AIに潰されないための　競争戦略　５つの武器（モート） (城田真琴)の書評

書籍：AIに潰されないための　競争戦略　５つの武器（モート）
著者：城田真琴
出版社：日経BP

生成AIで業務を効率化しても、競合が同じように活用できるようになれば、その差は縮まります。そのときも、顧客は自社を選び続けるでしょうか。 たとえば、生成AIを使えば、資料作成や問い合わせ対応にかかる時間を短縮できます。先に導入した企業は、対応の速さで一歩先に出られるかもしれません。ただ、競合も同じように作業時間を短縮できれば、対応の速さだけで選ばれ続けるのは難しくなります。 製品の機能でも同じことが起こります。

生成AIでソフトウェア開発が速まり、各社が似た機能を提供できるようになると、顧客は価格を重視しやすくなります。こうして製品の違いが小さくなり、価格で比較されやすくなるのが「コモディティ化」です。値下げ競争が起きれば、開発コストを抑えても、その効果が利益に残りにくくなります。

だからこそ、AIの導入を考えるときには、どの業務を効率化できるかに加え、競合も同じ技術を使えるようになったとき、顧客が自社を選ぶ理由は何かを考える必要があります。

EYストラテジー・アンド・コンサルティング株式会社 テクノロジーコンサルティング ディレクターの城田真琴氏の『AIに潰されないための競争戦略 5つの武器（モート）』（日経BP）は、AIが普及しても顧客に選ばれ続ける理由を考える一冊です。

本書でいう「モート（堀）」とは、競合が容易にまねできず、長期にわたって競争優位を支える資産や仕組みのことです。

たとえば、取引を重ねるなかで蓄積した顧客データや、長年かけて築いた販売網は、同じAIを導入しただけでは再現しにくいものです。過去の問い合わせ履歴をAIと組み合わせて提案の精度を上げたり、既存の販売網を通じてその提案を顧客に届けたりできれば、自社の強みをさらに伸ばせます。

本書は、こうした競争優位の源泉を５つに整理しています。
・マスターデータ　商品や取引先など、業務で正式な参照元となるデータを持つ。
・ワークフロー　顧客が日々使う業務の流れに組み込まれ、複数の工程を支える。
・ディストリビューション　顧客との関係や販売経路を持ち、顧客が必要とするタイミングで提案を届けられる。
・エコシステム　他社が自社のサービスを土台に製品やサービスを提供し、収益を得られる仕組みをつくる。 ・スケール　事業の規模を生かし、開発投資の負担を分散したり、顧客接点を広げたりする。

まずは、顧客がいま自社を選んでいる理由を一つ挙げ、競合が同じAIを使っても、その理由が残るかを考えてみましょう。

本記事では、５つのモートを手がかりに、いまの強みのうち何がまねされやすく、どの資産や仕組みに投資すれば顧客に選ばれ続ける理由を強められるのかを考えます。

この記事でわかること

・なぜ生成AIの導入だけでは企業の競争優位にならないのか、その構造的理由
・企業価値を脆弱にする「3つの条件」とAI時代に強い優位の対比構造
・「点」の製品（単機能）と「線」の製品（ワークフロー）がもたらすコモディティ化
・「自前主義」の限界と、他社を儲けさせる「エコシステム」が成立する3つの条件
・「安さとしての規模」がAIに弱く、「構造としての規模（スケール）」がAIに強い理由
・経営者が陥りやすい「5つの見せかけのモート」と「3つの本物のモート」の違い
・新規AIスタートアップが築くべき「コンテキスト資産」「導入資産（仕組み）」「運用資産（経験）」とは何か ・熟練者の暗黙知をAI時代の「運用・評価資産」に変える方法

30秒でわかる本書のポイント

【結論】
・生成AIは企業の競争優位を消し去るのではなく、優位性が「存在する場所」を劇的に移動させるだけである。
・コモディティ化するのは「作る・実装する」プロセスであり、「何が正しいか」「誰に届くか」「判断の責任を引き受けること」が新たな価値の源泉になる。
・機能や性能の優劣ではなく、「顧客との関係性（マスターデータとディストリビューション）」や「エコシステム」「スケール」を長期間かけて構築した企業が勝者となる。
【原因】
・かつて数週間かかった知的成果物が、「一瞬」かつ「タダ同然」で生成できるようになったため。
・「模倣コストの高さ」「提供価値の中核がAIの得意領域と重複」「顧客との浅い関係」という3条件が揃うと、AI時代には優位性が急速に失われるため。
・「慣れによる乗り換え障壁」「AI機能があること」「速く作れること」「先行していること」は、AI時代には容易に崩される「見せかけのモート」に過ぎないため。
【対策】
・個別の機能を追求する「点の製品」ではなく、承認や例外処理を含む一連のプロセスをつなぐ「線の製品（ワークフロー）」を構築すること。
・現場の熟練者の判断履歴を「運用資産」「評価資産」として蓄積し、AIの出力を判定する独自の基準を持つこと。
・「AI機能の単なる導入（コスト）」ではなく「自己強化ループの構築（投資）」に資金を振り向け、他社が再現できない独自の構造を少しずつ育てること。

本書の要約

本書は、AIの普及で企業間の差が縮まる領域と、競合が簡単にはまねできない強みの築き方を解説した一冊です。著者は、こうした競争優位を守る仕組みを、城を守る堀にたとえて「モート」と呼びます。

ソフトウェア開発では、AIが定型的なコードを書くようになると、競合も似た機能を短期間で提供できるようになります。製品の違いが小さくなり、価格で比較されやすくなる。これが「コモディティ化」です。

著者は「80対20の法則」を引き合いに出し、定型的な作業で差がつきにくくなる一方で、システム全体を見渡す設計力や、特定の業界に深く通じた専門知識の価値は高まると指摘します。

この変化は、SaaSの事業モデルにも及びます。既存のAIモデルに操作画面を加えただけのサービスは、競合が似た機能を提供しやすく、顧客も乗り換えやすいため、優位を保ちにくくなります。

