#68-2　トークン爆発とAIエージェント問題── 企業財務・通信網・環境・デジタル赤字を食い尽くす無駄な計算 ──

はじめに

#68では、AIデータセンター問題を、単なる電力不足の問題としてではなく、トークン消費と無駄な計算の問題として論じた。

AIが悪いのではない。AIを意味のないまま走らせることが問題であり、その結果として、トークンが増え、計算量が増え、電力が増え、水が使われ、環境負荷が拡大する。つまり、データセンターの巨大化は原因ではなく結果である。
原因は、AI文明の入口で発生している。問いが整理されない。目的が曖昧なままAIに投げられる。必要な文脈と不要な文脈が区別されない。出力後にまた修正し、再生成し、別案を求める。その一つ一つがトークン消費であり、計算量であり、最終的には電力と水の消費につながっていく。これが前稿で示した基本構造であった。

しかし、問題はデータセンターの電力と水だけにとどまらない。AIトークン消費は、企業財務を直撃し始めている。AIエージェント化が進めば、一つの依頼が複数の処理へ分解され、人間には見えないところでトークンが増殖する。さらに、AIエージェントはインターネット上を巡回し、通信量を増やし、サーバー負荷を高める。善意の利用であっても過剰な探索は負荷となり、悪意ある利用であれば、攻撃と防御の双方に膨大な計算資源を消費させる。無駄な計算は、もはやAI企業の内部コストではなく、企業、通信網、電力、水、環境、人間の注意力を巻き込む社会的浪費になりつつある。

さらに、この問題は国家経済にもつながる。企業や行政が海外の大規模AIモデルに依存し、日々大量のトークンを消費するようになれば、その費用は海外AI企業への支払いとして流出する。これは単なるIT利用料ではなく、生成AI時代のデジタル赤字であり、知的処理基盤の海外依存であり、国家の知的主権の問題でもある。だからこそ、日本に必要なのは、米国や中国と同じ巨大LLM競争を後追いすることだけではない。日本が得意としてきた小型化、省資源化、精密化、現場最適化の思想を、AIにも持ち込むことである。

本稿では、#68の続編として、トークン爆発とAIエージェント問題を、企業財務、通信網、悪意ある計算、環境負荷、デジタル赤字、国産AI、そしてSAS OSの必要性へとつなげて考える。
問うべきことは、AIを使うか使わないかではない。どの計算を通し、どの計算を止めるのか。どこまで探索させ、どこで止めるのか。どのトークンが意味ある成果につながり、どのトークンが単なる浪費なのか。AI文明の次の課題は、計算量を増やすことではない。意味を持つ計算だけを選び、意味を持たない計算を止めることである。ここに、SAS OSの存在理由がある。
AI文明の次の課題は、計算量を増やすことではない。意味を持つ計算だけを選び、意味を持たない計算を止めることである。ここに、SAS OSの存在理由がある。

図の説明
曖昧な問い、目的の不明確さ、文脈の未整理から始まるAI処理が、再生成、探索、AIエージェント化を通じてトークン爆発を生み、それが企業財務、通信網、電力・水・環境負荷、デジタル赤字、データセンター需要へ波及していく全体構造を示した図である。ここで重要なのは、問題の本質がAIそのものではなく、意味を持たない計算の増殖にあるという点である。

第1章　トークン爆発は企業財務を直撃する

AIのコストは、もはや抽象論ではなく、企業の請求書に現れ始めている。これまで企業がITに費用をかけることは当然であった。クラウド利用料、サーバー費用、通信費、ソフトウェアライセンス、セキュリティ対策費、保守費用。これらは企業経営の中で予算化され、管理され、ある程度は予測可能な費用として扱われてきた。もちろんクラウド費用にも変動はある。通信量やストレージ容量が増えれば費用も増える。だが、それでも多くの場合、企業は利用量の見通しを立て、契約条件を確認し、一定の範囲内で管理することができた。

ところが生成AI、特にエージェント型AIのコストは、従来のIT費用とは違う性質を持つ。人間の利用回数だけを見ていても、内部でどれだけの処理が走るのかが見えにくいのである。
利用者から見れば、一回の依頼である。「この資料を調べてほしい」「競合を比較してほしい」「契約書を確認してほしい」「顧客対応文を作ってほしい」「コードを修正してほしい」。画面上では、たった一つの指示に見える。しかし、その背後では複数回のモデル呼び出し、検索、文書取得、要約、推論、再試行、検証、出力調整が行われる。

AIエージェントになると、この構造はさらに複雑になる。人間が一度指示しただけで、AIはWebを調べ、社内文書を探し、複数の候補を比較し、必要なら別のツールを呼び出し、結果を統合し、また検証する。つまり、AIの利用は一つの操作として見えても、内部では多数のトークン消費へ分解されている。

Forbes JAPANの記事では、Uberが2026年のAI予算を4月までに使い切ったこと、AT&Tの社内AIシステムが18カ月前には1日10億トークンだったものから、現在では1日270億トークンを消費するようになったこと、大手医療保険会社では月間のAIトークン消費が300万から1年足らずで1億5000万超へ跳ね上がったことが紹介されていた。

これらの数字が示しているのは、AI利用が単純な比例関係で増えるのではないということである。社員数が二倍になったからトークン消費が二倍になる、利用部署が三倍になったから三倍になる、というような穏やかな増え方ではない。AIが業務の内部に組み込まれ、さらにエージェント化されると、利用者の目に見えないところで処理が連鎖し、消費量は桁違いに跳ね上がる。これがトークン爆発である。

この爆発が企業財務にとって厄介なのは、費用が後から見えることである。人間を採用するなら、給与は事前に決まる。設備投資をするなら、見積もりがある。広告費なら、予算を設定して出稿する。ところがAIエージェントの場合、一つの業務を自動化した時に、その内部でどれだけのトークンが消費されるかを正確に予測することは難しい。特に、エージェントがWebを探索し、資料を読み込み、条件分岐し、再試行し、エラーを修正し、さらに別の処理を呼び出すようになれば、コストは一回の指示の外側へ膨らんでいく。企業が気づいた時には、予算を使い切っている。これが、現在起き始めているAIコストの現実である。

さらに問題なのは、トークン単価が下がれば解決するとは限らないことである。技術が進歩すれば、一トークンあたりの処理コストは下がる。モデルの効率化も進む。チップも高性能になる。クラウド側の最適化も進む。普通に考えれば、単価が下がれば費用は抑えられるように見える。

