「データインフラ整備状況レポート 2026」

AIへの需要が、インフラの整備状況を上回っています。Seagateが委託した、世界の2,700人以上の企業テクノロジー意思決定者を対象とした最新調査によると、99%が今後3年間でAIによってストレージ需要が増加すると予想している一方で、その準備が十分に整っていると回答したのは38%にとどまりました。

AIが新たな段階に入るにつれ、この準備態勢の格差はますます深刻なものとなっています。AIの第一時代は、モデルと計算能力における飛躍的な進歩によって特徴づけられました。次の時代は、AIを効率的かつ持続可能な形で拡大し、長期的な価値を引き出すために必要なデータインフラに関する決定によって形作られていくでしょう。組織は、新たな現実に直面しています：AIの成功はインフラの革新にかかっており、データはもはやコストセンターではなく、戦略的なビジネス資産となっています。

こうした背景を踏まえ、本調査では、AIインフラの将来に向けて準備を進める中で、組織が直面しているいくつかの動向について検証しました：

• AIによるデータ量の増加
• AIインフラの整備状況
• インフラ投資の優先事項
• 持続可能性と業務効率性
• ストレージ戦略と長期的な拡張性

データ戦略、ガバナンス、そしてAIの成功に必要なシステムへの継続的な投資が極めて重要であることを強調するこれらの動向は、新たな課題、すなわち持続可能なスケーリングを浮き彫りにしています。

「持続可能なスケーリング」とは、AIの処理能力とビジネス価値を高めつつ、それを支えるインフラの効率を継続的に向上させていく能力のことです。政策立案者、規制当局、そして一般市民がAIインフラの拡大に対してより厳しい目を向ける中、持続可能な拡大は、堅牢かつ健全なAI経済の長期的な存続において極めて重要な役割を果たすことになるでしょう。

以下に挙げる5つの戦略的転換は、組織が「サステナブル・スケーリング」をどのように実践しているか、また最大の機会と課題がどこにあるかを示しています。

AIはすでに、測定可能なビジネス価値を生み出しています。回答者の86％が、自組織のAI投資に対するリターンを「中程度」または「顕著」と評価しており、そのうち33％は「顕著で測定可能なリターン」が得られていると報告しています。こうした結果により、AIを実現するデータの重要性がさらに高まっています。モデルやアプリケーション、意思決定がデータに依存するようになった今、データの保存はもはや単なる付随的な機能ではなくなりました。これは、組織が長期的にAIの成果を向上させていく能力の一部となります。この傾向は各市場で概ね共通しており、米国（87％）、中国（91％）、インド（91％）、日本（75％）、フランス（82％）、英国（86％）、ドイツ（82％）では、中程度または大幅なリターンが報告されています。

予想される成長はかなりのものです。回答者のほぼ全員が、3年以内にAIによってストレージ容量の需要が増加すると予想しています。10人のうち7人が、少なくとも26％の増加を見込んでおり、そのうち32％は要件が半分以上増えると予想しています。この見通しは、日本が98％、インド、フランス、英国、ドイツが100％、米国と中国がともに99％と、市場を問わずほぼ一様に示されています。

その意味するところは明らかです。組織は、データ量の増加と、そのデータに内在する価値の増大の両方を見据えて計画を立てなければなりません。当面の処理能力のみに焦点を当てた短期的なアプローチでは、情報が断片化されたり、アクセスできなくなったり、再利用に多額の費用がかかったりすることがあります。より長期的な視点に立つことで、データ保持、アクセス、ガバナンスに関する決定を、組織がAIに期待する将来の価値と結びつけることができます。

その変化は、リーダーたちがストレージについてどのように説明しているかという点に、すでに表れています。98％の人が、AIによってデータストレージがバックオフィス業務から戦略的なビジネスインフラへと変革しつつあることに同意しています。この調査結果は、優先順位の変化を示唆しています。つまり、ストレージに関する決定が、組織がデータをどのくらい迅速に活用できるか、またその価値をどの程度維持できるかに、直接影響を及ぼすようになったのです。この見解は各市場を通じて一貫しており、日本とドイツでは96％、インドでは100％、米国と英国では99％、中国では98％、フランスでは97％となっています。

