AIネイティブなビジネスモデルから、社会が次に求める価値と機会を考える

最近、シンクタンク、四方向SOP、AI Skillの関係を整理しながら、もう一歩先まで考えました。AIが企業の仕事にますます広く参加できるようになったら、企業のビジネスモデルはどう変わるのでしょうか。

一つの動作をSkillとして整理し、複数の動作を組み合わせて職務の成果にする。複数の職務の成果を業務上の協働でつなぎ、業績を生み出すための重要条件を満たす。さらに、それらの重要条件を組み立てて、最終的に企業の業績につなげます。

この過程に沿って見ると、AIがもたらす機会は、一つのツールの利用から、企業がどう仕事を組織し、価値を提供し、収益を得るかという問題へ広がります。

さらに視野を広げ、AIの能力が向上し続け、ロボットと結びついたら、人の価値はどこにあるのでしょうか。AI自体はどのような資源を必要とするのでしょうか。人とAIが共に働くための移行過程には、どのような新しい需要が生まれるのでしょうか。

これらの問いは、私がさらに研究したいことにつながっています。経済社会全体で、次に求められる価値はどう変わるのか、私たちはどこから参加できるのか。以下では、現時点の考えを整理し、今日検証できることを見ながら、将来のシナリオについても考える余地を残します。

ここには、AIネイティブな製品やサービスもあれば、AIを支えるインフラも、技術の活用に伴う変革支援サービスもあります。同じバリューチェーンの異なる位置にあり、すべてを同じビジネスモデルにまとめることはできません。

一、まず、AIネイティブが何を変えるのかを明らかにする

私の理解では、AIネイティブとは、製品、サービス、事業の進め方を設計する段階から、AIが担える仕事を考慮し、人、プロセス、資源、責任を組み直すことです。

例えば同じ調査サービスでも、AIに報告書の作成を手伝ってもらう方法があります。一方で、顧客が関心を持つ問いを中心に、資料の収集、変化の把握、証拠の確認、注意すべき事項の提示を継続し、専門家が確認と判断を行う、継続的な調査サービスをつくる方法もあります。

どちらにも価値がある可能性があります。後者はサービスの組織の仕方をより明確に変え、従来は多くの人手がなければ継続できなかった仕事を、異なる費用や頻度で提供できる可能性を生みます。

私なら、あるモデルを研究する価値があるかを、まず四つの問いから考えます。

1. 顧客は何を解決する必要があり、なぜ対価を払うのか。
2. AIの参加によって、仕事の進め方、提供速度、費用構造はどう変わるのか。
3. 結果をどう検収し、問題が起きたら誰が責任を負うのか。
4. 提供するたびに、再利用し、改善できる知識を残せるのか。

これらが明確でなければ、多くのAIツールを組み合わせても、ビジネスモデルが成り立つかを判断するのは難しいと思います。

二、私が考える八つの機会

以下の八つは、価値の提供方法に沿って整理したものです。相互に重なる部分があり、一つの会社が複数の方法を同時に使うこともあります。

1. 継続して働くAI製品

一度実行すれば終わるとは限らない需要があります。企業は競争環境の変化を継続して把握し、管理者はプロジェクトを追い続ける必要があり、顧客からも新しい問いが次々に生まれます。

AIが明確な範囲内でこれらの仕事を継続して処理できるなら、製品が提供するものには、継続的に稼働する能力が含まれます。例えば、業界の変化を定期的に整理し、注意すべき情報を見つけ、出典を残し、関係する担当者に知らせることです。

こうした製品には、定額契約、利用量、タスク数に応じた課金が考えられます。顧客が契約を更新するかは、初回の実演が驚きを与えたかではなく、最終的には仕事を安定して助けられるかによって決まります。

2. 具体的な成果を提供するAIサービス

多くの専門サービスは、組み直すことができます。

企業経営の整理を例にすると、まず顧客の許可を得て、資料から価値創造と収益の論理を分析し、業務プロセス、職務上の責任、仕事の問題を整理します。AIは標準化に適した整理と分析を担い、専門家は事実確認、判断、例外処理を担当し、最後に顧客が使える成果をつくります。

