概要 — 10年続いた Open Source AI の旗手交代

2026年5月時点、AI 業界の Open Source / Closed Source の構図は大きな地殻変動の最中にある。重みを公開する Open Source 陣営には Meta（Llama）に加え、Mistral、DeepSeek、Alibaba（Qwen）が並び、API 越しにしか触れない Closed 陣営には OpenAI、Anthropic（Claude）、Google（Gemini Pro）が陣取る。どちらが優勢かは四半期ごとに入れ替わっており、固定された序列ではない。

この構図の中で Meta の Llama シリーズ は2023年以降、Open Source AI の旗手として産業を牽引してきた。その路線を10年以上にわたり守ってきたのが、Yann LeCun（Meta Chief AI Scientist / チューリング賞受賞者）である。LeCun は Mark Zuckerberg と Meta に入る際、「LLM モデルはオープンソース化することが条件」と確約させたことで知られる。一企業のモデル方針が一人の研究者の信念に紐づいていたという事実そのものが、この後の地殻変動の伏線になっていく。

ところが2025年11月、LeCun は Meta を離脱。背景には Llama 4 のリリース時期を巡る Zuckerberg との路線対立があった。LeCun は2026年3月、自身の World Model アプローチを追求する AMI Labs（Advanced Machine Intelligence Labs）を設立し、$1.03B（約1,500億円）の資金 を調達した（詳しくは Yann LeCun LLM 袋小路論 参照）。

▲ Dwarkesh Podcast 公式：Mark Zuckerberg「Llama 3, Open Sourcing $10b Models, & Caesar Augustus」（YouTube・2024年4月18日）

本記事では、Dwarkesh Patel の Zuckerberg インタビュー2本（2024年4月の Llama 3 編、2025年4月の Llama 4 編）と LeCun 離脱関連報道から Meta の Open Source AI 戦略10年の物語 を整理し、AX Boost「企業の OSS vs Closed AI 5判断軸」 として、日本企業のモデル選定戦略への含意を解説する。

これは Code w/ Claude 2026 サンフランシスコ徹底解説（Anthropic Closed）、Sam Altman OpenAI 2026 公式発言集（OpenAI Closed→マルチクラウド）、Mustafa Suleyman Microsoft AI（Microsoft 独自モデル開発）に続く、Meta = Open Source AI 派の視点 をシリーズに加える記事である。

Meta Open Source AI 路線10年の物語

2014年 — FAIR 設立、LeCun が突きつけた条件

Meta（当時 Facebook）が FAIR（Facebook AI Research） を設立したのは2014年。Zuckerberg は当時、深層学習の世界的権威だった LeCun を Chief AI Scientist として招聘した。Zuckerberg-Dwarkesh インタビュー（2024年）でも語られる通り、LeCun は 「AI モデルの基礎研究はオープンに公開する」 という条件で参画を決めた。

これは Meta にとって戦略的意味があった。Apple と Google というモバイル時代の二大ゲートキーパーに対し、AI 時代では 「誰もがアクセスできる基盤」 を作ることで Meta 自身の独立性を確保する——という発想である。Zuckerberg は Dwarkesh に語った：「モバイルエコシステムの二大ゲートキーパー（Apple/Google）に支配されたくない。AI 領域では同じ構造を避けたい」。

2023年 — Llama リリースが市場を変えた

2023年2月、Meta は最初の Llama モデル（Llama 1）を「研究目的」で公開。しかし即座にウェイトが流出し、事実上のオープンソース化が起きた。Meta はこれを正式に追認し、Llama 2（2023年7月）以降は商用利用可のオープンソース として正式リリースを開始。

これは産業構造を変えた。それまで OpenAI / Google / Anthropic だけが先端 LLM を持っていた状況から、「最先端モデルがオープンソースで使える」 時代に入った。日本国内でも Llama 系列を Fine-tuning した国産モデル（ELYZA、PFE 等）が次々登場し、企業の Closed AI 依存を緩和する選択肢が拡大した（内閣府『人工知能基本計画』を読み解く で論じた「国産モデル戦略」とも整合）。

