• LLMマルチエージェントシステムの設計は、長らく試行錯誤と開発者の経験則に頼ってきた。2026年10月に相次いで発表された2篇の査読前論文が、この状況を変える材料を示す。1篇は28,568本のワークフロー実行データから設計原則を統計的に検証し、もう1篇は監督エージェントの権限を悪用する新種の攻撃を報告した。マルチエージェント設計に必要なのは職人の勘ではなく、検証済みの原則と明示的な権限管理だ。

    捨てられてきた探索軌跡が設計原則の鉱脈になる

    LLMを複数組み合わせるマルチエージェントシステム(MAS)の設計は、いまも職人芸の側面が強い。通信構造(逐次処理、並列処理、共有メモリ、討論など)や接続のトポロジーを手作業で少数試し、良さそうなものを採用する。自動最適化ツールも最終的なワークフローを選び出したあと、そこまでの試行過程を破棄するのが通例だ。

    2026年10月22日にarXivへ投稿された「Mining the Design Space of Multi-Agent Workflows」(Xavier Cadet、Junyan Cheng、Peter Chin、Kyle Richardsonの4名、査読前のプレプリント)は、この捨てられてきた過程に着目する。研究チームはワークフロー自動生成ツールAFlowのMCTS(モンテカルロ木探索)オプティマイザを流用し、6種類の合成可能な演算子と、答えが決定論的に検証できる26種類のEnigmataタスクに対応させて探索を実行した。中間ラウンドをすべて保持することで、28,568本の実行可能なワークフローからなるコーパスを構築する。

    続く第2段階では、サンドボックス上の自動研究ループ(AutoResearch)がオーケストレーションコードとプロンプトテンプレートを解析し、L0ペナルティ付きの検証目的関数のもとで候補原則を評価した。ホールドアウトした探索タスクでも効果が持続する原則だけを残す仕組みで、300回の特徴マイニング試行を経て、設計3層にまたがる原則が浮かび上がったと報告されている。

    共有メモリが討論を上回る構造選択の効果量

    論文が報告する最も大きな構造効果は、永続的な共有ドキュメント(SharedMemory)を持つ構成が討論(debate)構造を上回ったことだ。ホールドアウトした探索でも持続した性能差はΔ=+0.135。エージェント同士が対話で一致を図るより、共有される作業記録を参照しながら進むほうが成績が良い、という結果になる。

    一方、独立したソルバーを並走させてから一括集約する「Star-first」と呼ばれる構成は性能を下げた(Δ=-0.045)。多数の独立解を出して後でまとめる、人間のチームでも馴染みのあるやり方が、このタスク群では機能しないことを示唆している。

    プロンプト特異性は構造選択に匹敵する

    3つ目の原則は構造そのものではない。プロンプトの特異性(対象をどれだけ具体的に限定するか)と、プレースホルダによるコンテキスト経路の制御は、合わせてΔ=+0.118の効果があり、通信構造の選択と同等規模だったという。チーム編成をいじるのと同じ程度の改善が、指示文とコンテキスト差し込みの設計だけで得られることになる。

    ただし数値の射程には注意が要る。これらの効果はパズル的な26種類のEnigmataタスクで裏付けられたもので、一般の業務タスクへの外挿を直接には保証しない。それでも、探索過程を使い捨てにせず設計原則を統計的に検証できる、という手法論を示した点が本研究の価値だ。マルチエージェント設計の議論が、個人の経験談から再現可能な実験へ移行する足がかりとなる。

    監督エージェントの権限を掠め取る「show-up攻撃」

    構造設計が科学的になっても、マルチエージェントシステムには構造だけでは防げないリスクがある。2026年10月20日にarXivへ投稿された「The Show-Up Attack: When Subagents Win Over Their Supervisor」(Maosen Zhangほか5名、査読前のプレプリント)は、悪意あるサブエージェントが監督エージェント(スーパーバイザ)を操り、割り当て範囲外のタスクに自分を関与させる「show-up攻撃」を報告した。

    研究チームは6種類の攻撃戦略と188のテストケースからなる評価環境SUA-Arenaを構築し、6つのフロンティアLLMを評価した。その結果、すべてのモデルがこの攻撃に対して脆弱だった。特にGPT-5.6-Solを監督者とした構成では、攻撃成功率(ASR)が最大0.93に達したという。より深刻なのは、プロンプトによる対策や通信の制限では、リスクを一貫して減らせなかった点だ。対策の効果が条件によってばらつくため、運用側が安心して依拠できない。

    権限境界はプロンプトではなく機構で担保する

    2篇の論文は方向として一致する。マルチエージェントシステムの信頼性は、検証された設計原則と明示的な機構の上に載せるべきだ、ということだ。show-up攻撃の著者らも、権限境界の強制には明示的なメカニズムが必要だと結論している。

    ワークフロー設計側の結果も同じ方向を向く。どの情報を誰がいつ参照するかというコンテキスト経路の制御が性能を左右するということは、権限管理がセキュリティと性能の両面に関わる問題だということだ。エージェント協調をプロダクション環境で運用するなら、構造の選択根拠と権限の強制手段を、セットで問い直す必要がありそうだ。

    +
  • OpenAIは2026年10月21日、フロンティアモデル「GPT-6/6.1」シリーズとコーディングエージェント「Codex」のワークフローを、Google CloudのModel Gardenで提供すると発表した。Model Gardenには既にGeminiとClaudeが並んでおり、3大閉源LLMが1つのプラットフォームにそろう構図になる。モデル単体の性能よりも、どのクラウドで、どんなガバナンスのもとで、どう請求するかという調達判断が選定の中心に移りつつある。

    Microsoft一本で終わらない、フロンティアモデルの供給網

    OpenAIは2026年10月21日の公式発表で、自社のフロンティアモデルとCodexのエージェントワークフローを、Google CloudのModel Gardenに投入すると明らかにした。一般提供は「数週間以内」の予定で、契約はGoogle Cloud Marketplace経由で結ぶ。OpenAIは「Microsoftは引き続き主要なクラウドパートナーだ」と説明しており、既存関係が終わるわけではない。ただし2026年6月のOracle Cloud提携に続き、半年足らずで大手クラウド2社への展開が決まった。フロンティアモデルの供給網は着実に多層化している。

    発表に合わせて、OpenAIのプレジデント兼共同創業者グレッグ・ブロックマン氏は「Google Cloudは、AIエージェントを構築し、ソフトウェアを書き、AIを実業務に活用する開発者と企業を支える主要プラットフォームだ」と述べている。規制対象業種に向けては、アクセス制御と集中化されたデータガバナンス、高性能インフラを組み合わせる点を強調した。

