AIへの投資は加速していますが、ビジネス価値が常にそれに追いついているとは限りません。組織がより多くのエージェントやAIアプリケーションを展開するにつれて、すべてのリクエストに最も強力なモデルを使用すると、成果を大きく向上させることなくコストが増加する可能性があります。真の課題は、どのモデルが最適かということではありません。どのモデルが各タスクに最も適しているか、そしてそれを大規模にどう選択するかということです。
Snowflakeは、Snowflake Cortex AIの2つの新機能により、組織がこのバランスを実現できるよう支援しています。Cortex AIゲートウェイを介した動的モデルルーティング（近日PrPr提供予定）は、エージェントの接続をガバナンスし、リクエストをインテリジェントに転送して、AIの消費を最適化するための統合された基盤を提供します。また、SnowflakeはDeepSeek-V4-Flash（PrPr）やGLM-5.3（近日提供予定）を含むオープンモデルのポートフォリオを拡大しており、組織が各ワークロードを適切なモデルに適合させるための柔軟性を高めています。
AIの経済性向上は適切なタスクへの適切なモデルの選択から
組織がタスクに必要なレベル以上のインテリジェンスにコストを支払うのをやめれば、AIの経済性は向上します。Snowflakeはこれをインテリジェンス効率と呼んでいます。これは、コンピュート、モデル、データ、コンテキストを測定可能なビジネス価値に変換する能力です。目標は、すべてのリクエストをデフォルトで最も高価なオプションに割り当てるのではなく、各タスクを、必要な品質を最も適切な低コストで提供できるモデルに適合させることです。
原則はシンプルです。すべてのタスクに、利用可能な最も強力なモデルが必要なわけではありません。週次のステータスサマリーの生成には、ポートフォリオ全体のリスクを統合するのと同じレベルのインテリジェンスは求められません。課題は、どのモデルが各タスクに最適かを判断し、数十ものモデルが進化と改善を続ける中で、そのマッピングを維持することです。
Cortex AIゲートウェイにおける動的モデルルーティングの導入
動的モデルルーティングにより、Cortex AIゲートウェイは、エージェント実行の各ステップにおいて、タスクを確実に完了できる最も手頃な価格のモデルを選択します。複雑度の低い反復的なタスクはより効率的なモデルに転送し、より深い推論を必要とするワークロードはフロンティアモデルにルーティングできます。これにより、お客様は開発チームにモデル選択ロジックの構築や維持を求めることなく、不要な推論コストを削減できます。モデルの選択肢、機能、価格が進化しても、お客様がアプリケーションやエージェントを再構築することなく、ルーティングの決定を適応させることができます。
この機能は、Snowflakeですでに確立されているエンタープライズガバナンス制御の範囲内で動作します。管理者が承認したモデルのみを考慮し、組織の既存のデータレジデンシー設定を尊重するため、リクエストが承認されたコンプライアンスの境界内に確実に留まるよう支援します。各ルーティングの決定もログに記録されるため、管理者やコンプライアンスチームは、どのモデルがどのリクエストを処理したかについての可視性を得ることができます。
初期テストでは、有意義な効率向上が実証されています。ある社内評価では、動的モデルルーティングにより、data build tool（dbt）のパイプラインワークロードを、フロンティアモデルのみのアプローチと比較して最大3倍のトークン効率で完了しつつ、同等の品質を提供しました。別のコーディングワークロードのテストでは、エンジニアリングチームはトークン使用量を約25%削減しながら、同じプルリクエストのスループットを維持しました。1
Snowflakeがルーティングレイヤーを維持しているため、新しいモデルが利用可能になったり、既存のモデルの相対的な強みが変化したりするのに合わせて、モデルの選択を進化させることができます。お客様は、アプリケーションを再設計したり、複雑なルーティングロジックを自ら管理したりすることなく、継続的に改善されるルーティングのメリットを享受できます。
オープンモデルへのアクセスの拡大：DeepSeek-V4-Flash 0731およびGLM-5.3
ルーターの価値は、利用可能なオプションの質に依存します。動的モデルルーティングは、必要な品質基準を満たしつつ最も安価なモデルに各リクエストを転送することで、コストを削減します。有能で効率的なモデルのプールが拡大するにつれて、経済性は向上します。 プールに新しいモデルが追加されるたびに、お客様はより低いコストでより優れたパフォーマンスを得ることができます。 だからこそ、オープンモデルのエコシステムは、ほんの数か月前よりも今日さらに重要になっているのです。
