著者 Zanus AIと自作プライベートAIサーバーの費用比較
Zanus AIは価格見積もり制のノーコードAIアプライアンスです。レンタルGPUで同じ構成を自作する費用、必要な6 kW電源、APIを選ぶべき条件を比較します。
2026年9月時点でZanus AIが販売するもの
Zanus AIは企業向けのプライベートAIサーバーを販売しています。これを検索する人の多くが知りたいのは、同じプライベートAIサーバーを自分で構築する場合の費用です。要点は次のとおりです。このアプライアンスは、コードを書かずに使えるボックス型製品です。価格は見積もり制で、設定済みの状態で納品され、インターネット接続なしでも運用できます。自分で構築する場合は、推論サーバー、チャットインターフェース、ベクトルストア、エージェントフレームワークを備え、オープンウェイトLLM（大規模言語モデル）を実行するレンタルGPU（グラフィックス処理ユニット）サーバーを使います。Linuxを運用できる担当者も1人必要です。どちらが適しているかは、エンジニアリングを誰が担当するか、データをどこに保存できるか、6 kWの機器に給電できるか、そして実際に1日で使用するトークン数の4点で決まります。
ここで説明するZanusの情報は、2026年9月にzanusai.comを確認した時点のものです。同社は自社について、「フロリダ州Pompano Beachに本社を置く、高度なAIソリューションとエンジニアリングを専門とする非公開のアメリカ法人C-Corp」と説明しています。同社のページでは、所在地をFort Lauderdale広域圏としています。また、ハードウェアとソフトウェアは「USAで設計・組み立て」されていると説明しています。
製品は3つの層で構成されます。Front Office AIは「顧客が会話するAI workforce」です。電話、Webチャット、見積もり、予約に対応します。Back Office AIは「企業が運用するAI operating system」とされ、「15+ modules. Zero coding. Built in.」と説明されています。ページに記載されているモジュールには、ベクトルストア、AIチャット、顧客、サプライヤー、カレンダー、タスク、自動化、Webチャットボット、API（アプリケーションプログラミングインターフェース）が含まれます。「Do we need a developer?」という質問に対するページの回答は「No.」です。3つ目の層であるPrivate On-Premises AIは、Zanusのハードウェア上で同じシステムを社内運用するものです。「Zanus OS」を実行し、「fully owned: hardware + permanent software licenses」として販売されます。また「air-gap capable」であり、インターネットから切り離したまま運用する場合は、USBで更新できます。
モデルについて、サーバーのページでは、このボックスが「the leading open-weight families」を実行し、「設定時に顧客と相談して選定・サイズ決定」すると説明されています。また、「swap or add models any time: new weights are a download」としています。モデルファミリー、GPU、RAM、ストレージ容量については、「RAID 10 NVMe」以外の具体的な情報を記載していません。電源については、「standard 50A circuit @ 115/220V」が必要で、最大負荷時の消費電力は「6 kW max」です。ページでは、機器は静音でオフィスに適しており、サーバールームは不要と説明しています。価格は「by RFQ」（見積もり依頼）で、GPUメモリ（モデル）、RAM/コンテキスト、1日あたりのトークン数に基づいて決まります。ハードウェアの公開価格はありません。ホスト型のFront Officeプランには、2026年9月時点で年間$4,900から$49,900までの定額料金が記載されています。ただし、これはZanusのデータセンター内のクラウドテナント向けであり、アプライアンスの価格ではありません。納品は設定済みの状態で、およそ3週間と見積もられています。
以上が公開されている仕様です。以下では、この情報に何かを追加したり、記載のない内容を推測したりしません。
自分で構築する場合の同じプライベート AI サーバーの構成
このアプライアンスには、自分で借りて組み立てられる4つの要素が含まれています。GPU、オープンウェイトモデルを読み込む推論サーバー、利用者向けのチャットインターフェース、そしてドキュメントを回答に変換する自動化レイヤー付きのベクトルストアです。Linux 部分の構築は半日で終わります。ビジネス向けモジュールの構築には数週間かかります。この差が、2つの方式の本当の違いです。
最初にサーバーを選びます。RAM 16 GB から32 GB の CPU のみの VPS（仮想プライベートサーバー）なら、7B および8B モデルを一度に1人または2人が利用できます。ただし、誰かが依存する前に、速度を1秒あたりのトークン数で測定してください。VRAM（グラフィックスカード上のメモリ）が24 GB のレンタル GPU なら、8B モデルを小規模チームで使える速度で実行でき、4-bit で約30B までのモデルに対応できます。48 GB から80 GB なら70B クラスです。各メモリ容量でどのモデルを実行できるかは、各メモリ容量で自己ホストできる AI モデルで説明しています。