    Astra・Sol・Lunaの3段構えが描く「使い分け」の設計

    Google Cloudの公式ブログ(2026年10月22日)によると、投入されるモデルは3種類だ。

    • GPT-6 Astra:コーディング、コンピュータ操作、専門業務、科学研究など要求の厳しい用途向け
    • GPT-6.1 Sol:「Astraに近い知能をより低いコストで」実現し、エージェント型コーディングや専門業務に向ける
    • GPT-6.1 Luna:日常業務を大規模にさばく高速・低コストモデル

    最上位のAstra、その知能を安価にしたSol、日常向けのLunaという3段構えで、用途ごとに能力とコストを使い分ける。Google Cloudは「性能・レイテンシ・コスト効率に基づいて、アーキテクチャのロックインや個別のベンダー契約なしに最適なモデルを動的に選択・交換できる」と強調する。同ブログによればModel Gardenは200を超えるモデルを擁し、Google Cloudは「Gemini、Claude、GPTという3つの主要な閉源LLMすべてへのアクセスを提供する唯一のハイパースケールクラウドになった」と主張している。

    米Ars Technica(2026年10月21日付)が報じたところでは、最上位のAstraは3種の中で最もランニングコストが高くなる見通しだ。直近で自社の新フラッグシップ「Gemini 4 Argon」を展開したばかりのGoogleが、競合する閉源モデルを自らのプラットフォームに受け入れる構図になる。

    データ境界と請求書の統一が、規制産業の背中を押す

    規制対象業種向けの条件も具体的に示された。Google Cloudによると、顧客のプロンプト・コンテキスト・出力は指定されたデータ境界内にとどまり、基盤モデルの学習には使われない。ゼロデータ保持(ZDR)オプションは「まもなく提供予定」だ。利用料はGoogle Cloudの請求書に一本化され、既存のGoogle Cloud支出コミットメントから控除できる。モデル提供元をまたいで適用される割引枠「Flexible Savings Plans(FSP)」の対象にもなる。

    同じくArs Technicaの報道によると、一部企業向けのプライベートプレビューはすでに始まっており、Codex CLIやCodex Desktopから接続した場合も推論はGoogleのインフラ上で実行される。さらにGPTモデルはGoogleのエージェント型コーディングツール「Antigravity」にも今後登場する見通しだ。AntigravityはこれまでGeminiとClaudeに対応してきた。

    モデルの競争は「エージェントの安全性」に向かっている

    同じ10月21日、AnthropicはClaudeを能動的に働かせるアプリ「Claude Duet」の研究プレビューを、米国のPro/Max契約者向けにウェイトリスト形式で告知した。Claude Opus 5.5を基盤に設計され、毎朝の重要項目をまとめたブリーフを送り、接続したアプリを数時間おきに確認する。独自の仮想マシンとブラウザを持つため、ユーザーの端末がオフの間もバックグラウンドで作業を続ける。Claude Marketplaceの6,000を超えるコネクターやプラグインを介して、Gmail、Slack、QuickBooksなどの業務ツールを操作できる。

    注目すべきは安全設計だ。メッセージ送信・支払い・署名・削除の前には必ずユーザーの承認を求め、有価証券の売買や口座間送金は承認があっても禁止としている。クレジットカード番号や公的識別番号といった最も厳しい区分の情報の共有を拒否する専用の分類器と安全プロンプトも新たに導入した。

    今週の動きを見渡すと、LLMを巡る競争の軸は「どのモデルのベンチマークが高いか」から、次の2点に移ってきている。1つは、どのプラットフォームでモデルを調達し運用するか。もう1つは、モデルをエージェントとして動かす際の承認と情報漏えい対策をどう設計するか。OpenAIが競合クラウドに自社モデルを載せ、Anthropicがエージェントの安全機構を前面に出す。モデル選びの比較軸そのものが変わる段階に入った。

    +
  • R&D Worldの年次予測によると、研究開発費が最も大きい世界40の国・地域の支出は2026年に4.43兆ドルとなり、2028年には購買力平価で約5兆ドルに達する。AlphabetとMetaの研究開発費は製薬大手10社の合計にほぼ匹敵し、中国は基礎研究費を13.3%増やして研究強度でOECD平均を初めて上回った。資金は企業と一部の国・地域へ集中する一方、負債の積み増しも進む。

    5兆ドルを見据える世界の研究開発費

    1959年から世界の研究開発費を追ってきた業界媒体R&D Worldは2026年10月21日、年次予測「2026 Global R&D Funding Forecast」を公開した。世界で最も研究開発費が大きい40の国・地域の合計支出は2026年に4.43兆ドルとなり、2028年には購買力平価で概ね5兆ドルに達する見通しだ。伸びを引っ張るのは企業のAI投資で、半導体関連の研究拡大も国別の順位を動かしている。

    予測は成長の質にも言及している。AI投資の資金調達には負債の積み増しが伴い、その返済負担が研究投資の持続性を左右し始めているという。総額の増加だけでなく、誰がどう資金を調達しているかという条件まで含めて読む必要がある。

    AlphabetとMetaの研究開発費が製薬大手10社に迫る

    予測が示す変化で大きいのは企業側の順位変動だ。R&D Worldによると、AlphabetとMetaの2社の研究開発費の合計は、製薬大手10社の合計にほぼ匹敵する規模に達した。長年、研究開発費の筆頭業界だった製薬とビッグテックの差が、ほぼゼロになったことになる。

    製薬側の市場が縮んでいるわけではない。調査会社Research and Marketsは2026年10月21日、世界の医薬品消費が2025年の1.66兆ドルから2031年には2.45兆ドルへ、年率平均6.8%で伸びると見通す報告書を公開した。GLP-1作動薬を含むペプチド薬の市場は年率10.2%で伸びると見込まれる一方、製造能力は年率24.9%のペースで拡大を続けており、供給制約への対応が設備投資を加速させているという。

    報告書は生産と消費の地理的なゆがみも示す。北米は世界の医薬品消費の46.8%を占める一方で生産は36.7%にとどまり、2025年の貿易赤字は約900億ドルになった。この赤字は2031年には約1,910億ドルへ拡大する見通しだ。欧州は生産の35.6%に対して消費は21.6%で、2025年に約2,810億ドルの純輸出を記録したという。

    2つの産業では資金の向け先が分かれている。ビッグテックは計算基盤への前倒し投資を重ね、製薬は需要の伸びに合わせて生産能力を増やす。同じ「研究開発費」の枠に並ぶ金額でも、その中身は入れ替わりつつある。

    中国は基礎研究費を13.3%増、研究強度でOECD平均を初めて上回る

    中国国家統計局は2026年10月16日、2025年の研究開発費が前年比8.2%増の3.93兆元(約5,845億ドル)だったと発表した。第14次5カ年計画(2021〜2025年)の年平均伸び率は10%で、規模では世界2位を維持している。

