Alpha Beyond Frontier Insights

タグ: ベンチャーキャピタル

  • 日本の買い手は、本当に薄いのか——海外VCが押し上げる「第4の買い手層」

    日本の買い手は、本当に薄いのか——海外VCが押し上げる「第4の買い手層」

    日本の買い手は、本当に薄いのか——海外VCが押し上げる「第4の買い手層」

    はじめに：買い手は、本当に薄いのか

    日本のスタートアップM&Aについて、以前に「問題は件数ではなく買い手能力である」という整理を書いた。赤字の成長企業を継続的に買い、事業に組み込んでいく組織能力が、事業会社・PE・海外の戦略買い手のいずれの層でも薄い——という診断だった。

    この見立て自体は、いまも変えていない。ただ、あの3つの層には共通点がある。どれも「既にある大きな組織」だ、ということだ。買い手を探すとき、私たちは無意識に、スタートアップより上の階層を見上げている。

    では、買い手はそこにしかいないのだろうか。

    先に断っておくと、これから紹介するデータは、買い手が薄いという診断そのものを覆すものではない。ただ、これまで数に入れていなかった買い手がいる。

    本稿は、筆者がSSRNに公開した研究 Same Capital, Different Absorption: Foreign Venture Capital and Startup Acquisition Channels in Japan and Singapore（2026年6月）の紹介である。この研究が扱ったのは、これまでほとんど正面から測られてこなかった問いだ——VCから資金を受けたスタートアップ自身が、買う側に回るのか。そしてその買収は、どこへ向かうのか。

    結論を一行で言えば、こうなる。海外VCは、日本のスタートアップを海外へ連れ出すだけではない。日本企業を買える会社に育てている可能性がある。

    日本とシンガポールの10,051社（日本6,277社、シンガポール3,774社）を、2010年から2024年まで追った。データはPitchBookで、上場企業の分社や海外からの移転などを外すための厳格な絞り込みをかけている。

    1. 見落とされていた「第4の層」

    まず、事実から置きたい。

    日本のVC投資先スタートアップのうち、観測期間中に一度でも買収する側に回った企業は6.6%（413社）ある。100社に7社弱、と言い換えてもいい。決して主流ではないが、例外的な逸話でもない規模だ。

    そして、この比率は一様ではない。海外VCが入っていない企業では5.85%、入っている企業では13.39%——倍以上の開きがある。シンガポールでも方向は同じで、5.35%に対して8.07%だった。

    つまり、日本の買い手層を数えるとき、事業会社・PE・海外戦略買い手の3層に加えて、スタートアップ自身という第4の層が存在している。しかもその層は、海外資本が入っている企業ほど厚い。

    ここで、この第4の層がどこを買っているかを見ると、話が面白くなる。日本のスタートアップが買収した相手の所在地は、国内が81%。米国が8%、ASEANが3%、その他が8%である。最初の一件に限って国内か海外かで分けても、日本は88%が国内向けだった。

    海外の資本を受け入れた企業ほど買収する側に回り、その買収先は圧倒的に国内である。この形は、少し立ち止まって考える価値がある。

    2. 両国で同じように起きること

    順を追って分けて考えたい。海外VCが入ったときに起きることには、日本とシンガポールに共通して起きる部分と、国によって違う部分がある。

    まず、共通して起きる部分。海外VCが参加したラウンドは、調達額が大きい。日本で約+99%、シンガポールで約+106%——おおむね倍増である。これは両国で同じように観測された。

    そして、買収する側に回る確率も上がる。両国をまとめ、業種構成の違いを調整したうえで推定すると、+7.19ポイント（パーセントポイント＝比率そのものの差。6%が13%になれば+7ポイント）。もとの比率が約6%なので、およそ倍になる計算だ。

    ここまでは、直感どおりと言っていい。資本が増えれば買う体力もつく——企業金融の研究が繰り返し確認してきた関係である。

    問題は、その先だ。増えた資本は、どこへ向かうのか。

    3. 同じ企業の中で、国内と海外は別の理屈で動いている

    ここが、この研究でいちばん意外だった部分だ。先に結論を書く。

    海外買収が増える理由は、ほぼ「お金が増えたから」で説明できた。一方、国内買収は、お金が増えたことだけでは説明できなかった。

    順に見ていく。

    「海外VCを入れると、会社が海外に出ていく」——という見方は、日本ではよく聞く。海外資本が入れば、視線は海外に向き、買収も海外案件になり、いずれ会社ごと海外に持っていかれるのではないか、と。

    データを見ると、たしかに日本企業の越境買収も増えてはいる。海外VCが入った日本企業は、越境買収をする確率が+1.73ポイント高い。ここまでは直感と合う。

    ここで、ひとつ確かめたいことが出てくる。「海外VCが入った企業は、単に調達額が大きいから買収しているだけではないか」という可能性だ。資本が潤沢なら、買収相手が国内だろうと海外だろうと、買う件数そのものが増えて当然である。そこで、買収前までに調達した資本の量の違いを統計的に調整する——つまり「お金が増えたから」という影響をできるだけ取り除いて、なお差が残るかを見る。

    越境買収では、この差は消えた（−0.08ポイント、統計的に意味のある差とは言えない水準）。つまり、越境買収が増えたのは「海外VCが入ったから海外を向いた」のではなく、「海外VCが入って資本が増えたから、買収そのものが増えた」——その内訳として越境が含まれていた、という説明で足りてしまう。

    国内買収は違った。海外VCが入った日本企業は、国内買収をする確率が+6.49ポイント高い。そして資本の量を調整してもなお、+3.60ポイントが残る。減ったのは半分ほどで、残り半分は資本規模では説明がつかない。

    同じ企業の中で、国内チャネルと越境チャネルが別の理屈で動いている。越境は資本の大きさで説明できるが、国内はそれだけでは説明できない何かが残る。 「海外VCを入れると外へ出ていく」という直感は、少なくともこのデータでは支持されなかった。

    4. なぜ日本だけ残るのか——対照群としてのシンガポール

    では、その「資本の大きさでは説明できない何か」とは何か。

    これを見るために、この研究はシンガポールを対照群に置いた。シンガポールを手本として持ち出すためではない。日本の輪郭を浮かび上がらせるための比較対象としてである。

    両国は、企業の買収先が国内に向くか海外に向くかを左右しそうな条件が、揃って逆を向いている。法体系（大陸法と英米法）、事業の言語（日本語と英語）、国内IPO市場の厚み（日本は年100社を超えるが、シンガポールは年10社未満でテック企業の上場は実質国外）、そして国内市場の大きさ（日本の国内需要だけで事業が成り立つ規模に対し、シンガポールは早い段階から域外へ出ざるを得ない）。日本は「閉じた側」、シンガポールは「開いた側」に、4つとも同じ向きで並ぶ。

