Perplexity AIのCEO、Arav Srinivas氏が先日こんな趣旨の投稿をしました。「Sun Microsystemsはピーク時に時価総額2,050億ドル（インフレ調整後で約3,940億ドル、現在の円換算で約60兆円）に達したが、Linuxとx86コモディティハードウェアに破壊され、最終的にOracleに74億ドルで売却された。価値の96%が消えた。ローカルで動くオープンソースモデルも同様の衝撃を与えうる」。この一言は、AI業界の構造変化を考えるうえで、かなり刺さる指摘です。この記事では、Sun崩壊の歴史を整理しながら、オープンソースAIが企業の仕事環境をどう変えていくのか、30〜40代の会社員目線で考えてみます。
Sun Microsystemsは何をやっていたのか
Sunは1990年代から2000年代初頭にかけて、企業向けサーバーとソフトウェアを販売していた会社です。「ネットワークこそがコンピュータ」というスローガンを掲げ、大手銀行や通信会社など、システムの安定性を最優先する企業に高性能なサーバーを売り込んでいました。価格は1台数百万〜数千万円が当たり前で、そのハードウェアで動かすためのSolaris（OS）やJava（プログラミング言語）も自社で囲い込んでいました。いわば「高級な専用品」を束ねて売るビジネスモデルです。
ところが2000年代に入ると、Linuxという無料のOSが普及し始め、安価なIntel製のx86チップで動く「普通のPC」がサーバーとして使えるようになりました。企業のIT部門は「Sunのサーバーに1,000万円払う必要はない、Linuxを入れたPCサーバーを10台買えばいい」と気づいてしまいます。Sunが守ろうとした「専用ハードウェア×専用ソフト」の組み合わせは、コモディティ化の波に完全に飲み込まれました。2010年にOracleに買収された時点での売却額は74億ドル。ピーク時の約4%です。
今のAI業界との構造的な共通点
この話が2025年のAI業界に重なって見えるのは、構造がそっくりだからです。現在、OpenAIやAnthropicが提供するAPIは、企業がAI機能を使うための「専用サーバー」に相当します。月額課金で使うクラウド型のサービスで、処理はすべて外部サーバーで行われます。一方で、MetaのLlamaシリーズやMistralなどのオープンソースモデルは、自社のサーバーやPCにインストールして無料で使えます。かつてのLinuxと同じ位置づけです。
さらに重要なのが、ハードウェアのコモディティ化です。NVIDIAのGPUは依然として高価ですが、AppleのM4チップを搭載したMacBook ProやMac Studioは、数十億パラメータ規模のモデルをローカルで動かせるようになっています。2024年末時点でM4 Pro搭載のMac Miniは約24万円。これ1台で、Llama 3などの中規模モデルを動かしながら、日常業務の補助をこなすことができます。「専用クラウドでしか動かない」という前提が、静かに崩れ始めています。
「ローカルAI」が会社員の仕事を変える可能性
抽象論で終わらせず、具体的に考えてみましょう。
たとえば、製造業の品質管理部門で働く40代のマネージャーが、毎月の不良品レポートをまとめているとします。今は工場から上がってくるデータをExcelに貼り付け、コメントを書いて、上司向けにPowerPointにまとめる作業を週に10時間ほどかけています。クラウド型のAIを使う場合、工場の生産データや不良品の詳細情報を外部サーバーに送ることになり、情報漏えいのリスクから社内ルールで禁止されているケースが少なくありません。ところがローカルで動くオープンソースモデルなら、データは自分のPCの外に出ません。社内ルールの壁を越えられる可能性があります。この「社内データを安全に使える」という点が、ローカルAIの最大の実用上のメリットです。
もう一つ、法律事務所のパラリーガルとして働く30代の例を考えると、契約書の確認作業があります。クライアントの契約書は機密情報そのものなので、外部のAIサービスに投げることは倫理的・法的に問題になります。ローカルモデルであれば、インターネットに接続せずに動かすことも可能で、契約書の要約や特定条項の抽出を安全に行える環境が作れます。こうした「情報の機密性が高い職種」ほど、ローカルAIの恩恵を受けやすいと考えられます。
オープンソースAIモデルの現在地：簡易比較
現時点で会社員が試せるオープンソースモデルを整理すると、用途によって選択肢が変わります。
| モデル | 提供元 | ローカル実行 | 日本語対応 | 向いている用途 |
|---|---|---|---|---|
| Llama 3.1 (8B) | Meta | 可 | 中程度 | 英語メインの要約・分類 |
| Llama 3.1 (70B) | Meta | 高スペックPC必要 | 良好 | 複雑な文書処理 |
| Mistral 7B | Mistral AI | 可 | 中程度 | 軽量・高速処理 |
| Qwen2.5 (7B) | Alibaba | 可 | 非常に良好 | 日本語業務文書 |
| Gemma 2 (9B) | 可 | 良好 | バランス型 |
日本語の業務文書を扱うなら、Qwen2.5シリーズの日本語対応が現時点では頭一つ抜けています。Llamaは英語圏での評価が高く、日本語はやや苦手な傾向があります。ただしモデルの更新頻度が速く、半年後には状況が変わっている可能性が高いため、「今これが最強」という見方よりも、定期的に試し直す姿勢が現実的です。
ローカルで動かすためのツールとしては、「Ollama」というソフトウェアがコマンド1行でモデルをダウンロード・起動できるため、エンジニアでなくてもセットアップのハードルが下がっています。ChatGPTの使い方ガイドでも触れているように、まず使い慣れたクラウド型で感覚をつかんでから、ローカル環境に移行するという順序が実際には進めやすいです。
Sunの失敗が教えてくれること
Sunが犯した最大の失敗は、「自社の技術的優位性がコモディティ化に勝てる」と信じ続けたことです。Linuxが登場した当初、Sunのエンジニアたちは「Solarisのほうが安定している」「サポートが手厚い」と主張しました。それは事実でしたが、コストの差が数十倍になれば、多少の品質差は意思決定に影響しなくなります。
今のAI業界でも、同じ構図が見え始めています。GPT-4クラスのモデルとオープンソースモデルの能力差は、2023年時点では大きかったものの、2025年現在ではかなり縮まっています。「クラウドAPIのほうが賢い」は依然として正しいですが、「10倍賢いから10倍の料金を払う価値がある」と言い切れる場面は限られてきました。特に、決まったフォーマットの文書処理や定型的な分類タスクでは、ローカルの小さなモデルで十分なケースが増えています。
プロンプトの書き方を工夫することで、モデルの性能差を補える部分もあります。プロンプトエンジニアリングガイドで解説しているような指示の出し方を身につけると、小さなモデルでも想定以上の結果が出ることがあります。
まとめ
Sun Microsystemsの崩壊は「高品質な専用品」がコモディティに飲み込まれた教科書的な事例です。オープンソースAIとローカル実行環境の組み合わせが同じ道をたどるかどうかは、まだ確定していません。ただ、「自社データを外に出せない」という壁を抱えている会社員にとって、ローカルAIはすでに現実的な選択肢になっています。
自分の職場で「AIを使いたいけれど情報漏えいが心配で踏み出せない」という場面があるなら、それはローカルモデルを試す最初の動機になります。まず個人のPCでOllamaをインストールし、社外秘でない文書を使って動作を確認してみる——そこから始めると、議論が抽象論から具体的な話に変わっていきます。