収入はプロジェクト単位の料金でも、基本サービス料に検収済みタスクの料金を加える形でも考えられます。前提は、提供範囲を明確にすることです。基準を満たす診断と提案を提供するのか、実施まで顧客に伴走するのかでは、責任と費用が異なります。

最初から顧客の利益増加に応じた分配を採用するなら、基準値、成果の帰属、観察期間、顧客自身の実行による影響まで検討する必要があります。結果に応じた課金は魅力的ですが、制御しにくい結果をそのまま約束にすることはできません。

3. 仕事の成果を継続して提供するデジタル職能

複数のSkillが安定して連携できれば、サービスは個々の動作から、職務が担う職能へと発展する可能性があります。

調査アシスタントなら、資料収集、出典確認、見解の整理、更新通知を組み合わせられます。プロジェクト調整なら、タスクの分解、節目の進捗確認、問題の集約、会議準備を組み合わせられます。顧客対応なら、要望の把握、知識の検索、返信の準備、人への引き継ぎを組み合わせられます。

こうした能力を月単位で提供し、タスク量、サービス範囲、人的支援の量に応じて課金することが考えられます。

ここでは、職務が負う結果責任に注意が必要です。多くの動作を完了しても、職務の職能を果たしたとは限りません。AIが実行を担う場合も、権限、検収、人が決定する必要のある場面を明確にしなければなりません。

4. 必要に応じて利用できる専門知識と専門家の能力

価値のある経験の多くは、専門家の頭の中、文書、プロジェクトに分散しています。許可を得て整理すれば、思想、モデル、方法、事例、ツール、Skillという形に少しずつまとめられます。

こうすると、顧客は専門家に直接相談するだけでなく、すでに明確に整理された特定の能力を利用できる可能性があります。例えば、ある方法に従って事業計画に不足する証拠を点検し、その後、重要な問いを専門家に確認してもらうことです。

収入には、知識の利用許諾、能力を利用するサービス、専門家による確認、それらを組み合わせた提供が考えられます。貢献者の氏名をどう表示し、どう報酬を得てもらうかも、この過程で明確にできます。

同時に、知識に関する権利の範囲を考える必要があります。読めることは公開してよいことを意味せず、現在のタスクに使えることも、顧客をまたいだ学習や再許諾に使えることを意味しません。これらの関係が明確になって初めて、知識を長期的に蓄積し、流通させる条件が整います。

5. 需要を中心に組織する協働ネットワーク

一つの顧客要望を満たすには、複数の専門能力が共に働く必要があることが多いものです。

例えば企業の海外進出には、市場調査、ブランド、製品、決済、法務、運営が関係するかもしれません。AIは要望の明確化、タスクの分解、資源のマッチング、提供状況の追跡を助けられますが、専門的な判断と実際の履行は、それぞれの参加者が担う必要があります。

プラットフォームの収入には、プロジェクトの組織、マッチング、提供管理のサービスが考えられます。

本当に構築すべきなのは、協働の仕組みです。要望は実在するのか、資源に必要な能力があるか、成果をどう引き継ぎ、誰が検収し、争いをどう処理するか。まず具体的なプロジェクトでこれらの関係を動かし、繰り返す部分をプラットフォームの能力として蓄積する方が、根拠を持てます。

6. 実際の仕事を中心に行う教育と訓練

AIは、教育製品の提供方法も変える可能性があります。

例えば四方向SOPを学ぶ際、モデルや事例を読むだけでなく、学習者が自社の問題を持ち込み、業績、業務、職能、動作を少しずつ整理し、議論、点検、修正ができる仕事の成果をつくることが考えられます。

AIが説明、練習、フィードバックに参加し、指導者が難しい点や判断の必要な問題を助けます。講座、集中トレーニング、組織学習サービス、指導者による支援が、収入源になる可能性があります。

