Alpha Beyond Frontier Insights

タグ: AI

  • 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

  • 生成AIはモデル単体では差別化にならない——AI企業の本当の堀はどこにあるのか

    生成AIはモデル単体では差別化にならない——AI企業の本当の堀はどこにあるのか

    生成AIはモデル単体では差別化にならない

    はじめに：モデルが横並びになる世界で、価値はどこに残るのか

    新しいAIプロダクトを立ち上げるとき、最初に悩むのは「どのモデルを使うか」かもしれない。GPT系か、Claude系か、それともオープンモデルを自前で動かすか——。だが、この選択の重みは、ここ1〜2年で急速に小さくなっている。少なくとも、モデル単体の性能差だけで長く差別化することは難しくなってきた。

    実際、基盤モデルの性能差は急速に縮まり、推論のコストは大きく下がり、オープンウェイト（モデルの重みが公開され、自前で動かせる）のモデルも商用利用に耐える水準へ達してきた。Stanford HAI の AI Index 2025 や研究機関 Epoch AI の分析も、上位モデル間の性能差の縮小と、同じ仕事をさせるコストの継続的な低下を裏づけている。要するに、どのモデルを選ぶか自体が、もはや差別化になりにくくなっているのだ。

    だとすれば、問いはこう変わる。モデルそのものが横並びに近づく世界で、生成AI企業の価値はどこに残るのか。そして——本稿がより重視するのはこちらだが——その価値のうち、投資家や買い手は何に値段をつけるのか（資本市場は何を「価値」として認識するのか）。

    先に見立てを述べておく。生成AI時代の企業価値は、モデルではなく、非公開データ・業務フロー・暗黙知・実装力に宿る。いずれも「業務に深く埋め込まれて、外に持ち出せないもの」である。そして資本がそれを価値として評価できるかどうかは、その埋め込みが「どれだけ深く、どれだけ再現困難か」にかかっている。

    1. モデルは「持ち出せる」、価値の源泉は「持ち出せない」

    モデルは、誰でも同じものを使える。APIを叩けば同じ出力が得られ、オープンモデルならダウンロードもできる。つまりモデルは原理的に「持ち出せる（portable）」資産であり、持ち出せるものはコピーされ、コモディティ化していく。著名アナリストの Benedict Evans も、基盤モデルは持続的な差別化を欠く「コモディティ的な入力」になりつつあり、価値は流通やワークフローへの統合、アプリケーション層へ移ると論じている。

    ここで一つ注意したい。これは「モデル層に価値が一切残らない」という意味ではない。a16z の Martin Casado らは2023年の時点で、生成AIのスタックそのものに自明な防御性はないとしつつ、スケール・流通・ブランドといった伝統的な堀で企業価値は築けると論じていた。論点は「モデルが無価値になる」ことではなく、「差別化の重心がモデルの外側へ移る」ことにある。

    では、その外側とは何か。本稿はそれを一つの概念で束ねたい——業務に埋め込まれて持ち出せない資産（embedded assets）である。非公開データ、業務フロー、暗黙知、実装力。これらは別々の要素に見えるが、共通点は「特定の顧客の業務のなかに深く埋め込まれていて、外から観察できず、移転に時間がかかる」という一点だ。モデルが portable なら、価値の源泉は embedded である。この対比が本稿の軸になる。

    図1: 持ち出せるモデル（portable）と、持ち出せない埋め込み資産（embedded）の対比。モデルはAPIやオープンモデルで誰でも同じものを入手でき、コピーすれば即座に再現され、単体では差別化になりにくい。一方で価値の源泉である非公開データ・業務フロー・暗黙知・実装力は、特定顧客の業務のなかにしか存在せず、外から見えず移転に時間がかかり、深く埋め込むほど堀になる。差がつくのは、モデルではなく業務への埋め込みである

    2. 埋め込み資産はどう積み上がるのか——データ・暗黙知・実装力

    埋め込み資産の中身を、もう少し具体的に見ていく。

    第一に、非公開データと暗黙知。ただし「独自データを持っていれば堀になる」という単純な話ではない。実際、公開された議論には両論がある。一方には「proprietary data こそが唯一持続する優位だ」という見方があり、他方には「基盤モデルは公開データで作られており、データ単独では複製もされ陳腐化もする」という反論がある。どちらも一理ある。重要なのは、データが業務フロー・評価基準・実装人材・顧客内での展開と結びついたときに、はじめて堀になるという点だ。生のデータそのものではなく、「誰がいつ何を正解と判断するか」という暗黙知を、業務の文脈のなかで構造化し、運用に乗せていく工程——そこに価値が宿る。この工程は外から見えず、時間がかかり、模倣が難しい。

    第二に、実装力。ここで近年あらためて注目されているのが、Forward Deployed Engineer（FDE、顧客の現場に深く入り込んで実装する技術者）という役割である。これはデータ解析企業 Palantir が確立・普及させた職種で、エンジニアが顧客の業務現場に深く入り込み、一社のために多くの機能を実装し、定着させる。Palantir 自身の説明でも、汎用プロダクトを多くの顧客へ届ける通常の開発者とは逆に、FDE は一顧客に張り付いて業務に食い込む役割だとされる。

    興味深いのは、生成AIの最前線がこのモデルに回帰していることだ。OpenAI は2026年5月、企業導入を専門に担う「Deployment Company」の設立を公表し（同社の発表によれば、数十億ドル規模の初期資本と、約150名の FDE・導入スペシャリストを擁するという）、Anthropic も Forward Deployed Engineer を公式に募集している。モデルがコモディティ化するほど、それを顧客の業務に「埋め込んで動かす」力が希少になる、という構図である。

    ここに一つの逆説がある。FDE的な実装は、一見すると「スケールしないサービス業」に見える。一社ごとに人を張り付けるのだから、ソフトウェアの高い限界利益とは相容れない。だが a16z が指摘するように、初期にマージンを犠牲にして業務へ深く埋め込むことが、結果として顧客が離れられない関係——強い堀——を生むことがある。スケールしないように見える作業こそが、最も模倣困難な資産になりうる。もっとも、これは現時点で実証された因果ではなく、サービス事業は低マージンでスケールしにくいという従来の反論も併存する、戦略的な仮説として扱うのが正確だろう。