しかし、ここで起きるのが、一般にジェボンズのパラドックスと呼ばれる現象である。これは、ある資源の利用効率が高まると、一回あたりの使用量や費用は下がるが、その結果として利用範囲が拡大し、総消費量がかえって増えることがある、という考え方である。もともとは石炭利用の効率化と消費拡大をめぐる議論に由来するが、本稿ではこの考え方をAIトークン消費に応用している。

効率化によって一回あたりの利用が安くなると、人間や企業はさらに多く使う。さらに多くの業務にAIを組み込み、さらに多くのエージェントを走らせ、さらに複雑なワークフローを自動化する。結果として、単価の低下を消費量の増加が飲み込んでしまう。安くなったから減るのではない。安くなったから増える。これがAIトークン消費の怖さである。

ここで企業が見落としてはならないのは、トークン消費が必ずしも成果に比例しないという点である。AIを使う量が増えれば、何かをしているように見える。ダッシュボード上では利用が活発に見える。部署別に見れば、AI活用が進んでいるように見える。経営会議では、AI導入が浸透していると報告できるかもしれない。
しかし、そこで消費されたトークンが、実際にどれだけ売上、利益、品質向上、顧客満足、リスク低減、意思決定の改善につながっているのかは別問題である。もし目的が曖昧なままAIが走り、不要な文書を読み、不要な選択肢を増やし、不要な再生成を繰り返しているなら、それはAI活用ではなく、費用化された迷いである。
したがって、トークン爆発は単なるコスト増ではない。それは、企業の中で意味のない計算が財務上の負担として顕在化し始めたということである。
これまで人間の迷い、会議の長さ、資料の過剰、確認作業の重複は、見えにくい人件費として吸収されてきた。しかしAI時代には、それらがトークン消費として数値化され、請求書として現れる。企業は初めて、自分たちの業務にどれだけ曖昧さがあり、どれだけ無駄な探索があり、どれだけ意味の成立しない処理があるかを、AI利用料という形で突きつけられることになる。

トークン爆発とは、AIの問題であると同時に、企業の意味構造の弱さが、請求書という形で可視化された現象なのである。

第2章　トークン使用量はAI活用度ではない

一時期、AIを多く使うこと、トークンを多く消費することが、AIを使いこなしている証のように語られた。社員ごとのAI利用量を集計し、部署ごとに比較し、トークン消費量が多い人ほどAI活用が進んでいるように扱う。その発想は一見すると分かりやすい。使っていない人より、使っている人の方が前向きに見える。少しだけ使う人より、大量に使う人の方が新しい技術に適応しているように見える。経営側から見ても、AI導入が社内に浸透しているかを測る指標として、利用回数やトークン消費量は手軽である。しかし、この手軽さが危ない。なぜなら、トークン使用量は、AI活用度そのものではないからである。

トークン使用量が多いということは、確かにAIが多く動いたことを意味する。しかし、それが価値ある成果を生んだことを意味するわけではない。長い会議が必ずしも良い意思決定を生まないように、分厚い資料が必ずしも深い分析を意味しないように、大量のトークン消費もまた、高度なAI活用を意味しない。むしろ、目的が曖昧で、問いが整理されず、判断基準がなく、出力を見てから迷い、何度も再生成しているだけの場合、トークン消費量は「活用」ではなく「迷い」の量を示している可能性がある。
AIが便利であるほど、人間は考える前に投げ、出力を見てから考え、違うと思えばまた投げる。この繰り返しは、表面的にはAIを積極的に使っているように見える。しかし実態は、未整理な思考をトークンに変換しているだけかもしれない。
企業がトークン消費量を評価指標として扱い始めると、さらに問題は深くなる。評価されるものは増える。営業件数が評価されれば営業件数が増え、会議参加が評価されれば会議が増え、資料作成が評価されれば資料が増える。同じように、トークン消費量が評価されれば、トークン消費そのものが増える。AIを使う必要がない場面でもAIを使う。短く済む確認にもAIを通す。自分で判断できることまでAIに投げる。使ったことを示すために、意味の薄い生成を繰り返す。こうなると、AI活用の推進策が、無駄な計算の奨励策に変わってしまう。これは企業財務にとって危険であるだけでなく、組織の知的判断力にとっても危険である。

本来、AI活用の価値は、どれだけ多くのトークンを消費したかではなく、どれだけ少ないトークンで、どれだけ意味ある成果に到達できたかによって測られるべきである。短い問いで的確な出力が得られるなら、それは高い意味効率である。必要な文脈だけを選び、不要な情報を削り、目的に沿った出力を一度で得られるなら、それは優れたAI活用である。逆に、膨大な資料を読み込ませ、長い回答を生成させ、何度も再生成し、結局人間が大幅に書き直すなら、それは高度なAI活用ではない。トークンを大量に燃やしただけである。AI時代に重要なのは、生成量ではなく到達度である。利用量ではなく成立度である。

ここで必要になるのが、「意味効率」という考え方である。意味効率とは、消費したトークンに対して、どれだけ成立した意味、判断、行動、成果に到達したかを見る視点である。
従来のIT指標では、処理件数、応答速度、利用回数、稼働率などが重視されてきた。しかしAI時代には、それだけでは足りない。AIが多く稼働していても、意味のない処理を大量に行っていれば、組織としてはむしろ劣化している可能性がある。AIが速く答えても、その答えが判断に接続されなければ意味はない。AIが長く説明しても、責任ある行動に結びつかなければ価値はない。

したがって、企業がAIを本当に活用するためには、トークン消費量を誇る段階から、トークン消費を抑えながら意味を成立させる段階へ移らなければならない。
AIをたくさん使うことが目的なのではない。AIによって、何を明確にし、何を判断し、何を実行し、何を止めたのかが問われるのである。AI活用とは、AIを走らせることではない。AIを意味ある方向へ走らせることである。そして、意味のないところでは走らせないことである。この転換ができない企業は、トークン爆発を避けられない。逆に、この転換ができる企業は、少ない計算で大きな成果を生む。AI時代の競争力は、計算量の多さではなく、意味効率の高さによって決まる。

