ベンチャーキャピタルa16zが示したデータによると、2019年以降、米国のAI関連ハードウェア輸入は主要なすべての設備カテゴリーで国内生産を上回るペースで拡大している。同期間でコンピューターの輸入は366%増加した一方、米国生産は46%の増加にとどまっており、同国のAIインフラ拡張が海外供給にどれほど依存しているかを浮き彫りにしている。

これらの数値は2026年10月25日、a16zの「Charts of the Week」シリーズの一部として公表されたもので、AIインフラ構築の中心となる4つのカテゴリー、すなわちコンピューター、通信機器、半体、電力・電気設備を対象としている。

すべてのカテゴリーで輸入が生産を上回る

通信機器の輸入は175%増加した一方、国内生産は87%の伸びとなった。半導体の輸入は131%増に対し、生産は76%の伸びにとどまった。電力・電気設備では最も大きな乖離が見られ、輸入が69%増加した一方、米国生産は7%減少した。

これらの数値は、AI拡張を支える各設備カテゴリーにおける国内対応の偏りを露呈している。この比較はドルベースの金額の変化を測定するものであり、機械や部品の直接の数量を示すものではない。金額はドル建てであるため、数量だけでなく価格にも左右され、このデータは輸入額と生産額の乖離を示すものであるものの、総供給に占めるそれぞれの比率を確定するものではない。

生産増加の源泉

製造業者は、生産能力の追加によって、あるいは既存施設をより集中的に使用することによって、生産量を増やすことができる。a16zによると、この2つの対応は4つのカテゴリーで異なる形で進んだ。両者を切り分けることで、成長が新設の生産能力によるものか、既存工場の稼働限界に近づくことによるものかを把握できる。

コンピューター製造業者は生産能力を拡大するとともに稼働率も高め、利用可能な生産能力をより多く活用した。この2つの変化が相まって、生産増加を支えた。

通信機器メーカーは大幅に生産能力を追加したものの、稼働率は低下した。この組み合わせは、利用可能な製造能力がその使用ペースを上回って拡大したことを示唆している。

半導体メーカーも生産能力を拡大したが、稼働率は変わらなかった。したがって同業種の生産増加は、既存施設のより集中的な使用ではなく、追加された生産能力によるものである。

電気設備のギャップ

電気設備は異なる道をたどった。稼働率が上昇したにもかかわ生産能力は減少し、国内生産は2019年の水準を下回った。4カテゴリー中、生産が縮小したのはこの分野のみである。

この弱点は重要である。AIインフラ構築にはコンピューティングハードウェアとともに電気インフラが必要だからだ。スイッチギアおよび関連機器は、GPUに電力を供給するために必要な電力網拡張を支えており、国内生産が需要に追いつけない場合、輸入が需要を満たす助けとなっている。この乖離により、米国はこの構築を支える設備について海外サプライヤーへの依存を深めることになっている。

提示された数値は、製造業者がより大規模な拡張を避けた理由を明らかにするものではない。a16zは、建設コスト、投資リスク、海外サプライヤーとの競争がその消極性を説明しうると指摘している。これらはあくまで可能性のある説明であり、確認された原因ではない。

a16zはX上の投稿でこの傾向を次のようにまとめた：

Since 2019, imports of AI hardware have grown faster than US production in every category

US production vs. imports: – Computers: +46% vs. +366% – Comms equipment: +87% vs. +175% – Semis: +76% vs. +131% – Grid & electrical equipment: -7% vs. +69%

Charts of the:… pic.twitter.com/wJN2meTEdu

— a16z (@a16z) October 25, 2026

(a16z on X)

GPU賃借料とトークン需要

その一方で、賃借データはコンピューティングリソースへの需要が続いていることを示している。Ornn Dataによると、追跡対象のすべてのGPUモデルの賃借料が年初を上回っており、旧世代のA100チップも含まれる。賃借価格は、6年間の定額償却を前提とするベンチマークを9%〜143%上回った。定額償却とは、機械の価値低下を想定耐用期間にわたって均等に配分する方法であり、このベンチマークを上回る賃借率は、ハードウェアの着実な償却だけから導かれる水準を賃借価格が上回っていることを示す。a16zは、AIワークロードに依然として広く投入されているNvidiaのデータセンターチップである旧世代のA100やH100が、以前はこのベンチマークを下回る期間が長かったと指摘している。

OpenRouterのデータも、オープン系およびプロプライエタリ系モデルの双方でトークン消費が増加していることを示している。トークンとは、これらのAIシステムが処理するキストの単位である。a16zは、これらのデータセットはGPU価格とトークン支出の不完全な見方しか提供していないと注意を促している。

高まる労働の圧力

労働もまた制約要因となっている。給与計算サービス大手ADPを引用し、a16zは、AIインフラ構築を支える各セクターで労働者1人当たりの週労働時間が大幅に増加したと報告している。これは、従業員数の増加とは別に、既存従業員がどれほど集中的に活用されているかを示す指標である。また、転職者は雇用主に留まる労働者に対して5ポイントの賃金伸び率プレミアムを確保しており、現時点では雇用主を移ることが、留まるよりも大きな賃金上昇をもたらしていることを意味する。

これらの数値を総合すると、AIサプライチェーン全体でハードウェア需要の拡大、工場拡張の偏在、労働負担の増大が浮かび上がる。輸入がそのギャップを埋める助けとなる一方、電気設備が国内生産上の最も明確な弱点であり続けている。a16zの週次チャートシリーズの今後の配信と、Ornn Data、OpenRouter、ADPからの更新データは、これらの傾向が持続するかどうかを追跡する基盤となる。