トークンエコノミー
今日の AI について語る時、トークンが王様です。 具体的には、推論トークンが AI エコシステムの成長を追跡する主要な指標として浮上しています。公開企業は、AI の成長を示すために毎月の処理トークン数を報告し、アナリストは相対的なトークン量に基づいてモデルの成功を比較し、経営陣は長期的なトークン使用量を確認することで、AI への取り組みと投資へのコミットメントを測っています。
この幅広い人気には理由があります。トークンは AI のインテリジェンスと計算の基本単位であり、トークンの成長は世界における AI 全体の成長をよく表しています。また、トークンは推論の複雑さを単一の測定単位に抽象化するため、理解が簡単で（たった 2 分でわかります！）、長期間にわたって一貫して追跡するのも容易です。一種の共通言語として、トークンは技術的な知識の有無にかかわらず、幅広い層が AI の急速で複雑な進歩を理解することを可能にします。
より多くの人が AI を使うようになった？ トークンは増加します。非推論モデルから推論モデルに移行した？ トークンは増加します。クエリからエージェントに移行した？ トークンは増加します。エージェントがバックグラウンドで動作したり、長期的なタスクを処理できるようになった？ トークンは増加します！
全体的な絶対処理トークン数は、AI の普及と導入の増加、そしてモデルや AI フォームファクターをより「トークン消費型」にするインフラの進化（例：1 分間動作するエージェント vs 1 時間動作するエージェント）の両方の関数として増加します。
このシンプルさは、ベンチャー成長投資家にとって強力な成長投資のテーゼも生み出します。これらの変化はすべて — 採用面とモデルのトークン集約度の両方 — が互いに積み重なり、全体的なトークン量の爆発的かつ指数関数的な成長を生み出します。これは簡単に描くことができ、長期的なエージェントやバックグラウンドエージェントの登場により、この方向性が続くと信じるのも容易です。推論が非常にホットな投資カテゴリーとなり、多くの企業が推論ビジネスへの参入を目指すのも不思議ではありません。
推論のように判読しやすく人気のある AI の代表的な存在には、視野を狭めてしまう可能性があるという欠点があります。そのため、同様に台頭しているメガトレンドが、幅広い層には見えにくく理解されにくいという理由で、比較的注目されないままになる可能性があります。
特に 1 つのトレンドは、多くの点で推論に類似しており、より広く普及し理解されるにつれて、AI の議論の中でさらに大きな部分を占めるようになるでしょう。それは データを通じてモデルの能力を向上させる市場であり、私たちはこれをタスクエコノミーと呼びます。
タスクエコノミー
過去 3 年間で、LLM は基本的なクエリに答える段階から、複雑な問題を推論する段階、そして長期間にわたって現実世界の作業を完了できるエージェントへと進化しました。この旅の初期段階では、モデルの改善は、インターネット上で利用可能なデータを、増大する計算リソースでトレーニングすることによって行われました。しかし、1) トレーニングに使えるインターネット上のデータが枯渇し、2) よりシンプルで一般的な能力が飽和状態になるにつれて、さらなるモデル改善のための明確なボトルネックが浮上しました。それは、付加価値の高い高品質データです。このデータは、タスクエコノミーによって生成され、提供されます。
タスクは、強化学習における「練習の単位」です。モデルに初期状態と行動する環境が与えられ、その行動は報酬シグナル/検証者によってスコアリングされます。多くのタスクにわたって、それらのスコアが集約されてトレーニングシグナルとなり、モデルの行動を高いスコアを得た方向へとシフトさせます。厳密に言えば、「タスク」はこの RL ポストトレーニングの基盤を指します。しかし、私はこれをより緩やかに、データ駆動型改善の一般的な単位として使用します。なぜなら、業界はモデルをより良くするためにデータが取る新しい形態を急速に発明しており、そして率直に言って、「タスクエコノミー」という響きが非常に良いからです。また、このカテゴリーを時代遅れの「データラベリング」という呼称と区別したいと思います。「データラベリング」はバウンディングボックスや LLM 応答のサムズアップ/ダウンを連想させますが、市場はここ数年でこれらの基本をはるかに超えて、より複雑で価値の高いタスクへと進化しています。
具体的な例として、法曹業界を見てみましょう。オープンインターネットでトレーニングされた AI モデルは、法律の高度な理解を得たり、公に知られている判例の先例などを把握したりできます。しかし、有能な弁護士の現実の仕事を再現するには、インターネット上では入手できないデータが必要です。モデルが高品質な法律業務のワークフローを再現できるようにするには、モデルにプロンプト（契約書のレビュー、議論の起草）を与え、モデルを関連する環境（法律データルーム）に置き、そして作業の質を評価/検証（ルーブリックを使用、その例はこちらで見られます）する必要があります。これらのタスクは、モデルに何をすべきかだけでなく、どのように行うかを教えます。そして、モデルに与える高品質なタスクが多ければ多いほど、モデルは向上します。
このように、トークンが推論/モデル使用にとってのものであるように、タスクはモデル改善努力にとってのものです。 トークンは AI のインテリジェンスと計算の基本単位です。私たちはタスクを AI 改善の基本単位と考えるべきです。そして、トークンと同様に、タスクは AI の導入の関数として成長するだけでなく、発展するフロンティアインテリジェンスがますます「タスク消費型」になるにつれて成長します。