また、AIが人の作業を担い、ソフトウェアを使う人数が減れば、利用者数に応じて料金を取る「座席課金」も見直しを迫られます。

では、企業はどこに強みを築けるのでしょうか。著者が挙げるのは、マスターデータ、ワークフロー、ディストリビューション、エコシステム、スケールの5つです。

たとえば、生成AIはもっともらしい誤りを出すことがあるため、商品情報や取引先情報など、業務の基準となるマスターデータが重要になります。

サービスが承認や受発注などの日々の業務手順（ワークフロー）に組み込まれていれば、顧客が別のサービスに移る際には、仕事の進め方も見直す必要があります。

製品を作りやすくなるほど、販売網や既存の顧客接点を通じて「届ける力（ディストリビューション）」も重要になります。

さらに、パートナーが自社のサービスを使って収益を上げられる仕組み（エコシステム）があれば、参加企業が増えるほど、顧客が利用できる製品やサービスも広がります。

著者はエヌビディアやAWSを例に、事業の規模（スケール）が、大規模な投資やサービスの充実を支えることで、競争優位につながると説明します。 AIを軸に事業を立ち上げる企業に対して、本書は、顧客との仕事を通じて資産を積み上げる道筋を示します。

まず、顧客の業務や判断基準を理解する。次に、その理解をもとにAIを現場の手順に組み込む。そして、運用で見つかった例外や改善の知見を蓄積する。こうして得られる顧客理解、導入の仕組み、運用経験が重なるほど、競合が同じ機能を作っても、同じ価値を届けるのは難しくなります。

製造業などの既存企業にも、設備や拠点、熟練者が現場で培ってきた判断のコツといった資産があります。そこにデータやAIを組み合わせれば、長年培ってきた強みをさらに伸ばせます。

本書を読むと、自社が顧客に選ばれている理由を見直し、競合も同じAIを使えるとしたら、限られた人材と予算をどこに振り向けるべきかを具体的に考えられます。

こんな人におすすめ

・「AIを導入した」ことで満足し、真の競争優位を築くための次の一手が見えていない経営者や事業責任者
・ソフトウェア開発やコンテンツ制作の現場で、自身のスキルがAIに代替されることに不安を感じているエンジニアやクリエイター
・自社のSaaSやサービスの競争力に限界を感じ、ビジネスモデルの転換を模索しているプロダクトマネージャー
・今後、自社のどの強みにリソースを集中させるべきか迷っている経営企画・戦略担当者
・AIによる業務代替リスクに直面し、自身のキャリア戦略や学び直しを迫られているビジネスパーソン
・スタートアップの事業計画の解像度や、持続的な成長可能性を見極める立場の投資家・VC・社外取締役

本書から得られるメリット

・「AIを使える＝競争力が上がる」という危険な思い込みに騙されず、真の競争優位がどこにあるかを見極める目を養える。
・企業の競争優位を脅かす「3つの脆弱な条件」を自社に当てはめ、リスクを事前に対策できる。
・自社のビジネスが代替されやすい「点の製品」か、持続性のある「線の製品（ワークフロー）」かを診断し、戦略を見直すことができる。
・大手企業にとって「安さとしての規模」が脆い理由と、「構造としての規模」に転換するための条件を得られる。
・自前主義の限界を悟り、単なる取引先リストではない真の「エコシステム」を構築する3条件を学べる。
・AIスタートアップが陥りやすい「薄い勝ち筋」を避け、「コンテキスト」「導入」「運用」という3つの資産（モート）を順に築く戦略を描けるようになる。
・「見せかけのモート」と「本物のモート」の違いを理解し、一過性の効率化ではなく永続的な資産化に投資を振り向けることができる。 

「作る」ことの価値がゼロになる時代：歴史が教える競争優位の移動とは何か

AIは競争優位を消すのではない。競争優位が『存在する場所』を、劇的に移動させているだけなのだ（城田真琴）

私たちがまず深く理解すべきは、AIというテクノロジーに対する熱狂の裏で静かに、しかし確実に進行している「価値の暴落」です。

EYストラテジー・アンド・コンサルティング株式会社 テクノロジーコンサルティング ディレクターの城田真琴氏は、『AIに潰されないための　競争戦略　５つの武器（モート）』の序盤で、多くの経営者が抱く不安に寄り添いつつも、歴史的な視点から極めて冷静な分析を提示しています。「AIは競争優位を消すのではない。競争優位が『存在する場所』を、劇的に移動させているだけなのだ」と。

歴史を振り返れば、テクノロジーによる優位性の移動は何度も繰り返されてきました。本書で非常に示唆に富むのが、「印刷」と「撮影」の歴史的な民主化のプロセスです。グーテンベルクの活版印刷術が普及する以前、書物の複製は「写字生」と呼ばれる専門職の技能に完全に依存していました。

しかし、印刷技術の登場により、この「複製する力（作る力）」はまたたく間にコモディティ化しました。では、それによって出版業が消滅したかといえば、そうではありません。競争の軸が「何を作るか」から「何を出版するか」、すなわちコンテンツの選別力や流通網、あるいはブランド力という「構造的な資産」へと移行したのです。

写真の歴史も同様です。デジタルカメラ、そしてスマートフォンのカメラの普及により、「きれいな写真を撮ること」のハードルは劇的に下がりました。プロのカメラマンと一般人の撮影品質の差は大幅に縮小したのです。

しかし、プロの写真家という職業は消えていません。競争の軸が「撮影技術」そのものから、「何をどのような文脈で撮るか」「その写真をどこに届けるか」へと移行したためです。 現在の生成AI革命も本質は全く同じです。AI時代には、これまで「作るのが大変だったもの」が誰にでも作れるようになります。

かつて、エンジニアが数時間かけて書いていたコード、デザイナーが数日かけて制作していたロゴ案、専門家が数週間かけて作成していた市場分析レポート。こうした知的成果物の初稿がいまや「一瞬」で「タダ同然」のコストで生成できるのです。

これは、すべての会社が世界最高のエンジニアやライター、データサイエンティストを月額数千円で雇っているような状態を意味します。

ここで恐ろしいのは、「安くなるということは、それ自体では『差がつかなくなる』ということ」です。プログラミングの専門知識による「実装力」を参入障壁としてきた企業は、その壁をあっさりと飛び越えられてしまいます。

