a16z：OpenAIなどの企業がアプリケーション層のすべての機会を奪うことはない——あなたのAI不安症を解消しましょう
TechFlow厳選深潮セレクト
a16z：OpenAIなどの企業がアプリケーション層のすべての機会を奪うことはない——あなたのAI不安症を解消しましょう
OpenAIがすべてのAIアプリを駆逐するのか？a16z「あなたは間違った道を歩んでいます。」
Web3業界の深掘り報道に専念し潮流を洞察著者：Joe Schmidt IV
翻訳・編集：TechFlow
TechFlow解説：AI起業家が最も強く抱える不安とは何か？ それは、OpenAIやAnthropicがアプリケーション層のすべての機会を奪ってしまうのではないかという懸念だ。a16zのパートナーは「黄金の道（Yellow Brick Road）」理論を用いてこの問いに答える——大規模言語モデル（LLM）研究室は、横断的で単一ステップのタスクのみを主導するに過ぎず、真のチャンスは、垂直領域、多段階のワークフロー、そして規制要件が厳しい分野にある。本稿は、AI起業家および投資家にとって必読の一文である。
最近、私は創業者や潜在的な採用候補者から繰り返し、ある質問を受ける。「AIアプリケーション層には、まだ何かできることがあるのか？ それとも、OpenAIやAnthropicがすべてを駆逐してしまうのか？」
この問いには、特有の「AI不安症」が潜んでいる。一部の人々は、唯一の生き残り戦略として、大規模研究室の内部にとどまるか、ロボティクスやハードウェアなど、いわば「研究室が手を出せない最先端分野」へ進むしかないとの結論に達している。もしほぼすべてのソフトウェアが、CodexやClaudeによって直接吸収されるか、あるいは将来のモデルによって自らの作業そのものが不要になるならば、さっさと逃げ出すべきではないか？
正直に言うと、私自身もほぼ全員と同じくAI最大主義者であり、彼らの主張には半分ほど賛成できる。確かに研究室は、膨大なアプリケーション表面を食らい始めている。しかし、「アプリケーション層」というのは均質な機会ではなく、正しいフレームワークは、「黄金の道を歩いているか」、それとも「オズの国その他の場所にいるか」である。
「黄金の道」とは、研究室が巨額のリソースを投じて進んでいる道の略称である。コード生成、ライティング、画像作成といった課題は、基盤となるモデル能力の向上とともに自然と改善するため、研究室にとって最適な領域だ。すなわち、事前学習や後続学習への1ドルの投資が、そのまま製品品質の向上につながる。一方、「オズの国その他の場所」には、より複雑で、通常は垂直領域に特化した課題が存在する。それらは、一般ユーザー向けの横断的ツールと標準的なツール・コンピュータ操作を組み合わせるだけでは解決できない。価値は、特定業界において出力を信頼可能かつコンプライアンス準拠・実行可能にするために、モデル周辺に構築される「足場（scaffolding）」に多く存在する——単なる基盤モデルの原始的能力（それでも重要ではある！）を超えた部分である。
これをリアルタイムで目撃しているのが、OpenAIやAnthropicが実際に市場に対して発信しているメッセージだ。つまり、汎用AIコワーカーで「すべての問題」を解決できるわけではないという事実である。両社は、企業向けに自社モデルを設定・カスタマイズする大規模な先行展開型合弁事業を発表しており、これにより完全な企業を立ち上げようとしている。もし次回のモデルリリースですべてが解決すると考えているなら、数十億ドルもの資金をこうしたプロジェクトに投入することはないだろう。
したがって、AIアプリケーションを構築して富を築こうとするなら——黄金の道を避け、「オズの国その他の場所」で構築すべきである。以下に、私たちが得た知見、および当社ポートフォリオの創業者たちが得た知見を、何が有効かという観点から紹介する。
黄金の道
あなたが会社を設立しようとするとき、黄金の道は最も明確な経路だが、同時に最も危険でもある。高性能なモデルを取り、G Drive、Slack、Salesforce、Notion、GitHubなどの既存のコネクタを接続し、その上に何らかのエージェントオーケストレーション層を提供する——なんと素晴らしいことか！
