Alpha Beyond Frontier Insights

月: 2026年7月

  • AIは安くなっているのに、なぜ利益率は自動的に上がらないのか——再利用できないコストの正体

    AIは安くなっているのに、なぜ利益率は自動的に上がらないのか——再利用できないコストの正体

    AIは安くなっているのに、なぜ利益率は自動的に上がらないのか——再利用できないコストの正体

    はじめに：安くなっているのに、利益率が上がらない

    AIを動かすコスト——推論コストは、この数年で急速に下がっている。ならば、素直にこう考えたくなる。原価が下がるのだから、AI企業の利益率も、いずれ従来のソフトウェア（SaaS）並みに戻っていくはずだ、と。ソフトウェアの粗利率は8割から9割が当たり前だった。AI企業は今は5割前後だと言われるが、それも時間の問題ではないか——。

    だが、そうはなっていない。推論の単価が大きく下がっても、AI企業の利益率は、自動的にSaaSの水準へ近づいてはいない。なぜか。

    本稿の答えを先に言えば、こうだ。AI企業の利益率を決めているのは、推論の単価だけではない。品質と責任を担保するために残るコストを、どこまで複数の顧客に再利用できるか——である。

    1. 推論価格は、どれほど下がったか

    まず、事実を正直に認めておきたい。AIの推論コストは、本当に下がっている。

    AI研究機関のEpoch AIが2025年に公表した分析では、同等の性能を得るための推論価格の下落率は、タスクによって年9倍から900倍まで大きく異なり、中央値では年およそ50倍だった。幅は大きいが、方向としては急速に下がっている、と読むのが誠実だろう。

    この事実は重い。AI企業の粗利が低い主因が「推論が高いから」であるなら、推論が安くなるほど粗利は改善し、いずれSaaS並みに戻る、という楽観が成り立つからだ。実際、そう主張する投資家もいる。原価の中心にある計算コストが下がっているのだから、低い粗利は一時的な現象にすぎない、と。

    この反論には、一理ある。だから本稿は、それを否定するところからは始めない。単価は下がっている。その上で、それでも利益率が自動的には近づかない理由を見ていく。

    2. 粗利はなぜ、25%から88%まで分かれるのか

    単価が下がっているのなら、AI企業の粗利は横並びで改善していきそうなものだ。ところが実際の粗利率は、企業によって驚くほど散らばっている。

    スタートアップの段階で見てみる。Bessemer Venture Partnersが2025年に公表したAIスタートアップ20社の調査では、急成長型の「Supernovas」10社の平均粗利率は約25%（一部は粗利がマイナスだった）、より持続的に成長する「Shooting Stars」では約60%だった。同じ急成長AI企業のなかでも、粗利率は倍以上も開いている。

    一方、上場して成熟した企業には、まったく違う数字もある。顧客ごとの実装を重く抱えることで知られるPalantirは、2026年第1四半期に、会計基準（GAAP）ベースで約87%、調整後で88%という高い粗利率を計上した。実装が重い企業でも、高い粗利は不可能ではない。

    ここで注意したいのは、これらを一列に並べないことだ。Bessemerの調査はスタートアップの自己申告に近く、Palantirは監査済みの上場企業である。段階も規模も違う。そして、Palantirの高い粗利を「再利用がうまいから」と一因に決めつけることもできない。高い粗利は、価格決定力や契約の構成、顧客構成にも左右される。なお、粗利率を比べるときは、推論費用だけでなく、導入・運用に関わる人件費をどこまで売上原価に含めているかにも注意が必要だ。同じ業務でも、会計上の区分によって粗利率の見え方は変わりうる。言えるのは、単価の低下だけでは、この25%から88%までのばらつきは説明できない、ということだ。

    3. 残るのは、生成のコストではなく、信頼するためのコスト

    推論の単価が下がっても、簡単には下がらないコストがある。品質と責任を担保するためのコストだ。

    AIの出力は確率的であり、常に同じ正しさが保証されるわけではない。だから、その出力が使えるものかどうかを確かめ、逸脱を防ぎ、本番での挙動を監視し続ける工程が要る。誤りが起きたときに責任を負えるだけの記録と検証も残す。ある研究者が2026年に公表した分析は、この確認のコストを「検証税（Verification Tax）」と名づけた。厄介なのは、モデルの精度が上がるほど、残ったわずかな誤りを見つけ出すのに、かえって多くの検証が要ることだ。エラー率が下がっても、検証のコストは同じ比率では下がらない。

    これらのコストも効率化はできる。だが、推論の単価と同じ速度で下がるとは限らない。生成そのものが安くなっても、その出力を信頼できる状態にするためのコストは、別の曲線を描く。

    単価低下の効果を打ち消す動きもある。推論が安くなると、人はより多く使う。1回あたりが安くなった分、呼び出す回数が増え、より複雑な使い方をする。結果として、単価は下がっても、全体として支払う総額はむしろ増えることがある。効率化がかえって総消費を押し上げる、いわゆるジェヴォンズのパラドックスだ。安くなったから総コストが下がる、とは限らない。

    4. 再利用できるコストと、顧客ごとに再発するコスト

    ここで、コストの見方を一つ提案したい。AI事業のコストを、「一度きり」と「積み上がる」に分けて眺めることだ。これは業界標準の分類ではなく、整理のために置く見方である。

    厳密に言えば、一度しか発生しないかどうかではなく、発生したコストを次の顧客に再利用できるかどうかで分ける。基盤を作る、共通の部品を用意する、評価の仕組みを整える——こうしたコストは、複数の顧客に使い回せれば、規模が大きくなるほど1顧客あたりでは薄まっていく。一方、顧客ごとの作り込み、案件ごとの検証、個別の監視は、共通化できなければ、顧客や利用や出力が増えるたびに再発し続ける。

    利益率を決めるのは、この二つの比率だ。個別対応として再発するコストを、どこまで共通の仕組みや部品へ置き換えられるか。置き換えられれば利益率は上がり、置き換えられなければ、コストは顧客数に比例して残り続け、事業はソフトウェアというより労働集約的なサービス業に近づいていく。

    ただし、この「再利用できる側に寄せられる」という前提そのものへの疑いもある。テクノロジー分析を手がけるSecond Order Labsは2026年の論考で、AI企業では推論費用に加え、導入・統合の人件費が継続的に発生し、事業が実質的にサービス業へ近づくリスクを指摘する。統合は、一度で終わらせられる工程ではない、というわけだ。もしそれが本当なら、再発するコストは構造的に消えにくい。「再利用に寄せられる」という見方を、自明とは考えないほうがいい。

    5. 経営者と投資家は、何を見るべきか

    ここまでを踏まえると、AI企業を「粗利が高いか低いか」だけで語るのが、いかに粗いかが見えてくる。単価でも、粗利率という一つの数字でもなく、見るべきは次の三つだ。

    • 売上1単位あたりの推論・監視・検証のコストは、下がっているか。 単価ではなく、実際に売上に対して原価がどう動いているかを見る。
    • 顧客ごとの個別対応が、共通の部品へ移っているか。 再発するコストが、再利用できる側へ寄っているかどうか。ここが利益率の分かれ目になる。
    • 売上や利用量が増えたとき、人員や検証の工数も同じ比率で増えていないか。 これは、その企業がソフトウェアとして伸びているのか、それともサービス業として伸びているのかを見分ける問いになる。

    同じ50%の粗利でも、再発するコストを抱えたまま止まっている企業と、それを共通の部品へ移し始めている企業とでは、これから先がまるで違う。数字の裏で、コストがどう振る舞っているかを読むことが、AI企業の体力を見分ける手がかりになる。

    おわりに：単価ではなく、構造を見る

    AIは安くなっている。それでも利益率が自動的には上がらないのは、安くなるのが推論の単価であって、品質と責任を担保するために残るコストは、別の曲線を描くからだ。そのコストを、どこまで複数の顧客に再利用できるか——そこで、利益率は分かれる。

    推論が安くなれば利益率はSaaSに戻る、という期待は、コストの一つの側面しか見ていない。そしてこの構造は、次の問いへとつながっていく。再発するコストを共通の部品へ移せる企業と、移せない企業。その差は、やがて誰が競争に生き残るかを分けていく。稿を改めて、AIの競争構造を考えたい。

    中塚 恵介

    JAPAN AI CFO／GENIEE Group CFO。AI企業の成長戦略、資本政策、IR・資金調達、M&A、海外展開などを通じて、日本発のテクノロジー企業の企業価値向上に取り組んでいる。 前職ではグローバルベンチャーキャピタル B Capital の Japan Lead として、AI・ディープテック・クライメートテック領域を中心に、日本におけるスタートアップ投資を担当。それ以前は BCG／BCG X にて、企業の新規事業創出、事業戦略、ベンチャー立ち上げなどに従事し、構想から事業化・実行までを支援した。キャリア初期には内閣府などで政策立案にも携わった。 一貫して、資本・技術・人・制度がどのように結びつき、新しい産業や企業が生まれるのかに関心を持つ。現在は、投資・支援する立場から経営の当事者へと軸足を移し、日本からグローバルに競争力のあるAI・テクノロジー企業を生み出すことをテーマとしている。 Alpha Beyond Frontier では、スタートアップ、ベンチャーキャピタル、AI、M&A、コーポレートイノベーションを中心に、資本市場と産業構造の変化を分析・発信している。