いずれの事例にも共通するのは、「作る力」のコモディティ化によって産業が消滅したのではなく、競争の軸が「作る」ことから、「届ける」「選ぶ」「責任を持つ」ことへと移動したという事実です。

AIという強力な道具が誰にでも行き渡ったとき、経営者が問うべきは「AIをどう使うか」ではなく、「全員がAIを使える世界で、自社のモート（防壁）はどこにあるのか」という構造的な問いなのです。この「思い込みに騙されない」ための視座を持つことが、経営の判断の質を上げる第一歩となります。

企業価値を脆弱にする「3つの条件」とソフトウェア開発の「平準化の崖」

「作る力」のコモディティ化によって産業が消滅したのではなく、競争の軸が「作る」から「届ける」「選ぶ」「責任を持つ」へと移動した、という構造である。

本書の中で、エンジニアやクリエイター、そしてIT投資を意思決定する経営陣にとって最も衝撃的かつ実務的な示唆を与えるのが、AI時代に企業価値が失われやすくなる「3つの条件」と、ソフトウェア開発における「平準化の崖」の概念です。

著者は、競争優位が脆弱になる条件として以下の3点を挙げています。
・模倣コストの高さだけに依存している
これまで多くの企業は「我が社の製品は簡単には真似できない」と安心し、優秀なエンジニアやデザイナーを抱えることを参入障壁としてきました。しかし、AIがこの模倣コストを劇的に下げてしまえば、この防壁は一気に崩れます。

・提供価値の中核が、AIの得意領域と重なっている
パターンの認識、定型情報の整理と提供、自然言語による応答など、自社の価値がこれらと重なるほど、AIによる代替リスクは高まります。

・顧客との関係が浅く、乗り換えコストが低い
顧客が別の選択肢に乗り換えるコスト（スイッチング・コスト）が低ければ、より良い代替手段が登場した瞬間に顧客は躊躇なく移行します。 この3条件は、特定の業界に限らずあらゆる産業に適用できます。

例えば翻訳業界では、AI翻訳の精度向上により、定型的なビジネス文書の翻訳は「AIの得意領域」と重なり、案件単位の「浅い関係」であるため、急速に代替が進んでいます。

不動産仲介でも、「物件情報の検索と提示」という情報の整理領域はAIが代替可能であり、売主と買主の間に立つだけの浅い関係では、人間の役割は残りにくいと指摘されています。

この脆弱性が最も顕著に現れているのが、ソフトウェア開発の現場における「80対20の法則」です。システム全体の80%は、ユーザー認証、データベースの読み書き、画面レイアウトといった比較的定型的なコードで構成されています。

著者は、AIコーディングツールの普及により、この「80%の領域（定型的な実装）」の構築コストが限りなくゼロに近づき、企業間の差がほとんどつかなくなる「平準化の崖」を形成していると指摘します。

一方で、残りの20%には、数千万人のアクセスを同時に捌く大規模システムのアーキテクチャ設計や、人命や巨額の資金を左右するミッションクリティカルな処理、さらには法規制や業界特有の暗黙のルールに基づく特殊なドメイン知識を要する処理が集中しています。この「20%の領域」は、高度な設計力と説明責任を要するため、依然として差別化の源泉として残ります。

自社のビジネス、あるいはあなた自身のスキルが、この3つの脆弱な条件に当てはまっていないか。そして「平準化の崖」の手前（定型的な80%）にあるのか、奥（高度な判断を要する20%）にあるのか。自社の競争優位は「模倣の困難さ」に依存しているのか、それとも「構造の深さ」に根ざしているのか。この冷徹な自己診断こそが、次なる戦略の出発点となります。

「見せかけのモート」に騙されるな：AI時代に残る5つの武器（本物のモート）

「見せかけのモート」に共通するのは、AIの進化によって価値が低下しやすいことである。見せかけのモートを見抜く最も確実な方法は、「AIが進化した場合、この優位は強まるか、弱まるか」と問うことである。弱まるなら、少なくともそのままでは本物のモートとはいえない。

では、「作る」ことのハードルが消え、「作れるかどうか」ではなく「作った後に何ができるか」が焦点となる時代において、企業はどこに陣地を構えればよいのでしょうか。

著者は、投資家ウォーレン・バフェットが提唱した「経済的なモート（堀）」の概念をAI時代に適合させ、以下の「5つの武器」として鮮やかに再定義しています。

その前に、多くの企業が誤解している「見せかけのモート」を排除しておく必要があります。
・「慣れ」による乗り換え障壁
顧客が現在のUIに慣れているというだけであれば、AIエージェントがそのUIを迂回し始めた途端に崩れ去る惰性にすぎません。

・単なる「データが入っている」こと
顧客データが自社システムにあるだけでは弱く、それが「公式に正しい記録」として組織的に認められて初めてモートになります。

・「AI機能がある」こと
チャットボットなどを搭載しただけでは、競合もすぐに導入できるため防壁になりません。

・「速く作れる」こと
汎用的な知識やツールを使って速く開発できる能力は、AIによって差が縮まるため維持できません。

・「先行している」こと
単に早く市場に出たという先行者優位は、後続企業がAIを使って追い付くスピードが速いため維持できません。

これら「見せかけのモート」に依存する企業は、AIによって容易に侵食されます。では、「本物のモート」とは何か。それは以下の3つの条件を備えているものです。

第一に、AIだけでは短期間に代替しにくい「組織的な合意に基づくマスターデータ、暗黙のルールが蓄積されたワークフロー、顧客との信頼関係、補完者の投資、物理的なインフラ」であること。

第二に、時間とともに厚くなること。

第三に、システム単体ではなく複数の要素が重層的に機能すること。

これを踏まえ、AI時代に本当に残る「5つの武器（本物のモート）」を具体的に見ていきましょう。
① マスターデータ（「何が正しいか」の合意を握る）
最も強固な防壁となるのが、マスターデータのモートです。著者は、マスターデータとは「情報そのもの」ではなく「合意」であると鋭く指摘します。 現在の生成AI（大規模言語モデル）は、統計的に「もっともらしい回答」を生成する技術であり、AI自身が「正しさ」を保証することはできません。いわゆる「ハルシネーション（もっともらしいウソ）」は依然として重大な課題です。

