保科学世の作品一覧
「保科学世」の「アクセンチュアのプロが教える AI時代の実践データ・アナリティクス」「アクセンチュアのプロフェッショナルが教えるデータ・アナリティクス実践講座」ほか、ユーザーレビューをお届けします！
- 作者をフォローする
- フォローすると、この作者の新刊が配信された際に、お知らせします。
作品一覧
-
ＡＩドリブンの極意（東洋経済ＳＰＥＣＩＡＬ）
ビジネス・実用
5.01巻1,980円 (税込)※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 トップランナーたちが語る「AI革命」の現在地と2030年のビジネス未来図！ 生成ＡＩは「チャットによる対話」のフェーズから、自律的にタスクを完遂する「ＡＩエージェント」、さらにはデジタル知能が物理空間に介入し作用する「フィジカルＡＩ」などへと進化し、企業の生存を大きく左右する時代が到来しています。 本書は、コンサルティング大手アクセンチュアの全面監修のもと、AIの最前線を走るトップランナーたちへの取材を通じて、次世代の「AIドリブン経営」の全貌を解き明かします。 落合陽一氏の巻頭対談をはじめ、OpenAI Japan社長の長崎忠雄氏、シリコンバレーの動向に詳しいスタートアップ投資家のシバタナオキ氏、そしてMujin CEOの滝野一征氏など、AIビジネスの最先端を知る重要人物が多数登場。 第一線のAI＆データコンサルタントによる論考や、先進企業のケーススタディを豊富に織り交ぜ、AI活用の最新事情を網羅。これ一冊で、基礎知識から最新トレンド、実装の勘どころまですべてわかります。 「AI導入の壁」を打ち破り、AIを本当に使いこなせる企業になるためのツボとは何か。 激変するAI時代を乗りこえる、企業・ビジネスパーソンの生存戦略は何か。 「本質的なAI変革」の姿を知る、すべての意思決定者・ビジネスパーソン必携の最新決定版です。 -
外資系コンサルのデータ分析技法―生成ＡＩを使いこなすデータスキル
ビジネス・実用
3.71巻2,640円 (税込)AI時代だからこそ改めて必要なデータスキルについて、これから社会人になる、または社会人1年目の人材が押さえておくべきレベルを解説！ ・KKD（勘、経験、度胸）だけの意思決定から、データを活用した意思決定へ ・少子高齢化に伴う労働力不足を補うためのデータ・AI活用に向けて ・あらゆるデータが蓄積されることに伴う分析能力の構築に向けて ・属人性の低減によるビジネスアウトプットの均一化・ノウハウの蓄積に向けて ・ビジネスシーンで必要なデータドリブン型ビジネス人材の育成に向けて 必須の知識をわかりやすくまとめた一冊 -
生成ＡＩ時代の「超」仕事術大全
ビジネス・実用
3.81巻2,200円 (税込)外資系コンサルが仕事で使うプロンプトを公開！ これから絶対身につけるべき8つスキルとは？ 業界＆業種別にこれからどうなるかもわかる！ 生成ＡＩやChatGPTの原理＆使い方から リスク対策方法、身につけるべきスキルまで、 外資系コンサル（ビジネスのプロ）かつ ＡＩのプロだから書ける超実践的仕事術！ インターネット登場以来の衝撃と言われる 「生成ＡＩ時代」をサバイバルするスキルと知識が これ一冊ですべてわかる！！ -
ＲＡＤＩＣＡＬＬＹ ＨＵＭＡＮ ラディカリー・ヒューマン―人間の本質に迫る、革新的ＡＩ活用のアプローチ
ビジネス・実用
3.01巻2,640円 (税込)ＡＩに従うのではなく、人間中心の未来をつくる ＤＸ成功への新たなフレームワーク イノベーションを転換する「ＩＤＥＡＳの力」 Intelligence：知能――人工的から人間的へ Data:データ――最大規模から最小規模へ、最小規模から最大規模へ Expertise:専門性――機械学習からマシン教育へ Architecture:アーキテクチャ――レガシーシステムからリビングシステムへ Strategy：戦略――もはやすべての企業がテクノロジー企業 人間の本質に迫る「ラディカリー・ヒューマン」時代を勝ち抜く４つの重要領域 人材：あらゆるレベル・業種の従業員の手にデジタル活用力を 信頼：人間に信用され、信頼を得られるテクノロジーの活用 体験：人の心を強く捉える人間的な体験を設計する 持続可能性：テクノロジー自体の持続可能性を向上させる 【主要目次】 PART1 イノベーションを転換する――IDEASの力 第１章 知能――人工的から人間的へ 第２章 データ――最大規模から最小規模へ、最小規模から最大規模へ 第３章 専門性――機械学習からマシン教育へ 第４章 アーキテクチャ――レガシーシステムからリビングシステムへ 第５章 戦略――もはやすべてがテクノロジー企業 PART2 人間の本質に迫る未来を勝ち抜く 第６章 人材――人間の本質に迫る革新的テクノロジー 第７章 信頼――極めて根源的な人間の本能に訴える 第８章 体験――人間の本質に迫るデザインが力を発揮する 第９章 持続可能性――惑星「IDEAS」 結論――３つの事実と新たな機会 -
データドリブン経営改革
