認知労働の限界費用がゼロへ向かう時代、同じLLMを使う企業の差はどこで生まれるか。McKinseyの6戦略+3能力「9つの堀」を全訳し、Epicの文書時間50%減やJohn Deereの実例、投資家が銘柄を読む技法まで拡張する。
「全員が特別なら、誰も特別ではない」——映画『Mr.インクレディブル』から借りたこの一句が、いまのAI導入の核心を突くとMcKinseyは言う。約9割の組織が少なくとも一つの業務でAIを使う時代、同じ大規模言語モデル(LLM)で生産性を上げても、それは優位ではなく入場券にすぎない。ではコードが複製され、知能が量産される世界で、競合に真似できない差はどこに掘れるのか。本稿はMcKinsey QuantumBlackが示した「6つの戦略の堀+3つの能力の堀」を一つも欠かさず日本語で展開し、その土台にある限界費用ゼロの経済学をAIの基礎から解き、最後に日本の投資家がこの9類型で銘柄を読む技法へ翻訳する。出発点は、認知という商品の値崩れである。
白菜価格になる知能 ― 限界費用ゼロの経済学
底流で起きているのは、認知労働の経済学の崩壊だ。かつて知的生産は、高い参入障壁と再現の難しさを持つ人間の専門家に依存していた。いまAIが認知のコストを大規模に標準化・量産可能にした結果、その限界費用は限りなくゼロへ収束しつつある。仕組みは単純で、LLMの追加1回答にかかる費用は推論の計算量(トークン数×単価)と電力にほぼ等しく、モデルの蒸留・量子化と推論基盤の改善で単価は年々桁で下がる。巨額の訓練費は固定費であり、利用が増えるほど1回あたりに薄く償却される——人件費15ドルだった顧客対応が数円〜数十円の計算機代になり、なお下がり続けるのはこの構造ゆえだ。知的生産が誰でも手に入る「白菜価格」の世界へ変わる。
ならば次に起こるのは、物理資産による次元の違う逆襲である。AIが実体経済を支える時代に、競合がどれほど優れたコードを書けても、現実世界に数万台規模の生産設備や機械群を無から生み出すことはできない。真の競争優位は、巨大な農業機械ネットワークや、長年蓄積された農学分野の非公開データ(暗黙知データ)に宿る——そこにこそ本物の参入障壁がある。同時にAI時代は「人頭単価」「工数課金」の終焉を告げる鐘を鳴らす。旧世界は投入量に課金する世界、新世界は成果そのものに価格が付く世界だ。
そしてその優位を形づくるのが、後述する深く埋め込まれた「三層オニオンモデル」である。Epic電子カルテ群で動くAI処理エンジンが医師の文書時間を強引とも言える水準——約50%——まで削った例が示す通り、従業員の行動導線そのものを組み替える力と、独自の非公開データで自己強化し続けるフィードバック・フライホイールこそ、資金を積むだけでは再現できない障壁になる。もはや従業員にプロンプトの書き方だけを教える局面ではない。単一の高性能モデルへの執着を捨て、インフラとエコシステムをめぐる競争へ全面的に舵を切り、自社の重厚な物理資産と暗黙知データをAIと融合・固定化した者に道が開ける。再編(シャッフル)の時代は、同時に最大の機会でもある。
全員が特別なら、誰も特別ではない ― 9つの堀の見取り図
この罠には前例がある。デジタル変革の波で各社は競ってWebサイトとアプリを作ったが、競争優位——他社が再現しにくい資産と運営モデルの組で、長期に超過リターンを生むもの——は自動では付いてこなかった。McKinseyの銀行業界分析では、2018〜2022年にモバイルアプリの利用は各行で伸びたのに、先行組と後発組の差は広がらなかった。差を広げたのは、デジタルとAIを顧客の一連の体験全体に組み込んで摩擦を減らし、オンライン販売と株主総利回り(TSR)の上振れへ繋げた統合の深さである。教訓は明快だ——アプリと道具は複製できる。価値は、複製しにくい優位=堀を築くことから生まれる。McKinseyはその堀を6つの戦略と3つの能力に整理した。どれも経営者に目新しくはないが、AIが各々の力学を変えた。 その変化を理解することが、「入場券としてのAI」から「持続優位としてのAI」へ跳ぶ道になる。
規模の経済 ― 認知をインフラに変える
