に割安です。

Gridwiseの2026年第二四半期のページには、より検証しやすい直近の断面データがあります。Uberの平均運賃は一回あたり24.62ドル、Lyftは19.83ドルです。中央値はそれぞれ18.01ドルと14.99ドルです。Uberの二年間の平均運賃上昇率は14.2%ですが、その一部は高級車種の構成比上昇によるもので、全行程が一律に値上がりしたわけではありません。

値上がりによる収入も、一方向にだけ流れるわけではありません。平均プラットフォーム手数料は、Uberが一回あたり5.30ドル、Lyftが3.11ドルで、前年同期比でそれぞれ14.0%と26.4%の増加となり、運賃の上昇率を上回っています。一方、ドライバーの一回あたりの総収入は15.78ドルまで上昇し、前年同期比で7.6%増加して、2021年のピークを超えました。

① 乗車単価：Uberの上昇が顕著で、Lyftは依然として相対的に安い。出典：Gridwise Analytics。

② プラットフォーム手数料：両社とも上昇傾向にあり、Uberの絶対額が高い。出典：Gridwise Analytics。

③ ドライバー総収入：1配車あたり15.78ドルで、2021年のピークを超えた。これは総収入（グロスペイ）である。出典：Gridwise Analytics。

④ ギグワーク構成：BofAサンプルではソーシャルコマースの成長が最も速いが、手法は完全には公開されていない。出典：Bank of America internal data。

このチャート群は、「プラットフォームとドライバーの双方に利益がある」と誤読されがちです。しかし、一回あたりの総収入はグロス収入であり、純利益ではありません。燃料費、車両減価償却費、保険料、回送（客待ち移動）、待ち時間、そして一時間あたりに完了する仕事の数によって、ドライバーが実際に手にする金額は変わります。プラットフォーム手数料の上昇は、プラットフォームの一取引あたりの収益性を直接改善しますが、ドライバーの一回あたりの収入増加が、時給や純利益の改善に直結するとは限りません。

ギグワークの構成も変化しています。バンク・オブ・アメリカの社内口座データによると、ライドシェア、配達、コンテンツ制作はすべて成長していますが、ソーシャルコマースは2024年の基準時点から30%以上増加しており、最も速い成長となっています。これは、テレビからソーシャルプラットフォームへの注意の移行、Eコマースインフラの成熟、あるいはAIがスクリプト、素材、カスタマーサービス、広告配信のコストを削減したことなどが理由として考えられます。

「可能性がある」というのが重要な点です。BofAのチャートは完全なサンプルと方法論を公開しておらず、ソーシャルコマースの低い基準値が成長率を誇張している可能性もあります。これはレーダー（早期警戒指標）としては有用ですが、因果関係を証明するものとしては適していません。

エージェント利用がトークンとツールチェーンを変革

最後の六枚のチャートは、視点を「どれだけの人がAIを使っているか」から「一部の企業がすでにどのように使っているか」へと進めます。

OpenAIのEnterprise Signals は、アクティブユーザーあたりの出力トークン数が上位10%の企業を「フロンティア企業」と定義しています。2026年6月までに、これらの企業のユーザー当たりの出力トークン数は、典型的な企業の8.3倍に達しました。1月時点ではまだ2.6倍でした。この差が拡大した主な理由は、会話の回数が増えたことではなく、企業のコンテキスト、ツール、反復的なワークフローをエージェントに接続したことにあります。

導入率の違いを見ると、この層別化がはっきりとわかります。フロンティア企業では、毎週Pluginsを利用するアクティブユーザーの割合が21%、Skillsは19%です。一方、典型的な企業ではそれぞれ9%と3%に留まります。OpenAI社内のPlugins利用率は95%に達しており、「深い導入がどこまで可能か」という上限の参照点と見なすべきで、一般的な企業が現在達成すべきベンチマークではありません。

職種への普及は、エンジニアリングチームを超えて広がっています。2026年2月以来、企業向けCodexの週間アクティブユーザー数は、法務部門で108倍、営業部門と採用部門で各41倍、マーケティング部門で26倍、エンジニアリング部門では5倍に増加しました。法務部門の数字は驚異的ですが、低い基準値、製品の提供範囲、プロモーションのタイミングなどが倍率を誇張する可能性があります。これは、ツールが部門を超えて普及していることを示すものであり、法務の生産性が108倍向上したことを意味するものではありません。