2024年4月 — Dwarkesh インタビュー、$10B モデルとカエサル・アウグストゥス

2024年4月、Zuckerberg は Dwarkesh Patel のインタビューで Llama 3 のリリースに合わせ、Meta の Open Source 戦略を体系的に語った。彼の主張の核は「オープンソース化はコミュニティから革新をもたらし、我々にも利益がある」という点にあり、これを「コンピューティングの発明と同じスケールの変化だ」とまで表現した。注目すべきは、彼が安全性を理由に Open Source を否定する論調を逆手に取ったことだ。Zuckerberg にとって最大の懸念は AI システムそのものではなく、「非信頼できるアクターが超強力 AI を保有すること」であり、だからこそ広く公開して多くの目に晒すほうが安全だ、という論理を展開した。

この時期、Meta は 1ギガワット規模の単一学習クラスター を構築する計画を明らかにしている。「誰も1GW のクラスターを建てたことはない。数年の建設期間と、原子力発電所規模のエネルギー投資が必要」と Zuckerberg は語った。つまり Open Source を掲げながら、その裏では Closed 陣営に劣らぬ莫大な計算資源を自前で抱え込む——公開する成果物と非公開の生産設備を切り分ける構造が、ここで明確になっていた。

カエサル・アウグストゥスの引用——「人々が合理的と考えない事業モデルが最も価値的になる」——は、当時の市場が「Meta が AI に過剰投資している」と批判していた状況への返答として印象的だった。

2025年4月 — Llama 4 リリースで雲行きが変わる

2025年4月、Meta は Llama 4 ファミリー（軽量モデル + 大規模「Behemoth」）をリリースしたが、市場の評価は割れた。発表直後から、特定の公開ベンチマークに最適化した「ゲーミング」の疑いが指摘され、実利用での体感と公称スコアの乖離が話題になった。リリース当時の GPT-4o、Claude 3.7、Gemini 2.5 と並べたとき、Llama 4 に明確な優位性を見いだしにくかったことが評価の足を引っ張った。LeCun 自身が後に Llama 4 のベンチマーク手法を公に批判したと報じられており、社内のトップ研究者すら手放しで擁護しなかった点が、対立の深さを物語る。

同月の Dwarkesh インタビュー第2弾で、Zuckerberg は 「AI が18か月以内に Meta コードの大半を書くようになる」 と踏み込んだ。Llama 4 の実績が伴わないまま強気のビジョンを発信し続ける姿勢は、足元のモデル品質を重視する研究者側との温度差を一層際立たせた。成果より物語が先行する局面では、組織内で最も技術に近い人間ほど居心地が悪くなる——この構図は、後の離脱を理解する鍵になる。

2025年11月 — LeCun 離脱

10年以上にわたって Meta Chief AI Scientist を務めた LeCun は、2025年11月に 「scorched earth interview（焼け野原インタビュー）」 と評される告発的なメディア露出を経て Meta を離脱。Inc. 誌や The Information は、彼が Zuckerberg の Llama 4 戦略を直接批判 したと報じた。

LeCun が離脱を決めた根本理由は、「LLM スケーリングの袋小路論」 と 「Zuckerberg の短期 KPI 優先」 の双方だと報じられている。彼は World Model アプローチ（JEPA/V-JEPA）に集中するため、独立を選んだ。

2026年3月 — AMI Labs 設立、$1B 調達

2026年3月10日、LeCun は AMI Labs（パリ拠点）の設立を発表、$1.03B のシード資金を $3.5B プレマネー評価で調達した。これは 「LLM 後」のアーキテクチャ を追求する独立企業として、業界の構造に直接的な影響を与える可能性がある。

一方、Meta は AGI 競争で OpenAI / Google / Anthropic に対して明確に劣後する 状況に陥っている。Llama 5 の開発は進んでいるが、LeCun の離脱で 「Meta = Open Source AI の旗手」 という従来のポジショニング自体が揺らいでいる。