しかし問題は、まさにそれがCoworkやCodexで研究室が行っていることだということにある。もちろん、彼らはモデルを所有しており、それがより高いマージン、コントロール権、および下流のあらゆるプレイヤーに対する価格設定権をもたらす。しかし、おそらく最も重要なのは、彼らが自社製品が得意とする課題を定義するアーキテクチャ選択権を握っているという点だ。現時点まで、彼らはモデル＋ツール呼び出しというパターンに慎重であり、これはまさに黄金の道における横断的・低ステップ数の作業に必要なものである。仮にスタートアップが何らかの方法でCodexやClaude Codeを凌駕できたとしても、研究室は圧倒的な流通チャネルと、AI分野で最も強力なブランド・オーラを有している。
もしあなたがAIアプリケーション企業であり、同じコネクタを用いてこの手法を実行し、サブエージェントやカスタマイズ機能を持たず、流通チャネルも持たないなら、あなたは行き場のない道を歩んでいる可能性が高い。
オズの国その他の場所
スタートアップにとって、すべてが不吉な兆候というわけではない。「黄金の道」以外には巨大な機会があり、そこではスタートアップが顧客を独占し、複雑な課題を解決する明確な道筋を持つことができる。
こうした企業は、モデルをツール・自動化・統合（言い換えれば：ソフトウェア）の複雑なネットワークに埋め込んだエージェント体験を構築しており、結果としてこれらのスタートアップは自然と垂直領域に特化する。彼らは、多段階・多関係者によるワークを重視し、役割や業界固有のタスクに特化したサブエージェントを活用する。これは、AnthropicやOpenAIの横断的プラットフォームでは到底及ばない領域である——システム間でコンテキストを収集し、それを異なる段階で承認が必要な複数の人物にルーティングするといった作業だ。これは通常、レガシーシステムを含むことが多く、確定的な結果を要求し、曖昧性を許容せず、しばしば特定の価値あるビジネス成果と関連付けられる。研究室はこうした課題の価値を十分理解しているからこそ、自社の外部設定（outsourced configuration）ストアを構築しているのであり、また高額な強化学習（reinforcement learning）サービスという新たなビジネスカテゴリが成立しているのだ。
なぜ「オズの国その他の場所」は魔法使い（研究室）に支配されないのか
上記の主張に対する反論として、「これまで、モデル／研究室が進化しないと予想することは、非常に悪い賭けであった」という指摘がある。今後も研究室はさらに進化し、最終的にはこうしたアプリケーション層のビジネスサービス市場を食い尽くすだろう。
研究室は確かに進化し続けるだろうが、「オズの国その他の場所」には、時間の経過とともに自社を守るための幾つかの方法があると考える。
データとラーニング・フライホイール：
あなたが内面化した多くの知識は、どのトレーニングセットにも存在しない——暗黙の業界規範、未記録の標準、現場の専門家の頭の中にしか存在しない「部族的知識（tribal knowledge）」などだ。これらは公開ネット上には一切存在しない。いかなるトレーニング計算量を投入しても、こうした知識が実際に存在するワークフローに身を置くことに代わることはできない。ここには二つの重なり合うフライホイールがある。一つは顧客間のフライホイール——同一課題のより多くのバリエーションを見ることで蓄積されるパターン——であり、もう一つは顧客内のフライホイール——特定の意思決定の背景にある理由、口に出されていない例外、企業独自の経験則などであり、これらはシステムとの実際の相互作用を通じてのみ浮かび上がる。
たとえ顧客データが他顧客と共有できないとしても、アプリケーション企業は、顧客間の課題タイプのパターン認識を活用でき、それを将来の課題に対する適切なアーキテクチャ設計に転用できる。すでに自社のエージェントを100回の法務改訂、1,000回の保険引受サイクル、または1万回のSDR活動で実行済みの企業は、新参者が決して再現できない形で、その課題の「形状」を内面化している——たとえ新参者が全く新しいエージェントを初めて起動したとしても。
横断的エージェントは原則的に同様のラーニング基盤を構築できるが、そうしない理由は、純粋な集中力の問題に加え、ユーザーエクスペリエンスにもある——こうした知識の取得は、ユーザーのワークフローインタフェースの設計に完全に依存しており、垂直領域プレイヤーは自社のワークフローが必要とする内容に応じて、そのインタフェースを自在に設計できる。横断的ツールにはそれができない。評価用データセット、出力のラベリング、エッジケースの分類法は、垂直領域特化のデータ・フライホイールを形成し、ファインチューニングの燃料となり、新参者は同等の実運用露出がなければそれを生成できない。これはデータ利用権、累積された実運用露出量、および顧客契約の構造に依存するが、いずれにせよパターン認識は確実に蓄積される。