経営会議での意思決定や、ビジネス上の重要な判断において、「もっともらしい情報」は致命的な損害をもたらす恐れがあります。だからこそ、「この情報は公式に正しい」と保証するマスターデータの存在が、AI時代にはますます重要性を増すのです。

さらに、AIのハルシネーションを防ぐために自社データのみを参照させる「RAG（検索拡張生成）」という技術が普及しつつありますが、これも裏を返せば「自社内に信頼できるマスターデータ（アンカー）」が存在しなければ機能しないことを意味しています。

長年の運用実績、監査法人による検証、規制当局への報告実績など、積み重ねによって関係者全員が認めている「唯一の正しい記録」の地位を確立していれば、新規参入者がどれだけ優れたAI技術を持っていても、この「合意」を一から構築するには膨大な時間と信用が必要になります。

これこそがマスターデータのモートの本質です。一度この合意が形成されると、技術的にシステム移行が可能であっても、その合意を別のシステムに再構築することは人間と組織の問題となるため、乗り換えコストが極めて高くなります。 この業界横断的な原理は、異なる産業でも同じように働きます。

セールスフォース（CRM）、エピック・システムズ（医療）、コスター・グループ（不動産）、オートデスク（建設）などは、いずれも長年のデータ蓄積と業務フローへの浸透を通じて、「この記録が業界の正本である」という合意を獲得し、巨大なモートを築いています。また製造業においても、工場の稼働データやメンテナンス履歴などを一元管理するシステムが、その工場にとってのマスターデータとなり得ます。

② ワークフロー（「点」ではなく「線」で業務の流れに入り込む）
ワークフローのモートとは、単一の機能や画面を提供するのではなく、業務が「どう流れるか」、すなわち承認、例外処理、部門間連携といった業務プロセスの構造そのものを握ることによって形成される防壁です。マスターデータが「情報の拠り所」だとすれば、ワークフローは「業務の動脈」を押さえるモートです。

著者は、製品を「点」と「線」に分けて考えることの重要性を説いています。議事録生成、日程調整、ファイル変換といった「点の製品」は、業務プロセスの中の一つの作業を効率化するツールに過ぎず、個別の機能は独立しているためAIやプラットフォームに一つずつ代替・吸収されやすいという高いリスクを抱えています。

一方で「線の製品」は、見積作成から始まり、上長承認、例外処理、受注処理、部門間連携、売上計上といった一連のプロセス全体をつなぐシステム（ERPやワークフロー管理ツールなど）を指します。業務の流れ全体がつながっているため、一部の機能だけを切り出して置き換えることができず、乗り換えの障壁となります。

重要なのは、「点」から「線」への転換は、技術だけでは実現できないということです。顧客企業の業務プロセスを深く理解し、特有のルールや例外処理をシステムに組み込み、長期間にわたって運用しながら調整を重ねる「業務理解の蓄積」こそが、ワークフロー・モートの源泉となります。

例えば物流業界では、個別の配送（点）を効率化するツールは代替されやすいですが、全国の集配拠点のネットワーク、仕分け、ドライバーのシフト管理、再配達ルールなどを一体となった「線」の運用体制に組み込んでいる企業の強みは、AIによって簡単に代替されるものではありません。

「線」を握っている企業は、AIを「線」の中の各「点」に導入することで、自社の競争力をさらに高めることができます。AIは通常、「線」をただちに破壊するのではなく、「線」の内側から各「点」を強化するツールとして機能するからです。AI時代において「点」で勝負している企業が危ういのは、「点」の作業はまさにAIが最も効率化しやすい領域だからです。

③ エコシステム（「自前主義」を捨て、「誰がその上で儲かるか」を設計する）
本書の最も洞察に富む指摘の一つが、「自前主義」から「エコシステム」への構造転換の必要性です。エコシステムのモートとは、自社単独ですべての機能を提供するのではなく、自社のプラットフォーム上で他社（サードパーティ）が事業を営み、利益を上げる構造を指します。

「自前主義」の企業では、提供できる価値の上限は自社の人員と資本によって決まります。しかし、エコシステムを持つ企業では、価値の総量は自社単独ではなく、そこに参加する外部の開発会社や導入支援会社（補完者）の総投資によって増え続けます。

セールスフォースの「AppExchange（アプリストア）」や、ショッピファイのアプリストア、アップルのApp Storeがその典型例です。数千のサードパーティ製アプリケーションが登録され、連携して動作することを前提に設計されています。

著者は、エコシステムのモートが成立するためには以下の「3つの条件」を満たす必要があると喝破しています。単なる「取引先のリスト」を持っているだけでは防壁にはなりません。
・中核企業による補完者の成功支援
プラットフォーム企業自身が、外部から接続できるAPIや仕様を整備し、開発者や補完者向けのドキュメント、ツール、支援制度など、参加企業が利益を上げやすい環境を意図的に作り込んでいること。

・補完者による基盤への投資（特化投資）
参加企業がそのプラットフォーム上で事業を展開し、投資を蓄積することで、離脱コストが高まり「継続的な投資意欲」を維持できている状態を作ること。

・自己強化ループ
参加者が増え、累積的な他社の投資が増えるほど、プラットフォームの価値がさらに上がり、その種まきが「他社が他社を呼ぶエコシステム・モート」として将来にわたり勝手に回り始めること。 AI時代において「作る力」が民主化されると、プログラムの専門知識がなくてもAIを使ってアプリケーションを開発できる人材（補完者）が爆発的に増加します。

彼らが自社のプラットフォーム上でアプリを開発・販売・運用できる仕組みを提供できれば、エコシステムの価値はさらに加速度的に膨張します。自社ですべてを作る「自前主義」の企業がこの恩恵を受けることはありません。

