MiniMaxが「祖訓」に背く：企業収入が700%急増、密かに「ツルハシ売り」へ転身

多くの人にとって、MiniMaxと聞いてまず思い浮かぶのは、かつて海外で大流行したAIコンパニオンのTalkieや、国内ユーザーにおなじみの星野や海螺AIだろう。長らくこの大型モデルユニコーン企業は、外部から「C端（消費者向け）企業」というレッテルを貼られてきた。

しかし、この1年で状況は一変した。

MiniMaxが最新発表した2026年中期決算報告によると、1年前の消費者向け約70%が企業向け約30%を大きくリードしていた状況と比較し、その収益構造は完全に逆転し、B端（企業向け）が圧倒的な支配的地位を占めるようになった。

MiniMaxはわずか1年で構造的移行を完了し、現在ではグローバル開発者エコシステム、マルチモーダルMaaS、Agentインフラを中核とするコンピューティング基盤企業へと生まれ変わった。

開示されたデータによると、MiniMaxの全体収益規模は大幅に向上し、2026年上半期の総収入は約1.2億ドルに達し、前年同期比283.1%増となり、わずか半年間で2025年通期収入の1.5倍を記録した。

このうち、オープンプラットフォームおよびその他の企業向けサービスを主とするB端業務の収入は7390万ドルに達し、前年同期比で700%超の急増を見せ、総収入に占める割合も去年同期の30.3%から63.4%へと急上昇し、一気に同社最大の収益の柱へと躍り出た。

企業向け市場の急成長により、MiniMaxのARR（年間経常収益）は大幅に増加し、8月時点で8億ドルに達した。そのうちTo B業務が約80%を占め、To Cはわずか約20%となっている。

（ARRは一般会計原則に基づく監査数値ではなく、本質的に水増しの可能性があるが、AIモデル企業やSaaS企業にとっては依然として価値ある評価指標であることに留意されたい。）

また、MiniMaxは上半期に海外市場が約6割の収入を貢献しており、そのグローバル化の特色が再び浮き彫りとなった。

収入が急増する一方で、販売および流通費用は前年同期比17.9%減の2700万ドルとなり、毛利益は前年同期比464.8%増の2081万ドルとなった。

損失面では、当期の純損失は前年同期の約4億ドルから約3.6億ドルへと減少した。

これは、MiniMaxが早期の汎エンターテインメントC端アプリによるトラフィック購入と顧客獲得に依存していた段階を完全に終わらせ、基礎モデルおよびマルチモーダルモデル能力の全面強化を経て、企業と開発者エコシステムによって駆動される自然なネットワーク成長へと転換したことを意味する。

簡単な横比較をしてみよう：

• The Informationの報道によると、DeepSeekは今年の最初の7ヶ月間で7070万ドルの収入を達成した。7月の盛り上がりを除外すれば、MiniMaxの上半期収益はDeepSeekの約2倍程度と概算される。

• DeepSeekの収益純額はMiniMaxを下回っているものの、最初の7ヶ月で2025年通期収入の10倍を達成しており、増加率はMiniMaxをはるかに上回っている。

• DeepSeekの最初の7ヶ月間の純損失は1.06億ドルであり、MiniMaxの当期純損失はDeepSeekの約3.4倍に相当する。

新旧のコンセンサス

MiniMaxは、Token消費量の断層的な急増が当期の収入急増の重要な要因であると明かした。

今年7月だけでも、MiniMax全プラットフォームのToken消費量は1月のちょうど20倍に達した。現在までに、そのグローバル企業顧客と開発者の数は200万を突破し、2025年末の10倍にもなっている。

Token消費にこれほど誇張的な非線形の飛躍が生じた理由は、モデル消費パラダイムの移行にある。

CEOの闫俊杰は、モデル消費のパラダイムが「人とAIの直接対話」から「AgentとAIの多段階連鎖」へと全面的に移行したと明かした。

Agentによって駆動される推論需要の成長は、人間のユーザー数とメッセージ数の成長よりも著しく速い。これが直接的に、1ユーザーあたりのToken消費の倍数級の爆発につながっている。

これは日々進化するモデル業界においてすでに「古いコンセンサス」となっている。

そしてより重要な新しいコンセンサスは、ポストトレーニングがスケーリングの新たな上限になるということだ。

最近の智谱GLM 5.3、DeepSeek V4 Flash（0731バージョン）、Gemini 3.x Flashの公開資料から見ると、ますます多くのモデル企業がマイナーバージョンの更新でポストトレーニングに重度に依存しており、ポストトレーニングだけでも特定の主流タスクにおけるモデルのパフォーマンスを著しく向上させることができる。

闫俊杰も業績説明会でこの新しい業界コンセンサスの転換を提起した。現在の大型モデルのスケーリングは、単一の事前学習から、ミッドトレーニング、ポストトレーニング、強化学習へと急速に拡大している。

ポストトレーニングの段階において、大量の合成データ生成、強化学習における環境のロールアウト（推論/生成）、生成タスクの試行錯誤による検証は、その本質がすべて推論計算である。単位コンピューティング能力あたりの推論コストが低ければ低いほど、スループットが大きければ大きいほど、モデルがポストトレーニングで処理できる軌跡と実験規模も大きくなる。これが、MiniMaxを含む多くのモデル企業が、ミッドトレーニングとポストトレーニングの段階に投入するコンピューティング能力の割合をますます高くしている理由である。

闫俊杰は、同じコンピューティング規模の下で、推論計算効率の向上倍数が、ポストトレーニングの規模拡大倍数とほぼ線形の相関関係にあると指摘した。この言葉は大まかに、ポストトレーニングの力を入れれば入れるほど推論効率の向上が大きくなり、モデルが示す最終的な効果も良くなると理解できる。

**言い換えれば、人々がスケーリング則が壁にぶつかったと考えているかどうか、モデルのパラメータ数が限界に達しているかどうかにかかわらず——ポスト