    本稿は、公開情報にもとづく独立した分析であり、特定の組織の公式見解ではありません。特定企業の財務数値は公表資料・決算の範囲で言及しています。「一度きりのコスト／積み上がるコスト」という整理は、筆者が分析のために用いる枠組みであり、業界標準の定義ではありません。記載した数値は各出典の公表時点のものです。

    References

    本ブログの関連記事

  • AIの価格は「責任の境界」を映す——なぜ成果課金よりハイブリッド型が広がるのか

    AIの価格は「責任の境界」を映す——なぜ成果課金よりハイブリッド型が広がるのか

    AIの価格は「責任の境界」を映す——なぜ成果課金よりハイブリッド型が広がるのか

    はじめに：同じ「ソフトウェアの価格」でも、売り手が引き受けるものは違う

    AIのコーディング支援ツールを、多くの会社は「1ユーザーあたり月10ドル」といった席数で契約している。使っても使わなくても、席の分だけ払う。一方、AIのカスタマーサポートを提供するある製品は、「問い合わせを1件解決するごとにいくら」という単位で課金する。解決できなければ、原則として料金は発生しない。

    どちらも「ソフトウェアの価格」だ。だが、売り手が引き受けているものは、まるで違う。前者が売っているのは、ツールへの「アクセス」である。それを使って成果を出すのは顧客の責任だ。後者が売っているのは、「解決」という結果そのものだ。成果が出るかどうかのリスクを、売り手が引き受けている。

    生成AIが広がるなかで、こう言われることが増えた——ソフトウェアの価格は、席数（seat）から使用量（usage）へ、そして成果（outcome）へと進化していく、と。AIが人間の作業を肩代わりするなら、顧客は「どれだけ使ったか」ではなく「どんな成果が出たか」に対価を払いたくなるはずだ、という理屈である。

    一見もっともらしい。だが、この見方には落とし穴がある。成果課金は、SaaSの進化形に見える。だが、成果責任を引き受けるほど、ソフトウェア企業はむしろ受託会社や保険会社に近づいていく。そして実際、公開されている調査を並べると、純粋な成果課金は期待されているほど広がっていない。代わりに主流になりつつあるのは、基本料と使用量・成果を組み合わせたハイブリッド型（hybrid）だ。

    本稿は、その理由を「価格単位とは何か」という問いから読み解く。結論を一行で言えば——AIの価格単位は、単なる課金方法ではなく、ベンダーが顧客の成果に対してどこまで責任を引き受けるかの宣言である。 責任には制御しきれないリスクが伴うからこそ、成果課金は限られた領域にとどまり、多くはハイブリッド型に落ち着く。

    1. 成果課金は、SaaSの進化形とは限らない

    まず押さえたいのは、成果課金が必ずしもSaaSの「進化」ではないということだ。

    成果で課金するとは、成果が出なければ対価を受け取れないということだ。裏を返せば、成果が出るまでのコストと不確実性を、売り手が抱え込むということでもある。ここに、成果課金の見かけの魅力と、実際の難しさとのギャップがある。

    ソフトウェアの経済性は本来、「一度作れば、あとは限りなく複製できる」ことにあった。だからこそ粗利は高い。ところがAIは、この前提を崩す。利用のたびに実際の計算資源を消費するため、AI企業の粗利はソフトウェアの8〜9割の水準から、5〜6割の水準へ下がりやすい。成果課金は、この不安定な原価を、顧客ではなく売り手の粗利で受け止める仕組みだ。ある問い合わせを解決するのに、AIが何度も試行錯誤すれば計算コストは膨らむが、顧客が払うのは「解決1件」の料金だけ。原価の変動は、売り手が飲むしかない。

    さらに、成果を保証しようとすると、顧客ごとの作り込みが増える。成果を出すために、売り手は個別の環境に合わせてAIを調整し、導入に伴走せざるを得なくなる。こうして純粋なソフトウェア事業は、顧客ごとに人手をかける受託開発に似た姿へと漂っていく。

    成果課金は、保険にも似ている。成果ごとの価格が保険料で、成果に至るまでに要する計算資源が保険金の支払いにあたる、という見立てだ。マーケティング研究者のウトパル・ダラキアはこの比喩から、保険業と同じ二つの問題を指摘する。ひとつは逆選択。成果が出たときだけ払えばよい契約は、運用が整った優良な顧客より、成果を出しにくい困難な顧客ほど魅力的に映る。困っている顧客ほど「効いたときだけ払う」を選びたがり、コストのかかる顧客が集まりやすい。もうひとつはモラルハザード。複雑さのコストが売り手の保険で守られていると、顧客はAIに雑で難しい仕事を投げやすくなる。自分で工夫する動機が薄れるからだ。

    要するに、成果課金とは「成果が出たら払ってもらう仕組み」ではない。成果が出るまでのリスクを、売り手が引き受ける仕組みだ。純粋な成果課金を掲げるほど、売り手は原価の変動、成果の帰属の曖昧さ、そして逆選択とモラルハザードを、深く抱え込むことになる。

    2. そもそも、価格単位は「責任の宣言」である

    なぜ、価格単位が変わるだけで、事業の性質がここまで変わるのか。その根にあるのが、価格単位そのものの意味だ。

    価格を考えるとき、金額より先に決めるものがある。「何に対して払ってもらうか」という課金単位だ。これは、顧客が実際に「何を買っているか」の定義そのものになる。

    AI以前のソフトウェアで、この単位は主に二つだった。席数（seat）は、ユーザー1人あたりで課金し、売っているのはツールへの「アクセス」だ。使用量（usage）は、処理した量で課金し、売っているのは「消費」である。ここにAIが第三の単位、成果（outcome）を持ち込む。解決した件数や達成した結果で課金し、売っているのは「結果」そのものだ。

    この三つは、単なる請求方法の違いではない。それぞれが、売り手と買い手のどちらが「価値を実現する責任」を負うかを、暗黙のうちに宣言している。 席数で売る場合、成果を出す主な責任は顧客側に残る。だが成果で売るなら、成果が出るまで売り手は対価を受け取れない。責任は、売り手の側に移る。つまり、価格単位が「アクセス→消費→成果」と動くほど、売り手が引き受ける責任は広がる。価格の設計は、責任の設計でもある。

    では、なぜAIになって成果へ寄る圧力が生まれたのか。AIが「作業」そのものを肩代わりし始めたからだ。従来のソフトウェアは人間が仕事をする道具で、道具を使う人の数が価値の目安になった。だから席数が自然だった。ところがAIエージェントは、問い合わせに答える、書類を下書きするといった作業を、人間の手を離れてこなし始めている。仕事の一部がソフトウェアの内側で完結するようになると、「何人が使うか」は価値の目安として弱くなる。人間を「補助」するツールがソフトウェア予算を奪い合うのに対し、作業を「代行」するものは人件費の予算を奪い合う。顧客が問いたいのは「何人分の仕事をしたか」であり、突き詰めれば「どんな成果を出したか」になる。

    これは、AIが業務のどこまでを担い、どこからを顧客が担うかという「責任の境界」の問題でもある。価値が使用量ではなく成果として現れるなら、課金もまた成果へ寄っていく——成果課金への圧力は、この延長線上にある。

    3. 「成果課金」でも、売上に課金しているとは限らない

    もうひとつ、注意しておきたい反転がある。

    「成果課金」と呼ばれていても、実際に売上増やコスト削減に連動しているケースは多くない。課金しているのは、「解決した問い合わせの数」や「AIが処理した会話数」といった、途中の指標であることが多い。

    これには理由がある。真の成果——たとえば「売上がいくら増えたか」——を課金単位にすると、その成果がAIによるものかどうかで、際限のない議論になる。売上増が、そのAIによるものか、顧客側の運用や市場環境によるものか。多くの成果は、単一の原因では説明できない。成果を厳密に特定して帰属できる企業はごく一部で、多くの場合、成果課金は「請求額を検証するための会議」を生むだけに終わる。

    だから売り手は、帰属が曖昧な最終成果ではなく、自分たちが定義し測定できる中間指標を課金単位に選ぶ。「成果」の定義を細かく詰める代わりに会話数で課金すれば、インセンティブは整えやすい。賢明な設計だが、同時に、「成果課金」という看板と、実際に課金している単位との間にはずれがあることを示している。

