AIで新規事業を創るならどこを狙う？バリューチェーンの陣取りから読み解く4つの勝ちパターン

なぜ「バリューチェーンのどこを取るか」が問われているのか

生成AIへの企業投資は、2025年に前年比3倍以上へと急拡大しました※1。しかしその裏側では、実際に本番環境で損益に有意なインパクトを与えられたAIプロジェクトはごく一部にとどまっているとも報告されています※2。投資は爆発的に増えているのに、成果を出せている企業は極端に少ない。この二極化がなぜ起きているのかを理解するには、AIを用いた新規事業がいま奪い合っている予算を確認する必要があります。

奪い合う予算は「IT予算」から「人件費・外注費」へ

従来のソフトウェアビジネスは、企業のIT予算を取り合ってきました。しかしいま急成長しているAI企業の多くは、人件費や外注費、BPO予算そのものを直接侵食する形で拡大しています。顧客が対価を払っているのは「ツールを使う権利」ではなく、「仕事が完結すること」そのものです。予算の奪い合いの土俵自体が変わりつつある、というのが最初に押さえておきたいポイントです。

主役は「データを記録する仕組み」から「仕事を代行する仕組み」へ

企業システムの中心には長らく、データを蓄積し記録するシステムがありました。基幹システムやCRMがその代表例ですが、現場担当者にとっては手動入力を強いられる受動的な存在に過ぎません。いま起きているのは、日々の業務を自律的に実行する「行動システム」への主導権移転です。

エンジニアであればコード編集の画面、医師であれば診察室での会話、営業担当であればリード獲得のための調査など、顧客が最初に触れる業務の入口を押さえた企業が、価格決定権と顧客との接点の両方を握るようになっています。バリューチェーンの主導権争いは、いま「記録」から「行動」へと軸足を移しているのです。

新規事業は、バリューチェーンのどこを狙うべきか？

AI時代のバリューチェーンと4つの参入パターン

この構造変化を踏まえると、AI時代のバリューチェーンは単なる業務プロセスの分解図ではなく、自社のポジショニングマップとして読み替えることができます。実際に急成長しているAI企業の事例を分析すると、再現性のある4つの参入パターンが見えてきます。

パターンA：ワークフロー侵食型

既存の業務フローのなかに自律的なレイヤーとして入り込み、手動入力や複数ツール間の転記、事前リサーチといった現場の重いペインを解消しながら、結果的に基幹システム側のデータ更新の主導権を握っていくアプローチです。

開発者向けのAIコード編集ツールを提供するCursorは、この典型例です。単一ファイル内の補完にとどまっていた従来のツールとは異なり、リポジトリ全体の依存関係やファイル構造を丸ごと把握できる仕組みを構築し、開発者の作業コンテキストそのものを掌握したことで急拡大しました。2025年1月にARR（年間経常収益）1億ドルに到達した後、わずか1年余りで数十億ドル規模へと成長しています※3※4。

パターンB：完結型業務代行

法律文書の起草や医療保険の請求最適化、問い合わせ対応の自己完結など、従来は外部の専門サービス会社や社内の人海戦術に頼っていた業務をエンドツーエンドで完了させ、成果物や解決件数の単位で課金するモデルです。ソフトウェアの低い限界費用で、サービス業並みの単価を獲得できる点が強みです。

カスタマーサポート領域のSierraは、問い合わせに対してAIエージェントが人間を介さずに自己完結で解決できた場合にのみ課金する「完全成果報酬型」の料金体系を採用しています。従来のシート課金を排除したことで、導入企業側にとっては「人件費の削減分から支払う」という明確なROIが成立し、サービス開始からわずか7四半期でARR1億ドルを達成しました※5。人身傷害訴訟の賠償請求パッケージを自動生成するEvenUpも、案件ごとの成果連動に近い課金モデルでARR1億ドルを突破しています※6。