この方法の効果は、学習者が実際に何を身につけ、応用したかで検証する必要があります。課題が一つ生成されたことは、理解した証拠にはならず、企業経営が改善した証拠にもなりません。

7. AI能力の評価、ガバナンス、継続的な検証

企業がAIに仕事を依存するようになると、新しい問いが生まれます。資料は信頼できるか、Skillはどの条件で適用できるか、どの版がテスト済みか、どの操作に承認が必要か、誤りをどう追跡するか。

これらの問いを中心に、評価基準、テスト事例、権限設計、確認、継続監視のサービスをつくることができます。

プロジェクト単位、年間サービス、ツールの定額契約による課金が考えられます。価値は、能力とリスクの所在を企業がより明確に理解し、継続して点検できるようにすることにあります。永遠に間違わないという保証ではありません。

8. より継続的な調査、投資調査、投資後支援サービス

AIは公開資料の整理、案件の比較、経営データの追跡、異常の通知に参加できます。調査をより継続的なものにし、専門家が重要な問いへ力を集中させる機会も生みます。

こうした能力は、調査の定額契約、企業向けサービス、投資後の支援サービスになる可能性があります。

投資助言、資金調達、取引に関わる場合は、地域と業務に応じて資格や規制要件を確認する必要があります。AIによる情報処理能力の向上は、専門家の責任を代替せず、分析結果を収益の保証にすることもできません。

三、課金の単位は変わりつつあるが、仕事の成果を明確にする必要がある

市場では、新しい課金方法がすでに見られます。例えばIntercom Finは、同社が定義する顧客対応のoutcomeに応じて課金します。Salesforce Agentforceには、会話、アクションの消費、ユーザーライセンスなどに基づく課金方法があります。これらは観察できる製品の仕組みであり、企業全体がAIネイティブ企業であることを意味するものではありません。Intercom公式説明｜Agentforce公式説明

これらの変化から、私は一つの問いに注目しています。顧客が購入する単位は、ソフトウェアの利用権から、完了した仕事へさらに広がる可能性があります。

ただし、「一つの動作」「一回の会話」「プラットフォームが定義する一つの結果」は、企業が最終的に得る業績とは異なる段階の意味を持ちます。Finのoutcomeには、特定のワークフローの完了なども含まれ、具体的には製品の課金定義を確認する必要があります。

これは四方向SOPと直接関係します。動作の完了が職務の成果につながるか、職務の成果が業務上の提供要件を満たすか、業務上の提供を終えた後に業績の形成を支えたかを、それぞれ確認しなければなりません。

だから私は、AIのビジネスモデルを設計するとき、まず何を売るのかを明確にする必要があると思います。ツールの利用権なのか、継続的な職能なのか、具体的な成果物なのか、それとも合意した基準で検収する仕事の結果なのか。提供単位が異なれば、費用計算と責任の取り決めも異なります。

四、AIがさらに強くなっても、どのような需要には人が必要かもしれないのか

さらに考えると、自然に一つの問いに行き着きます。将来、より強い人工知能が現れ、ロボットと結びついたら、どの職務が何があっても代替されないのでしょうか。

研究する価値のある問いですが、現時点で「永遠に安全な職業リスト」を示すことはできません。将来の技術に何ができ、社会が何を認め、人が何を受け入れるかには、まだ不確実性があります。一つの職務も複数のタスクからなり、一部は自動化できても、別の部分は引き続き人が担う必要があるかもしれません。

私は需要そのものから分析したいと思います。顧客は人のどのような価値を必要とし、なぜその価値に対価を払うのでしょうか。

1. 目標、選択、責任

AIは多くの計画案を提示できます。しかし、企業が何を目指すか、どのリスクを引き受けるか、異なるステークホルダーの間で何を選ぶかは、権限と責任を持つ主体が決める必要があります。

経営者、取締役、経営を委託された者などの仕事では、資料分析にAIを大いに活用できます。一方で、権限、責任、誰の利益を代表するかは明確に取り決める必要があります。現在の多くの組織と制度では、これらの責任を自然人または組織が負っています。今後制度が変わる可能性はあり、今日の規定を永久の法則にすることはできません。