ビジネス・実用
3.71巻2,200円 (税込)「可視化」と「AI予測」が勝ち筋へ導く! アクセンチュアAI部門責任者による 実例ベースの組織変革方法 グローバル企業の経営幹部の84%が「AIの幅広い活用はビジネス戦略に不可欠である」と考えています。一方で「AI機能を本格的に備えた組織の構築を実現している」企業はわずか16%。この16%の企業は、その他の企業と比べてAI投資から3倍近い投資対効果を得ていることが明らかになりました。 AIを活用できる企業とそうでない企業との格差は広がる一方です。企業は適切な人材を集め、分野横断型のチームを組成し、組織全体で戦略的にデータとAIの活用に取り組まなければなりません。 データやAIの活用において日本は遅れているという声が聞こえてきます。遅れている所は遅れていると認識した上で、その弱点を補いつつ、他国と比べて優れている部分、潜在的に勝てる可能性がある領域をどう伸ばしていくべきかを解説します。 -
責任あるＡＩ―「ＡＩ倫理」戦略ハンドブック
ビジネス・実用
-1巻2,200円 (税込)「暴言」を吐くAIチャットボット 「人種差別」をする犯罪予測AI 「男女差別」をする人材採用AI・与信審査AI…… AIの「暴走」をどう防ぐか？ 「技術」「ブランド」「ガバナンス」「組織・人材」 ４つのアプローチで「責任あるＡＩ」を実現する 「責任あるＡＩ」のベースにあるのは 「人間中心」のデザインであり、人間が意思決定の中心となることである。 「責任あるＡＩ」実現のために守るべき規範が「ＡＩ倫理」である。 【主要目次】 Part1「責任あるＡＩ」「ＡＩ倫理」とは何か？ ●なぜ今「責任あるＡＩ」が重要なのか？ ・デジタルツインの波とＡＩ ・労働生産性におけるＡＩの貢献 ・意思決定におけるＡＩの役割 ・加速するＡＩへの法規制 ●求められる「AI倫理」とは？ ・アシモフの「ロボット工学原則」と抜け穴 ・ＡＩのガイダンス制定の世界的な流れ ・「責任あるＡＩ」と５つの行動原則「ＴＲＵＳＴ」 ●AIの潜在的リスクに備える４つの観点からのアプローチ ・ＡＩに混入する潜在的リスクとは？ ・各産業分野におけるＡＩ適用と考えうるリスク ・ＡＩの導入・定着のために求められる施策とは？ Part２「責任あるAI」を実践する４つのアプローチ ●技術のリスクを防ぐアセスメントの方法 ・ＡＩの開発プロセスで忍び寄るリスク ・リスクを表面化させるアルゴリズム・アセスメント（ＡＡ）とは？ ●ブランド価値を守り、高めるESGアプローチ ・ＥＳＧによるブランド価値の創出・向上 ・ＡＩ開発においても無縁ではない「環境」意識 ●ガバナンスにおける効果的な「火消し」の方法 ・ＡＩガバナンスのロードマップ ・日本企業で導入が広がるＡＩガバナンス ●組織・人材に「ＡＩ倫理」を根付かせる ・研修プログラムとコミュニケーション ・具体的事例を用いた演習 ・リーダー企業になるためのチェックリスト -
アクセンチュアのプロが教える AI時代の実践データ・アナリティクス
ビジネス・実用
4.01巻3,080円 (税込)PoCで終わらない! AI・データサイエンス本格導入のための基礎知識やポイントを徹底解説! AIを導入してビジネスに活かす――多くの日本企業が取り組んでいますが それがPoC(概念実証)レベルに終わってしまいがちで、 意思決定プロセスにまでAIが組み込まれることは稀です。 本書は、AIの「頭脳」に不可欠なデータサイエンスについて、 古典的統計解析から機械学習まで、ビジネス活用上のエッセンスを紹介します。 実際にPythonを用いたコーディングを通して分析実務を体験できます。 また、AI導入をPoCで終わらせないために企業が備えるべき視点や、 AIの本格導入までのステップ、チェックポイントを示した 「AIロードマップ」をもとに、AIのビジネス活用の要諦を解説します。 これからAI・データサイエンスの学習を始めたい方はもちろん、 AI活用を推進していかなければならない立場のビジネスパーソンまで、必読の一冊です。 -
アクセンチュアのプロフェッショナルが教えるデータ・アナリティクス実践講座
ビジネス・実用
4.31巻2,860円 (税込)ビッグデータ分析、統計学、AI、機械学習の基礎理解と「使いこなし」を世界的総合コンサルティング企業のアクセンチュアのプロフェッショナルが徹底解説！ 本書は世界的なコンサルティング会社「アクセンチュア」のデータサイエンティスト工藤卓哉氏、保科学世氏を中心に、同社の専門チーム「アクセンチュア アナリティクス」のメンバーが、企業の実務家向けにデータ分析の考え方と具体的な実践手法を解説した本です。 第一部の「データアナリティクスの基礎」編ではアナリティクスのビジネス背景を業種向けに解説し、必要となる統計学の基礎的な考え方、課題の定義や立案の方法を紹介。第二部の「データアナリティクスの実践」では、機械学習や人工知能、ディープラーニングの動向とアナリティクスの関係を掘り下げ、ビジネス上必要となる、それぞれの分析手法を、無料ソフトウェアの「R」のパッケージやWebによる分析サービスなどを用いて、手を動かして実践するところまでを解説しています。 