第3章　AIエージェントは無駄な計算を連鎖させる

AIエージェントは、人間の代わりに調べ、比較し、判断し、実行する存在として期待されている。これまで人間がブラウザを開き、検索し、複数のページを読み、条件を比較し、必要な情報を抜き出し、結論をまとめていた作業を、AIエージェントが自動的に行う。
旅行先の比較、商品の選定、競合調査、論文探索、ニュース収集、社内文書の確認、業務フローの実行。こうした用途だけを見れば、AIエージェントは非常に便利であり、人間の時間を節約する道具に見える。しかし、この便利さの裏側で、これまで人間が目で見ていたインターネットが、AIによって大量に読み込まれる空間へ変わり始めている。ここに、新たなトークン爆発と通信量爆発の入口がある。

人間が何かを調べる時、実際に読むサイト数は限られている。商品を選ぶ場合でも、公式サイト、レビューサイト、比較記事、販売ページ、いくつかの口コミを見れば、多くの場合は判断に至る。もちろん深く調べる人もいるが、人間には時間と注意力の制約がある。疲れれば止まる。ある程度分かれば切り上げる。読む速度にも限界がある。
しかしAIエージェントには、この自然な制約がない。指示の与え方によっては、同じ目的のために何十、何百、場合によっては何千ものページを巡回し、情報を集め、要約し、比較し、さらに再探索する。人間なら五件から十件で終わる探索が、AIエージェントでは桁違いに広がる可能性がある。
この時に発生する負荷は、AI内部のトークン消費だけではない。AIエージェントがWebサイトへアクセスすれば、その一つ一つがHTTPリクエストであり、サーバー負荷であり、通信量である。取得されたページはAI側で読み込まれ、トークン化され、要約され、比較され、場合によっては別のAI処理へ渡される。
つまり、AIエージェントの探索は、外部のインターネット通信と内部のAIトークン消費を同時に発生させる。人間の閲覧なら一度で終わるページも、AIが複数回アクセスし、複数のエージェントが同じように巡回し、さらに各社のAIが似たような調査を重複して行えば、インターネット全体の負荷は急速に膨張する。

ボット通信量が人間の通信量を上回り始めたという報道は、この変化を象徴している。もちろん、ボットには検索エンジンのクローラー、監視システム、不正アクセスのツールなど、以前から存在していたものも多い。
しかしAIエージェントの登場によって、ボットの性質は変わりつつある。単にページを収集するだけではなく、人間の代わりに目的を持って動く。調べ、比較し、要約し、判断を補助する。便利な正当利用であっても、大量化すれば負荷になる。しかも、AIエージェントは人間より速く、人間より多く、人間より休まずにWebを消費する。ここで問題になるのは、悪意の有無だけではない。善意であっても、探索が無秩序であれば、通信網とサーバーとAI計算資源を浪費するのである。
さらに、AIエージェントの探索は、Web上のビジネスモデルにも影響を与える。多くのメディアやサイトは、人間がページを訪れ、広告を見たり、会員登録をしたり、購読したりすることを前提に成立している。しかしAIエージェントがページを読み込み、その内容を要約して利用者に返すようになると、人間は元のサイトを訪れなくなる可能性がある。サイト側から見れば、コンテンツは読まれているのに、人間の訪問、広告表示、購読、関係形成にはつながらない。アクセス解析も歪む。人間の関心とAIの巡回が混在し、何が本当の読者の動きなのかが見えにくくなる。これは、単なる技術負荷ではなく、情報流通の経済構造そのものを揺さぶる問題である。

ここで重要なのは、AIエージェントを否定することではない。AIエージェントは、適切に設計されれば大きな価値を生む。人間の調査負担を軽減し、専門情報へのアクセスを助け、業務を効率化し、判断材料を整理することができる。しかし、探索範囲、目的、判断基準、終了条件が曖昧なまま動けば、AIエージェントは無駄な計算を連鎖させる装置になる。何を調べるのか。どこまで調べるのか。どの情報で十分とみなすのか。どこで探索を止めるのか。この意味制御がなければ、AIエージェントは便利さの名のもとに、通信量、トークン、電力、人間の注意力を消費し続ける。

したがって、AIエージェント問題の本質は、単にボットが増えたということではない。人間が行っていた探索行為が、AIによって高速化、大量化、不可視化されることである。人間なら疲れて止まる探索を、AIは止まらずに続ける。人間なら途中で判断する探索を、AIは条件が曖昧なまま広げてしまう。人間なら読まない情報まで、AIは読み込んでしまう。ここに、トークン爆発の次の段階がある。AIエージェント時代に必要なのは、より多く探索できる能力ではなく、意味のない探索を止める能力である。

AIエージェントは、善意の利用であってもWeb巡回、文書取得、比較・要約、再探索を通じて通信量、サーバー負荷、トークン消費、電力・水消費を増大させる。一方、悪意ある利用では、脆弱性探索、詐欺文面生成、偽情報拡散、自動化された攻撃へと展開し、さらに防御AI、検証AI、監視AIを動かすことで、資源浪費を二重化させる。この図は、第3章の善意の過剰利用と、第4章で論じる悪意あるAIエージェント問題をつなぐ構造図である。

第4章　悪意あるAIエージェントは資源を二重に浪費する

AIエージェントの問題を考える時、善意の利用だけを見ていては足りない。調査、比較、要約、予約、業務補助といった正当な利用であっても、探索範囲が制御されなければ通信量とトークン消費を増やす。
しかし、より深刻なのは、悪意あるAIエージェントの存在である。AIエージェントは、人間の代わりにWebを巡回し、情報を集め、条件を比較し、文章を生成し、場合によっては外部ツールを操作する。この能力は、善意の業務効率化にも使えるが、同時に攻撃、詐欺、偽情報、情報窃取、著作物の大量収集、世論操作にも使われ得る。AIエージェントには悪意あるものがない、とはまったく言い切れない。むしろ、今後はそこが大きな問題になる。