ここには、意思決定支援、リスクの通知、証拠管理、ガバナンスサービスの機会があります。価値は、責任を負う主体がより根拠のある決定を行えるようにすることです。AIに職名を付けるだけで、責任を移すことはできません。

2. 人と人の関係

需要の中には、本当の人に参加してほしいという希望が含まれるものがあります。

例えば、家族が自ら寄り添うこと、人と人の信頼、共通の経験から生まれる理解、実在する別の創作者への関心です。機械が一部似た体験を提供できても、すべての人が同じ選択をするとは限りません。

高齢者ケア、教育、心理的支援、文化、体験サービスには、人と機械の分担が生まれる可能性があります。AIが準備、記録、反復的な作業を助け、人は本当に関係やその場への参加を必要とする部分へ時間を使います。ただし、これを根拠に各業界のすべての職務が残るとは言えず、人の付き添いを専門的要件のない単なる商品として扱うこともできません。

3. 正当性、代表性、社会的な承認

決定の中には、関係する人たちの承認が必要なものがあります。組織が選んだ代表、争いの双方が信頼する調整者、権限を与えられた審査担当者の価値には、「なぜあなたがこの決定を行うのか」が含まれます。

これは計算や推論能力だけでなく、規則、権限、身分、信頼にも関係します。AIは補助できますが、その役割をAIが直接担うことを受け入れるかは、具体的な制度と参加者が決める必要があります。

したがって、本人確認、権限付与の記録、協議の仕組み、独立した審査、紛争処理には、需要が続く可能性があります。ここで生まれる参入障壁は、実際の責任と信頼できる規則に基づく必要があります。

4. 本物の由来と希少な体験

コンテンツを生成しやすくなるほど、本物の由来が重視されるかもしれません。本人の実体験、作品をつくる過程、成果の検証記録は、信じて対価を払うかに影響する可能性があります。

芸術、現場の催し、手仕事、地域での体験には、「誰がつくり、どこで起きたか」への好みがあるかもしれません。それが十分な規模の市場になるかは、具体的な人々によります。すべての人が「本当の人」に高い価格を払うと仮定することはできません。

5. 複雑な現実を処理する能力

環境が変わり続け、費用の制約が大きく、柔軟な調整が必要な現場では、人の仕事に一定期間の優位性が残るかもしれません。例えば、設備保守、標準化されていない場面のサービス、例外への対応です。ロボットの信頼性と経済性が改善すれば、その境界もまた変わります。

したがって、こうした機会は場面ごとに考える必要があります。「機械にはまだできない」だけで長期的な判断をつくることはできません。より蓄積する価値があるのは、現場の知識、問題への対応能力、サービスネットワークであり、後の人と機械の協働にも自ら参加できるようにすることです。

こう考えると、私の関心は職名から、その背後にある需要へ移ります。人の好み、責任の取り決め、信頼、現実の制約によって、一部の人の職能が長く価値を持つ可能性はあります。ただし、人数、報酬、組織の仕方は変わり続けます。継続して観察する必要があり、「代替不可能」という言葉で分析を済ませることはできません。

五、AIの稼働を支える需要の連鎖も生まれる

私たちはAIが何を出力するかに目を向けやすく、AIが働き続けるために何を必要とするかを見落としがちです。

AIの利用には、人または組織がエネルギー、ハードウェア、データ、運用保守の費用を払う必要があります。ここで言う「AIの需要」は、実際にはモデル企業、クラウドプラットフォーム、利用企業、ロボット運営者などによる調達と支払いの決定です。関連産業を並べるだけでなく、本当の買い手を見つけることが重要です。

1. 電力と安定したエネルギー供給

AIシステムの学習と稼働には電力が必要です。需要は発電量だけでなく、接続できるか、いつ供給されるか、安定しているか、価格を負担できるか、予備電源と蓄電をどう配置するかにも及びます。