AX Boost フレーム — 企業の OSS vs Closed AI をどう判断するか

10年の物語から学ぶべきは、「Open Source vs Closed Source は組織の戦略判断であり、永続的に正解がある問題ではない」ということだ。LeCun という一人の研究者の信念が抜けただけで Meta のポジショニング全体が揺らいだ事実は、特定ベンダーや特定方針に重心を預けすぎる危うさを示している。

ここで多くの解説記事は「OSS と Closed のどちらが優れているか」というチェックリストを並べて終わる。だが AX Boost が現場で重視するのは、その手前の問いだ——そもそもこの業務は、人が手をかけ続ける価値があるのか。OSS か Closed かというモデル選定は、「残すと決めた業務をどう自動化するか」の手段であって、最初に来るべきは「どの仕事を引き算し、空いた工数をどこへ再配置するか」の見極めである（この順序立ては AIは足し算より引き算→再配置 で詳述した）。引き算の対象が決まって初めて、その業務の機密度・更新頻度・処理量に応じてモデルを選ぶ意味が出てくる。順序を逆にして「とりあえず最新モデルを入れる」から始めると、不要な業務を高性能モデルで延命させるだけに終わる。

以下では、業務領域ごとに OSS / Closed を判断するときに効いてくる観点を、実務で衝突しやすい順に整理する。

データ主権が業務価値を縛る場合

最初に効いてくるのは、モデル提供者がどの国・どの組織の管理下にあるか、という主権の問題だ。金融・医療・公共のようにデータ越境が規制で制限される業務では、外部 API にデータを渡す時点でアウトになりうる。この場合、重みを自社データセンター内に置いて推論まで閉じられる OSS が現実解になる。日本政府が『人工知能基本計画』で国産モデル開発を後押ししている文脈も、この方向を補強する（内閣府『人工知能基本計画』を読み解く 参照）。逆に、扱うデータの越境制約が緩く、かつ最先端の性能が業務価値に直結する局面では、主権を多少譲ってでも Closed の性能を取る判断が合理的になる。つまり主権は「性能とのトレードオフ」として考えるべきで、一律に OSS が正しいわけではない。

モデル品質・更新速度で差がつく場合

現状、GPT-5、Claude 4、Gemini 3 といったフロンティアモデルは Closed 陣営が先行しており、Outcomes や Multi-Agent Orchestration のような機能が月単位で積み増される更新速度でも上回る。一方で Llama 系列、DeepSeek、Qwen の追い上げは速く、一部ベンチマークでは Closed と肩を並べる水準に達している。ここで実務家が注意すべきは、品質差を「公開ベンチマークのスコア差」と短絡しないことだ。Llama 4 が公称スコアと体感の乖離を批判されたように、自社業務の評価データで測り直さない限り、どちらが優位かは確定できない。さらに Yann LeCun LLM 袋小路論 で論じた通り、LLM アーキテクチャ自体にスケーリングの天井がある可能性も残っており、「今の品質序列が数年後も続く」前提で長期契約を結ぶのは危うい。

業務へのカスタマイズが要る場合

業務固有の語彙や手順にモデルを馴染ませたいなら、OSS が大きく優位に立つ。Fine-tuning や LoRA / QLoRA で重みそのものを業務に適応させ、業界特化モデルを自社で構築できるからだ（手法の使い分けは Fine-tuning vs RAG を参照）。Closed では API 経由の Fine-tuning に機能制限がかかるうえ、API バージョン更新でモデル挙動が予告なく変わり、検証済みのプロンプトが突然劣化するリスクを抱える。ただしカスタマイズ自由度の高さは、裏返せば「自社で品質を保証し続ける責任」を意味する。多くの業務では RAG による外部知識の注入で十分で、わざわざ重みをいじる必要はない——ここでも「カスタマイズできるか」より「カスタマイズが本当に要る業務か」を先に問うべきだ。

