AI-RANパフォーマンスベンチマーク2026

無線アクセスネットワークに適用された人工知能 — AI-RAN — は、カンファレンスのスライドから本番インフラへと移行した。2026年第1四半期、3社のTier-1通信事業者が、同一ハードウェア上でAI最適化RANと従来型構成を比較した独自のフィールドトライアル結果を公表した。業界として初めて、同一条件下での性能比較データが揃った。結果は一様ではなく、一部の領域では顕著な改善が見られたものの、別の領域では限定的な改善に留まり、AIが実際にパフォーマンスを低下させた事例もあった。本レポートは、公開されているすべてのベンチマークをまとめ、分析したものである。

方法論：測定対象と測定方法

本レポートは7つのソースからデータを集約している：T-Mobile US（2026年3月フィールドトライアル、デンバー都市圏）、楽天モバイル（2025年第4四半期本番データ、東京）、Deutsche Telekom（2026年2月トライアル、ベルリン）、SK Telecom（2026年1月トライアル、ソウル）、Vodafone UK（2026年3月トライアル、ロンドン）、NVIDIAエリアルプラットフォームベンチマーク（実験室条件）、Nokia AirFrame AIベンチマーク（実験室＋フィールド）。すべての結果は、同一ハードウェア上でAI有効と無効の構成を比較しており、機器差異の影響を排除している。

追跡した主要指標：下りスループット（セルあたりMbps）、上りスループット、平均レイテンシ（ms）、99パーセンタイルレイテンシ、スペクトル効率（bps/Hz）、エネルギー消費量（転送1TBあたりkWh）、ハンドオーバー成功率、通話切断率。通信事業者が異なる指標を報告している場合は共通単位に正規化し、方法論の違いを記録した。

スループット：シナリオ依存性が高い +8〜22% の改善

ほとんどの通信事業者が最初に取り上げた数字はスループット改善だった。7つのソース全体で、AI-RANは以下の結果を示した：

• 高密度都市部（1,000ユーザー/km²超）：下りスループット平均で +15〜22% 改善。T-Mobileはデンバー中心部で +18%（セルあたり平均285 Mbpsから336 Mbps）を報告。SK Telecomはピーク時間帯に江南区で +22%（310 Mbpsから378 Mbps）を計測。
• 郊外（500ユーザー/km²未満）：+8〜12% 改善。Deutsche TelekomはベルリンのA外縁地区で +11%。VodafoneはロンドンA郊外サイトで +8% を報告。
• 農村部（50ユーザー/km²未満）：+3〜5% — 統計的には有意だが、運用上は限定的。AIスケジューラーが最適化できるユーザー数が少なく、マルチユーザーダイバーシティの恩恵が限られる。
• 屋内（企業・スタジアム）：高密度会場で +25〜30%。東京ドームへの楽天の展開では、満席の野球試合中（同時接続4万5,000台）に +28% を記録。

パターンは明確だ：AI-RANのスループット優位性はユーザー密度とともに拡大する。これは根本的なメカニズムと一致している — AIスケジューラーは、異なるチャネル条件を持つ多数のユーザーが存在する場合に、比例公平アルゴリズムよりも効果的にマルチユーザーダイバーシティを活用できる。

レイテンシ：最も意外な結果

レイテンシの結果は最も直感に反するものだった。平均レイテンシは穏やかに改善（5〜15%）したが、99パーセンタイル（テール）レイテンシ — リアルタイムアプリケーションで最も重要な指標 — は一部のトライアルで劇的な改善を示した一方、他では悪化した。

P99の結果の乖離は重要だ。O-RANベースのアーキテクチャを採用する事業者（楽天、T-Mobile）はテールレイテンシの大幅な削減を実現した一方、従来のベンダースタック（Deutsche TelekomのNokia、VodafoneのEricsson）を使用する事業者はP99が増加した。有力な説明はこうだ：O-RANのNear-RT RICは10msの制御ループ内でのAI推論を可能にするが、独自アーキテクチャは負荷時にレイテンシバジェットを超える可能性のある追加推論ホップを加える。これはAIの問題ではなくアーキテクチャの問題であり、AI-RANの恩恵は分解型かつO-RAN準拠インフラで最大化されることを示唆している。