    3. すべての Vertical AI が勝つわけではない

    埋め込み資産が価値を生むのなら、それを最も積み上げやすいのは、特定業界に特化した Vertical AI である。a16z、Bessemer、Menlo Ventures といった著名VCは近年、AI の価値が汎用モデルそのものではなく、特定業界のワークフロー・固有データ・規制要件への深い埋め込みへ移ると論じている。これは「Vertical SaaS は横断型より深い堀を持つ」という旧来の議論の、AI 時代への延長線上にある。

    ただし、ここで楽観に振れてはいけない。同じVCのなかからも、強い反対論が出ている。Foundation Capital や Theory Ventures は、基盤モデルの提供者が API の利用データから成功しているアプリを観測し、自らスタックを上がってアプリ層を飲み込んでくる「飲み込みリスク」を警告する。汎用的な知識労働をなぞるだけの薄いアプリは、モデル提供者の機能拡張に最も飲み込まれやすい。

    重要なのは、これらの論者が「Vertical AI は安全だ」とは言っていないことだ。彼らが描いているのは線引きである。すべての Vertical AI が勝つわけではない。勝ち筋があるのは、判断集約的で、顧客固有のデータが相互作用のなかで蓄積し、業務フローに深く埋め込まれる領域である。ここでいう判断集約的な業務とは、単に作業を自動化するだけでなく、例外処理、承認、責任分界、顧客ごとの判断基準が絡む業務である。逆に、定型的でルールベースの業務や、汎用的な知識をなぞるだけの領域では、固有の学習がほとんど蓄積されず、堀にならない。

    つまり Vertical AI の本質は、「業界を絞ること」自体ではない。「絞った業界のなかで、モデル提供者が再現できない埋め込み資産をどれだけ積めるか」にある。市場規模がどこまで広がるか、どの業界が最初に立ち上がるかは、上場実績の乏しい現時点では検証されていない仮説として扱うべきだが、構造としての勝ち筋の在りかは、かなりはっきりしている。

    4. 売上だけでは測れない——AI企業の価値をどう読むか

    ここからが本稿の芯である。埋め込み資産が価値の所在だとして、では資本市場はそれをどう評価するのか。

    従来のSaaSは、ARR（年間経常収益）とその成長率、そして顧客の定着を測る NRR（Net Revenue Retention＝既存顧客から得る収益が前年比でどれだけ維持・拡大したか）を中心に評価されてきた。だが生成AI企業を同じ物差しで測ると、見誤る。

    整理すると、生成AI企業を見るときは、売上がどれだけ伸びているかだけでなく、その売上が剥がれにくいか（定着）、推論の原価を食いつぶさないか（粗利）、そして一社ごとの作り込みが再利用できる形になっているか（製品化）——この三つを合わせて見る必要がある。順に見ていこう。

    第一に、ARRの質、つまり売上が剥がれにくいかどうかが違う。Kyle Poyar の集計（2025年）によれば、ARR が25万ドルを超える企業で、従来型 B2B SaaS の NRR が中央値で80%台前半であるのに対し、AIネイティブ企業では、とくに低単価で実験的に使われている層の顧客の定着（リテンション）がそれを大きく下回る。逆に、単価が高く本格的な業務利用に根ざした層では、定着は従来SaaSに近い水準まで上がる。生成AIは導入が速い分、同じ「AIネイティブ」のなかでも、実験的な支出と本格的な業務利用が混在しやすいということだ。同じ「1億円のARR」でも、業務に深く埋め込まれた剥がれにくい収益なのか、試しに使われているだけの収益なのかで、中身がまるで違う。

    第二に、粗利の構造が違う。これはすでに業界で確立しつつある視点だが、生成AIアプリは推論コスト——LLM の API やコンピュート——が売上原価（COGS）に乗る。生成AI以前から、AI/ML企業は従来SaaSより粗利が低くなりやすいという論点は指摘されていた。a16z は2020年の時点で、AI企業の粗利をおおむね50〜60%程度、従来SaaSを60〜80%超と観察していた。本稿ではこれを「LLM原価後粗利」、すなわち推論原価を引いた後に残る粗利として捉えたい。ARR が同じでも、原価を引いた後に何が残るかは大きく異なる。ただし Bain Capital Ventures が「粗利だけを見るな」と論じるように、推論単価は時間とともに下がり粗利は改善しうるため、ある時点の粗利を過度に重視するのも誤りである。

    この二つを踏まえると、埋め込みの深さを読むための補助線がほしくなる。本稿では、既存の指標に連なる二つの視点を提案したい。

    一つは「顧客内展開率」。これは SaaS で確立した NRR や expansion rate——一顧客のなかで利用がどれだけ広がるか——に連なる考え方を、Enterprise AI 向けに読み替えたものだ。一社のなかで部署を超えて使われ、業務に食い込んでいくほど、その収益は剥がれにくく、埋め込みが深いことの証になる。

    もう一つは「テンプレート再利用率」。こちらは業界標準の指標ではなく、ABF が提案する作業仮説に近い。FDE的な実装は、当初こそ一社ごとの作り込みだが、その実装をどれだけ型（テンプレート）として再利用し、次の顧客へ展開できているか——サービスがプロダクトへ転化できているかを測る目安になる。再利用率が高ければ、低マージンの実装が、将来スケールする資産へ変わりつつあるサインと読める。

    これら三つは、どれも「埋め込み資産が、どれだけ製品化され、深まり、剥がれにくくなっているか」を別々の角度から照らす。資本が生成AI企業を評価するとは、突き詰めればこの埋め込みの深さと再現困難さを読むことにほかならない。

