精密の経済 vs 規模の経済 ── 大手AIが立ち入れない領域について

はじめに

この文章は、私がマインドシード研究所で進めている研究プログラム「煩悩 × 詐欺ウイルス マッピング統合データベース」（構想記録）の §15 を、独立した論考として書き直したものだ。構想記録の他の章を読んでいなくても、この一本だけで筋が通るように書いてある。

主張は単純である。現代の大規模 AI と SNS プラットフォームには、構造的に立ち入れない領域がある。技術的に不可能だからではない。経済合理性が立たないからだ。ここでは私は、この「やれるがやらない領域」を経済学的に整理し直し、私の研究プログラムがその領域に意図的に立つ戦略的根拠を示しておきたい。

1. 出発点となる観察

私の研究プログラムの出発点には、現代 AI および生成 AI が「煩悩テキスト」をどう扱うかについての、自分自身の次の観察がある。

「AI でも生成 AI でも同じだ。禁止用語の場合には、単語で簡単に弾いてくる。文面を見ればすぐ解決する問題でも、AI の計算リソースをあえて使いたくないという意図が透けて見える。」

これは私には、単なる技術的観察には見えなかった。むしろ、現代の大規模 AI / SNS プラットフォームが選択的に「浅い処理」を採用している、経済的構造そのものへの洞察だと感じた。ここではこの観察を、私の研究プログラムの戦略的位置取りとして体系化しておきたい。

2. 現代 AI における単語フィルタ依存の実態

大手の生成 AI（OpenAI, Google, Anthropic, Meta 等）と主要 SNS プラットフォーム（X, Facebook, Instagram, TikTok 等）が採用するコンテンツ判定は、私の見るところ典型的に二層構造で組まれている。

階層	処理内容	コスト	精度
第1層: 単語/正規表現フィルタ	禁止語リスト、URL ブラックリスト、ハッシュ照合	極小（< 0.0001円/件）	表層のみ
第2層: 機械学習分類器	軽量モデルによる二値/多値分類	小（〜0.001円/件）	中程度
第3層（稀）: 文脈理解	LLM による深い意味解析	大（1〜10円/件）	高

実際の運用では、99% 以上のトラフィックが第1〜2層で処理され、第3層は限定的にしか発動しない。私の見立てでは、これは技術的限界ではなく経済的選択である。

3. 経済構造分析 ── なぜ大手は深く読まないのか

仮に X（旧 Twitter）が1日のすべての投稿（推定5億件）を LLM で精査したとする。雑に試算すると：

• 5億件 × 1円 = 5億円/日
• 年間: 1,825億円
• これは X の年間広告収益（推定3,000〜4,000億円）の半分以上

つまり、深い分析を全件で行えば、事業として成立しない。大手の経済モデルは「広く・浅く・自動で」を前提とした規模の経済（Economies of Scale）に最適化されており、構造として深い精査は不可能になっている。

ここで、私自身、想定される反論に先回りして答えておく必要があると考えている。「推論コストはムーアの法則的に下がるので、いずれ大手も深く読むようになるのでは」という反論だ。

この反論は、半分正しく、半分間違っていると私は見ている。コストは確かに下がる。しかし、たとえコストがゼロに近づいても、構造的に大手が深く読むインセンティブは生まれない。その理由を次節で書いておきたい。

4. インセンティブの非対称性 ── コストが下がっても解決しない構造

ここで、私が本稿で最も言いたい論点を出しておく。SNS プラットフォームは、煩悩を刺激するコンテンツから直接的に収益を得る構造になっている。これが、コストが下がっても解決しない構造的な理由である。

SNS の収益モデルは次のような連鎖で動いている。

ユーザーのエンゲージメント時間 → 広告表示回数 → 収益
       ↑
       │ 増幅する要因
       │
炎上、対立、強い感情、依存的視聴、煽り、扇動コンテンツ、誤情報、詐欺投稿

エンゲージメントを最大化する要因は、ほぼそのまま「煩悩を強く刺激するコンテンツ」と一致する。怒り、嫉妬、恐怖、貪欲 ── これらを刺激するコンテンツが、ユーザーをプラットフォームに長く留まらせ、広告表示の機会を増やす。

つまり SNS 事業者は、煩悩刺激コンテンツを抑制するインセンティブを構造的に持たない。私の言い方をすると、深く読める技術があっても、深く読まない選択をすることになる。これは推論コストとは無関係の、収益モデルそのものに根差した制約である。

この構造を踏まえると、冒頭の観察 ──「AI が単語で簡単に弾く」── の意味が、私のなかでは二層に分かれて見える。第一層は、技術的にも経済的にも単純フィルタで十分という判断。第二層は、より深い処理が可能であっても、それを実装するインセンティブが乏しいという構造的制約。コストが下がる未来でも、第二層は変わらない。