データアナリティクスの基礎から実践までを、専門家だけではなくビジネスパーソンが体系的に理解し、実践するための格好の定番書です。 ◎内容（抜粋） 【第一部】 ・データサイエンスが作り出すビジネス革新 ・分析で必須となる一般的な統計知識 ・課題の定義、仮説立案 ・データ収集・加工 ・システム処理基盤 【第二部】 ・機械学習とは ・アソシエーション分析 ・クラスター分析 ・決定木分析 ・経路探索、R言語と地図データによる実行 ・協調フィルタリング ・H2Oでディープラーニング ◎こんな方にお勧め ・データ分析などで課題解決をおこないたいビジネスパーソン ・データを収集・分析から事業立案をおこなおうとする事業開発部門、戦略部門の方 ・データ分析基盤や分析フローをつくるIT担当、情報システム関連の方 ・データ分析を普及したい教育担当の方 ・データ分析の基礎を習得したい学生の方 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。 -
データサイエンス超入門
ビジネス・実用
3.71巻1,760円 (税込)複雑で難解になりがちな統計学に基づいたデータ分析の基礎知識を俯瞰的に理解してビジネスに活かせるようになるのが本書の狙いです。数多くのデータ分析プロジェクトの現場では、「ビジネス」ありきではなく「データ」ありきの曖昧な態度でデータ分析に取り組んでしまい、うまく行かなくなるケースが多々あります。 ビジネス領域におけるデータ分析は、企業戦略・戦術や業務プロセスでの意思決定を支援するためのものです。いかに画期的な分析結果が得られても、それがビジネス活動に影響を与えられなかったり、成果につながらなければ人材やシステム投資の無駄遣いです。 「データ」ありきではいけない。こうした著者の思いから、データサイエンティストになりたい人だけでなく、一般のビジネスパーソン、例えば、マーケティング部門や経営企画部門、営業部門、IT部門などに属する方にも読んでいただけるよう、「データ分析の基本」を具体的な事例を交えながら平易に説明しています。 【特徴】 ・日本屈指のデータサイエンティストによる書き下ろしです。 ・この1冊で、ビジネス活動に役立つデータサイエンスを一通り理解できます。 ・日々の生活で体験する身近な事例から先進的な企業事例までを具体的に紹介します。 ・統計学に基づいたデータ分析の基礎知識を平易に解説します。 ・巻末に「図解 統計の基本」を収録しています。
ユーザーレビュー
-
Posted by ブクログ
ネタバレ以下、添付4枚をもとに、判読できる範囲での詳細文字起こし → レポート化 → 今後取るべき示唆の順で整理します。
一部、写真の端が切れている箇所・紙面の湾曲で読みにくい箇所はありますが、本文の主旨は十分追える状態です。
⸻
1. 記事の詳細文字起こし
記事タイトル・導入
INTERVIEW
NSV Wolf Capital マネージングパートナー／投資家
シバタ ナオキ
スタートアップ投資家が語る世界のAIビジネス
バーティカルAIは日本最大のチャンスになる
「シリコンバレーの今の大きな波は『バーティカルAI』と『フィジカルAI』」と語るのは、投資家として1000社以上の生成AIスタートアップを調査してきたシバタナオキ氏。日本はどうすればこの波に乗れるのか。
聞き手：アクセンチュア 常務執行役員 AIセンター長 博士〈理学〉 保科学世
⸻
PROFILE
楽天役員、東京大学助教を経てスタートアップ会員研究員として渡米。シリコンバレーで起業を経験する。エンジェル投資家としてスタートアップ数十社への投資実績を持ち、生成AIスタートアップを1000社以上調査。2024年より現職。著書に『アフターAI』（日経BP）など。
⸻
2. 図表の文字起こし
急スピードで拡大するバーティカルAI市場
生成AI分野の5つのレイヤーと主なプレーヤーの規模
レイヤー主なプレーヤー四半期売上げ対前年売上げ成長率
バーティカルAI〈業界特化型アプリ〉——1年で10倍以上成長
汎用型アプリ〈SaaS主体〉インチュイット39億ドル+10.3%
アドビ62億ドル+10.5%
セールスフォース103億ドル+8.6%
LLMオープンAI約50億ドル+233%
アンソロピック約22億ドル+800%
インフラ・MLOps〈機械学習オペレーション〉グーグルクラウド177億ドル+47.8%
Microsoft インテリジェントクラウド329億ドル+29.0%
GPU／チップエヌビディア570億ドル+62.5%
注：四半期売上げは2026年2月日時点での直近決算より算出。オープンAI、アンソロピックに関しては開示している年間売上げを4分の1にして算出。
出所：シバタ氏提供資料を基に編集部作成。
⸻
3. 本文文字起こし・整理
3-1. シリコンバレーで起きているAIスタートアップの大きな変化
質問