多くの業種でAIの最も根源的な経済効果は限界費用の崩落であり、認知作業の比率が高い産業から始まる。15ドルかかった顧客対応は計算機代の端数になり、さらに下がる。単位費用の優位は、顧客1人あたりの提供費用を桁で下げられる企業に移る。計算や保存の初期費用が下がりAIの経済性が流動的ななかでも、価値を規模化する費用には幅広い技術能力が要る。堀になるのは、認知作業をインフラ——データパイプライン、追加調整済みモデル、統合済み業務フロー、統制の層——へ変換し、ごく低い増分費用で規模化する力だ。フィードバックループと利益率の改善が、より良いモデル・広い販路・買収への再投資を生む。これは人件費が変動費だったサービス業で特に強烈に効く。新規参入者はLLMに安く触れ、古い技術の重荷も無いが、インフラの壁は残る。
米豪の生命保険会社Resolution Lifeが実例だ。同社のAI基盤は保険数理・マーケティング・財務の作業を自動化し、新商品の投入費用を歴史的水準の何分の一かに下げた。さらに保険金請求の振り分けを数週間から15秒へ縮め、査定員は件数が増えても複雑案件に集中できる。モデルと統合が一度できれば、同じ技術の山がM&Aで取得した契約群も支え、固定インフラへ量を流し込める。読者への含意はこうだ——認知作業が大きな費用を占めるなら、規模の経済を味方にするインフラの整備から始める。事業部や地域をまたぐ量の集約、共有AI基盤の構築、同じAIの山へ量を押し込むM&Aを検討せよ。経営者への問いは「我々の業界でAIはどの取引費用と摩擦を崩落させているか」「限界費用・規模の経済・市場構造への含意は何か」「競合との規模化競争は起きるか」。
特権データ ― 資産クラスとして運用する
特権データが堀になるのは、AIモデルがそれを使って競合に出せない製品やサービス——より正確な推薦、改善されたリスク評価、性能の高い道具——を生むときだ。正しく設計すれば、AIとのやり取り一回ごとにラベル付きの行動・成果データが増えてモデルの訓練に還流する。データのフライホイールである。最も価値あるデータは累積的で守られたもの——過去の取引履歴や機器の稼働記録だ。Amazonは閉ループ生態系の中でこれを実演する。小売とマーケットプレイスを横断して検索行動・商品閲覧・購入・配送・広告反応の独自シグナルを巨大規模で捕捉し、推薦・需要予測・広告ターゲティング・市場最適化を、同等の行動・取引データを持たない競合が再現に苦しむ水準へ磨く。その経済価値は2025年に売上680億ドルへ達した広告事業に見える——独自の商業データは複利で増える高価値資産に変わる。
含意は「データを戦略的な資産クラスとして経営する」こと。差別化の土台になるデータを優先順位付けし、それを規模で捕捉・濃縮・維持する仕組みを実装する。将来の規制制約を招かないよう、厳格な保護を含む責任あるデータ管理を示す。経営者への問いは「顧客の利用などを通じ、どんな独自データ(これまで使えなかった非構造データを含む)を捕捉・ラベル付け・生成すれば、競合が追いつく速度を上回ってモデル性能を複利化できるか」「逆に競合がどんな独自データを築けば我々が劣位に立つか。その時どう応じるか」。
埋め込み ― 三層オニオンが乗り換えを封じる
AIは中核業務に埋め込まれたとき、便利な道具から必需品へ変わる——AIエージェントが供給網を指揮し、営業と保守の流れを駆動し、電子カルテの中で診療文書を生成するときだ。これを外すには統合の再構築、業務フローの設計し直し、従業員の再訓練、積み上げた性能向上の放棄が要る。堀を成すのは図の三層で、時間とともに複利になる。
- 層① 機能がCRM・ERP・生産性スイート・業界基盤といった中核の複雑なシステムへ直接統合され、移行が高くつく
- 層② システムが独自データのフィードバックループで学習し、時間とともに価値を増す
- 層③ 従業員が習熟して頼り切り、変更が摩擦・一時的な生産性低下・組織の抵抗を生む
高度化するエージェントは「何が埋め込みか」を変える(従来の画面を抽象化し直感的な接点を作る)が、そのエージェント能力自体が新たな埋め込みを生む。Microsoft Dragon Copilot(旧Nuance DAX Copilot)が好例だ。診察の環境音を拾って臨床記録を電子カルテ内に直接起草するだけでなく、複数の医療機関でカルテ基盤と業務フローへ深く統合されている。Epic電子カルテを使う150超の病院への展開では文書作成時間が約50%減り、医師の燃え尽きも大きく軽減、導入後に1日あたり数人多く診られるようになった現場も報告される。含意は二方向ある。売り手は深い統合点を見極め、使うほど性能と価値が上がるフィードバックループを仕込む。買い手は、埋め込み型AIへ業務を渡すたびに相手の製品計画・価格軌道・存続へ賭けていると自覚し、データの権利と可搬性を前もって交渉し、学習成果へ使える形で接近し続けられるようにし、保護水準を保つ。経営者への問いは「顧客が切りたくなくなるほど価値ある埋め込みをどう作るか」「逆に、ベンダーが深く埋め込まれて将来の自由度を失う露出はどこにあるか」。