国際エネルギー機関の『Energy and AI』は、データセンターの電力消費と関連するエネルギー供給を独立した論点として扱い、エネルギーがAI導入で考えるべき現実の条件であることを示しています。より強い人工知能がいつ現れるかを先に仮定しなくても、すでに解決すべき現実の問題があります。国際エネルギー機関の報告書

参加の方法には、省エネルギーサービス、配電・給電設備、蓄電と予備電源、エネルギー利用計画、条件が整った場合のエネルギー事業などが考えられます。資金、技術、許認可の要件は大きく異なり、需要の増加がすべてのエネルギー事業の良好な収益を意味するわけではありません。

2. 計算能力、メモリー、ハードウェアの供給

AIの仕事には、チップ、サーバー、メモリー、半導体パッケージ、基板や拡張カード、関連設備が必要です。必要な計算能力とメモリーはタスクによっても異なります。大規模モデルの学習、専門モデルの導入、通常の推論を一回行うことを、同じ構成で理解することはできません。

ハードウェアの製造以外にも、機器の統合、性能の最適化、スケジューリング、修理、ライフサイクル管理などの機会が考えられます。参入できるかは、供給能力、顧客とのつながり、技術の蓄積、資金条件によります。

特に、機器の需要だけを見て、稼働率と更新速度を見落とさないようにする必要があります。計算能力を買えたことは、売れることを意味しません。設備の遊休、顧客の離脱、技術的な陳腐化による減価は、収益を変える可能性があります。

3. ストレージ、データ、ネットワーク

システムには、モデル、業務資料、稼働記録、バックアップを保存し、計算機器、データセンター、利用者の間で情報を伝送する必要があります。

メモリーは稼働中のデータへのアクセスを担い、長期ストレージは保存と管理を担います。両者は互いに代替できる同じ需要ではありません。高速クラスター間接続、データセンター内のネットワーク、利用者のアクセスネットワークにも、それぞれ異なる要件があります。

関連する機会には、ストレージ管理、バックアップと復旧、データ整理、低遅延接続、安全な伝送、エッジへの導入があります。顧客の実際の問題が容量、速度、信頼性、費用、権限のどこにあるかを判断してから、製品を定める必要があります。

4. 冷却、空間、継続的な運用保守

計算負荷の高い機器には冷却が必要で、機器室、配電、監視、運用保守に依存します。冷却方式は、立地、水資源、気候、設備条件にも左右されます。

ここでは、冷却機器、施設の改修、機器監視、修理、省エネルギーサービスを研究できます。データセンター全体の投資者にならなくても、専門的な一部分で価値を提供できる企業もあります。

ただし、施設の需要は導入場所、機器密度、技術方式の影響を受けます。特定の冷却方式や土地の種類を、必ず利益を得る資産と考えることはできません。

5. 利用できるデータ、知識、検証

計算能力はシステムを動かし、データと知識は具体的な仕事を完了できるかに影響します。

企業が必要とするのは、文書を増やすことだけではありません。合法的に利用できる資料、正確な出典、明確な構造、継続的な更新、結果を確認できる例と基準が必要です。データ整理、知識の利用許諾、専門的な評価、SOPとSkillの保守は、いずれもサービスになる可能性があります。

これはシンクタンクの方向と直接つながります。経験を、理解でき、使え、検証できる知識に整理することは継続的な仕事であり、古いファイルをすべてモデルに渡せば終わるものではありません。

6. AIがロボットに入ると、需要はさらに実体世界へ広がる

ロボットには、センサー、駆動部品、制御システム、電池または給電装置、機械構造に加え、充電、修理、予備部品、リサイクルのサービスも必要です。

顧客の現場に導入する際は、タスク設計、場所への適合、システム統合、安全点検、継続運転も関係します。ロボットがタスクを実行できるかと、実際の場所で長期にわたって安定し、経済的に実行できるかは、別々に検証すべき二つの問いです。