従来の悪意あるボットは、比較的単純な動きをしていた。大量アクセス、不正ログイン試行、スクレイピング、スパム送信、脆弱性スキャンなどである。もちろんそれだけでも十分に問題であった。しかしAIエージェントが加わると、悪意ある行為はより柔軟になる。標的のサイトを読み、構造を理解し、弱点らしき箇所を探し、相手に合わせた文面を生成し、失敗すれば条件を変えて再試行する。詐欺メールも、かつてのような粗雑な定型文ではなく、相手の職業、関心、地域、過去の発信に合わせて自然な文面にできる。偽情報も、単発の投稿ではなく、複数の立場、複数の文体、複数の媒体に分散して生成できる。悪意あるAIエージェントは、単に量を増やすだけではない。悪意ある行為の質と速度と個別最適化を高めてしまう。
ここで問題になるのは、攻撃そのものだけではない。悪意あるAIエージェントは、社会全体に無駄な計算を発生させる。脆弱性探索をするAIが動けば、それを検知するセキュリティシステムが動く。不正ログインを試みるAIが動けば、認証システム、監視システム、異常検知システムが動く。詐欺文面を大量に生成するAIが動けば、メールフィルター、通報システム、本人確認、問い合わせ対応が動く。偽情報が拡散されれば、ファクトチェック、報道機関、SNS運営、行政、企業広報が対応に追われる。攻撃AIが動けば、防御AIも動く。偽情報AIが動けば、検証AIも動く。詐欺AIが動けば、監視AIも動く。この連鎖全体が、トークン、通信量、電力、人間の注意力を消費する。
つまり、悪意あるAIエージェントは資源を二重に浪費する。第一に、攻撃側が計算資源を使う。第二に、防御側がそれに対応するためにさらに計算資源を使う。しかも防御側の負荷は、攻撃側よりも大きくなることがある。攻撃者は一つの弱点を見つければよいが、防御側はすべての入口を監視しなければならない。攻撃者は大量に生成して当たればよいが、防御側は大量の偽陽性と偽陰性を見分けなければならない。攻撃者は責任を負わずに試行錯誤できるが、防御側は顧客、社会、法規制、企業信用を背負いながら対応しなければならない。この非対称性が、AIエージェント時代にはさらに広がる。

この構造を、単なるサイバーセキュリティ問題としてだけ扱うのは不十分である。悪意あるAIエージェントが生む無駄な計算は、情報犯罪であると同時に、資源浪費型の環境問題でもある。詐欺メール一通、偽情報一件、不正アクセス一回は、画面上では軽く見えるかもしれない。しかし、それが世界中で大量に生成され、防御され、検証され、削除され、再発防止される過程では、データセンターが動き、通信網が動き、電力が使われ、水が使われ、人間の時間が奪われる。社会に価値を生まないどころか、社会を守るためにさらに多くの資源を使わせる。これを資源の浪費として捉えなければ、AI時代の本当の損失は見えない。
また、悪意あるAIエージェントの問題は、善意の過剰利用と完全に切り分けられるわけでもない。目的が善意でも、探索範囲が無制限であれば負荷になる。利用者に悪意がなくても、サイト側の権利や負荷を考えずに大量巡回すれば、結果として迷惑なボットになる。逆に、悪意ある利用者は、正当なエージェントのふりをして情報を取得し、要約し、再利用することもできる。善意、無自覚な過剰利用、悪意ある利用は、インターネット上ではしばしば混在する。そのため、単純な禁止リストやアクセス制限だけでは不十分である。文脈、目的、頻度、対象、影響、責任を含めた意味の判断が必要になる。

ここに、意味のインターロックという考え方が必要になる。AIエージェントに何ができるかだけを考えていては危険である。何をさせないか、どこで止めるか、どの探索を不必要と判断するか、どの行為を悪意ある計算として遮断するかを設計しなければならない。悪意あるAIエージェントが増えれば、社会は攻撃と防御の計算競争に巻き込まれる。そこでは、より強いAIを作るだけでは解決しない。攻撃AIに対して防御AIを増やすだけでは、計算資源の浪費が拡大するだけである。必要なのは、意味を持たない計算、社会を傷つける計算、資源を浪費する計算を、入口で止める構造である。AIエージェント時代の本当の課題は、能力の拡大ではなく、意味による制御なのである。

第5章　可視化だけでは無駄な計算は止められない

トークン爆発が企業財務を圧迫し始めると、最初に求められるのは可視化である。どの部署がどれだけAIを使っているのか。どのモデルがどれだけ費用を発生させているのか。どのAPIキーが大量に消費しているのか。どの業務プロセスがトークンを増やしているのか。企業は当然、それを知ろうとする。AI利用料が予算を超え、請求書が膨らみ、経営会議で説明を求められるようになれば、まずダッシュボードを作り、費用を分類し、部門別に集計し、上限を設け、アラートを出す。これは必要な対応である。見えないものは管理できない。トークン消費がブラックボックスのままでは、企業はどこで費用が発生しているのかさえ分からない。
しかし、可視化は制御ではない。請求額が見えることと、無駄な計算を止められることは違う。ダッシュボードは、どこでトークンが使われたかを示すことはできる。しかし、なぜそのトークンが必要だったのか、その計算が意味ある成果につながったのか、そもそもその依頼はAIに投げる必要があったのかまでは判断しない。部署別の消費量が見えても、それが成果の高い消費なのか、単なる再生成の繰り返しなのかは分からない。モデル別の費用が見えても、そのモデルを使う必然性があったのか、小型モデルや別の処理で足りたのかは分からない。可視化は結果を示すが、意味を判定するわけではない。
予算上限やレート制限も同じである。一定の金額を超えたら止める。一定回数を超えたら制限する。これは企業財務を守る上では有効である。しかし、上限に達した瞬間に必要な業務まで止まる可能性がある。重要な顧客対応、緊急の障害対応、リスク分析、契約確認まで、単に予算枠の中で一律に制限されれば、企業活動そのものが阻害される。一方で、予算内に収まっている限り、意味の薄い処理が続いていても見逃される可能性がある。つまり、予算上限は費用を止めることはできても、無駄を見分けることはできない。

キャッシュやモデルルーティング、トラフィックシェーピングも一定の効果を持つ。同じ問い合わせが繰り返されるならキャッシュが効く。簡単な処理なら安いモデルへ回すことができる。混雑や費用を見ながら処理経路を変えることもできる。これらはAIインフラ運用として重要である。しかし、これらは主に処理後の最適化、あるいは処理経路の最適化である。そもそも不要な問いを投げない、不要な探索をしない、不要な再生成を減らす、目的の曖昧な処理を開始しない、という根本には届きにくい。安いモデルへ回しても、無意味な処理は無意味なままである。キャッシュを効かせても、不要な問いが増え続ければ全体の浪費は止まらない。
ここに、企業が見落としやすい罠がある。コスト管理を強化すると、問題を解決したように見える。ダッシュボードが整い、部門別の費用が見え、予算アラートが鳴り、モデル別の使用量が整理されると、AI利用を統制している気になる。しかし、実際には、企業は請求書をより詳しく眺めているだけかもしれない。何が必要な計算で、何が不要な計算か。どの問いが成果に接続し、どの問いが迷いを費用化しているだけなのか。どの探索は続けるべきで、どの探索は止めるべきなのか。そこを判断する構造がなければ、可視化は単なる観察にとどまる。