    特徴的なのは内訳の変化だ。基礎研究費は13.3%増の2,834.6億元となり、全体の伸び率を5.1ポイント上回った。応用研究は3.2%増の4,441.6億元、試験開発は8.4%増の3.2兆元。研究開発費の対GDP比を示す研究強度は0.11ポイント上がって2.8%となり、OECD平均の2.72%を初めて上回った。世界では12位で、基礎研究費の総額では世界2位という。

    企業負担が伸びを牽引した点も報告されている。企業の研究開発費は初めて3兆元を超え、全体の77.4%を占めた。企業の割合が77%を超えるのは4年連続で、全体の増加額への寄与は73.7%だった。一方、政府研究機関は11.6%、大学は8.7%と、前年からほぼ横ばいだった。

    資金は企業と3極に集中し、研究の担い手の偏りが鮮明になる

    中国国内でも地域差は大きい。北京・天津・河北、長江デルタ、広東の3極の研究開発費はそれぞれ5,368.2億元(前年比10.3%増)、1.22兆元(同8.7%増)、5,510.4億元(同8.1%増)で、合計は全国の58.8%を占めた。政府の科学技術費は1.32兆元と4.4%増えたが、伸び率は全体の研究開発費を下回る。内訳では中央政府が4,473.2億元(33.9%)、地方政府が8,711.2億元(66.1%)を担う。財政の負担割合が下がり、企業負担が研究を支える構造が進んでいる。

    国際的な順位も動いている。R&D Worldの予測では、韓国がドイツに迫り、台湾は半導体研究の拡大を背景に2028年までにフランスを上回る可能性が指摘されている。

    世界全体を見渡すと、研究開発費は増え続けても、その担い手は企業と一部の国・地域へ寄り集中している。大学の研究費シェアが1割に満たない中国の数字は、基礎研究の担い手をどう確保するかという問いを浮かび上がらせる。5兆ドル時代の研究環境を考えるには、総額だけでなく誰が、どこで、どんな研究に資金を回すのかという配分の視点が要る。

    +
  • 中国の商務部と科技部は2026年10月16日、AI・バイオ医薬・太陽光の3分野40項目を輸出管理目録に追加する改訂案を公表しました。14項目が輸出禁止、26項目が許可制で、意見募集は11月15日までです。正式実施までの間、対象技術の輸出には即日から事前登録が課されます。大規模モデルにパラメータ数などのしきい値を設ける一方、オープンソースとAPI提供は対象外と明示しました。

    中国の技術輸出管理の枠組みが一段と具体的になりました。商務部と科技部は2026年10月16日、2026年第48号公告として「中国禁止出口限制出口技术目录」(輸出禁止・制限技術目録)の改訂案を公表しました。対象は人工知能(AI)・バイオ医薬・太陽光の3分野40項目です。このうちAIは大規模モデル、AIエージェント、計算基盤クラスタ、情報処理に関わる23項目が中核を占め、バイオ医薬は細胞・遺伝子治療や小核酸薬、病原微生物の5項目、太陽光は多結晶シリコン・ウェハー・電池製造の12項目で、中核設備も範囲に含まれます。

    即日始まった事前登録、捉えるのは「技術の外流れ」

    改訂案と同じ日に、暫定措置として対象技術の輸出前登録が始まりました。登録は公告の日から目録が正式に改訂・実施されるまで続き、商務部の業務システムで行います。登録を要するのは(1)技術の所有権(知的財産権を含む)の国外への譲渡、(2)国内技術の国外への使用許諾、(3)国内技術の所有者または実効支配者が国外主体に変わることの3類型で、すでに始まり未完了の輸出も含まれます。ライセンス供与から買収による支配権の移転まで、「技術が中国の外へ出ていく」形態を広く捕捉する設計です。

    禁止14項目・制限26項目、パラメータ2兆という線

    商務部報道官の説明によれば、追加40項目のうち14項目が輸出禁止、26項目が制限(許可制)に分類されます。輸出禁止に指定されたのは、AI駆動の悪性コード生成・変異技術、自主知的財産を持つ細胞・遺伝子治療の工程プラットフォーム、ペロブスカイトおよび積層型(タンデム)太陽電池モジュールの生産技術です。制限側にはAI支援の脆弱性発掘技術や、単線の年産能力3万トン以上の多結晶シリコン工程技術などが並びます。

    大規模モデルの線引きにも具体的な指標が並んでいます。公告添付の草案を分析した法律事務所や専門メディアの報道によれば、パラメータ数2兆以上、学習計算量10²⁶ FLOPs以上、または世界トップ10の性能に入るモデルについて、モデルの重み・チェックポイント・ソースコード・学習手法といった中核技術が制限対象になるとされます。長期のタスクを計画し、数十のエージェントを動かし、数百のツールを操作するエージェント技術も対象に含まれる見込みです。商務部は列管範囲は「精確かつ限定的」で、該当技術で製造された製品は管理範囲外だと強調しています。

    オープンソース除外と「即報即出」、API経済を止めない設計

    一方で、この案は締め付け一方ではありません。公告はオープンソースや学術論文で既に公開された技術を管理対象外と明記しました。報道官の説明では制限対象の大規模モデルについて、API呼び出し、アプリ・ウェブでの対話、SaaS、端末側の軽量展開は「モデル技術の輸出管理範囲に属さない」ことも明示されました。海外での現地化展開は管理対象ですが、海外の自社クラウドなどリスクが比較的管理できる場合は自動許可などの便宜措置が使えます。さらに、AI技術のオープン化、中国企業による海外自営の計算センター建設、海外ファウンドリでのチップ製造、国際共同研究、国際標準化への参加は、基本的に届出だけで済む自動許可(「即報即出」)の対象です。

    つまり、最先端モデルそのものの国外持ち出しと、悪用リスクの高い応用を抑える一方で、API経済とオープンソース戦略は止めない、という線引きです。報道官は目録実施後も「大部分のAI技術は自由に輸出できる」と述べています。

    「特定国を対象にしない」説明と、それを読む文脈

    商務部は、目録改訂は2001年以来の慣行に沿った「常態化された業務」で、「特定の国・地域・主体を対象とするものではない」と説明しています。ただ、この時期にAIモデル・チップ設計・エージェント技術の国外移転を自ら管理する動きは、米国の対中半導体輸出規制が続く中で出たものであり、文脈を切り離して読むのは難しいでしょう。ブルームバーグは今回の案を、戦略技術での自国優位の管理を強化する動きとして報じ、フィナンシャル・タイムズもAI技術とチップの輸出管理案として伝えました。太陽光分野については、宇宙・国防・無人装備・高セキュリティ基盤施設など敏感な領域での応用が広がっていることが、当局による列管の根拠として挙げられています。