したがって、機会はロボット全体の製造だけでなく、特定の場面への導入、保守、運営にもあるかもしれません。例えば、まず具体的な場所でタスク、検収、人との協働を明確にし、その後に機器単位、リース、完了したタスク単位の課金が適しているかを判断します。

この需要の連鎖を見ると、AIが仕事に深く入るほど、安定した現実の資源と専門サービスが必要になる可能性があります。ただし、需要の増加が自動的にすべての参加者の利益になるわけではありません。重要な資源を誰が押さえ、誰が設備投資を負担し、誰が受注でき、競争が価格を押し下げるかも判断する必要があります。

六、人からAI、さらに強い知能とロボットへ、移行そのものにどのような価値があるか

私が「人、AI、さらに強い人工知能、ロボット」を一緒に考えるのは、能力と協働方法の変化を見るためです。

これらが同じ時間軸に沿って順番に現れるとは限りません。専用ロボットはすでに一部の場面で働くことができ、必ずしも汎用人工知能を待つ必要はありません。ソフトウェア上の知能がさらに強くなっても、すべての現実の仕事が同時に自動化されるわけではありません。地域や業界ごとに、長く異なる段階が続く可能性もあります。

だからこそ、移行過程で必要になる価値は、独立して研究する意義があります。

1. まず人の仕事を明確にする

多くの企業は、ある成果がどう生まれ、誰が責任を持ち、入力が何で、どこまでできれば合格かを、まだ明確に説明できません。

こうした条件でAIを導入すると、もともと曖昧だった問題をシステムへ持ち込むことになりがちです。仕事の整理、知識の整理、プロセスの標準化、検収設計はそれ自体に価値があり、研究、コンサルティング、研修のサービスとして提供することもできます。

この段階で四方向SOPは、業績の要求から下へ見て、具体的な動作から上へ検証する助けになります。一部の動作だけを自動化し、業務の結果が改善しない事態を避けるためです。

2. 人とAIが共に働くとき、引き継ぎを整える

どのタスクをAIに任せ、どこで人の承認が必要か、どの状況では停止しなければならず、失敗後にどう復旧するかを具体的に取り決める必要があります。

企業には、既存ソフトウェアとの接続、権限の整理、従業員の訓練、品質の監視、費用の管理も必要かもしれません。システム統合、人とAIの協働プロセス、継続的な運用保守、従業員の職務転換支援は、この段階の需要になる可能性があります。

あるサービスが手戻りを減らし、待ち時間を短くし、費用と責任も説明できるなら、顧客はその価値を理解しやすくなります。

3. 複数のAIが共に働くとき、組織とガバナンスが重要になる

複数のAI能力が調査、実行、確認を分担する場合も、目標、タスク配分、データの範囲、予算、検収、例外の上位への報告を設計する人が必要です。

これによって、能力の一覧、タスクのスケジューリング、身元確認と権限付与、テスト、監査への需要が生まれます。AIシステムが自律的になるほど、誰を代表して何ができ、誰に停止や修正の権限があるかを明確にする必要があります。

これらはソフトウェアやサービスにできます。ただし、あるプロセスが自動で動くというだけで、顧客に代わって公開、支払い、重大な決定を行う権限があると推定すべきではありません。設計と評価の過程における信頼性とリスク管理も、既存の枠組みが継続して注目している方向です。NIST AIリスク管理フレームワーク

4. ロボットが現場に入るとき、デジタルプロセスと実作業をつなぐ

デジタルシステム内のタスクが現実世界に入ると、設備、環境、人員、安全の制約が加わります。

現場評価、施設の適合、導入、遠隔支援、修理、予備部品、運営管理は、顧客が購入を必要とするサービスになる可能性があります。ここでは運用費用全体を計算する必要があり、ロボットの価格と一人分の給与だけを比べることはできません。

人による引き継ぎが頻繁に必要だったり、停止が生産へ影響したりするなら、保守と復旧の価値は高いかもしれません。逆に、ロボットが成熟するにつれ、一度限りの統合作業の一部は減る可能性もあります。したがって、サービスは「設置を助ける」ことから「継続稼働を助け、結果に責任を持つ」ことへ、発展し続ける必要があります。