    結果は明快だった。シンガポールでは、海外VCが入っても国内買収への偏りが日本ほどは見られない（両国の差は−5.66ポイント、資本の量を調整しても−4.88ポイントが残る）。逆に越境買収については、両国の差は統計的に意味のある水準に届かなかった（+0.42ポイント）。シンガポール企業が越境買収に向かうのは事実だが（初回買収の63%が越境。日本は12%）、それはもともとそういう生態系だからであって、海外VCが追加的に越境へ向かわせているとまでは確認できなかった。

    つまり、日本で観測されたことは「海外VC一般の効果」ではない。日本の市場と制度の組み合わせのなかで起きている可能性が高い。

    ひとつ、正直に線を引いておきたい。2国を比べる設計では、4つの条件は常に束で動く。「言語のせいだ」「IPO市場の厚みのせいだ」と個別に切り分けることは、この設計ではできない。 4つの向きが結果と揃っていることを確認できるだけである。

    5. 何が言えて、何が言えないか

    整理すると、こうなる。同じ海外VC資本でも、企業を大きくし、買い手に変える力はどちらの国でも同じように働く。違うのは、その増えた力がどの方向へ吸収されるかだ。 日本では、それが国内買収という経路に、資本の大きさでは説明しきれない形で流れ込んでいる。

    ここから何が言えるか。

    前提として、海外VCの流入を評価するときには、「資本が入ること」と「その資本がどこへ吸収されるか」を分けて見たほうがよい。海外マネーの流入をめぐる議論は、しばしば「技術や企業が流出するのではないか」という懸念と一体で語られる。だがこのデータで観測された日本の姿は、むしろ逆に近い。海外資本を受け入れた企業の買収活動は、結果として国内企業の買収に強く向かっていた。

    そのうえで、立場別にもう一歩具体化してみたい。

    スタートアップ政策にとっては、Exitを増やす道筋がひとつ増える。買い手を厚くするというとき、議論はほとんど「大企業にスタートアップを買わせる」方向に向かってきた。だが、成長したスタートアップを次の買い手として育てる経路もある。その意味で、第4の層は、従来の買い手とは異なる評価軸を持ちうる。

    VCにとっては、投資先の成長支援がIPO支援に限られないことを示す。M&Aによる非連続な成長を選択肢に含められるかどうかで、支援の幅は変わる。スタートアップ経営者にとっては、Series B以降の選択肢に「売られる会社になる」だけでなく「買う会社になる」が並ぶ、ということだ。

    ただし規模については冷静に見ておきたい。買収した経験を持つ企業は日本全体で413社、そのうち海外VCが入っていたのは81社にすぎない。第4の層は既に動いているが、厚いとは言えない。 記事「買い手能力」の診断——買い手が薄い——は、これで覆るものではない。

    そして、言えないこと。この研究は相関を示したものであって、因果を確定したものではない。論文自身、「強い関連と、仕組みと整合的なパターン」という水準で結論を置いている。

    とくに残る可能性は、選択の問題だ。海外VCが、もともと国内で事業を統合していくタイプの日本企業を選んで投資している——という説明を、完全には排除できていない。この可能性を下げる検証は行われているが、「主要因としては支持されない」と言えるところまでで、「否定された」とは書かれていない。ほかにも、データベースの捕捉には偏りがありうること、2010年代に調達した企業の10年を超える帰結はまだ見えないことが、限界として明示されている。

    おわりに：3つの研究がつくる地図

    本稿の元になった論文は、筆者がここ数年進めてきた一連の研究の3本目にあたる。それぞれ別の問いを扱っているが、並べると1枚の地図になる。

    1本目（政府系VCはスタートアップのどの段階で効くのか）は、いつの話だった。公的資本が直接投資として入るとき、その効果はSeries Bという特定の段階に集中していた。

    2本目（政府はGPになるべきか、LPになるべきか）は、どう入るかの話だった。政府が黒子としてLPに回ると、VC会社そのものを強くするというより、VCの中で案件へのお金の配り方が変わっていた。

    そして3本目である本稿は、入った資本がどこへ向かうかの話だ。同じ資本でも、受け入れる側の制度によって、吸収される先が変わる。

    段階、チャネル、そして吸収先。資本が誰の手に渡るかだけでなく、渡ったあとどこへ流れるかを見ないと、その資本が何をしたのかは分からない——3本を通じて残ったのは、この感覚である。

    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。

    Disclaimer

    本稿は、Nakatsuka (2026) “Same Capital, Different Absorption: Foreign Venture Capital and Startup Acquisition Channels in Japan and Singapore” (SSRN: 6980818) の紹介として、独立した個人研究の立場で執筆されたものである。原論文は PitchBook の商用ディールデータおよび公開されている制度・マクロ指標に基づく観察研究であり、特定のファンド・投資家・企業・案件の内部情報には一切依拠していない。

    原論文の Declaration of Interest に記載のとおり、筆者は研究期間の一部において B Capital Group に所属していたが、本研究は Alpha Beyond Frontier の独立した学術的立場で行われたものであり、同社の見解・戦略・利益を反映しない。本研究は、B Capital Group、産業革新投資機構（JIC）、および分析対象となった企業・投資家のいずれとも関係を持たない。原稿の査読・資金提供・承認を行った第三者はなく、本研究は自己資金による。なお筆者は現在、JAPAN AI 株式会社および株式会社ジーニーに所属しているが、本研究および本稿は所属各社の公式見解を示すものではない。

    本稿で示した結果は 観察データに基づく相関関係であり、因果関係を確定するものではない。原論文自身、結論を「強い関連と、メカニズムと整合的なパターン」の水準に位置づけており、因果同定は今後の課題としている。また、2国比較という設計上、制度的条件は束としてのみ扱われ、個別の条件の寄与は識別されていない。

    本稿は投資助言・投資勧誘ではなく、特定の投資判断・投資戦略・政策を推奨または批判するものでもない。制度設計・政策議論・リサーチの前提として構造議論に寄与することを目的とし、具体的な意思決定は読者各位の独自判断によるべきものである。

    記載された見解はすべて運営者個人のものであり、いかなる組織の公式見解をも代表しない。

    References

    • Nakatsuka, Keisuke, “Same Capital, Different Absorption: Foreign Venture Capital and Startup Acquisition Channels in Japan and Singapore” (June 23, 2026). SSRN: https://ssrn.com/abstract=6980818
    • Nakatsuka, Keisuke, “Government as GP or LP? Public Limited Partner Capital Reallocates Deals within VC Firms — Evidence from Japan’s JIC” (May 2026). SSRN: https://ssrn.com/abstract=6703339