    図2: AI企業の価値を読む評価のレンズ。従来の中心であるARRは売上の大きさと成長を測るが、深さや剥がれにくさは映らない。①LLM原価後粗利は推論原価を引いた後に残る粗利、②顧客内展開率は一顧客のなかでの利用の広がり、③テンプレート再利用率は実装を型として再利用できた度合いを示し、それぞれ収益の質・業務への食い込み・サービスからプロダクトへのスケール性を映す。ARRの大きさより、埋め込みの深さを読む

    5. M&A——評価対象は技術から人材・データ・顧客基盤へ広がる

    埋め込み資産という視点は、M&Aの読み方も変える。

    2024年以降、Microsoft と Inflection、Amazon と Adept、Google と Character.AI のように、大手テックがスタートアップの中核チームを雇用しつつ、技術を非排他的にライセンスする——完全買収ではない「ライセンス＋人材獲得」型のディールが、一つの類型として相次いで報じられた（いずれも報道ベース。なお Meta と Scale AI のように、少数出資と一部人材の移籍という、構造の異なる事例もある）。

    M&Aの実務側からも、価値の所在が動いていることがうかがえる。大手法律事務所 Skadden は2026年の解説で、AI企業の買収では価値の中核が「技術そのものよりも、鍵となる人材の確保」にある類型が現れていると指摘する。デューデリジェンスの重点も、モデルのベンチマーク上の性能以上に、学習データの権利と出所がどれだけ追跡可能か、中核ノウハウが少数の人材に集中していないか、そのモデルが実環境で性能を再現できるかへ移っているという。

    ただし、ここでも言い切りは避けたい。Databricks による MosaicML 買収のように、技術やプラットフォーム自体を主目的とする買収も実在する。実際には、技術と人材・実装力は分かちがたく結びついている。正確に言えばこうだ——AI企業のM&Aでは、技術そのものに加えて、データ、顧客基盤、業務知、そして実装済みのワークフローが評価対象になる。買い手が取りに来るのは、モデルそのものではなく、その企業が顧客の業務へ埋め込んできたものの総体である。

    6. 日本の Enterprise AI 企業は、海外の資本にどう見えるか

    最後に、この視点を日本に引きつけてみる。

    日本企業向けに深く入り込む Enterprise AI 企業が価値を作るとすれば、その源泉は日本市場の業務・規制・商習慣に特化したデータと顧客基盤になりやすい。これは前述の議論からすれば、まさに「埋め込み資産」である。だが、その価値は、誰が評価するかによって見え方が大きく変わる。ここに、見落とされがちな一つの逆転がある——同じ「ローカルな深さ」が、海外の投資家には割り引かれ、戦略的な買い手には価値として認識されるのだ。

    海外のVCにとって、日本市場に特化した深さは「読みにくい資産」に映りやすい。グローバルに横展開できるスケール性を重視する投資家から見れば、ローカルに最適化された深さは、市場の天井が低い「ローカルな堀」として割り引かれがちだ。言語と商習慣の壁もあって、その埋め込みがどれだけ深いのかを外から評価すること自体が難しい。

    ところが、同じ資産が、別の評価主体——たとえば事業会社や PE といった戦略的な買い手——には、むしろ高い価値として映ることがある。彼らにとっては、ある業界の業務に深く埋め込まれ、顧客が離れられない関係こそが、自前では作れない買収対象としての魅力になるからだ。同じ埋め込み資産でも、誰が値段をつけるかによって評価が反転する——これは日本の Enterprise AI 企業にとって、見過ごせない非対称である。

    ここに、日本の Enterprise AI 企業にとっての実務的な問いがある。自社の埋め込み資産を、グローバルなスケール性として語るのか、それとも特定領域での再現困難な深さとして語るのか。誰に価値を認識してもらうかによって、語り方も、組むべき資本の選び方も変わってくる。

    おわりに：競争は「最良のモデル」から「資本が認識できる埋め込み」へ

    生成AIの時代に、モデルそのものは差別化の中心ではなくなりつつある。価値は、業務に深く埋め込まれて持ち出せないもの——データ、業務フロー、暗黙知、実装力——へ移っていく。そして勝ち筋があるのは、判断集約的で、顧客固有のデータが蓄積し、業務に深く食い込む領域である。

    だが本稿が強調したいのは、その先だ。埋め込み資産は、ただ存在するだけでは価値にならない。資本市場がそれを価値として認識して、はじめて値段がつく。だからこそ、ARRの質、原価を引いた後の粗利、顧客内での展開、実装の再利用——埋め込みの深さと再現困難さを読むための物差しが要る。問いは「どの Vertical AI が勝つか」ではなく、「どの Vertical AI なら、資本市場で価値として認識されるのか」である。

    そしてこれは、評価する側にも跳ね返る。モデルでは測れない資産を読むには、投資家や買い手の側にも、業務への深い理解が要る——以前に本ブログで論じた「AIネイティブVC」の問いとも、ここでつながる。AIが価値の所在を「モデルの外側」へ動かすほど、それを正しく評価できる力そのものが、次の競争の焦点になる。

    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

    本ブログの関連記事

  • AI時代にVCのパワーローは弱まるのか——作業の民主化とリターンの再集中

    AI時代にVCのパワーローは弱まるのか——作業の民主化とリターンの再集中

    AIはVCのパワーローを弱めるのか——作業の民主化とリターンの再集中

    はじめに：VCは平均で語れない

    「AIがVCを変える」という議論は多い。だが、その多くは「どの業務がAIに置き換わるか」という問いに留まっている。ソーシングが速くなる、デューデリジェンス（DD）が効率化する、投資メモが自動で書ける——たしかにそうだろう。

    しかし、この問いの立て方は、VCという産業の本質を一つ見落としている。VCは、平均では語れない産業だ。リターンの大半は、ごく一部の投資先、ごく一部のファンド、ごく一部のヴィンテージ（投資年次）から生まれる。中央値のVCファンドの成績を見ても、この産業で何が起きているかはほとんど分からない。少数の極端な勝者がすべてを決める——いわゆるパワーローの構造である。