パターンC：プラットフォーム共生・バイパス型

規制が重い、あるいは調達プロセスが長い業界において、業界の圧倒的なプラットフォーマーと資本・収益分配を伴う密結合を図るか、あるいはエンドユーザーへの無償開放によって導入ハードルそのものを迂回し、日常的な利用習慣を先に掌握してから収益化する戦略です。

臨床意思決定支援AIのOpenEvidenceは、医師個人に対してプロダクトを完全無償で開放することで、12〜18ヵ月に及ぶ病院の調達・セキュリティ審査サイクルを回避し、現場のデファクトスタンダードとしての地位を先に確立しました※7。収益源は製薬企業向けの広告であり、通常のWeb広告よりはるかに高い単価で収益化しています※8。医療カルテ自動生成のAbridgeも、米国の電子カルテ市場で高いシェアを持つEpic Systemsと資本・業務提携を結ぶことで、競合が参入しにくい配布チャネルを確保しました※9。

パターンD：フィジカル・非公開データ収集型

Web上のテキストデータだけでは解けない産業特有の課題に対して、専用ハードウェアや現場端末を用いて物理世界の非公開データを直接取得し、解析ソフトウェアとセットで高単価な長期契約を結ぶアプローチです。

発電所や石油精製施設などのインフラ点検をおこなうGecko Roboticsは、壁面昇降ロボットを使って構造物内部の腐食や亀裂データを収集し、独自の解析基盤で将来の破損リスクを予測しています。生成AIが立ち入れない物理世界のデータを独占的に扱うことで、大型の長期契約を積み上げています※10。

自社が新規事業を構想する際は、この4つのうちどの型で戦えるかを最初に自問することが、技術検証よりもはるかに重要な出発点になります。

業界・提供価値の型によって狙うべき場所は変わる

4つのパターンのうち、どれが自社にとって現実的かは、業界特性と提供する価値の形によって変わってきます。

業界ごとにボトルネックの位置が違う

 

業界特性と4つの参入パターンの相性

製造業であれば調達・生産工程（予知保全や自動化）、小売であれば顧客接点（パーソナライズ）、金融であれば審査・与信工程が典型的な狙い所になります。医療のように規制が厚く調達サイクルが長い業界ではパターンC（プラットフォーム共生・バイパス型）が機能しやすく、重工業やインフラのように物理世界のデータが競争優位の源泉になる業界ではパターンD（フィジカル・非公開データ収集型）が有効に働きやすいというように、業界特性とパターンには相性があります。

自社の新規事業を検討する際にまずやるべきは、自社の主力事業のバリューチェーンを棚卸しし、「どこが一番のボトルネックか」「どこに自社しか持っていないデータがあるか」を可視化することです。規制の重さ、データの非公開性、既存プレイヤーの強さという3つの軸で自社の立ち位置を整理すると、狙うべき工程がおのずと絞り込まれてきます。

プロダクト型・サービス型・プラットフォーム型で勝ち筋も変わる

同じ工程を狙うにしても、提供する価値の形がプロダクト（機能・ツール提供）なのか、サービス（伴走・BPO型）なのか、プラットフォーム（データ・マッチング）なのかによって、収益化しやすいポイントとスピード感は大きく変わります。

さらに、既存事業の強みを生かしてシナジーを取りに行くのか、あえて白地を取りに行って新市場を作るのかという判断軸も重なります。多くの大手企業は前者に寄りがちですが、既存事業の常識がそのまま新規事業の足かせになるケースも少なくありません。どちらを選ぶにせよ、この判断を意識的におこなっているかどうかが、後々の事業設計の一貫性を左右します。

AI時代に新規事業が陥りやすい罠

新規事業の検討過程では、「技術的にできるかどうか」と「事業として勝てるかどうか」を混同してしまう場面がよく起こります。ここで見落とされがちな2つの落とし穴を整理します。

