https://www.theinformation.com/articles/microsoft-reveals-2-seller-ai-apps-behind-openai?utm_source=ti_app&rc=01qtpq

📌 概要

Microsoft は、最新の決算発表の中で AI アプリケーションの売上で、OpenAI の次に多い第2位の販売実績を持つ企業 であることを公開しました。これは売上ベースで世界2番目という意味です。

コパイロットのサブスクはどのようなことができますか？

Microsoft Copilot（コパイロット）のサブスクで何ができるかを、用途別に整理します👇

🧠 Microsoft Copilotとは？

Microsoft 365、Windows、Edge、GitHub などに深く統合された生成AIで、「文章作成・資料作成・分析・検索・コード生成」を業務フローの中でそのまま行えるのが最大の特徴です。

💰 主なサブスク体系（代表例）

① Copilot Pro（個人向け）

月額約3,200円（$20）
Word / Excel / PowerPoint / Outlook / OneNote で利用可
GPT-4系モデル優先利用
生成回数制限が緩い

👉 個人研究・資料作成・ブログ・投資分析などに向く

② Copilot for Microsoft 365（法人向け）

月額約4,500円/人
Teams / Outlook / SharePoint / OneDrive と完全連携
社内データ（権限ベース）を横断検索・要約
会議要約・議事録・ToDo自動生成

👉 組織業務の“AI秘書”

③ GitHub Copilot

月額約10〜19ドル
コード補完・関数生成・テスト生成
コメント→コード化
ROS / Python / C++ / MATLAB など対応

👉 研究・ロボティクス・制御コードと相性抜群

✨ できること（具体例）

📝 文書・論文・レポート

Wordで 👉「この章を学術論文調に書き直して」 👉「査読コメントへの回答文を作って」
長文PDFや特許の要約

📊 Excel分析（かなり強力）

「この売上データの異常値を説明して」
「ROICとWACCを計算してグラフ化」
数式・ピボット・VBA補助

📽 PowerPoint自動生成

「このWord原稿から学会発表用スライドを作成」
図構成・箇条書き・話す内容まで提案

📧 Outlook / Teams

メール下書き・要点抽出
会議内容 → 要約＋決定事項＋次のアクション
「先週の◯◯議論をまとめて」

💻 コーディング（GitHub Copilot）

ROSノード生成
Python分析コード
コメント → 実装
テスト・例外処理の自動補完

🔐 ChatGPTとの決定的な違い

観点	Copilot	ChatGPT
Office連携	◎ 完全統合	△ コピペ
社内データ	◎ 権限付き参照	✕
会議・メール	◎ 実務特化	△
自由度	△	◎
研究ブレスト	◯	◎

👉 Copilot = 実務AI 👉 ChatGPT = 思考・研究AI

🎯 あなたの用途に当てはめると（参考）

論文執筆・特許整理 → Copilot Pro + ChatGPT
Excelでの投資分析 → Copilot Pro
ROS / VPR / SCOUT-E 開発 → GitHub Copilot
研究室・組織運用 → Copilot for M365

必要なら

どのプランが最適かの判断
ChatGPTとの併用戦略
研究・ロボティクス用途に特化した使い分け

まで具体的に整理しますよ。

どこの企業もGPUの能力は足りてないですか？

結論から言うと、はい。ほぼすべての主要AI企業で「GPU能力は足りていません」。ただし「同じ不足」ではなく、不足の質と深刻度が企業ごとに違うのが重要です。

なぜ「どこも足りない」のか（構造的理由）

① GPU需要が“想定外”に爆発

生成AI（学習＋推論）が常時GPUを消費
従来：学習中心
現在：学習＋24時間推論（Copilot / ChatGPT / API）

👉 GPUが「一時的資源」から恒常的インフラに変わった

② 実質的な高性能GPU供給元は NVIDIA しかない

H100 / H200 / B100 などは数か月〜1年待ち
AMD・Intelはまだ代替になり切れていない

👉 世界的な供給制約

③ GPUは「お金」だけでは解決しない

必要なのは：

電力
冷却
データセンター用地
ネットワーク
運用人材

👉 資本力 × インフラ整備力 × 設計力が必要

企業別の「GPU不足の質」

🟦 Microsoft

状態：需要＞供給
特徴：
- Azure
- Copilot
- OpenAI
戦略：
- GPUを 外販（Azure）と内製AI（Copilot等）で奪い合い
→ 足りていないが、最も戦略的に配分

🟧 Google

状態：GPU不足をTPUで一部回避
特徴：
- TPU（自社AIチップ）
- Gemini
問題：
- TPUは万能ではない
→ GPU依存は減らせているが、計算資源は依然タイト

🟨 Amazon（AWS）

状態：供給能力は最大級だが需要も最大
特徴：
- AWS Trainium / Inferentia
課題：
- 顧客が「NVIDIA GPU指定」
→ 量はあるが、欲しいGPUが足りない

🟥 OpenAI

状態：常にGPU不足
理由：
- 学習も推論も世界最大級
→ Microsoftの供給が生命線

🟩 Meta

状態：自社向けでも不足
特徴：
- Llama
- AI広告・推薦
問題：
- 推論が爆発的
→ 「持っているが足りない」

🟪 xAI

状態：極端に足りない
特徴：
- Grok
- 急拡張
→ 資金はあるが、GPUが来ない

重要な整理（誤解しやすい点）

❌「GPUが足りない＝AIが失速」 ⭕「GPUが足りない＝AI需要が強すぎる」 ❌「Microsoftが39%成長＝限界」 ⭕「GPUを配分した結果の数字」

今後どうなる？

短期（〜1年）

GPU不足は 解消しない
企業は：
- 優先順位付け
- 高単価顧客優遇
- 推論効率化

中期（2〜4年）

自社AIチップ増加
省電力モデル
分散推論

👉 「GPUの量」から「GPUの使い方」競争へ

一文でまとめると

主要AI企業は例外なくGPUが足りていない。ただし勝敗を分けるのは「持っている量」ではなく、「誰に・何に・いつ使うか」を決める戦略である。

もし次に進むなら、

NVIDIA一強はいつ崩れるか
AIチップ内製は本当に勝てるか
GPU不足はバブル崩壊の前兆か？

どれを深掘りしますか？

推論部もかなりGPUを必要としていますか？

はい、推論（Inference）も現在は「かなりGPUを必要としています」。むしろ 多くの企業では、すでに「学習より推論の方がGPUを食う段階」 に入りつつあります。

なぜ推論がGPUを大量に使うのか

① 生成AIは「1回で終わらない」

画像分類（旧来AI） → 1回の推論で終了
LLM / 生成AI → トークンを1つずつ順次生成

👉 1リクエスト＝数百〜数千回の小推論

② 同時ユーザー数が桁違い

学習：夜間・バッチ・計画的
推論：24時間・リアルタイム・突発的

👉 ピーク対応のためGPUを遊ばせる必要がある

③ 大規模モデルは「載せるだけでGPU占有」

モデルサイズ：
- 70B → 数十GB
- 100B超 → 100GB以上
1GPUに1モデル常駐が普通

👉 GPUは“メモリ占有資源”

学習 vs 推論：GPU消費の逆転

観点	学習（Training）	推論（Inference）
実行形態	バッチ	常時
GPU利用率	高いが一時的	低めでも常駐
需要の伸び	鈍化	爆発的
売上	間接	直接（API / サブスク）

👉 事業化すると推論が本体