ネットワーク効果 ― AIが網の建築家になる
新しい利用者ややり取りが次の参加者への価値を増すとき、ネットワークは強力な堀になる。AIはこの力学を二重に変えた。第一に、新しい網の成長を阻んできた「最初の客がいない」問題(コールドスタート)を軽くする。出品・コンテンツ・商品説明といった初期供給を生成し、最初から個別最適の推薦で新規利用者の価値到達時間を縮め、投稿と消費を自動化の道具で助ける。第二に、参加者の照合と価値の浮上を改善して網の効果自体を強める。網が育つほどAIが順位付け・推薦・検証・選別を行い、適切な相手同士が出会い、質の高いやり取りが雑音の上へ浮かぶ。クレジットカード網が示す通り、AIは特典を使いそうな顧客へ精密に合わせ、効果を正確に測り、関与を高めて加盟店を呼ぶ——網は大きいからでなく、賢いから深くなる。TikTokの推薦エンジンが利用者に関連コンテンツを即座に届けて関与を加速させたのも同じ力学だ。
そしてAIエージェントが利用者に代わって探し、比べ、取引するようになると、発見は人の回遊から算法の意思決定へ移る。
- エージェント主導の商取引は2030年までに米国小売で最大1兆ドルを動かすとの推計もある。
- 優位は、エージェント層そのものを握るか、エージェントに選ばれる立ち位置を作った基盤へ移る。
- 含意は「費用や危険を理由に見送ってきた網の機会を再点検する」こと。
既存の網があるなら、取引のたびに照合の質を上げ、雑音を減らし、信頼を増すようモデルを磨く。取引がエージェント経由になるほど、誰がエージェントを所有し誰が価値を取るかを明確にする。経営者への問いは「新しい網の構築や既存の網の質の改善で、変革級の成長機会はどこか」「エージェントが仲立ちする市場と生態系で我々はどう戦うか」。
事業モデルの破壊 ― 顧客接点と値付けの主導権
事業モデルの破壊が堀になるのは、既存企業が販路の対立・経済的制約・組織の壁に縛られているときで、AIは二つの軸でこれを加速する。
- 第一は顧客関係だ。事業の「エージェント化」により、AIエージェントが顧客接点を奪う新しい中抜きの局面に入った。仲介者が販売の85%超(企業保険)や約50%(生命保険)を占める市場、約75%が仲介経由の豪州住宅ローンのような市場では、エージェントが仲介機能を再現し直販できる。NEXT Insuranceは、カフェ店主や電気工事士が見積り・加入・証明書取得まで約10分、人間の仲介なしで終えるAI基盤を築いた。60万超の事業者が使い、中小事業者1,500人の調査では約6割がすでに完全オンラインで保険を買う。同じ中抜きはChatGPTやClaudeが外部アプリを統合する場面でも進む——利用者がエージェントの画面から予約すれば、関係とデータはAIが捕捉し、供給者は交換可能になる。エージェントはアプリ横断の行動データを蓄え、新しい習慣と乗り換え費用を作り、生態系全体の需要を形づくる。
- 第二は成果課金だ。概念は新しくないが、AIが成果のリアルタイム計測と継続最適化、予測精度の改善を可能にして実用へ引き上げた。ミシュランのEFFIFUELは複数年契約で燃費削減を保証し、実走データとテレマティクスで契約目標に対する燃料使用を追跡する。長期の契約固定がデータと埋め込みの堀を補強し、競合の切り込みを難しくする。時間単価や日当に経済と動機が縛られたサービス業は、旧モデルの共食いへの内部抵抗ゆえこの価格破壊に弱く、成果起点で設計したAIファーストの挑戦者がより魅力的な条件を出せる。含意——仲介市場にいるならAIで顧客と直接つながれる場所と販路対立を見極める。中抜きされる側なら関係を守る経済的てこを特定する。時間や処理量で課金しているなら成果課金への移行設計を始める。経営者への問いは「どこで仲介を外し、顧客関係を直接持ち、投入でなく成果に課金できるか」「資金力ある攻撃者が我々の摩擦と費用の裁定を突くなら、どんな事業モデルで来るか」。
