AI調達の常識が覆されようとしている。Dharma-AIの最新研究により、特定のタスクに最適化された小規模モデルが、コストと性能の両面で巨大な商用APIを圧倒できることが実証された。
これまで企業のAI戦略において「最大規模のモデルこそが最も高性能である」という前提は、疑いようのない鉄則だった。OpenAIのGPTシリーズやGoogleのGeminiといった巨大言語モデル（LLM）は、パラメータ数と計算リソースの増大に比例して能力を向上させてきたからだ。しかし、Hugging Faceで公開されたDharma-AIの最新論文は、この「規模の経済」に依存した調達戦略が、もはや合理的ではない可能性を示唆している。研究チームは、ブラジル・ポルトガル語のOCR（光学文字認識）タスクにおいて、わずか30億パラメータの特化型モデルを構築した。驚くべきことに、このモデルはClaude Opus 4.6やGPT-5.4といった最先端の商用APIを性能面で上回っただけでなく、運用コストにおいては約52倍もの低コスト化を実現したのである。さらに、生成AI特有の課題である「テキスト退化（ループ現象）」の発生率においても、極めて高い安定性を示した。この結果が示唆するのは、汎用的な巨大モデルが抱える「パラメータの分散」という非効率性だ。巨大モデルのパラメータは、特定の業務には不要な言語や知識にまで広く割かれている。対して、特定の業務ドメインに合わせてファインチューニングされたモデルは、限られたパラメータをタスク遂行のために集中投下できる。つまり、モデルの能力を決定づける変数は「パラメータ数」から「タスクへの適合度（ディストリビューショナル・アライメント）」へとシフトしたと言える。もちろん、この結果がすべてのAIワークロードに直ちに適用できるわけではない。しかし、企業が「安全策」として巨大モデルを選択し続けることは、もはや競争優位性を損なうリスクを孕んでいる。今後は、自社のデータと業務フローに深く適合させた小規模モデルをいかに構築・維持するかが、AI活用の成否を分ける鍵となるだろう。調達担当者は、ベンダーのベンチマークスコアを鵜呑みにするのではなく、自社の特定タスクにおける「特化型モデルのROI」を再計算すべき時が来ている。
30億パラメータの特化型モデルが、Claude Opus 4.6やGPT-5.4などの商用APIをOCR性能で上回った。運用コストは商用APIと比較して約52倍の低コストを実現した。特化型モデルはテキスト退化率においても0.20%という高い安定性を記録した。パラメータ数よりも、学習履歴とタスクの適合度（アライメント）が性能を左右する主要因であると結論づけられた