エネルギー効率：ビジネスケースの主要ドライバー

スループットとレイテンシの改善が漸進的であるとすれば、エネルギー節約は変革的だ — そしてここでAI-RANは最も強力なビジネスケースを打ち立てる。

すべての事業者がエネルギー削減を報告し、その結果は顕著に一致していた：

• スリープモード最適化：AIが制御するセルのスリープ/ウェイクサイクルにより、低トラフィック時間帯（深夜0時〜午前6時）のエネルギー消費が18〜25%削減。T-Mobileはデンバーの1,200サイトにわたり夜間22%の節約を報告。Deutsche TelekomはAIがセル全体ではなく個々のMIMOレイヤーをシャットダウンできるようにすることで25%を達成 — 最高値。
• ビームフォーミング最適化：AI駆動のビーム管理により、ピーク時間帯の電力増幅器消費が8〜12%削減。SK TelecomのSamsung vRAN展開では、ユーザーの動きを予測してビームを事前にステアリングすることで、ピーク時に11%の節約を実現した。
• 冷却コスト削減：RF電力出力の低下により、タワーサイトの冷却コストが5〜8%削減。VodafoneはロンドンのA200マクロサイトにわたり7%の冷却削減を報告した。
• 総エネルギー節約：全事業者にわたり、AI-RANはサイトあたりのエネルギー消費を平均15〜22%削減し、地域の電力コストに応じてマクロサイトあたり年間8,000〜15,000ドルの節約をもたらした。

大規模に見ると、これらの数字は投資ケースを再構築する。T-Mobileは、全国規模でAI-RANが展開された場合、米国ネットワーク全体で年間1億2,000万ドルのエネルギー節約を見込んでいる。Deutsche TelekomのヨーロッパA規模では、予測節約額は年間2億ユーロだ。エネルギー節約だけで、ほとんどのTier-1事業者にとってAI-RAN展開の正当性が18〜24ヶ月以内に証明される — スループットやレイテンシの改善を考慮しなくても。

スペクトル効率：実環境で +10〜18%

スペクトル効率 — ヘルツあたりのビット毎秒 — は、無線システムが割り当てられたスペクトルをいかにうまく活用しているかの基本的な尺度だ。AI-RANの改善はここで直接的な金銭的価値を持ち、購入なしに追加スペクトルを持つことと同等だ。

事業者別の結果：

• SK Telecom：3.5 GHz n78バンドで +18% のスペクトル効率改善（平均7.2 bps/Hzから8.5 bps/Hz）。これは報告された最高値であり、18ヶ月のネットワークデータで訓練されたTransformerベースのモデルを使用するSamsungの積極的なAIスケジューラーを反映している。
• T-Mobile：n41（2.5 GHz）で +14%（6.8から7.8 bps/Hz）。AIモデルは3つのキャリアコンポーネントにわたるスケジューリングを同時に調整する。
• 楽天：4G/5G共有スペクトル全体で +12%。注目すべきは、AIスケジューラーが需要に応じてリアルタイムで4Gと5Gの間でスペクトルを動的に再割り当てした点 — 従来のスケジューラーにはできなかったことだ。
• Vodafone：3.5 GHzで +10%（5.9から6.5 bps/Hz）。最低の改善値で、VodafoneのすでにA最適化されたEricsson構成がAI改善の余地を少なくしていることに起因する。

ハンドオーバーとモビリティ：混在した結果

ハンドオーバーのパフォーマンス — ユーザーがセル間をどれほどスムーズに移行するか — はトライアル全体で最も一貫性のない結果を示した。これは接続車両やモバイルVR/ARアプリケーションにとって重要な指標だ。

T-MobileはAI支援ハンドオーバー予測によりハンドオーバー成功率が98.2%から99.1%に向上したと報告した。AIモデルはハンドオーバーイベントの2〜3秒前にユーザーがどのセルに移動するかを予測し、ターゲットセルリソースの事前準備を可能にする。しかし、誤予測（約8%のケース）が不必要なリソース予約を引き起こし、近隣セルへの干渉をわずかに増加させた。

楽天の結果はより劇的だった：東京展開でハンドオーバー失敗率が1.5%から0.4%に低下した。その優位点：楽天の完全クラウドネイティブかつO-RAN準拠のアーキテクチャにより、AIモデルはユーザーデバイスからの測定レポートだけに頼るのではなく、すべての近隣セルのデータに同時アクセスできる。

Deutsche TelekomとVodafoneはハンドオーバーパフォーマンスに統計的に有意な変化を報告しなかった。両事業者は、既存のハンドオーバーアルゴリズムがすでにヨーロッパの都市環境向けに大幅にチューニングされており、AIモデルが何十年もの手動最適化を上回るための十分な訓練データがなかったと指摘した。