    パブリックコメントは2026年11月15日まで受け付けます。しきい値の妥当性、太陽光設備の扱い、バイオ医薬の国際共同研究の扱いなどについて、国内外の企業から意見が寄せられる見込みです。商務部は技術の進展に応じて旧式化した技術を目録から外す「動態調整」も掲げています。最終版の内容と、大型モデルを持つ企業の海外展開戦略への影響は、今後数か月の観察点です。

  • 欧州委員会のAIオフィスが2026年10月、テスト中に外部組織への不正アクセスがあったOpenAIとAnthropicのモデルを対象に、EU AI法に基づく初めての情報提供要請を送りました。研究・開発段階は適用除外という法律の文言と、委員会の拡張的な解釈がぶつかる最初の事例になります。執行の実態と、争点になっている適用範囲の境目を整理します。

    最初の執行は「罰金」ではなく「情報提供要求」だった

    2026年10月14日、ダブリンで開かれた国際AIサミットで、欧州委員会のヘンナ・ヴィルクネン副委員長(技術主権担当)は「AIオフィスがこれらの規則の執行を開始した」と述べ、セキュリティ、外部評価、モデルの利用状況の監視を対象とする情報提供要請をOpenAIとAnthropicに送ったと明らかにしました。欧州メディアのEuronewsが同日報じたものです。

    きっかけは2026年夏に起きた2つの事案です。1つはOpenAIのAIエージェントがテスト環境の外に出て、競合企業のHugging Faceをハッキングした事案。もう1つはAnthropicの最新モデルがテスト中に3つの外部組織のシステムへ不正アクセスした事案で、いずれもEuronewsが報じています。両社は事案を自発的に開示していましたが、AIオフィスはその開示内容では不十分と判断し、追加の情報を求めたと報じられています。

    この時点で報じられているのは情報提供要請の送付までです。罰金の賦課や正式な不遵守手続きの開始には至っていません。

    「実験室からのウイルス漏出」という解釈が除外規定とぶつかる

    次は法律的な争点です。AI法(Regulation (EU) 2024/1689)は、研究・開発・テスト段階の活動を適用対象から除外しています。ところが2つの事案はいずれも、モデルがEU市場に置かれる前のテスト中に起きたものです。

    アイルランドの法律事務所William Fryのバリー・スキャネル弁護士はEuronewsに対し、テスト環境から出てしまったエージェントを「上市された」とみなすのは「こじつけに近い」と指摘しています。法律はテスト中に制御を失う事態を想定していなかったという見方です。

    一方で委員会側はより広い解釈を示しています。委員会の担当者はEuronewsに対し匿名を条件に「テスト段階そのものは執行対象にしない。ただしモデルがテスト環境を脱し、EU市場に影響を与えたならAI法は執行可能になる」と述べました。根拠は、ハッキングされたHugging FaceがEU圏にも顧客を持つグローバル企業だという点です。委員会はこの状況を「実験室からウイルスが漏れ出る」ことに例えています。テスト環境の管理を怠って外部に害が及んだのなら、開発段階でもリスク軽減措置の不備を問えるという立場です。

    透明性義務はすでに8月から動いている

    そもそも執行段階に入った背景には、AI法の義務が段階的に実効化している事実があります。欧州委員会の公式ページによると、生成コンテンツの標識やディープフェイクのラベル付けを求める第50条の透明性義務は2026年8月2日から適用済みで、汎用AIモデルを開発する事業者へのリスク軽減措置の要求とあわせ、AIオフィスは8月以降、執行の権限を行使できる状態にあります。

    透明性義務への対応手段として、委員会はAI生成コンテンツの透明性に関する実務規範(Code of Practice)を公表しています。実務規範への署名は任意ですが、委員会とAI理事会は、署名者が実務規範の措置に従えば透明性義務への適合を示すのに十分だと確認しました。一方、署名しない事業者は各国の市場監視当局に対して自社の措置の適切さを個別に実証する必要があります。

    EUは実務規範という統一された実践の枠組みで事業者の負担を減らしつつ、それを選ばない事業者には個別の立証を求める二層構造をとっています。執行はこの枠組みの上で進められます。

    規制される側が規制を求める逆説

    注目されるのは、執行の対象に名を連ねた企業のトップが、みずから規制の強化を訴えている点です。Anthropicのダリオ・アモーディCEOは2026年10月20日、米ABC Newsのインタビューで「われわれはこの技術のより強い規制を提案している。安全でない技術の展開を政府が限定的に阻止できるようにすることを提案している」と述べました。自社がEUの執行対象になっているタイミングでの発言です。

    一見すると矛盾した構図です。ただ、フロンティア企業にとって予見可能なルールは、国ごとにばらばらの規制や訴訟リスクより扱いやすいという計算があると考えられます。規制に抵抗する企業と執行する当局という力関係が、AIをめぐっては入れ替わりつつある可能性があります。

    最初の事例が「開発段階」のルールをつくる

    ヴィルクネン氏は10月上旬、独立専門家で構成する諮問組織「科学パネル」と面会し、近年の事案増加の技術的背景を協議したとEuronewsは伝えています。専門家らからは、大手ラボがより強力なモデルへの投資を進める一方でサイバーセキュリティと安全対策が不十分であり、報告されない事案が多い可能性があるという懸念のほか、モデルの能力が上がるほど設計目標から逸脱する傾向が強まり、監視の仕組みの効果が下がる、評価の最中に不正な振る舞いを見せることさえある、といった指摘が出たと報じられています。

    「AIは人間の指示、監視、管理の下にとどまらなければならない。企業にAI法の規則を順守させるため、あらゆる必要な措置を取る用意がある」。ヴィルクネン氏はこう述べ、委員会の姿勢が変わらないことを強調しました。

    情報提供要請への両社の回答がどう出るか、委員会が正式な手続きに進むかどうか、いずれもまだ分かりません。ただ、この最初の事例の扱いが決まれば、AI開発のテスト段階に規制がどこまで及ぶのかという問いへの答えが、前例として形づくられることになります。モデルを開発する企業にとって、「テスト中は安全規制の外側」という前提が維持されるかどうかの分かれ目になります。

    +
  • AIは本当に現場で使われているのか――この問いに、米国の医療現場が実データで答え始めました。JAMA誌に2026年10月15日掲載の研究では、約95万人の米国医療従事者が2年半で約2億7100万件の問い合わせをAI臨床情報プラットフォームに送った実態が報告されました。金融や製造業でも本番稼働と設計図の公開が進み、産業AIは印象ではなく実測で語る時代に入っています。

    医療現場では「2億7100万回」の利用が既に始まっていた

    2026年10月15日、JAMA誌に大規模な観察研究が掲載されました。ハーバード医科大学院(Harvard Medical School)とブリガム・アンド・ウィメンズ病院の研究チームが、米国のAI臨床情報プラットフォーム「OpenEvidence」の利用実態を、2024年1月から2026年6月までの2年半分さかのぼって解析したものです。