エコシステムは、単に「賑わい」を作るためではなく、外部の投資を引き出し、顧客をプラットフォーム内に深く定着させるための強固な「壁」として機能するのです。この構造は、完成車メーカーと部品サプライヤー網の関係に見られるように、非ソフトウェア産業でも同様に強力に働きます。

④ ディストリビューション（「誰に届くか」顧客の前に最初からいる） 既存の契約先、強固な販売代理店網など、顧客との直接的な接点をすでに持っていることです。日々の業務を通じて築き上げた長期的な「信頼関係」こそが、新しいAI機能を抵抗なく受け入れてもらい、フィードバックを得るための最強の経路となります。

⑤ スケール（「安さ」ではなく「構造としての規模」に転換する） 「規模」というモートに関して、著者は非常に重要な警告を発しています。それは「AIは『安さとしての規模』を弱め、『構造としての規模』を強める」という真理です。

大量生産や大量仕入れによるコスト削減（規模の経済）は、経営学の最も古い競争優位の一つです。しかし、「安さとしての規模」は極めて脆い防壁です。なぜなら、AIによってコスト構造が根本から変わりうるからです。

例えば多数のオペレーターを抱えることでカスタマーサポートのコストを下げていた大企業は、AIチャットボットの普及によって、その規模の優位性をあっさりと失います。少人数の企業でも、AIを使えば同等のサポート品質を低コストで実現できるからです。

一方で、AI時代に強みとなるのは「構造としての規模（スケール）」です。これは、規模を拡大すること自体が目的ではなく、規模があることで初めて実現できる「質的に異なる能力」を指します。

著者は、スケールのモートが成立する条件を示しています。 規模が単なるコスト削減や人数の多さではなく、競合が容易に模倣しにくい「データの学習効果」「固定費の分散」「供給の信頼性」「顧客への到達力（ディストリビューション）」などの構造的な優位に転換されていることです。

例えば、全国に配送ネットワークを持つ物流企業は、単に低コストで配送できるだけでなく、「翌日配送」や「時間帯別の精緻な受取予測」という小規模な競合には提供できないサービス品質を実現しています。

この配送ネットワークは、データ量が多いほどAIの判断が正確になり、コストと品質の両面で優位を拡大できるため、AIによってさらに最適化され優位性が盤石になります。

この「構造としての規模」を最も象徴的に体現しているのがエヌビディアとAWSです。AIモデルの開発や運用には、GPUを含む計算基盤への莫大な初期投資（固定費）が伴いますが、AWSのような巨大なクラウド事業者は、顧客数が増えるほどこの固定費を広く分散し、AI投資の経済性で圧倒的な優位に立ちます。

またエヌビディアは、単なる半導体の性能差だけでなく、CUDA（クーダ）というAI開発基盤を世界中の開発者に普及させ、エコシステムと結びついた巨大なスケールを築いています。 つまり、AIは「規模」を一律に有利にも不利にもしません。単に人数が多い、売上が大きい、拠点が多数あるというだけでは、AI時代には機能しないのです。

将来の競争優位を待つのではなく、その規模が「固定費の分散」「学習効果の蓄積」「供給の信頼性」といった構造的な強みに変換されるよう、長期的な構築条件を早い段階から自社で設計しておく必要があります。

AI時代に生き残るSaaSとは？

強いSaaSは、複数のモートを組み合わせている。

本書の第3部において、経営層が特に刮目すべきなのが「死ぬのはSaaSではなく、薄いモートである」という鋭い検証です。 これまでのSaaS企業の多くは、「特定の機能を使いやすいユーザーインターフェース（UI）で提供すること」で対価を得てきました。

しかし、領収書にカメラをかざすだけでAIが社内規定と照合して仕訳まで完了させてくれるなら、専用の「入力しやすい画面」は不要になります。ユーザーが求めているのは「画面操作」ではなく「タスクの完了」だからです。

UIの価値は「入力の容易さ」から「AIが処理した結果を確認し、判断を下すための支援」へと移行しているのです。「美しい画面」や「直感的な操作感」だけを競争優位の中核に据えている企業は、その戦略の根底を揺るがされています。

これはまさに、「模倣コストの高さだけに依存」「AIの得意領域と重複」というAIに弱い優位の典型例です。 このUI価値の変容により、特定の業務課題に特化した「単機能SaaS（点の製品）」はかつてない危機に瀕しています。

著者は、単機能SaaSが「消える2つの経路」を明確に示しています。
・大規模プラットフォームの標準機能として取り込まれる
例えば、議事録作成ツールは、Microsoft TeamsやGoogle Meet、Zoomといった会議プラットフォーム自体がAI要約機能を標準搭載し始めたことで、わざわざ別ツールを契約する必然性が失われつつあります。

・汎用的な生成AIサービス（ChatGPTやClaudeなど）に機能ごと代替される
特定のプラットフォームに取り込まれるのではなく、基盤モデル自体の急速な進化によって、専用ツールの存在意義が飲み込まれてしまうケースです。 さらに深刻なのが、「座席課金」モデルへの強烈な逆風です。多くのSaaS企業は「ユーザー数×月額料金」という座席課金モデルで収益を上げてきました。

しかし、AIが「一人の人間の生産性を数倍に高める」時代においては、企業が必要とする座席数（オペレーター数）は減少します。AIによって業務を効率化すればするほど、「人間の利用者数」に連動して収益が伸びるSaaS企業の座席課金モデルにとっては逆風となる、構造的なジレンマに陥っているのです。

この構造的圧力に対し、先進的なSaaS企業はAIが処理したタスク量に応じた「成果課金」への転換を模索し始めていますが、同等の収益規模を生み出せるかは未知数です。

これらを踏まえ、著者は新たにAI市場に参入する「AIネイティブ企業」が陥りがちな4つの「薄い勝ち筋」に警告を発しています。

・課題設定が浅いこと：文章生成や要約など、一見わかりやすく初期の顧客に刺さりやすい機能は、ビジネスのどの業務課題を解決しているのかが曖昧なままであり、長期的な防壁にはなりません。

・デモ映えするAI機能であること：既存システムとの連携、権限管理、例外処理の壁に直面する本番環境の精度よりも、デモでの印象に見栄え良く作られた製品は、既存ベンダーの「厚い勝ち筋（ワークフロー）」に負けてしまいます。