拡張

多くの組織は、その方向性について自信を示していますが、よく見てみると、現実はもっと複雑であることがわかります。83％が、AIの長期的なデータ需要に対して「完全に」または「ほぼ」準備ができていると回答している一方で、自分自身を「完全に」準備ができていると考えるのはわずか38％にとどまっています。準備態勢に対する認識は市場によって大きく異なり、中国では96％、日本では55％、インドでは89％、英国では88％、米国とドイツではいずれも86％、フランスでは74％となっています。

この調査結果から、AIの導入準備状況は、単に演算能力や投資額だけには左右されないことが示唆されています。回答者からは、AI戦略の成熟度、予算とリソース、データ管理およびガバナンスが、最も一般的な課題として挙げられています。導入における課題についても、同様の状況が見られます。主な運用上の制約としては、53％がデータの品質と準備状況を挙げ、43％がストレージインフラを挙げています。一方、コンピューティングリソースの利用可能性を挙げたのは27％、エネルギー面の制約を挙げたのは24％でした。

回答者たちは、AI導入における主な課題として、データの品質と準備状況（53％）およびストレージインフラ（43％）を挙げており、これらはコンピューティングリソースの可用性やエネルギー面の制約を上回っています。

拡張

回答者たちは、AI導入における主な課題として、データの品質と準備状況（53％）およびストレージインフラ（43％）を挙げており、これらはコンピューティングリソースの可用性やエネルギー面の制約を上回っています。

準備態勢の格差は、究極的にはデータ基盤に関する課題です。その結果、組織はAIを効果的に拡張するために、データの保持、ガバナンス、ストレージ、およびコンピューティングを統合的に連携させたデータ基盤を必要としています。

企業では、データセンターへの投資を、単なる必要な運営経費ではなく、戦略的な事業上の優先事項として捉える傾向が強まっています。4分の3以上が、これをインフラ整備における優先事項のトップ3に挙げており、5人に1人は、これを唯一の最優先事項として挙げています。

拡張

また、支出の見通しからは、AIインフラがGPUにとどまらないこともわかります。組織の投資優先順位の上位には、セキュリティおよびコンプライアンスのインフラが挙げられており（44％）、データ管理・ガバナンスがそれに続いて2位となっています（43％）。AIおよびGPUインフラストラクチャ、ならびにストレージハードウェアの更新が、投資優先度の第3位（39％）で同率となりました。

したがって、戦略的な課題は、スタック内のどの単一のレイヤーに最も大きな予算が割り当てられるかということではありません。重要なのは、インフラ全体がAIシステムへのデータ流入を支え、将来的に価値を持つ可能性のあるデータを保存し、新たな運用上の制約を生じさせることなく拡張できるかどうかという点です。組織がこれらの相互依存関係を総合的に評価することで、投資はより大きな価値を生み出します。

エネルギーと持続可能性に関する考慮事項は、すでにAIインフラの計画に影響を及ぼしています。回答者の77％が、こうした懸念を理由に、所属組織が事業拡大を延期したり、計画を見直したりしたと述べています。その内訳としては、計画していた投資を大幅に再編成した企業が36％、軽微な遅れが生じた企業が41％となっています。

この発見により、効率性は将来の目標から、現在の計画上の制約へと変わりました。組織はキャパシティを拡充する必要がありますが、その拡大が電力、スペース、冷却、および機器のライフサイクルに及ぼす影響についても理解しておく必要があります。最も有益な意思決定とは、リーダーが測定可能な業務上の要件と結びつけることができるものです。

回答者の皆さんは、進展を期待しています。現在、39％の企業が自社の保管業務を「非常に持続可能」であると評価しています。5年後の事業展開を想定すると、その割合は61％に上昇します。期待値は、利用可能な投資額によっても異なります：年間サステナビリティ予算が1億ドル以上の組織の70％は、5年以内に自社の事業運営が「非常に持続可能なもの」になると見込んでいますが、予算が100万ドル未満の組織ではその割合は48％にとどまっています。

組織では、環境報告だけでなく、業務効率を通じて持続可能なインフラを定義し、測定する傾向が強まっています。ストレージハードウェアの環境負荷を評価する際、消費電力が最も頻繁に考慮される要素であり、62％がこれを挙げています。次に、デバイスの寿命と耐久性が55％となっています。また、回答者のほぼ全員が、データストレージ機器のライフサイクルを延長することが、データセンターの運用における持続可能性に大きな影響を与えるという点で一致しています。

