8月19日のAIニュースは、業界の「お金」の流れが目立つ一日だった。Anthropicが収益で初めてOpenAIを上回り、フロンティアAI企業として初の黒字四半期を達成したと報じられた。スタートアップの最前線ではYCがロボティクスに大きく賭け、企業側に目を向けると、AI採用ツールには差別をめぐる訴訟、中国ではAI計算能力を担保とする融資という新しい形の金融も登場している。技術面では、LLMにスキーマ文書を渡すとかえって誤答が「もっともらしく」なる検証と、llama.cppのCPUオフロード改善PRを取り上げる。

Anthropicが収益でOpenAIを初めて上回る――フロンティアAI初の黒字四半期

The Decoderは8月19日、AnthropicがAI競争において収益ベースで初めてOpenAIを上回ったと報じた。これまでは「追う側」とされてきたAnthropicが、収益規模で首位に立ったことになる。

これに先立つForbesの報道（8月17日）では、Anthropicが2026年第2四半期に115億ドルの収益を計上し、フロンティアAI企業として初めて黒字の四半期を達成したとされている。莫大な計算資源への投資が続く業界で、「投資して赤字を垂れ流す」段階から「黒字を出せる」段階へ移行した最初のフロンティア事業者という位置づけだ。

当ブログでも8月18日に、Anthropicの年換算収益（ランレート）が650億ドルに到達したとする報道を伝えた。今回の「OpenAI逆転」と「黒字化」の報道はその延長線上にあり、AI業界の収益地図が数ヶ月単位で書き変わっていることを示している。なお、四半期収益115億ドルと年換算650億ドルは計上方法の異なる指標で、単純な四則比較はできない点には注意したい。

YCの2026年バッチ:ロボティクス/フィジカルAIが32社で最大勢力に

Hacker Newsでは、Y Combinatorの2026年冬・夏バッチ計208社を分析した投稿が注目を集めている。最大のサプライズはロボティクスだった。208社のうち32社がロボティクス/フィジカルAI企業で、AIインフラ企業の32社とちょうど同数。ソフトウェア中心だったYCのポートフォリオに、物理世界相手のスタートアップが並ぶ構図が鮮明になっている。

しかもその内容が具体的だ。自律工場、CNC加工、倉庫作業、廃棄物管理、太陽光発電の建設、原子炉の検査――といった、なり手が課題を抱えてきた現場に絞り込まれている。汎用ロボットの夢ではなく、「特定の重労働を自動化する」方向への集中がうかがえる。

数字の内訳も興味深い。208社中145社がAIタグ付き。開発者・エージェントツールは24社で、その多くはコードを書かせるツールではなく、コーディングエージェントの管理・監視・デバッグを事業にしている。フィンテック23社、ヘルスケア/バイオ19社と続く一方、コンシューマー向けはわずか5社。YCが明示的に募集を呼びかけたにもかかわらず、crypto/Web3は3社にとどまった。チーム規模の中央値は2人で、3人以下が146社。拠点も208社中148社がサンフランシスコと、集中度はむしろ高まっている。

AI自動採用ツール、差別と「秘密主義」をめぐる訴訟に発展

The Guardianは8月19日、AIによる自動採用ツールをめぐり、差別と秘密主義（セクレシー）に関する訴訟が起きていると報じた。採用選考をアルゴリズムに委ねる企業が増えるなかで、その判定プロセスが当事者に開示されない状態が法的争点になりつつある。

AI採用ツールをめぐっては各国で規制の動きが続いており、本次第の詳細は元記事を参照してほしいが、「どう判定されたのか分からないまま落とされる」ことへの批判が訴訟という形に結実しつつある点は、企業の採用DXを進める日本の組織にも無関係ではない。どう判断されたかを説明できる仕組みを持たない自動選考は、いずれ説明責任を問われる可能性がある。

中国の銀行が「AI計算能力」ベースの融資を開始

中国では、AI計算能力の使用量を融資判断の材料にする動きが始まった。Global Timesが8月19日、中国の銀行がAI計算能力（コンピューティングパワー）の使用量に基づいて融資を行い始めたと伝えた。

計算能力が企業の活動規模を示す「新しい指標」として金融に組み込まれるのは、GPUやデータセンターが生産設備と同様の経済資源になったことの表れといえる。不動産や設備に代わる信用の尺度として計算資源が扱われる時代に入りつつある、という見方もできるだろう。ただしGlobal Timesは中国当局寄りの報道姿勢で知られる媒体であり、施策の実像は今後の追加報道を見て判断したい。

LLMにスキーマ文書を渡すと、誤ったSQLは減らず「もっともらしく」なる

LLMをデータ分析に使う現場では、スキーマ（テーブル定義）のドキュメントを事前に渡せばSQLの精度が上がる、という想定が広くある。ところがquaesitor.euの検証記事「Silent Failures」は、これに反する結果を報告している。スキーマ文書を与えても誤ったSQL回答は減らなかったどころか、誤答が「もっともらしく」見えるようになっただけだったというのだ。

これは単なる精度の問題ではなく、失敗の見え方の問題である。根拠の資料が増えることで回答に説得力の裏付けが付き、誤りがかえって発見しにくくなる――いわば「静かな失敗」が増える。人間のレビュアーは、資料への参照がある回答をなんとなく信頼してしまいがちだ。

LLMの成果物を本番データに近い場所で使うなら、「ドキュメントを渡したから安全」ではなく、生成SQLを実際に実行・検証する仕組み側で安全性を確保する必要がある、という教訓として読める検証である。

llama.cppにDenseモデル用のCPUオフロードPR「--n-cpu-ffn」

ローカルLLMコミュニティでは、llama.cppのPull Request #26622が話題になっている。MoEモデル用の--n-cpu-moe/--cpu-moeオプションと同様に、Denseモデル向けにFFN（フィードフォワード層）をCPUに逃がす--n-cpu-ffn/--cpu-ffnオプションを追加する提案だ。

PRと併せて紹介されているのが、16GB以下のVRAMでDenseモデルを動かすガイド。Qwen3.8 27BならQ4_K_M量子化で約13万トークンのコンテキストを約20トークン/秒で処理できるという構成例が示されている。VRAMに収まりきらない大型Denseモデルを、層単位ではなくFFN単位でCPUとの分担を調整できるようになれば、ミドルレンジGPUでの選択肢が大きく広がる。

採用されるかはまだOpenなPRの段階で、挙動の詳細は実装の成熟を待つ必要があるが、llama.cppの「VRAMの壁」を実用面から崩す方向の改善として注目に値する。

まとめ

収益構造の転換点（Anthropicの黒字化）、投資の向かう先（YCのロボティクス）、社会との摩擦（採用訴訟）、そして金融と計算資源の新しい結び付き（中国の計算力融資）。「AIが儲かるか」「AIが信用されるか」という問いが、技術そのものと同じ速度で現実の課題になりつつある。