いま走っているPoCは勝ち筋に載せ替えられる — 3つの経路と5つのアセット棚卸し

発行: アーキタイプ株式会社 / 2026年9月
シリーズ: AIの外で勝つ — 事例で読むAI新規事業（第6回/全6回）

ここまでの連載を読んだ方の多くは、こう思っているかも知れません。「うちの社内で走っているのは、文書処理や問い合わせ対応のPoCなのだが」。つまり、連載第1回で述べた、スタートアップが最速で走っている領域です。

それを止めるべきだ、というのが結論ではありません。止める権限がないことも多いですし、止める必要もありません。必要なのは載せ替えです。

最終回は、いま走っているPoCを勝ち筋に転換する3つの経路と、自社アセットの棚卸しの道具までまとめて扱います。

経路1──PoCの副産物を「休眠データ」として再定義する

社内で文書処理AIや問い合わせAIを運用すると、副産物が溜まります。AIの出力を現場の人間が修正した記録、判断が分かれた事例、業務固有の用語と正解の対応。これは単なる運用ログではなく、その業務ドメインにおける教師データという資産です。

この再定義を事業にした実例が日立製作所です。同社は自社内の生成AI導入で約1,000件規模の実践を先に積み、そこで得た「何が効いて何が失敗するか」の知見そのものを、2024年から顧客企業向けの伴走型サービスとして外販しています。個別のPoCは市販モデルに追いつかれても、「自社業務で何百回失敗したか」の記録は他社に再現できません。

実務は、PoCの設計段階で3つの記録を仕込むことに尽きます。

第一に、AIの出力を現場がどう直したかの修正ログ（修正前後のペアが教師データになります）。第二に、AIが判断を誤った事例と、その業務でしか分からない誤りの理由。第三に、業務固有の用語・略語と正式な意味の対応表。

どれもPoCの副産物として自然に発生しますが、記録する設計にしておかなければ流れて消えます。コストはほぼゼロで、あとから買えない資産です。

経路2──スタートアップの「最初の顧客」になる

専門知系・エージェント系の領域で速く走りたいなら、自社で作るのではなく、走っている者に乗る。もっとも洗練された乗り方は、出資ではなく最初の顧客になることです。BMWが体系化したことで知られるこの方式（ベンチャークライアントモデル）は、株式を取らず、審査を軽くし、実務の現場で小さく買って試します。BMWの仕組みの全体像は別記事で詳しく解説しています。数百万円の購買で最先端の技術を実務検証でき、外れたときの損失も限定されます。

日本企業でこの経路が機能しない典型的な理由は、思想ではなく調達手続きにあります。新規取引口座の開設に数ヶ月、与信審査で創業2年のスタートアップが弾かれる、稟議の最低額が大きすぎて「小さく買う」ができない。

本気で使うなら、AI関連の小口購買に限定した簡易調達枠を先に作るのが実務の第一歩です。

経路3──アセットの「供給者」として組む

自社で事業を持たず、勝ち筋のアセット（データ、現場、販路）を供給する側に回る経路もあります。探索型の創薬AIでは、この分業が既に業界標準です。AI側が設計を担い、製薬大手は標的課題・実験検証の現場・臨床開発力を提供して、契約一時金とマイルストーンで組む。どちらが上でも下でもなく、再現不能なアセットを持つ側と探索技術を持つ側の等価交換です。

自社の現場・データが「AI企業がもっとも欲しがる資産」であるほど、この経路の交渉力は上がります。

実行の壁──現場は事業開発部門のものではない

どの経路を選んでも、最後に同じ壁に当たります。アセットを握っているのは事業部であり、事業開発部門ではない、という壁です。

参考になるのは、シンガポールの銀行DBSが行内変革で使った設計です。イノベーション部門が案件を持ち込むのではなく、事業部門側が自らの課題と予算を持ち込む形に逆転させ、事業部を「協力を頼まれる側」から「解決を依頼する当事者」に変えました（DBSの仕組みの詳細解説）。

AI外販でも同じで、事業部にとっての一次的な便益（自部門の検査コストが下がる、査定が速くなる）を先に立て、外販はその副産物として設計します。

5つのアセットの棚卸し表

最後に、自社のどのアセットがどの勝ち筋に接続するかを点検する表を置きます。「持っているか」ではなく「障壁として機能するか」を判定できる粒度で問うのがポイントです。