モデルの可変性と複雑性の管理：
研究室はすでに内部でルーティングを行っている——異なるリクエストには異なるモデルカテゴリーを適用し、基盤ではアンサンブルを用いる。しかし、複数ベンダー間でのルーティング、特定サブタスクごとに競合他社のモデルを評価する、あるいは実際の最適な狭い領域にオープンソースのファインチューン済みモデルを適用するといったことはできない。一方、「オズの国その他の場所」の企業は、モデル市場全体の各サブタスクに対し、母体研究室がリリースしたものだけでなく、最適なモデルを選択する。さらに、誰もやりたがらない作業も遂行する——モデルアップグレード時に再評価を実施し、顧客のエッジケースに応じてプロンプトを再校正し、本番環境を停止させずにデプロイする——毎回の新モデルリリースのたびに。研究室は顧客の代わりにこうした作業をしない。彼らは次のモデルを販売し、顧客に移行を指示するだけだ。「オズの国その他の場所」の企業は、この移行作業を吸収する。顧客は、市場全体で最高のインテリジェンスと、各アップグレードにおける継続性を得るのである。
コスト最適化：
Opus 4.7を使ってすべてのクエリを実行するのは、負の粗利益率へと至る最速の道である。優れた「オズの国その他の場所」の企業は、モデルのレイヤーを横断してルーティングを行う——最も難しいタスクには最先端モデルを、大部分の作業にはミッドレンジモデルを、そして自社が使用権を獲得した場所では、さらに小さなカスタム／ファインチューン済みモデルを適用する。なかには、現在その上で自社モデルのポストトレーニングを実施し、顧客が重視する狭い業務断片に最適化することで、最先端API呼び出しコストのごく一部でサービスを提供している企業もある。研究室は「底線（bottom line）」に基づいて価格設定を行う——Xドルで提供される最小限のインテリジェンス。一方、「オズの国その他の場所」の企業は逆のものを販売する——ワークフローが実際に必要とする特定レベルのインテリジェンスを、最低限のドルコストで提供する。これは、各サブタスクがどの程度のレベルを必要とするかを正確に把握して初めて可能になるが、研究室は構造的に、各垂直領域を横断してそのことを知ることはできない。これは直接的に、より低く、かつ制御可能な結果価格へとつながる。
ガバナンス：
顧客がその垂直領域でAIを運用するための「コントロールプレーン（制御平面）」となることは、非常に大きな価値を生む——権限、監査、エージェントが何を許可されているか、そして実際に何を行ったかがすべて集約される場所である。このコントロールプレーンは、用途に応じたガードレール（安全装置）で構成されており、それは業界や業務種別ごとにまったく異なる姿を呈する。彼らはツール・ワークフロー・エージェントが接触するデータをエンドツーエンドで所有しているため、横断的ツールが困難とするような確実な結果を提供できる。また、彼らは最終購入者側の規制複雑性を吸収する主体でもある——法務分野のFRCP（連邦民事訴訟規則）および弁護士協会規則、医療分野のHIPAA（健康保険の携帯性および責任に関する法律）、金融分野のSEC（米証券取引委員会）およびFINRA（米金融業界規制機構）、州レベルの保険規制などである。横断的プレイヤーがこれを信頼性高く実現するには、同時に100の異なる垂直領域の専門家になる必要がある。CIOは、契約書の中で、自社が提供するエージェントのコンプライアンス対応を請け負うと明言するパートナーを求めている。
これらすべては、一点に帰結する：集中（Focus）。それは、保険、法務、会計といった垂直領域でもよいし、営業、カスタマーサポート、財務といった深掘りされた機能でもよい。どちらにせよ、この仕事には、顧客層のワークフロー、エッジケース、規制に集中するチームが必要である。研究室はそのためには設計されていない。彼らはどこにでも存在し、すべての人にサービスを提供しなければならない。だからこそ、まず黄金の道を築いたのだ。このトレードオフが、彼らを「オズの国その他の場所」へと導くことができない理由でもある——どこにでも存在することと、一つのことに卓越することの両立は不可能である。