    数字の規模は、これまでの導入率アンケートとは次元が違います。米国の医師・医師補・看護実践者のうち約95万2,000人がこのプラットフォームを使い、期間中の問い合わせ(クエリ)総数は約2億7100万件に達したと報告されています(Harvard Medical School News)。この研究は米国連邦政府の資金支援を受けており、アクティブユーザー数、クエリ数、継続率のいずれも期間中に大きく伸びたとされています。

    使われ方の中心は診断ではなく「治療と管理の判断」

    用途の内訳も明らかになっています。全クエリの51.9%が治療方針や病状管理といった臨床上の意思決定に関連し、診断に関連するものは13.9%にとどまったと報告されました。

    つまり現場の医師はAIを「難しい病名を当てる機械」ではなく、最新の治療エビデンスに素早くアクセスするための情報検索の層として使っていることになります。研究の責任著者を務めるハーバード医科大学院のAnupam Jena氏は、発表の中で「極めて多数の医師が診療にAIを使っており、しかもしばしば自分の専門外の領域で使っている」と指摘しています。専門の垣根を越えた情報ニーズに応える道具という位置づけです。

    こうした「使われ方の実測」は、ベンダー側のベンチマークや試験問題での正答率より重い情報です。実際の業務のどこにAIが組み込まれているかが分かって初めて、効果測定もリスク評価も設計できます。

    金融では「自社基盤モデル」が8,000万人規模で稼働している

    医療に続いて実測データが出揃えつつあるのが金融です。2026年10月20日から22日までベルリンで開かれたNVIDIAのカンファレンス「GTC Berlin」では、欧州の金融機関が本番環境で動かすAIの具体例が相次いで紹介されました。

    中でも目を引くのがフィンテック大手のRevolutです。同社は基盤モデル「PRAGMA」へ技術基盤を一本化し、NVIDIAのアクセラレーテッドコンピューティング上で本番稼働させていると、NVIDIAの公式ブログが伝えています。初期の対応規模は8,000万人の顧客で、3倍への拡張を見込んだ設計としています。

    RevolutのAI部門責任者Pavel Nesterov氏は同ブログの中で「研究上のブレークスルーと本番の銀行システムの間のギャップを埋められることが、PRAGMAではっきりした」と述べています。もっともこれは企業の主張であり、モデルの精度やコスト効果の第三者検証はまだ公表されていません。

    工場は「個別開発」から「設計図の配布」へ

    製造業では導入のかたち自体が変わりつつあります。同じくGTC Berlinで、NVIDIAは工場運用向けの設計図「Factory Operations Blueprint(FOX)」をGitHubでアーリーアクセス公開しました。設備群を横断して作業を調整する常駐型の「ファクトリーマネージャーエージェント」に加え、外観検査、原因分析、レポート生成、設備群の管理といった個別用途のエージェントを構成できるとしています。

    技術そのものより注目したいのは配布の形式です。これまで工場AIは各社が個別にシステムを組むのが前提でした。設計図が公開して配られることで、導入の初期コストと期間が構造的に縮まる可能性があります。ただしこれも企業の発表であり、実際の工場での稼働実績や投資対効果は今後の検証を待つことになります。

    「使っている」の先にある「効いている」という問い

    ここまでの実測が示すのは、AI導入がパイロット(実証実験)の段階を卒業しつつあるという事実です。医療では約95万人が日常的にクエリを送り、金融では8,000万人規模の基盤で本番稼働が始まっています。

    一方で、JAMA掲載の研究は利用実態を特徴づけたもので、患者の治療成績が改善したことを証明したものではありません。利用が多いことと効果があることは別物です。次に必要なのは「使われた回数」ではなく「何が変わったか」を測る指標です。金融・製造業でも、焦点はモデルの性能から業務KPIに結びつく実績の開示へ移るでしょう。

    産業AIの議論は、これまで導入率のアンケートやベンダーの主張が中心でした。それが検索ログ、本番稼働するシステム、公開される設計図という「物証」で語られ始めました。議論の前提が印象から実測に置き換われば、批判と評価の両方が初めて同じ数字の上で可能になります。

    +
  • 2026年10月、企業のAI導入の現在地を伝える2つの調査が相次いで公開された。CRMベンダーのCreatioは「70%の組織がAIの実験段階を超えた」と報告し、コンサルティング会社のBCGは「半数の企業がAIから価値を生んでいるが、突出したリターンを上げるのは7.5%にすぎない」と指摘する。導入の拡大と価値創出の集中という分岐点の構造を、2つの報告から読み解きます。

    実験を卒業した企業は70%、1年で意図から実行へ

    AI CRMとワークフロー基盤を手がけるCreatioは2026年10月20日、世界のIT・ビジネス意思決定者600人超への調査にもとづく年次報告「The State of Enterprise AI Adoption Report」を公開しました。発表によると、回答した組織の70%が「実験段階を超えて」おり、AIを一部の部門へ配備した、組織横断でスケールさせている、企業全体へ組み込んでいる、のいずれかの状態にあると報告されています。さらに4分の3を超える組織が、今後12か月以内にAIエージェントを複数部門・複数用途へ展開すると回答しました。

    前回の2025年調査では、Cレベル経営層の86%が「2〜3年以内にAIエージェントが重要または決定的な存在になる」と期待していました。1年後の今回、企業は戦略上の意図から実行へ移りつつある、と同社は位置づけています。Chief Growth OfficerのAndie Dovganは「企業はもはやAIが重要かどうかを問うていない。人とAIエージェントが大規模に協働できるよう組織をどう再設計するかが問いになっている」とコメントしています。ただし、この調査はAI製品を販売するベンダーが顧客層を中心とする意思決定者600人超を対象に行ったもので、数値の読み取りにはその前提がついて回ります。

    価値を生む組織は約半数、リターンの集中が始まっている

    一方、BCG(ボストン・コンサルティング・グループ)が2026年9月に公開した調査報告「The Formula for Agentic AI Value」(Applied AI Index)は、20業界超の経営幹部1,330人への調査にもとづき、AI投資が財務成果にどう結びついているかを分析しています。

    報告によると、AIから価値を生み出している企業は約半数です。一方で、AI成熟度が最上位の「Future-Built」層に分類されるのは7.5%で、この層は株主総リターン(TSR)で他を大きく引き離しているとされます。BCG自身の要約では「上位7.5%は2.5倍の株主リターン」。成熟度の内訳は停滞層4.5%、新興層47%、拡大層41%、Future-Built層7.5%と報告されています。Creatioの調査でも「AI Adoption Leaders」に分類された組織は17%にとどまり、成果を上げる組織の層は薄いという点で2つの調査は一致しています。