ここから私が導く結論は、明確である。

対策はプラットフォーム側ではなく、ユーザー側のツールで実装する必要がある。

プラットフォーム側に自主規制を期待するのは、構造的に矛盾している。プラットフォームの収益源そのものを規制せよと言っているに等しい。

5. 大手の死角 ── やれるがやらない領域

ここから見えてくるのは、現代 AI の 「やれるがやらない領域」（the “can-but-won’t” domain）が広範に存在することだ。

領域	大手が浅い処理で済ませる理由	結果として残る課題
詐欺 DM の文脈解析	1対1通信は規模が小さく注目度低い	殺豬盤型詐欺の隆盛
煩悩・心理的操作の検出	表現の自由との境界が曖昧	巧妙な誘導が放置される
脆弱者（高齢者・孤独者）保護	セグメント別最適化のコスト	被害が特定層に集中
文化文脈依存の判定	日本語等の特定言語は ROI が低い	ローカル詐欺の見逃し
累積行動の長期追跡	データ保持と計算量が膨大	8段階詐欺手口に対応不能

これらは技術的に不可能ではない。経済合理性が立たないか、収益モデルと逆行するから実装されていないだけだ、と私は理解している。

6. 私の戦略的位置取り ── 精密の経済（Economies of Precision）

私の研究プログラムは、ここまで書いた大手の構造とは正反対の経済原理に立つ。実装基盤としては、すでに私が運営している PYOL マインドミラー（実動中の詐欺被害注意喚起ツール）を出発点として、ここに煩悩マッピングや小規模ニューラルネットワークによる文脈解析を順次追加していく構想だ。

下の表は、私の研究プログラムが完成した状態における設計目標であって、現時点の ai.pyol.net の機能ではない。煩悩ベクトル化や累積行動分析などの本格機能は、いまはまだ構想段階である点に注意してほしい。

軸	大手 AI / SNS（規模の経済）	PYOL マインドミラー（精密の経済 ── 完成形の設計目標）
処理対象	全世界の全コンテンツ	個別ユーザーが受け取った特定の文章
処理量	数十億件/日	数件〜数百件/日/ユーザー
単価コスト	0.0001〜0.001円	1〜10円
判定深度	単語・パターンマッチ	煩悩ベクトル + 文脈 + 累積行動
目的	違法・規約違反の排除	個人の脆弱性保護
最終判断者	プラットフォーム	ユーザー本人
スケール戦略	1 to all（広く浅く）	1 to 1（狭く深く）

私のなかでの原理を一行に圧縮すると、こうなる。

現代の AI は「規模の経済」に最適化されているため、「精密の経済」を捨てている。 その捨てられた領域こそが、私の研究プログラムの正当な活動領域である。

これは、私が現役時代に韓国サムスンで身につけた「ミスマッチが一番相性がいい」というセールス哲学の、最も明快な実例でもある。大手が広く浅くやる隣で、私は狭く深くやる。この非対称性そのものが、私の研究プログラムの戦略的優位だと考えている。

7. 同型問題への応用可能性

「規模の経済 vs 精密の経済」の構図は、詐欺対策に限らず、社会の多くの領域で同型の問題として観察できる、と私は見ている。

領域	規模の経済（大手）	精密の経済（私の研究プログラム型）
医療	マス検診・標準診療	個別精密医療・個人病歴の深い読解
法務	一般約款・テンプレ契約	個別事案の深い検討
教育	マスカリキュラム	個別最適化された個人指導
メンタルヘルス	スクリーニング質問票	一人ひとりの文脈理解
児童保護	キーワード監視	関係性と発達段階の文脈読解
雇用ミスマッチ	求人マッチング	個人の長期キャリア構想理解

いずれも「大手が経済合理性で諦めた領域」であり、個別事案に深く入る AI ツールが決定的な価値を提供しうる、と私は考えている。

たとえば医療では、患者の語りから 108 次元の感情ベクトルを読み取ることで、標準化された問診票では捉えきれない不安を可視化できる可能性がある。メンタルヘルスでは、「執着駆動型」と「嫌悪駆動型」の抑うつ状態を区別することで、治療方針の選択に情報を提供できる。法務では、契約書の文面に潜む煩悩刺激（不安・焦り・優越欲）を検出することで、消費者に不利な条項の可視化が可能になる。教育では、学習者個別の煩悩感受性に応じて、つまずきの予測と介入を設計できる。

