$300M annualized revenueのModal、AI agentを動かすruntimeを従量課金で設計する

出発点

Modalは、AI workload向けcloudを後付けで作るのではなく、開発者がcodeから実行環境を定義できる形で組み直すことを狙ってきた。

Erik BernhardssonとAkshat Bubnaが共同創業し、会社紹介ではcustom filesystem、container runtime、scheduler、container image builderまで自前で築いたと説明している。出典

深く作る選択

Erik BernhardssonはSeries Bの発表で「AI-native companies need AI-native infrastructure」と述べた。

そこではglobal GPU capacity、変動する需要、大型modelを既存cloudの制約として挙げ、GPU/CPUを世界中からpoolし、code-first building blocksとsub-second startupを作る方針を示している。出典

製品が広がった転機

2023年ごろから、利用者がAI-generated codeをModal上で実行し始めた。

公式はその需要を受けてSandboxesをfirst-class primitiveとして整え、inferenceだけでなくagent runtimeとRL environmentsに使える実行層へ広げたと振り返る。出典

成長の検証

2025年9月にModalは$87M Series B、post-money valuation $1.1B、累計調達$111Mを公式発表した。

続く2026年5月には$355M Series C、post-money valuation $4.65B、annualized revenue $300M超を発表した。

数字は同社の発表値であり、ここではその範囲を超える推計は置かない。出典 出典

今の論点

Series Cの発表ではSandboxが収益の3分の1超を占めるとされた。

Modalの物語はGPUを時間貸しすることから、AI systemが安全に実行・学習・推論する共通runtimeへ重心を移している。

PdMにとっての示唆は、速いcomputeだけでなく、agentが動く場所のlifecycle、security、costを一緒に設計することだと言える。出典

AI開発チームの痛みはGPUを買うこと自体より、急な負荷変動に合わせてcontainer、依存関係、capacity、autoscalingを運用することにある。

ModalはPython codeでimageとhardwareを定義し、cloud側で実行するため、KubernetesやAWS accountの初期設定を持ち込まずに推論・batch・trainingを始められる。出典

とくにagentが生成したコードを実行する場面では、Sandboxをruntimeに作成し、任意dependencyとcommandを隔離して扱える。

推論だけのGPU基盤より、実行・評価・学習を同じ抽象化でつなげたいplatform teamに適合する。出典

moatは単一GPUの調達量ではなく、scheduler、container runtime、storage、image build、routingを結合した実行体験にある。

顧客のPython codeと運用パターンがSDK、images、volumes、functionsへ蓄積するほど、別基盤へ移す際の再検証コストも増えると考えられる。出典

直接の利用者間network effectは強くない。

だが公式SDKのPythonに加えJavaScript/TypeScriptとGoを公開し、examplesとGitHubを通じて実装パターンが広がる。

これは製品内のnetwork effectではなく、採用障壁を下げるdeveloper ecosystem効果として働く。出典

主対象は、LLM inference、fine-tuning、batch evaluation、AI-generated codeの実行を扱い、infra teamを増やさずにproductionへ進めたいAI startupとenterprise platform teamである。

Pythonを中心に作る開発者が最短経路だが、SandboxやFunction呼び出しはJavaScript/TypeScriptとGo SDKにも対応する。出典

第一に、AI workload向けに自前のfilesystem、container runtime、scheduler、image builderまで掘り下げたことで、capacity管理を開発者から隠せる。

公式はglobal GPU/CPU pooling、sub-second container startup、usage-based serverlessを一体で提供すると説明する。出典

第二に、inference、training、batch、Sandboxを別製品ではなくcode-first primitivesとして接続している。

顧客は一つのSDKと運用面で開始し、workloadが複雑になるほど利用範囲を増やせる。出典

従量課金はspiky workloadに合う一方、常時稼働・予測可能な負荷ではreserved capacityや自前clusterとのTCO比較が避けられない。

GPU機種ごとの秒単価、Teamの月額、regionとnon-preemptible executionの加算も、PdMが導入前にモデル化すべき変数だ。出典

またSandboxの隔離はagent productに有用だが、顧客側にもbackup、recovery、access controlの責任が残る。

AI runtimeを採用するだけで安全になるわけではなく、shared responsibilityを設計に織り込む必要がある。出典

入口はfree compute credit、docs、SDK、examplesによるself-serveである。

Starterは月$30 creditと3 seats、Teamは月$250にcompute usageを加える設計なので、小さな検証を有料workspaceと利用量へ段階的に移せる。出典

拡張の軸は推論からSandbox、batch、trainingへ広げることだ。

公式はagent Sandboxが収益の3分の1超になったと説明しており、agent runtimeを単独の新規市場ではなく既存compute利用の拡張面として扱っている。出典

主要チャネル: docs, github, caseStudies, developerCommunity, sales

PdMは「GPUを提供するか」ではなく、顧客のjobが推論、評価、agent実行、学習のどこまで連続しているかを先に切るべきだ。

Modalのように同じcode-first control planeで複数workloadをつなげると、導入時の小さな実験を継続利用へ変えやすい。

一方、pricingの単価とconcurrency limitは機能仕様と同じ重さで比較表に置く必要がある。出典

日本で同種の価値を作るなら、単なるGPU marketplaceより、AI SaaSがagentの生成コードを安全に評価・実行するための日本語docs、監査log、国内data handling要件を一体化する余地がある。

これはModalのSandboxとsecurity controlsを参照した提案であり、同社の日本展開計画を示すものではない。出典