蓄積データ

• 点検の観点: 何年分・何件あるか。競合や公開データで再現できるか。今も増え続けているか

• 障壁として機能する条件: 独占的で、更新され続け、二次利用の同意設計が成立すること

熟練者の暗黙知×現場

• 点検の観点: 熟練者の判断を教師データ化できる現場を自社が持つか。判断の正解は事後に検証可能か

• 障壁として機能する条件: 現場アクセスと正解ラベルの両方が自社内で閉じること

計測対象へのアクセス権

• 点検の観点: 顧客の設備・資産・リスクに、契約・規制上の正当な立場で触れられるか

• 障壁として機能する条件: 保険・保守・検査など、既存の業務関係が計測の入口になること

顧客接点・販路・ブランド

• 点検の観点: 個別化サービスを受け入れる顧客基盤があるか。個別化の限界費用はゼロに近いか

• 障壁として機能する条件: デジタル完結で個別化できること（物理的個別対応は要注意）

規制対応・装置設置基盤

• 点検の観点: 規制産業での認可・実績・設置済み装置群を持つか

• 障壁として機能する条件: 参入自体に規制の壁がある市場で、壁の内側に既にいること

（共通）過去に「採算が合わない」と見送った市場・撤退した事業のリスト

• 点検の観点: 当時の見送り理由は何だったか

• 再判定の価値: 見送りの理由が人件費・専門家単価・計測コストなら、AIで制約が外れている可能性がある

最終行だけは性質の違う問いですが、もっとも即効性があります。新規テーマをゼロから発想するより、過去の見送り案件を「当時の制約は今も生きているか」で再判定する方が、たいてい速いのです。

点検の際にひとつだけ覚えておいてほしい問いがあります。

そのアセットは、資金を持つ後発者が2〜3年で再現できるか。

よくある誤答は「業界知識があるから大丈夫」です。知識は買えます。買えないのは、正解ラベル付きのデータと現場だけです。

時間軸と、ホワイトスペース

事例が示す標準的な時間軸はシンプルです。

1年目、自社の現場で実証する。2年目、限定した外部顧客に有償で出す。3年目、拡販とともに「競合に売るか」の意思決定を経営に上げる。海外の先行事例は1〜2年で外に出ています（第5回）。国内の常識より、1年速く回すことをお勧めします。

なお、137事例を並べても「まだ事例が存在しない場所（＝ホワイトスペース）」が残っています。

たとえば日本は出版・アニメ・放送アーカイブという世界有数のコンテンツ資産を持ちながら、AI開発企業とのライセンス取引を仲介する専業が確認できません。空白は長くは空いていません。海外ではこの領域の先行者が、ローンチから2年足らずで大手に買収されています。空白の全体像はレポート第9章にて説明されています。

連載の結び

全6回を一文に圧縮すれば、こうなります。勝敗を決めるのはAIの技術力ではなく、AIに食わせられる再現不能な自社アセットです。急ぐべきはAI事業の発表ではなく、アセットの棚卸しと、過去に採算が合わず見送った市場の再判定です。この連載が、そのための道具になれば幸いです。

本記事は連載「AIの外で勝つ — 事例で読むAI新規事業」（全6回）の最終回です。

連載の全記事:

1. AI新規事業の勝敗はAIの技術力では決まらない — 137事例が示す5つのアセット障壁

2. 眠っているデータは商品になるか — WalmartとJR東日本「駅カルテ」が越えた2つの距離

3. 「熟練者の目」は売り物になる — John DeereとJFEスチールに見る技能のAI外販

4.発表された39のAI事業を追跡したら — 資生堂OptuneとドコモAIタクシーの教訓

5.自社で使い倒してから売る — AI外販の定石は海外1〜2年、国内10年

6.いま走っているPoCは勝ち筋に載せ替えられる — 3つの経路と5つのアセット棚卸し（本記事）

記事の元になった業界レポート「AI新規事業の勝敗は、AIの外で決まる — 国内外137事例が示す大企業の勝ち筋」（全61ページ）を無料で公開しています。8類型の早見表、制約解除チャート記入シート、診断の4問まで収録しています。