保科学世のレビュー一覧
-
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。 -
-
-
-
Posted by ブクログ
珍しく2冊続けて同ジャンルの本。とにかくAIを使って仕事の無駄な作業を減らせる方法はないかと読んでみた。やはり即効性のある方法はなく、「使いこなす仕事術」が必要だった。
しかし生成AIの概要や機能がだいぶ頭に入ってきた。会社で使っているAIは創作物より仕事上のデータ分析や書類作成に強みがあるらしい。しかしその指示は細かく具体的に出さなければならない。人に教えるよりも大変。「プロンプトを作成する商売」があるのも納得だ。
本書を参考に会社のAIに指示を出してみたが、てんでダメだった。資料の形式が決まっていると、分析させたデータがうまく貼り付かない。そして作業量も中途半端。「教えるより自分がやった方が早い」という悪い上司みたいな展開になった。あるいは「AIを使うまでもない、取るに足らん作業内容」なのか。
そうは言っても便利なところもある。切羽詰まった資料作成には向かない。時間のある時に試しにAIを使い倒し、学習させる（自分がAIに学習させられる）時間が必要なことが分かったのが収穫。 -
-
Posted by ブクログ
生成AIの登場で多くの仕事が影響を受ける。
書類仕事や定型的な仕事だけでなく、芸術や創作分野にまで及ぶ。人間にしかゼロからイチは作り出せないと言うけれど、人間もまた多くが模倣でできている。
著作権の問題や、AIの言っていることが本当に正しいのかを見極める能力。反対にAIに振り回されはしないだろうか。
イーロン・マスクなどアメリカの著名なIT分野の経営者たちも生成AIの脅威に警鐘を鳴らす。
日本人が生成AIの脅威に対して、比較対象国の中でも無関心な人が多いのは、真っ白なキャンパスと同じで、面白い実験場なのかもと思ったり。
色々と言われていますが、多方面でここまで影響のあるものだと、進歩が滞ることはないのだろうと思う。 -
-
Posted by ブクログ
本書は昨今のデータサイエンスで使用されるノウハウをまとめたものである。個人的にはほとんど知っている内容だったのであまり収穫はなかったものの、昨今おデータサイエンスについてバランスよく記述されているという意味では、こういうことを仕事にしていない人にとって教養となりうるものだと思うので、そういう意味では有用な一冊かもしれない。
個人的なこの本に対する当初の期待としては、アクセンチュアは分析部隊とコンサル部隊が切り離されているとよく言われるが、そこのメリデメと、コミュニケーションをいかにとってプロジェクトを進めるのか、というところについてだったが、残念ながらそれに対する記述がなかった。ひとえにそれは、彼らにとってそれが特段不思議なことではないからではないかと思ったりした。 -
-
Posted by ブクログ
ネタバレデータサイエンスにもっとも必要なものは、KKDである。
つまり、勘と経験、そして度胸である。
データサイエンスというと、データから有益な情報を見つける、
とっても理系な雰囲気のある内容かと思ったけど、
本のほとんどの内容は理系には直接は関係ない
話なのが面白かった。
つまりはデータを扱うのは人間なのであって、
科学ではない、ということなのだと思う。
著者はニューヨークに仕事で行ったことが大きな自慢らしく、
「そういった経験がデータサイエンスに最も重要」
というように感じるところもあった。
「データサイエンスの書籍」としてとらえるよりも、
「データサイエンスを仕事にしている人が書いた
ビジネス本」という立ち位置として見ると、
これはこれで面白い本だと思う。
ちなみに、出てくる数式は大学２年生程度なので、統計学としては教科書に出てくる基礎レベルかと思う。 -
-
-
-
Posted by ブクログ
日米のDX格差や組織論の「見取り図」としては有用だが、現場の突破口を求めるには物足りない
データドリブン経営への変革を進めるにあたり、全体像や論点を整理する目的であれば一読の価値がある一冊です。
納得感が高かったのは組織設計に関する言及です。データ分析部門をIT部門の内包型にするのか、各事業部門に分散配置するのか、あるいは独立組織（CoE）として立ち上げるのかといった体制論は、まさに多くの企業が直面している重要課題であり、その整理は的を射ています。ただ、提示されている論点自体は類書でも語られる標準的な内容が多く、「まあそうだよな」という確認の域を出ない印象も残りました。
また、引用されているIPA『DX白書』のデータ――特に「アジャイルの導入状況」や「経営者・IT部門・事業部門の協調度合い」における日米の圧倒的な格差――には改めて危機感を抱かされます。しかし残念だったのは、「なぜ日本企業ではこの協調が生まれず、アジャイルが進まないのか」という根本課題の掘り下げと、それを現場でどう解消していくかという実践的・具体的なアプローチが乏しかった点です。課題の提示で止まっており、処方箋が語られていません。
本書の中で最も読み応えがあったのは、著者が所属するアクセンチュア自身の「AIセンター設立」をはじめとする自社事例です。実際の体制構築や推進プロセスには具体性があり、非常に示唆に富んでいました。
しかし、その自社事例を除くと、全体的にコンサルティング視点の綺麗な一般論やフレームワークに抽象化されており、現場が本当に直面する組織間の利害対立や泥臭い障壁をどう乗り越えるか、という解像度には欠ける印象を受けます。
総じて、経営層や企画担当が「データドリブン組織の全体像・あるべき論」を俯瞰して把握するための入門・整理書としては優れていますが、現場の推進リーダーが直面する壁を突破するための「具体的な実践ガイド」を期待して読むと、やや肩透かしを食うかもしれません。 -
-