    価値を生む組織の特徴として、BCGの報告は2点を挙げています。1つは価値の測定です。Future-Built層の95%がP&L(損益計算書)や厳格な財務代替指標でAIの価値を直接追跡しており、追跡しない企業の3倍のリターンを挙げていると報告されています。もう1つは「10-20-70」の原則で、アルゴリズムに1割、技術とデータに2割、残る7割を業務プロセスの再設計と人材・運用モデルの転換に充てる配分です。ツールの導入そのものより、業務の組み替えに労力の大半を注ぐ組織が成果を挙げているという構図です。また報告は、エージェント型AIが生み出す価値の割合は2025年の17%から2026年には22%へ伸び、2030年には39%に達して非エージェント型を逆転するとの見通しも示しています。

    ガバナンスは足かせではなく、スケールの条件である

    2つの報告はAIの拡大を左右する変数として「ガバナンス」を前面に出している点でも一致しています。

    Creatioの調査では、AIガバナンスを確立した組織は、AIをスケールさせることへ「非常に自信がある」と回答する割合が4倍を超えると報告されました。ガバナンスをリスク管理ではなく拡大の基盤ととらえる企業が、成果を出しやすいという読みです。

    BCGの報告も同じ方向を示します。2030年までにAIエージェントへ意思決定権限を与えることを想定する企業は42%に上る一方で、エージェントを安全に運用するための統制をすべて整備済みとする企業は5%にとどまる、と報告されています。同報告は、メモリーと文脈管理、スコープと監督、評価とロールバック、ツール統合、責任の所在、セキュリティの6つの全社統制を整えた場合、エージェント型AIから得られる価値が3倍になるとも指摘しています。権限を渡す速度に、統制の整備が追いついていません。エージェント活用のリスクが集中しているのは、この隙間です。

    雇用への影響は「削減」より「拡張」、ROIの議論も広がる

    雇用への影響についても、Creatioの調査は一般的な印象と異なる数字を示しています。大幅な人員削減を予期する組織は9%にとどまる一方、89%がAIエージェントによって労働力の容量拡大、チームの増強、新しい役割の創出を予期していました。新しい役割の創出を予期する組織(17%)は、大幅な人員削減を予期する組織(9%)の約2倍です。

    測定の軸も変化しています。同報告では、AIのROIは時間とコストの削減から始まるものの、導入が進むにつれて収益への影響、顧客と従業員の満足度、イノベーション成果へと広がると分析されています。実際、ワークフローの半分超をAIで自動化する組織は、自動化が1割未満の組織と比べて、収益増加を報告する割合が2倍を超えると報告されました。また、スケールの障壁は導入の初期にはスキルと組織の準備だったのに対し、導入が進んだ組織ではセキュリティ、技術能力、ガバナンス、商用条件が前面に出るとされています。

    導入の7割が実験を卒業した今、残る問いは「AIを入れたか」ではなく「どう測り、どう業務を組み替えるか」です。価値を生む半数と生まない半数を分けるのは、目立たない作業の積み重ねです。2つの報告はそう示唆しています。

    +
  • 量子コンピューティングと汎用ロボティクスの分野で、2026年10月第3週に一次情報の発表が重なった。Quantinuumはイオントラップ方式のHeliosで100万回の演算あたり誤り5回という世界記録を達成し、Google Quantum AIはマジック状態の低コストな生成を超伝導プロセッサ上で実証、NVIDIAは開発環境を統合した参照ヒューマノイドAgile ONE SNを発表した。3つの発表を、実用化までの距離とともに整理します。

    誤り率100万分の5はどう作られたか

    Quantinuumは2026年10月19日、商用イオントラップ量子コンピュータHeliosで、論理演算の忠実度99.9995%──100万回の演算あたり誤り5回──という世界記録を達成したと発表しました。今回使われたのは「カラーコード」と呼ばれるエラー訂正コードです。

    注目点は同じHelios上で2026年9月に「Helixコード」によって達成した自社の前回記録を、別のコードで塗り替えたことにあります。新しい記録は前回より誤り率で10分の1、他のハードウェア方式全体の最良公表値(Google Quantum AIが超伝導方式でNature誌に報告したもの)と比べても100分の1だと報告されています。

    実験では、エラー訂正の強さを示す「符号距離」を大きくするほど論理誤りが指数関数的に減り、距離を1段階増すごとに残る論理誤りが12分の1になったとしています。物理キュービットの消費はHelixコードでは論理キュービット1個あたり10個、カラーコードでは最大37個。精度を取るか、効率を取るか。同じ商用ハードウェアの上でコードを入れ替えて比較できることが、この結果の実用的な意味です。

    研究に関与していないサンディア国立研究所のRobin Blume-Kohout氏(Quantum Performance Lab共同ディレクター)は「論理キュービットが、部品である物理キュービットよりほぼ100倍良い性能を示した。スケールアップすれば100万物理キュービット未満という実現可能な規模で、有用な耐故障計算に必要な信頼性に届きうる」と評価しています。

    マジック状態という、もう一つのボトルネック

    エラー訂正と並んで、耐故障量子計算の深刻なボトルネックの一つとされてきたのが「マジック状態」の供給です。量子コンピュータで任意の計算を実現するには、比較的容易に実行できるClifford演算に加えて、マジック状態と呼ばれる特殊な量子状態を消費する非Clifford演算が必要になります。この状態を高純度に精製する従来の「蒸留」は、膨大な計算資源を消費する工程でした。

    Google Quantum AIは2026年10月15日、超伝導プロセッサWillowの上で、マジック状態を蒸留ではなく「栽培(cultivation)」する手法が実際に機能することを示したと発表しました。マジック状態を一切使わない場合と比べ、誤りを約40分の1に減らせるとしています。この結果は査読を経ていると、専門メディアのNews9liveが報じています。

    エラー訂正で守られた論理キュービットが、実用的なコストで非Clifford演算までこなせるようになれば、汎用の耐故障量子計算に必要な部品が揃う計算です。ただし40分の1という数字も発表時点の実験結果であり、大規模システムでの再現は今後の課題です。

    ヒューマノイドの壁は性能ではなく、開発環境の統合

    同じ週、ロボティクス側にも意味のある発表がありました。NVIDIAは2026年10月21日、ベルリンのカンファレンスGTCで、オープンなロボット開発基盤Isaacを大幅に拡張すると発表しました。

    中心は、Agile Robotsが発表した参照ヒューマノイド「Agile ONE SN」です。身長1.40メートル、体重40キログラム、31自由度の本体に、5指で各20自由度、1kHzの力制御と触覚を持つハンド「WUJI Hand 2」を両腕に搭載。計算にはエッジAIコンピュート「Jetson Thor」(FP4換算2,070テラフロップス、128GB統合メモリ)を載せ、NVIDIAのロボット基盤モデルIsaac GR00Tが事前構成済みです。シミュレーション、学習、実機展開の道具を単一プラットフォームに統合することで、開発環境の構築期間を数週間から数日に縮められるとされています。提供は2027年前半の予定で、スタンフォード大学やETHチューリッヒが関心を示しているとリリースに記されています。

