AIラボは囲い込むか、置き換えるか：Nous Research「AI Labs Will Trap You or Replace You」を読み解く
AIを使う側の企業・開発者が守るべき資産は、モデルではなく「エージェントの記憶・スキル・業務データ」であり、それを自分が所有できるオープンな基盤の上に置くべきである。これが、Nous Research CEOのDillon Rolnickが2026年11月4日公開の講演「AI Labs Will Trap You or Replace You」（YouTubeチャンネル AI Engineer）で示した結論である。
講演の主張は次の3点に集約できる。
- モデルの差別化が難しくなり、AIラボは投資回収のために利益率の高いユーザー層・エージェント層へ事業を広げている。
- その結果、閉鎖型プラットフォームに業務を預けた利用者は、囲い込まれる（Trap）か、自社の機能をラボに取り込まれる（Replace）かのどちらかに置かれる。
- 対抗策は、エージェントをチャットボットではなくアプリケーション基盤として捉え、Hermes Agentのようなオープンソース基盤の上に自社の足場を築くことである。
本記事では講演の要点を整理し、Nous ResearchとHermes Agentの公開情報で背景を補って、システム設計上の判断基準に落とし込む。
1. モデルのコモディティ化が、AIラボを上位レイヤーへ押し上げる
フロンティアモデル間の性能差は縮まり、モデル単体では価格以外の差別化が難しくなっている。一方でAIラボは、GPUクラスタの調達と学習・推論の研究開発に巨額の先行投資を積んでおり、これを回収しなければならない（講演 01:00付近）。
回収先として選ばれるのが、モデルの上にあるレイヤーである。
| レイヤー | 主な担い手 | 収益性 | 利用者から見た意味 |
|---|---|---|---|
| 計算基盤（GPU・データセンター） | クラウド事業者・AIラボ | 設備産業型 | 価格で選べる |
| モデル（API） | AIラボ・オープンモデル | 価格競争で低下 | 乗り換えやすい |
| エージェント（記憶・ツール・ワークフロー） | AIラボが参入を強化 | 高い | 業務手順と文脈が蓄積する |
| ユーザー接点（ビジネス向けアプリ） | AIラボ・SaaS・自社 | 高い | 顧客接点そのもの |
モデルAPIは入出力の形式がほぼ共通化しており、切り替えコストは低い。これに対しエージェント層には、利用者の業務手順・過去の対話・社内データとの接続設定が蓄積する。AIラボがこの層を押さえれば、モデルの価格競争とは無関係に利用者を引き留められる。講演タイトルの「Trap（囲い込み）」はこの構造を指している。
「Replace（置き換え）」はもう一方の帰結である。ラボがエージェント層とアプリ層に進出すると、そのラボのAPIの上で製品を作っていた事業者は、同じ機能をラボ自身に提供されて市場を失う。基盤の提供者が同時に競合になる構造は、プラットフォーム事業で繰り返されてきたパターンである。
2. 閉鎖型の堀は薄く、オープンソースが短期間で追いつく
従来のソフトウェアでは、ソースコードと独自機能そのものが参入障壁（モート）だった。生成AIの時代には、機能の多くがモデルへのプロンプトとツール接続の組み合わせで実現できるため、閉鎖型製品の機能はオープンソース側で短期間に再現される（講演 07:57付近）。講演ではその実例としてNous ResearchのHermes Agentが挙げられている。
Nous Researchとは
Nous Researchは、オープンソースのモデルとエージェントを開発するAI研究ラボである。汎用モデルのHermesシリーズに加え、インターネット越しに分散学習を行うPsycheネットワークを手がける。Rolnickは定量FXトレーディング出身で、2025年4月のParadigm主導による5,000万ドルのシリーズAを経て同社を率いている。少数の大手ラボの内部ではなく、オープンな環境で一流のモデルを学習できることを示すのが同社の方針である。
Hermes Agentの設計
Hermes Agentは2026年2月に公開された、MITライセンスの自律型エージェントである。公開情報から読み取れる設計上の特徴は次のとおり。
- 自前環境で常駐する：利用者のサーバーやPC上でデーモンとして動き、データは利用者のマシンに残る。テレメトリやクラウド依存を持たない。
- セッションをまたぐ永続記憶：再起動後もプロジェクト・好み・文脈を保持し、利用者のモデルを時間とともに深める。
- 経験からのスキル生成：実行結果から再利用可能なスキルを作る学習ループを内蔵する。
- モデル非依存：OpenAI、Anthropic、OpenRouter、ローカルモデルなど任意のLLMプロバイダに接続できる。
- 既存の接点に入る：Telegram、Discord、Slack、WhatsAppなど15以上のメッセージ基盤に単一のゲートウェイからつながる。
公開から4か月足らずでGitHubスター数が18万を超えたと報じられており、閉鎖型のエージェント製品と同等の体験を、利用者が所有できる形で提供する選択肢が現実に成立している。
