—·
全てのコンテンツはAIによって生成されており、誤りが含まれる可能性があります。ご自身でご確認ください。
通信事業者のAI予算は、5G-Advanced展開で投資対効果を示しやすいRAN自動化、省電力化、保守業務へと絞り込まれつつあります。
通信業界において、2026年に最も説得力を持つAIの物語は、基調講演で語られる将来像ではありません。実運用中のネットワークが、顧客が気づく前に問題を十分な速さで修正し、事業者が現地に技術者を派遣せずに済む。その現場で何が起きているかです。ノキアによれば、stcの商用ネットワークでは2025年に1時間当たり1万5,000件の自律的な是正措置が実行され、あわせてセル障害は60％減少し、ピーク時スループットは10％向上しました。こうした数字は、財務委員会にも理解されやすいものです。トラックロールの削減、品質劣化セルの減少、そして混雑時間帯における周波数利用の改善につながるからです。(nokia.com)
これは、事業者が5G-Advancedの段階に入るなかで進んでいる本当の変化です。AI予算は、クローズドループ自動化へと移っています。すなわち、ネットワーク状態を検知し、対応を判断し、実行し、その結果を手動介入を待たずに検証する仕組みです。実際には、既存のOSS環境のなかで、RANパラメータ調整、省電力制御、ワークロードのオーケストレーション、保守の優先度判定を行うことを意味します。運用面の裏付けに乏しい、広義の「自己修復ネットワーク」という主張ではありません。GSMA Intelligenceの2026年1月の市場アップデートによれば、一部の新しい導入は収益拡大を狙っているものの、通信事業者のAI導入の大半は、依然としてコスト削減型の用途が占めています。(gsmaintelligence.com)
本稿が取り上げるのは、通信AIのより限定的で、より運用寄りの局面です。すなわち、ネットワーク最適化、予知保全、ネットワーク体験と結びついた解約率低減、そして5G-Advanced展開の効率化において、事業者が測定可能なインフラ成果を得ている領域です。中心にある問いは単純で、しかも容赦がありません。どのAIユースケースが、実運用のOSS／BSSスタック、マルチベンダーRAN、そして営業利益率目標という現実に耐えられるのか。
業界は長年、自律型ネットワークについて語ってきました。いま測定可能な証拠が示しているのは、より選別的な現実です。AIに予算が付くのは、OpExを削減できる場合、ネットワークKPIを守れる場合、あるいは人的介入を減らして5G展開を加速できる場合です。GSMA Foundryは2025年の業界状況を総括するなかで、65％の事業者がAI戦略を採用済みであり、41％は依然として導入初期段階にあると指摘しました。だからこそ、予算は、より少数で、実証しやすいユースケースへ集中しているのです。(gsma.com)
この変化は、理念ではなく経済性によるものです。エリクソンが2024年3月にChunghwa Telecomとの取り組みについて公表した説明によれば、モバイルネットワークではRAN、すなわち無線アクセスネットワークが、しばしばエネルギー消費の80％超を占めます。ネットワークのなかで最も電力を消費し、費用もかかる部分を、AIによってより賢くスリープ、復帰、再構成できるのであれば、事業の論拠は即座に成立します。(ericsson.com)
その結果、通信分野のAIは、事業者の間で次第に三つの投資区分として扱われるようになっています。すなわち、容量・カバレッジ・省電力のためのクローズドループRAN自動化、現地訪問を減らし、修理準備を改善し、障害発生前に劣化資産を捉える予知保全、そして入力データがネットワーク体験と強く結びついている場合に限った顧客維持分析です。エンドツーエンドの自己修復という大きな約束は依然としてロードマップ上にありますが、大規模な収益効果を示す公開証拠は、なおはるかに乏しいままです。
2026年の事業計画を組み立てる事業者にとって、最も明快で、同時に最も厳しいふるい分けはこうです。既存の運用ループの内側にあり、12カ月以内にコスト項目を変化させ、モデル精度だけでなくネットワークKPIに照らして測定できるAI案件に資金を振り向けることです。そうでなければ、革新を装った単なる統合作業に終わる危険があります。
