ツールを売るか、結果を売るか？AI 企業は全く異なる二つの未来へと向かっている

作者：Variant

翻訳：TechFlow

TechFlow 編集部注：AI 企業は 2 つの種に分化しつつあります。一つは法律事務所にツールを売る種、もう一つは自ら法律事務所となる種です。Variant によるこのフレームワーク記事は、なぜ一部の業界は拡張すべきで、一部は自動化すべきなのかを解体します。鍵となるのは責任、検証コスト、そして関係性への依存度です。起業家や投資家にとって、これは AI 企業の天井を判断するための実用的な基準です。

第一波の AI 企業は主にワークフローの拡張を行いました。その多くは企業向け SaaS 史上最も成功したビジネスとなっています。2026 年までにモデル能力が臨界点に達し、スタートアップは戦術を変更し始めました。彼らは既存のプレイヤーにツールを売るのではなく、自動化を通じて直接相手を破壊します。これらの企業の多くは SaaS というよりも、サービスそのものとしてのソフトウェアのように見えます。

拡張と自動化の対立は、Chris Dixon の古典的なフレームワークである「強技術」と「弱技術」に合致します。弱技術はスキューモーフィックであり、新しい技術で古い手法を複製するもので、通常はより効率的であるに過ぎません。強技術は「第一原理から出発し、既存のリソースを最大限に活用し、技術が本来あるべき姿を設計する」ものです。

法律サービスを例に取ります。Harvey は法律事務所に月額 SaaS 購読を販売しますが、競合他社の Crosby はそれ自体が法律事務所です。AI が法律業務を行い、人間弁護士は最も人間を必要とする場所でのみ介入します。クライアント関係の構築と維持、作業の検証、問題発生時の責任負担です。

拡張ツールを売る企業は、顧客や組織構造を破壊したくありません。それは彼らの生命線だからです。自動化を売る企業は、世界を大きく変えるべきだと示唆しています。サービス企業と同様に、自動化を行う AI 企業は、席数、トークン数、または購読ではなく、結果を販売する傾向があります。

Chris は文中で、強技術も弱技術も成功できると述べています。往往是時間軸が異なるだけで、両方の道はすでに大きな結果を生み出しており、今後も生み出し続けるでしょう。問題なのは、どのパスが具体的な仕事、市場、そして技術能力の進化状態によりマッチするかです。

Variant では、どのワークフローが自動化に適し、どのワークフローが拡張に適かを判断するためのシンプルなフレームワークを使用しています。これに従って往下看ると、どのような垂直企業が登場しうるか、どこにベンチャーキャピタル規模の機会が現れるかが見えてきます。私たちは 3 つの次元を見ます：

1. 責任：AI がエラーを起こした際、どれほど危険でコストがかかるか？
2. 検証：ユーザーが作業品質を確認するのはどれほど速く安いか？
3. 関係：体験はどれほど人間同士の相互作用に依存しているか？

責任が高く、検証コストが高く、関係性に高度に依存する仕事は拡張に適しています。このフレームワークは Crosby と Harvey の対比において一目瞭然です。大企業の内部法務はフレームワークの 3 項目すべてに合致します。高い責任、高い検証コスト（多くの開放的なタスク）、高度な関係性依存です。Harvey や Claude Cowork のような拡張ツールは、このシナリオにおいて理にかなっています。対照的に、Crosby は商業契約のようなより日常的で高頻度の法律サービスに焦点を当てており、責任は通常低く、検証が容易で、関係性への依存が弱く、サービス対象はスタートアップです。

私たちがパブリックチェーン上で自律システムを構築する際に学んだ類似のルールがあります。スマートコントラクトは検証可能なものに対してのみアクションを起こせます。検証できないものはすべて、人間に返されてチェーン外で拡張処理される必要があります。通常はガバナンスを通じてです。暗号通貨トークンも類似のルールに従います。検証可能な数量（計算能力、ステーキング、流動性）を報酬とするのは極めて得意ですが、主観的な品質を報酬とするのは極めて不得意です。これが、暗号通貨が金融市場を成功裏に立ち上げながら、Airbnb や Uber をまだ成功できていない理由です。ここでの教訓は、真の自律システムがどこでスケールできるかを判断する際に、ますます適用されるようになっています。

現在、真の自動化は適用範囲と到達可能な市場規模においてより制限されています。自動化ワークフローに焦点を当てるスタートアップは、しばしば狭いビーチヘッド市場に最も適合し、スタートアップやプレイの変更に対してそれほど抵抗がないニッチ市場に販売します。

狭いウェッジ市場からスタートすることは、大規模な AI 研究所の「キルゾーン」を回避する一つの方法です。後者はより大きな既存市場を拡張するために水平展開に注力しています。

時間が経つにつれて、私たちは自動化ソリューションが、より関係性に依存し、責任が高い市場をゆっくりと侵食していくと考えています。モデル能力が拡大し、検証コストが低下し、人間と AI の相互作用が不気味の谷を越え、文化的受容度が向上しているためです。その場合、ビーチヘッド市場から得たファーストムーバーのデータ優位性が複利効果を生み、スタートアップが市場そのものと共に成長できるようになるかもしれません。

業界ごとに自動化と拡張の構図と長期的な魅力は分化し続けるでしょう。教育を例に取ります。Alpha School は垂直統合された AI プライベートスクールであり、教師を「ガイド」に置き換え、基本的に自動化された学習プロセスを促進します。AI 支援教育が極めて重要になると信じていますが、過度な自動化と垂直化はニッチ以外には拡大しないと考えています。保護者は教師と生徒の関係を心配し、学校は責任を心配するからです。私たちの教育システムの大部分は硬直的な（しかもほとんどが公立の）機関であり、これがすぐに変わることはなさそうです。トップレベルの私立機関でさえイノベーターのジレンマに直面しています。したがって、拡張に焦点を当てたソリューションの方が大きな結果を出す可能性が高そうですが、既存プレイヤーの参入競争にも直面することになります。

採用は反対方向を指しています。私たちは自動化をより有望視しています。この垂直領域における Harvey 対 Crosby は以下の通りです。Juicebox は採用担当者に候補者ソーシングソフトウェアを販売しますが、Prism はそれ自体が採用担当者です。職務 brief を与えると、面接準備完了の候補者をデリバリーし、誰かが契約した時のみ課金します。重要な段階は検証が容易です（返信率、面接パフォーマンス、契約率）。責任は比較的低いです。採用は高度に関係性に依存していますが、採用活動はより上流です（主に候補者を見つけ面接に転換すること）。这也是企業がしばしばアウトソースする機能であり、そのため最初の顧客はスタートアップです。彼らはチームを構築するよりも結果を買うことを好みます。最大の企業は内部採用担当者を持ち、拡張ツールを選ぶでしょう。自分自身を自動化することにあまり乗り気ではないからです。目標顧客はスタートアップであり、これは細い楔です。自動化ソリューションがデータ豊富なプロセスに埋め込まれ、時間とともに改善し、市場と共に成長することを可能にします。

AI 企業には 2 種類あります。拡張者と自動化者です。両方とも人間の自律性を拡張できますが、方法は異なります。拡張者は既存の組織内において人々により多くのレバレッジを与えます。より多くの知識、より多くのアウトプット、より多くの主導権です。自動化者はアクセスを拡大します。かつて企業しか購入できなかった専門家サービスが誰でも利用可能になり、消費された時間がより野心的な事のために解放されます。最新の機会はソフトウェアを売るだけでなく、サービスそのものになることです。