・プロンプトの工夫に依存すること：プロンプト自体が価値だったのは初期のAI活用だけであり、基盤モデル自体が曖昧な指示を理解できるよう進化している現在、プロンプトの妙技をモートにすることは難しくなっています。

・汎用的な生成AIサービスに薄い業務テンプレートを載せること：営業メール用や議事録用といったテンプレートは便利ですが、浅ければ汎用AIサービスや既存プラットフォームにすぐに吸収されてしまいます。

これら薄い勝ち筋に共通するのは、「AIの能力や見せ方に依存し、顧客の業務構造に深く入り込んでいない」ということです。単機能SaaSや薄いAIアプリが生き残るには、プラットフォームに吸収されにくい「厚い勝ち筋」へと転換するしかありません。

AIネイティブ企業が最初に築くべき「厚い勝ち筋」の第一歩は、「コンテキスト資産」の構築です。コンテキスト資産とは単なるデータ量ではなく、顧客企業が過去にどう判断してきたかという「顧客固有の業務文脈」のことです。

法務AIであれば、契約書を読み込むだけでなく、その企業にとって「どこまでのリスクを許容し、どのリスクを拒否するか」という文脈を含んでおり、この文脈まで含む概念こそが「本当に使える提案」を生み出します。

コンテキスト資産は自然には集まらないため、顧客の業務データに接続し、過去の受注パターンや失注理由など企業の「公式データ」として整理・蓄積していく必要があります。そして、次に「導入資産（仕組み）」を握ること。

顧客ごとに作り込まれた設定や権限、ガードレール（AIが越えてはならない範囲）を定める制御の仕組みがモートになります。これは単純なデータ連携ではなく、どの部署の資料を参照し、誰の承認が必要かなど、顧客の業務改善になればなるほど初期のワークフローとして深く入り込み、乗り換えコストを高めます。

最後に「運用資産（経験）」を握ること。AIの出力は完全ではないため、人間の修正や却下といった行動を学習材料として蓄積し、実務で使えるレベルに改善していくループ（経験）が最終的な防壁となります。

AIネイティブ企業は、「正解」ではなく「評価資産（AIの出力をどう測るかの仕組み）」を握り、監査や責任分担を含む業務プロセス全体に入り込むことで初めて、持続的なモートを築くことができるのです。

強いSaaSは、複数のモートを組み合わせ、競合が同じ機能を提供しても顧客に選ばれ続ける仕組みを築いています。 たとえば、企業の購買を支えるSaaSを考えてみましょう。

取引先や商品の情報が正確に管理され、見積もりの比較から社内承認、発注までを一つのサービスで進められるとします。ここでは、業務の基準となる「マスターデータ」と、日々の仕事の流れである「ワークフロー」が結びついています。

承認時に参照した取引条件や、例外対応の経緯も記録されるため、使い続けるほど、担当者は過去の判断を次の仕事に生かせるようになります。 さらに、導入を支援するパートナーがいれば、新しい顧客にサービスを届けやすくなります。

会計ソフトなどとの連携が増えれば、顧客は発注情報を経理システムに手入力する手間も省けます。パートナーにとっても、導入支援や連携サービスが収益につながるため、サービスを広める理由が生まれます。こうして「届ける力」と「エコシステム」が、導入のしやすさと導入後の使いやすさの両方を支えます。

生成AIを使えば、競合も見積もりを比較する機能や発注書を作成する機能を開発しやすくなります。それでも、同じ使い勝手を提供するには、取引先や商品のデータを整え、企業ごとの承認ルールに対応し、既存の会計システムとつなぐ必要があります。複数のモートが互いを補強すると、競合が一つの機能を再現しても、顧客が日々の業務で得ている価値全体を再現するのは難しくなります。

非ソフトウェア企業の逆襲と個人のキャリア戦略：「AI機能の導入」と「モートの強化」を見極める

AI時代の最も重要な問いは、単に「AIをどう使うか」ではない。「自社が持つ既存のモートは、AIによって強まるのか、弱まるのか」である。

AIによるこの地殻変動は、製造、金融、小売、医療、建設といったリアルな産業基盤を持つ「非ソフトウェア企業（伝統的企業）」にとって千載一遇のチャンスでもあります。

彼らはすでに、現場の保守履歴、複雑なサプライチェーンの在庫情報、長年培ってきた顧客との泥臭い信頼関係といった「デジタルだけでは触れることのできない物理的な接点や実行力」を持っています。

著者は、非ソフトウェア企業のモートがAIによって「重層的」に進化する構造を示しています。自社の強みがどの領域にあり、どこを投資の最優先候補とすべきか。それを診断するための4つの象限を示しています。

１、最優先投資領域（代替されにくい × 資産が蓄積される）
AI時代における防衛と成長の要となる、最も強固な陣地です。ここには、組織の唯一の正しい「マスターデータ」、独自の暗黙知や意思決定の歴史が刻まれた「深いワークフロー」、長年の顧客との信頼や自社のみが知り得る「顧客・現場の独自コンテキストや評価資産」が当てはまります。

これらは他社に容易に再現できないドメイン知識の蓄積であり、経営資源を真っ先に、かつ集中的に投下すべきコア資産です。

２、土台領域（代替されにくい × 資産が蓄積しにくい）
物理資産（工場、倉庫、店舗網）や、特許・免許などの規制上の地位、サプライチェーン網がこれに該当します。このままでは学習効果やネットワーク効果が蓄積されにくいため、技術の進化そのものの恩恵を受けにくい特徴があります。

しかし、ここを「データ化」「ワークフロー化」することによって、右上の最優先領域へと引き上げ、AI時代における強力なエコシステムやスケールの原動力に変えることができます。

３、転換可能領域（代替されやすい × 資産が蓄積される可能性あり）
コールセンターの対応履歴、営業担当者の提案や失注理由、現場の検査ログ、融資審査の判断理由などの実務的なプロセスが該当します。