シバタさんがシリコンバレーの最前線を見てきた中で感じた、AI系スタートアップの最近の大きな変化とは何でしょうか。
シバタ氏回答
一番盛り上がっているのが、業界特化型のAIエージェント、いわゆる**「バーティカルAI」**です。縦軸に業界、横軸に職種を並べた表をイメージしてください。そのうちのたった1マスを狙ったニッチなスタートアップがシリコンバレーでは次々に生まれています。
ChatGPTやClaudeといったLLMに専門知識を追加学習させて、特定の業界・業種でも使えるようにしたものです。米国では2024年ごろから波がきています。
その次の大きなトピックが**「フィジカルAI」**です。AIを搭載したロボットのことですが、製造業を中心に、物理空間でAIを実装する試みが注目されています。
⸻
3-2. 有望なバーティカルAI企業の条件
質問
最初に挙がったバーティカルAIですが、投資家目線ではどのような企業が将来有望だと思いますか。
シバタ氏回答
投資基準としては、きちんと売り上げが立っていること、グロースのスピードが大前提です。加えて、私が着目するのは学習するデータの独自性です。
バーティカルAIの性能は、業界特有のデータをいかに効率よく集め、追加学習させられるかで決まります。ここで他社がまねできない仕組みを持っていれば、高い競争優位性が期待できます。
⸻
3-3. バーティカルAIはSaaSと違う収益モデルを取れる
バーティカルAIの事業特性として強調したいのが、一般的なSaaSとはまったく異なる収益モデルを構築できる点です。
最初は、1ユーザー当たり月額いくらといった継続課金で提供します。しかし、ビジネスがうまく回り始めると、以下のようなモデルへ移行していきます。
* 固定料金＋時給制でAIエージェントを貸し出す人材派遣型
* 完了したタスク数に応じて課金する成果報酬型
その場合、顧客企業の従業員の労働時間をどれだけ代替したかがKPI、つまり重要業績評価指標になります。
そうすると、顧客のソフトウェア予算よりもはるかに大きな人件費の予算をターゲットにできます。これが、一見ニッチなバーティカルAIの会社が、ある時を境に急成長する構造的な理由です。
パッケージソフトウェアからクラウドへの乗り換えで業績を伸ばしたSaaS企業が苦しくなっているのも、このダイナミクスと無縁ではありません。
⸻
3-4. 学習データ製造スタートアップの急成長事例
私が個人で投資している学習データ製造のスタートアップ、マイクロワンもその典型例と言えるでしょう。
同社は、例えば会計士など特定分野の専門家を集めて作った高品質な学習データを、LLMなどの基盤モデルの会社に販売しています。
2025年初頭には売り上げ700万ドルでしたが、同年末には1億ドルを超え、足元では2億ドルを突破したと公表しています。
バーティカルAIが成功するときには、このレベルのスケールアップが起きているのです。
⸻
3-5. フィジカルAIに対する日本企業の誤解
質問
日本企業はまだ、フィジカルAIにどう取り組んでいくかと考えているタイミングです。この分野での日本の勝ち筋はどこにありそうでしょうか。
シバタ氏回答
日本企業の方からは、
「バーティカルAIは難しそうだから、うちはフィジカルAIで頑張ります」
という声をよく聞きますが、それは早計です。
実際には、フィジカルAIの難易度はバーティカルAIのそれを大きく上回ります。ハードウェアとソフトウェアの両方をそろえ、かつ融合させる必要があるからです。
ソフトウェアが強い米国は、それを土台にハードウェアの要素を足していく方法を確立してきました。多様な人種が働いている国であり、工場自体も、人間に正確な作業を求めるよりも、なるべくソフトウェアで管理する前提で設計してあるため、協調させやすい。
一方、良くも悪くも人に依存してきた日本は、それが通用しません。どんなにものづくりのハードウェアの部分に自信があっても、ソフトウェアをおざなりにしてはいけません。
ソフトウェアに強い人材を増やし、ハードウェアのチームと早い段階から融合させていくことが、日本企業が今すぐ取り組むべきテーマだと思います。
⸻
3-6. 日本には教師データという強みがある
質問
日本は人間が安く高品質なものを作れてしまうので、AIに頼る必然性が低く、無人化での出遅れを懸念しています。一方で、AIに学習させるための優れた教師データを高い精度で持っている国だともいえますね。
シバタ氏回答
その点で、まだ日本には大きなアドバンテージがあります。米国がさまざまなロボットを開発して学習させるのが早いか、日本が人間の持つ知識やデータを詰め込むのが早いかの勝負になるでしょう。
フィジカルAIには、インターネット空間の情報に相当するような膨大な学習データが存在しません。
例えば、床掃除をしてくれるロボットを作ろうとしたら、人間にセンサーを付けて、掃除機やほうきを使うときの体の動きのデータを一から取らないといけない。
こういうデータは、今後ますます必要になると思います。
⸻
3-7. 社員のスキルだけでなく、実家のビジネスもデータベース化する