営業を例に——11x Technology CEOからの実践的アドバイス
この問題を実践的にどう捉えるべきか？ 以下は、11xのCEO Prabhav Jain氏による実用的なアドバイスである。
結果に焦点を当てる
研究室に対してレジリエントな企業を構築する戦術的アプローチは、顧客が本当に重視する特定の結果から始めるところにある。我々の場合、それは企業がより多くの営業リードを生み出すのを支援することだ。そこから問題は戦術的になる。我々がエンドツーエンドで所有すべき、実際にリード創出を推進する活動は何か？ それぞれの活動をタスクに分解する。どのタスクがエージェント化可能か、そうでないか。どのタスクが複雑な業界洞察を必要とするか、そうでないか。研究室もワークフローをリリースするが、ワークフローのステップ数が多く、入力が混沌としており、状態が解釈困難であったり、現実世界の制約が絡んだりする場合、単に優れたモデルだけで目標に到達することはできない。ここで求められるのは、従来のソフトウェア工学であり、研究室はこの領域において、専門的なアプリケーション企業に対して何の優位性も持たない。例えば、我々が処理している以下のタスクのいくつかはエージェント化されており、またそうでないものもある：カスタム信号に基づく見込み顧客の発掘、見込み顧客情報の充実、深層的なアカウント調査、CRMからのコンテキスト取得、特定チャネル向けのメッセージ作成、見込み顧客資格審査エージェント、およびメール配信システム。これらは一度で完了できるタスクではなく、深いエンジニアリングを要する。
「オズの国」比喩における鍵となる洞察は、いかなる実際のワークフローにおいても、非エージェント化部分の約半分は、研究室に優位性がないということだ。彼らはモデル層の下にある確実なソフトウェアの開発において、あなたよりも優れているわけではない。また、エージェント化された部分についても、実際に望む結果に向けてモデルを調整・訓練・制約する必要がある。業界知識は、通常、汎用の訓練データには存在しない。こうしたスキルは、垂直領域または機能ごとにゼロから構築され、ワークフローの適切なタイミングでモデルに注入される。我々のエージェントが電話でインバウンドリードの資格審査を行う際には、その特定業界およびその役割に即した優れた営業会話に照準を合わせて訓練しなければならない。これはアプリケーション企業の仕事であり、複利的に成長する。
さらに重要なのは、こうしたスキルは常に陳腐化していくということだ。なぜならビジネスは絶えず進化しているからである。したがって、こうしたワークフローとコンテキストを進化させ続けられる能力こそが、真の競争優位性なのである。例えば、我々がスケール可能なメール外向け製品をリリースした当初、「AI」が作成したメールが登場し始めたばかりだった。今では、人々はAI作成メールと人間作成メールを鋭く識別できるようになっており、この識別力は数か月ごとに変化している。我々のエージェントは市場のダイナミクスに絶えず適応しなければならないが、まさにこれがモアット（城壁）が築かれる場所である。実際、市場は絶えず変化しているにもかかわらず、過去数か月間に我々の積極的な返信率は4倍に増加し、顧客に数億ドル規模の営業機会を創出している。
複雑度の高い課題に焦点を当てる
複雑な課題こそが、真に商業的価値を解放する場所である。そうでなければ、単なる薄っぺらなラッピング層を構築しているだけになってしまう。
十分に複雑なビジネス課題を分解すれば、すぐに混沌が顔を出す。GTM（Go-to-Market）分野からの一例を挙げよう。一見単純に思えるが：ある企業が既に顧客であれば、その企業の担当者に連絡すべきでない。しかし実際には、はるかに複雑である。あなたのCRMにはその企業のドメイン名が登録されているかもしれない。しかし、数十の子会社を持つ企業はどうか？ CRMの記録に親会社のドメイン名が登録されている場合は？ Salesforceに古いマッチングフィールドが残っていて、既存顧客のCRO（最高収益責任者）に寒いメールを送ってしまった場合は？ 現実世界のデータは混沌としている。人間ですら処理に苦慮する。モデルはこの障壁を魔法のように乗り越えることはできない。混沌から秩序を引き出すには、特定の課題の構造に特化して設計されたエージェントが必要であり、CRMを単に指す汎用の副操縦士（copilot）では不十分である。実際、我々が保有するデータによると、我々のデータの品質と新鮮さは顧客よりもはるかに高いことが明らかになったため、我々はデフォルトで自社のデータを基準としている。