運用コスト・推論コストが効く場合

日次・週次で大量のバッチ処理を回す業務では、推論単価の差が累積して効いてくる。自社インフラで OSS を回せば、利用量が増えるほど API 従量課金より長期コストを抑えやすい。逆に、利用が小〜中規模にとどまるなら、初期投資なしで使える Closed API のほうが総コストで有利になりがちで、社内に GPU 運用のノウハウがない場合はなおさらだ。コスト比較で見落とされやすいのは、自社運用の「隠れた人件費」——監視・障害対応・スケーリングに張りつくエンジニアの工数である。推論単価だけで OSS が安いと結論づけると、再配置したはずの人手が運用に吸い取られる本末転倒が起きる（インフラ選定の論点は 業務AIインフラの技術選定 を参照）。

サポート・エコシステムが本番運用を左右する場合

本番運用で最後に効くのが、トラブル時のサポート体制とエコシステムの厚みだ。Anthropic、OpenAI、Microsoft、Google はエンタープライズ契約で SLA を提供し、公式ドキュメント・トレーニング・コミュニティも整っているため、止められない基幹業務では安心材料になる。OSS を自社運用する場合、サポートはすべて自社負担となり、バージョン管理やセキュリティパッチを自前で追い続ける覚悟が要る。もっとも Hugging Face や NVIDIA Inference Microservices などの周辺エコシステムは急速に整備が進んでおり、「OSS = 孤立無援」という前提も少しずつ崩れつつある。判断の分かれ目は、止まったときに誰が責任を取れる体制を組めるか、という一点に集約される。

判断軸を業務領域に当てはめる

これらの観点を業務領域ごとに組み合わせると、おおむね次のような見取り図が得られる。あくまで出発点であり、自社の制約に応じて読み替える前提のたたき台だ。

業務領域 推奨 効いている観点
機密性高の金融書類処理 OSS 自社運用 データ主権 + カスタマイズ自由度
顧客対応チャットボット Closed API モデル品質 + サポート体制
社内ナレッジ検索 ハイブリッド 埋め込みは OSS・生成は Closed で役割分担
大量バッチ要約処理 OSS 自社運用 大量推論時の運用コスト
多言語翻訳 Closed API モデル品質
業界特化文書生成 OSS Fine-tuning カスタマイズ自由度
コード生成・レビュー Closed モデル品質 — Claude Code / Cursor 等が先行

このマトリクスは固定的ではない。各観点の状況は四半期単位で動くため、3〜6か月ごとに見直す前提で運用すべきだ。ここで重要なのは、表の右端ではなく左端の読み方である。たとえば「機密性高の金融書類処理」をそもそも人が一件ずつ確認し続ける必要があるのか、定型部分を引き算して例外処理だけ人に残せないか——という問いを通したうえで、残った業務にこの表を当てるのが本来の順序だ。モデル選定はあくまで再配置設計の従属変数にすぎない。

日本企業の AI 推進担当者への含意

LeCun 離脱が日本企業に突きつけた最大の教訓は、Meta の OSS 路線ですら永続的に保証されたものではない、という当たり前の事実だ。だからこそ「OSS か Closed か」を全社で一度決めて固定するのではなく、業務領域ごとに最適配分を組み、定期的に見直すポートフォリオ的な構えが要る。一つのベンダーや一つの方針に重心を寄せた瞬間、その提供者の社内事情で自社の戦略が揺さぶられる構造に陥るからだ。

この見直しの軸として日本企業が持っておくべきなのが、国産モデルとの距離感である。政府は『人工知能基本計画』で国産モデル開発を後押ししており、OSS の Llama 系列を基盤とする ELYZA、PFE、サイバーエージェントといった国産モデルは、Closed API への依存度を一段下げる選択肢になりうる。とはいえ「国産だから安心」と短絡せず、前章の観点——主権・品質・カスタマイズ・コスト・サポート——で業務ごとに測り直す姿勢は崩さないほうがよい。

その先で継続的にウォッチすべきは、まず Meta 自身の身の振り方だ。LeCun 離脱後の Meta が OSS 路線を保つのか Closed へ寄せるのかは産業構造を左右するため、Llama 5 のリリース時期・モデル品質に加え、ライセンス条件が Llama 3/4 と同じ寛容さを維持するかを注視したい。商用利用条件が一夜にして締まれば、それを前提に組んだ自社システムの土台が揺らぐ。並行して、LeCun の AMI Labs が掲げる World Model アプローチも視界に入れておく価値がある。仮に「LLM 後のアーキテクチャ」が3〜5年スパンで実を結べば、いま議論している Closed / OSS の構図そのものが組み替えられる可能性があるからだ。