クローズドループ自動化が通信業界で最も信頼できるAI活用事例になっているのは、データ、判断、実行を、ネットワークで最も高コストな制約である周波数、電力、現地運用に直接結びつけているからです。クローズドループは単なる分析ではありません。ソフトウェアがリアルタイムの状況を監視し、変更を推奨または実行し、意図した結果が実際に得られたかを確認する制御システムです。RAN運用では、アンテナチルト、送信電力、スリープ状態、ハンドオーバー設定、輻輳パラメータを機械の速度で調整することを意味します。
stcの事例が際立つのは、まさにその点にあります。ノキアの2026年ソリューション概要では、この事業者の実運用ネットワークが、実験室環境ではなく、MantaRay AutoPilotによって1時間当たり1万5,000件の自律的な是正措置を実施し、セル障害を60％削減し、ピーク時スループットを10％引き上げた商用環境として示されています。さらにノキアは、2024年のハッジ期間中にトラフィックが40％増加するなかで、この自動化システムが15分間隔の学習サイクルで適応したとしています。ここで示されているのは、障害、スループット、トラフィック負荷、是正措置といったインフラ指標であり、見栄えだけの指標ではありません。(nokia.com)
MasOrangeは、第二のシグナルを与える事例です。ただし、その根拠は依然としてベンダー発表の導入告知であり、一定の留保をもって受け止める必要があります。エリクソンは2025年12月、MasOrangeが商用ネットワークにおいて、自動化RAN最適化と省電力化のための各種rAppを含むIntelligent Automation Platformを導入したと発表しました。そこにはSMO、すなわちService Management and Orchestrationも含まれます。重要なのは、プレスリリースの文言ではなく、そのアーキテクチャです。事業者がSMOとrAppを重視するようになっているのは、それらがO-RAN型の管理レイヤー上で動作する専用無線アプリケーションであり、OSS全体を置き換えることなく、自動化ロジックを既存の運用ワークフローに組み込めるからです。MasOrangeに関する直接的な公開性能データはなお限られていますが、この導入パターンは、全面刷新ではなくモジュール型自動化へ向かう広範な流れと一致しています。(ericsson.com)
AT&Tとエリクソンの協業も、もう一つの根拠を加えています。エリクソンによれば、140億米ドルのインフラ投資に結びついた両社のネットワーク近代化プログラムは、Open RAN、Cloud RAN、ソフトウェア変更、そしてAI駆動のrAppによって、年間最大20％のネットワーク電力効率向上を達成しつつ、ほぼ2倍のネットワークトラフィックを処理しました。これは規制当局向け開示ではなくベンダー事例であるため、監査済みのコスト削減報告として読むべきではありません。それでも、AIが単独の奇跡として売り込まれるのではなく、より広いインフラ計画の一部として組み込まれていることを示す公開事例としては、比較的明瞭な部類に入ります。(ericsson.com) (about.att.com)
したがって、2026年時点で最も有力なユースケースは、標語としての「AI-RAN」ではありません。明確な制御プレーン、限定された高頻度意思決定、そしてロールバック経路に結びついたRAN自動化です。どのネットワークパラメータを、どの頻度で、どのポリシーエンジンによって、どのOSSインターフェース経由で調整するのかを説明できない組織の案件は、導入準備が整っているとは言えません。
すでに取締役会レベルの判断を形づくるだけの証拠が集まっている領域が一つあるとすれば、それはAI支援によるエネルギー管理です。これを正当化するのに、抽象的な持続可能性の物語は不要です。電力は直接的な運用コストであり、5Gの高密度化は、5G-Advancedが複雑性をさらに増す以前から、サイト電力、冷却、無線効率に圧力をかけています。