    本ブログの関連記事

  • AIはバブルか——問いが噛み合わないのは、みなが違う「段差」を見ているからだ

    AIはバブルか——問いが噛み合わないのは、みなが違う「段差」を見ているからだ

    AIはバブルか——問いが噛み合わないのは、みなが違う「段差」を見ているからだ

    はじめに：論争が噛み合わないのは、なぜか

    「AIはバブルか」という問いをめぐって、優れた論者たちが、正反対の結論を出している。

    一方には、需要の爆発的な成長を示す側がいる。対話型AIの利用者は週あたり数億人に達し、有力企業の売上は年単位で数倍に伸びている。ゴールドマン・サックスのように、AIをめぐるトークン需要が今後さらに桁違いに拡大すると見込む分析もある。もう一方には、いま積み上がっている設備投資は回収できないと説く側がいる。ジム・チャノスやマイケル・バリー等の著名な投資家は、計算資源の減価償却の重さや、投資と回収の年限のずれを指摘する（もっとも、彼らは価格の下落に賭けるポジションを取る立場でもあり、その分は割り引いて読む必要がある）。

    奇妙なのは、どちらの主張も、公開されているデータで裏づけられることだ。では、両者は矛盾しているのか。私はそうは思わない。彼らは、同じ問いに反対の答えを出しているのではなく、AI産業という積み重なった構造の、異なる場所を見ている。だから、「AIには巨大な実需がある」と「いまの投資額は回収できない」は、同時に成立し得る。

    問いを立て直そう。AIは全体としてバブルなのか、ではない。本稿は、バブルは、どこにあるのかの問いに答えたい。

    1. バブルは「層の属性」ではなく、「層と層のつなぎ目」に宿る

    AIを一枚岩とみなして「実需かバブルか」と問うことに、無理がある。AI産業は、積み重なった層でできているからだ。人々の需要があり、その上に売上があり、その上に利益があり、それらを見込んだ設備投資があり、さらにその上に評価額と資金調達がある。

    この積み重なりのなかでは、実需とバブルは共存する。ある層では期待が本物の需要に裏づけられ、同時に別の層では、期待が実態を追い越している。だからバブルは、全体の「水位」——スタックがどれだけ高く積み上がったか——には現れない。現れるのは、ある層で織り込まれた期待が、次の層の売上や利益へと「変換されない」つなぎ目、すなわち層と層の間の「段差」だ。

    念のために言えば、これはまったく新しい見方ではない。AI産業を層に分けて診断する試みは、すでに数多くある。設備投資と売上の開きを問う分析も、層ごとに成熟のタイミングが違うと指摘する議論もある。本稿が付け加えたいのは、視点を一つ動かすことだけだ——投資判断で本当に問うべきは、各層が良いか悪いかではなく、隣り合う層の期待が、互いに接続できているかである。

    2. いま、段差はどこにあるのか

    いま最も鋭い段差は、スタックの最上段にある。設備投資・評価額と、それを支えるべき実需との間だ。ベンチャーキャピタルのセコイア・キャピタルのデービッド・カーンは、AIインフラへの投資額を正当化するのに必要な売上と、実際の売上との差を問う枠組みを示した（もともとは2024年に「6,000億ドルの問い」として提起したものだ）。これをいまの規模に当てはめれば、2026年のAIインフラへの支出を正当化するには、年間で数兆ドル規模の売上が必要になる。ところが、クラウドの増加分をすべてAIに数え入れても、実際にAIに帰属する売上は、その数分の一から十数分の一にとどまる。上位層で織り込まれた期待が、下位層の売上へまだ変換されていない——これが、いま最も可視化されている段差である。

    ただし、ここで「実需」をどの層で測るかを、はっきりさせておく必要がある。データセンターの稼働という意味での需要なら、空室率は低く、実需は厚い。だが、企業の現場でAIが利益を生んでいるかという意味での需要なら、話は変わる。マサチューセッツ工科大学（MIT）の研究チームによる速報段階の調査では、企業の生成AI導入の多くが明確な損益改善に至っていないと報告された（この数字は「成功」の定義が狭く、現場に広がる非公式な利用を捉えていないという批判もあり、割り引いて読む必要がある）。使われてはいるが、利益には変換されていない。ここにも段差がある。

    もっとも、段差は固定ではない。AIネイティブ企業の顧客維持率も粗利率も、この一、二年で改善しているという報告がある。下位層は、上位層の期待に、少しずつ追いつこうとしている。問題は、追いつく速さと、投資が回収を迫る速さの、どちらが勝つかだ。

    3. 実需と過剰投資は、同時に真でありうる

    「巨額の投資が、実需に見合わない」——この構図は、歴史のなかで何度も繰り返されてきた。そして、そのたびに教えているのは、実需と過剰投資が共存し得るということだ。

    19世紀の鉄道も、2000年前後の光ファイバーも、多くの投資家に巨額の損失をもたらした。鉄道株は大きく暴落し、敷かれた光ファイバーの大半は、長らく使われないまま眠った。だが、鉄道網も光ファイバーも、その後の経済の土台として残った。光ファイバーは、約10年を経て、クラウドの基盤を支えるだけの需要にようやく使い尽くされた。インフラへの過剰投資が、後の世の社会的な基盤になることは、確かにある。

    だが、ここで大事な区別がある。社会にとって役に立つことと、最初にその投資をした資本の出し手が回収できることは、別だ。鉄道網は残ったが、多くの鉄道会社の株主は報われなかった。

    そして、AIには、過去のバブルにはなかった非対称がある。光ファイバーは、耐用年数が20年、30年と長いからこそ、「いつか需要が追いつく」まで価値を保ったまま待つことができた。ところが、AIの計算資源の中核である半導体は、数年で次の世代に置き換わり、価値の減り方も速い。需要が追いつくのを、待ってくれない。だから、「長期的にはすべて正当化される」という楽観は、AIにはそのままの形では当てはまらない。過剰に敷かれた光ファイバーは10年後に活きたが、過剰に積まれた計算資源は、10年後には陳腐化している。

    4. 崩壊が来るとしても、全層を一様には襲わない

    以上を踏まえると、問うべきは「AIはバブルか否か」ではない。どの層に段差があるか、である。

    仮に次の調整局面が来ても、それはAIの価値そのものを否定するとは限らない。歴史が示すのは、崩壊が全層を一様には襲わないことだ。過剰に敷かれたインフラは残り、後の需要に使われた。一方で、実態から離れた評価額と、期待だけで走った多くの企業は、消えた。ドットコム崩壊で株価を9割落としたアマゾンはその後に数十倍へ育ち、ペッツ・ドットコムのような企業は二度と戻らなかった。運命を分けたのは、どの層にいたかではない。

    生き残る側を予告するのは、どの段差を、すでに越えていたかだ。広がった利用を継続する売上に変えられていたか。売上を利益に変えられていたか。積んだ投資を、回収の道筋につなげられていたか。期待を、次の層の実態へと変換できていた企業は残り、変換をこれからに賭けていた企業は、調整局面でその賭けを問われる。

    おわりに：水位ではなく、段差を見る

    「AIはバブルか」。この問いに、産業全体への一括の答えはない。より正確に言えば——バブルは、スタックの高さ（水位）ではなく、層と層のつなぎ目（段差）に現れる。実需と過剰投資は同時に真であり、優れた論者たちが対立して見えるのは、それぞれが違う段差を見ているからだ。

