中国DeepSeekがV4.1 Flashを公開した。推論時間を伸ばして難問を解かせる軽量モデルで、ハッカーニュースでは116ポイントを集めた。だが最高推論設定「Max」は時間もトークンも倍近く食うのに性能向上はわずか、との現場の声も漏れる。経営者は祭りに踊らず、冷徹にコスト構造を再設計すべき局面だ。

何が起きたか

DeepSeekが新モデル「V4.1 Flash 1017」を投入した。売りは軽量設計でありながら、推論時間を長く取ることで長文読解・数式・プログラミングの難問に食らいつく「test-time compute」型のアーキテクチャだ。OpenAIのo系列、Anthropic Claudeの思考モード系に対する中国からの対抗札であり、ハッカーニュースで116ポイントを集めた事実が開発者層の関心の高さを物語る。最大の論点は推論強度プリセットの最上位「Max」で、ここでは消費トークンと応答時間が通常比ほぼ倍に膨らむ一方、スコアの伸びは限定的だと複数のユーザーが報告している。OpenAIとAnthropicが寡占する基盤モデル市場に、またも「安くて、そこそこ賢い」中国製の刃が差し込まれた、というのが事実関係である。

なぜこのニュースが重要か

重要なのはモデルの性能そのものではない。「GPT一択」という企業IT戦略の前提が、またひとつ崩れた事実だ。この一年、日本企業の多くはAzure OpenAI経由でGPT-4o系に業務を集約し、プロンプトもRAGも社内ノウハウもGPT方言で固めてきた。そこへ中国製の軽量モデルが推論時間を武器に肉薄する。意味するのは、ベンダーロックインの代償が可視化され始めたということだ。推定だが、定型的な社内文書要約や一次問い合わせ対応をV4.1 Flash級に逃がすだけで、月額API費は半分以下に落ちる企業が相当数ある。しかもDeepSeek系は中国産ゆえのデータガバナンス懸念から、金融・公共では採用しづらい。つまり「使える現場」と「使えない現場」の線引きを、経営が自ら引き直す必要が出てきた。放置すれば、現場エンジニアが独断で安いモデルに切り替え、気付けばデータが国境を越えている――そんなシャドーAIのリスクが現実になる。

過剰評価への反論

ここで冷水を浴びせたい。「Max設定で性能が伸びない」という現場報告は、test-time computeというパラダイムそのものの収穫逓減を示唆している。推論時間を倍にして正答率が数ポイントしか上がらないなら、それはビジネス指標上「使えない」機能だ。コストは線形に、性能は対数的にしか伸びない関数を、本番運用に組み込む経営者はいない。にもかかわらず、ベンチマーク表の最上段にMaxスコアが載ることで「DeepSeekがOpenAIに並んだ」という神話が流通する。この構図はo1登場時にも、Claude 3.5 Sonnetの時にも繰り返されてきた見慣れた光景だ。さらに言えば、ハッカーニュース116ポイントという数字も冷静に見るべきで、これは「技術者が議論した」という以上の意味を持たない。導入事例でも、SLAでも、エンタープライズサポート体制でもない。中国発モデルの最大の弱点は依然として、本番障害時に誰が責任を取るのか不明な点にある。安さに目を奪われ、障害対応の電話一本かけられない相手に基幹業務を預けるのは、評論家として率直に言えば経営判断とは呼べない。

経営者として次に取るべき動き

第一に、自社のAIワークロードを「難問系」「定型系」「機密系」の3層に分類せよ。定型系はDeepSeek級の軽量モデルに逃がす余地があるが、機密系はガバナンス要件で動かせない。この棚卸しなしに価格比較は無意味だ。第二に、Max的な「最高推論モード」をベンチマークの飾りと割り切り、本番で使うのは中位設定までと社内ルール化せよ。コスト上限なき推論は、月末の請求書で経営を直撃する。第三に、マルチモデル前提のアーキテクチャに今期中に移行せよ。GPT専用に書かれたプロンプトとツール呼び出しは、半年後に必ず負債になる。LiteLLMなど抽象化レイヤーを噛ませ、モデルを部品として差し替えられる体制を整えること。踊らされる側ではなく、使い分ける側に回る。それが今日の宿題だ。