ここで重要なのは、閉鎖型エージェントが利用者を引き留める源泉である「記憶」と「スキル」を、Hermes Agentが利用者側の資産として持たせている点である。囲い込みの材料そのものを利用者の手元に置く設計であり、講演の主張を製品として体現している。
3. エージェントはチャットボットではなく、アプリケーションの基盤である
Rolnickは、エージェントを「質問に答えるアシスタント」ではなく、OSやアプリケーションフレームワークに相当する層として扱うべきだと述べている（講演 11:13付近）。その中身は、決定的（deterministic）な処理と非決定的（non-deterministic）な判断の組み合わせである。
- 決定的な処理：同じ入力に対して必ず同じ結果を返す部分。データベースの読み書き、API呼び出し、計算、権限チェック、帳票出力など、従来のコードで書く処理がこれにあたる。
- 非決定的な判断：LLMが担う部分。曖昧な依頼の解釈、次に呼ぶツールの選択、文章の要約や生成、例外時の対応方針の判断など、ルールを書き切れない処理がこれにあたる。
チャットボットとしての使い方では、LLMの判断がそのまま出力になる。アプリケーション基盤としての使い方では、LLMの判断は決定的なコードとデータに囲まれ、検証可能な手順の中で使われる。業務システムに組み込む場合、正確さが求められる部分（金額計算、承認ルート、監査ログ）は決定的コードで固定し、LLMは解釈と選択に限定する設計が基本になる。
この見方に立つと、エージェントを構成する要素は次の4つに分解できる。
- 推論エンジン：LLM本体。交換可能な部品として扱う。
- ツール：決定的コードで書かれた関数群（社内API、DB、ファイル操作）。
- 記憶：過去の対話、利用者の好み、業務の文脈。
- スキル（手順）：繰り返し実行される業務手順を再利用可能な形にしたもの。
このうち時間とともに価値が増えるのは、記憶とスキルである。推論エンジンは数か月単位で世代交代し、ツールは自社のコードとして残る。記憶とスキルがどこに保存され、誰がエクスポートできるかが、囲い込まれるかどうかを決める。
LLMは上から差し込む交換部品であり、時間とともに価値が積み上がるツール・記憶・スキルは自社の管理下に置く。
4. オープン基盤の上に作る：所有すべきものと借りてよいもの
講演の提言は、特定の閉鎖的エコシステムに依存せず、自分で所有・管理できるオープンな基盤の上に構築せよ、というものである（講演 06:20付近）。ただし、すべてを自前で持つ必要はない。前節の4要素ごとに、所有すべきか借りてよいかを分けて判断する。
| 要素 | 判断 | 理由 | 確認すること |
|---|---|---|---|
| 推論エンジン（LLM） | 借りてよい | 世代交代が速く、交換可能にしておけば価格競争の恩恵を受けられる | 複数プロバイダとローカルモデルに切り替えられるか |
| ツール | 所有する | 自社の業務ロジックそのもの | 特定ベンダーの関数呼び出し形式に閉じず、MCPなどの標準で公開できるか |
| 記憶 | 所有する | 利用期間に比例して価値が増え、移せなければ乗り換えられない | 保存場所が自社管理下か、全件エクスポートできる形式か |
| スキル（手順） | 所有する | 業務ノウハウの形式知化そのもの | テキストやコードとして持ち出せるか、別のエージェント基盤で再利用できるか |
判断の軸は「時間とともに価値が増えるものを、他社の管理下に置かない」ことである。モデルは借りて差し替え、記憶・スキル・ツールは自社の資産として持つ。この分け方をとれば、より安く高性能なモデルが出たときに乗り換えられ、ラボがエージェント層に進出しても業務の中核を握られない。
データの所在が規制で制約される医療・自治体・公共分野では、この判断はさらに強く効く。記憶やスキルには個人情報や業務上の機微情報が含まれるため、それらを自組織の環境に置けることは、乗り換えの自由度だけでなく、導入の可否そのものを左右する条件になる。
まとめ：エージェント導入時のチェックポイント
AIラボの収益構造がモデルからエージェント層へ移る以上、利用者側の防御線もエージェント層に引く必要がある。導入・設計の段階で次の5点を確認する。
- LLMプロバイダを設定変更だけで切り替えられるか（ローカルモデルを含む）
- 記憶（対話履歴・利用者プロファイル・業務文脈）が自社管理の環境に保存されるか
- 記憶とスキルを全件、再利用可能な形式でエクスポートできるか
- ツール接続がMCPなどの標準仕様で書かれ、別のエージェント基盤から呼べるか
- 正確さが求められる処理が、LLMではなく決定的コードで実装されているか
5点すべてを満たせば、モデルの進化はそのまま利用者の利益になり、AIラボの事業拡大は脅威ではなく選択肢の拡大になる。
参考
- AI Engineer「AI Labs Will Trap You or Replace You - Dillon Rolnick, Nous Research」（YouTube、2026年11月4日公開）
- Dillon Rolnick（YesPress）
- Nous Research（Levels.fyi）
- About Hermes Agent
- Hermes Agent（G2 AI Marketplace）
- What Is Hermes Agent?（Toolradar）