概要
AI需要の爆発的拡大に伴うGPU不足とクラウドコスト高騰に対処するため、Kubernetesインフラの自動最適化を手がけるScaleOpsが、シリーズCラウンドで1億3000万ドル（約195億円）の資金調達を完了した。ラウンドをリードしたのはInsight Partners。今回の調達後、ScaleOpsの累計調達額は2億ドルを超える。TechCrunchが2026年3月30日に報じた。
ScaleOpsのコア製品は、Kubernetes環境（コンテナ化されたアプリやモデルを管理するオーケストレーションシステム）のリソース割り当てをリアルタイムで自動最適化するプラットフォームだ。従来、エンジニアはKubernetesの「リクエスト」と「リミット」を手動で設定していたが、実際の使用パターンとの乖離からCPU・GPUが常に余剰気味になる問題があった。ScaleOpsはこの余剰を機械学習ベースで検出・削減し、インフラコストを平均30〜60%削減できると主張する。
特にGPU環境での効果は大きい。AI推論ワークロードは需要が時間帯や機能によって大きく変動するため、固定的なリソース割り当てでは必然的に無駄が生じる。ScaleOpsのダイナミックスケーリングは、ピーク需要には十分なGPUを確保しつつ、低需要時には余剰リソースを解放することで利用率を最大化する。
主要プレイヤーと動向
ScaleOpsの顧客には、数千ノードのKubernetes環境を持つエンタープライズが含まれている。同社は顧客名を多くは公開していないが、医療、金融、大手テック企業が含まれると説明している。特に、複数のGPUクラスターを並行運用するAI企業にとって、インフラコストの最適化は直接的な収益に影響するため、ScaleOpsのような自動化ソリューションへの需要は今後も増大すると予測される。
競合環境としては、クラウドプロバイダー自身のコスト最適化ツール（AWS Cost Explorer、Google Cloud Recommender等）、同じくKubernetes最適化のKarpenter（オープンソース）、StormForge、Kubecostなどが挙げられる。ScaleOpsの差別化は「リアルタイムの自動調整」と「AI/GPUワークロードへの特化」にあり、クラウドネイティブなエコシステムで大きな存在感を示す。
資金調達市場では、AIインフラの効率化を手がけるスタートアップへの投資が急増している。GPU不足という構造的問題が解消されない中、「同じGPUをより効率的に使う」というアプローチは、新しいチップを作るよりも実現が容易で市場投入も速い。この「効率化」という切り口が、投資家から高評価を受けている背景だ。
技術的な背景
ScaleOpsの技術的コアは、Kubernetesの「Vertical Pod Autoscaler（VPA）」と「Horizontal Pod Autoscaler（HPA）」の概念を拡張したものだ。標準のVPAはリソース変更時にPodの再起動が必要だったが、ScaleOpsは独自のIn-Place Resource Updateアルゴリズムでダウンタイムなしの動的調整を実現している。AI推論サービスのような「常時稼働が前提」のワークロードにとって、これは重要な実装の差だ。
また、GPUシェアリング機能も注目される。1つのGPUを複数のPodが同時使用する際のリソース配分をインテリジェントに管理することで、小規模な推論ワークロードがGPU全体を占有する無駄を防ぐ。これはNvidiaのMIG（Multi-Instance GPU）の概念に近いが、ソフトウェア層で実現することで特定のGPUアーキテクチャに依存しない柔軟性を持つ。
機械学習モデルの学習と推論が混在する環境での優先度制御も、ScaleOpsの訴求ポイントだ。重要度の高い推論リクエストには優先的にGPUを割り当て、バッチ処理の学習ジョブには低優先度で空きリソースを割り当てる——このような動的な優先度制御は、エンジニアが手動で行うには複雑すぎるが、自動化すれば大きなコスト削減につながる。
産業への影響
Deep Signalでは、米上院が超党派でAIデータセンターの電力消費調査に乗り出したことを報じた。あの記事でも触れたように、AIのGPUクラスターが消費する電力は今や無視できない社会インフラ問題になっている。ScaleOpsのようなGPU効率化ツールは、電力消費の観点からも「同じ電力でより多くのAI処理を行う」という意味で社会的意義を持つ。
また、バッテリー企業がAIにピボットしているトレンド（Deep Signal既報）は、エネルギーとAIインフラの融合という大きな流れを示している。データセンターの電力コスト最適化と、GPUコンピューティングの効率化は、同じコインの表と裏だ。ScaleOpsはソフトウェアレイヤーで、バッテリー・エネルギー管理企業はハードウェアレイヤーで、同じ問題にアプローチしている。
課題と今後の展望
ScaleOpsの成長における主要なリスクは、クラウドプロバイダーのネイティブ機能が進化した場合の競合激化だ。AWSやGoogleが自社のKubernetes管理ツール（EKS、GKE）にAI最適化機能を内包させた場合、独立系ソリューションの価値は希薄化する可能性がある。この「プラットフォームリスク」への対応が、長期的な存続を左右する課題となる。
一方で、マルチクラウドやオンプレミスとクラウドを組み合わせたハイブリッド環境が増える中、特定クラウドに依存しないScaleOpsの独立した立場は強みにもなる。AIインフラのコスト問題が今後さらに顕在化するにつれ、この市場のさらなる拡大が見込まれる。
AIインフラ投資の連鎖：GPUコスト危機が生む新市場
Deep Signalが報じたOpenAIの8520億ドル評価額での資金調達クローズは、AI企業への巨額投資が続く理由を雄弁に示している。しかし、この天文学的な企業価値は「AIが儲かる」という単純な話ではなく、GPU不足・電力コスト・クラウドコストという構造的な課題を克服した企業だけが到達できる水準だ。ScaleOpsへの1億3000万ドルの投資も同じ文脈にある——「AIを動かすコスト」を制するプレイヤーに資金が集まる時代に入った。AIモデルの能力が向上するほど運用インフラコストも上昇する中、30〜60%のコスト削減を謳うソリューションはAIエコシステム全体の経済合理性を改善する提案として機能している。
この投資の流れは、AIインフラ問題がソフトウェアとハードウェアの両面で同時に解決されようとしていることを示す。Deep Signalが以前報じたバッテリー企業のAIピボットは、エネルギー管理×AIの融合というハードウェア側からのアプローチだ。データセンターの消費電力を政策問題として取り上げた米上院の超党派調査も踏まえると、ScaleOps（ソフトウェア最適化）、エネルギー管理企業（ハードウェア最適化）、そして議会の規制圧力が三方向からAIインフラの効率化を加速させている構造が見えてくる。