ガードレールは、単に悪いことを防ぐためだけにあるのではない。顧客があなたに支払う理由が、まさにそこに存在する。
ガードレールは過小評価されている。たとえ同一製品内であっても、各ユースケースには独自のガードレールが必要である。我々の場合、規制対象の金融サービス見込み顧客には、中堅市場のSaaS顧客とはまったく異なる保証が求められる。こうした保証は、エージェントがコンテンツをどのように作成するか、誰に連絡できるか、どのデータにアクセスできるか、電話で何を話せるか、そして各意思決定がどのように記録されるかにまで浸透する。
ワンサイズフィットオールのシステムは、こうした差異の前では崩壊する。ガードレールはユースケースごとに構築され、顧客ごとに設定され、継続的に監査される必要がある。この作業は完全にアプリケーション企業に委ねられている。だからこそ、我々にはフルタイムのデプロイエンジニア（FDE）およびテクニカルデプロイ戦略家が在籍し、各顧客のニーズに応じて最適化を行う必要がある。例えば、我々はフォーチュン500入りの金融機関と提携し、音声を用いて、彼らの大規模な中小企業顧客層に対して、事前の同意を得た上でアウトバウンド通話を実施している。初期の数回の反復では応答率が低かったが——我々は迅速に反復し、この特定のターゲット層を、通話開始から10秒以内に巻き込む方法を学ぶ必要があった。中小企業経営者の行動は、大規模B2Bバイヤーや消費者とはまったく異なる。現在、我々は1日に彼らのために創出する営業機会の数が、彼らの該当セグメントの営業チームが1か月かけて創出する数を上回っている。
保険を例に——FurtherAI CEOによる実践的アドバイス
営業は一例にすぎない。保険は、同じ真理を別の角度から示すもう一つの例である。以下は、FurtherAI CEOのAman Gour氏による、「道の外」で構築する方法に関する考察である。
我々が実際の保険業務にAIを展開し始めた当初、繰り返し耳にする特定の前提があった：「モデルこそがインテリジェンスであり、ワークフローは単にそれを取り巻く足場に過ぎない」。
より多くの保険会社と協働を重ねるにつれ、我々はこの見方が誤っていると確信するようになった。
保険業界では、多くのインテリジェンスがワークフローそのものに存在する。2つの保険会社が、申込書を一見同じパス（提出→審査→見積もり→引受）で処理するとしても、パス自体は単純な部分に過ぎない。両社を区別するのは、パスの「内部」にあるすべての要素である——どのリスクを上申すべきか、どの損失サインが重要か、2つのリスク嗜好ルールが衝突した際にどちらを優先するか、いつ人間の署名が必要か、どの外部データを呼び出すか、そして最終的な意思決定をどのように記録するか。
こうしたロジックは、きれいなルールエンジンには存在しない。それは標準作業手順（SOP）、マネージャーのレビュー、引受哲学、会社固有のリスク嗜好、そして長年にわたる運用経験に分散している。その多くは、モデルが直接読み取れる形式で記録されていない。
だからこそ、我々は、常にゼロから推論する純粋なエージェントにも、混乱した現実に直面して即座に崩壊する硬直的なワークフローにも、信頼していない。我々が構築し続けているのは、「エージェント化されたワークフロー」である。ワークフローは再現性、監査可能性、コストコントロールを提供する。エージェントは変動性を処理し、理想的なパスが途絶えた際に復旧する。判断を要する局面では、人間が責任を持って関与し続ける。
初日には、これは手作業を自動化するだけである。しかし時が経つにつれ、すべての上申は信号となり、すべての例外はフィードバックとなり、すべての人間による修正は、運用マニュアルの不完全さを露呈する。やがてワークフローは単なるスクリプトではなく、保険会社の運用記憶へと進化する。これは研究室が到底及ばない領域である。彼らはより良いモデルやより良い汎用エージェントをリリースし続けるだろうが、それは構わない。しかし、彼らは保険会社の実運用ワークフローに十分長い時間をかけて留まり、あるアカウントがなぜ上申されたのか、あるリスクがなぜ拒否されたのか、あるいは引受担当者がリスク嗜好ガイドラインに反して判断したがそれが正しかった理由を理解することはない。