本当に必要なのは、費用の可視化ではなく、意味による事前制御である。AIに投げる前に、目的を明確にする。必要な文脈を選別する。出力の成立条件を置く。探索範囲を限定する。再生成の回数や条件を決める。高性能モデルを使う必然性を判断する。人間が判断すべき部分とAIに任せる部分を分ける。こうした意味構造があって初めて、トークン消費は管理可能になる。AIコストを本当に抑える方法は、使った後に見える化することではない。使う前に、意味のない計算を発生させないことである。
したがって、トークン爆発への対策は、財務部門だけの仕事ではない。CIOや情報システム部門だけの仕事でもない。経営、現場、法務、情報システム、セキュリティ、そして業務設計が一体となって、AIに何をさせるのか、何をさせないのかを決める必要がある。AI時代のコスト管理は、単なる利用料管理ではなく、意味管理である。見える化は入口にすぎない。無駄な計算を止めるには、AIの前に意味を置かなければならない。

第6章　トークン爆発は環境問題である

トークン爆発は、企業のAI利用料だけの問題ではない。トークンは、画面上では文字やデータの処理単位に見える。しかし、その背後では必ず計算が行われている。入力を読み込み、文脈を保持し、推論し、出力を生成する。その一つ一つにGPUやサーバーが動き、電力が使われ、熱が発生し、冷却が必要になる。つまり、トークンは単なる課金単位ではなく、計算量の入口であり、電力消費の入口であり、環境負荷の入口である。企業の請求書に現れるAIコストと、データセンターで消費される電力と水は、別々の問題ではない。どちらも同じトークン消費構造の表と裏なのである。

AIエージェント化が進むと、この環境負荷はさらに見えにくくなる。人間が一回依頼しただけで、AIエージェントはWebを巡回し、複数の文書を取得し、内容を読み込み、要約し、比較し、必要に応じて再探索する。外から見れば、利用者は一つの結果を受け取っているだけである。しかし、その裏側では通信量、サーバー負荷、トークン消費、計算量、電力、冷却が連鎖している。しかも、利用者はその連鎖をほとんど意識しない。画面には便利な回答だけが表示される。だが、便利さの背後では、データセンターが動き、通信網が動き、電力と水が消費されている。

これまで環境問題は、工場、自動車、発電、物流、建設、農業など、物理的な産業を中心に語られてきた。デジタル技術は、紙を減らし、移動を減らし、効率を高めるものとして、比較的軽い存在のように見られてきた。しかし、生成AIはその見方を変える。AIは情報技術でありながら、巨大な電力消費を伴う重い産業である。AIは画面の中の知能に見えるが、実際には巨大なデータセンター、GPU、冷却設備、送電網、水資源、土地を必要とする。生成AIの利用が拡大するほど、知的活動そのものが物理的な環境負荷へ変換されるのである。
さらに深刻なのは、悪意あるAI利用が環境負荷を増幅することである。悪意あるAIエージェントが詐欺文面を生成し、脆弱性を探索し、偽情報を拡散し、著作物を大量に収集すれば、その攻撃のために計算資源が使われる。それに対抗するために、防御側のAI、監視システム、検証システム、メールフィルター、セキュリティサービスも動く。攻撃と防御がAI化すれば、社会は計算資源の消耗戦に巻き込まれる。しかも、その多くは社会に価値を生まない。むしろ、信頼を壊し、混乱を生み、それを修復するためにさらに資源を使わせる。これは情報空間の問題であると同時に、電力、水、通信網、人間の注意力を浪費する環境問題である。

AIデータセンターをめぐっては、電力不足、水使用、地域環境、送電網への負荷が問題になり始めている。しかし、そこで議論がデータセンターの建設可否や冷却方式だけにとどまるなら、本質には届かない。もちろん省電力チップ、冷却技術、再生可能エネルギー、排熱利用、水使用削減は重要である。だが、それらは下流の対策である。上流でトークン消費が無秩序に増え続ければ、どれほど効率化しても総負荷は増え続ける可能性がある。燃費の良い車を作っても、走行距離が何倍にも増えれば燃料消費は減らない。同じように、AIの計算効率が上がっても、無駄な計算が何倍にも増えれば、環境負荷は減らない。
だから、AI時代の環境対策には、これまでとは違う発想が必要になる。必要なのは、発電や冷却の効率化だけではない。そもそも不要な計算を発生させないことである。不要な問いを投げない。不要な文脈を読み込ませない。不要な探索を広げない。不要な再生成を繰り返さない。悪意ある計算を入口で止める。目的に対して必要十分なモデルを選ぶ。小型AIで足りる処理に巨大モデルを使わない。こうした意味制御が、環境対策になる。トークンを減らすことは、計算量を減らすことであり、電力を減らすことであり、水を減らすことであり、データセンター需要を抑えることである。

トークン爆発を環境問題として見ることは、AIにブレーキをかけるためではない。AIを本当に持続可能な技術にするためである。AIは医療、教育、防災、創薬、製造、行政、地域支援など、多くの分野で社会に役立つ可能性を持っている。だからこそ、価値ある計算と無駄な計算を区別しなければならない。社会を支えるAIのために、社会を浪費するAIを減らさなければならない。AI時代の環境倫理とは、単に電力を節約することではない。意味のない計算を資源浪費として扱い、それを止める構造を持つことである。

第7章　トークン爆発はデジタル赤字を拡大する

トークン爆発は、企業財務の問題として現れる。しかし、そこで止まる問題ではない。企業が海外の大規模AIモデルに依存し、日々大量のトークンを消費するようになれば、その費用は国内にとどまらず、海外AI企業への支払いとして流出していく。これは一社ごとのAI利用料として見れば、単なる業務コストかもしれない。しかし、国全体で見れば、知的処理の費用が海外へ流れ続ける構造である。生成AI時代のトークン消費は、単なるIT費用ではない。国家経済における新しいデジタル赤字の入口になり得る。

