核要内容のまとめ
国内の大手テクノロジー企業（アリババ、バイドゥ、テンセント、字節跳動）が提供するオフィス向けAIアシスタントは、「モデルの集約」モデルへと移行しています。これは、自社開発の大規模なAIモデルだけに依存するのではなく、Zhipu（智谱）、DeepSeekなどの第三者モデルも利用し、ユーザーが自由にモデルを選べるようにすることを意味します。この取り組みの目的は、ユーザーに実際の業務（レポート作成、PPT作成、表計算など）をAIに任せてもらい、タスクの分解方法、ツールの呼び出し方、ユーザーのフィードバックといった貴重なデータを集めることで、AIの「コマンドシステム」（Harness）を最適化することです。しかし、そこには「ルーティング」という難問が伴います。異なるタスクに最も適したモデルを選び、効果、速度、コストの3つのバランスをどう取るかが、今後の競争の鍵となります。
1. なぜオフィスAIは「モデルを集め始めたのか？——まずはユーザーに使ってもらうことが重要
以前は大規模なAIモデルの競争は「どちらのモデルが優れているか」でしたが、オフィスAIの段階では考え方が変わりました。まずユーザーをつけ込み、実際に業務を任せてもらうことが重要です。
例えば、千問オフィスはZhipu GLM-5.3やDeepSeek V4 Proを導入し、テンセントのWorkBuddyは混元（Hunyuan）、Zhipu、MiniMaxなど複数のモデルを利用しています。なぜでしょうか？単一のモデルではすべてのタスクに対応できないからです。あるモデルは文章作成が得意で、別のモデルは表計算が得意、また別のモデルはPPT作成が得意です。利用可能なモデルが多ければ多いほど、ユーザーが直面する問題を解決できる可能性が高まり、使い続けたくなります。
さらに重要なのは、ユーザーが多く使えば使うほど、AIが得られる「実際のワークフローデータ」も増えるということです。例えば、ユーザーがレポート作成を依頼した場合、AIはどのようにして「資料の検索→アウトラインの作成→内容の充填→修正」といったプロセスに分けるのでしょうか？どの段階で失敗が発生し、ユーザーはどこを変更したのでしょうか？これらのデータがAIの進化に不可欠です。まるで教師が宿題を添削するように、多くの経験から学生の問題点や指導方法を見つけ出します。バイドゥの幹部は、公共データはすでにAIによって十分に分析されており、今後のAIの向上は「人が生み出す新しい知識」に依存すると述べています。つまり、「モデルを集める」とは技術を誇示するためではなく、ユーザーに使ってもらい、データを蓄積し、「ユーザーの利用→データの増加→AIの向上→さらなるユーザーの利用」というサイクルを形成するためです。
2. 集約は「境界がない」わけではない——大手企業は依然として自社のエコシステムを守っている
第三者モデルを導入しているものの、各社のモデルプールには競合他社のモデルが含まれていません。例えば、テンセントのWorkBuddyにはアリババの千問や字節跳動のSeedがなく、字節跳動のTRAE Workにはテンセントの混元がありません。なぜでしょうか？大手企業はユーザーを競合他社のAIに引きつけたくないからです。もしユーザーが自社のAIで競合他社のモデルを使った場合、その企業に流れてしまう可能性があるからです。したがって、集約は「オープン」ではありますが、エコシステムの壁は依然として存在します。これはまるで商業施設内の専門店のようなもので、他社のブランドを導入することはできても、競合他社の専門店がビジネスを奪うことは許されないのです。
3. ルーティング：モデル選択の難問
複数のモデルをAIに組み込むのは最初のステップに過ぎません。本当に難しいのは、各タスクに最適なモデルを選ぶことです。これが「ルーティング」と呼ばれるものです。
ここには「不可能トライアングル」が存在します。効果の高いモデルは通常高価で（複雑なタスクには大規模なモデルを使用し、一度の呼び出しが数円かかる）、速度が遅いことがあります。速度の速いモデルは効果が低い場合もあります。安価なモデルでは複雑な問題を解決できないこともあります。ルーティングでは、これら3つの要素のバランスを取る必要があります：
- 簡単なタスク（会議記録の作成など）には安価で速いモデルを使用し、コストを節約する。
- 複雑なタスク（年間売上データの分析やPPT作成など）には効果の高いモデルを使用し、品質を保証する。
- 緊急なタスク（10分以内にプランの枠組みが必要な場合）には速度の速いモデルを使用し、効果を少し犠牲にしても構わない。
ユーザーにとっては「結果の良し悪し」「待ち時間」「コスト」が関係します。企業にとっては、大量のタスクではコストの差が大きくなります（例えば、一度の呼び出しが10セント違うだけでも、100万回で1万円の差になる）。したがって、ルーティングは単純な「モデル選択」ではなく、「経済的な計算＋効果のバランス」を考える必要があります。
4. 最終的な競争：誰の「コマンドシステム」が優れているか？
モデルは購入したり、導入したりできますが、タスクの分解方法、モデルの選択、ツールの呼び出し、失敗時の復旧といったプロセスをうまく連携させることが本当の障壁です。これがAIの「コマンドシステム」（Harness）です。
例えば、ユーザーが「Q3の売上レポートを作成してほしい」と依頼した場合、AIのコマンドシステムはタスクを「Q3の売上データの取得→成長傾向の分析→レポートアウトラインの作成→内容の充填→PPTの美化」に分解し、各ステップで適切なモデルを選択する必要があります。データの取得には表計算に強いモデルを、傾向分析には論理的な処理に強いモデルを、内容作成には文章作成に強いモデルを使用します。もし何らかのステップで失敗が発生した場合でも、自動的に復旧できる必要があります。このコマンドシステムの良し悪しは、プラットフォームが蓄積している実際のデータと運用経験によって決まります。同じモデル選択でも、あるプラットフォームでは「Zhipuを使用する方がDeepSeekよりもコストがかからず、効果もほぼ変わらない」と正確に判断できますが、別のプラットフォームではそうはいきません。
したがって、今後のオフィスAIの競争は、どちらの企業のモデルが多いかではなく、どちらのコマンドシステムが優れているかです。つまり、効果、速度、コストのバランスを最適に取り、ユーザーにとってより快適で費用対効果の高いサービスを提供することが鍵となります。
一言でのまとめ
オフィスAIは「単一モデルの競争」から「複数モデルの集約」へと移行しており、ユーザーとデータを獲得するためです。しかし、この道を実現するにはまず「モデル選択」の問題を解決する必要があります。最終的な競争はAIの「コマンド能力」にかかっています。これはレストラン経営に例えられます。まずは様々な料理（モデル）を並べて顧客を引きつけ、次に異なる顧客（タスク）に最適な料理を推薦する方法を学び、最後にキッチン（コマンドシステム）の効率と経験で顧客を留めることが重要です。