Telefónicaの省エネ最適化の取り組みは、この論点を早くから示していました。同社は2022年、マドリードの5G展開でエリクソンのRadio Deep Sleep Modeを試験した結果、ネットワーク消費電力を**8％から26％**最適化できたと発表しました。考え方は単純です。トラフィックが少ない時間帯には、ソフトウェアが無線装置、キャリア、セクター、セルの一部を停止し、需要が戻れば復帰させます。AIと機械学習は、そのタイミングを改善し、顧客体験を目立って損なうことなく省電力化を実現します。(telefonica.com)
Chunghwa Telecomは、さらに強い結果を報告しています。エリクソンは2024年3月、AI駆動のService Continuityソリューションが、負荷を予測し、ディープスリープモードなどの省電力アクションを自動化することで、Chunghwaのネットワークにおいて最大34％の省エネを実現したと述べました。これもベンダー側の提示する証拠ではありますが、AIの出力をネットワークのコスト項目に直接結びつけているという点で、運用上の意味は明確です。(ericsson.com)
Vodafone UKの2025年の試験は、5G-Advanced展開のなかでこの種のユースケースがどこへ向かうのかを示唆しています。エリクソンによれば、この試験では5G Deep Sleep、4G Cell Sleep Modeのオーケストレーション、そしてRadio Power Efficiency Heatmapを組み合わせて、エネルギー消費を予測・最適化しました。検証シナリオでは、ディープスリープにより低トラフィック時間帯の無線機で最大70％の消費電力削減が確認されたといいます。試験であることの意味は重要です。これは能力の証拠であって、全国規模の商用ネットワーク全体における削減効果をまだ証明したものではありません。それでも、事業者が派手なAI構想より先にエネルギー関連アプリへ資金を投じ続ける理由はよく分かります。入力データは豊富で、実行するアクションは明確であり、投資回収モデルも説明しやすいからです。(ericsson.com)
実務上の教訓は、エネルギー自動化を研究テーマではなく、導入順序の問題として扱うことです。まず、トラフィックの谷が予測しやすいサイトで、低リスクのスリープ・復帰制御から始めます。そのうえで、呼損率、接続可能性、輻輳しきい値といったガードレールに接続していくべきです。勝つのは、最も多くのAIモデルを持つ事業者ではありません。誤ったポリシー判断の後始末のために技術者を出動させることなく、キロワット時ベースの削減を証明できる事業者です。
予知保全は、通信業界で長年売り込まれてきました。しかし、その訴求はしばしば曖昧すぎました。2026年時点で有用な区別は、興味深いアラートを出すだけのシステムと、実際に現地作業を減らし、修理品質を高め、サービス劣化を未然に防ぐシステムとの違いです。事業者がようやく証拠を示し始めているのは、後者のグループです。
O2 Telefónica Germanyは、2024年6月に最も明快な公開事例の一つを示しました。同社によれば、インテリジェント分析ソフトウェアによって、12カ月で1万回超の技術者出動を回避し、移動距離を推定100万キロメートル削減できました。このシステムは、ネットワークデータベースから情報を引き出し、現地で起きている可能性が高い障害を特定し、技術者が出発前に必要なハードウェアや知識を示します。さらに、予知保全の一環として、障害を事前に検知する能力も高めつつあります。これは華やかなAIではありません。保守予測に結びついた出動最適化であり、人員活用とサイト復旧時間に明白な影響を持つものです。(telefonica.de)
同社のTM Forum事例は、より広い運用上の枠組みも補っています。Telefónica Germanyは、この取り組みを、クローズドループ制御を伴うリアクティブ保守から予測型運用への移行と位置づけ、平均修復時間、すなわちMTTRとネットワーク可用性の改善を掲げました。MTTR改善幅の具体的な大きさについて公開情報は限られますが、方向性は前述の出動削減結果と整合しています。(info.tmforum.org)