制約資産 ― 物理世界の逆襲
AIがデジタル知能の限界費用を押し下げるほど、競争力学は物理世界へ移る。現実世界の隘路を制御し最適化する企業が最強の堀を持つ。鉱山・港湾・空港・発電・データセンター用地・流通網といった大規模物理資産はすでに有効な堀だ。物理資産で劣る企業にも道はあり、新旧の物理資産の支配とAIによる最適化を組み合わせたとき堀が生まれる。すでに優位な物理資産(供給物流・医療機器・現場業務)へAIを統合すれば優位は増し、競合が即座に再現できない新しい独自データも生まれる。再現にはソフトウェアだけでなく資本投資・運用の熟練・業務再設計・しばしば規制承認まで要る。Amazonの配送網が示す通り、堀はソフトではなく、在庫配置・経路・ロボティクスをAIで強化した広大で戦略的立地の倉庫・物流インフラそのものだ。同じ論理は物理的業務の中の人間×AI生産系にも当てはまる——資産運用から製造まで、多くの活動はなお人の判断・物理的な立ち会い・規制上の責任を要する。
John Deereは、複製困難な物理資産に結びついたAIの堀の教科書だ。See & Sprayは機体上のコンピュータビジョンと機械学習で雑草を識別し、除草剤をリアルタイムに選択散布する。優位はモデルだけでなく、設置済みの機械群・農学データ・販売網・実際の農場運営への統合から来る。競合が要るのはソフトに加え、畑の機械、保守能力、顧客関係、年単位の運用学習だ。含意は「AIが知識を均すいま、競合が容易に複製できない物理系を自社が握る場所に集中する」こと。目標は既存資産へのAI適用ではなく、知能と組み合わさるほど価値が複利になる物理ネットワークの構築である。経営者への問いは「デジタル知能が安く豊富になるほど価値を増す希少な物理・運用・無形・規制資産はどれか」「インフラ・現場部隊・供給網・設置済み機器・免許と AIの組み合わせで、ソフト専業に追えない優位をどこに作れるか」。
速度・規制・信頼 ― 三つの能力の堀
戦略の堀が「どこで戦うか」なら、能力の堀は「どう戦い続けるか」である。
- 第一は速度への組み替え。AIの性能は実験とデータで伸びるため、学習と展開の速度が同業より常に速い組織は、それ自体が堀になる。ソフトウェア開発速度が上位25%の企業は下位25%の4〜5倍の増収と60%高い株主総利回りを達成し、エージェント型AIは開発の全段階を加速して2週間の反復を24時間へ縮め始めた。要るのは開発者への道具教育ではなく仕事の配線替えだ——変革級の価値を狙い業務全体を再設計する戦略、最上位の技術人材、少人数で速い横断チームの運営モデル、柔軟な技術基盤、事業に埋め込まれたデータ、再利用で普及を駆動する仕組み。配線を替えた企業はEBITDAを10〜30%(平均20%)改善し、先行と後発の差は近年およそ60%広がった。DBS銀行は「旅程で経営する」横断スクワッドへ移行し、データを清掃して使える状態にし、モデルを再利用標準化するAI基盤を築いて、開発展開を12〜18カ月から2〜3カ月へ縮めた。速度は運用指標でなく戦略の差別化要因として扱い、着想→価値実証→規模展開の時計速度を測って隘路を外す。問いは「桁違いに多い実験を回すためにどの意思決定の隘路と展開の摩擦を消すか」「学習周期の短縮に最も効く一手は何か」「5倍速く学ぶ競合が現れたら何が起きるか」。
- 第二は規制とコンプライアンス。AIが機微データと自動判断を広げるほど監督は強まる——EUのAI法は著作権保護・安全性・AI生成データと内容の透明性を定めた。堀になるのは、監査証跡・説明可能性・データ系譜の追跡・偏り監視・人間関与の制御を、開発過程と技術の山へ最初から埋め込むことだ。Waymoの自動運転認可やGLP-1医薬の特許のように、規制上の許可や独占権を持つ者には競合が壁を越える間の収益機会の窓が開く。これらの構築には法務の専門性・リスク基盤・統治過程・資本の緩衝が要り、規制産業の既存企業はしばしば持っている。攻撃者はLLMで規制対応を進めたり「灰色地帯」を突いたりできるが、執行はやがて追いつき、優位は規模化できるコンプライアンス基盤を先に築いた側へ移る。含意は、コンプライアンスを戦略インフラとして製品に組み込み、成長と一緒に拡張させること。問いは「どの灰色地帯が攻撃者に一時の隙を与えるか」「監査可能性と統治を、採用されやすさと信頼の製品機能へどう転換するか」。