これまでも日本は、多くのデジタル基盤を海外企業に依存してきた。検索、SNS、スマートフォンOS、クラウド、広告プラットフォーム、動画配信、アプリストア。国内の企業や個人が日々利用するデジタルサービスの多くは、海外の巨大プラットフォームの上で動いている。もちろん、それらは便利であり、日本社会の生産性や生活の利便性を高めてきた。しかし同時に、利用が増えるほど、広告費、クラウド費、手数料、サブスクリプション費用、データ利用料が海外へ流れる構造も生まれた。
生成AIは、この流れをさらに深くする可能性がある。なぜなら、生成AIは単なる情報閲覧の道具ではなく、企業や行政の知的処理そのものに入り込むからである。
会議資料を作る。契約書を確認する。顧客対応文を生成する。社内文書を検索する。営業戦略を考える。研究開発を補助する。プログラムを書く。行政文書を整理する。教育教材を作る。医療や福祉の支援情報をまとめる。これらの業務が海外AIモデルの上で動くようになれば、日本の企業活動や公共活動のかなりの部分が、トークン消費として海外AI企業に課金される。しかもAIエージェント化が進めば、消費量は人間の利用回数に比例しない。業務の自動化が進むほど、見えないところでモデル呼び出しが増え、検索が増え、文書読み込みが増え、推論が増え、トークンが増える。これは企業の費用であると同時に、国家として見ればデジタル赤字の拡大要因である。

この問題は、単に海外企業に支払うことが悪いという話ではない。国際的な技術連携や海外サービスの利用は現実的に必要である。世界最高水準のモデルを使うことで得られる価値も大きい。
問題は、知的処理の基盤をどこまで外部に依存するのかということである。AIが企業の判断、行政の効率化、教育、医療、研究、金融、製造、物流に深く入り込むほど、AIモデルへの依存は国家の知的インフラ依存になる。もし、その基盤を海外モデルに全面的に委ねれば、日本企業はAIを使うほど便利になる一方で、トークン費用を払い続ける構造から逃れにくくなる。AI活用が進めば進むほど、国内の知的活動が海外AI企業の課金体系に組み込まれていくのである。
さらに、トークン消費の流出は、単なる金額の問題にとどまらない。AIを通じて、どのような業務が処理され、どのような判断補助が行われ、どのようなデータが投入され、どのような文脈がモデルに依存するのかという問題もある。もちろん、企業向けAIにはセキュリティやプライバシーの管理が用意されている。しかし、国家全体として考えれば、知的処理の標準、業務の設計思想、判断補助の枠組みが海外モデルに合わせて形成されていく可能性がある。これは、単に費用が海外へ出るという意味の赤字だけではない。意味の処理基盤を外部に依存するという、より深い赤字である。
したがって、トークン爆発は国産AIの必要性にもつながる。だが、ここで誤ってはならないのは、国産AIの意味を、米国や中国の巨大LLMと同じ土俵で競争することだと考えることである。巨大なデータセンター、膨大なGPU、巨大資本を背景にした大規模LLM競争では、日本が正面から勝つことは容易ではない。そこで同じ競争を目指せば、資金も電力も人材も不足し、結局は後追いになる危険がある。日本が考えるべき国産AIは、巨大さで勝つAIではなく、少ない計算で意味ある成果に到達するAIである。
海外の最先端モデルを使うことは否定しない。むしろ、高度な研究、複雑な分析、国際競争力が求められる領域では、世界最高水準のモデルを使う必要がある。しかし、すべての日常業務、すべての行政処理、すべての社内検索、すべての教育支援に巨大モデルが必要なわけではない。ここに、日本が取り得る現実的な道がある。高度な用途では海外モデルも使いながら、国内の定型業務、地域行政、中小企業支援、教育、医療、製造現場では、国産の小型AIと意味制御の仕組みを組み合わせる。そうすれば、トークン費用の流出を抑え、デジタル赤字を抑え、国内に知的処理の基盤を残すことができる。

トークン爆発は、企業の請求書に現れた。しかし、その先には国家の収支、産業政策、知的主権の問題がある。AIを使うほど海外に支払う構造を当然のものとして受け入れるのか。それとも、日本の現場、日本の産業、日本の行政、日本の地域に合った省資源型のAI基盤を作るのか。この問いを避けることはできない。生成AI時代のデジタル赤字を抑えるには、単に国産モデルを作るだけでは足りない。少ないトークンで意味ある成果に到達する、意味効率の高い国産AIの方向が必要なのである。

図の説明：
海外大規模LLM依存では、大量トークン消費、高コスト、デジタル赤字、データセンター需要増、電力・水負荷増が連鎖する。これに対して、日本が目指すべき方向は、小型AIとSAS OSを組み合わせた意味制御型AI基盤である。
SAS OSが問いを整理し、必要文脈を選別し、小型AIを活用し、必要な場合のみ大規模AIへ渡すことで、少ないトークン消費、低コスト、省資源、国産AI・地域実装、データセンター乱立の抑制へつなげる。この図は、第8章と第9章で展開する日本型AI戦略の入口となる図である。