Türk TelekomのGSMA Foundry事例も、もう一つの具体例を示しています。2026年1月の事例要約によれば、初期段階で200サイトに導入されたAIとコンピュータビジョンのシステムにより、日次の手動点検時間は14時間から15分へと短縮され、98％削減を達成しました。同時に、在庫精度を向上させ、視覚データと運用データを予知保全モデルへ供給しています。この環境では元ページの全文に自由にアクセスできないため、実務家はこれを完全に検証可能な一次資料ではなく、GSMAによる要約事例として受け止めるべきです。それでも、なお注目に値します。多くの事業者がなお見過ごしている運用上のボトルネック、すなわちサイト室内の可視性に、予知保全を結びつけているからです。(gsma.com)
予知保全は、「異常を見つける」という約束だけで予算化すべきではありません。修理の経済性を測定可能な形で変える場合にこそ資金を投じるべきです。たとえば、トラックロールの削減、一次修理完了率の向上、MTTRの短縮、計画外停止時間の減少です。保守AIが出動ロジックや予備部品準備を変えないのであれば、それはまだ分析の実証実験にとどまっている可能性が高いと言えます。
解約率低減も、この議論に含めるべきです。ただし、それは限定的な形でのみ意味を持ちます。通信AIをめぐる語りの多くは、依然として解約をマーケティング自動化の問題として扱いがちです。しかし成熟したモバイル市場では、それはしばしば商業上の装いをまとったサービス品質の問題です。ここで価値を得ている事業者は、単に離脱しそうな顧客を予測しているのではありません。提案施策で不満を解消できる顧客と、無線性能、繰り返す障害、慢性的な地域輻輳に不満の根源がある顧客とを切り分けているのです。
この領域の公開証拠は、RAN最適化や保守よりも薄く、その薄さ自体が示唆的です。TM ForumのTaiwan Mobileに関するOSS変革事例では、同社がAI分析、サービス自動化、OSS近代化を組み合わせた結果、顧客解約率が30％低下したと報告されています。ただし、この事例は2020年のものであり、現在の5G-Advanced投資サイクル以前にさかのぼります。また、その結果は複数の施策を束ねたもので、解約改善のうちどの程度がネットワーク由来のAI洞察によるものかを切り分けていません。運用データが顧客維持に影響し得ることは示していますが、複数ブランドの5Gポートフォリオを抱える欧州や北米の事業者にとって、現時点での明快な比較基準にはまだなっていません。(inform.tmforum.org)
より最近の事業者開示は、別の意味で示唆に富みます。Orangeの2026年3月の戦略アップデートによれば、同社はAIデジタルアシスタント、ロイヤルティ施策、より広範な顧客体験プログラムに支えられ、2028年までに欧州各国で解約率を最大3ポイント改善することを目指しています。これは取締役会レベルでは意味のある目標ですが、依然として戦略的な目標であり、因果を特定できる証拠ではありません。また、ここにはよくある開示上の問題も表れています。解約対策に、コンタクトセンターAI、オファー管理、デジタル対応、ネットワーク品質改善が混在すると、因果関係が曖昧になるのです。投資家は総体的な目標を受け入れるかもしれません。しかし、AI予算を配分しようとする事業者は、そうしてはなりません。(orange.com)
実務家にとって本当の分かれ目は、解約分析がBSSとOSSをダッシュボードの段階でなく、意思決定の段階で統合しているかどうかです。BSS、すなわちBusiness Support Systemsには、顧客プロファイル、契約年数、請求、料金プラン、端末、オファー履歴が含まれます。OSS、すなわちOperations Support Systemsには、アラーム、トポロジー、性能カウンター、チケット履歴、サービス劣化記録、そしてセル、クラスタ、地域別の体感品質データが含まれます。契約年数、ARPU、販促反応を主に使うモデルは、通常、値引き最適化へ向かいます。一方で、ハンドオーバー失敗の反復、セッション切断、慢性的な低SINR、地域障害への継続的な曝露、未解決の修理チケットまで見えるモデルは、適切な介入が継続特典ではなく、ネットワーク修正であるケースを特定できます。この違いは重要です。値引きで顧客を引き留めても、無線側の問題を放置すれば、コストは解約から利益率の毀損へ移るだけだからです。