推論サーバーをインストールします。Ollama の Linux 版は1行でインストールでき、詳細な手順はVPS で Ollama を実行して LLM を自己ホストするにあります。
curl -fsSL https://ollama.com/install.sh | sh
sudo systemctl status ollama
ollama -vsystemctl status ollama は active (running) である必要があります。GPU のないマシンでは、インストーラーが WARNING: No NVIDIA/AMD GPU detected. Ollama will run in CPU-only mode. と表示して処理を続行します。テストには問題ありませんが、利用者にとっては低速です。
モデルを取得し、API に接続します。サービスはループバックアドレスの port 11434 のみで待ち受けます。
ollama pull qwen3:8b
curl http://127.0.0.1:11434/api/generate \
-d '{"model":"qwen3:8b","prompt":"Reply with one word: ready","stream":false}'正常な応答は、response フィールドと "done":true を含む JSON オブジェクトです。{"error":"model requires more system memory (6.4 GiB) than is available (3.8 GiB)"} という応答に独自の2つの数値が含まれる場合、モデルの重みが RAM に収まっていません。より小さいモデルまたはより小さい量子化を選択してください。
チャットインターフェースを追加します。通常は Open WebUI を使用します。Ollama が同じホストで動作している場合のコマンドは、README に記載されています。
docker run -d -p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
--name open-webui --restart always \
ghcr.io/open-webui/open-webui:mainサーバーのアドレスの port 3000 にアクセスし、最初のアカウントを作成します。このアカウントが admin になります。次にモデル一覧を開きます。一覧が空の場合、原因は先ほどのループバックバインドです。コンテナ内では host.docker.internal がホストの Docker bridge アドレスに解決されます。一方、Ollama は 127.0.0.1 のみで待ち受けているため、接続が拒否されます。docker logs open-webui は Cannot connect to host host.docker.internal:11434 を示します。systemd の override で修正します。
sudo systemctl edit ollama[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"sudo systemctl daemon-reload
sudo systemctl restart ollama0.0.0.0 は、public interface を含むすべての interface を意味します。この時点で、firewall が port 11434 をブロックしない限り、API はインターネットから到達可能です。また、API 自体には password がありません。そのため、会社のドキュメントを1つでも読み込む前に、Ollama API endpoint を保護する必要があります。Open WebUI が重すぎる場合は、同じ port に接続できるより軽量な Open WebUI の代替もあります。
ベクトルストアを追加します。Qdrant は1つのコンテナとして実行できます。サーバー上のアプリケーションだけがアクセスできればよいため、loopback にバインドします。
docker run -d --name qdrant --restart always \
-p 127.0.0.1:6333:6333 -p 127.0.0.1:6334:6334 \
-v qdrant_storage:/qdrant/storage \
qdrant/qdrant
curl http://127.0.0.1:6333/collections新規インストール直後の check では、{"result":{"collections":[]},"status":"ok"} と timing フィールドが返ります。小規模なドキュメントライブラリであれば、Open WebUI の組み込みドキュメントストアで十分です。Qdrant は、agent framework から embedding を直接検索する必要がある場合に使用します。
同時に利用する人数が少数を超える場合は、Ollama を vLLM に置き換えます。vLLM は GPU 上で利用者ごとのリクエストをまとめて処理します。公式 image なら、インストール全体が次のコマンドで完了します。
