2026年のAIトレンドを語るとき、多くの記事はモデル名、性能、ベンチマーク、AIエージェント、生成AIアプリに注目します。もちろん、それらは重要です。しかし、企業がAIを実務に使う段階では、もう一つ別の制約を見ておく必要があります。
それは、電力と供給網です。AIはソフトウェアのように見えますが、大規模に動かすにはデータセンター、GPU、冷却設備、電力、変圧器、送電網、土地、許認可が必要です。AIの成長は、モデルだけでなく、かなり物理的なインフラに支えられています。
この点について、University of Pennsylvania の Wharton School 教授 Santiago Gallino は、2026年5月12日に公開された “AI’s Supply Chain Problem” で、AI拡大の制約がチップや人材だけではなく、電力網の容量に移りつつあると指摘しています。
AIの議論は、モデル中心になりすぎている
企業向けAIの話題では、「どのモデルが賢いか」「どのAIエージェントが便利か」「どの会社のAI投資が伸びるか」がよく語られます。これは自然な流れです。実際、モデル性能の向上は速く、文章作成、翻訳、検索、要約、コード補助、問い合わせ対応など、実務に使える場面は増えています。
しかし、AIが便利になるほど、利用量も増えます。利用量が増えれば、推論を動かす計算資源が必要になります。計算資源が増えれば、データセンターが必要になります。データセンターが増えれば、電力と冷却と送電能力が必要になります。
つまり、AIは画面の中だけで完結しません。背後には、電力会社、設備メーカー、建設、半導体、通信、土地利用、地域行政まで広がる供給網があります。この供給網が追いつかなければ、AIの利用コストや安定性にも影響が出ます。
Wharton教授が指摘する「AIの供給網問題」
Gallino教授の論点は明確です。AIの拡大で最も不足しやすい資源は、チップや資金ではなく、電力網の容量かもしれない、ということです。
同記事では、米国のPJM地域を例に、AIデータセンター需要が電力インフラの増強速度を上回っていることが説明されています。データセンターは毎年5〜7ギガワット規模の需要を追加する一方、新しく稼働する発電能力は2〜3ギガワット程度にとどまる、という見方です。
また、AI向けデータセンターの需要は急に増えますが、発電所、送電線、大型変圧器、許認可は短期間では増やせません。大型変圧器のような重要設備は調達リードタイムが長く、注文すればすぐ届くものではありません。ここに、AIの成長速度とインフラの整備速度のずれがあります。
ソフトウェアは速く、インフラは遅い
この問題を企業経営の言葉で言えば、「AIはソフトウェアの速度で広がるが、インフラは鉄、銅、コンクリート、許認可の速度でしか増えない」ということです。
新しいAI機能は、数週間から数か月で導入できます。APIをつなぎ、プロンプトを調整し、社内文書を読み込ませ、試験運用を始めることは以前より簡単になりました。
一方で、データセンターを建て、電力契約を結び、送電能力を確保し、冷却設備を整え、地域の合意を取り、必要な部材を調達するには年単位の時間がかかります。AIの需要予測が少し外れるだけでも、設備投資、電力価格、クラウド料金、サービス品質に影響が出ます。
これは大手クラウド企業だけの問題ではありません。中小企業も、AIサービスを使う以上、間接的にはこのインフラに依存しています。クラウドの価格、API利用料、応答速度、サービス制限、地域ごとの提供可否は、最終的にインフラ制約の影響を受けます。
電力はAIだけのものではない
もう一つ重要なのは、電力が社会全体の資源であることです。病院、水道、鉄道、工場、住宅、学校、通信、行政システムも電力を必要とします。AIデータセンターだけが優先されるわけではありません。
AI需要が急に増える地域では、データセンター建設に対する地域住民の反発、電力料金への影響、環境負荷、送電網の安定性、規制の問題が出てきます。これは技術論ではなく、社会的な資源配分の問題です。
企業がAIを導入するときも、同じ視点が必要です。AIを使えるから使うのではなく、その処理は本当にAIで行う価値があるのか。頻度、コスト、精度、説明責任、代替手段を見た上で判断する必要があります。
日本企業にとっての意味
日本の中小企業が、自社でAIデータセンターを建てることはほとんどありません。しかし、クラウドAIを使う以上、インフラ制約と無関係ではありません。
たとえば、AIを問い合わせ対応、社内検索、文書要約、メール分類、画像生成、コード補助に使う場合、処理量が増えるほどコストは積み上がります。最初は安く見えても、全社利用、24時間運用、大量文書処理、多言語対応、ログ保存まで含めると、運用費は軽くありません。
そのため、AI導入では「どこまで自動化するか」を慎重に決める必要があります。すべてをAIに任せるより、人間の判断が必要な部分、ルールで十分な部分、既存ツールで処理できる部分を分けた方が、費用対効果は安定します。
企業はAIを「重く」しすぎない方がよい
AIの性能が上がると、つい多くの業務をAI化したくなります。しかし、すべての業務に高性能モデルを使う必要はありません。
定型的な分類はルールや軽量モデルで足りることがあります。単純な変換や整形は、ブラウザ内ツールや通常のプログラムで十分なことがあります。社内文書検索も、最初から大規模なAI基盤を作るより、文書整理、権限整理、FAQ整備から始める方が効果的な場合があります。
重要なのは、AIを使うこと自体ではなく、業務上の摩擦を減らすことです。AIが必要なところにだけ使い、そうでないところは軽く処理する。この設計が、今後ますます重要になります。
SMARTWAYの見方
SMARTWAYでは、AI導入を「流行しているモデルを入れること」とは考えていません。業務の目的、データの扱い、コスト、責任範囲、運用ルールを整理した上で、どこにAIを使うべきかを決めるべきだと考えています。
Gallino教授の指摘は、企業にとって重要な警告です。AIは本物の技術です。しかし、AIを支えるインフラは無限ではありません。電力、設備、供給網、地域、規制、コストの制約を無視して、すべてをAI化することは現実的ではありません。
中小企業にとって現実的なのは、まず価値が見えやすく、コストを管理しやすく、失敗しても影響が小さい領域から始めることです。文書整理、問い合わせ分類、FAQ、社内ナレッジ、軽量なブラウザ内ツール、既存業務の一部自動化などが候補になります。
AIの次の競争は、単に「どのモデルが賢いか」ではありません。どの業務に使う価値があり、どのコストなら続けられ、どの運用なら現場に定着するかです。AIを使うほど、企業には設計力が求められます。
自社のAI活用を、コスト、運用、データ管理、業務効果の観点から整理したい場合は、お問い合わせページよりご相談ください。
あわせて読みたい
参考資料
- Knowledge at Wharton: AI’s Supply Chain Problem
- Wharton AI & Analytics Initiative: News and research insights
本記事は公開資料をもとにした一般的な情報整理です。特定の電力市場、クラウド契約、投資判断、設備投資に関する助言ではありません。
公開日：2026年7月6日