ネットワーク予算と営業予算の両方を持つ事業者にとって、解約率低減は一般的な離反確率スコアではなく、サービス品質コホートを軸に設計されるべきです。少なくとも顧客を三つに分ける必要があります。オファー対応が最適な層、サービス介入を要する層、そして保持施策の支出を期限付きの改善計画に連動させるべき、構造的にカバレッジまたは容量が弱い地域の層です。多くの場合、最善の維持策は値引きではありません。RAN修正であり、容量増強であり、苦情の原因となっているクラスタを狙った保守出動です。
5G-Advancedの到来は、AIをより不可欠なものにし、同時に過度な夢物語から遠ざけています。事業者がより高密度なキャリア構成、より動的な電力管理、アップリンク最適化、そしてソフトウェア定義型RAN機能を導入するにつれ、意思決定の回数は人員数やエンジニアの作業時間よりも速く増えていきます。これによって、投資対効果の試金石も変わります。問題は、AIが洞察を生み出せるかどうかではありません。低遅延で発生する運用上の意思決定の増大を、5Gの経済性を守れるほど低コストで吸収できるかどうかです。
だからこそ、真剣な事業者の支出は、夢のような新アーキテクチャではなく、制御レイヤーを強化するAIへと集中しています。ノキアが2025年3月にKDDI、SoftBank、T-Mobile USなどのパートナーと公表したAI-RANの発表は、自動化を通じた5Gネットワーク関連コストと消費電力の削減を含む実務的な目標を掲げていました。重要なのはコンソーシアムの看板ではありません。大手事業者やサプライヤーの公開言説でさえ、いまや、完全自律ネットワークが一挙に到来するという古い約束ではなく、コスト、電力、運用自動化に軸足を置いていることです。(nokia.com)
摩擦が生じるのは、概念面ではなく運用面です。実運用ネットワークでは、ソフトウェア更新後にカウンターがずれ、近代化の途中でトポロジーが変わり、ベンダーごとに異なる管理インターフェースが露出します。しかも、あらゆる自動化アクションは、変更管理ポリシーと顧客影響を抑えるガードレールに耐えなければなりません。管理された試験では印象的に見えるモデルも、OSS統合、可観測性、ロールバックロジック、ベンダー横断の検証を加えると、経済的な魅力を失うことがあります。だからこそ、限定的なクローズドループが、広範な異常検知や「自己修復」の主張よりも速く前進しているのです。前者は範囲の定まったアクション群と測定可能なKPI差分に結びつけられますが、後者はしばしば高価な例外処理へと崩れていきます。
今後18カ月で起きそうなのは、汎用的な自律性への劇的な跳躍ではありません。小さなループをうまく運用に載せる事業者と、広いAIの物語を買い続ける事業者との格差が広がることです。2027年後半までには、最も強いティア1の導入事例で、商用ネットワーク全体にわたるエネルギー管理、パラメータ最適化、保守トリアージの定常的な自動化が示される可能性が高いでしょう。その採用度は、デモの数ではなく、継続的なKPI改善とOpExへの影響で測られるはずです。一般化された自己修復は、なお大半が限定領域にとどまるでしょう。限られた障害ライブラリ、特定ベンダー環境、あるいは厳密に定義されたサービスクラスの範囲内です。これは失望すべきことではありません。誇大な期待がインフラ経済の現実に置き換わるとき、産業化とは通常そのような姿を取るものです。
5G-Advancedの下では、あらゆるAIネットワーク提案に対し、他のインフラ機能と同じ資本配分の試験を課すべきです。KPI変動、OSS／BSS統合コスト、ロールバック設計、運用責任、そして12カ月間のOpEx影響についての報告を必須としなければなりません。意思決定ループ、対象領域、人間による介入経路、単位経済性を明示できない提案は、調達を通過すべきではありません。資金を向けるべきなのは、セルを稼働状態に保ち、技術者を道路に出さず、5Gの経済性を管理下に置く仕組みです。