5. 能力がさらに高まった後は、新しい制約に注目する

将来、認知的なタスクと現実のタスクをさらに広く完了できるシステムが現れた場合、現在は特定の希少技能に依存するサービスの価格が見直される可能性があります。

そのシナリオでは、実際の需要はどこから来るのか、誰が合法的な資源利用権を持つのか、人が引き続き重視する体験は何か、責任をどう負うのか、社会が雇用、所得、収益分配をどう取り決めるのかが、より注目に値するかもしれません。

これは継続して研究する必要のある将来シナリオです。確定した時間表として書くことも、それを理由に今日の特定プロジェクトの成功を断定することもできません。

七、社会全体が求める価値は、どう変わる可能性があるか

ここまでの手掛かりを合わせると、いくつかの変化を同時に見る必要があると思います。

第一に、生産やサービスの一部で費用が下がる可能性があります。これまで高い費用のために満たされなかった需要、例えば、さらに細分化された調査、より個別的な学習支援、より継続的な運営サービスが、満たされるかもしれません。

第二に、これまで高い料金を得ていた一部の仕事が、値下げ圧力を受ける可能性があります。コンテンツ生成、基礎分析、通常の操作が容易になると、商業的価値は、需要の理解、品質の検証、複雑な提供、責任の負担へ移るかもしれません。どこへ移るかは、実際の需給によります。

第三に、新しい能力は関連需要を増やします。エネルギー、計算能力、ネットワーク、施設、運用保守、ガバナンスは、AIの拡大とともに生まれる需要です。ただし、これらの分野も効率改善、供給能力の増加、技術変化の影響を受けます。

第四に、供給能力と購買能力は分けて見る必要があります。社会がより多くの製品やサービスをつくれても、一部の人の所得が減り、転換が難しくなれば、需要がすぐ注文になるとは限りません。就業の転換、技能の学習、利益の分配は、機会が最終的に市場になるかに影響します。

第五に、人は時間、自分で選ぶこと、関係、健康、本物の体験、信頼できる出典を、さらに重視するかもしれません。ここには商業的な機会も、公共サービスや制度の問題もあり、すべてを同じ課金モデルで解決することはできません。

したがって、経済社会の次の段階を観察する際に、私は問い続けたいと思います。何が容易になり、何が引き続き希少で、どの新しい問題が生まれ、それを解決するために誰が対価を払う意思と能力を持つのでしょうか。

八、WISERUNIONの中で、これらの機会をどう捉えるか

私が考えているWISERUNIONシンクタンク、四方向SOP、Skill、ステークホルダーのエコシステムは、ここでつながります。

シンクタンクは問いと知識を整理し、思想、モデル、方法、計画案、ツール、研修をつくります。四方向SOPは、それらの知識を企業の仕事へさらに結びつけます。業績に必要な重要条件は何か、どの業務がその結果を提供し、どの職務が対応する職能を担い、具体的にどの動作で完了するかを考えます。

その中で再利用と実行に適した部分は、少しずつSkillとして蓄積できます。そして、資源、資本、運営管理、顧客の四つのエコシステムを通じて、実際の需要、専門能力、協働関係を組織します。

ここでは、「価値創造」と「価値分配」を同時に考える必要があります。

思想を提案する人、方法を整理する人、ツールを提供する人、確認に参加する人、提供を組織する人がいて、資金や実際の適用場面を提供する人もいます。こうした貢献をどう記録、評価し、合意に従って対応する利益や権利につなげるかは、この体系が持続的に発展できるかを左右する重要な問題です。

したがって、私が見る機会は、AIを使って知識、仕事、協働関係をより明確につなぎ、より多くの専門能力を実際の業務に参加させ、参加者の貢献が認識され、適切に扱われる可能性をつくることです。