バーティカルAIについても、私はよく次のように提案しています。
「御社の社員のスキルデータベースだけではなく、社員の実家のビジネスをデータベース化してはどうですか？」
例えば、実家が薬局という社員がいれば、子どもの頃からきっと薬局のオペレーションを見ていると思います。飲食店でも不動産業でも、それぞれの業種ならではの情報を集めていけば、独自のデータベースが作れます。
身の回りの隠れた人材を掘り起こすことが、新しいAIエージェントの種になるのです。
⸻
3-8. まずは自分のルーチン作業を代替するAIエージェントを作る
質問
その発想はすごく面白いですね。ほかに、「まずこれをやってみましょう」といったアドバイスはありますか。
シバタ氏回答
仕事でもプライベート用でもいいので、ぜひ、自分の日々のルーチン作業を代わりにやってくれるようなAIエージェントを2、3個作ってみてほしいですね。
意外とそこまで難しくないものだとわかりますし、それぞれのAIの得意、不得意も見えてくるはずです。
⸻
3-9. アクセンチュアの取り組み：全社員がAIエージェントを作る
質問
アクセンチュアでも、全社員がAIエージェントを作ることを推進していて、これは経営層も対象になっています。
シバタ氏回答
良い取り組みですね。AI活用の成功を左右する条件の1つは、経営トップのコミットメントだと思っています。
社長が本気で「やる」と公言すれば、組織は動きます。
もう1つは、進める順序です。まずは多少の失敗が許される業務から実験を重ねて学習を積み、これで大丈夫だと判断できてから、より本格的な領域へ広げていくことをお勧めします。
⸻
3-10. AIは新人社員のように育てる
日本では最近、ChatGPTのことを親しみを込めて「チャッピー」と呼ぶそうですが、私はとても良い現象だと思います。
AIを自分の部署に入ってきた新人社員だと思って、ぜひ温かく接してあげてください。
AIはミスをすることもありますが、新入社員がミスしたときに「ハルシネーションだ」と腹を立てることはないでしょう？（笑）
⸻
3-11. 日本型の新卒一括採用・教育はAI育成にも応用できる
質問
改めて考えると、新入社員を一括採用して教育する仕組みは日本ならではの強みであり、AIのトレーニングにもどこか通じるところがある気がします。
シバタ氏回答
日本企業が守ってきたメンバーシップ型のプロセスをLLMに応用することで、バーティカルAIエージェントも生み出していけるのではないでしょうか。
また、日本は少子高齢化、労働力不足、インフラの老朽化といった課題にすでに直面している課題先進国でもあります。他国よりも先に、解くべき問題が見えています。
日本はパソコンもスマホもクラウドも、海外勢にずっと負け続けてきた。しかし、日本独自の文化や社会課題を生かしたバーティカルAIや、日本クオリティーで提供できれば、逆転の可能性は十分にある。
いま、日本のソフトウェア産業史上、最も大きなチャンスの扉が開いています。ただし、この市場に注目しているのは他の国も同じです。猶予はありません。ぜひ思い切って飛び込んでほしいと思います。
⸻
4. レポート：記事全体の要約
この記事の主張は、かなり明確です。
今後のAIビジネスの本命は、汎用AIそのものではなく、特定業界・特定業務に深く入り込む「バーティカルAI」である。日本企業にとっても、ここが最大の勝ち筋になりうる。
シバタ氏は、シリコンバレーで起きているAIスタートアップの潮流として、まずバーティカルAIを挙げています。これは、ChatGPTやClaudeのような汎用LLMをそのまま使うのではなく、特定業界・特定職種の専門知識や業務データを追加し、実務を代替できるAIエージェントに仕立てるものです。
特徴的なのは、狙う市場が「大きな業界全体」ではなく、業界×職種の1マスである点です。例えば、医療業界全体ではなく、「医療業界における請求業務」「建設業界における見積作成」「製造業における設備保全報告」など、極めて具体的な業務単位に入っていくイメージです。
そして、バーティカルAIの競争優位を決めるのは、単なるモデル性能ではなく、独自データを集める仕組みです。業界特有のデータ、専門家の判断、現場の暗黙知、作業履歴、例外処理、失敗事例などをどれだけ高品質に集め、学習・改善に回せるかが勝負になります。
また、収益モデルも従来のSaaSとは異なります。SaaSはソフトウェア予算を取りにいくビジネスでしたが、バーティカルAIは人間の業務を代替するため、最終的には人件費予算を取りにいくビジネスになります。だからこそ、単なる月額課金ではなく、AIエージェントを人材派遣のように貸し出すモデルや、成果報酬型のモデルに移行できる可能性があります。
この点が非常に重要です。バーティカルAIは「便利なツール」ではなく、労働力の代替・拡張ビジネスとして設計する必要があります。