① 企業の階層化：先進企業と典型的な企業の1人あたり出力トークンの差は拡大し続けている。出典：OpenAI Enterprise Signals。

② ツール採用：先進企業はコンテキストと能力をエージェントに接続する頻度が高い。出典：OpenAI Enterprise Signals。

③ 職種への拡散：法務は108倍に成長したが、低いベースラインと製品プロモーションが倍率を拡大させている。出典：OpenAI Enterprise Signals。

④ トークン規模：エージェント分類のトラフィックは約7.3兆トークンで、年初から約14倍に増加。出典：OpenRouter / Peter Walker。

⑤ キャッシュ構成：エージェントのトークン消費の85%以上がキャッシュされたプロンプトによるもの。出典：OpenRouter。

⑥ ツールチェーン圧力：従来型プラットフォームのウェブサイトトラフィックは減少し、Gumloopは増加。訪問数は実際のワークフローや収益を意味しない。出典：Similarweb。

OpenRouter上のトラフィック構成は、エージェントがなぜ計算リソースの需要を急速に拡大させるのかを説明しています。a16zはPeter Walker氏によるOpenRouterのトラフィック分類を引用しています。エージェントによる7日間のトークン使用量は約7.3兆で、年初から約14倍に増加し、人間のトラフィックの約5倍に近づいています。エージェントのトークン消費の85%以上は、キャッシュされたプロンプトによるものです。

これはエージェントの動作方法と一致しています。人間は通常、質問をして回答を得ますが、エージェントは同じ目標に向かって、コンテキストの読み込み、ツールの呼び出し、結果の書き込み、エラー確認を繰り返し、次のステップへ進みます。最初の長いコンテキストは繰り返し再利用され、新しいコンテンツはターンごとにキャッシュに追加されます。キャッシュされたトークンはコストが低いため、長時間実行されるタスクの経済的実現性が高まります。同時に、システムへの負荷は「一回の生成の長さ」から「どれだけのタスクが継続的に実行され、コンテキストをどのくらい保持するか」へと移行します。

しかし、「キャッシュされたトークンが多い」という事実だけから、業界全体のHBM（高帯域幅メモリ）需要を結論付けることはできません。これは推論負荷の構造変化の証拠ですが、HBM市場の需要全体を測るものではありません。より厳密な判断には、並行処理数、コンテキスト長、キャッシュヒット率、モデルアーキテクチャ、ハードウェア利用率なども考慮する必要があります。

従来の自動化ツールもプレッシャーを感じ始めています。Similarwebのウェブサイトトラフィックデータによると、過去12週間でN8N、Zapier、Makeはすべて二桁の減少を示しましたが、AIネイティブのエージェントビルダーであるGumloopは成長しています。このトレンドは注目に値しますが、Zapierの時代が終わったと宣言するのは時期尚早です。ウェブサイトの訪問数は、実行されたワークフロー数、有料シート数、API呼び出し数、収益を直接示すものではなく、既存のプラットフォームもAIを自社製品に統合しつつあるからです。

この投資の行方を左右する三つの収支

この変化が持続可能かどうかは、最終的に三つの収支にかかっています。

第一に、設備投資が持続的な生産性向上に結びつくかどうかです。ETFの資金流入、データセンター建設、HBM需要は急速に上昇する可能性がありますが、サイクルの質を最終的に決定づけるのは、利用率、単位経済性、下流の支払い意欲です。

第二に、希少な要素がどのように再価格設定されるかです。データセンターは、一部の地域でコンクリート作業員、電気エンジニア、施設マネージャーの賃金をすでに押し上げています。一方、エージェントは、高品質なコンテキスト、ツール連携、キャッシュ管理、ガバナンス能力の価値を高めています。AIのボトルネックは、「モデルがあるかどうか」というよりも、「現実のリソースをうまく組織化できるかどうか」に移りつつあります。

第三に、利益が一部の企業に集中していないかどうかです。フロンティア企業と典型的な企業のトークン使用量の差は、2.6倍から8.3倍に拡大しました。同じモデルを入手しても、それを実際に仕事に活用する深さには、すでに大きな隔たりが生じています。この差がさらに広がれば、最初に顕在化するのは、全企業の生産性が一様に向上することではなく、組織の実行力の差がさらに顕著になることでしょう。

AIの次の段階は、建設現場の賃金表、企業のツール利用権限、クラウドのキャッシュ請求書、そして資本市場がどれだけ待てるか、といった現実の場面に同時に現れます。最終的な勝敗は、電力が十分にあるか、人材がいるか、ワークフローが接続されているか、単位コストを削減できるかという、非常に現実的なチェックリストによって決まります。テーマは、この四つの関門を通過して初めて、真の生産性向上へと変わります。