企業の独自データや専門知識に基づいて低コストのAIモデルを微調整（ファインチューニング）する潮流が、OpenAIやAnthropicの高度なAIモデルに対抗する勢力として台頭しています。
かつて法律、医療、教育などの専門分野のAIモデルは、古い世代のAIに追いつくのが精一杯でしたが、最近の多くの検証では、その格差が大幅に縮まっていることが示されています。
Harvey AIは、法律分野向けにKimi 2.6モデルを微調整し、パフォーマンスを約40%向上させ、わずか約11分の1のコストで高度なAIモデルと同等のレベルを達成しました。
しかし、Anthropicが同じテストでより高いパフォーマンスを発揮する新しいOpusバージョンをリリースしたことで、この優位性はすぐに縮まりました。
ブリッジウォーター・アソシエイツ（Bridgewater Associates）は、Thinking Machines Labと提携し、投資チームの内部データ、業務プロセス、および経験を用いてQwen3-235Bモデルを微調整しました。
微調整後のモデルは財務分析タスクにおいて約85%の精度を達成し、高度なAIモデルと比較してエラーを30%近く削減しながら、コストはわずか約14分の1に抑えました。
この成功は、モデルが単に正しい答えを学んだだけでなく、ブリッジウォーターの専門家が日々の業務で実際にどのように意思決定を行っているかまで学習したことに起因します。
記事は、基盤モデルへのアクセス権を販売するだけでなく、各組織向けに独自のAIモデルを構築・維持するサービスを専門に提供する企業が登場すると予測しています。
マイクロソフトもまた、データや知的財産の価値に対する管理権を失うリスクがあるとして、少数のクローズドなAIモデルに依存しないよう企業に警告しています。
同時に記事は、従業員自身の役割を低下させる可能性がある場合、彼らが長年蓄積してきた知識を企業のAI学習のために進んで提供するだろうかという疑問も投げかけています。
📌 結論： AIの競争は、最も強力なモデルの構築から、各企業独自の知識の活用へと移行しつつあります。Harvey AIやブリッジウォーターのような試みは、内部データと経験で微調整された低コストモデルが、わずか11分の1から14分の1のコストで高度なAIモデルのパフォーマンスに匹敵、あるいはそれを凌駕できることを証明しています。この傾向が続けば、優位性はAIモデルのプロバイダーから、独自のデータ、プロセス、専門知識を保有する企業へとシフトする可能性があります。