私が研究プログラムで確立しようとしている手法は、こうした他領域への横展開の テンプレート になり得るはずだ。

8. 戦略的含意

ここまでの議論から、私が引き出している実践的な含意は次の通りである。

第一に、私の研究プログラムは大手 AI と競合しない。競合領域ではなく、大手が放棄した領域に存在する。

第二に、規模を追わない。ユーザー数を追求するのではなく、一人ひとりへの深さを追求する。

第三に、単価コストを許容する。1判定あたり数円のコストを払ってでも、深い分析を行う。

第四に、個別最適を旨とする。ユーザーごとの煩悩傾向・脆弱性プロファイルに応じてカスタマイズする。

第五に、オープンソース化との親和性が高い。規模の経済を狙わないため、コードを公開しても競争上不利にならない。むしろ社会的価値が増す。

第六に、政策提言の根拠となる。「大手は構造的にこの問題を解けない」という分析は、ユーザー側ツール支援の政策的正当性につながる。

9. 結論

冒頭で書いた「AI が単語で簡単に弾く」という観察は、私から見れば、現代 AI 経済の根本構造を露わにしている。規模の経済に最適化された大手 AI には、構造的に立ち入れない領域がある。その領域こそ、人間の煩悩・脆弱性・文脈・関係性が問題となる、最も人間的な領域だ。

この領域は二重の意味で大手から放棄されている。第一に、深く読むコストが現状の収益モデルに見合わない。第二に、たとえコストがゼロに近づいても、煩悩刺激コンテンツから収益を得るというインセンティブ構造そのものが、深く読むことを動機付けない。前者は技術進歩で解消するが、後者は構造的に解消しない、と私は見ている。

私はその領域に意図的に立つ。規模を捨てて精密を選ぶ。広さを捨てて深さを選ぶ。マスを捨てて個別を選ぶ。

これは経済合理性の放棄ではなく、異なる経済原理の選択である。そして私には、この選択は、AI 時代における人間の尊厳を守る、最も現実的な道のひとつだと見える。

大手 AI が広く浅くやる隣で、私は狭く深くやる。 その非対称性こそが、私の研究プログラムの正当な存在意義である。

---

関連資料

• 構想記録 全文 ── 本稿が派生した研究プログラム本体
• 姉妹論考: 仏教を座標系として採用する ── 私の研究プログラムの方法論的階層（Level 1）
• 姉妹論考: §13 External Prefrontal Cortex（ExPFC） ── 「精密の経済」に立つ装置の神経科学的実装（神経倫理 + AI Safety）
• 姉妹論考: §14 煩悩埋め込みと詐欺検知メカニズム ── 「精密の経済」の中核となる詐欺検知の技術的実装（Affective Computing + 詐欺検出）
• English version
• PYOL マインドミラー ── 実動中の詐欺被害注意喚起ツール。私の研究プログラムの出発点であり、煩悩マッピング等の本格機能は今後の実装課題

連絡先

ここで書いたことに何か感じてくださった研究者・批判者・後継候補の方からの連絡を、私は歓迎します。共同研究、建設的な反論、引用依頼、メディア取材など、いつでも 連絡先ページ からご連絡ください。日本語でも英語でも構いません。

References

1. Anderson, C. (2006). The Long Tail: Why the Future of Business is Selling Less of More. Hyperion.
2. Carroll, M., Chan, A., Ashton, H., & Krueger, D. (2023). Characterizing manipulation from AI systems. Proceedings of the 3rd ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization (EAAMO ‘23).
3. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
4. National Police Agency of Japan. (2025). SNS型投資・ロマンス詐欺被害統計（2023〜2025）.
5. Park, P. S., Goldstein, S., O’Gara, A., Chen, M., & Hendrycks, D. (2024). AI deception: a survey of examples, risks, and potential solutions. Patterns, 5(5), 100988.
6. Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions about Health, Wealth, and Happiness. Yale University Press.
7. Whitty, M. T. (2013). The scammers persuasive techniques model: Development of a stage model to explain the online dating romance scam. British Journal of Criminology, 53(4), 665-684.

@misc{matsuura2026precisionEconomics,
  author       = {Toshinobu Matsuura},
  title        = {Economies of Precision vs Economies of Scale: The Domain Big AI Cannot Enter},
  howpublished = {Mindseed Research},
  year         = {2026},
  month        = {May},
  url          = {https://research.pyol.net/essays/precision-economics/}
}

Matsuura, T. (2026, May 15). Economies of Precision vs Economies of Scale: The Domain Big AI Cannot Enter. Mindseed Research. https://research.pyol.net/essays/precision-economics/

Matsuura, Toshinobu. "Economies of Precision vs Economies of Scale: The Domain Big AI Cannot Enter." Mindseed Research, May 15, 2026. https://research.pyol.net/essays/precision-economics/.