docker run -d --runtime nvidia --gpus all \
-v ~/.cache/huggingface:/root/.cache/huggingface \
-p 127.0.0.1:8000:8000 --ipc=host \
vllm/vllm-openai:latest --model Qwen/Qwen3-8BDocker が GPU capabilities を使用して could not select device driver と返す場合、NVIDIA Container Toolkit がインストールされていません。そのため、Docker はコンテナに GPU を渡せません。Toolkit をインストールして Docker を再起動し、その後コマンドをもう一度実行してください。各サーバーを使い分ける基準は、Ollama と vLLM の比較で説明しています。
最後のレイヤーが、アプライアンスで modules と呼ばれている部分です。レンタルする構成では、vector store からデータを読み取り、model を呼び出し、他のシステムに対して処理を実行し、その内容をログに記録する agent framework です。候補とそれぞれの適性は、自己ホストに適した AI agentで比較しています。agent がセッションをまたいで利用者を記憶する必要がある場合は、自己ホスト型 Mem0 memory serverを使用できます。これらは設定するまで存在しません。実際にアプライアンスへ料金を支払っているのは、この部分です。
コスト: 月額請求との比較
ここに記載できる Zanus の料金はなく、推測で補うのは意味がありません。サイトに記載されているのは、見積もりの算定方法です。モデルに必要な GPU メモリ、コンテキストに必要な RAM、そして 1 日あたりのトークン数を基準にします。これらはレンタル構成の料金を決める変数でもあるため、少なくとも自分で比較する側の条件は正確にそろえられます。
レンタル構成では、GPU の月額固定料金に、運用担当者の作業時間が加わります。GPU がアイドル状態でも最大負荷で動作していても、レンタル料金は変わりません。そのため、従量課金の API との比較は損益分岐点の問題になります。月額レンタル料金を、利用する API の 100 万トークンあたりの実効単価で割ると、GPU を所有したほうがトークンのレンタルより安くなるために、そのマシンで実際に処理する必要がある月間トークン数が求められます。この量を下回る場合は、費用面では API が有利です。アイドル時間とバッチサイズに関する注意点を含む計算は、GPU VPS と API トークン: 損益分岐点の位置に記載しています。
アプライアンスでは構成が異なります。初期購入費、永続ソフトウェアライセンス、電気料金に加え、見積もり時点で算定した同じ 1 日あたりのトークン数が基準になります。現在の処理量に合わせた見積もりは、その処理量が上限にもなります。それを超えて増加すると、追加の見積もりが必要です。一方、レンタル GPU ではプランを変更します。
技術対応を担うのは誰か
このアプライアンスの売り文句は、誰も担当しなくてよいということです。「コーディング不要。組み込み済み。」と「開発者は必要か。いいえ。」が、その主旨です。新しいツールをスタッフが学び、誰かがナレッジをアップロードして電話メニューを作成する必要があるため、業務プロセスの変更自体は行います。ただし、systemd unit が何かを知っている人は必要ありません。
レンタル構成では、上記のコマンドをすべて自力で実行でき、その後も継続して対応できる人が1人必要です。具体的には、その人がオペレーティングシステムの更新、Docker イメージ、ファイアウォールと TLS（トランスポート層セキュリティ）証明書、ベクトルストアとチャット履歴のバックアップ、モデルの更新、そしてカーネル更新後に GPU ドライバーが壊れたことを知らせる監視を担当します。初回インストールには1日、その後は毎月数時間を見込んでください。
さらに、本当の作業に必要な時間も見積もります。レンタル構成には、顧客テーブル、仕入先リスト、カレンダー、予約フローのいずれも含まれていません。これらはそれぞれ、既存システムと連携するために作成するインテグレーションか、設定後に想定外の動作が発生した際に対応するエージェントフレームワークです。その仕事を担当したいスタッフが誰もいないなら、「開発者不要」という回答には、どのようなハードウェア仕様よりも大きな価値があります。
データが保管される場所
アプライアンスの最大の強みは、物理的な管理範囲です。「データが外部に出ない」「データを建物内に物理的に保持する」という説明は、ネットワークから切断しても使い続けられるマシンを指しています。データをオンプレミスに保持する契約を結んでいる診療所や法律事務所にとっては、これが判断を決める軸です。VPS ではこの条件を満たせません。
