だが、実際に何がどう変わっているのかは、エンジニア以外にはなかなか伝わってこない。エンジニア同士の会話は専門用語が多すぎて、外から見ると何がすごくて何が変わっていないのか判断がつかない。

そこで、実際に毎日Claude CodeやCodexなどのコーディングエージェントを使っているエンジニア経営者の立場から、何が変わって何が変わっていないのか、できるだけ平易に伝えてみようと思う。

結論から言うと、

• エンジニアの仕事は3つの層に分かれる。完全にAIに代替される層、AIの支援で大幅に圧縮される層、人間の判断が不可欠な層

• ボトルネックはコードを書くことから、組織のコミュニケーションと意思決定に移っている

• 100分の1の時間で同じものを作るのではない。100倍すごいものを作る時代になった

変化の速さは、業界の大御所たちも驚かせている。

コンピュータサイエンスのバイブルとされる『The Art of Computer Programming』で知られるDonald Knuth（88歳、チューリング賞受賞者）は、これまでAIに対して慎重な姿勢を取ってきた人物だ。そのKnuthが、自分が数週間考えていた数学の未解決問題をClaude Opus 4.6が約1時間で解いたことに驚き、「Shock! Shock!」と書き出すノートを公開した。「生成AIについての見方を改める必要がありそうだ」と述べている。

HashiCorp（企業のインフラ管理ツールで知られる）の共同創業者Mitchell Hashimoto氏も、自身と他の開発者が6ヶ月間解けなかった厄介なバグをAIが45分、約600円で解決したと報告している。

こうした変化の裏側にある構造を順に見ていく。

AIが得意なこと・苦手なことを分ける境界線

コーディングエージェントを毎日使っていると、驚くほど正確に書いてくれるコードと、何度やり直しても意図通りにならないコードがある。この差はどこから来るのか。

元来エンジニアの仕事には二つの性質がある。一つは、プログラミング言語やシステムの癖を把握して使いこなす職人的な技術。もう一つは、「なんとなくこういうことをしたい」という曖昧な要求を、解釈の余地がないプログラムに落とし込んでいく翻訳作業。この過程で、ここはどういう仕様で実装に落とし込むべきかという判断が無数に出てくる。

AIが急速に代替しているのは前者だ。複雑な数学的処理を書かせれば一発で正しいコードが出る。言語の仕様もフレームワークの癖も、AIは人間より幅広く正確に把握している。

一方で業務ロジック、つまり「この会社ではこういうルールで業務を回している」というビジネス固有のルールをコードに落とす部分は、何度もやり取りが必要になる。同じ「顧客管理」でも、会社によって、チームによって正解が違う。その今回の正解をAIに伝えるコミュニケーションコストが、実は一番重い。

この差を一言で言うと、正解が一意に決まるかどうか。正解が一つしかない問題はAIが人間より上手い。正解が複数ありうる問題は、人間が今回はこれが正解と決めないと始まらない。

ここから、エンジニアの仕事がどう変わるかが見えてくる。ただし「代替されるか、残るか」の二択ではない。実際に起きているのは3段階の変化だ。

【第1層】完全に代替される — 正解が一意に決まるもの

コードを書く速度。 これはもう圧倒的に変わった。AIコーディングエージェントに「この機能作って」と言えば、数分で動くコードが出てくる。タイピング速度も開発ツールの腕前も関係ない。

言語・フレームワークの習熟。 特定のプログラミング言語や開発フレームワークの実践経験が優位性だった時代が終わりつつある。AIはどの言語でも書ける。特定言語への習熟が希少資源じゃなくなった。

ドキュメント読解・API理解。 分厚い公式ドキュメントを読み込んで仕様を把握する能力。これはAIの最も得意とする領域。

テストが明確に定義できる領域の実装。 入力と出力がはっきりしていて、正しい結果が明確に定義できる領域。ここはほとんどAIに任せられるようになった。

エンジニア以外の方に伝わるように言うと、エンジニアの仕事の中で「正解がはっきりしている部分を調べて、書いて、動かす」はほぼAIの仕事になった。

【第2層】AIの支援で大幅に圧縮される — 人間の判断は要るが、作業量が激減するもの

ここが一番誤解されている領域だ。「AIにはできない、人間にしかできない」と言われるスキルの多くが、実はこの層にある。完全に代替はされない。でもAIの支援で作業の大部分が圧縮され、人間がやることは最終判断だけになりつつある。同時に、AIを使いこなすこと自体が新しいスキルとして重要になっている領域でもある。

業務の整理と要件定義。 前提となる情報を正しく与えれば、AIが業務フローの分析もデータ構造の叩き台も一瞬で出す。人間がやるのは、前提情報の正しい把握と、出てきた選択肢からどれを選ぶかの判断だけ。

本番環境の運用と保守。 AIがログの異常検知も障害パターンの照合や修正方針の立案までやる。ただし、システム全体の前提条件や依存関係をAIに正しく渡す作業はまだ人間がやっている。複雑なシステムほど、何を前提情報として入れるかの判断が難しい。人間は実際のトラブルの解消やコミュニケーションが主となってきている。