    次の調整局面が来たとして、それはAIの価値そのものを否定するとは限らない。しかし、価値が存在することと、いまの投資額が回収されることは、同じではない。崩壊が全層を一様には襲わないのなら、生存者を予告するのは、どの層にいたかではなく、どの段差をすでに越えていたか、である。AIと資本の関係は、まだ入口にある。

    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。

    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。設備投資・売上・評価額・調達に関する数値は、公開決算・公開集計・公開報道の範囲にとどめ、一部に推計・報道による情報を含みます。空売り投資家など特定の立場からの見解は、その立場を割り引いて扱っています。「層の段差／期待の変換」という整理は、筆者が分析のために用いる視角であり、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企業の価値は、取得の仕方で失われる——AI時代のM&Aで問われる「横展開・保持・統合」の三条件

    AI企業の価値は、取得の仕方で失われる——AI時代のM&Aで問われる「横展開・保持・統合」の三条件

    AI企業の価値は、取得の仕方で失われる——AI時代のM&Aで問われる「横展開・保持・統合」の三条件

    はじめに：買収価格は、入口にすぎない

    AI企業には、高い買収プレミアムが付いている。生成AIへの期待を背景に、売上に対して従来のソフトウェア企業を大きく上回る倍率で評価される例も珍しくない。

    だが、注意したいことがある。買収価格が示すのは、あくまで「取得時点」の資産価値にすぎない。 買収したあとに、その価値が本当に手元に残り、活かせるかは、別の問題だ。とりわけAIでは、資産の価値が速く変わり、切り離しやすいため、取得時点の価値と取得後の価値が乖離しやすい。

    そのため、AI企業を評価するときは、売上や規模だけでなく、次の三つを見る必要がある。取得した資産を、①他の事業にも横展開できるか、②取得後も手元に残るか、③自社の仕組みに接続できるか。この三つが揃って初めて、支払った価格は「取得後の価値」に変わる。

    なお本稿では、法的な企業買収だけでなく、技術ライセンスの取得と中核人材の採用、大型出資など、企業の重要な資産を実質的に取り込む取引も、あわせて「取得」として扱う。AI時代には、会社を丸ごと買うより、こうした形で資産だけを取り込む例が増えているからだ。以下、実際のディールを追いながら、三つの問いを具体化していく。

    1. 高く買っても、買収した瞬間に価値が落ちることがある

    まず、直感に反する現象から始めたい。AI企業を高値で買収したのに、買収したという事実そのものが、買った資産の価値を削ってしまうことがある。

    象徴的なのが、データ関連のスタートアップ Scale AI をめぐる経緯だ。報道によれば、Meta は Scale AI に約143億ドルを出資して49％の持分を取得したが、これは議決権を伴わない少数持分であり、Scale AI 自体は別会社として存続している。創業者の Alexandr Wang らは Meta へ移り、新たなAI組織を率いることになった。ところがその後、同社の中立性を頼りにしていた顧客——Meta の競合を含む——が距離を置く動きが出た。OpenAI は取引の段階的な終了を認め、Google も関係を見直すと報じられ、Meta 内部でも一部が別のデータ供給元を使ったと伝えられている。

    これらの動きは、「特定の一社と強い資本関係を持った」という事実が、競合する顧客に中立性への懸念を生じさせ、資産の価値を損なう可能性を示している。顧客離脱のすべてがこの出資によるものか、価値が実際にどれだけ下がったかまでは、公開情報からは確定できない。だが、中立であることに価値がある資産は、中立性を疑われた瞬間から目減りし得る——この構造は見えてくる。

    これは、取得の設計を誤ると起きることだ。企業買収では、買う対象を間違えたからではなく、買ったあとの統合に失敗して価値を失う例が多い、という古くからの知見がある。AIのM&Aは、その教訓が、より鋭い形で当てはまる場面だと言える。高く買えば価値が手に入る、という単純な話ではない。

    2. AI時代のM&Aは、「会社を買う」とは限らない

    では、AI企業を買うとき、企業は実際に何を買っているのか。近年のディールを見ると、その形が変わってきている。

    これまでのM&Aは、事業や売上をまるごと取得するのが基本だった。ところがAIでは、会社全体ではなく、人材、モデルやデータ、そしてそれらを使うライセンスに対価が向かう形が目立つ。たとえば Microsoft は Inflection AI から中核チームを採用し、技術を使う非独占ライセンスを得た。報道によれば、支払いの大半は事業の買収ではなく、このライセンスと人材に向けられた。

    この形が極端に現れたのが、コーディング支援AIの Windsurf をめぐる経緯だ。報じられているところによれば、OpenAI による大型買収が破談になったあと、Google は同社の一部技術の非独占ライセンスを得て、経営トップや共同創業者、一部の研究開発人材を採用した。一方、製品・知的財産・ブランド・顧客基盤を含む事業そのものは、別の企業 Cognition が買収した（Cognition は、残った事業のARRが約8,200万ドル、企業顧客が350社以上だったと公表している）。つまり、中核人材と一部技術へのアクセス、そして残された製品・IP・顧客基盤が、異なる取引を通じて別々に値付けされたわけだ。一つの会社のなかにあった人材、技術、製品、顧客基盤が分解され、それぞれ異なる価値として取引されたのである。

    3. 「横展開できるか」と「買収後も残るか」は、別のことだ

    ここで、買収資産を測る二つの軸を区別しておきたい。

    一つは、その資産を他の顧客や製品へ横展開できるかだ。たとえば、ある顧客向けに蓄積した業務データや品質評価の仕組みを、別の顧客・製品・業界にも展開できれば、対価に見合う。これは、ある資源を別の用途へ再配置できるかという、経営学で以前から論じられてきた見方に近い。

    もう一つは、その資産が買収後も手元に残るかだ。人材は辞め、データは古くなり、顧客は離れていく。

    この二つは、実は必ずしも一致しない。人材流出や顧客離反は従来のM&Aにもあった問題だが、AIではその速度が際立って速い。傑出した研究者を手に入れても数年で去り、独自データも急速に陳腐化し、顧客は容易に乗り換える。実際、大手に取り込まれたAIチームから中核メンバーが相次いで離脱した例は、珍しくない。横展開できることと、手元に残ることは、別の問題なのだ。 売上や人材の「規模」は買収時点の価値を示すが、それが横展開でき、かつ残るかどうかは、価格表には表れない。

    4. 問うべき三つの質問

    以上を踏まえると、AI企業のM&Aで確認すべきことが、冒頭に挙げた三つに戻ってくる。

    第一に、その資産は他の事業へ横展開できるか。第二に、買収後も手元に残るか。第三に、その資産を自社の学習と展開の仕組みに接続できるか。三つ目の「接続」とは、たとえば取得した品質評価の基盤を自社モデルの改善に組み込み、顧客接点を既存の販売・導入網に載せ、そこで得た知見を次の顧客や製品でも使える状態にすることだ。買った資産を、企業の成長の仕組みそのものへ変換できるか、と言い換えてもいい。