最後に、見落とされがちだが実務で最も重い論点がガバナンスだ。OSS を自社運用する選択は、性能やコストの自由と引き換えに、セキュリティ・コンプライアンス対応を自社で完遂する責任を背負う選択でもある。企業のAIガバナンス実務ガイド や AIエージェント業務導入の設計論 で論じた監査設計は、Closed なら提供者の SLA に一部を委ねられるが、OSS では内製化が前提になる。この内製負担を「引き算で空けたはずの工数」で賄うつもりなら、再配置の計算に運用人員を最初から織り込んでおく必要がある。経営層へこのトレードオフをどう説明し稟議を通すかは、経営層をAIに本気にさせる説得フレームワーク近日公開 も参考になる。

反論・限界 — Zuckerberg / LeCun の対立を企業戦略に直結させない

ここまでの整理を企業戦略へ持ち込む前に、Meta の物語を一般化しすぎる危うさにも触れておきたい。

そもそも Meta が OSS を選んだ動機は、「Apple / Google というモバイル時代のゲートキーパーに支配されたくない」という Meta 固有の事情に根ざしている。プラットフォームを握られた苦い経験を持つ Meta だからこその選択であって、日本企業がその論理をそのまま借用すべき理由はない。同時に、LeCun の離脱を「Open Source の終焉」と読むのも早計だ。Meta の OSS 路線は LeCun 個人の信念だけで支えられていたわけではなく、Zuckerberg 自身が「オープンソース化はコミュニティから革新をもたらす」と公言している以上、旗手が変わっても路線が続く可能性は十分にある。

評価の確定を急がない姿勢も要る。「Llama 4 は失敗」とする報道には競合や論者の主観が混じっており、本格的な業務利用での実績はまだ検証途上だ。同様に、LeCun の AMI Labs が掲げる World Model 路線が正解だという保証もない。$1.03B の調達は野心的だが、これは5〜10年スパンの賭けであって、明日のモデル選定の根拠にはならない。そして最も単純化されやすいのが「OSS = 安全 / Closed = 危険」という図式である。OSS はライセンス制限が緩い分、悪意あるアクターも自由に使える。Zuckerberg が「非信頼アクターが超強力 AI を保有する」リスクを語ったのは、OSS 派の旗手による自己批判に他ならず、安全性は公開・非公開という軸だけでは測れない。

まとめ — 「物語」から「判断軸」への翻訳

Mark Zuckerberg × Yann LeCun の10年の物語は、Open Source AI 戦略が個人の信念・組織の都合・産業構造の複雑な絡み合いで決まることを示している。一人の研究者の信念に紐づいていた方針が、その人物の離脱とともに揺らぐ——この脆さこそ、外部の動向に重心を預けすぎることへの警告だ。

日本企業の AI 推進担当者にとって本当に重要なのは、この物語をそのまま採用することではなく、自社の業務領域ごとに主権・品質・カスタマイズ・コスト・サポートの観点を当てはめて検討することだ。「Meta が OSS だから自社も OSS」「LeCun が離脱したから OSS は終わり」といった単純化は、判断を誤らせる。そして繰り返しになるが、その判断の前に置くべき問いは「どの仕事を引き算し、空いた工数をどこへ再配置するか」である。モデル選定は、残すと決めた業務を効率化する手段にすぎない。

AX Boost は FDE型コンサルティング として、まず業務の棚卸しと引き算の見極めを行い、そのうえで業務領域ごとの OSS / Closed の最適配分・ガバナンス設計・Fine-tuning 戦略を、現場常駐で並走しながら実装・定着まで支援している。モデルを足すことが目的化したプロジェクトを、再配置の設計から組み直したいときの相談相手として活用してほしい。AX Boost とは と AX支援サービスの選び方 もあわせて参照されたい。

主要参考資料