    このずれは、冒頭の芯を否定しない。むしろ強める。価格単位が責任の宣言だとしても、その宣言はラベルではなく、実際に何を測り、どのリスクを負っているかで読まなければならない。「成果課金」を名乗っていても、その売り手が最終成果の責任を負っているとは限らない。逆に、地味な使用量課金のなかに、実質的な成果責任が織り込まれていることもある。宣言は、言葉ではなく構造で読む。

    4. だから、ハイブリッド型が広がる

    以上を踏まえると、公開データが示す姿は腑に落ちる。

    調査によって定義は異なるが、いまや最も多いのはハイブリッド型で、4割前後を占める。純粋な成果課金を主軸に据える企業は、数％から2割弱にとどまる。数字を単純に横並べはできないが、成果課金がまだ少数派だという方向は共通している。価格は「使用量から成果へ」と一直線に進んでいるわけではない。

    純粋な成果課金が成立しているのは、責任を引き受けやすい狭い領域だ。共通するのは、成果が測りやすく、帰属が比較的はっきりしていること。典型はカスタマーサポートの問い合わせ解決で、「解決したか、していないか」がはっきりし、人手を介さず一定期間内に解決したもの、といった厳密な定義を置ける。実際、こうした領域では解決1件あたりで課金する製品が公表の価格として存在する。逆に、人間が実行を担う助言型のAIや、成果が多くの要因に左右される領域では、成果課金は成り立ちにくい。

    ハイブリッド型が広がるのには、買い手側の事情もある。純粋な使用量・成果課金は、請求額が事前に読めない。あるコーディング支援ツールが2025年に料金体系を使用量ベースへ変更した際、想定を大きく超える請求が発生したと報じられ、強い反発を受けて謝罪と返金に追い込まれた。予算を管理する立場からは、上振れする請求より予測できる固定費のほうが扱いやすい。調達や予算計上のしやすさも、席数や基本料が根強く残る理由だ。

    だからハイブリッド型は、成果課金へ至る途中の妥協ではない。基本料が売り手に売上の下限と、買い手に予測可能性を与え、そのうえに使用量や成果のメーターを乗せる。責任とリスクを、売り手と買い手で分担する合理的な着地点なのだ。

    おわりに：価格は、引き受ける責任の設計である

    「AIの価格は使用量課金から成果課金へ向かうのか」という問いに、公開データは直線的な「イエス」を返さない。より正確な答えはこうだ——責任を明確に引き受けられる狭い領域では成果課金が成立し、それ以外の多くはハイブリッド型に落ち着く。単位が成果に近づくほど、売り手は原価・帰属・顧客行動という制御しにくいリスクを引き受け、事業はソフトウェアより受託や保険業に近づく。だから成果課金は万能の到達点ではなく、責任を制御できる場所を選んで現れる。

    言い換えれば、AI企業は価格を通じて、自分がどこまでの責任を引き受け、どこからは引き受けないかを設計している。 価格表には、その企業がどこまで責任を負うかが表れている。AIを買う側にとっても、これは有用な視点だ。「成果課金だから安心」ではなく、その価格単位が実際に何を測り、どのリスクを誰が負っているのかを読むことが、AIベンダーが実際にどこまでリスクを負っているかを見分ける手がかりになる。

    そして、成果課金が売り手に原価を飲ませるという論点は、次の問いへつながる。次回は、AI企業がなぜ売上を伸ばしても利益を出しにくいのかを、コスト構造から考えたい。

    中塚 恵介

    JAPAN AI CFO／GENIEE Group CFO。AI企業の成長戦略、資本政策、IR・資金調達、M&A、海外展開などを通じて、日本発のテクノロジー企業の企業価値向上に取り組んでいる。 前職ではグローバルベンチャーキャピタル B Capital の Japan Lead として、AI・ディープテック・クライメートテック領域を中心に、日本におけるスタートアップ投資を担当。それ以前は BCG／BCG X にて、企業の新規事業創出、事業戦略、ベンチャー立ち上げなどに従事し、構想から事業化・実行までを支援した。キャリア初期には内閣府などで政策立案にも携わった。 一貫して、資本・技術・人・制度がどのように結びつき、新しい産業や企業が生まれるのかに関心を持つ。現在は、投資・支援する立場から経営の当事者へと軸足を移し、日本からグローバルに競争力のあるAI・テクノロジー企業を生み出すことをテーマとしている。 Alpha Beyond Frontier では、スタートアップ、ベンチャーキャピタル、AI、M&A、コーポレートイノベーションを中心に、資本市場と産業構造の変化を分析・発信している。

    本稿は、公開情報にもとづく独立した分析であり、特定の組織の公式見解ではありません。特定企業の価格やその変更に関する記述は、公式発表・公開報道の範囲にとどめています。「価格単位＝責任の宣言」という整理は、筆者が分析のために用いる枠組みであり、業界標準の定義ではありません。記載した数値は各出典の公表時点のものです。

    References

    本ブログの関連記事

  • AI企業のバリュエーションは、何を評価しているのか——成長の「量・質・物語」という三つの見方

    AI企業のバリュエーションは、何を評価しているのか——成長の「量・質・物語」という三つの見方

    AI企業のバリュエーションは、何を評価しているのか——成長の「量・質・物語」という三つの見方

    はじめに：成長率だけでは説明できない評価差

    2026年7月、人事労務クラウドのSmartHRが、年内に予定していた東証上場を延期する方針だと報じられた。直前に、ARR（年間経常収益ベース）が300億円へ達したと公表したばかりだった。業績は好調だ。それでも、目標としていた時価総額は投資家に高すぎると見られたとされ、その額は、直近の未上場ラウンドで付いたとされる評価額を、すでに下回る水準だった。売上は着実に伸びている。なのに、評価はそれに追いつかない。

    これはSmartHRに限った話ではない。売上が同じように伸びていても、高い評価を維持できる企業と、急に評価を失う企業がある。その違いはどこにあるのか。

    生成AIの時代に入り、この問いは難しさを増している。AI企業では売上が急速に伸びる例が珍しくないが、同じような伸びでも、市場がつける評価はまるで違う。片方は「成長は続く」と信じられ、片方は「その売上は本当に定着するのか」と疑われる。

    これは投資家だけの関心事ではない。AIの導入を検討する事業会社にとっても、取引先や競合となるAI企業がどれだけ体力を持つのかは、意思決定に直結する。

    本稿は、その違いを三つの見方から捉えてみたい。企業の成長を、①どれだけ速く大きくなっているか（量）、②その成長は本物か（質）、③この先どこまで行けるか（物語）、という三つの角度で見る整理だ。結論を一行で言えば——成長率が評価の入口なら、「成長の質」はその評価が持続するための条件である。

    1. AI企業の評価には三つのロジックがある

    市場がソフトウェア企業を値付けするとき、そこには三つの異なる論理が同時に働いている。

    • 成長の量——売上の成長率や、市場を取りにいく速度。「どれだけ速く大きくなっているか」。
    • 成長の質——その成長がどれだけ続き、利益を伴い、繰り返せるか。「その成長は本物か」。
    • 将来物語——狙える市場全体の大きさ（TAM）や、その企業が勝者になる可能性への期待。「この先どこまで行けるか」。

    大事なのは、これらが順番に現れるのではなく、つねに同時にあり、その比重が変わるという点だ。比重を動かすのは主に四つ——企業の成熟度、開示されている情報の量、金利や市場環境、そして「質」がどれだけ外から見えるか、である。実績が乏しく金利が低い局面では物語の比重が大きくなり、実績が積み上がり金利が上がると、質の比重が増していく。

    冒頭の「同じ成長率でも評価が違う」は、この枠組みで言えば、量以外の二つ——質と物語——の読まれ方が違う、ということになる。

    2. 成長の量——評価の入口

    まず率直に認めておきたい。市場が将来に強気な局面では、評価はまず成長率で決まりやすい。

    ベンチャーキャピタルのBessemer Venture Partnersが2024年に示した分析によれば、公開ソフトウェア企業では、利益率よりも成長率のほうが、評価倍率——売上の何倍の値段がつくか——に強く反映されていた（成長率の重みは利益率のおよそ2.3倍）。少なくとも足元の価格形成では、成長が第一の決め手だ。理由はわかりやすい。成長率は目に見えやすく、その企業がこれからどれだけ大きくなりうるかを、最も直接に示すからだ。将来への期待が強い局面ほど、この数字が評価を引っ張る。

    ただし「成長にいくら払うか」は時期によって大きく振れる。金利が低かった2021年ごろには、赤字でも高成長というだけで極端な値がついた。プロジェクト管理ソフトのAsanaには、一時、売上の約89倍という評価がついたこともある。

    だが、成長率は入口にすぎない。速く伸びていること自体は、それが続く保証ではない。ここで二つ目の見方が要る。

    3. 成長の質——評価が持続する条件

    本稿は「成長の質」を、次のように定義する。いまの成長が、どれだけ続き、利益を伴い、将来も繰り返せるか。 三つの側面がある。

    • 継続性——既存の顧客からの売上が、どれだけ残り、むしろ増えるか。
    • 利益転換——その売上が、手元に残る利益に変わるか。
    • 反復可能性——同じ成長を、新しい顧客や分野でも繰り返せるか。