    売上シナジーの試算だけでは、この三つには答えられない。どれか一つでも欠ければ——横展開できない資産を買う、残らない資産に払う、統合を誤って資産を減価させる——支払った対価は入口の価格を回収できない。問われているのは、買収前に見えていた価値を、買収後にも残すための「取得の設計」である。

    そして、この視点は企業買収だけに限られない。AI企業への出資、業務提携、外部AIの導入でも、相手がいま持つ機能だけでなく、その資産が自社のなかに残り、継続的に活用できる形になっているかを確認する必要がある。

    ただし、正直に線を引いておきたい。この見方が、すべてのAI買収に当てはまるわけではない。安定した継続収益と高い定着率を持つ業種特化型のAIや、基盤インフラをまるごと取り込む買収では、従来どおり「事業と売上を買う」ロジックがなお有効に働く。市場がAIにプレミアムを払うのも、すべてが幻というわけではない。本稿の視点がとりわけ効くのは、資産が揮発しやすく、統合の巧拙が価値を大きく左右する領域——人材やモデル、データを軸にした、フロンティアに近い買収である。

    おわりに：買収価格は入口、取得の設計が価値を決める

    AI企業のM&Aで、企業は表面的には会社や売上を買っている。だが実際に価値を左右するのは、その背後にあるデータ・評価基盤・人材・顧客接点を、買収後にも残し、横展開できる形で取得できるかどうかだ。AIでは資産の価値が速く変わり、切り離しやすい。だからこそ、優れた資産を高く買っても、取得の仕方しだいで、その価値は急速に失われ得る。

    買収価格は、入口にすぎない。問われているのは、買収前に見えていた価値を、買収後にも残せるかである。

    そして、この視点は、AIをめぐる資本の動き全体をどう読むか、という最後の問いにつながる。高い評価額、巨額の買収、加熱するM&A——それらは実需を映しているのか、それとも先取りされた期待なのか。稿を改めて、AIバブルがどこに現れるのかを考えたい。

    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。特定企業の買収・出資・ライセンス取得等に関する記述は、公式発表・公開報道の範囲にとどめ、持分比率・金額の内訳や取引後の経緯には報道による情報が含まれます。取引の意図・動機、および資産価値への影響については、公表・報道された範囲を超えて断定していません。「横展開・保持・統合」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

  • Vertical SaaSはAIに飲み込まれるのか——勝敗を分ける「事業モデル債務」

    Vertical SaaSはAIに飲み込まれるのか——勝敗を分ける「事業モデル債務」

    Vertical SaaSはAIに飲み込まれるのか——勝敗を分ける「事業モデル債務」

    はじめに：問いを立て直す

    生成AIがソフトウェア業界を揺らすなかで、よく聞く対立の立て方がある。身軽なAIネイティブの新興企業が、旧世代の業種特化型ソフトウェア（Vertical SaaS）を飲み込んでいく——という図式だ。

    だが、この対立だけでは、本質を十分に捉えられない。既存のVertical SaaS企業は、長年ためてきた業務記録、深い顧客関係、確立した販売網を持ち、本来なら新規参入者に対して有利なはずだ。それでも、その優位を生かせずに、次第に価値の薄い役回りへ押しやられる企業が現れている。なぜか。

    価値がAIの時代にどの層へ移るのかという産業構造の話は、稿を改めて論じた（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、という「責任の境界」の議論だ）。本稿で扱いたいのは、その先である。有利な位置にいる既存企業は、なぜその優位を生かせないのか。 答えを先に言えば、明暗を分けるのは、AIネイティブかどうかでも、記録を持っているかどうかでもない。その記録を、AIによる業務の「実行」へと変えられるか。そして、それを妨げる自社の仕組みを組み替えられるかである。

    1. 記録を持つことは、有利だが十分ではない

    業種特化型のソフトウェアは、その業界の業務が流れ込む「正式な記録の担い手（system of record）」であることが多い。会計ソフトには取引が、建設管理ソフトには現場の工程が、医療ソフトには診療の記録が、日々書き込まれていく。この蓄積は、外から買ってきたデータでは代替しにくく、エージェントが賢くなるほど、動くための土台となる記録の価値はむしろ上がる、という見方には理がある。

    問題は、記録を「持っている」ことと、それを「使って業務を終わらせる」ことの間に、大きな隔たりがあることだ。ここでいう「実行」とは、記録を読むことではなく、記録を使って業務を完了させることを指す。会計記録を参照するだけでなく、未回収の債権を特定して督促まで行う。建設の工程を表示するだけでなく、遅延を検知して人員や資材の手配を組み替える。顧客情報を検索するだけでなく、条件に応じて見積もりや契約更新の手続きまで進める。「記録を読むAI」から「記録を使って業務を完了するAI」へ——この移行ができるかどうかが、記録の価値を左右する。

    記録を持つことは、有利ではある。しかし、それだけでは十分ではない。実際、深い記録を持っていても、その記録を実行へ接続できなければ、優位は生かせない。このことは、同じ会社の中の対照を見ると、はっきりする。

    2. Intuit——同じ会社の中で、結果が分かれた

    会計・税務ソフトウェアを手がけるIntuitは、この問題を考えるうえで示唆に富む。異なる企業を比べるのではなく、同じ会社のなかで、二つの製品の立ち位置が分かれているからだ。

    一方は、中小企業向けの会計ソフト（QuickBooks）である。ここには、日々の取引や請求が継続的に書き込まれていく。記録は深く、業務に埋め込まれ、途切れない。この領域は、AIが広がるなかでも二桁の成長を続けていると、同社の決算は示している。

    もう一方は、個人向けの確定申告ソフト（TurboTax）だ。使うのは基本的に年に一度、税務に詳しくない個人が、画面の案内に沿って申告を完成させる。提供してきた価値の中心は、「専門家でない人を手順に沿って導くこと」にあった。会話するだけで申告を進めるようなAIが広がれば、この「手順に沿って導く」価値は置き換えられやすい。実際に売上が落ちたわけではないが、市場はこの将来リスクを織り込み、Intuitの株価は2026年に入って大きく下落したと報じられている。一部のアナリストは、AIによる申告が広がれば確定申告事業の収益が将来的に目減りしうると試算している（いずれも報道・アナリストの推計であり、幅を持って読むべき見立てだ）。

    この比較から直接言えるのは、ここまでだ。深く継続する記録を握り、それが業務に埋め込まれている領域は強く、記録が薄く価値の中心が「人を画面で導くこと」にあった領域はAIに揺さぶられやすい。つまり、AIへの耐性は、記録の深さと業務への埋め込み方で変わる。

    ただし、これは製品と記録の構造の違いであって、それだけで勝敗が決まるわけではない。深い記録を持つ領域でも、その記録をAIの実行へ接続し直せなければ、優位は生かせない。ここから先は、記録の性質ではなく、経営の問題になる。