組織内の合意形成。 AIが説明資料も想定質問への回答も下書きする。技術的な正しさを伝えるための準備工数は大幅に減った。でも、関係者の利害を調整して「この方向でいく」と全員を納得させるプロセスはAIが代替できない。技術的に正しいことと、組織として前に進めることは別の話だ。

AIの出力品質の制御。 テストの自動実行、コードの品質チェック、型の定義、自動検証の仕組み。AIが書くコードの品質を担保するガードレールの設計は、むしろ重要性が上がっている。AIに何を書かせるかだけでなく、どういう制約の中で書かせるかを設計できるかどうかで、アウトプットの質が決定的に変わる。ここはAIで作業が楽になるどころか、より高いエンジニアリングスキルが求められるようになった領域だ。

共通しているのは、作業の形が変わり、人間に求められるものが「手を動かすこと」から「判断すること」と「AIを制御すること」に移っているという構造だ。「AIにはできない仕事」と思われていたものの多くは、実はAIが大部分を巻き取れる。一方で、AIを正しく動かすための仕事が新たに生まれている。

【第3層】人間の最終判断が不可欠 — 本当に残るもの

では、AIの支援でも圧縮できないものは何か。突き詰めると2つしかない。

何を作るかの意思決定。 技術的に実現可能なことの中から、今のビジネスにとって何が最も価値があるかを見極める。うまくいかない時に問題の捉え方自体を変える判断もここに含まれる。AIは選択肢を無限に出せるし、代替アプローチの提示もできる。でも、今の市場と顧客の状況を踏まえて何を作るべきか、あるいは今のやり方を根本から変えるべきかという判断は、ビジネスの全体像を深く理解している人間にしかできない。作るコストがほぼゼロに近づいた分、何を作るかの判断の質がそのまま成果の差になる。

プロジェクト全体を貫く設計の一貫性。 AIはある範囲の中での整合性は強い。でも、プロジェクト全体を貫く設計思想の一貫性、いわば美学のようなものは、まだ人間が見ないといけない。個々の部品は完璧でも、全体として見ると思想がバラバラになる問題。これを統合できるのは、プロジェクト全体の文脈を頭の中に持っている人間だけだ。ただし、この部分はAIが認識できる情報量が順当に増えていけば逆転する日も近いかもしれない。

本当に人間にしかできないことは、この2つまで絞り込まれている。それ以外のほぼすべてが、代替されるか大幅に圧縮されている。エンジニアの仕事は想像以上に狭くなっている。ただし、その狭くなった部分こそが成果を決めるため、求められるレベルも重要性も桁違いに上がっている。

ボトルネックはどこに移ったか

AIでエンジニア個人の生産性は劇的に上がった。

AIでエンジニア個人の生産性は劇的に上がった。でも、チーム全体のリリース速度はどうだろうか。自分は速くなったがチームのデリバリーは変わらない、コードはすぐ書けるが反映されるまで遠い。心当たりのある人は多いはずだ。

なぜこうなるのか。工場のラインで考えるとわかりやすい。

一人の作業員の手が10倍速くなったとする。でもその作業員が作ったパーツを次の工程に渡すとき、「これ何のパーツですか」「どういう仕様で作りましたか」と確認が入る。手が10倍速くなっても、パーツの受け渡しの説明と確認にかかる時間は変わらない。むしろ、10倍の速さでパーツが流れてくるから、受け渡しの渋滞がひどくなる。

ソフトウェア開発でも同じことが起きている。一人のエンジニアが1日で大量のコードを書けるようになった。でもそのコードをレビューする人、仕様を承認する人、他のチームとの整合性を確認する人の処理速度は変わっていない。個人が速くなった分、人間同士の接続点に負荷が集中している。

さらに厄介なのは、個人が速くなりすぎた結果、チーム内で「今何がどうなっているか」の同期が追いつかなくなっていること。朝の時点で把握していたコードベースが、夕方には別人が書いたかのように変わっている。速く作れるのに、隣の人が何をしているか分からない。

ボトルネックはコードを書くことから「コミュニケーション・意思決定・組織合意」に完全に移った。

あなたの会社で開発が遅いのは、エンジニアのコードを書く速度が遅いからだろうか。それとも、仕様の確認待ち、承認待ち、部署間の調整で止まっているからだろうか。おそらく後者のはずだ。そしてAIは前者をさらに速くしているが、後者にはほとんど手が届いていない。

100分の1の時間で同じものを作るのではない、100倍すごいものを作る時代

コーディングエージェントの話をすると、多くの人は「今まで100人月かかってたものが1人月で作れる」と考える。コスト削減の文脈だ。

でも実際に起きているのは、それだけじゃない。実装のボトルネックが消えたことで、一人の人間の構想力と経験がそのままアウトプットの規模を決める時代になった。従来なら数十人のチームと数年が必要だったプロジェクトを、一人のビジョンをAIでレバレッジさせて実現することができる。安く作るのではなく、今まで作れなかったものを作る話が、現実に起きている。