    このうち反復可能性は、一つの数字で測れるものではなく、顧客がどれだけ特定の取引先に偏っているか、導入がどれだけ重いか、といった複数の手がかりから読むしかない概念だ。ここでは市場から見える範囲に限って扱い、「誰がどう作るのか」という組織の話には立ち入らない。

    言いかえれば、いま伸びている売上が、来年も再来年も残り、利益を生み、別の顧客でも同じように立ち上がるか。これが「その成長は本物か」という問いの中身である。

    質と高い評価が結びついていることは、公開データからも見てとれる。McKinseyが2025年に公表した分析（B2Bのテック企業100社超）では、評価倍率が上位四分の一の企業群は、既存顧客からの売上継続・拡大率が中央値113%で、企業価値が売上の約24倍だった。一方、下位四分の一の企業群は、それぞれ98%、約5倍だった。高い評価を受けている企業群では、既存顧客からの売上が維持され、むしろ広がっている傾向が見える。ここで言う継続・拡大率は、単なる解約の裏返しではなく、既存顧客の解約に加えてアップセルやクロスセルまで含めた増減を表すため、100%を超えることがある。

    ただし、この継続・拡大率は成長率と切り離せない。既存顧客からの売上が前年の113%になるなら、新規客がゼロでも売上は13%伸びるからだ。McKinsey自身、これを効率的な成長の代理指標として位置づけている。つまり質は、量とは別の要因というより、量を持続させる条件として絡み合っている。そして成長は永遠には続かず、どの企業でも年を追って鈍っていく。だからこそ、その成長がどれだけ「質」を伴っているかが、評価が持続するかどうかを分ける。

    4. まだ実績の少ない企業をどう評価するか

    三つ目の見方が、将来物語である。ここで言う物語とは、夢や宣伝文句のことではない。将来の市場規模と、その企業が勝者になる可能性についての仮説である。

    量や質の実績がまだ薄い企業では、市場はこの仮説を値付けするしかない。仮説である以上、検証は難しく、だからこそ評価は大きく振れる。同じ物語が、局面によって強気にも弱気にも読まれる。ある年には有望な賭けに見えた物語が、翌年には過大な期待とみなされる。中身は変わっていなくても、である。

    AIの基盤モデルを開発するような企業では、この比重が特に大きい。足元の利益ではなく、将来の市場と技術的な位置づけへの期待が、評価の中心を占める。たとえばOpenAIのような企業に大きな評価がつくのも、主に将来物語が値付けされているためだと理解できる。

    これを「例外」や「行き過ぎ」と切り捨てる必要はない。物語の比重が大きいのは、実績が薄い段階の自然な姿だ。実績が積み上がるにつれ、評価の重心は物語から量・質へと移っていく。

    5. AIでは、成長の質が見えにくい

    AI企業の難しさは、売上の大きさより、その中身が見えにくいことにある。特に分かりにくいのは、その売上が続くのか、そして利益に変わるのか、という二点だ。これは価値がないという意味ではなく、測定の問題である。

    一つ目は、売上が続くかどうかが見えにくいことだ。 実験的な利用と本格的な利用が同じ売上に含まれ、しかも顧客層や価格帯によって定着率が大きく異なるため、集計された売上や平均値だけでは、どれだけが業務に根を張った売上なのか分からない。サブスクリプション分析のChartMogulが2025年に示したデータは、この見えにくさをよく表している。AI企業の顧客の定着率は価格帯で大きく分かれ、月250ドルを超える契約では既存売上の約7割が残る一方、月50ドル未満では約2割しか残らなかった。同じ「売上」でも、業務に根を張ったものと、試しに使われているだけのものが同居しているのだ。

    二つ目は、その売上が利益に変わるかどうかが見えにくいことだ。 推論にかかる費用、導入支援、個別の作り込み、品質管理——こうしたコストの構造や会計上の区分は、企業によって異なる。そのため、同じように売上が伸びていても、それがどれだけ利益に変わるのかを、外から比べるのは難しい。実際、企業の生成AI投資の多くは、現時点ではまだ明確な利益に結びついていないという調査もある（MITの2025年の報告など）。

    要するに、集計された売上の大きさだけを見ると、その中身——続くのか、利益になるのか——を取り違えやすい。質は「集計値の下」を見なければ分からない。だから、あるAI企業の売上が急伸したというニュースを見たときは、その売上が根を張った本格利用なのか、それとも一時的なお試しなのかを、一度立ち止まって考える価値がある。

    6. 市場は、いつ質を見なければならなくなるのか

    質が見えにくくても、市場環境が変われば、それを正面から見ざるを得なくなる。

    象徴的なのが、ここ数年のソフトウェア企業の評価の変化だ。2021年まで高い評価を受けていたSaaS企業の売上倍率は、2022年以降、金利上昇と市場環境の変化を受けて大幅に低下した。Bessemerの上場クラウド企業指数でも、予想売上倍率（予想売上の何倍か）はピーク時から数分の一の水準——2023年には一桁台前半、6〜7倍程度——まで縮んだ。その間も、売上の成長率そのものは保たれていた。成長率だけに高い値段を払う市場から、利益率や継続性を含む成長の中身をより厳しく見る市場へ、評価の重心が移ったと考えられる。

    同じように、次のような局面では、成長率だけでは将来を説明しきれなくなり、質の比重が上がっていく。

    • 契約の更新実績が積み上がり、定着率が見えるようになったとき
    • 成長率が鈍り、成長で説明できる部分が減ったとき
    • 金利が上がり、遠い将来への期待が割り引かれるとき
    • 資金調達が難しくなり、利益に変わるかどうかが問われるとき
    • 上場して開示が増え、質の手がかりが市場の目にさらされるとき

    冒頭で触れたSmartHRの上場延期は、まさにこの局面だ。目標としていた時価総額は報道ベースで約1,600億円とされるが、これは2024年の直近の未上場ラウンドで付いたとされる評価額（約1,800億円と推計される）をすでに下回る水準だった。それでも公開市場ではなお高いと見られたとされる。未上場市場が織り込んでいた期待を、公開市場は同じ価格では引き受けない——市場の目が量や物語から中身へ移る局面が、国内でも表面化した一例といえる。投資家の慎重さの背景には、AIの進展がSaaSの収益構造に与える影響への懸念もあると報じられており、本稿が扱ってきた「質の見えにくさ」は、既存のSaaSの値付けにも及び始めている。

    質は、つねに前面で値付けされているわけではない。だが市場環境が変わり、量と物語だけでは説明できなくなったとき、はじめて前に出てくる。その局面が来る前に質を読めるかどうかが、投資家と経営者の差になる。

    おわりに：量は入口、質は持続条件、物語は先取り

    AI企業のバリュエーションは、何を評価しているのか。本稿の整理では、それは三つの重ね合わせだ。成長の量は評価の入口、成長の質はその評価が持続するための条件、将来物語は実績が薄い段階の先取りである。三つはつねに同時に働き、企業の成熟度・開示・金利・質の見えやすさによって、比重を変える。

    だから、高い成長率がついているというだけで、その評価が続くとは限らない。評価を持続させるのは、顧客が定着し、利益に変わり、その成長を繰り返せるか——という「質」である。そしてAI企業では、その質が、ふつうの企業以上に見えにくい。集計された数字の下にある質を読む力が、評価の差に変わっていく。ニュースの見出しになるのはたいてい成長率と評価額だが、その数字がどこまで続くのかを決めるのは、見出しにはならない「質」のほうである。

    次回は、この「質」がそもそもどう収益化されるのか——AI企業は何を売り、どこまで成果の責任を引き受けるのか、という価格の話に進みたい。

    中塚 恵介

    JAPAN AI CFO／GENIEE Group CFO。AI企業の成長戦略、資本政策、IR・資金調達、M&A、海外展開などを通じて、日本発のテクノロジー企業の企業価値向上に取り組んでいる。 前職ではグローバルベンチャーキャピタル B Capital の Japan Lead として、AI・ディープテック・クライメートテック領域を中心に、日本におけるスタートアップ投資を担当。それ以前は BCG／BCG X にて、企業の新規事業創出、事業戦略、ベンチャー立ち上げなどに従事し、構想から事業化・実行までを支援した。キャリア初期には内閣府などで政策立案にも携わった。 一貫して、資本・技術・人・制度がどのように結びつき、新しい産業や企業が生まれるのかに関心を持つ。現在は、投資・支援する立場から経営の当事者へと軸足を移し、日本からグローバルに競争力のあるAI・テクノロジー企業を生み出すことをテーマとしている。 Alpha Beyond Frontier では、スタートアップ、ベンチャーキャピタル、AI、M&A、コーポレートイノベーションを中心に、資本市場と産業構造の変化を分析・発信している。