レンタルする構成については、次のように明確に説明してください。VPS は、他社のデータセンターにあるコンピューターです。プロンプト、ドキュメント、モデルの回答、ベクトルインデックスは、プロバイダーが所有するホストの RAM 上で処理され、プロバイダーが物理的にアクセスできるディスクに保存されます。VPS における「プライベート AI」とは、モデルベンダーとパブリックインターネットから隔離されているという意味であり、それ以上ではありません。ホスティングプロバイダーは引き続きその環境にアクセスできます。また、データの保管場所を確認する顧客や監査担当者に対しては、建物内の部屋ではなく都市の名前を示すことになります。保存時の暗号化は、ディスクが取り外された場合にディスク上のデータを保護します。しかし、モデルが回答を生成している間にメモリ上にあるデータは保護しません。
中間的な選択肢は、借りたラックに自社のハードウェアを設置するか、他者と共有しない専用サーバーを利用することです。これにより、レンタルする構成の月額費用を維持しながら、モデルの選択肢を確保し、物理的な隔たりの大部分を埋められます。一方で、アプライアンスなら不要な作業も再び発生します。誰かがマシンを構築しなければなりません。
電力と設置スペース
6 kW のマシンは、オフィス用 PC ではありません。米国の一般的な壁コンセントは 15 A または 20 A の回路ですが、このページでは 50 A の回路を求めています。これは電気レンジや高速な電気自動車用充電器で使用する容量なので、設置には電気工事士が必要です。サイトでは、この筐体は静音でオフィスに適しており、稼働中だけ最大電力を消費すると説明しています。アイドル時の消費電力は公開されていません。
電気料金は、計算で数値化できる唯一の運用コストです。6 kW の場合、最大負荷で 1 時間稼働すると 6 kWh を消費します。
The data behind this chart
[
{
"label": "1 h/day at full load",
"kwh_per_month": 180,
"cost_usd_month": 27
},
{
"label": "4 h/day at full load",
"kwh_per_month": 720,
"cost_usd_month": 108
},
{
"label": "8 h/day at full load",
"kwh_per_month": 1440,
"cost_usd_month": 216
},
{
"label": "24 h/day at full load",
"kwh_per_month": "4,320",
"cost_usd_month": 648
}
]1 日 1 時間稼働する筐体の場合、0.15 USD/kWh で月額約 27 USD かかります。24 時間連続で最大負荷をかけると、4,320 kWh を消費し、月額約 648 USD かかります。ベンダーの計算では、最大負荷時に「1 時間あたりおよそ $1」とされています。これはグラフが想定する料金よりやや高い単価を前提としているため、実際の料金を使用してください。消費した電力はすべて熱としてマシンから放出されます。最大負荷時には 1 時間あたり約 20,000 BTU（British thermal units）となり、室内の空調で除去する必要があります。
レンタルする場合、電力と冷却は料金に含まれ、回路はプロバイダーのデータセンターが用意します。その代わり、電気メーターを確認することはできません。GPU プランは、1 日 1 時間だけ稼働しても 24 時間稼働しても料金が変わりません。
モデルの選択
アプライアンスには、「主要なオープンウェイト系統」から設定時に選択したモデルが付属し、ページには新しいウェイトをダウンロードできると記載されています。ただし、どの系統に対応しているのか、Zanus OS 内でどのように交換するのか、ベンダーの一覧にないモデルを読み込めるのか、誰が交換を実施するのかは公開文書に記載されていません。契約前に確認してください。
レンタル方式では、公開ウェイトがあり、それらを保持する十分なメモリがあれば、任意のモデルを実行できます。新しいオープンウェイトのリリースが公開された当日に、ollama pull または Hugging Face のリポジトリ名を vLLM に渡せます。特定の量子化モデルや独自のファインチューニングモデルを使いたい場合は、GGUF ファイルを Ollama に自分でインポートします。ただし、評価も利用者の責任です。ドキュメント量や 1 日あたりのトークン数に合わせてモデルのサイズが決められているわけではありません。そのため、最初の 1 か月は、どのモデルがどの速度で十分な性能を発揮するのか、またメモリ容量で利用できるのは どの量子化方式なのかを確認する期間になります。
プライベート AI 応答サービス: プロジェクトに対するモジュール
「プライベート AI サーバー」への問い合わせの多くは、実際には電話受付を求めています。このケースは別に扱います。
Zanus 側では、電話エージェントは Front Office AI です。このページでは、「選択した音声で、最大 40 言語に対応し、24/7 ですべての着信に応答する」と説明されています。作成した IVR（自動音声応答）メニューを使用でき、上位プランではオンプレミスの選択肢を備えたホステッドテナントとして提供されます。使用している音声モデルと応答遅延は公開されていません。