これも実践による検証が必要です。シンクタンクにコンテンツがあることは、すべてが実行可能であることを意味しません。Skillがあっても、異なる企業に適用できるとは限りません。各段階で、適用条件、実際の効果、修正が必要な点を記録しなければなりません。

九、出発点を選ぶなら、三つの方向を優先する

第一に、企業の四方向SOPの整理です。実在する一つの企業を対象に、まず業績が生まれる可能性と重要条件を明確にし、業務、職能、動作を整理して、引き続き議論と改善ができる仕事の成果にします。

第二に、企業の調査と行動支援です。具体的な業界や経営上の問いを中心に、出典のある情報を継続して整理し、問題の一覧、判断の根拠、行動提案をつくり、顧客が継続利用を望むかを検証します。

第三に、零号会社の共創タスクです。範囲が明確でリスクを管理できる実際のタスクを選び、異なる役割の人とAIが共に参加します。入力、動作、成果、検収、貢献を記録し、協働の規則が本当に役立つかを観察します。

この三つの方向はそれぞれ、顧客がなぜ払うのか、知識をどう安定して提供するか、多者の協働がどう結果を生むかを理解する助けになります。

現段階では、最初から完全なプラットフォームを広くつくるより、適した場面を選んで検証する方が、実際の問題を見つけやすいと思います。検証で生まれた資料はシンクタンクに戻し、事例、方法、ツールを改善する根拠にできます。

エネルギー、計算能力、ロボットなども、継続研究と資源の接続の対象にできます。ただし、参加の方法は自分たちの能力に合わせる必要があります。研究、資源の接続、専門サービスができても、すぐに大規模な設備投資や機械全体の製造ができる条件があるとは限りません。こうした事業は、需要、技術方式、資金、許認可、収益リスクを別途確認する必要があります。

十、最後は需要とビジネスモデルそのものに戻る

AIが何かをできることと、それが継続的なビジネスモデルになることの間には、まだ距離があります。

私は、顧客に実際の需要があるか、誰が予算を持ち、繰り返し対価を払うか、成果を検収できるか、モデル、ツール、データ、人による確認、手戻りの費用を差し引いても提供が経済的に成り立つかを、引き続き見ていきます。

もう一つ問うこともできます。次世代モデルの能力が大きく向上したら、このサービスの価値は高まるのでしょうか、それとも消えるのでしょうか。その答えは、一定期間の機会と、長く蓄積する価値のある能力を見分ける助けになります。

知識と経験を合法的に蓄積できるか、次にはよりよく実行しやすくなるか、同じ能力を近い場面で再利用できるかも確認する必要があります。

こう見ると、AIネイティブなビジネスモデルの研究は、比較的明確な道筋で進められます。顧客が必要とする結果から始め、人、AI、資源を組織して仕事を完了し、検収とフィードバックを通じて方法、プロセス、協働の規則を修正します。

WISERUNIONにとっても、これによってシンクタンクの価値がより明確に見えてきます。整理した知識は、人が問題を理解する助けになります。SOPとSkillに入れば、さらに仕事を支えられます。実際の業務で繰り返し使い、検証すれば、知識の発展を促すこともできます。

私はこれらの問いを一枚の需要の図に置き、研究を続けたいと思います。人がまだ何を必要とし、AIの稼働に何が必要で、人とAIの協働への移行に何が必要か。新しい生産能力が、所得、消費、資源配分をどう変えるかも含めます。

ここから、具体的な企業、業務、タスクへ戻り、どの需要を満たす価値があり、誰が価値を提供し、どう収入につなげ、参加者が明確な規則のもとで共に成長するかを判断します。これが、私の現時点でのAIネイティブな事業機会の捉え方です。

注記

文中の企業例は、公開されている課金の仕組みを説明するためのもので、製品の推奨や経営効果の証明ではありません。公式ページは2026年11月5日に確認しており、今後変更される可能性があります。

より強い人工知能とロボットに関する分析はシナリオの検討であり、出現時期、職務の存続、事業収益に関する確定的な予測ではありません。