    本稿は、複数の公開データから評価の構造を観察したものであり、個別の指標が評価を決めるという因果関係を示すものではありません。公開情報にもとづく独立した分析であり、特定の組織の公式見解ではありません。特定企業への言及は公開報道・公式発表の範囲に限られ、将来の事業の成否や株価・評価額を予測するものではありません。記載した数値は各出典の公表時点のものです。

    References

    本ブログの関連記事

  • Vertical AI の境界線——横断エージェントは何を吸収し、企業は何を手放せないのか

    Vertical AI の境界線——横断エージェントは何を吸収し、企業は何を手放せないのか

    Vertical AI の境界線——横断エージェントは何を吸収し、企業は何を手放せないのか

    はじめに：業種専用ソフトは、いらなくなるのか

    いま、多くの会社が使っているソフトウェアには、特定の業種や業務に特化したものが多い。法律事務所向け、病院向け、経理向け——そうした「業種専用ソフト」を、ここでは仮に業界特化ソフト（英語では Vertical SaaS などと呼ばれる）と呼んでおく。

    そこに、新しいタイプのAIが現れた。単に質問に答えるのではなく、複数のソフトをまたいで一連の作業を実行してしまうAIである。たとえば「この案件の資料を集めて、要約して、担当者に承認を回しておいて」と頼むと、いくつものシステムを横断して手を動かす。本稿ではこれを横断エージェントと呼ぶ。その能力は、この二年で急速に伸びた。もっとも、伸びたのは主に短い作業の範囲であって、長い時間にわたって複数の制約を守り、途中で変わる情報に対応しながら最後まで仕事を完遂する能力には、なお大きな課題が残っている。

    それでも、ここまで来ると、こんな問いが浮かぶ。汎用の横断エージェントが何でもやってくれるなら、業種専用ソフトはいらなくなるのではないか。 これは、AIに詳しいかどうかとは関係なく、ソフトを買う側にとっても、作る側や投資する側にとっても、素朴で切実な問いだ。

    先に、本稿の見立てを述べておく。生き残るかどうかを分けるのは、その業務が知的に難しいかどうかではない。分かれ目は、AIがどれだけ賢くなっても、その会社が手放せない「最終的な責任」を握っているかにある。ここで言う責任とは、正式な記録を誰が保持するか、業務のルールを誰が決めて管理するか、監査に耐える履歴を誰が負うか、という一線のことだ。以下では、なぜ「難しさ」では線を引けないのかから始め、この一線がどこにあり、そして時間とともにどう動くのかを、身近な業務の例に沿って見ていく。なお本稿は、特定企業の勝ち負けを予測するものではなく、公開情報から分かる事業構造の違いを整理するものである。

    1. 「難しい仕事ほど、AIに奪われにくい」わけではない

    まず、いちばん自然に見える線引きを崩しておきたい。「専門的で難しい仕事ほど、AIには奪われにくい」という思い込みである。

    具体例で考えてみよう。契約書の条項を読み解いて論点を洗い出す、という仕事は、人間にとっては高度な専門知識を要する。一方、社内の請求システムにログインして、正しい欄に金額を書き戻す、という仕事は、新人でもすぐ覚えられる。直感的には、前者のほうがAIに奪われにくそうに見える。だが実際には、逆のことが起きやすい。抽象的な読み解きや推論は、いまのAIがむしろ得意とする領域に近い。反対に、古い社内システムの癖に合わせて確実に書き戻す、という泥臭い作業のほうが、機械には手こずる場面が多い。

    人間にとって難しいことが機械にとって易しく、人間にとって易しいことが機械にとって難しい——これは古くからロボット工学で知られてきた傾向だ（モラベックのパラドックスと呼ばれる。厳密な法則ではなく反証もあるが、補助線としては役に立つ）。ここから分かるのは、「人間にとって専門的で難しい仕事であること」と、「AIに置き換えにくいこと」は、同じではない、ということだ。だとすれば、「難しい業種だから安全」という前提の上に、会社の生き残りを賭けることはできない。境界線は、別のところに引かれている。

    2. AIが「仕事をする」ことと、会社が「責任を持つ」ことは違う

    では、境界線はどこにあるのか。ここが本稿の中心なので、まず一つ、経理の現場を思い浮かべてほしい。

    請求書の処理を考える。いまのAIは、届いた請求書を読み取り、勘定科目を分類し、仕訳の案を作り、担当者に承認依頼を送るところまで、かなりの部分をこなせる。読む・分類する・案を作る・依頼を回す——このあたりは、AIがどんどん肩代わりしていく。

    ところが、その先に、AIが簡単には引き受けられないものが残る。どの仕訳を正式な帳簿として確定させるか。10万円を超える支払いに、誰の承認を必要とするか。あとで税務調査が入ったときに、いつ誰が何を承認したのかを、監査に耐える形でどう残すか。 これらは、AIが賢くなったからといって自動的に消える仕事ではない。むしろ、AIに任せる部分が増えるほど、「では、最後に責任を持つのは誰か」という問いは重くなる。

    ここから分かることは、シンプルだ。AIがその仕事をこなせることと、会社がその仕事に責任を持つことは、別のことである。 前者——考える・判断する・操作する・つなぐ——は、モデルの改善とともにAIの側へ移っていく。後者——正式な記録を保持し、ルールを管理し、承認と監査の履歴を負う——は、簡単には移らない。本稿では、この後者の一線を「責任の境界」と呼ぶ。

    同じ趣旨を、投資家の側から言い当てた整理がある。ベンチャーキャピタルの a16z で企業向けソフトウェアを見る Seema Amble は、AIエージェントは「使い慣れ（指の記憶）」に由来する粘着性という堀は壊すが、「業務のロジックと文脈」——安全に業務を回すために必要なルール・権限・手順の定義——という堀は壊さない、と書いている。守りの重心は、目に見える操作画面から、その裏にある業務の骨組みへと沈んでいく。

    この境界は、実務的な問いに翻訳できる。ある製品について、こう問うてみる——この製品は、自ら正式な記録を作り、誰がアクセスできるかの権限や、承認の流れ、そして変更・判断の履歴まで管理しているのか。それとも、他のシステムが管理するデータを読み取り、その上に分析や操作の機能を載せているのか。 後者、つまり既存の記録の上に機能を重ねる型が、それ自体として弱いわけではない。優れた使い勝手で大きな価値を生む製品はいくらでもある。問題はその先だ。記録・権限・承認を握っている基盤の側が、同じような分析・操作の機能を後から取り込んだとき、その製品の手元には何が残るのか。防御力を測る物差しは、機能の優秀さではなく、責任の仕組みにどれだけ食い込んでいるかにある。

    ただし、ここで一度立ち止まりたい。「深く食い込んでいれば残る」で終わらせると、話は甘くなる。食い込みの多くは、いまのAIが不得意なことを前提にしている。この点を、投資会社 SignalFire の Ryan Wexler が鋭く言い当てている——もし製品が「今のモデルが不得意なこと」に価値を依存させているなら、それは世界で最も優秀なエンジニア集団に逆張りしているのと同じだ、と。モデルが良くなった瞬間に、その足場は崩れる。だから本当に残るのは、「深く食い込んでいるもの」一般ではない。AIがどれだけ賢くなっても、なお会社が手放せない一線——責任の境界——だけである。

    3. 「正式な記録を握れば強い」の中身を、正しく理解する

    「正式な記録の担い手（英語では system of record と呼ばれる）を握れば強い」——これはよく聞く主張だ。ただ、しばしば「独自のデータをたくさん持てば強い」と読み替えられる。この読み替えには注意がいる。

    そもそもデータの量は、思われているほど堅い堀ではない。すでに2019年の時点で、a16z の Martin Casado らは、単にデータが多いこと自体からネットワーク効果が自動的に生まれるわけではなく、その多くは規模の効果にすぎない、と論じていた。データは集めるほど重複が増え、追加の一件が生む価値は逓減していく。ここから一歩進めて考えれば、生成AIが公開情報を吸収し続けるいま、「独自データを持っているから強い」という説明だけでは、もう足りない。正式な記録の強さは、業務の流れへの組み込み、権限管理、他システムとのつながり、乗り換えの手間など、複数の要因が重なって生まれる。そしてAI時代に残る強さの中心は、データの量よりも、その記録が正式であること、そして責任を伴うことのほうにある、と本稿は考える。

    具体例に戻ろう。「10万円以上の支払いは部長承認」という業務ルールが、これまではシステムの中にきちんと設定され、管理されてきたとする。これをAIへの指示に置き換え、「高額なら偉い人に確認して」といった曖昧な形で持たせてしまうと、何が起きるか。誰がそのルールを決めたのか、いつ変えたのか、間違いが起きたときに誰が責任を負うのかが、たちまち曖昧になる。きちんと管理されたルールを、あいまいなAIの指示に移した瞬間、その責任は静かに現場へ押し戻される。プレプリント論文「Going Headless?」（Hydari・Muzaffar）は、この現象を「規則負債（rule debt）」と名づけ、動かしてよい「インターフェースの境界」と、動かしてはならない「責任（アカウンタビリティ）の境界」を区別すべきだと論じている。