    だとすれば、AI×VCで本当に問うべきは「どの業務がAI化されるか」ではない。AIは、この極端なパワーロー構造を緩めるのか、それとも強めるのか。これが本稿の問いである。

    先に方向性だけ述べておく。本稿の見立てはこうだ——AIはVCの「作業」を民主化するが、「リターン」を民主化するとは限らない。情報処理のコストが下がるほど、最後に差をつけるのは情報処理そのものではなくなる。アクセス、創業者から選ばれる力、独自データの蓄積、LPから資本を預かる信用——こうしたより希少なものに価値が移り、結果としてパワーローは弱まるどころか、むしろ強まりうる。これは確定した未来ではなく、構造から導かれる一つの仮説である。

    1. パワーローは3つのレベルで働いている

    VCのパワーローは単一の現象ではない。少なくとも3つのレベルで、それぞれ別のデータが同じ構造を示している。

    第一に、投資先（企業）のレベル。少数のホームラン企業がファンド全体のリターンを決める。Commonfund（CF Private Equity）は、35年分のVC投資データベースを分析し、各ヴィンテージの投資期間で平均して上位15の投資先企業が総価値の約38%を生み出し、その15社は投資元本ベースでは全体の1〜2%未満に過ぎなかったと整理している。価値の3分の1強が、コストの1〜2%から生まれる。ここで言う「上位15」はファンドや運用会社ではなく、あくまで個別の投資先企業である点に注意したい。

    同じ方向の観察は AngelList の分析にもある。シード/アーリーステージのリターンは極端に裾の重いパワーロー分布を示し、シミュレーション上は、市場全体に広く分散する（インデックス的な）投資戦略が、おおよそ4分の3のアーリーステージVCマネージャーを上回りうるという。言い換えれば、市場平均を超えるにはトップクオータイル（上位25%）に入る必要がある。ただしこれはシード段階に限定された、シミュレーションを含む結果であり、後期ステージでは同じ優位は成立しない点は補足しておく。したがって、AIが投資先レベルのパワーローを変えるには、単に多くの会社を見つけるだけでなく、この上位数社に早く、深く、かつ実際に投資できる必要がある。

    第二に、ファンドのレベル。投資先だけでなく、ファンドどうしの間にもパワーローがある。Carta が2025年末時点で集計した2019年ヴィンテージのVCファンドの成績（TVPI）を見ると、分布ははっきりと右に裾を引いている——90パーセンタイルが3.01倍、75パーセンタイルが1.9倍、中央値が1.33倍、25パーセンタイルが1.02倍。注目すべきは、上位25%から上位10%へ駆け上がる際の伸び（1.9→3.01倍）が、中央値から上位25%への伸び（1.33→1.9倍）よりはるかに大きいことだ。差は上に行くほど開く。なお TVPI は未実現の評価額を含む倍率であり、実際に分配された確定リターン（DPI）とは異なる。Carta 上で追跡されるファンド群に基づく数字である点も併せて踏まえたい。AIがファンドレベルの格差を縮めるには、中央値ファンドの作業効率を上げるだけでは足りず、トップデシル（上位10%）に入る確率そのものを変えなければならない。

    第三に、ヴィンテージのレベル。いつ投資したか——その年次そのものにもリターンは偏る。StepStone は2000〜2022年の1,000本超のVCファンドを分析し、リターンの80%が、計23のヴィンテージのうちわずか5〜7（全体の約22〜30%）から生まれていたと報告している。これは個別ファンドの優劣とは別の軸で、「良い時期に資本が入っていたか」がリターンを大きく左右することを示す。なお、ここでの「リターン」は一般的なIRRやTVPIそのものではなく、各ヴィンテージの寄与度を全体に対して測った独自指標に基づく。AIがヴィンテージの偏りを乗り越えるには、市場が冷えた年次にも勝てる案件を選び抜く——タイミングの不利を銘柄選択で覆す——力が要る。

    投資先、ファンド、ヴィンテージ。レベルは違っても、現れているのは同じ一つの構造だ——少数が大半を生む。VCのAI化を考えるとは、この3層構造に対してAIが何をするのかを考えることに他ならない。

    図1: VCのパワーローは投資先・ファンド・ヴィンテージの3つのレベルで働く。投資先レベルでは上位15社が総価値の約38%（投資元本では全体の1〜2%未満、Commonfund）、ファンドレベルでは2019年ヴィンテージのTVPIが中央値1.33倍に対し上位10%は3.01倍と上に行くほど差が開き（Carta）、ヴィンテージレベルではリターンの80%が23年のうちわずか5〜7年から生まれる（StepStone）。レベルは違っても「少数が大半を生む」という同じ構造が現れる

    2. AIが民主化するもの——「作業」

    まず、AIが明確に効く領域を確認しておく。VCの業務をファンド組成からExitまで分解すると、その多くは定量的・構造化されたデータを扱う「作業」である。

    ソーシングにおける候補企業の網羅的な発掘とスクリーニング。DDの初期段階での市場規模の推計、競合マッピング、財務指標の整理。投資メモの草稿作成。LP向けレポートの作成。投資先KPIのモニタリング。これらはいずれも、情報を収集し、整理し、要約する作業であり、まさにLLM（大規模言語モデル）が得意とする領域だ。

    ここで起きているのは、明確な民主化である。かつては相応のアナリストチームを抱えなければできなかった市場調査や競合分析、投資メモ作成、LP資料の整備を、小規模なVCでも一定の品質でこなせるようになる。情報処理のコストが下がり、参入のハードルが下がる。「作業」の水準で見れば、AIはVCをよりフラットにする。

    だが、ここで立ち止まる必要がある。VCのリターンを決めているのは、作業の質だろうか。

    3. AIが民主化しないもの——「リターンの源泉」

    VCのリターンを決めるのは、良い分析だけではない。分析は必要条件だが、十分条件ではない。最後にリターンを分けるのは、極端な外れ値（ホームラン企業）にアクセスでき、そこに投資でき、保有し続けられるかである。そして、ここに関わる能力の多くは、AIで民主化されにくい。