これは正確でも網羅的でもありませんが、モデルインテリジェンスの各段階的な向上が、より多くの、より複雑なタスクを必要とする例を示しています。
基本的な選好ラベルから、ルーブリックを使用する熟練した専門家へと移行した？ タスクは増加します。専門家レベルのドメイン業務を再現する垂直エージェントを導入した？ タスクは増加します。エージェントがより長期的に作業する必要がある？ タスクは増加します。企業が評価を大量に導入している？ タスクは増加します！
推論市場と同様に、これらの積み重なる成長インプットは、タスクエコノミーにおいても同様に前例のない成長を生み出しています。
- OpenAI と Anthropic はデータ支出を前年比 10 倍に拡大しており、あらゆるドメインの専門家を動員してデータを作成し、エージェントをトレーニングするために数十億ドルを費やしています。
- 当ネットワーク内の主要な AI アプリケーション企業やエンタープライズは、データこそが参入障壁であり、差別化されたデータ戦略を持つ応用 AI が既製のモデルに打ち勝つことができると認識し、個々のタスク関連支出を短期間で1 億ドル以上に拡大しています。
- Benchmark のポートフォリオ企業であり、タスクエコノミーをリードするプラットフォームである Mercor は、今年 2 月に ARR 10 億ドルを達成し、その後わずか 4 か月後に ARR 20 億ドルを達成しました。
生のタスクの量、それらのタスクの長さと複雑さ、そしてタスクを完了する専門家の時間あたりのコストはすべて増加しており、積み重なることでタスク支出全体の指数関数的な成長を生み出しています。
そして、この市場における最近の成長シグナルがこれほど印象的である一方で、この市場の全体的な成長と影響力はまだほんの序の段階に過ぎないことは明らかです。高度なドメインで高品質な作業を再現できるエージェントはようやく登場し始めたばかりであり、企業はデータがラボと比較した差別化要因としての重要性に気づき始め、今年に入ってようやく支出を拡大し始めたところです。これを、AI がカバーすることを私たちが望む将来の能力に関連する人間の知識の 99% は人々の頭の中にある という背景と比較してみてください。*あらゆる種類の応用 AI 企業（ラボ、AI アプリ企業、エンタープライズ）が、その暗黙知をモデルやエージェントに伝達したいと考えるのであれば（そして、そう考えるべきです）、タスクエコノミーは、これまでよりもはるかに広範なバイヤー/参加者を対象に、今後何年にもわたって急速な成長を続けることになるでしょう。
タスクメガトレンドをより明確に
トークンとタスクは、AI の進歩と進化の重要なバロメーターであり、両方とも急速に加速しています。しかし、この同様の爆発的な成長にもかかわらず、今日のオンラインではトークンについての議論に比べてタスクについての議論ははるかに少ないです。これは主に以下の理由によると考えられます。
1) 歴史的に、この市場における支出はフロンティアラボに集中しており、彼らはデータ/タスクへの支出を含むモデル改善戦略について極めて秘密主義的でした。しかし、これは今年に入り、AI アプリ企業やエンタープライズが差別化を図るためにタスクエコノミーを採用し始めたことで急速に変化しています。これらの企業は、この分野での取り組みを積極的に宣伝し、このカテゴリーを通常の AI の会話に押し上げる可能性が高いです。
そして 2) この市場には、推論におけるトークンのような明確な価値の抽象化単位がまだ存在しませんでした。この記事の目的の一つは、これを変え、標準化できる価値の単位としてタスクを中心に議論をまとめることです。トークンは、技術的な熟練度に関係なく、幅広い層が AI の進歩を理解することを可能にする共通言語です。タスクも同様に、業界の AI 能力向上への投資を幅広い層が理解できるようにする役割を果たすべきです。
これらのボトルネックを考えると、業界には現在、「タスク量のための OpenRouter」や、長期間にわたるタスクエコノミーの規模と成長をライブで把握できるプロキシとなるようなものは存在しません。将来的にこのようなものを公開する企業があれば非常に価値がありますが、現時点では、Mercor チームが親切にも、彼らのプラットフォームにおける四半期ごとのエキスパート作業時間の推移を示すグラフを、市場の指数関数的成長の窓として提供してくれました。ご覧のとおり、実際のデータは前のセクションで説明した成長の規模/速度と一致しています。
出典：Mercor
多くの点で、タスクエコノミーは AI の未来を定義する市場です。ラップトップ上で私たちが行えるすべてのタスクをエージェントで自動化するための障壁は、経済活動のあらゆる側面に対応するすべてのアプリ、すべての環境、すべてのタスクの完全な分布をカバーすることです。これには、あらゆる専門分野、学問分野、消費者ユースケースにわたる大規模なデータ構築が必要となります。法律、医療、金融、ソフトウェア、科学など、それぞれに専門家が生成したデータセット、評価、RL 環境が必要です。ラボ、AI アプリ企業、エンタープライズはすべて、経済的に有用な作業の全領域にわたってこのデータインフラを急速に拡大するために競い合い、成功した者はフロンティア能力を向上させ続け、市場シェアを獲得するでしょう。
タスクエコノミーが今後数年間でより可視化され、普及するにつれて、私たちはコミュニティとしてこれらの取り組みをはるかに詳細に追跡し始めるでしょう。そして、近い将来、AI について語る時、タスクが王様になるでしょう。
脚注：汎用 AI 能力の向上が見られるもう一つの明白な分野は、モデルのアルゴリズム改善です。この記事ではデータに焦点を当てるためにこれらを除外しましたが、これはスタイル上の選択であり、将来的にアルゴリズム改善も得られないと考えているわけではありません。