    つまり、横断エージェントは、責任まで引き受けてくれるわけではない。むしろ責任を、使う側に押し返す。だからこそ、ルールと承認と履歴をまるごと引き受ける仕組みには、なお居場所が残る。実際、医療の会話記録AIである Abridge は、診察の会話から請求に使えるコードや診断を含んだ診療記録の下書きを作り、それが既存の電子カルテに流れ込む形をとる。ただし記録が正式なものになるのは、最後に医師が確認して署名したときだ。法務でも、Harvey や Thomson Reuters の CoCounsel は、AIが下書きや調査を担っても最終的な判断と成果物の責任は弁護士に残る、という位置づけを公式にとっている。規制対応や「人による最終承認」が強みとして語られるのも、突き詰めれば、難しさの話ではなく、責任を誰が負うかの話なのである。

    4. 責任の境界は、時間とともに「内側」へ動く

    ここまで読むと、「では責任の境界を握れば安泰だ」と思えるかもしれない。だが、そう単純ではない。この境界線は固定されておらず、時間とともに動く。ここが、本稿でいちばん強調したい点だ。

    会社の仕事を、AIに近い表層から遠い深層へ、こう並べてみる。

    画面 → 操作 → 接続 → 判断 → 正式な記録 → 最終的な責任

    AIは、まず左端の「画面（使い慣れた操作画面）」を肩代わりし、次に「操作」を、そして「接続（システム同士をつなぐこと）」を飲み込んでいく。かつては個別の作り込みが必要だったシステム間の接続も、共通の規格が「AIにとってのUSB-C」のように普及し、安価な標準部品になりつつある。さらにモデルが賢くなれば、これまで人でなければ扱えなかった「判断」の一部も、右へ、より深い層へと移っていく。本稿では、この価値の重心が表層から深層へ移る動きを、「境界が内側へ動く」と表現する。 今日は「正式な記録」の手前で守れていても、明日には、その一歩内側まで踏み込まれるかもしれない。

    最後の防波堤は、契約と法律だ。主要なAIサービスの公開契約では、出力の正確性は保証されず（「現状のまま」提供される）、それを業務判断に用いた結果の責任は、使う側に置かれるのが一般的である。この「業務判断の責任は最後は人間の側に残る」という制度の重力が、境界を守る力として働く。だが、それも永遠の保証ではない。技術が標準化され、検証が仕組みとして効くようになり、規制の側が新しい管理の形を認めていけば、いま人間が担っている判断の一部も、少しずつ境界の内側へと移りうる。

    だから、責任の境界は「一度握れば終わり」ではない。「握り続けられるか」の問題だ。生き残る会社とは、境界を握った会社ではなく、境界が内側へ動くのに合わせて、握る場所を更新し続けられる会社である。

    5. FDEの価値も、「つなぐこと」から「責任を設計すること」へ

    この見方は、前稿で扱った FDE（フォワード・デプロイド・エンジニア。顧客の現場に入り込んで実装まで担うエンジニア職能）の評価にも、そのままはね返る。

    前稿では、「FDEを持てば勝てる」という単純な話をしなかった。同じことが、ここでも言える。FDEがいるかどうかは、堀の有無を決めない。決めるのは、FDEを通じて「何を蓄積したか」だ。

    もしFDEの仕事が、顧客ごとの接続を一件ずつ作り込む「つなぐ作業」に終始しているなら、それはまさに、標準化とモデルの改善で内側へ吸収されていく側の資産である。積み上げても、境界が動けば溶けていく。逆に、FDEが現場で拾ってくる暗黙知や、業務ルールの構造、監査に耐える責任の設計——こうしたものを製品に還元し、蓄積しているなら、それは残る側の資産になる。

    だから、FDEを抱える会社を見るときの問いは、「FDEが何人いるか」ではない。「そのFDEたちが、いずれ吸収される”つなぐ作業”を積んでいるのか、それとも吸収されにくい”責任とルール”を積んでいるのか」だ。分かれ目は職能の有無ではなく、その職能が何を蓄積するかの設計にある。境界が内側へ動くほど、FDEの値打ちは「つなぐこと」から「責任を設計すること」へと移っていく。

    ただし、ここで話を止めると、また静的な二分法に戻ってしまう。責任やルールの設計もまた、いつかは標準化され、製品に取り込まれていく。§4で見たとおり、境界そのものが動くからだ。今日は暗黙知として抱えている業務ルールの実装も、明日には誰かが標準機能にしてしまうかもしれない。

    だとすれば、本当に強い組織能力は、「いまどんな堀を持っているか」ではなく、昨日まで価値を生んでいた自分たちの実装を、自ら壊して次へ移れるかにある。FDEで言えば、こういう循環だ——顧客ごとの接続作業を自動化できるなら、進んで自分たちの接続の手数を減らす。個別に作り込んだ業務ルールの設計を製品化できるなら、個別支援で稼ぐ売上を守るより、標準機能へ移してしまう。そうして空いたFDEを、まだ誰も解いていない、より深い領域へ送り込む。過去の強みを自ら陳腐化させながら、次の境界へ人を送り続ける——この自己破壊の循環を回せる会社が、動く境界の上で生き残る。

    6. 投資家・作り手・買い手へ

    この境界の見方は、立場によって別々の含意を持つ。

    投資家にとって。 見るべきは「その業種が難しそうか」ではない。「AIが良くなっても、顧客が手放せない正式な記録・ルール・責任を握っているか」、そして「その境界は内側へ動かないか」である。独自データの量を強みとして語る説明は、割り引いて聞いたほうがいい。問うべきは、量ではなく、その記録が責任を伴う正式なものかどうかだ。

    作り手にとって。 いま持っている差別化は、いずれコモディティ化する——その前提で設計したほうがいい。システムをつなぐ技術も、やがては業務ルールや責任の設計も、標準化されていく。だから軸足を「つなぐこと」から「責任の設計」へ移すだけでは足りない。自分たちが作り込んだ実装を、コモディティ化する前に自ら製品化・自動化し、そこで空いた人と時間を、次のまだ解かれていない領域へ振り向け続ける。 過去の強みを守るのではなく、進んで手放して前へ出られること——それが、動く境界の上での差別化になる。FDEのような実装の職能を持つなら、それを通じて「何を蓄積し、何を次に手放すか」まで設計しておく。

    買い手にとって。 新しいAIを入れるときは、「このAIは、正式な記録や責任を、どこまで担ってくれるのか——あるいは担わないのか」を確かめるとよい。担わないなら、責任はこちらに残る。そのうえで、モデルが良くなっても剥がれない接点になっているかを見る。

    業種専用ソフトは残るのか、飲み込まれるのか——この問いに、一律の答えはない。AIができる仕事が増えるほど、企業の価値は、仕事を代わりにする機能から、その仕事の正式な記録・ルール・監査・最終責任を支える仕組みへと移っていく。 だが、その責任の境界すら固定ではない。生き残るのは「業種特化だから」でも「いま責任を握っているから」でもなく、境界が内側へ動くのに合わせて、ときに自らの過去の強みを壊してでも、握る場所を更新し続けられる会社だ。境界線は、業務の難しさの上にではなく、責任の在処の上に引かれている——そして、その線は動き続けている。

    中塚 恵介

    JAPAN AI CFO／GENIEE Group CFO。AI企業の成長戦略、資本政策、IR・資金調達、M&A、海外展開などを通じて、日本発のテクノロジー企業の企業価値向上に取り組んでいる。 前職ではグローバルベンチャーキャピタル B Capital の Japan Lead として、AI・ディープテック・クライメートテック領域を中心に、日本におけるスタートアップ投資を担当。それ以前は BCG／BCG X にて、企業の新規事業創出、事業戦略、ベンチャー立ち上げなどに従事し、構想から事業化・実行までを支援した。キャリア初期には内閣府などで政策立案にも携わった。 一貫して、資本・技術・人・制度がどのように結びつき、新しい産業や企業が生まれるのかに関心を持つ。現在は、投資・支援する立場から経営の当事者へと軸足を移し、日本からグローバルに競争力のあるAI・テクノロジー企業を生み出すことをテーマとしている。 Alpha Beyond Frontier では、スタートアップ、ベンチャーキャピタル、AI、M&A、コーポレートイノベーションを中心に、資本市場と産業構造の変化を分析・発信している。

    本稿は、公開情報にもとづく独立した分析であり、特定の組織の公式見解ではありません。特定企業への言及は公開報道・公式発表の範囲に限られ、将来の事業の成否を予測するものではありません。