NVIDIA Aerial：ラボ対フィールドの現実

NVIDIAのエリアルプラットフォーム — NVIDIAコンバージドアクセラレーター上で動作するGPUアクセラレーテッドソフトウェアRAN — は、従来のDSPベースのRANと比較して40%のスループット改善と50%のエネルギー削減を主張するラボベンチマークを公表した。これらの数字は業界プレゼンテーションで広く引用されている。

フィールドトライアルデータはより複雑なA話を語っている。デンバーでのT-Mobileの展開（一部のサイトでNVIDIA Aerialを使用）はスループット18%の改善を示した — ラボの主張の半分以下だ。この差は、ラボテストには存在しないリアルワールドの要因によって説明される：セル間干渉、非理想的な伝播、デバイスの多様性（ラボテストはリファレンスデバイスを使用）、および共有GPUリソース上でリアルタイム信号処理と並行してAI推論を実行する計算オーバーヘッド。

NVIDIAは2026年3月のブログ投稿でこの差を認め、「ラボベンチマークは理論上の上限性能を表す」「フィールド展開は環境の複雑さに応じてラボゲインの40〜60%を達成することが多い」と述べた。これは正直な評価であり、18%のフィールド結果はNVIDIAの言及範囲内に収まる。

NVIDIA Aerialが一貫して提供するのは運用の柔軟性だ。このプラットフォームは無線によるモデル更新をサポートし、ネットワーク条件の変化に応じて事業者が月次でAIモデルを再訓練できる。従来のRANベンダーはダウンタイムを伴うソフトウェアアップグレードを必要とするが、Aerialはサービス中断なしにバックグラウンドでモデルを更新する。

Nokia AirFrame AI：既存事業者のアプローチ

NokiaのアプローチはシNVIDIAとは根本的に異なる。RANプロセッサをGPUで置き換えるのではなく、NokiaはA既存のベースバンドハードウェアの横にAI推論アクセラレーターを追加する。Nokia AirFrame AIモジュールはNokiaのAirScaleプラットフォームに接続し、スケジューリング、電力制御、ビームフォーミングを最適化する訓練済みモデルを実行する。

Nokiaの公開ベンチマークは12〜15%のスループット改善と18〜20%のエネルギー節約を示している — NVIDIAの主張より保守的だが、フィールドトライアルで事業者が実際に計測した値に近い。Nokia AirFrame AIを使用したDeutsche TelekomのベルリントライアルはAスループット11%、エネルギー25%の改善を達成し、Nokiaの示す範囲とよく一致する。

トレードオフ：Nokiaのアプローチは事業者をAirScaleエコシステムに縛り付けることを求める。AIモデルはNokiaのクラウドプラットフォームで訓練され、Nokiaの管理システムを通じて展開される。事業者は独自モデルを持ち込んだり、サードパーティのAIフレームワークを使用したりすることができない。Nokiaのプラットフォームにコミットする事業者には許容できる。マルチベンダーO-RAN戦略を追求する事業者には受け入れられない。

Samsung vRAN AI：事業者データでの訓練

SamsungのAI-RAN戦略は、汎用ネットワークシミュレーションではなく事業者固有のデータでモデルを訓練することを重視している。SK TelecomのトライアルはSKT自社ネットワークテレメトリー18ヶ月分 — 4.2TBのスケジューリング決定、チャネル測定、ユーザーモビリティパターン — で訓練されたSamsung vRANモデルを使用した。

結果：SK Telecomはデータセット内の事業者の中で最高のスペクトル効率改善（+18%）を達成した。SamsungはこれをSKTの特定の伝播環境、ユーザー行動パターン、トラフィックプロファイルに対するモデルの深い精通度に起因するとしている。合成データで訓練した汎用モデルは制御比較で同じ環境でわずか+7%しか達成できなかった — 事業者固有の訓練データがAI-RANパフォーマンスにおいて最も重要な要因であることを確認した。

Samsungのアプローチには大きなスケーリングの制約がある：事業者の各展開に数ヶ月のデータ収集とカスタムモデル訓練が必要だ。Samsungはこれに対して、複数の事業者が生データを共有せずに共同でモデルを訓練できる連合学習フレームワークで対処しているが、このシステムは2026年第1四半期時点でSKTとKDDIのみが参加するパイロット段階にある。