本日、Snowflake Cortex AIにおいて、DeepSeek-V4-Flash 0731 （プライベートプレビュー中）やGLM-5.3（近日プライベートプレビュー提供予定、モデルの可用性により変更される場合があります3）を含む、主要なオープンモデルへのお客様のアクセスを拡大します。これらは、Anthropic、Google、OpenAI、SpaceXAI、Mistral AI、Metaのモデルを含む既存のポートフォリオに加わり、ユーザーが各ワークロードに対して品質、パフォーマンス、コストの適切な組み合わせを見つけるためのより多くの選択肢を提供します。
Snowflake CoCoをエージェントハーネスとして使用し、ADE-benchで評価した結果、DeepSeek-V4-Flashは74.4%のスコアを記録し、2テストした主要なプロプライエタリモデルを上回りました。これは丸め誤差ではありません。データチームにとって最も重要な領域で、OSSのフロンティアが追いついたことを示すシグナルです。本日GLM 5.3を発表しますが、過去のテストにおけるGLM-5.2のスコアは説得力のある結果を示しています。確かなデータエンジニアリングの精度（ADE-benchで66%2）と、ベンチマーク内のどのモデルよりも少ないトークンフットプリントを実現しており、コストとレイテンシーが重要となる、大量のセルフホスト型ワークロードを実行するチームに最適です。
DeepSeek-V4-Flash 0731は本日よりCoCoでプライベートプレビューとして利用可能であり、GLM-5.3は近日提供予定です。これらはセルフホスト可能であり、データを自社の環境内に保持できるように設計されています。
Snowflakeは、推論がセキュアな境界内で確実に行われるようにするため、サードパーティのAPIをプロキシするのではなく、これらのオープンモデルを自社で提供しています。生のエンタープライズデータから完了したエージェントのタスクに至るまでのエンドツーエンドのパス、すなわち、データ、推論を実行するコンピュート、モデルの重み、そしてそれらすべてをオーケストレーションするエージェントハーネスを運用しています。これにより、直接的にいくつかのメリットがもたらされます。
推論がガバナンスされたデータのすぐそばで実行されるため、転送コストとレイテンシーが削減されます。
スタックを制御することで、汎用的なエンドポイントが提供するものを受け入れるのではなく、エンタープライズワークロードが実際に生成するアクセスパターンに合わせて最適化することができます。
データはSnowflakeのガバナンス境界内にとどまるため、オープンモデルは、すでにデータを管理しているのと同じロールベースのアクセス制御と監査証跡の内部で動作します。
時間の経過とともに向上するAIの経済性
動的モデルルーティングと、拡大し続けるオープンモデルのポートフォリオを組み合わせることで、インテリジェンス効率を相乗的に高めることができます。動的ルーティングは、日常的なワークロードをより効率的な代替モデルに振り分けることで、高コストなフロンティアモデルへの不要な依存を減らします。同時に、高性能なオープンモデルの選択肢が広がることで、ルーティングレイヤーは各リクエストに対して、より高品質で費用対効果の高いオプションを提供できるようになります。
システムが実際の使用状況から学習することで、経済性はさらに向上します。さまざまなワークロードにわたってモデルが評価されるにつれて、ルーティングの決定はより正確になります。品質、レイテンシー、コスト、ガバナンスの要件に基づいて、タスクを適切なレベルのインテリジェンスに適合させることができます。新しいモデルが利用可能になり、既存のモデルが改善されるにつれて、ビジネスが求める成果を損なうことなく、より多くのワークロードを効率的なモデルで処理できるようになります。
その結果、組織はモデルのパフォーマンス向上の恩恵を受け続けながら、各ビジネス成果の平均コストを段階的に削減できるようになるため、時間の経過とともに効率性が高まるシステムが実現します。アプリケーションの再構築、モデル選択のハードコーディング、複雑なルーティングロジックの手動管理を行うことなく、これらを実現できます。エンタープライズガバナンスにより、リクエストが定義されたコンプライアンス、パフォーマンス、コストのパラメーター内に確実に収まるようになるため、組織はより強力な制御とサステナブルな経済性をもってAIを拡張できます。
1 Snowflakeの内部テストに基づく結果です。方法論と条件については、ご要望に応じて提供可能です。個別の結果は、ワークロードや構成によって異なる場合があります。
2 実際のビジネスにおけるアナリティクスやデータエンジニアリングのタスクでAIエージェントを評価するためにdbtが作成したフレームワークであるADE-benchを使用した、内部テストに基づく効率性スコア
3 本コンテンツには、将来の製品提供に関するものを含む、将来の見通しに関する記述が含まれていますが、これらは製品の提供を確約するものではありません。実際の結果や提供内容は異なる場合があり、既知および未知のリスクや不確実性の影響を受けます。詳細については、最新の四半期報告書（10-Q）をご覧ください。