一方で、日本企業が注目しがちなフィジカルAIについては、シバタ氏は慎重です。ハードウェアとソフトウェアの両方を統合する必要があるため、むしろバーティカルAIより難易度が高いと指摘しています。日本企業はハードウェアの強さを持つ一方で、ソフトウェア人材やソフトウェア主導の設計思想が弱い。そのため、フィジカルAIにいきなり飛び込むよりも、まずはソフトウェア人材とハードウェア人材を早期に融合させることが必要だと述べています。
ただし、日本には明確な強みもあります。それは、現場の高品質な業務データ、熟練者の暗黙知、職人性、丁寧なオペレーション、そして新卒一括採用・OJTに象徴される「人を育てる仕組み」です。これらをAI育成に転用できれば、日本独自のバーティカルAIを作れる可能性があります。
記事の最後では、AIを新人社員のように扱うという比喩が出てきます。これは非常に示唆的です。AIを一度導入して完成品として使うのではなく、失敗を許し、教育し、業務に慣れさせ、徐々に任せる範囲を広げる。この発想は、日本企業のメンバーシップ型雇用やOJT文化と相性が良いと考えられます。
⸻
5. 重要論点の整理
論点1：汎用AIではなく、業界特化AIが本命になる
生成AIの初期フェーズでは、ChatGPT、Claude、Geminiのような汎用AIの性能競争が注目されました。しかし、企業実務で本当に価値が出るのは、汎用AIをそのまま使うことではありません。
実務で価値を出すには、以下が必要です。
* 業界固有の文脈
* 業務プロセスの理解
* 専門用語
* 判断基準
* 例外処理
* 顧客ごとの慣習
* 社内ルール
* 成果物の品質基準
つまり、AIの勝負は「モデルそのもの」から、現場文脈への適応力へ移っています。
⸻
論点2：バーティカルAIの競争優位は「独自データ」にある
記事で最も重要なのは、バーティカルAIの性能が独自データをどう集めるかで決まるという点です。
これは、単に社内文書をRAGに入れるという話ではありません。むしろ重要なのは、以下のようなデータです。
* 熟練者がどう判断しているか
* 良いアウトプットと悪いアウトプットの差分
* 顧客がどこで意思決定に詰まるか
* 現場で頻出する例外処理
* 業界特有の暗黙ルール
* 社内で「できる人」が自然にやっている工夫
* 過去案件の失敗・修正・検討履歴
このようなデータは、一般的なインターネット上には存在しません。だからこそ、取得できた企業に競争優位が生まれます。
⸻
論点3：SaaS予算ではなく、人件費予算を取りにいく
従来のSaaSは、顧客企業のIT予算・ソフトウェア予算を取りにいくモデルでした。
しかし、AIエージェントは業務そのものを代替するため、比較対象はソフトウェアではなく人件費になります。
これは事業設計上、非常に大きな違いです。
例えば、月額5万円のSaaSとして売ると高く見えても、月30時間の業務を代替するAI社員として売れば、月20万円でも安く見える可能性があります。
つまり、バーティカルAIは価格設計を間違えると、本来取れる価値を取り逃がします。
「ツール課金」ではなく、業務代替価値課金にする必要があります。
⸻
論点4：フィジカルAIは日本に向いているが、いきなり狙うには難しい
日本企業は製造業・ロボット・ハードウェアに強いため、フィジカルAIに期待しがちです。
しかし、記事ではその難易度の高さが指摘されています。
フィジカルAIでは、単にロボットを作るだけでは不十分です。必要なのは、ハードウェア、ソフトウェア、センサー、データ取得、学習環境、現場導入、運用改善を一体で設計する力です。
日本企業が強いのはハードウェアや現場改善ですが、弱いのはソフトウェア主導の統合設計です。したがって、いきなりフィジカルAIで勝とうとするより、まずは以下の順序が現実的です。
1. 現場業務の知識・判断・手順をデータ化する
2. バーティカルAIとして業務支援・判断支援を作る
3. その後、必要に応じてセンサー・ロボット・設備と接続する
4. 最終的にフィジカルAIへ拡張する
つまり、日本企業にとっての勝ち筋は、フィジカルAI直行ではなく、バーティカルAI経由のフィジカルAIです。
⸻
論点5：日本の強みは「教師データ」と「人材育成文化」にある
日本は、AI・クラウド・スマホ・OSでは海外に負けてきました。しかし、バーティカルAIではまだ勝機があります。
理由は、日本には以下のような資産があるからです。
* 高品質な現場オペレーション
* 熟練者の暗黙知
* 業界ごとの細かい業務慣習
* OJTによる教育ノウハウ
* 品質基準へのこだわり
* 課題先進国としてのリアルな社会課題
特に面白いのは、AIを新人社員のように育てるという発想です。
日本企業はもともと、未経験の新卒社員を採用し、長期的に育て、現場に適応させる仕組みを持っています。この仕組みをAIエージェントに応用すれば、AIに対しても以下のような育成プロセスを設計できます。
* 初期研修
* OJT
* メンターによるレビュー
* 小さな業務から任せる
* ミスを記録して改善する
* 徐々に権限委譲する
* 部署固有の判断基準を覚えさせる
これはまさに、日本企業ならではのAI導入・AI育成モデルになり得ます。