    References

    本ブログの関連記事

  • AIの価値は、売った後に作られる——FDEは高粗利企業を作るのか、SI企業を作るのか

    AIの価値は、売った後に作られる——FDEは高粗利企業を作るのか、SI企業を作るのか

    AIの価値は、売った後に作られる

    はじめに：AIは、売って終わりではない

    これまでのソフトウェア・ビジネスは、ある程度完成したプロダクトを売り、導入を支援し、カスタマーサクセスが利用拡大を促す、という順序で回っていた。プロダクトは契約の時点でほぼ出来上がっており、あとは「どれだけ広く使ってもらうか」の勝負だった。

    Enterprise AI では、この順序が崩れる。顧客ごとにデータの持ち方、権限設計、業務フロー、例外処理、リスク許容度がまったく違う。生成AIは汎用的な能力を持つが、その能力が特定企業の現場で成果に変わるかどうかは、契約の時点ではまだ決まっていない。つまり、価値は売った時点では完成しておらず、導入したあとに、現場で作られる。

    これまでの記事では、生成AI企業の価値はモデルそのものではなく、非公開データ・業務フロー・実装力といった「業務への埋め込み」に宿ること、そしてその価値は ARR の大きさではなく「剥がれにくさ」として読むべきことを論じた。便宜的に、その剥がれにくい収益を Embedded ARR と呼んだ。本稿で考えたいのは、その剥がれにくい収益を、誰が、どの組織能力によって作るのか、である。

    近年その答えとして注目されているのが、Forward Deployed Engineer（FDE、フォワード・デプロイド・エンジニア） という職能である。FDEとは、ひとことで言えば、顧客の現場に入り込み、業務の理解・データの接続・実装・そしてプロダクトへの還流までを担うエンジニア職能のことだ。ただし先に結論を言えば、本稿は「FDEを持てば勝てる」という話をしない。FDEは諸刃であり、うまく設計できた会社だけが、それを剥がれにくい収益へと変えられる。

    1. なぜ、SaaSの組織モデルでは足りないのか

    伝統的なSaaS企業の組織は、おおむね機能ごとに分かれている。プロダクトを作るチーム、売るチーム（営業）、導入後の定着を担うチーム（カスタマーサクセス）、そして基盤を支えるエンジニアリング。それぞれが役割を持ち、顧客はこの分業のあいだを、バトンを渡されるように進んでいく。

    この構造は、完成したプロダクトを繰り返し届けるには効率的だ。だが Enterprise AI では、顧客課題の探索、データの接続、プロンプトやエージェントの設計、業務そのものの再設計、セキュリティ、運用への定着——これらが分離しにくい。どこまでが「プロダクト」で、どこからが「導入作業」なのかの境界が曖昧になる。エージェントを本番業務に乗せるには、その顧客の業務を深く理解した人間が、現場でデータとワークフローに手を入れる必要があるからだ。

    ここで、「プロダクトを作る人」と「顧客に届ける人」を分ける前提そのものが崩れはじめる。作りながら届け、届けながら作る。この境界の溶解こそが、FDEという職能が生まれた背景である。

    なお、これは「分業を全廃すべきだ」という話ではない。組織論の主流は、いまも分業を残したまま部門間の連携を設計し直す方向にある。ここで言いたいのは、AIの実装局面では、作る側と届ける側が同じ場所に立たざるをえない場面が増える、という傾向である。

    2. FDEとは何か——導入支援ではなく、価値を発見する職能

    FDEという職能を最初に確立したのは、Palantir だとされる。同社は社内でこの役割を “Delta” と呼び、エンジニアを顧客の現場に埋め込んで、自社プラットフォーム上で最も難しい課題を解かせてきた。Palantir 自身の説明が、この職能の本質を端的に表している。伝統的なソフトウェアエンジニアが「一つの機能を、多数の顧客に」届けるのに対し、FDEは「一人の顧客に、多数の機能を」作り込む。

    だから、FDEは受託開発ではないし、カスタマーサクセスやプリセールスとも違う。よく引かれる対比を借りれば、コンサルタントは契約の下流で、決められた要件に応える。FDEはロードマップの上流に立ち、顧客の現場で何が本当に必要なのかを発見し、それを実装し、使われ方を観察して、その学びをコア・プロダクトに戻す。この「製品への還流」があるかどうかが、単なる高級な実装請負とFDEを分ける決定的な違いだとされる。

    そしていま起きているのは、この職能が Palantir という一社の特殊解ではなくなりつつある、という現象だ。2026年に入り、大手プラットフォーマーが相次いでこのモデルを採り始めた。AWSは10億ドル規模の専任組織として、OpenAIは別会社として、Databricksは新組織として、AnthropicやGoogle Cloudは職種採用として——濃淡は異なるものの、各社が実装機能をソフトウェア・ビジネスの中心に据え始めている。各社が互いをどこまで意識したのかを公表資料から因果として読み取ることはできないが、実装を収益の中心に据え直す動きが同時多発的に起きていること自体は、確かな事実である。

    なぜ、これほどの資本と人材が「売ったあと」に注がれるのか。それは、そこにこそ収益の質を決めるものがあるからだ。独立系のリサーチノート Second Order Labs は、この点を挑発的にこう言い表している——AI契約からフォワード・デプロイド・エンジニアを引き剥がすと、その ARR は緩やかに縮むのではなく、蒸発する、と。やや誇張を含んだ比喩ではあるが、この一文は本質を突いている。裏を返せば、FDEこそが、剥がれにくい収益を作っている、ということだ。

    図1: SaaSの分業モデルとFDEモデルの比較。提供の形の観点では、SaaSは完成品を売りカスタマーサクセスが利用を広げるのに対し、FDEは現場で業務を再設計しながら実装する。職能の境界の観点では、SaaSは作る人と届ける人が分かれるのに対し、FDEは探索・実装・製品への還流が融合する（価値発見）。価値が生まれる時点の観点では、SaaSは契約の時点でほぼ完成しているのに対し、FDEは売った後、導入の現場で価値が作られる。収益の質の観点では、SaaSは剥がれやすいExperimental ARRになりやすいのに対し、FDEは剥がれにくいEmbedded ARRを作る。価値は売った後、現場で作られる。

    3. FDEが作るもの——Experimental ARR を Embedded ARR に変える

    前稿で、AI企業の ARR には、実験的で剥がれやすい収益（Experimental）と、業務に埋め込まれて残る収益（Embedded）が混じり始めた、と書いた。FDEがやっているのは、まさにこの前者を後者に変える作業である。三つの側面から見ると分かりやすい。

    第一に、持続性。FDEは、一度きりの実証実験（PoC）の予算でしかなかった支出を、毎年の運用予算へと移す。話題で導入されただけのツールは半年で消えるが、現場の業務に組み込まれたものは、翌年の予算にあらかじめ織り込まれる。

    第二に、拡張。最初は一部署・一用途で始まった導入を、FDEは隣の部署、別のワークフローへと広げる。顧客の中で利用が面的に広がれば、その収益は簡単には剥がれない。

    第三に、モデル代替への耐性。基盤モデルが乗り換えられ、推論コストが下がっても、顧客の業務データ・運用ノウハウ・意思決定フローとの接点が手元に残れば、収益は残る。前稿で「価値はモデルではなく業務への埋め込みに宿る」と書いたが、その埋め込みを実際に手で作っているのがFDEだ、と言い換えてもいい。

    興味深いのは、この見方が、実装現場の観察からも裏づけられていることだ。SaaSの成長分析で知られる Kyle Poyar（Growth Unhinged）と ChartMogul が約3,500社の解約データを分析した調査は、安く簡単に買えるAI（月額数十ドル）ほど1年で大半の収益が失われる一方、月額数百ドル以上の関係はSaaS並みに残る、と示していた。そのうえで Poyar は、AIが原理的にできることと、顧客が現場で実際に得られる成果とのあいだのギャップを、実装の伴走によって埋めることが、解約への有効な備えになる、と論じている。そして、その伴走の担い手として名指しされるのが、FDEである。

    4. ただし、FDEには三つの罠がある

    ここまでを読むと、FDEは万能薬のように見えるかもしれない。だが実際には、同じ職能が企業を逆方向へ——スケールしない低粗利のビジネスへ——引きずり込む力も持っている。本稿がFDEを礼賛しない理由は、ここにある。罠は主に三つある。

    罠①：受託化リスク。 顧客ごとに個別対応を重ねすぎると、その会社はソフトウェア企業ではなく、実質的にシステムインテグレーター（SI）や受託開発の会社になる。前節で引いた「ARRが蒸発する」という指摘には、続きがある。もし収益の大半が、サブスクリプションの形をした個別実装の労働で成り立っているなら、それは「サブスクに見えるコンサルティング」ではないか、という問いだ。診断は意外に単純で、成長するにつれて実装労働のコストが収益に占める比率が上がっていくなら、その会社はソフトウェアではなくコンサルティングをスケールさせている。