- 第三は信頼。金融・医療・本人確認のような高リスク領域では、信頼は採用の門番として機能する堀だ。銀行では消費者の過半がすでに生成AIを使い、銀行にも提供を望む——技術の波に乗り遅れた銀行からはいずれ乗り換えるとほぼ全員が答える。顧客は企業が安全・公正・説明責任を果たすと信じるとき、データ共有と自動判断の受け入れに前向きになり、その接近がモデル性能を上げ乗り換え費用を深くする。一方で世界調査ではAIを受け入れる人は約30%、拒む人は35%——信頼は既定では与えられない。説明可能なモデル、明示的同意、監査可能性、明確な制御柵から築かれる。責任あるAIを設計・展開・監視へ埋め込んだ組織ほど速く規模化する許しを得る——高成果企業ほど正式な検証過程を持ち、責任あるAIへの十分な投資は実質的なEBIT効果の獲得と相関する。JPMorgan ChaseはEvident AI銀行指数で4年連続首位に立ち、実現済みのAI効果が約20億ドルに近づくと公表する数少ない銀行だ。厳格に規制された市場で、この成果と開示の組み合わせが規制側の信頼と投資家の確信を同時に支える。含意は、信頼を速度の実現装置として扱い、安全・公正・信頼性・透明性を自動化された統治と「方針のコード化」でシステムに直接埋め込み、制御柵を開発の初期から組み込むこと。問いは「証明可能な安全・公正・プライバシーが、顧客や提携先の最重要過程への統合を解錠する資産になる道はどれか」「どの判断で、顧客・従業員・規制当局・提携先は他の誰より先に我々のAIを信頼するか。それはなぜか」。
投資家の道具箱 ― 堀で銘柄を読む技法
この9類型は、そのまま銘柄分析の問診票になる。決算説明の「AI活用」という言葉を聞いたら、どの堀を掘っているのかを特定するのが第一歩だ。見るべき兆候は単純化できる。
- 限界費用と規模: 売上が伸びても人員が比例して増えない「人なし成長」の兆候があるか/工数課金(人月)依存の事業は成果課金の挑戦者に売上を削られる側ではないか
- データと埋め込み: 解約率の低さと値上げの通りやすさは三層オニオンの深さの代理指標。顧客の前受金や長期契約は、顧客自身が堀の建設費を払う最強の証拠
- 物理×AI: 設置済み機器群(インストールベース)から独自データが還流する構造を持つか——ソフト専業が攻められない複利の有無
日本市場に当てはめれば、ファナック(6954)が世界で稼働する自社ロボット群から保守・稼働データを自社クラウドへ還流させる構図はJohn Deere型の制約資産×データであり、キーエンス(6861)の高粗利は現場業務への深い埋め込みと提案データの蓄積が支える。リクルート(6098)の求人・販促網はAIで照合の質を磨くほど深くなるネットワーク型だ。半導体ではイビデン(4062)が顧客から約921億円の前受金を積んで増設する事実そのものが、埋め込みと制約資産の堀を顧客が資金で裏書きする実例になる。逆に、時間単価のシステム受託や人材派遣に重心を置く銘柄は、成果課金型のAIファースト挑戦者に最も削られやすい側にいる——「どの堀も掘っていないAI導入企業」は、白菜価格の買い手であって売り手ではない。
模型を堀に変える最初の三手
AIが解き放った力は競争優位の在処を移した。取締役会とCEOへの行動計画は三つに絞られる。
- 堀を選び、トレードオフを明示する: 先行企業は9つ全部を掘らないが、1つだけにも頼らない。特権データは事業モデルの革新を強め、信頼は深いデータ接近を解錠する——相互補強を踏まえ、構造的優位のある1〜3個に明示的に資源を傾け、難しい取捨を引き受ける
- 堀を支える実現系を築く: データの捕捉、モデルの改善、解の規模化、反復の速さ——選んだ堀を時間とともに強くする仕組みを定義し、端から端までの業務フローとそれを動かす能力群に優先順位を付ける
- 実験の束ではなく中核事業として統治する: 堀づくりは複数年の事業計画だ。取引あたり費用、網の流動性、AIが仲立ちする顧客接点の比率(埋め込み度)といった、選んだ堀に直結する少数の先行指標を経営と取締役会で追い、持続的な集中と規律ある資源配分、結果への説明責任を担保する
AIの時代の競争優位は、最も賢いモデルを持つことからは生まれない。誰もが持つ共通のモデルを、誰にも真似できない堀へ、誰よりも速く変えた組織に宿る。