こうした理解は、実運用環境でワークフローを数千回実行することによってのみ得られる。初日に提供するワークフローはモアットではない。モアットは、実運用による使用が時間とともに生み出すフィードバックループである。
我々にとって、これが「道の外」で構築することの意味である。
あなたが「オズの国その他の場所」にいるかどうかを判断する方法
ツールとステップ数テスト：この仕事にはいくつのステップが必要か？ それをサポートするために、どれほどの複雑さのツールを構築する必要があるか？ Google Drive上で行う横断的AI検索（1ステップ・1ツール、結果の許容誤差が高く、ユーザーが要約を読んで不正確であれば再度質問できる）と、3年分の法律事務所の先例に基づく多段階の法務改訂（数十のステップを複数のツールにまたぎ、出力はパートナーの審査を経る必要があり、裁判所で弁護されることもある）を比較してみよう。どちらも「エージェントが仕事をしている」ように見えるが、後者のみが、専門チームが数年にわたって構築した深いソフトウェアを必要とする。
システムテスト：あなたが構築しているのは、顧客が仕事を実行するために使う「システム」か、それとも顧客の既存システムの上に載る「ツール」か？ システムはワークフローをエンドツーエンドで所有する——データ取得、ガバナンス、完了記録——これらは、顧客が実際の仕事がどのように行われるかを説明する際に指し示すものである。一方、ツールは、顧客がすでに実行しているワークフローにインテリジェンスを追加するだけのものである。ツールのシナリオは実際の収益を生むが、研究室がそれを奪う可能性がある。なぜなら、顧客はあなたをオーケストレーション層として依存していないからだ。高ACV（平均契約価格）は通常、システムのシグナルである。なぜならシステムは実際の人間労働を代替し、それに基づいて報酬を得るからだ。ただし、これは保証ではない。自分に問いかけてみよう。「もし研究室が、あなたと直接競合するとされるものをリリースしたら、顧客は依然としてあなたのツールを必要とするだろうか？」 もしそうなら、あなたはシステムを構築している。そうでなければ、あなたはツールを提供している——たとえACVが高くても。
ヘッジファンド／損益計算書テスト：研究室のパフォーマンスはベンチマークテストによって評価されるが、「オズの国その他の場所」のパフォーマンスは顧客の損益計算書によって評価される。顧客は、あなたのモデルがSWE-BenchやMMLUでどれだけのスコアを出したかなどには関心がない——彼らが気にするのは、あなたのエージェントが契約を成立させたか、契約書を正しく改訂したか、正しい保険契約を引受けたか、ということである。彼らが特定のワークフローの結果に焦点を当て、汎用能力スコアには関心がないなら、あなたは「オズの国その他の場所」にいる。もし彼らが汎用能力に対して支払っているなら、あなたが提供しているものは、ClaudeやCodexのサブスクリプションで手に入れることができる。最高のエージェントビジネスは、ヘッジファンドのように実行されなければならない——ベンチマークスコアではなく、顧客の損益計算書におけるアルファ（付加価値）で勝負するのだ。
両方とも（そしていずれも）勝つことができる
「黄金の道」上でも、その外でも、巨大な勝者が現れるだろう。モデルは、モデルを所有し、横断的ツールの流通チャネルも所有しているという点で、今後も勝ち続けるだろう。
「オズの国その他の場所」も勝つことができるが、そのためには「ワークシステム」を所有しなければならない——企業が実際に仕事を遂行するインターフェース、およびそこから流れ出て捕獲されるデータである。こうした企業は、データの取得、ワークフロー実行システム、ガバナンスを所有する。垂直領域におけるより複雑なワークフローが成熟するにつれ、それらは顧客が依存するコア体験へと複利的に成長する。次世代のモデルが既存プレイヤーや新規参入者からリリースされる際、こうした企業は、それらを統合し、顧客に届ける層となる。基盤となるモデルは交換可能であるが、ワークシステムはそうではない。
次世代のエンタープライズソフトウェアは、「道の外」で構築されるだろう。
もしあなたがそれを構築しているなら、ぜひご連絡ください：jschmidt@a16z.com。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
a16z