レンタル環境では、音声エージェントは前述のチャットスタックとは別のプロジェクトであり、構築もより困難です。追加で次の 4 つが必要です。テレフォニーの入口（SIP トランク。SIP はセッション開始プロトコル、または音声を渡すテレフォニー API）、音声テキスト変換（STT）、LLM、テキスト音声変換（TTS）です。発信者が文を言い終えてから約 1 秒以内に返答を聞けるよう、これらを連携させます。各処理段階で遅延が加わるため、モデルは小さくし、GPU は近くに配置する必要があります。STT と TTS の構成、ローカルで実行できるエンジン、その速度については、VPS 上でのセルフホスト型音声テキスト変換とテキスト音声変換で説明しています。電話エージェントは、前述のチャットスタック全体より時間がかかると考えてください。最初のバージョンでは、発信者の発話に割り込むことも想定してください。必要なのが受付だけなら、アプライアンスのモジュールかホステッド音声製品を選ぶ方が近道です。チャットサーバーを構築しても、かえって焦点がぼやけます。
購入の判断基準
次の4つをすべて満たす場合は、専用ボックスを購入します。契約または規制によりデータを建物内に置く必要があること、スタッフの誰も Linux を運用しないこと、50 A の回路を用意済みであるか設置できること、そしてページに記載されたモジュールが実際の業務と一致していることです。見積金額は、エンジニアを雇わないための費用です。契約に署名する前に、モデル一覧と交換手順を文書で入手してください。
1 人でサーバーを管理でき、審査済みのホスティングプロバイダーにデータを置けて、自分でモデルを選びたい場合は、借りて構築します。また、上記の損益分岐点において、月額 GPU の費用がトークン料金を下回る程度に利用量が安定していることも条件です。リリースされた日に、すべてのオープンウェイトモデルを利用でき、翌月には変更できる請求になります。一方で、すべての連携を自分で実装する必要があります。
利用量が断続的または少量で、データが機密ではなく、誰も運用を担当したくなく、今週中に稼働させる必要がある場合は、API を使用します。損益分岐点を下回る利用量なら API の方が安く、常に導入も速くなります。トークン料金またはデータポリシーの要件が変わったら、後からセルフホストの層を追加してください。
FAQ
Zanus AI は実際に何を販売していますか？
2026年9月時点で、zanusai.com は3つの層を説明しています。Front Office AI は、電話、Web チャット、見積もり、予約を処理します。Back Office AI は「15+ モジュール。コーディング不要。組み込み済み。」とされています。Private On-Premises AI は、Zanus のハードウェア上で同じソフトウェアを実行し、建物内で「Zanus OS」を稼働させます。完全所有型として販売され、air-gap にも対応できます。ハードウェアの価格は RFQ 方式です。50 A の回路が必要で、最大 6 kW を消費します。同社の本社はフロリダ州 Pompano Beach にあります。
Zanus AI の private server はいくらですか？
ハードウェアの公開価格はありません。サーバーのページには「Price by RFQ」と記載されており、GPU メモリ、RAM、1 日あたりの tokens に基づいて構成が決まります。ホスト型の Front Office プランには、2026年9月時点で年間の定額料金が掲載されています。ただし、これらは Zanus のデータセンターで実行されるサブスクリプションであり、ハードウェア本体の価格ではありません。同じ変数でレンタル構成の費用を見積もり、API tokens と比較して損益分岐点を算出してください。
GPU なしの VPS に private AI server を構築できますか？
少人数で小規模なモデルを使う場合は可能です。RAM が 16 GB から 32 GB の CPU 専用 VPS では、Ollama を通じて 7B および 8B モデルを毎秒数 tokens 程度で実行できます。これはドキュメントアシスタントを試すには十分です。ただし、チームが同時に使用する場合や、応答時間が重要な voice agent には不十分です。誰かが依存する前に、利用予定のプランで毎秒の tokens 数を測定してください。
VPS 上の self-hosted LLM は本当に private ですか？
ファイアウォールで port 11434 をブロックし、チャットインターフェースを TLS の背後に置けば、model vendor と公開インターネットからは private です。ただし、hosting provider は例外です。provider のスタッフはディスクにアクセスでき、ホスト側ではモデルがメモリ上で実行されます。データを自社の建物内に保管する必要が契約で定められている場合、VPS では要件を満たせません。自社のオフィス内、または借りたラック内に置く自社ハードウェアなら満たせます。
do-it-yourself 構成には phone receptionist が含まれますか？
標準では含まれません。voice agent は別のプロジェクトです。telephony の入口、speech-to-text、LLM、text-to-speech を、発信者が約1秒で応答を聞けるよう十分に密接に連携させる必要があります。これはレンタル構成で最も難しい部分であり、appliance のモジュールまたはホスト型 voice product によって最も時間を節約できる部分です。