避けるべき工程の見極め方

特に多い失敗パターンが、汎用的なAIツールの再発明と、大手プラットフォーマーがすでに握っている工程への後発参入です。基盤モデルの薄いUIラッパーに過ぎないプロダクトは、モデル提供元の機能追加や大手ベンダーの標準搭載によって短期間で価値を失いやすく、2025年に閉鎖したスタートアップの約16%をAI企業が占めました※11。

実際にこの波のなかで、急拡大から一転して失速した企業は少なくありません。マーケティング文面生成で急成長したJasper AIは、ChatGPTの登場によって月額課金の存在意義が薄れ、創業CEOの退任と事業の全面ピボットに追い込まれました※12。プレゼン資料を自動生成するTome AIも、ピーク時に2,500万人規模のユーザーを抱えながら大半が無料枠の利用にとどまり、2025年にスライド生成機能を終了しました※13。

共通しているのは、初回のデモでは魅力的に見えても、日々の業務習慣として定着しなかった点です。ある調査では、AIアプリの年間契約キャンセル率は非AIアプリより速いペースで進み、月額50ドル以下の低価格AIプロダクトでは年間の総売上維持率が20%台にとどまるとも報告されています※14※15。

もう一つ押さえておきたいのが、業界ごとに「すでに埋まっている工程」があるという事実です。Salesforce、Microsoft、SAP、ServiceNowといった大手エンタープライズベンダーは、2025年から2026年にかけて自社製品へ生成AIや自律エージェント機能を相次いで標準搭載しました。

商談履歴の要約や定型メールの起草、ITSMチケットの一次分類といった工程は、すでに大手のアドオン機能で十分とみなされる領域になりつつあります。新規事業を構想する際は、こうした「埋まった工程」を避け、複数システムをまたぐデータ統合や、業界固有の複雑な判断が求められる工程など、大手の標準機能がまだ届いていない隙間を見極めることが重要です。

トップラインの伸びより見るべき指標

もう一つ警戒すべきなのが、初期の急成長に対する過信です。基盤モデルのAPIを薄くラッピングしただけのプロダクトは、立ち上がり期こそ急速に売上を積み上げられるものの、モデル自体の進化や大手テック企業の機能追加によって瞬時に代替されやすく、粗利益率が20%台にとどまる傾向があるとも指摘されています。

同じ「ARR1億ドル」という数字でも、そこに至るまでの期間や収益の質は企業によって大きく異なり、粗利益率60%以上を確保する資本効率の高い企業がある一方、推論コストの負担で25%前後にとどまる企業もあります※16。

この違いは、同じ領域で明暗を分けた企業を比べるとよく分かります。B2Bの文章生成・営業支援領域では、GPT-3の上にライティングUIを被せただけのJasper AIが短期間でARR1.2億ドルへ急拡大した一方、事業の全面ピボットに追い込まれました。対照的に、150以上のデータソースを統合する基盤とAIエージェントを組み合わせたClayは、6年かけて基盤を仕込んだ上で急成長を実現し、エンタープライズ顧客の継続利用率は200%を超える水準を維持しています※17。

プレゼン資料自動化の領域でも、無料ユーザー中心に2,500万人規模まで拡大しながらARRが伸び悩んだTome AIに対し、ビジネス利用者を中心に据えたGammaは4,000万ユーザーでARR1億ドルを超える規模に到達しています※18。同じ「急拡大」でも、顧客層とデータの蓄積の仕方次第で明暗が分かれるということです。

見るべき指標はトップラインの伸びではなく、粗利益率や継続利用率といった収益の「質」です。新規事業の企画段階から儲かる構造になっているか。つまり成長すればするほど利益率が高まる構造になっているかが重要です。

自社の強みから事業化を狙う場所を選ぶフレームワーク

ここまでの議論を実務に落とし込むには、自社の強みを軸に、4つのパターンのどれが自社にとって現実的かをマッピングする判断フレームが有効です。既存の経営戦略フレームワークをAI向けに翻案すると、次のような整理ができます。