    3. 移行を妨げる、もう一つの壁——「事業モデル債務」

    記録をAIの実行へ移す。言葉にすれば単純だが、既存企業にとっては驚くほど難しい。難しさの正体は、技術だけではない。正式な記録への書き戻し、権限管理、正確性の担保、監査、例外処理など、技術的な課題も残る。だが、既存企業にとってより大きな壁になるのは、既存事業を成功させてきた仕組みそのものだ。これを「事業モデル債務」と呼びたい。

    事業モデル債務とは、既存事業を成長させるために最適化された価格、評価指標（KPI）、営業報酬、組織、売上計画が、次の事業モデルへの移行を遅らせる状態である。 これは、単なる「席課金の問題」でも、「変化を嫌う大企業病」でもない。むしろ逆で、成功してきた仕組みが合理的であるほど、移行を妨げるという逆説にこそ、この概念の要点がある。

    具体的に見てみる。多くのVertical SaaS は「利用する席数（ユーザー数）」で課金してきた。すると営業の計画も報酬も席数を増やすことを軸に組まれ、既存顧客への追加販売も、より多くの席と機能の利用を前提にする。プロダクトの評価指標は画面の利用率やログイン頻度で測られ、カスタマーサクセスや導入支援の組織も「顧客にしっかり使ってもらう」ことを前提に設計されている。すべて、席数と画面の利用を価値の中心に置いた事業を回すために積み上げられてきた仕組みだ。

    ところが、AIが業務を実行するほど、人が画面に触れる回数は減り、席数も利用率も下がる。これまで「良い数字」とされてきた指標が、移行を進めるほど悪化するのだ。営業は席の減る提案を避け、プロダクトは利用率の落ちる機能を後回しにし、売上計画は席数の前提のまま動かない。だから、移行しないことのほうが短期的には合理的に見えてしまう。有利なはずの既存企業が優位を生かせない理由は、ここにある。

    4. 何を変えるのか——「自己共食い」を具体化する

    とすれば、既存企業に求められるのは、既存収益を一部毀損してでも移行を進める判断だ。ただし、これは覚悟の問題ではなく、具体的に何の仕組みを変えるかの問題である。変えるべきものは、大きく三つに整理できる。

    評価指標を、席数や利用率から、実行された結果——完了した業務、解決した案件——へ移すこと。収益モデルを、席へのアクセスだけでなく、実行回数、処理量、完了した業務、あるいは制御可能な範囲の成果に連動する形へ設計し直すこと。すべての業務で純粋な成果課金が成り立つわけではないが、価格の重心を「使わせること」から「実行すること」へ寄せる余地は広い（価格の単位が売り手の引き受ける責任を映す、という点は別稿で論じた）。そして組織を、営業報酬を「席を増やす」から「成果を出す」へ、カスタマーサクセスや導入支援を「使ってもらう」から「実行させる」へと組み替えることだ。

    ここで、誤解を避けたい。UI（画面）が不要になる、という話ではない。 人が値を入力し、結果を確認し、例外に対処する場面は残る。AIが確率的に動く以上、人が確認し責任を負う接点はむしろ消えない。変わるのは、価値の中心がどこに置かれるかだ。「どれだけ画面に滞在し、何席使われたか」から、「どれだけの業務が実行され、成果が出たか」へ、重心が移る。言い換えれば——UIは、かつてVertical SaaS を守る堀だった。しかしエージェントへの移行局面では、その堀が、動きを妨げる壁にもなり得る。

    自社がどちら側にいるかは、三つの問いで見立てられる。第一に、エージェントが成功するほど、いまの席数や利用率は下がる構造になっているか。第二に、それでもなお、営業担当者と事業責任者は移行を推進する評価設計になっているか。第三に、自社のAIは提案や要約で止まらず、正式な記録へ書き戻し、業務を完了できるか。この三つに答えられない企業は、AI機能を追加していても、本質的な移行はまだ進んでいない。

    5. だから、結論は「消える」ではなく「分かれる」

    以上を踏まえると、「既存のVertical SaaS はAIネイティブに飲み込まれて消える」という見方は、単純すぎる。実態は、消えるかどうかではなく、分かれるというほうが近い。大きくは、二つの方向に分かれる。既存事業を守ろうとする企業は、記録を差し出すだけのデータ供給者へと役回りが痩せていく。記録は持っているのに、その上でエージェントが動き、顧客との接点はエージェント側へ移る。一方、記録をAIの実行へ移せた企業は、外部エージェントに記録を供給するだけの存在ではなく、自らエージェント層を担う業務基盤になる。

    この基盤側に残る条件は、三つに整理できる。自社が固有に生み出してきた、深く継続する記録を持つこと。その記録を、AIによる業務の実行へ接続できること。そして最も難しいのが、席や画面の利用という既存の収益源を、自ら組み替える経営判断ができることだ。前の二つは資産の問題だが、最後の一つは、事業モデル債務を引き受けて動けるかという経営の問題である。裏を返せば、AIネイティブの新規企業が必ず有利とも限らない。既存企業が握る正式な記録や規制下の信頼は、簡単には越えられない障壁になる。差がつくのは、有利な位置にいるかどうかではなく、その優位を新しい事業モデルへ転換できるかどうかだ。

    だから、こう言える。記録は、参入障壁になり得る。しかし、その記録の上に築いた既存の収益モデルが、次の事業への移行を、かえって妨げることもある。 既存のVertical SaaS が問われているのは、AI機能を足せるかどうかではなく、自社を成功させてきた仕組みを、自ら組み替えられるかどうかである。

    そして、この差は、次の論点にもつながる。自力で移行できない企業の記録や顧客基盤は、他社にとってどのような買収価値を持つのか。AIの時代のM&Aで、企業は本当は何を買っているのか。稿を改めて考えたい。

    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。特定企業の製品・業績・株価に関する記述は、公式発表・公開報道・アナリストの公開見解の範囲にとどめ、数値には推計・報道が含まれます。「事業モデル債務」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

  • そのAIの売上は、本当に定着しているのか——AI企業の価値は『剥がれにくい収益』で決まる

    そのAIの売上は、本当に定着しているのか——AI企業の価値は『剥がれにくい収益』で決まる

    そのAIの売上は、本当に定着しているのか

    はじめに：AI企業の売上は、見た目ほど同じではない

    AI企業の評価額を見ると、しばしば「バブルではないか」と言われる。Databricks は2026年2月の調達で評価額が約1,340億ドルに達し、年率換算の売上は54億ドルを超えた。数字は壮観だが、AI企業全体については、こうした成長がどこまで持続的な収益なのかを疑う声も絶えない。