    決定的なのは、「見つけること」と「投資できること」は違うという点だ。AIによってソーシングが改善し、見落とされていた有望企業を早く発見できるようになる。だが、本当に良い会社ほど、AIで発見可能なシグナルが出た瞬間に、他のVCからも発見されやすくなる。情報が行き渡れば、それはもはや差別化要因ではない。残るのは、創業者との関係、ブランド、意思決定の速さ、提示できる条件、そして投資後の支援能力——こうした、情報処理の外側にある要素だ。

    具体的には、トップ創業者へのアクセス、人気ラウンドで投資枠を確保する力、創業者から「この投資家に入ってほしい」と選ばれる信頼、次のラウンドを牽引できるフォローオン能力、次ラウンド投資家や買い手・上場市場への接続、そしてLPから長期の資本を預かり続ける信用。これらはAIで一夜にして獲得できるものではない。

    「独自データを持てば防波堤になるのではないか」という反論はある。EQT は2016年から自社のAI/データ組織「Motherbrain」を運営し、独自データ基盤とエンジニアリング人材を抱えて投資ライフサイクル全体にAIを活用していることを公表している。SignalFire も、約10年かけて構築したプラットフォーム「Beacon」で8,000万社を超える企業を追跡し、市場に出る前の段階でスタートアップや創業者を発掘していると説明する。こうした独自データ基盤は、たしかに一つの優位の源泉だ。重要なのはデータの量そのものよりも、ソーシングから投資、成果、モデル改善へと回るフィードバックループであり、投資後の結果データは各ファンド固有で、外部から再現できない。

    ただし、この防波堤には限界もある。VCの難しさは、候補企業データの数が少ないことではない。むしろ候補データは大量に集められる。問題は、「どの判断が正しかったのか」という正解ラベルが数年から十数年遅れて現れ、しかも真のアウトカム（ファンドを返すほどのリターンを生んだ事例）が極端に少ないことにある。この本質的なSmall-N（少数事例）の問題ゆえに、最終的な投資判断そのものについて統計的に意味のあるモデルを訓練するのは難しい。独自データが効くのは、大量の候補を絞り込むソーシングやモニタリングの局面であって、最終的な投資判断そのものではない。そして判断に近づくほど、問題はデータの量ではなく、データの解釈と文脈理解に移っていく。

    つまり、AIと独自データが優位をもたらすのは、主に「大規模ファンドどうしが同じ土俵で競う」場面である。そこでは、汎用LLMを使えること自体は急速にコモディティ化し、独自基盤とエンジニアリング組織を持つ側が差を広げやすい。

    図2: AIが民主化する「作業」と、民主化しない「リターンの源泉」の対比。ソーシング・デューデリ・投資メモ／LP報告・投資後の支援・データ基盤の各局面で、情報処理（作業）はAIで民主化されるが、トップ企業へのアクセスや投資枠、創業者を見抜く判断、LPから長期資本を託される信用、次ラウンドや買い手・市場への接続といったリターンの源泉は民主化されにくい。情報処理は民主化され、アクセスと信用はむしろ希少化する

    4. 中位は底上げされ、上位に再集中する——民主化のねじれ

    では、AIは中位・下位のVCを底上げするのか、それとも上位VCをさらに引き離すのか。両方のシナリオがありうる。

    民主化シナリオでは、小規模VCが大手並みのリサーチ力を持ち、セクター特化型VCが専門データで勝ち、新興VCがニッチ領域の外れ値を見つけやすくなる。AIは下位の底上げ装置として働く。

    再集中シナリオでは、トップVCが独自データとブランドをAIでさらに強化し、良い案件は全員に見つかるためアクセス競争が激化し、LPはAIを使ってGP（運用者）の選別を高度化させ、資金がより明確に勝てる上位GPへ集中する。

    足元の兆候：資金調達市場ですでに進む再集中

    そして、この再集中は、AIを持ち出すまでもなく足元ですでに進んでいる。2026年に入り、上位GPはかつてない規模の資金をLPから集めている。アンドリーセン・ホロウィッツ（a16z）は1月に複数戦略のファンド群で計約150億ドル、Thrive Capital は2月に約100億ドル、Founders Fund は5月に自社最大のグロースファンドで約60億ドルと、上位GPが相次いで巨額の資金を調達した。重要なのは、これがVC全体の資金が膨らむ中での出来事ではないことだ。むしろ逆で、2025年の米VCのファンドレイズ総額は2018年以来の低水準に落ち込み、組成本数はピークだった2021年の3割程度にまで減っている。その縮小する資金プールの中で、2025年前半にはわずか上位12社が調達額の半分超を占めた。お金は細りながら、一部のトップGPに吸い寄せられている。

    ただし、この集中をAIの産物と見るのは早計だ。直接の引き金は、出口（Exit）の停滞でLPへの資金還流が細り、LPがより確実なトップGPに資金を絞り込んでいることにある。AIがこの流れを生んだわけではない。だが、AIはこの流れを増幅しうる。ここに、この記事で最も興味深いねじれがある。AIが「作業」を民主化することで、中位VCの見た目は底上げされる。投資メモもLP向けレポートも、上位と遜色のない水準になる。だが、皆の作業水準が揃うと、LPの側からは逆に差別化が見えにくくなる。表面的な能力で差がつかなくなれば、LPはより確かなもの——過去の実績、トップディールへのアクセス、ブランド、独自データ基盤——を頼りに資本を配分する。底上げされた「それっぽい」中位VCではなく、明確に勝ってきた上位VCへ。民主化が、かえって資金の再集中を促しうるのだ。

    念のため強調しておくと、これは確定した予測ではない。AI×VCの結果が出揃ったデータはまだ存在せず、ここで述べているのは構造から導かれる仮説である。だが、情報格差が縮むほど残る差別化要因がより希少なものに移る、という論理は、パワーローが弱まるよりも強まる方向を示唆している。