これらは「作業そのもの」はAIによって代替されやすいですが、現場の対応や失敗から得られるフィードバック（対応履歴、判断根拠、顧客の不具合パターンなど）を適切に「データ資産」「評価基準」として蓄積・仕組み化できれば、AIの精度を高める「固有の学習資源（モート）」へと昇華させ、右上の領域へと持ち上げることができます。

４、投資縮小領域（代替されやすい × 資産が蓄積されない）
汎用UI、レポートの自動生成、標準的なチャットボット、他社との差別化につながらない社内向けツールなどがこれに当たります。これらは、誰が使っても同じようにAIが短期間で代替可能（平準化の崖に転落）であり、かつ自社の長期的な知的資産にはならない部分です。

追加の自社開発や巨額の投資を抑え、市販ツールや汎用AIを必要な範囲で賢く「消費する」にとどめ、必要最小限のコストに抑えるのが基本方針となります。

非ソフトウェア企業が犯しがちな誤りは、この全体図（地図）を持たないまま、左下の「投資縮小領域」のツール導入やAI機能の追加だけに先行してPoC（概念実証）を繰り返し、本当に価値のある「データ基盤、ワークフロー、評価基準」の整備を後回しにすることです。

成功するための「AI投資の成功サイクル」は以下のように整理されます。
・STEP 0: 小さく試す PoC
自社に不足しているデータや、曖昧な業務プロセス、未整備の評価基準を明確にするための「診断」と位置付けます。PoC自体を目的化させず、何が足りないかを特定するための仮説検証です。

・STEP 1: データ基盤の整備
AIが参照・学習・評価に使えるように、データの定義、品質、更新・検証方法を徹底的に整えます。ハルシネーションを防ぎ、RAGなどが有効に機能するための「マスターデータの整備」はここから始まります。

・STEP 2: ワークフローの設計
AIの判断をどう承認し、自動実行につなげるか。人間への切り替え方法や、例外処理のルール、責任分界、監査の流れなどを組織の「一連の動脈」の中に組み込みます。

・STEP 3: AI機能の開発・導入
整備されたデータとワークフローに基づき、最適な外部サービスや基盤モデルを選定し、既存の実務へと組み込みます。

・STEP 4: 運用資産・評価資産の蓄積
日々の利用ログ、修正履歴、現場の例外処理、評価結果を持続的に蓄積し、そこから得られた独自の知見を次の改善へ戻すという「自己強化ループ」を回します。このデータや判断ログのフィードバックが、さらなるデータ基盤やワークフローの強化（STEP 1, 2）へとつながり、時間の経過とともに他社との格差を広げます。

「AIを使うだけの会社」は、外部からAIツールを調達してその機能を「消費」しているだけにすぎず、AIモデルが入れ替われば競合との差はすぐに元に戻ります。これに対し、「AI時代に勝つ会社」は、AIの活用を通じて「自社固有のデータや判断の蓄積」を続け、使うほどに賢くなる「自社固有の学習装置」を構築しています。

1年後、3年後、5年後と時間がたつにつれ、この自己強化ループが生み出す格差は決して埋めることができなくなります。

① AIツールを導入
基盤モデルや汎用機能を活用する。

② 業務を効率化
時間、人材、資金の「余剰」を生み出す。

③ 余剰をモートに再投資
余剰リソースをただのコスト削減で終わらせず、データ基盤の整備、ワークフローの高度化、評価・運用資産へと戦略的に再投資する。

④ 構造が厚くなる
マスターデータ、顧客接点、運用資産が強化され、他社が容易に真似できない強固な壁を形成する。これが再びAIツールの価値を高めるというサイクルを回し続ける。

AIで文章やソフトウェアを作りやすくなるほど、何を解決すべきかを見極め、実行の判断と結果に責任を持つ力が重要になります。

経営者がまず考えたいのは、「自社が顧客に提供している価値のうち、AIで再現しやすい部分はどこか」という問いです。

情報の整理や定型文の作成は、AIを使えば短時間で進められます。競合も同じようにできるようになれば、作業の速さや成果物の見栄えだけでは差がつきにくくなります。

たとえば、問い合わせへの返信案をすぐに作れても、同じ問い合わせが繰り返される原因が料金表示のわかりにくさにあるなら、見直すべきなのは返信の文面よりも料金の伝え方です。

AIエージェントに業務の一部を任せる場合は、どこまで自動化し、どの時点で誰が確認するかを決める必要があります。

たとえば購買業務では、在庫や過去の取引をもとに発注候補を作るところまでをAIに任せ、一定額を超える発注や新規の取引先への発注は、担当者の承認を経て実行するという設計が考えられます。判断の根拠や承認の記録を残しておけば、問題が起きたときに経緯を確認し、ルールを見直せます。

AIは、過去の記録から業務ルールの候補を見つけ、文書にまとめる作業にも使えます。その候補を正式なルールとして採用するか、例外をどう扱うか、新しい手順に安全に切り替えられるかは、現場の事情を踏まえて組織が判断します。

購買の例であれば、価格を抑えたい購買部門と、欠品を避けたい現場の双方の意見を聞き、どの条件で自動発注を認めるかを決める必要があります。

こうした利害を調整し、判断基準を日々の業務手順に落とし込む力は、個人の競争優位を支える一つの「モート」になります。

AIは、課題の候補を挙げたり、解決策を比較したりする助けにもなります。そのうえで、顧客の声や実際の行動を確かめ、何を優先して解決するかを決めるのは、事業を担う人の役割です。

開発の速さが各社で近づくほど、顧客がどこで困っているかを正確に捉え、その課題が解決されたかまで確かめる力が、企業や個人の差になります。

AI時代に経営者が問うべきは、AIの普及によって、自社の競争優位を支える仕組み（モート）が強まるのか、弱まるのかです。 顧客が自社を選ぶ理由が、定型的な作業を速くこなせることにあるなら、競合もAIで同じことができるようになったとき、その優位は薄れます。

一方、自社が蓄積してきた信頼できるデータや、顧客の業務に深く組み込まれた仕組みが選ばれる理由なら、そこにAIを組み合わせることで、顧客に届ける価値をさらに高められます。 その価値を実際の成果につなげるには、AIの提案を受けて、誰が何を確かめ、どの基準で実行を決めるかを明確にする必要があります。

