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。
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
- Seema Amble, “Is Software Losing Its Head?”, a16z, 2026年5月. https://a16z.com/is-software-losing-its-head/
- Ryan Wexler, “Moats are for castles: permanence over defensibility in AI startups”, SignalFire, 2026年5月. https://www.signalfire.com/blog/why-ai-startups-should-optimize-for-permanence-not-moats
- Muhammad Zia Hydari & Farooq Muzaffar, “Going Headless? On the Boundaries of Vertical AI Firms”, arXiv:2605.17812, 2026年5月（プレプリント）. https://arxiv.org/abs/2605.17812
- Jerry Chen, “The New New Moats”, Greylock, 2023年6月. https://greylock.com/greymatter/the-new-new-moats/
- Martin Casado & Peter Lauten, “The Empty Promise of Data Moats”, a16z, 2019年5月. https://a16z.com/the-empty-promise-of-data-moats/
- Tianbao Xie et al., “OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments”, arXiv:2404.07972, 2024. https://arxiv.org/abs/2404.07972
- “OSWorld 2.0″（長時間ワークフロー版）, arXiv:2606.29537, 2026年6月. https://arxiv.org/abs/2606.29537
- Abridge（診療記録・レベニューサイクル）公式サイト. https://www.abridge.com/platform/revenue-cycle
- Harvey, “Legal AI oversight”. https://www.harvey.ai/blog/legal-ai-oversight
- Thomson Reuters CoCounsel 公式サイト. https://www.thomsonreuters.com/en/cocounsel