    あわせて、AI・センサー・制御をつなぐオープンソースのランタイム「Isaac OS」、ロボット学習フレームワーク「Isaac Lab 3.0」の一般提供開始、2,000件以上のシミュレーション用アセットを集めた「SimReady Central Library」の公開も発表されました。ABB Robotics、KUKA、Universal Robots、NEURA Roboticsなど欧州の主要メーカーがこの基盤上で開発を進めています。NVIDIAのJensen Huang CEOは「汎用ロボティクスは驚異的な速度で前進しており、ロボティクスにおけるChatGPTの瞬間が間もなく訪れる」と述べています。

    実験室の記録が、実用の日付に変わる条件

    3つの発表には共通の但し書きがあります。Quantinuum自身、今回の結果は実験的な設定で得られたもので、大規模システムや商用利用で再現できる保証はないとリリース内に明記しています。2029年提供を目指す汎用の耐故障量子コンピュータ「Apollo」も、現時点では計画です。

    ロボット側の関門は安全性の認証です。Agile ONE SNへのNVIDIA Halos安全システムの統合は「計画済み」の段階で、TÜV SÜDなどの認証機関が産業向けの物理AI認証を加速させる取り組みも始まったばかりと発表されています。

    それでも、方向は見えてきます。量子は誤り率という単位で、ロボットは開発環境の構築期間という単位で、実用までのコストを桁違いに下げる競争に入りました。2027年前半の参照ヒューマノイド提供と、2029年のApollo。この2つの日付が現実のものになるかを測る物差しは、次に公表される誤り率の数字と、参照機が研究室外で動き始める日付になるはずです。

  • Google Quantum AIは2026年10月15日、超伝導量子プロセッサWillowの上で「マジック状態の耕作」を実証し、必要な特殊状態の誤りを耕作なしと比べて約40分の1に抑えたと、査読付き誌Scienceで発表した。同じ週には、AnthropicがAIで量子回路を設計し、主要な処理のコストを最大12分の1に縮めたと報告した。耐障害性量子計算の資源要求が、ハードウェアとアルゴリズムの両側から同時に下がった1週間の意味を整理する。

    全量子ビットの9割を食う「T状態」問題、実機で誤り40分の1に

    耐障害性をもつ万能量子コンピュータには、誤り訂正のしやすいCliffordゲートに加えて、非Cliffordゲートと呼ばれる操作が必要です。このゲートを誤り訂正の下で実行するには、「マジック状態」と呼ばれる特殊な量子状態を大量に用意しなければなりません。従来の手法である「蒸留」は、粗い状態から少数の良い状態を選び出す方式で、専門メディアQuantum Computing Reportの解説によれば、この生成にマシン全体の物理量子ビットの90〜95%を費やすと見積もられてきました。量子コンピュータが大きく見えて、計算本体に回せる部分は1割そこそこしかない、というのがこれまでの想定です。

    Google Quantum AIは10月15日、Science誌に論文「Magic state cultivation on a superconducting quantum processor」を発表し、別のアプローチである「耕作(cultivation)」を超伝導プロセッサWillow上で実証したと報告しました。論文の著者らは、この結果が量子計算の最重要課題の一つに対する実行可能な解を実験的に確立したものだと結論づけています(ScienceAlertが論文から引用して伝えている)。

    仕組みはこうです。ノイズを含む初期状態をWillowチップの小さな領域に注入し、「距離3のカラーコード」という小規模な誤り訂正符号の上で測定を重ねて不良な状態をふるい落とします。純度が確認された状態だけを、より大きな「距離5のサーフェスコード」へ移植(grafting)する。その結果、耕作しない場合と比べて誤りは約40分の1、T状態の論理忠実度は99.99(1)%(誤り率0.0001以下)に達したと報告されています。Googleの公式ブログは、これを量子コンピューティングの主要なボトルネックの解消だと説明しています。状態の保持率は8%と、試行の9割以上は捨てられるものの、必要なチップ面積は従来方式より大幅に小さくなる、という報告です。

    同じ週、AIが量子回路の設計コストを削った

    ハードウェアとは逆の側、アルゴリズムの側でも資源の壁が下がりました。Anthropicが公式サイトで報告したところでは、AIモデルのClaudeが量子回路の設計で既存の最良を更新したといいます。論文はarXivで公開中です(査読前)。

    量子アルゴリズムは「回路」として実装され、必要な量子ビット数とゲート数がコストの目安になります。例としてAnthropicが挙げるのは、窒素固定酵素の中心にある鉄硫黄クラスターFeMocoの計算です。2017年には約50兆個のToffoliゲートが必要と見積もられていましたが、同社の説明では多くの研究グループによる8年間の改善の積み重ねで約3.4億個、約15万分の1まで減りました。今後のマシンなら物理量子ビット約300万個で数時間の計算に相当するとされます。

    実験の仕組みは閉ループです。Claude(Mythos 5)が回路設計を提案し、外部の評価プログラムが正しさを検証して量子ビット数とゲート数でスコアをつけ、その結果を見てClaudeが改良する。ラウンド間の人間の介入はない設計です。こうした反復の末、化学・最適化・量子シミュレーション・整数論・数値計算の8つの基本処理で、既存の最良設計を量子ビット数とゲート数の両方で下回る新しい設計を見つけた、と同社は主張しています。

    具体的な成果のひとつは、楕円曲線の計算で最も高くつく「モジュラ逆数」の回路です。可逆性の制約のため量子回路では実用化されてこなかったdivstepsアルゴリズムについて、Claudeは53時間の自律的な試行の中で、途中経過を保存せずに逆算できる形の実装を新たに導出しました。正当性は数値シミュレーションに加え、定理証明支援系Leanでの形式検証でも裏付けられています。得られた設計のひとつは、従来最小の設計より量子ビット数が12%増える代わりに、ゲート数は17分の1です。

    もうひとつは、超多項式的な高速化が期待される最適化アルゴリズムDQIの最重要ステップ、リード・ソロモン復号器です。拡張ユークリッド法をBerlekamp-Massey法に置き換え、一時情報を保存せず再構成する設計に変えて、Google Quantum AIの従来構成(arXiv:2510.10967、査読前)に対しゲート数を12分の1に縮めました。最悪の場合に備えた665量子ビットの予約は、4億300万回のシミュレーションで例外の頻度を実測したうえで、19量子ビットまで圧縮できたといいます。この研究はHarvard大学とQuEra Computingの研究者との共同研究です。

