データセンターのアウトプット単位は、ラックからトークンへと移りつつあります。しかし、多くの自社構築計画では、予算がハードウェアと建屋までしかカバーされていません。計算リソースを実際の収益に変える層は、たいてい設計図に載っていないのです。

AIデータセンターのアウトプット単位：ラックからトークンへ

過去20年間、データセンターの価値はラック数、稼働率（可用性）、PUEで測られてきました。AIワークロードはこの定義を変えました。NVIDIAのジェンスン・フアンCEOはGTC 2026で、現代のデータセンターを「工場」にたとえ、そのアウトプット単位はトークンであると述べました。さらに、製品ロードマップをトークンのスループット、トークンの経済性、ワットあたりの性能に結びつけています（Data Center Frontier, 2026）。

現在、3つの変化が同時に起きています。

  • 推論が学習を上回る。Deloitteは、2026年に推論が世界のAI計算リソースの約3分の2を占めると予測しています。2025年の約半分、2023年の3分の1から大きく伸びています（Deloitte, 2026）。学習はプロジェクト単位の収益ですが、推論は利用量に応じて積み上がる継続的な収益です。
  • 課金単位がGPU時間からトークンへ。NVIDIAは、真の経済的転換点は、事業者がインフラの上にトークン計量型のモデルやアプリケーションを重ね、インフラの利用時間ではなくAIの出力を販売し始めた時だと述べています（NVIDIA Technical Blog, 2026）。中国の通信事業者は、すでに従量課金型のAIトークンサブスクリプションを提供しています（Omdia, 2026）。
  • 電力がアウトプット量の上限を決める。アウトプット量がトークンで測られ、容量が電力に制約される以上、単位電力あたりどれだけのトークンを生み出せるかが収益の上限を決めます。2026年に稼働率がエンジニアリングの課題から財務の課題へと変わったのはこのためです。アイドル状態のアクセラレーターも電力を消費し続けますが、課金できるものは何も生み出しません。

構築が完了しても、サービスはまだ始められない：GPU設置から課金開始までのギャップ

自社構築を進める事業者が最も見誤りやすいのが、ハードウェアと建屋の検収が完了しても、すぐに顧客へサービスを提供できるわけではないという点です。GPUを設置してから最初の請求書を発行するまでには、異種計算リソースのスケジューリング、マルチテナント管理、APIアクセス、利用量の計量、課金・照合が必要です。

このギャップは、すでに業界データに表れています。

  • Cast AIが約23,000の企業向けKubernetesクラスターの実測テレメトリを分析した結果、企業のGPU平均稼働率は約5%で、割り当て容量は実際の使用量の約20倍でした（Cast AI, 2026）。
  • VentureBeat Researchが技術責任者573名を対象に行った調査では、GPUインフラを自社運用する企業の86%が、稼働率は半分以下と回答しています（VentureBeat Research, 2026）。
  • 業界の分析によると、消費層のギャップにより、事業者は通常6〜12か月分の時間と収益を失っています（Supercomputing Frontiers, 2026）。

これらの数字が示しているのは、ハードウェアの不足ではなく、運用能力が追いついていないという現実です。

自社構築における4つのギャップ：稼働率、マルチテナント、計量・課金、サービス開始までの期間

AIデータセンターは、「電気・機械設備とハードウェア」「計算リソース管理」「運用と収益化」の3層に分けられます。自社構築事業者は第1層では十分な実績を持ち、第2層はなんとか対応しているものの、第3層はそもそも計画に含まれていないことがほとんどです。ホワイトペーパーで整理した4つのギャップは、すべて第2層と第3層に位置しています。

ギャップ影響
計算リソースの稼働率不足投資計画の入居率の前提が崩れ、投資回収期間が後ろ倒しに。アイドル設備はコストを生み続ける
マルチテナント管理とガバナンスの不足一度に1社の大口顧客にしかサービスを提供できず、顧客集中リスクが高い。課金もラック単位に逆戻り 
利用量の計測・課金機能の欠如収益に最も直結するギャップ。月額定額制にするか、監査根拠のない手作業の見積もりに頼るしかない
顧客のオンボーディングとサービス開始までの期間ハードウェアは検収日から償却が始まるが、収益は運用層の準備が整うまで発生しない

4つ目の財務的な影響は、最も過小評価されがちです。設備投資3億円を5年で償却する場合、月あたりの償却額は約500万円です。運用層の立ち上げが予定より6か月遅れれば、直接的な損失は3,000万円に上り、市場機会の損失はこれに含まれていません（これは試算例です。実際の評価には自社の数値を当てはめる必要があります）。

AIクラウドの運用層は自社開発か、導入か？

電気・機械設備、冷却、ネットワークは、従来から専門事業者から調達するのが一般的です。運用層にもまったく同じ3つの特徴があります。長期的な保守が必要であること（モデルの世代、顧客ニーズ、法規制は常に変化する）、ハードウェアの世代と密接に結びついていること（作り直しても価値は上がらない）、そして規模に応じて複雑さが急激に増すこと（3テナントと300テナントでは、まったく別のシステム設計になる）です。

INFINITIXの2つの製品は、まさにこの2つの層に対応しています。

  • AI-Stack：計算リソース管理プラットフォームです。ソフトウェア定義型GPUとスケジューリング技術で稼働率を高め、異種計算リソースを一元管理します。計算リソース管理層の稼働率の課題に対応します。
  • ixCSP：AIクラウド運用プラットフォームです。AI-Stackの上にAI GatewayとToken課金システムを統合し、マルチテナント管理、計量、課金、サービスカタログといった機能を提供します。GaaS、MaaS、TaaSの3つのビジネスモデルに対応し、運用層の収益化の課題を解決します。

両製品はプロジェクトの進捗に合わせて段階的に導入でき、新たにデータセンターを建設する必要もありません。まずはアイドル状態や低稼働のGPUを管理下に置いて運用モデルを検証し、容量の拡張に合わせて規模を広げていくことができます。

ホワイトペーパーダウンロード：AIデータセンターの重要なギャップと解決策

『AIインフラからToken Factoryへ：AIデータセンター自社構築事業者が直面する重要なギャップと解決策』完全版では、4つのギャップの詳細な解説、運用層の3層参照アーキテクチャ、建屋のライフサイクルに応じた段階的な導入計画、そして導入事例をご紹介しています。フォームにご記入いただくと、すぐにダウンロードいただけます！