    だが、本当に問うべきは「評価額が高いか低いか」ではない。市場が何を価値として見ていて、何をまだ十分に測れていないかである。AI投資をめぐる議論も、最近は単純な強気・弱気の二択から離れつつある。ゴールドマン・サックスは「まだバブルではない」としつつ将来便益の過大評価を警告し、IMFは「局所的な過熱」という表現を使う。技術革命は本物だが、その上に乗る金融的な評価には歪みが混じりうる——この温度感がいまの相場観に近い。

    そして、この問いは投資家だけのものではない。AIツールを導入する企業、AIプロダクトを売る事業会社、AI機能を自社サービスに組み込む経営者にとっても、問いは同じである。あなたの会社が先月入れたAIツールは、本当に業務に定着しているのか。それとも、話題性で導入しただけで、半年後には解約されるものなのか。見るべきは「AIを使っているか」ではなく、そのAIが顧客や自社の業務にどれだけ深く組み込まれているか——言い換えれば、その売上がどれだけ剥がれにくいかである。

    そうであれば、論点は評価額そのものではなく、評価に使う物差しに移る。資本市場はAI企業を、どの言語で測っているのか。そして、その言語はAIにそのまま通用するのか。

    1. SaaSの物差しは、AIにそのまま効くのか

    ソフトウェア企業は長らく、共通の言語で評価されてきた。ARR（年間経常収益）、売上成長率、NRR、粗利率、Rule of 40、そしてそれらに基づく売上マルチプル（EV/ARR）。なかでもNRRは「売上継続率」とも呼ばれ、既存顧客からの売上が翌年にどれだけ残り、増えたかを見る指標である。100%を超えていれば、解約や縮小を上回って、既存顧客内で利用が広がっていることを意味する。投資家どうしが企業を比較するには、こうした共通の物差しが要る。

    AI企業も、現実にはこの言語で説明されている。市場はAI企業を別枠ではなく同じ物差しに乗せている。巨大なAIラボから、創業数年のアプリケーション企業まで、語られる言葉はARRであり、売上成長率であり、売上マルチプルだ。ベッセマーの Cloud 100（2025年）では、AI企業の平均売上マルチプルは約24倍で、非AI企業の約19倍を上回る。一見すると「AIプレミアム」が存在するように見える。

    しかしベッセマー自身が釘を刺している。プレミアムの源泉は「AIだから」ではなく、カテゴリ支配・予測可能な売上拡大・効率性であり、AIは成長の時間軸を圧縮するが、それ自体が堀（moat）を作るわけではない、と。実際、このマルチプル差はAIが当たり前になるにつれて縮みつつある。

    ここで違和感が浮かぶ。同じARRでも、中身が違うのではないか。単なるAPI利用料なのか、試験導入（PoC）の一時的な売上なのか、それとも顧客の業務に深く入り込んだ継続収益なのか。同じ「1億ドルのARR」でも、価値の質はまったく異なる。

    2. ARRが、もう一枚岩ではない

    この違和感を、最初に概念化したのは投資家側だった。アルティメーターのジャミン・ボールは、AI企業の収益の一部を ERR（Experimental Runrate Revenue＝実験的ランレート収益） と呼び、従来のARRと区別した。AI時代には、ARRに見えるものの中に、実験予算・一時的な利用・ベンダー探索的な支出が混じる。それらは従来のARRほど予測可能でも安定的でもない、という問題提起である。a16z のジェニファー・リも「すべてのARRが同じ質ではない」と述べ、AI企業のARRを額面通りに読むことへの警戒は、すでに共通語彙になりつつある。

    安く入るAIは、安く抜ける

    データもこれを裏づける。Growth Unhinged と ChartMogul の2025年の分析（約3,500社をAIネイティブ／SaaSに分類）によれば、AIネイティブ企業のNRRの中央値は約48%で、B2B SaaSの約82%を大きく下回る。さらに重要なのは、その価格帯による二極化だ。月額50ドル未満の層では、解約・縮小の影響が大きく、NRRが約32%まで落ち込む。一方、月額250ドル超の層ではNRR約85%と、SaaS並みの水準に戻る。ある投資家は、調達資料に並んだ顧客ロゴに片端から連絡を取ったところ、その大半がすでに利用を止めていた、という逸話を紹介している。

    要するに、安く・簡単に買えるAIは、安く・簡単に解約される。月額数十ドルで気軽に試せるツールほど、話題が一巡すれば静かに解約される。逆に、月額数百ドル以上を払い続けてもらえる関係は、すでに業務の一部になっている。同じ「経常収益」に見えても、その粘りはまるで違う。

    つまり、AI時代に起きているのは「ARRが無意味になった」ことではない。ARRという同じ言葉の中に、実験的で剥がれやすい収益と、業務に埋め込まれて残る収益が混在し始めたことである。

    本稿が注目したいのは、ERRの裏側にある「残る収益」のほうだ。本稿ではこれを、便宜的に Embedded ARR、つまり「業務に埋め込まれた、剥がれにくい収益」と呼ぶ。問うべきはARRの大きさではなく、そのARRがどれだけ顧客の業務・データ・意思決定フローに埋め込まれているか、である。

    念のため付け加えておくと、Embedded ARR という言葉自体は、本稿での便宜的な呼び方にすぎない。重要なのは新しいKPIの名前を増やすことではなく、AI企業のARRを、実験的に積み上がったものと、業務に埋め込まれて残るものに分けて読むことである。スローガンにするなら、「ARRは死んだ」ではなく「ARRを分解せよ」だ。

    3. Embedded ARR をどう読むか：3つの差分

    では、ARRの「剥がれにくさ」は何で見分けるのか。本稿は3つの観点を置く。

    第一に、Durability（持続）。契約が更新されるだけでなく、実験予算が本番予算に移っているか。一度きりのPoC枠から、毎年の運用コストとして組み込まれた支出へと性質が変わっているか。更新コホートやGRRに表れる。

    第二に、Expansion（拡張）。導入が1部署・1用途にとどまるのか、複数部署・複数ワークフローへ広がるのか。Databricks が2026年2月時点でNRR140%超、1,000万ドル以上を支払う顧客を70社超抱えると公表しているように、顧客内で利用が面的に広がる構造は、収益の剥がれにくさに直結する。

    第三に、Model-substitution resistance（モデル代替耐性）。基盤モデルが乗り換えられ、推論コストが下がっても、顧客接点・業務データ・運用ノウハウが手元に残るか。これは前稿で論じた「価値はモデルではなく、業務への埋め込みに宿る」という視点の、評価側への翻訳にあたる。モデルの差別化ではなく、モデルが変わっても残るものを評価する、という発想である。

    問題は、資本市場がこの3つを直接は観測できないことだ。だから市場は、代理変数を読む。NRRが高ければ、顧客内で利用が広がっている可能性がある。粗利率が改善していれば、推論原価を吸収できるプロダクト構造を持つ可能性がある。エンタープライズ比率や顧客ロゴの質が高ければ、ミッションクリティカルな領域に入り込んでいる可能性がある。逆にCapexや推論コストが重ければ、成長しても利益が残りにくい可能性がある。