⸻
6. 今後取るべき示唆
示唆1：AI導入を「ツール導入」ではなく「AI社員育成」として設計する
この記事から最も実務に落としやすい示唆は、AIをツールではなく新人社員として扱うことです。
多くの企業は、生成AIを導入するときに「何ができるか」「どのツールが良いか」から入ります。しかし、本質的には「どの業務を任せるか」「どう育てるか」「どこまで権限委譲するか」を設計する必要があります。
今後は、AI導入プロジェクトを次のように再定義すべきです。
生成AI導入
ではなく、
AI社員の採用・教育・配属・評価プロセスの設計
この視点に立つと、必要な成果物も変わります。
* AI社員の職務記述書
* 初期教育データ
* 業務マニュアル
* 判断基準
* 禁止事項
* レビュー体制
* 評価指標
* 改善ログ
* 権限委譲ルール
このように設計できる企業ほど、AI活用は定着しやすくなります。
⸻
示唆2：狙うべきは「業界×職種×反復業務」の1マス
バーティカルAIの事業開発では、最初から大きな市場を狙いすぎない方がよいです。
狙うべきは、以下のような小さな単位です。
業界 × 職種 × 反復業務 × 判断基準が明確な領域
例えば、以下のような切り方です。
* 製造業 × 品質保証部門 × 不具合報告書の一次整理
* 医療機器業界 × 研究開発部門 × 技術用途探索
* 不動産業界 × 管理部門 × 入居者問い合わせ対応
* 建設業界 × 営業部門 × 見積・提案書作成
* 自治体 × 窓口部門 × 申請書類チェック
* 新規事業部門 × 事業開発担当 × 顧客ヒアリング要約・仮説更新
重要なのは、最初から「業界全体を変えるAI」を作るのではなく、現場の1業務を確実に代替するAIを作ることです。
⸻
示唆3：独自データを集める仕組みを先に作る
バーティカルAIの競争優位は、モデルではなくデータにあります。したがって、AIプロダクトを作る前に、まず独自データが蓄積される導線を設計する必要があります。
特に重要なのは、以下のデータです。
* 顧客ヒアリングの原文
* 議事録
* 提案書
* 失注理由
* 顧客の反応
* 現場担当者の判断理由
* ベテラン社員のレビューコメント
* 修正前後のアウトプット
* 成功案件と失敗案件の比較
* 業界別の論点・制約・意思決定構造
これらは、ただ保存するだけでは不十分です。AIが再利用できる形に構造化する必要があります。
具体的には、今後は各案件で以下のような「AI学習用ログ」を残すべきです。
項目内容
顧客業界どの業界か
業務テーマどの業務・課題か
入力情報顧客から得た情報
判断論点何を判断したか
人間の判断担当者・専門家がどう判断したか
理由なぜその判断になったか
成果物実際に作った資料・提案・分析
顧客反応どこに納得・違和感があったか
次回改善点次にAIへ教えるべきこと
このログが溜まるほど、AIエージェントの品質は上がります。
⸻
示唆4：価格設計は「月額SaaS」ではなく「業務代替価値」で考える
AIエージェントを売る場合、単純に月額課金にすると価値を安く見積もりすぎる可能性があります。
本来見るべきは、以下です。
* 何時間の人間業務を代替したか
* どの職種の業務を代替したか
* どれだけ品質が安定したか
* どれだけ納期が短縮したか
* どれだけ属人化を解消したか
* どれだけ売上・利益に効いたか
そのため、料金体系としては以下のような設計が考えられます。
モデル内容向いている場面
月額固定型毎月一定額でAIエージェントを提供初期導入・PoC
業務代替型代替した作業時間に応じて課金定型業務の自動化
成果報酬型完了タスク数・成果物数で課金処理件数が明確な業務
人材派遣型AIエージェントを仮想人材として提供特定職種の業務代替
ハイブリッド型固定費＋成果報酬本格導入・継続改善
特に、EIR支援・新規事業支援・PMO支援のような領域では、AIを単なる補助ツールではなく、ジュニアコンサルタント／リサーチャー／PMO補佐として位置づけると価格を設計しやすくなります。
⸻
示唆5：日本企業向けには「AI新人研修パッケージ」が有効
記事の内容を日本企業向けに商品化するなら、かなり有効なのはAI新人研修パッケージです。
これは、社員にAIツールの使い方を教える研修ではありません。
むしろ、各部署が自分たちのAIエージェントを新人社員のように育てるための仕組みです。
構成としては、以下が考えられます。
1. 部署ごとのAIに任せたい業務を棚卸しする
2. 失敗してもよい業務からAI化する
3. AI社員の役割定義書を作る
4. 業務マニュアル・過去資料・判断基準を読み込ませる
5. 小さなタスクで試す
6. 人間がレビューする
7. ミスを教育データとして蓄積する
8. 権限委譲範囲を広げる
9. 成果を時間削減・品質改善・再現性で評価する
これは、日本企業のOJT文化と非常に相性が良いです。
⸻
示唆6：EIR支援文脈では「事業開発AIエージェント」が有望
ユーザーの現在の文脈に引き寄せると、最も有望なのは以下です。