第8章　日本は大規模LLM競争ではなく、小型AIと意味効率で勝つ

トークン爆発がデジタル赤字を拡大する可能性を考えるなら、国産AIの必要性は避けて通れない。しかし、ここで重要なのは、国産AIをどう定義するかである。単に日本語で動くAIを作ればよいのか。海外の巨大モデルを真似て、日本版の大規模LLMを作ればよいのか。あるいは、米国や中国と同じように、巨大データセンター、膨大なGPU、莫大な資本を投入して、モデルサイズと計算量で競争すべきなのか。私は、この方向だけを国産AIの中心に据えるのは危ういと考える。なぜなら、それは日本の強みを活かす道ではなく、他国が先行する土俵で後追いする道になりやすいからである。
もちろん、日本にも大規模AIの研究開発は必要である。基盤モデル、学習技術、日本語処理、セキュリティ、安全性評価、産業応用に関する研究は不可欠である。国家としても、最低限のAI基盤を持つことは重要である。しかし、米国や中国の巨大AI企業が進めるような、資本と電力とデータセンターを大量に投じる大規模LLM競争に、日本が真正面から同じ形で挑むのは現実的ではない。そこでは、GPUの調達力、データセンター投資、電力確保、世界規模の人材獲得、クラウド市場の支配力がものを言う。日本がそのすべてで勝つことは容易ではない。
では、日本に勝ち筋はないのか。私は、そうではないと考える。日本の強みは、巨大化ではなく、小型化、省資源化、精密化、現場最適化にある。自動車産業では、燃費、品質、部品の精度、現場改善によって世界的な競争力を築いた。家電や電子部品では、小さく、軽く、精密で、使いやすい製品を作ってきた。工作機械やロボット、センサー、製造現場では、限られた条件の中で高い安定性と品質を実現してきた。日本の技術文化には、巨大なものを力で押し通すよりも、無駄を削り、精度を上げ、現場に合わせて最適化する力がある。この思想をAIにも持ち込むべきではないか。
AIにおいても、すべての処理に巨大モデルが必要なわけではない。日常業務の文書整理、社内規程の検索、問い合わせ対応、地域行政の支援、教育教材の作成、中小企業の業務補助、製造現場の点検記録、医療・介護現場の情報整理。これらの多くは、世界最大級の汎用モデルを毎回呼び出さなくても、目的と文脈が整理されていれば、小型AIで十分に機能する可能性がある。重要なのは、モデルの巨大さではなく、対象業務の意味構造がどれだけ整理されているかである。問いが曖昧で、文脈が散らかり、判断基準がないままなら、巨大モデルでも無駄な計算をする。逆に、目的、文脈、判断条件が明確なら、小型モデルでも高い意味効率を出せる。
ここに、小型AIとSAS OSを組み合わせる意味がある。小型AIだけでは、処理能力や知識量に限界がある。しかし、SAS OSが問いを整理し、必要な文脈を選び、意味の摩擦を検出し、成立条件を与えれば、小型AIは無駄に広く探索する必要がなくなる。必要な範囲に集中し、必要な情報だけを読み、必要な出力だけを生成することができる。つまり、SAS OSは小型AIの弱点を補う意味制御層になる。大きなモデルで力任せに処理するのではなく、意味構造によって計算を絞り込む。これが、日本型AIの一つの方向である。
この方向は、企業にとっても現実的である。すべての業務に高価な海外大規模モデルを使えば、トークン費用は膨らみ、デジタル赤字にもつながる。しかし、業務の多くを小型AIとSAS OSで処理し、本当に高度な処理だけを大規模モデルへ渡す構造を作れば、費用を抑えながらAI活用を進めることができる。これは、単なるコスト削減ではない。AIの使い分けであり、意味に応じた計算資源の配分である。小さな処理には小さなAIを使い、高度な判断には高性能モデルを使う。その前段でSAS OSが意味を整理し、どの処理をどこへ渡すかを判断する。この構造があれば、AI利用は無秩序なトークン消費から、意味効率の高い処理体系へ変わる。
また、この考え方は日本の中小企業や地方行政にも合っている。大企業なら高額なAI利用料を負担できるかもしれない。しかし、中小企業、自治体、教育現場、地域医療、福祉現場では、毎月膨れ上がるトークン費用を負担し続けることは難しい。だからこそ、少ない計算で機能するAIが必要になる。地域の文脈、業務の文脈、行政の文脈、教育の文脈を整理し、小型AIに適切に渡す。これは、日本の地域社会に合ったAI実装の方向でもある。巨大モデルを中央から配るのではなく、地域や現場に合わせた小型AIを、意味構造によって支えるのである。
国産AIの目的は、世界最大のモデルを作ることだけではない。日本の社会、日本の産業、日本の地域に合った、持続可能な知的処理基盤を作ることである。大規模LLM競争では、計算量、資本力、データセンター規模が勝負になる。しかし、日本が目指すべきもう一つの競争軸は、意味効率である。少ないトークンで、どれだけ確かな判断に到達できるか。少ない電力で、どれだけ現場の課題を解決できるか。少ない計算で、どれだけ社会に役立つ意味を生成できるか。日本は、この方向でこそ強みを出せるはずである。
AI時代の日本に必要なのは、巨大化への憧れだけではない。小さく、正確に、省資源で、現場に合い、意味を外さないAIである。そして、そのためには、単なる小型モデルでは足りない。小型AIを意味ある方向へ導くOSが必要になる。SAS OSは、そのための意味制御基盤である。日本がAI時代に独自の道を切り開くとすれば、それは巨大LLMの後追いではなく、小型AIとSAS OSによる意味効率の競争である。

第9章　小型AI＋SAS OSはデータセンター乱立を防ぐ

小型AIとSAS OSの組み合わせは、企業のトークン費用を抑えるだけではない。より大きく見れば、データセンター乱立を防ぐ方向にもつながる。AI利用が無秩序に拡大し、企業、行政、教育、医療、産業現場が海外の大規模LLMに依存して大量のトークンを消費すれば、その需要を支えるために、さらに多くのデータセンターが必要になる。データセンターが増えれば、電力が必要になる。冷却のために水が必要になる。土地が必要になる。送電網の強化が必要になる。地域環境への影響も出る。つまり、AI利用の拡大は、画面の中の便利さにとどまらず、国土利用、地域環境、エネルギー政策にまで波及するのである。
これまで、データセンター問題は下流の問題として語られることが多かった。どこに建設するのか。電力は足りるのか。再生可能エネルギーで賄えるのか。冷却水をどう確保するのか。地域住民の理解をどう得るのか。これらは重要な論点である。しかし、それだけでは本質には届かない。データセンター需要がなぜ増えるのかを問わなければならない。需要の源には、トークン消費がある。トークン消費の源には、AIへの依頼、探索、生成、再生成、エージェント処理がある。さらにその上流には、意味構造の未整理がある。問いが曖昧で、目的が不明確で、探索範囲が広がり、判断基準がないままAIが動けば、トークンは増える。トークンが増えれば、データセンター需要も増える。
つまり、データセンター乱立を防ぐためには、建設段階や冷却段階だけでなく、AI利用の入口で無駄な計算を減らす必要がある。もちろん、データセンターそのものは必要である。AI研究、医療、創薬、防災、製造、行政、教育、安全保障など、社会に必要な計算は存在する。しかし、すべての計算が同じ価値を持つわけではない。社会を支える計算もあれば、社会に価値を生まない計算もある。意味のある探索もあれば、意味のない探索もある。必要な推論もあれば、単なる迷いの再生成もある。悪意あるAIエージェントが発生させる攻撃と防御の計算競争もある。これらを区別せず、すべてを需要として扱えば、データセンターは増え続ける。
ここで重要になるのが、小型AIとSAS OSの組み合わせである。すべての処理に巨大モデルを使うのではなく、処理の意味と難度に応じて、小型AI、専門AI、大規模AIを使い分ける。日常業務、社内文書検索、地域行政、教育支援、現場記録、定型的な判断補助などは、意味構造が整理されていれば、小型AIでも十分に機能する可能性がある。SAS OSは、その前段で問いを整理し、必要な文脈を選別し、探索範囲を限定し、出力の成立条件を置く。これによって、小型AIは無駄に広い探索をせず、必要な範囲で意味ある出力を出せる。
この構造は、AI利用を単なる高性能モデル依存から、意味に応じた計算資源配分へ変える。軽い処理には軽いモデルを使う。専門領域には専門モデルを使う。高度な創造、研究、複雑な分析には大規模モデルを使う。その前段で、SAS OSが意味を整理し、どの処理をどこへ渡すかを判断する。これにより、巨大モデルを何でも屋として使い続ける必要がなくなる。大きなエンジンで近所の買い物に行くような無駄を減らすことができる。AI時代の省資源化とは、モデルの性能を下げることではない。目的に合った計算資源を選ぶことである。
無駄なトークンを減らすことは、単に企業の請求額を減らすことではない。電力を減らすことであり、水を減らすことであり、冷却負荷を減らすことであり、データセンター需要そのものを抑えることである。さらに、海外大規模AIモデルへの依存を減らせば、トークン費用の海外流出も抑えられる。つまり、小型AI＋SAS OSは、企業財務、デジタル赤字、環境負荷、データセンター乱立を同時に抑える方向を持っている。これは単なるAI利用の工夫ではない。国家的な省資源戦略であり、地域環境を守るためのAI設計思想である。
もちろん、小型AIだけですべてを解決できるわけではない。大規模モデルが必要な領域はある。最先端研究、複雑な創造、未知の問題への探索、多言語・多領域の高度な推論には、大きなモデルの力が必要になる。しかし、すべてを巨大モデルに投げる必要はない。むしろ、巨大モデルを本当に必要な場面に集中させるためにも、小型AIと意味制御が必要になる。無駄な処理を小型化するのではない。必要な処理を適切に分配するのである。ここに、SAS OSの役割がある。
AI文明がこのまま無秩序に進めば、トークン爆発は企業財務を圧迫し、通信量を増やし、データセンター需要を押し上げ、電力と水と土地を奪い合う構造を強めるだろう。しかし、AI利用の入口に意味構造を置けば、別の道が見える。問いを整理し、文脈を圧縮し、探索を制御し、悪意ある計算を止め、処理に応じたモデルを選ぶ。その結果、少ない計算で大きな意味に到達できる。データセンター乱立を防ぐ最も根本的な方法は、データセンターの外側ではなく、AIに問いを投げる前にある。無駄な計算を発生させないことこそ、AI時代の最も深い省エネなのである。