    いずれも「可能性」であって、確定した観測ではない。代理変数は本体ではない。だが、ARRを一枚岩として見るより、これらの代理変数を通じて質を読み分けるほうが、AI企業の価値の所在にはるかに近づける。

    図1: Experimental ARR（剥がれやすい収益）と Embedded ARR（剥がれにくい収益）の対比。持続の観点では、実験予算で試して終われば消える収益に対し、本番予算として毎年の運用費に組み込まれる収益。拡張の観点では、1部署・1用途にとどまる利用に対し、複数部署・複数業務へ広がる利用。モデル代替耐性の観点では、モデルが変わると一緒に剥がれる収益に対し、モデルが変わっても顧客接点・データが残る収益。現れる指標としては、低NRR・短い更新（月50ドル未満で約32%）に対し、高NRR・継続拡大（月250ドル超で約85%）。ARRの大きさより、剥がれにくさを読む。

    4. 三つの層：価値の剥がれにくさは、どこで決まるか

    AI企業をひとくくりに語ると、この読み分けはかえって難しくなる。スタックの層によって、収益の質も評価のされ方も大きく異なるからだ。便宜的に三層に分けてみる。

    Layer 1：Model / Compute（モデル・計算基盤）。モデルそのもの、GPU、推論基盤。売上ポテンシャルは巨大だが、価格競争とCapex負担に強く晒される。2026年5月に上場した Cerebras は、第1四半期に売上を前年比でほぼ倍増させながら、通期の調整後粗利率見通しが第1四半期の47%から38〜41%へ低下することを嫌気され、決算後に株価が時間外で約10%下落した。成長していても、粗利構造に不安があれば市場は容赦なく反応する。

    Layer 2：Data / Workflow Infrastructure（データ・業務基盤）。データ基盤や運用基盤の層は、モデルが入れ替わっても残りやすい。顧客のデータと業務がそこに蓄積され、乗り換えコストが高くなるからだ。Databricks の評価額1,340億ドルは、年率換算売上約54億ドルに対して、単純計算でおよそ25倍にあたる。同じデータ領域でも Snowflake の売上マルチプルはこれを大きく下回る水準とされる。両者の差をすべてAIだけで説明することはできないが、少なくとも市場が「AI時代のデータ・業務基盤」としての位置取りを大きく評価していることは読み取れる。

    Layer 3：Embedded Vertical AI（業務特化型AI）。一見すると市場規模が小さく見える層だが、特定業界の業務に深く入り込めば、解約耐性と横展開余地は大きい。たとえば、建設現場の見積・工程管理、医療機関の文書作成、製造業の品質管理、自治体の申請処理、法務部門の契約レビューのように、特定業務のデータ・承認フロー・例外処理に入り込むAIである。汎用チャットボットの一般利用とは、収益の粘りが違う。垂直特化型SaaSのうちNRRが115%を超える企業は、水平型に対して25〜30%の評価プレミアムを得るという集計もある。TAMが大きく見える層ほど価格競争に晒され、TAMが小さく見える層ほど、剥がれにくい収益を積みやすい場合がある——これは直感に反するが、収益の質という観点からは筋が通る。

    ただし、ここで言い切りは避けたい。第一に、Layer 1とLayer 2を一緒くたにはできない。GPU・電力・データセンターといった「つるはしとシャベル」は、むしろ商品化と価格競争のリスク側にある。第二に、「インフラ層なら安全」とも限らない。ゴールドマンの集計では、GPUや電力、データセンターなどのAIインフラ関連株の年初来上昇率が約44%に対し、2年先の利益予想の伸びは約9%にとどまる。設備投資の伸びが鈍れば、これらが一斉に評価を切り下げられる可能性は残る。光ファイバー（2000年）やクラウドの過剰供給が辿った道だ。第三に、Layer 3の優位も無条件ではない。差別化が同じ基盤モデル上の機能（feature）にすぎなければ一時的で、独自データに支えられて初めて持続する。実際、買い手の8割が「AIによる商品化」をソフトウェア評価の最大リスクに挙げるという調査もある。

    図2: AI企業の三つの層と、収益の剥がれにくさ。Model/Compute層（モデル・計算基盤）は価格競争とCapex負担に強く晒され、粗利低下で評価が急落しやすい（例：Cerebras）。Data/Workflow層（データ・業務基盤）は囲い込みで乗り換えコストが高く、モデルが変わっても残りやすい（例：Databricks）。Embedded Vertical AI層（業務特化型AI）は機能だけなら商品化リスクがあるが、独自データと業務への埋め込みがあれば条件次第で剥がれにくい。TAMの大きさと、剥がれにくさは逆を向くことがある。

    おわりに：ARRの大きさから、ARRの剥がれにくさへ

    AI企業の粗利率をめぐる議論も、この「読み分け」を後押しする。a16z が2020年に指摘した「AI企業の粗利はSaaSより薄い」という見立ては、当時はLLM普及前のものだったが、いまも部分的に当たっている。ICONIQの2026年の調査では、AIプロダクトの粗利率の中央値は約52%で、成熟SaaSの70〜80%には届かない。推論コストが重く、AIプロダクトの総コストの2割超を占めるとされるためだ。一方で、推論コストは年単位で大きく下がり続けており（いわゆるLLMflation）、粗利は改善の途上にある。つまり粗利率もまた、一枚岩のARRと同じく、層とプロダクト構造によって大きく割れる指標である。

    資本市場は、AI企業の価値をまだ直接は測れない。だからARR、成長率、粗利率、NRR、Capex負担といった、SaaS時代から続く代理指標で測っている。それ自体は誤りではない。誤りがあるとすれば、ARRを一枚岩として、その大きさだけを読むことだ。

    実務に引き寄せれば、AI企業やAIプロダクトを見るときに問うべきことは、意外にシンプルである。第一に、その売上は実験予算なのか、本番予算なのか。第二に、その利用は一部署に閉じているのか、複数業務に広がっているのか。第三に、明日、別のモデルに置き換わっても、顧客接点・業務データ・運用ノウハウは残るのか。この3つに答えられないARRは、見た目ほど強くない。これは自社のAI導入を点検するときにも、AIプロダクトを売る側が自分の収益を見るときにも、そのまま使える。

    AI時代、ARRは死んでいない。ただし、ARRはもう一枚岩ではない。実験的に積み上がったARRと、業務に埋め込まれて残るARRを分けて読めるかどうか——これは投資家だけの話ではなく、AIを買う側、売る側、組み込む側のすべてに関わる。市場はまだ古い物差しを使っている。だが、その物差しの読み方を変えれば、AI企業の本質はかなりの程度まで見えてくる。見るべきは「AIかどうか」ではなく、そのAIがどれだけ業務から剥がれにくいか。問われているのは新しい指標ではなく、既存の指標を質で分解して読む規律のほうである。

    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・VCのレポート・各社の発表・関連報道をもとに、AI企業の価値評価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。評価額や財務数値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