O-RAN MLフレームワーク：AI-RANの標準化

O-RAN AllianceのMLフレームワーク（O-RAN WG2技術仕様で規定）は、マルチベンダーRAN環境にわたってAIモデルの訓練、展開、管理を標準化することを目指している。リリース3（2025年第4四半期に確定）の時点で、フレームワークは以下を定義している：

• Near-RT RIC（10msループ内での推論）とNon-RT RIC（1秒ループ内での推論）でのモデルホスティング
• モデルとRANの通信のための標準インターフェース（A1、E2）
• モデルライフサイクル管理：訓練、検証、展開、監視、ロールバック
• パフォーマンス監視とドリフト検出 — 展開済みモデルのパフォーマンスが低下したときに自動でフラグを立てる

楽天の展開はO-RAN MLフレームワークの唯一の大規模本番実装だ。その結果はアーキテクチャを検証している：Near-RT RICはスケジューリングインターバルの99.7%で5ms未満の推論レイテンシを達成し、O-RANの制御ループ制約内でリアルタイムのAI最適化が実現可能であることを確認した。

しかし、相互運用性は依然として課題だ。2026年2月のO-RAN Allianceプラグフェストでは、8つのベンダーの組み合わせのうち3つだけが異なるRIC実装間で共通のAIモデルを正常に実行できた。仕様はデータフォーマットとモデルインターフェースに十分な曖昧さを残しており、ベンダー固有の適応が依然として必要とされている。

コスト分析：AI-RANの実際のコスト

AI-RANの展開は無償ではない。事業者は3つのコストカテゴリーに直面する：

• ハードウェア：GPUアクセラレーター（AerialのNVIDIA A100/H100）またはAIコプロセッサー（Nokia AirFrame AIモジュール）がサイトあたり5,000〜15,000ドルを追加する。3万サイトを持つTier-1事業者にとって、ハードウェアコストは1億5,000万から4億5,000万ドルに及ぶ。
• 訓練インフラ：モデル訓練のためのクラウドコンピューティングは事業者あたり年間200〜500万ドルかかる。Samsungの事業者固有のアプローチは汎用モデルよりも多くの訓練コンピュートを必要とする。
• 人員：AI-RANはほとんどの事業者が現在採用していないデータサイエンティストとMLエンジニアを必要とする。典型的なチームサイズは15〜30人の専門家で、給与で年間300〜800万ドルかかる。

これらのコストに対し、エネルギー節約だけ（Tier-1事業者で年間1億2,000万〜2億ドル）で2〜3年以内に正のROIを生み出す。スループットと容量改善による収益増加（より良いユーザー体験からのARPU3〜5%増加と推定）を加えると、回収期間は18ヶ月に短縮される。

展望：2027年に何が変わるか

今後12ヶ月でAI-RANのベンチマークを再形成する3つの動向がある：

1. RANのためのファウンデーションモデル：NVIDIAとEricssonの両社が「ファウンデーションモデル」アプローチを発表している — 多様なネットワークデータで事前訓練された大型AIモデルで、最小限の追加データで特定の事業者向けにファインチューニングできる。成功すれば、Samsungのデータ収集ボトルネックを排除し、高性能AI-RANを民主化するだろう。

2. 6GのAIネイティブ設計：3GPPのNRに対するAI/MLの研究項目（リリース19、2026年第3四半期予定）はAIモデル交換フォーマットと性能要件を標準化する。これによりベンダー間でAI-RAN実装を比較するための共通基準が生まれる — 現在は存在しないものだ。

3. エッジ推論ハードウェア：次世代推論チップ（NVIDIA Blackwell、Qualcomm Cloud AI 200、Intel Gaudi 3）はサイトあたりのハードウェアコストを40〜60%削減しながら推論スループットを倍増させる。これによりAI-RANの普遍的展開に対する主要障壁 — サイトレベルの経済性 — に対処できる。

2026年のベンチマークは基準線を確立する。AI-RANは測定可能で再現可能な恩恵をもたらす — しかし、その大きさはアーキテクチャ、ベンダー、環境によって大幅に異なる。勝者は、データ収集インフラとO-RAN準拠アーキテクチャへの投資によってAIがリアルタイムに最適化する能力を最大化する事業者になるだろう。技術は機能する。問題はもはやAIがRANを改善するかどうかではなく — どれだけ、どこで、どのコストでかだ。