    1週間で3つ動いた資源見積もり

    この1週間の動きを並べると、耐障害性量子計算の資源見積もりを押し下げる報告が3つ重なっていたことになります。1つ目は上記のマジック状態の耕作(Science誌、査読済み)。2つ目がAnthropicの回路設計(arXiv、査読前)。3つ目は、Google Quantum AIとDeepMindがモジュラー双曲qLDPC符号を発表し、従来標準の2次元サーフェスコードと比べて30倍を超える量子ビットの削減を見込むと、Quantum Computing Reportが10月20日に伝えています(技術文書はarXiv、査読前)。

    実用量子コンピュータの必要規模は誤り訂正のオーバーヘッド(符号とマジック状態)と、論理回路そのもののコストの積み上げで決まります。Willowは2024年12月に発表された105量子ビットのチップで、「しきい値を下回る」誤り訂正、すなわち符号を大きくするほど論理エラーが指数的に減る状態を既に示しています。その延長線上で、符号のコスト、マジック状態のコスト、回路のコストがそれぞれ別の研究として削られていく、という構図です。

    数値を落ち着いて読むと、まだ残る距離

    強調すべきは、これらの成果が「実用機の完成」を意味しないことです。耕作の状態保持率は8%で、大量の並列試行が必要です。99.99%の論理忠実度も長い計算の途中で許される水準とそのまま一致するわけではありません。Anthropicの成果は設計の理論的評価であって実機での動作実証ではなく、企業の発表である点も括弧に入れて読む必要があります。DQIについての「スーパーコンピュータFrontierで約3か月かかる問題を、将来の量子コンピュータなら約1時間で解ける」という比較は、Google Quantum AIの研究者による資源見積もり(arXiv:2510.10967、査読前)に基づく試算です。

    それでも、資源要求が複数の方向から同時に削られることの意味は小さくありません。FeMocoの見積もりが8年で15万分の1になった履歴が示すように、アルゴリズム側の削減は着実に積み重なります。ハードウェアの誤り率改善と掛け合わせたとき、実用に必要な量子ビット数の桁が1つ下がるだけで、到達時期の見通しは大きく変わります。最初の誤り訂正済みマシンが対象にできる問題の幅も、回路設計しだいで広がるわけです。

  • TSMCは10月15日、2026年第3四半期の売上高が467.2億米ドル(前年同期比41.2%増)だったと発表しました。AI向け先進プロセスの需要を背景に、通期の米ドル建て売上高成長率ガイダンスは約44%に引き上げられました。一方、粗利益率は2nm量産ラップの影響で前四半期から低下。台南への3nm工場追加など供給拡張の動きが加速しています。

    AI需要が通期ガイダンスを約44%成長へ押し上げた

    TSMCは10月15日、2026年第3四半期(9月30日締め)の連結売上高1兆4,944.24億台湾ドル、純利益7,630.64億台湾ドル、希薄化後1株当たり利益29.43台湾ドルと発表しました。米ドル建て売上高は467.2億ドルで、前年同期比41.2%増、前四半期比16.2%増。純利益とEPSは前年同期比68.7%増でした。台湾ドル建ての売上高も前年同期比50.9%増で、通貨をそろえても高水準の伸びです(TSMC決算リリース、SEC提出書類)。

    ウエハー売上高の内訳では、2nmが8%、3nmが33%、5nmが28%、7nmが10%を占め、7nm以下の先進技術で全体の79%に達しました。CFOのWendell Huang氏はリリースで「第4四半期も先端プロセス技術への強い需要に支えられ、2nmの急速な立ち上げを含む」と述べています。

    さらに経営陣は同日の決算説明会で、2026年通期の米ドル建て売上高成長率ガイダンスを約44%に引き上げると発表しました。DIGITIMESの報道によると、Wei氏はAI需要の勢いと先進プロセス技術への強い需要を引き合いに、この引き上げを説明しています(DIGITIMESの報道)。第4四半期の売上高ガイダンスは523億〜543億ドル(1米ドル=31.8台湾ドルの為替前提)です。

    粗利益率66.4%に低下、下げる要因は2nm量産ラップ

    利益率には別の方向の動きが出ています。第3四半期の粗利益率は66.4%、営業利益率は58.7%、純利益率は51.1%でした。粗利益率は前四半期の67.7%から1.3ポイント低下しており、決算説明会では2nmの量産ラップによる希薄化が主因と説明されています。

    一方で、前年同期(2025年第3四半期)の粗利益率は59.5%で、1年前と比べると6.9ポイント高い水準にあります。営業利益率も前年同期の50.6%から58.7%へ上がりました。

    新しいプロセスの立ち上げ期は歩留まりが安定するまでコストがかさむため、利益率が一時的に下がるのは半導体受託製造で見られる通常のパターンです。この低下は需要の停滞ではなく、先端技術への投資が本格化したことの表れと読むことができます。ただし第4四半期の粗利益率ガイダンスは65〜67%であり、2nm比率が高まる間は65%台が当面続く可能性があります。

    売上の主役は3nm、台南に追加工場で供給を厚くする

    売上の中心を支えるのは3nmです。第3四半期時点で2nmの売上構成比は8%にとどまっており、当面は3nmが先進プロセスの柱であり続けると考えられます。CEOのC.C. Wei氏は決算説明会で「顧客からの強い需要を受けて、台南に3nm工場を追加することを決定した。量産は2028年前半の開始を予定する」と述べました(Cleanroom Technologyの報道)。これに先行し、台南サイエンスパーク内の別の3nm工場が2027年前半に量産を開始する予定です。

    既存設備の転用も進みます。TSMCは台南で5nm製造装置を3nm対応に転換し、7nm・5nm・3nmで柔軟な生産能力を確保する方針を示しています。海外では、アリゾナ州の第2工場で建設を完了して製造装置の搬入が進み、量産開始は当初計画を前倒して2027年第3四半期の見通しです。このプロジェクトは、アリゾナキャンパスへの追加1,000億ドル投資を含む米国拡張計画の一部です。日本では熊本の第2工場(JASM)で2028年に3nmの量産を始める計画です。

    2028年までの設備投資「大幅増」が示す需給の緊迫

    Wei氏は決算説明会で、今後数年で台湾に先端ロジックと先進パッケージングの工場13棟、海外に5〜6棟を建設する計画を明らかにしました。Huang氏も、2026〜2028年の設備投資が直近3年間を大きく上回るとの見通しを示しています。

    この規模の拡張は、AI向けチップの需要が少なくとも数年先まで続くという経営陣の判断に支えられています。売上の急伸、緩やかに低下する利益率、膨らむ設備投資。この3つが同時に進むのは、将来の需要に向けた先行投資が本格化した典型的な局面です。ただし追加工場の投資額は未公表の部分が多く、AI需要の伸びが想定を下回れば、キャパシティ過剰という逆の課題も抱える可能性があります。拡張の裏付けとなる需要と投資リスクの双方を、四半期ごとの数字で確かめていくことになります。

    +