    5. 日本のVCへの含意

    この構造は、日本のVCにとって何を意味するか。

    まず確認すべきは、汎用AIで投資メモや市場調査が速くなること自体は、決定的な競争優位ではないということだ。それは遠からず誰もが手にする。日本のVCにとって本当に問われるのは、もっと別の問いである——日本にいながら、どのパワーローにアクセスできるのか。

    具体的には、いくつかの接続が鍵になる。グローバルなAI領域の勝者にアクセスできるのか。日本発のディープテックやAIの外れ値を早く見つけられるのか。政府・大学・大企業・海外VCをつなぎ、公開市場に出る前の機会に入れるのか。そして、日本企業を買い手や顧客として動員し、投資先の成長そのものを加速できるのか。

    これらは、本ブログがこれまで扱ってきた論点と地続きである。Exit構造の問題、M&Aにおける買い手能力、政府系VCがどの段階で効くか、海外資本とのギャップ——いずれも「日本のスタートアップに、誰が・どこで・どう資本と機会を届けるか」という同じ問いの別の面だ。AIはこの構造を自動的に解決しない。むしろ、すでに希少なアクセスと信用を持つプレイヤーの優位を、より見えやすくする可能性がある。

    おわりに

    VCのAI化は、しばしば「業務の自動化」として語られる。だが、自動化が進むのは、もともとリターンを決めていなかった「作業」の部分かもしれない。

    AIはVCの作業を民主化する。それは間違いない。問題は、リターンの源泉——外れ値へのアクセス、創業者から選ばれる信頼、長期資本を預かる信用——が、その民主化の外側にあることだ。情報処理が安くなった世界で最後に残る差は、情報そのものではなく、誰がどの機会に入れるか、誰が誰から選ばれるかという、より希少で、より積み上げに時間のかかるものになる。

    だとすれば、AIはVCをフラットにするのではなく、勝てるVCと勝てないVCの差を、より見えやすくするのかもしれない。そして次に問われるのは、AIネイティブVCをどう定義するか、である。それは投資メモを速く書くVCではない。AIによって情報処理を標準化したうえで、人間にしか積み上げにくいアクセス、信用、仮説、そして資本の接続をどこで作るかを再設計するVCである。本稿が示せたのはここまでで、その先の検証は今後の課題である。

    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

    本ブログの関連記事

  • VC業務のどこがAIに置き換わり、どこが残るか

    VC業務のどこがAIに置き換わり、どこが残るか

    VC業務のどこがAIに置き換わり、どこが残るか

    Introduction

    「AIがVCを変える」という議論は多い。しかし、具体的にVC業務のどの部分がどう変わるのかについては、構造的な整理がほとんどない。

    VC業務は単一の活動ではない。ファンド組成からExitまで、情報構造が大きく異なる複数のフェーズで構成されている。定量データが豊富で自動化の効果が明確なフェーズもあれば、対人判断や暗黙知が中心で構造化になじまないフェーズもある。AIによる変化はこのフェーズごとに非対称であり、全てが等しく変わるわけではない。

    本稿では、VC業務の7フェーズを情報構造の観点から分類し、3つの問いに答える。(1) AIは現時点でどこまで実用的に使われているか、(2) 構造的にAIに置き換わりにくい領域はどこか、なぜか、(3) 5年後に何が変わりうるか。

    VC業務フェーズの全体像

    VC業務は以下の7つのフェーズで構成される。

    1. ファンド組成: 投資戦略の策定、チーム構築
    2. LP募集 / IR: 資金調達、投資家対応
    3. ソーシング: 投資候補の発掘・スクリーニング
    4. デューデリジェンス: 投資候補の精査・分析
    5. 投資委員会（IC）: 投資判断の最終意思決定
    6. バリューアップ: 投資先の成長支援
    7. Exit: IPO・M&A等による投資回収

    これらのフェーズは、情報構造の観点から2つの軸で整理できる。

    第一の軸は、情報の性質である。ソーシングやDDの初期段階では、市場データ・競合情報・財務指標など定量的・構造化されたデータが中心になる。一方、ICや創業者評価では、対面でしか得られない定性的・非構造化の情報が判断を左右する。

    第二の軸は、情報の使われ方である。同じDDでも、市場規模の推計や競合マッピングは「情報収集」であり、その情報をもとに投資するかどうかを決めるのは「判断」である。AIが得意なのは前者であり、後者には構造的な制約がある。

    この2軸の組み合わせが、各フェーズにおけるAI活用の可否を決定する。

    フェーズ 情報の性質 情報の使われ方 AI活用度（現状）
    ファンド組成 定性・関係性中心 判断 低
    LP募集 / IR 混合 収集+判断 中
    ソーシング 定量・構造化 収集 高
    DD 混合 収集→判断 中-高（収集）/ 低（判断）
    IC 定性・暗黙知 判断 低
    バリューアップ 混合 収集+判断 中
    Exit 複合 判断 低-中
    VC業務フェーズ別のAI活用度マッピング

    この表が示すパターンは明確である。情報が定量的・構造化されており、かつ「収集」が中心のフェーズではAI活用が進み、情報が定性的で「判断」が中心のフェーズでは進んでいない。

    AI活用が進んでいるフェーズ

    ソーシング——網羅性と速度の問題

    ソーシングの本質は、膨大な企業群のなかから投資候補を効率的に絞り込むことにある。企業データベース、特許情報、採用動向、Webトラフィック、SNSシグナル——いずれも構造化可能な外部データであり、スクリーニングとスコアリングにおけるAIの優位性は明白である。

    EQTが2016年から開発しているMotherbrainは、数千万社規模の企業データを分析し、報道によればEQTの投資の相当割合がこのプラットフォーム起因とされる。SignalFireはチームの約20%をデータサイエンティストやエンジニアが占め、8,000万社以上・6億人以上のデータを追跡するBeaconプラットフォームを運用している。