おわりに

トークン爆発は、最初は企業財務の問題として現れる。AI利用料が増え、予算が読めなくなり、請求書が経営課題になる。しかし、それは入口にすぎない。トークンは計算量となり、計算量は通信量、電力、水、冷却、データセンター、送電網、地域環境へとつながっていく。さらに、海外大規模AIモデルへの依存が深まれば、トークン費用は海外へ流出し、デジタル赤字を拡大させる。AIエージェントが普及すれば、Web上の探索は人間の速度と量を超え、通信網とサーバーに新たな負荷をかける。悪意あるAIエージェントが増えれば、攻撃側だけでなく防御側にも膨大な計算資源を消費させる。つまり、トークン爆発は単なるAI利用料の問題ではなく、企業財務、通信インフラ、環境、国家経済、社会の信頼をまたぐ文明問題である。
ここで問うべきことは、AIを使うか使わないかではない。AIを使わない社会に戻ることはできないし、戻るべきでもない。AIは、医療、教育、防災、創薬、製造、行政、地域支援、科学研究において大きな価値を生む可能性を持っている。問題は、AIそのものではない。意味を持たない計算を無制限に増殖させることである。目的のない生成、過剰な探索、迷いの再生成、悪意ある自動化、無秩序なエージェント処理。これらをすべて同じ「AI需要」として受け入れれば、企業は費用に苦しみ、社会は通信量に苦しみ、地域はデータセンターと電力需要に苦しみ、国家はデジタル赤字に苦しむことになる。
日本が進むべき道は、巨大LLM競争の後追いだけではない。もちろん、大規模AIの研究開発は必要であり、世界最高水準のモデルを適切に使うことも必要である。しかし、日本の強みは、巨大化よりも、小型化、省資源化、精密化、現場最適化にある。すべての処理に巨大モデルを使うのではなく、意味構造を整理し、必要な文脈だけを選び、少ないトークンで成立した意味に到達する。日常業務、地域行政、中小企業支援、教育、医療、製造現場では、小型AIとSAS OSを組み合わせることで、低コストで持続可能なAI活用の道が開ける。これは企業のコスト削減にとどまらない。デジタル赤字を抑え、データセンター乱立を防ぎ、電力と水と地域環境を守る方向にもつながる。

AI文明の次の競争軸は、計算量の多さではない。どれだけ巨大なモデルを使ったかでもない。どれだけ多くのトークンを消費したかでもない。これから問われるのは、どれだけ少ない計算で、どれだけ深い意味に到達できたかである。つまり、意味効率である。AIを意味ある方向へ走らせ、意味のないところでは走らせない。そのためには、AIの前に意味構造を置く必要がある。SAS OSは、そのための意味制御基盤である。トークン爆発の時代に必要なのは、無限に計算するAIではなく、意味を持つ計算を選び、意味を持たない計算を止めるOSである。

【参照記事・参考概念】

John Sviokla「AIコストの暴走：トークン爆発が企業財務を脅かす理由」Forbes JAPAN、2026年6月。
企業におけるAIトークン消費の急増、AIエージェント化によるコスト拡大、ジェボンズのパラドックス的な消費増加の問題を考える上で参照した。

Cloudflare Radar 関連記事・資料。
ボット通信量の増大、AIエージェントによるWeb巡回、インターネット通信量とサーバー負荷の変化を考える上で参照した。

ウィリアム・スタンレー・ジェヴォンズ『The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal Mines』（1865年）。
本稿では、同書に由来する「ジェボンズのパラドックス」の一般的理解を、AIトークン消費の増大に応用している。

【関連論考」
#68　AIデータセンター問題
── 電力不足の原因はAIではない。無駄な計算である。 ──

本稿は、上記論考の続編である。前稿では、AIデータセンター問題の本質を、電力不足そのものではなく、トークン消費と無駄な計算の増殖として論じた。本稿では、その問題をさらに、企業財務、AIエージェント、通信網、環境負荷、デジタル赤字、国産AI、小型AI＋SAS OSへと展開した。

次稿では、AI支出が本当に成果に結びついているのか、学習ループは企業の知的資産になるのか、そしてSAS構造解析なしに学習ループを回すことがなぜ危ういのかを論じる予定である。