これらの知見は、持続可能なスケールアップに関する実務的な見解を裏付けるものです。組織は、広範な環境に関する表現に頼るのではなく、電力消費量、設備稼働率、機器の耐用年数、および1テラバイトあたりのエネルギーコストといった指標を通じて、具体的なインフラの選択肢を評価することができます。こうした措置により、持続可能性の目標とインフラの日常的な経済活動とを結びつけることが容易になります。

AIによって、組織が成功と成長のために必要とするデータの量、種類、価値が増大するにつれ、AIを基盤とするビジネスモデルは、その基盤となるデータインフラによってますます形作られるようになっています。生産能力の拡大と同様に重要なのは、成長に伴う経済性と操業効率を最適化することです。これは、インフラの設計において効率性を重視した原則を適用し、組織がリソースの利用率、利益率、および長期的な投資収益率を継続的に向上させながら、容量を拡張できるようにすることを意味します。

効率性を重視したインフラへの移行は、各組織が導入している運用慣行にも反映されています：

• 52％が、ストレージや運用上のニーズを判断するためにAIを活用しています（米国：48%、中国: 55%、インド: 62%、日本: 54%、フランス：47%、英国: 53%、ドイツ: 42%).
• 46％が再生可能エネルギー源に投資しています（米国：44%、中国：41%、インド：58%、日本：37％、フランス: 45%、英国: 49%、ドイツ：47%).
• 40％の企業は、インフラを常時稼働させるのではなく、実際のデータ需要に基づいて電力を割り当てています（米国：34%、中国：44%、インド: 48%、日本：41%、フランス：29%、英国: 41%、ドイツ: 40%).
• 31％がデータインフラから発生する熱を再利用しています（米国：26%、中国：37%、インド: 32%、日本：24%、フランス：38%、英国: 31%、ドイツ：33%).

同様の効率性を重視した考え方は、ストレージアーキテクチャの在り方にもますます大きな影響を与えています。ワークロードに合わせたアプローチは、こうした変化の一例です。組織は、データライフサイクル全体に単一のアーキテクチャを適用するのではなく、ワークロードの要件に応じて、パフォーマンス、容量、効率性、および長期的な価値のバランスをとったシステムを設計することができます。これにより、インフラコストやリソースの需要を抑えつつ、AIを拡張するためのより実用的な枠組みが構築されます。

AI環境には、パフォーマンス、容量、アクセス要件が異なる多様なデータタイプが含まれています。トレーニングデータ、アクティブなデータセット、推論コンテキスト、モデルのチェックポイント、ソースコンテンツ、および保持された出力は、インフラストラクチャに対してそれぞれ異なる要件を課します。AIの規模が拡大するにつれ、効率性を重視した設計がますます重要になってきています。インテリジェントな多層アーキテクチャの中で、ストレージ技術をワークロードの要件に合わせて最適化する組織は、経済効率を高め、運用コストを削減し、長期的な成長に向けたより強靭な基盤を構築することができます。

AIの次の段階では、より多くのデータが生み出されることになりますが、その価値をどの組織が獲得できるかは、単なる処理能力だけでは決まりません。差別化要因となるのは、成長に伴うインフラの需要を効率的に管理しつつ、データを常に利用可能な状態に保ち、いつでも使用できるようにしておく能力です。

この調査によると、この取り組みはすでに始まっていることが示されています。各組織は、データセンターへの投資を優先し、ストレージの役割を見直した上で、効率性やライフサイクルに関する考慮事項を拡張計画に織り込んでいます。とはいえ、「ほぼ準備ができている」状態と「完全に準備ができている」状態との間には、依然として大きな隔たりがあります。

そのギャップを埋めるには、データのライフサイクル全体を軸としたインフラ戦略が必要です。組織は、どのようなデータが生成されるのか、さまざまなワークロードがどの程度の速さでそのデータにアクセスする必要があるのか、そのデータがどのくらいの期間価値を持ち続けるのか、そしてどのような運用上の措置が成長を導くのかを理解する必要があります。こうした決定こそが、AIの持続可能な拡大と、AIから得られる長期的な価値の基盤となります。