    ただし、これはソーシングの全てがAIに移行することを意味しない。Gompers et al.（2020）が885名のVCを対象に行った調査では、トップパフォーマーほどネットワーク経由のディールソーシング比率が高い傾向が示されている。AIが網羅性と速度を補完する一方、「まだデータに現れていない」初期ステージの案件はネットワーク経由で発掘されるという構造は変わっていない。AIソーシングとネットワークソーシングは代替ではなく共存の関係にある。

    デューデリジェンス——「収集」と「判断」の分離

    DDでは、市場規模の推計、競合マッピング、財務分析、契約書レビューといった情報収集タスクのAI化が進んでいる。通常のDDサイクルが数週間から数ヶ月を要するなかで、情報収集フェーズの速度は大幅に向上している。

    ただし、Correlation Venturesのように統計モデルを用いて共同投資判断まで行う例も存在する。同社はディール属性を大規模な歴史データベースと照合し、約2週間で投資判断を下す。もっともこれはリード投資家の判断を前提とした補完的な枠組みであり、意思決定の完全な自動化とは性質を異にする。このような試みは存在するものの、現時点では例外的であり、投資判断の中核がモデルに置き換わった事例は限定的である。

    DDにおける「判断」——創業者の動機や誠実さの評価、技術の実現可能性の見極め、「なぜ今この市場なのか」というタイミング判断——は情報収集とは質的に異なる。特にシード〜Series Aでは定量データが乏しく、定性判断の比重が大きい。DDのAI化は「情報を集める速度」を変えるが、「情報を解釈する判断」には手が届いていない。

    ポートフォリオモニタリング——構造化データの自動処理

    KPIの自動集計、異常値検知、レポート生成は、構造化データの処理そのものであり、AIとの親和性が高い。大規模ファンドはこの領域でプラットフォーム化を進めている。a16zは100名以上（ピーク時は150名規模とも言われる）の非投資プロフェッショナルを擁し、ポートフォリオ企業に対する採用・マーケティング・技術支援を組織的に提供した。Insight Partnersは約100人のOnsiteチームで、SaaS企業のGTM・プライシング・プロダクト戦略を支援している。

    これらに共通するパターンがある。情報が構造化されていること、情報収集と判断が分離可能なこと、自動化の効果が明確で測定可能なことである。逆に言えば、この3条件を満たさないフェーズでは、AI活用は構造的に進みにくい。

    大規模ファンド vs 小規模ファンドの格差構造

    AI活用の進展は、VC業界内の格差を拡大させる構造を持つ。

    大規模・レイターステージのファンドは、データ量とエンジニアリングリソースの両面で優位にある。EQT Motherbrainの専任チーム20〜30人、SignalFireのデータ・エンジニアリングチームへの組織的投資は、いずれもファンドサイズに裏付けられた体制である。独自データ基盤の構築は、ファンドサイズが一定以上でなければ経済的に成立しない。

    一方、小規模・アーリーステージのVCにとっての主戦場は、ChatGPTやClaudeなどの汎用LLMツールによる生産性向上である。DD資料の作成、市場調査のたたき台、LP向けレポートの下書き——個々のタスクは加速するが、独自データ基盤との差は埋まらない。

    より急進的なアプローチを取るのが、サンフランシスコのDavidovs Venture Collective（DVC）である。2020年設立の同社は、アナリストを全員解雇し、AIエージェントと170人以上のLP（OpenAI、Google、Meta等のエンジニアや創業者）のネットワークで代替するモデルを採った。AIがディールメモ作成やDD情報収集を自動化し、LPネットワークが案件発掘やポートフォリオ支援を担う。シードファンドで120社以上（Perplexity AI、AIチップのEtched等）に投資した実績をもとに、2025年にSeries A/B向けの7,500万ドルファンドを組成した。注目すべきは、DVCが「アナリストをAIだけで置き換えた」のではなく、アナリストの機能をAI（情報収集・処理）とLPコミュニティ（案件の目利き・創業者支援）に分解した点にある。従来のVC組織が内部に抱えていた機能を、テクノロジーとネットワークに外部化した実験と言える。ただし、新ファンドの投資実績はまだ初期段階にあり、このモデルが長期的にリターンを生むかは未検証である。

    例外はセクター特化型VCである。特定領域のドメイン知識は構造化が比較的容易であり、中規模ファンドでも効果的なAI活用が可能になりうる。ただし、現時点でこれを実証した公開事例は限られている。

    地域間の格差も顕在化しつつある。欧米ではEQTやSignalFireが具体的な成果データを公開し始めているが、日本のVC業界ではAI活用の具体的な公開事例がほぼ存在しない。汎用LLMツールの業務活用は進んでいるとみられるが、独自データ基盤の構築を公表した日本のVCは現時点で確認できない。この非対称は、ファンド規模の格差だけでなく、AI活用を競争優位として公に打ち出す文化の違いも反映している。

    「判断は人間」という前提はどこまで有効か

    従来の前提とその揺らぎ

    Gompers et al.（2020）の調査で投資判断の第1位に挙がったのは「経営チーム」であり、VCは自身の判断プロセスを「パターン認識」に近いと表現した。従来、この暗黙知は「人間にしかできない」領域として位置づけられてきた。

    しかし、この前提は2つの方向から揺らいでいる。

    第一に、人間の定性判断はバイアスから自由ではない。Kahneman（2011）が示したように、人間の直感的判断には確証バイアス、アンカリング、類似性への偏りが構造的に組み込まれている。VCの文脈では、自分と似た経歴の創業者を過大評価する、過去に成功したパターンに固執する、初期の印象に判断が引きずられるといった傾向が指摘されている。「人間の定性判断が優れている」という前提自体が、検証を要する仮説である。

    第二に、AI——特に大規模言語モデル（LLM）やVision-Language Model（VLM）——の能力が、従来「構造化できない」とされた領域に急速に拡張している。ピッチ映像から創業者のコミュニケーションの質や一貫性を分析する、膨大な市場文脈を踏まえて「なぜ今この市場か」を評価する、数千件の過去投資案件との類似性をバイアスなく比較する——これらはトランスフォーマー以前には非現実的だったが、長いコンテキストウィンドウとマルチモーダル処理の組み合わせにより、技術的には射程に入りつつある。