新規事業開発領域に特化したバーティカルAIエージェント
これはかなり筋が良いです。なぜなら、新規事業開発は以下の特徴を持つからです。
* 情報収集が多い
* 議事録・ヒアリング・仮説整理が多い
* 判断基準が属人化しやすい
* 事業案評価に型がある
* 業界別の知識が必要
* 顧客ごとに文脈が違う
* 人間の経験値が成果に大きく影響する
* 過去案件のナレッジが再利用されにくい
つまり、AI化の余地が大きい一方で、汎用AIだけでは品質が出にくい領域です。
特に狙えるAIエージェントは、以下です。
AIエージェント役割
顧客ヒアリング整理AI文字起こしから課題・論点・示唆を抽出
業界構造分析AI市場・バリューチェーン・プレーヤーを整理
事業案評価AI勝ち筋・リスク・検証論点を採点
PMO補佐AITODO、論点、宿題、意思決定事項を管理
提案書ドラフトAI議事録・仮説から提案書素案を作成
顧客別ナレッジDB AI過去案件を検索・再利用
投資判断支援AIテーマ選定・撤退判断・優先順位付けを支援
これは、まさに記事でいう「業界×職種×業務」の1マスに当たります。
⸻
7. 最終提言
今回の記事から導ける結論は、以下です。
日本企業がAIで勝つには、汎用AIの利用に留まらず、自社・業界・職種固有の業務データを蓄積し、AIエージェントを“新人社員のように育てる”仕組みを持つべきです。
特に今後取るべきアクションは、以下の5つです。
1. まず「AIに任せる1業務」を決める
大きなAI戦略から入るのではなく、まずは1業務を決めるべきです。
例：
* 議事録整理
* 顧客ヒアリング要約
* 提案書初稿作成
* 市場調査
* 競合分析
* 社内ナレッジ検索
* 事業案評価
* 定例会の論点整理
最初は、失敗しても大きな問題にならない業務が適しています。
⸻
2. その業務の「良いアウトプット」を定義する
AI導入で失敗しがちなのは、AIに何をさせるかは決めても、何が良い成果物かを定義しないことです。
AIエージェントごとに、以下を定義すべきです。
* 成果物の形式
* 含めるべき項目
* 判断基準
* NG例
* 良い例
* レビュー観点
* 最終的に代替したい人間業務
⸻
3. 人間のレビューを教育データとして残す
AIのミスを一回限りの修正で終わらせてはいけません。
人間が修正した内容を、次回のAI改善に使うべきです。
つまり、AI活用では以下のループが重要です。
AIが出す
人間が直す
修正理由を残す
AIに再学習させる
次回精度が上がる
このループを回せる企業が、バーティカルAI時代に強くなります。
⸻
4. 独自データベースを意図的に作る
今後の競争優位は、AIツールの契約数ではなく、独自データベースの質で決まります。
特に、以下のようなデータを意図的に蓄積すべきです。
* 顧客課題
* 業界構造
* 商談履歴
* 提案書
* 失注理由
* 成功パターン
* 社内の熟練者コメント
* 顧客の意思決定構造
* 業界別の勝ち筋
* 業界別の地雷
これらは、将来的にAIエージェントの競争力そのものになります。
⸻
5. 事業開発支援では「AIエージェント付き伴走支援」に進化させる
今後のEIR支援・PMO支援・新規事業伴走は、人間だけで提供するよりも、AIエージェントを組み込んだ形に進化させるべきです。
つまり、売り方としてはこうです。
田中さん本人が支援します
ではなく、
田中さんの事業開発OSと、案件ごとに育つAIエージェント群で支援します
この形にできると、単なる工数提供ではなく、ナレッジが蓄積される高付加価値サービスになります。
特に大型連携では、案件ごとに得た知見をデータ化し、次案件で再利用する構造が作れます。これは記事でいう「独自データを持つバーティカルAI」の方向性そのものです。
⸻
8. 一言でまとめると
この記事の本質は、次の一文に集約できます。
AI時代の勝ち筋は、汎用AIを使いこなすことではなく、業界・職種・業務ごとの独自データを集め、AIエージェントを新人社員のように育て、最終的に人件費予算を代替する事業に仕立てること。
田中さんの文脈で言えば、これはそのまま、
「新規事業開発支援 × AIエージェント × 独自ナレッジDB」
の勝ち筋に接続できます。 -
-
-
Posted by ブクログ
データ分析＋AI。
データ分析の手順をわかりやすく、かつ生成AIをどのように使えば効率的かを学べる本。
テクノロジー系の本は早く読まないと、時代遅れになってしまうと実感した年末年始でした。年明けてからの目標はテクノロジー系の本を月に1冊読むです。
その中でも新しく刊行されたこのデータ分析の本は非常に面白かったです。従来のデータ分析に加えて、生成AIを上手く活用している事例を出してくれる。
どんなに生成AIで簡単にデータ分析ができたとしても、その分析結果を人に伝えるためには自分が最低限の知識を持っておかないといけないと感じました。
あまり勉強してこなかった機械学習なども深掘りしてくれたので非常に面白かったです。 -
特集・キャンペーン