    罠②：粗利率リスク。 高単価のエンジニアを顧客に張り付ければ、当然コストは重くなる。実際、AI企業の粗利率は推論コストの影響もあって50〜60%程度にとどまり、従来のSaaSの60〜80%超という水準には届かない、という指摘は根強い（この推論コストの話は前稿でも触れた）。FDEの人件費は、その上にさらに乗る。

    だが——ここが本稿の核心だが——この罠②は、無条件には成り立たない。FDEモデルの原型である Palantir は、FDEを大量に抱えながら、粗利率80%超を維持し、直近の四半期では調整後の営業利益率が6割に達し、市場からは極めて高い評価倍率を与えられている。実装比率が高い会社が、必ずしも低粗利・低評価に沈むわけではないのだ。

    罠③：プロダクト化失敗リスク。 そして、この罠②を分ける鍵が、罠③にある。現場で得た知見が、テンプレートや共通モジュール、業界別のパターンとしてプロダクトに戻らなければ、会社はスケールしない。調査会社の Constellation Research は、FDEが「不完全なツールや不安定なプラットフォームを覆い隠す“人間のミドルウェア”」になりかねないと警告し、それが単なる高級な統合作業に留まれば、いずれ役割そのものが失敗する、と指摘している。a16z も、FDEを独立したサービス部門に切り離すと、現場の学びが製品に還流しなくなり、会社は純粋なサービス業へ漂流する、と注意を促す。ここから、一つの診断基準が導ける——プロダクトの成熟と、人手による関与のギャップが時間とともに広がっていなければ、その会社は事実上サービス企業になっている、ということだ。

    つまり三つの罠は独立していない。プロダクト化に失敗すれば（罠③）、粗利は下がり続け（罠②）、会社は受託業へ漂流する（罠①）。逆に、実装の知見をプロダクトに戻し続けられれば、Palantir のように、実装企業でありながら高い粗利を保つこともできる。

    なお、念のため付言しておくと、「AIエージェントが実装を自動化すれば、そもそもFDEのような人間は要らなくなる」という見方もある。だが現時点では、FDE職の求人はむしろ急増しており、実装できる人材こそが普及の律速要因になっている、という逆向きの観察のほうが優勢だ。実装の自動化が進む余地は認めつつも、「だから不要になる」と断じるのは、いまのところ早い。

    5. 分かれ目は、FDEを学習ループに変えられるか

    では、高粗利の実装企業と、低粗利のSI企業を分けるものは何か。それは、FDEを持っているかどうかではない。持ったFDEを、個別実装を再利用可能な資産に戻し続ける学習ループに組み込めているかどうか、である。ここで言う高粗利の実装企業とは、実装を人手で積み上げる会社ではない。実装を通じて、次の顧客では人手を減らせる会社のことだ。

    この学習ループは、抽象論ではない。FDEモデルの普及を分析した a16z は、成功している組織にはいくつかの明確な制約が課されている、と観察している。たとえば、導入を無限に続けず、「90日で本番に乗せる」といった期限を切ること。四半期ごとに、その場限りで書いたコードを、再利用できる設定やテンプレートに畳み直すことを目標に据えること。そして、個々の実装を、小さく再利用可能な部品（データモデル、権限設計、ワークフロー・エンジンといった基本要素）の組み合わせとして作ること。Palantir が自らのモデルを「砂利道を舗装路に変えていく作業」と表現したのも、同じ発想だ。最初の顧客では手作業だったものが、次の顧客ではプロダクトの機能になり、その次ではもっと速くなる。実際、同社が上場時に開示した資料でも、経験を重ねるほど一つの顧客を立ち上げるのに必要なエンジニアの手間が減っていったことが示されている——実装がプロダクトに吸収されていく過程の、財務上の痕跡である。

    管理指標も変わる。個別案件の粗利だけを見ていると、この学習ループは回らない。見るべきは、その実装から生まれた知見が、次の顧客でどれだけ再利用されたか——将来の再利用率のほうである。突き詰めれば、FDEを正しく設計した会社が売っているのは「人月」ではなく、「再現可能な業務パターン」だ。人を張り付けて売上を立てるのではなく、張り付けた人が持ち帰った学びを、次の売上の原価を下げる資産に変えている。

    この違いは、外からは見えにくい。同じ「FDEを100人抱える会社」でも、片方はプロダクトが実装のたびに強くなり、もう片方は実装のたびに保守しきれない個別対応が積み上がっていく。前者は時間とともに実装が軽くなり、後者は重くなる。数年後に、片方は高粗利のソフトウェア企業として、もう片方は低粗利の受託企業として評価される。分かれ目は、最初から組織の設計に埋め込まれている。

    図2: 同じFDEを持っていても、低粗利のSI企業へ漂流するか、高粗利の実装企業に育つかが分かれる。個別実装の扱いの観点では、その場限りで積み上がるSI企業に対し、実装企業は再利用可能な資産に戻す。次の顧客の観点では、SI企業は同じ手間を繰り返し実装が重くなるのに対し、実装企業は手間が減り実装が軽くなる。見る指標の観点では、SI企業は個別案件の粗利を見るのに対し、実装企業は将来の再利用率を見る。売るものの観点では、SI企業は人月を売るのに対し、実装企業は再現可能な業務パターンを売る。分かれ目は、FDEを学習ループに変えられるかどうかの設計にある。

    おわりに：AI企業は、SaaS企業か、実装企業か

    生成AIの時代に、企業の価値がどこに宿り（記事一本目）、それをどう測り（記事二本目）、そして誰がどう作るのか（本稿）——という三つの問いを、ここまでたどってきた。三つを貫くのは、価値がプロダクト単体から、実装・横展開・収益化を担う組織能力へと移りつつある、という一つの構造である。

    だからこそ、AI企業を「SaaS企業か、実装企業か」という古い二分法で捉えるのは、もう適切ではないのかもしれない。剥がれにくい収益を作れる会社は、実装企業の泥臭さと、ソフトウェア企業のスケール経済を、同じ組織の中で両立させている。その両立を可能にするのが、FDEを学習ループに変える設計であり、それができない会社は、実装の重さだけを抱えてSI業へと沈んでいく。

    FDEは、AI時代の魔法の杖ではない。だが、正しく設計できる会社にとっては、剥がれにくい収益を作るための、いまのところ最も現実的な組織能力である。「価値は売ったあとに作られる」という言葉は、裏を返せば、売ったあとに価値を作れる組織を持たない会社は、どれだけ優れたモデルを持っていても、その価値を自分の収益として留めておけない、ということでもある。

    この視点は、AIを売る側や投資する側だけのものではない。AIを買う側から見れば、問うべきことは「FDEがいるか」ではない。そのFDEが、自社向けの個別対応を積み上げるだけなのか、それとも自社の業務理解をプロダクトの改善に戻してくれるのか、である。導入支援の人数ではなく、導入後にそのプロダクトがどれだけ速く賢くなっていくかを見るべきだ。前者であれば、あなたは高い実装費を払い続ける顧客のままだが、後者であれば、あなたの業務知見がベンダーのプロダクトを鍛え、巡り巡って自社の運用も軽くなっていく。

    残る問いは、では、どの業務・どの業界でこの実装深度が最も効くのか、である。すべての領域でFDEが同じ重みを持つわけではないだろう。それは、次に考えたいテーマである。

    中塚 恵介

    JAPAN AI CFO／GENIEE Group CFO。AI企業の成長戦略、資本政策、IR・資金調達、M&A、海外展開などを通じて、日本発のテクノロジー企業の企業価値向上に取り組んでいる。 前職ではグローバルベンチャーキャピタル B Capital の Japan Lead として、AI・ディープテック・クライメートテック領域を中心に、日本におけるスタートアップ投資を担当。それ以前は BCG／BCG X にて、企業の新規事業創出、事業戦略、ベンチャー立ち上げなどに従事し、構想から事業化・実行までを支援した。キャリア初期には内閣府などで政策立案にも携わった。 一貫して、資本・技術・人・制度がどのように結びつき、新しい産業や企業が生まれるのかに関心を持つ。現在は、投資・支援する立場から経営の当事者へと軸足を移し、日本からグローバルに競争力のあるAI・テクノロジー企業を生み出すことをテーマとしている。 Alpha Beyond Frontier では、スタートアップ、ベンチャーキャピタル、AI、M&A、コーポレートイノベーションを中心に、資本市場と産業構造の変化を分析・発信している。

    References

    なお本稿は、公開資料・各社の発表・VCや実務家の分析・関連報道をもとに、Enterprise AI 企業の組織能力について筆者なりの補助線を整理したものである。特定企業の非公開情報に基づくものではなく、すべて独立した一般的な構造分析である。財務数値や各社の動向は公表時点のものであり、その後の変動や前提の違いは反映していない。

    本ブログの関連記事