    つまり、「定性判断は人間が得意」という通念は、「人間の判断にもバイアスがある」「AIが文脈を扱えるようになった」という二重の意味で再検討を迫られている。

    それでも人間に残るもの

    では、AIが定性的な判断まで担えるとすれば、VCにおいて何が人間に残るのか。2つある。

    第一は、関係性の起点である。「この人と会って話してみたい」「この創業者と一緒に仕事をしたい」という意思は、分析ではなくコミットメントの表明である。VCと創業者の関係は一方的な評価ではなく双方向の選択であり、その起点となる人間同士の接触はAIに代替できない。ネットワークの価値は「情報の網羅性」ではなく「関係性を起動する力」にある。

    第二は、決めと責任である。選択肢が整理され、分析が完了した後に「これにする」と決断し、その結果に対して責任を負うこと——これは情報処理ではなく、意思と責任の問題である。VCのGPはLPに対して受託者責任（fiduciary duty）を負っており、「AIが推奨した」は責任の所在として成立しない。

    自動運転の議論と構造が似ている。かつて「人間がいないことがリスク」だった運転は、技術の進展により「人間が介在することが最大のリスク」になりつつある。VC業務においても、情報収集だけでなく判断の領域で同様の転換が起きる可能性がある。その場合、人間の役割は「判断すること」から「関係性を起動し、責任を引き受けること」へと変わる。

    5年後の仮説

    VC業務におけるAI活用の時間軸

    現状の延長線上で確度の高い変化と、不確実な変化を区別する必要がある。

    変わること（高確度）。情報収集の自動化はさらに進み、DDの初期フェーズにおける市場分析・競合マッピングの速度と精度は向上する。ポートフォリオモニタリングはリアルタイム化に近づく。汎用LLMの進化により、小規模VCでもレポーティングや初期スクリーニングの効率は上がる。これに加え、LLM/VLMの文脈処理能力の向上により、創業者評価や市場タイミングの判断といった従来「人間の領域」とされた定性判断にもAIが関与する場面は増える。人間のバイアスを補正する道具として、AIが判断プロセスに組み込まれるのは時間の問題だろう。

    変わらないこと（高確度）。創業者との信頼関係の起動、LPとの長期的なパートナーシップの構築——関係性の起点となる人間同士の接触は残る。投資委員会でのGo/No-Go判断やExit決定において、最終的に「これにする」と決断し責任を引き受ける役割も、受託者責任の構造が変わらない限り人間に残る。

    不確実なこと。AIの判断精度が人間を上回る領域がどこまで広がるかは未知数である。仮にAIがバイアスのないチーム評価や市場タイミング判断で人間を凌駕するデータが蓄積されれば、「人間が判断に介在すること自体がリスク」という転換が起きうる。その場合、VCの人間としての価値は「判断の質」ではなく「関係性の起動力」と「意思決定の責任」に収斂する。LPがGPを評価する際に、AI活用度をどの程度重視するかも、現時点では枠組みすら確立されていない。

    Implications

    VCに対して。AIが情報収集だけでなく判断の領域にも浸透するならば、VCの差別化の源泉は「判断の質」から「関係性と責任」にシフトする。創業者が「この人と一緒にやりたい」と思う存在であること、困難な局面で責任を引き受ける覚悟があること——これらはAIでは代替できない。逆に、AIを使わずに判断の精度やスピードで劣後すること自体がリスクになる時代が近づいている。

    LPに対して。GPの評価において、AI活用は「ツールを導入しているか」ではなく、「判断プロセスにおいて人間のバイアスをどう制御しているか」という問いに変わりうる。AIを活用しないGPが、バイアスまみれの判断で投資しているリスクを、LPはいずれ意識するようになるだろう。

    スタートアップに対して。ソーシングのAI化は、「データに現れやすい」企業が早期に発見される一方、「データに現れにくい」初期ステージの企業にとってはVCとの直接的な人間関係がより重要になることを意味する。

    Conclusion

    AIがVC業務において代替するのは、情報収集だけではない。定性判断の領域にもAIの関与は広がりつつあり、「判断は人間の領域」という前提自体が再検討を迫られている。

    人間に残るのは、関係性の起点——「この人と一緒にやりたい」という意思——と、責任の引き受け——「これにする」という決断とその帰結を負うこと——の2つである。自動運転と同じく、VC業務においても「人間が介在しないことがリスク」から「人間が介在することがリスク」への転換が起きうる。

    VC業務におけるAI活用を考える際に必要なのは、「AIがどこまで来たか」ではなく、「人間が不可欠な領域は本当にどこか」を問い直すことである。

    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 and Further Reading

    VC意思決定研究

    AI活用VC事例

    • EQT Motherbrain — EQTの独自ML基盤ソーシングプラットフォーム。2016年開発開始、数千万社規模のデータを分析。Henrik Landgrenインタビュー（VentureBeat）
    • SignalFire Beacon — データドリブンVCの独自データプラットフォーム。8,000万社以上・6億人以上を追跡。チームの約20%がデータサイエンティスト/エンジニア
    • Correlation Ventures — 統計モデルによる共同投資判断、約2週間の意思決定ターンアラウンド
    • Davidovs Venture Collective（DVC） — アナリストをAIエージェント+170人超のLPネットワークで代替。シード120社超投資後、$75M Series A/Bファンドを組成（FoundersToday, 2025）

    VCプラットフォームモデル

    • Andreessen Horowitz — プラットフォーム型VCの先駆。100名以上（ピーク時は150名規模とも言われる）の非投資プロフェッショナルを擁したが、近年はプラットフォーム組織のスリム化も報じられている
    • Insight Partners Onsite — 約100人のオペレーション支援チーム。GTM、プライシング、プロダクト戦略（Insight Partners公式資料）

    学術研究・書籍

    Disclaimer: 本稿における見解はすべて筆者個人のものであり、所属先を含むいかなる組織の公式見解でもありません。分析は公開情報のみに基づいています。