たとえば、AIが仕入れ先の変更を提案したとき、価格だけを見れば合理的でも、品質や納期、供給が途絶えた場合の影響まで考えると、結論が変わることがあります。

担当者が根拠を確かめ、決裁者が採否を決め、実行後の結果を振り返る。こうした手順があって、AIの提案は組織として責任を持てる意思決定につながります。

AI時代に残る会社は、AIに判断を丸投げする会社ではない。AIの出力や提案を組織の責任ある意思決定に変換できる会社である。

「顧客はなぜ自社を選び続けているのか」「その強みを伸ばすために、どこまでAIに任せ、どの判断を誰が引き受けるのか」。 この二つの問いに答えることで、限られた人材や予算をどこに振り向けるべきかが見えてきます。

コンサルタント 徳本昌大のView

AI時代の競争力を左右するのは、AIを自社ならではの強みと結びつけ、顧客への価値を高められるかどうかです。『AIに潰されないための競争戦略』は、この視点から、自社の競争優位と投資の優先順位を見直す一冊です。

AIの導入によって、業務の効率を上げたり、製品に新しい機能を加えたりできます。ただし、競合も同じような機能を提供できるようになれば、機能の違いだけで顧客に選ばれ続けることは難しくなります。

本書が取り上げる、特定の機能に特化したSaaSの事例は、その変化を考える手がかりになります。競合との機能差が縮まり、それまでの優位性が失われる局面を、本書では「平準化の崖」と呼んでいます。

そこで重要になるのが、他社が短期間ではまねしにくい資産です。たとえば、商品や顧客に関する情報を整理したマスターデータ、顧客に商品やサービスを届ける販売網、取引先やパートナーと連携して価値を生み出すエコシステムなどです。

AIをこうした資産と組み合わせ、顧客が抱える課題の解決に活かせれば、競争優位を守る「モート」を深めることにつながります。 経営者にとっての出発点は、「顧客はなぜ自社を選んでいるのか」「その理由は、競合が同じAI機能を備えた後も残るか」と問い直すことです。

本書が示す「５つの武器」やマトリクスのフレームワークを使うと、自社の強みと、機能が似通うことで失われやすい優位性を整理できます。

そのうえで、どの顧客課題を優先するかを社内で合意し、自社で磨くべき強みと、パートナーとの連携で伸ばせる強みを見極めます。AIへの投資を検討する際に、何を守り、どこに経営資源を振り向けるかを考えるための一冊です。

FAQ

Q1: AI時代において、自社が「AIを使うだけの会社」か「AIで構造を築く会社」かを見極める基準は何ですか？

A1: 判断の基準は「AIの利用履歴や人間の修正判断が、自社の知的資産として積み上がっているか」です。単に既存モデルを業務に導入して作業を効率化させているだけの状態であれば、競合が同じAIを契約すれば格差は一瞬で消えます。

一方で、AIの出力結果を検証・修正し、「自社固有の評価基準やワークフロー、コンテキスト」としてデータ基盤へ再投資・蓄積するサイクルが回っている場合、AIは自社固有の学習装置へと進化し、時間の経過とともに他社が追いつけないモート（防壁）となります。

Q2: 非ソフトウェア企業（伝統的企業）は、AI時代にどのように競争優位を築けばよいでしょうか？

A2: 自社がすでに持っている物理的資産（工場や店舗網）や、顧客との信頼関係、長年の品質データといったアナログな基盤を土台に、「重層的モート」を構築することです。現場の熟練者の判断履歴を「運用・評価資産」として蓄積し、AIスタートアップが容易に模倣できない既存アセットの上にAI機能を乗せることで、AIの効果を最大限に引き出し、競争優位をさらに強固なものにすることができます。

Q3: 経営者が陥りやすい「AI機能の導入」と「モートの強化」の違いは何ですか？

A3: 「AI機能の導入」とは、市販のAIツールを業務に組み込むだけのコモディティ寄りの投資であり、競合もすぐに模倣できるため得られるのは「一時的な効率化」に過ぎません。「モートの強化」とは、AIを自社の構造的優位性（ワークフローやマスターデータ）に変換する戦略的投資であり、自社固有のデータや文脈を必要とするため模倣困難であり、「永続的な資産化」をもたらします。経営者はこの違いを見極め、見せかけのモートではなく本物のモートの強化にリソースを集中させるべきです。

関連記事

【書評】存在起点のマーケティング　旗を掲げよ――AI時代の分野No.１戦略 (神田昌典）
「なぜ、あなたの会社が存在するのか」。神田昌典氏の『存在起点のマーケティング』は、この問いからAI時代の経営戦略を考えます。「PASONAの法則」を生み出した著者は、AIで売り方の型を再現しやすくなるいま、自社の存在意義を起点に戦略を組み立てることを提案します。誰のどんな課題に応えるのかを明確にし、価格競争から抜け出して、特定の分野で最も選ばれる企業を目指す。本記事では、その実践方法を紹介します。
→リンクはこちらから

【書評】戦略の要諦 (リチャード・Ｐ・ルメルト）
ビジネスにおいて「何をやらないか」を決める戦略の本質に迫る名著。本質を見極める力や課題に集中する能力を養えます。AIによって選択肢と効率化の手段が無数に広がる現代だからこそ、自社の「5つの武器」にリソースを集中させるための構造的な思考回路を身につけるために、経営層に必読の戦略書です。
→リンクはこちらから

【書評】 フィジカルAIの衝撃　「身体をもった人工知能」は2030年の世界をどう変えるか （田中道昭）
田中道昭氏の『フィジカルAIの衝撃』は、AIがロボットや自動運転車を通じて現実世界で判断し、行動する2030年を展望します。前半では、デジタルツインなどの基盤技術を、テスラやエヌビディアの事例を交えて解説します。後半では、日本企業が培ってきたものづくりの技術や現場の知恵を、どう競争力に変えるかを考えます。生成AIの基盤モデル開発で出遅れた日本にも、現場の強みを生かせる領域に勝機があると説きます。
→リンクはこちらから