アンゾフ・BCGマトリクスをAI向けに翻案する

業務タスクの性質 × データの性質で見る4象限
※アンゾフの成長マトリクスを元にメンバーズ作成

一つは、アンゾフの成長マトリクスを応用したものです。縦軸に「業務タスクの性質（既存業務の補助か、自律的な業務代行か）」、横軸に「データの性質（公開・共有データか、自社しか持たない非公開のコンテキストか）」を置くと、4つの象限が見えてきます。

汎用的なプログラミング代行や記事執筆のように、公開データを前提に自律的な業務代行を狙う領域は、フロンティアモデルの更新によって存在意義が薄れやすい危険領域です。反対に、自社しか持たない非公開データを使って業務を自律的に代行できる領域は、収益性・防御力ともに高い勝者領域になります。

残る2つの象限も見ておく価値があります。公開データを前提に、要約や入力補助といった業務支援にとどまる領域は、大手ベンダーが自社製品へ標準搭載しやすく、プラットフォーマーの無料機能に飲み込まれやすい領域です。一方、非公開データを扱いながらも業務支援にとどまる領域は、顧客が最初に触れる業務の入口を専有し、そこで得たデータを既存の基幹システムへ逆流させていく起点になり得る、フロント専有領域として位置づけられます。

スイッチングコスト × 推論コストの負担で見る4象限
※BCGの成長シェアマトリクスを元にメンバーズ作成

もう一つは、推論コストの構造とスイッチングコストの高さで整理する、BCGの成長シェアマトリクスの応用です。推論コストが軽くスイッチングコストが低い領域は価格競争に巻き込まれやすい一方、業務規程や組織固有のデータが蓄積され解約率が低く保たれる基幹ワークフロー密着型の領域は、収益が安定しやすい領域になります。

4つの評価軸で自社の強みを棚卸しする

こうしたフレームを使う際に問うべき評価軸は、大きく4つに整理できます。自社しか持たない非公開データを継続的に取得できる仕組みがあるか（データ資産）、顧客が最初に触れる業務の入口を押さえられるか（顧客接点）、業界固有の判断基準や説明責任を担保できるか（業界内の信頼）、そして大手プレイヤーの機能追加を受けても解約理由にならない構造的な強みがあるか（既存プレイヤーとの関係性）。この4軸で自社の強みを棚卸しすると、狙うべき場所が絞り込まれてきます。

このマッピング作業は、頭のなかだけで完結させず、実際に手を動かして可視化することで初めて精度が上がります。業務やデータを棚卸しし（可視化）、狙う工程と役割分担を定め（設計）、実際に現場で回るところまで一緒に手を動かす（実装伴走）という進め方は、新規事業の初期構想フェーズにおいても同じように機能します。

大手企業の新規事業では、この「強みの棚卸し」が組織構造そのものの見直しにつながるケースもあります。当社が支援している食品メーカーさまでは、各領域の専門家を集めた大規模な分業体制では改善サイクルが思うように回らないという課題に直面し、少数精鋭のフルスタック人材による内製チームへと体制を転換しました。

プログラミング未経験だった担当者がAIを活用して年間300時間の工数削減を実現したこの事例は、技術力そのものよりも、AIを前提にした組織設計の見直しが新規事業のスピードを左右することを示しています※19。

バリューチェーンの主導権構造を見極めてから動く

AI新規事業の成否を分けているのは、技術力でも、業界の勢いに乗れるかどうかでもありません。バリューチェーンのどこに主導権の構造変化が起きているかを見極め、自社の強みが生きる場所を選べているかどうかです。海外のAIネイティブ企業の興亡を振り返ると、共通しているのは、AIモデルの性能そのものを売る企業から淘汰が進み、AIを前提に業界のワークフローと利益配分を再設計した企業が生き残っているという構図です※16。

「AIで何を作るか」ではなく「バリューチェーンのどこを取りに行くか」。この問いを新規事業構想の出発点に置くことが、遠回りのようでもっとも確実な近道になります。