Peter Steinberger氏。 PSPDFKitというPDF関連の開発ツールを13年かけて70人の会社に育てたベテラン開発者。燃え尽きて一度引退した後、AIコーディングに触れて復帰した。とある金曜の夜に1時間で最初のプロトタイプを作り、そこから12週間でOpenClawを立ち上げた。ローカルマシンで動く自律型AIエージェントで、OpenAIとMetaが獲得に動くほどの注目を集めたが、作ったのはたった一人。本人曰く「AIがコードの配管工事を引き受けてくれるようになって、自分はようやく”作る”という高次の行為に戻れた」。13年の経験で培った判断力が、実装の制約から解放されて威力を発揮した。

mizchi氏。 日本の著名なエンジニア。現在、MoonBitという新しいプログラミング言語向けのツール群を一人で次々と開発している。ここ数ヶ月のアウトプットを見ても、分散型のコード管理ツール、AI向けプログラミング言語、文書変換ツール、UIライブラリ、ゲームエンジンを一人で並行して構築している。どれも従来なら別の専門チームが必要な規模の仕事だ。AIで得た生産性を効率化ではなく、スコープの拡大に使っている。一人のエンジニアのアウトプットの上限がどこまで伸びるか、自ら実験し続けている。

かつてはコミュニティの数百人の開発者が数年かけて到達していた規模のソフトウェアが、数週間で一人の手から生まれうる時代になった。

想像力で限界を突破する時代

整理する。

正解が一意に決まるスキルは完全にAIに代替される。 コードを書く、言語を覚える、テストが明確な領域を実装する。これらはもはやAIの仕事だ。

「人間にしかできない」と思われていたスキルの大部分は、AIの支援で急速に圧縮されている。 業務の整理、運用と保守、合意形成の下準備。人間がやるのは最終判断だけになりつつある。一方で、AIの出力品質を制御するスキルはむしろ重要性が上がっている。

本当に残るのは「何を作るか」と「全体の一貫性」の2つだけ。 そしてこの2つの重要性と需要が、作るコストがゼロに近づいた分だけ爆発的に上がっている。

その結果、天才の構想力が解放される。 実装の制約が消えたことで、「何を想像できるか」がそのままアウトプットの限界になった。Steinberger氏が一人で歴史的なオープンソースプロジェクトを作り、mizchi氏が一人でエコシステムを作る。一人の手から生まれるものの規模が根本的に変わった。

コーディングエージェントはエンジニアを不要にしない。ただし、エンジニアの仕事を想像以上に狭くする。コードが書けるだけでは生き残れない。AIが9割やってくれる世界で、残りの1割の「何を作るべきか、全体をどう統合するか」を判断できる力が求められる。

想像力の限界が、アウトプットの限界になる。累積したインプットと、累積した思考と、累積した業務経験。それらが想像力の源泉であり、容易には追いつけないものだ。その制約が外れた世界で、何を想像するか。それが問われている。

一方で「運用コスト、セキュリティ、ベストプラクティスの蓄積がある。SaaSは死なない」という反論もある。SmartHR CEO芹澤氏の主張が代表的だ。

どちらも正しいことを言ってると思う。ただ、ここにもう一歩構造的な視点を追加してみたい。Moatが「溶ける」と言ってる側はなぜそう主張するのか、「残る」と言ってる側はなぜそう考えるのか。

AIが本当に変えたものから考えると、SaaSのMoatのどこに亀裂が入り、どこが持ちこたえるかが見えてくる。

AIが本当に変えたもの

ソフトウェアの価値は「知性×時間」の蓄積で作られてきた。優秀なエンジニアが何年もかけて書いたコード、何千時間のドメイン知識を結晶化した機能。これが高価だったのは、知性も時間も有限だったからだ。

直近のLLMの進化は知性のコストを限りなくゼロに近づけた。正確には、AIが大幅に圧縮するのは機能の複製コスト。10年前なら専門チームが半年かけて作っていた機能を、AIが数日で再現する世界が来ている。検証・運用・責任のコストは残るが、同等の機能を作ること自体の障壁は消えつつある。

ということは、残る希少資源は「人間の知性×時間」になる。AIがいくら賢くなっても、人間側の学習時間、意思決定の時間、信頼を築く時間は圧縮できない。

ここからMoatの判別基準が導ける。そのMoatに、人間の知性×時間がどれだけ巻き込まれているか。

この基準でSaaSのMoatを見直すと、何が危険で何が安全かが見えてくる。

SaaSのMoatを「何の複雑さか」で仕分ける

SaaSのMoatは大きく2種類に分かれる。

システム側の複雑さに依存するMoat。 技術的に難しかったから競合が追いつけなかったもの。機能の蓄積、インテグレーションの数と品質、R&D投資の償却。これらは自社内の知性×時間の投入で積み上がる。AIが同等の知性を持てば、蓄積のスピード差がなくなりMoatが消える。

たとえば経費精算SaaSが10年かけて作り込んだ、領収書のOCR読み取り、承認ワークフロー、会計ソフトへの自動仕訳。自社のエンジニアが積み上げた機能群。顧客はそれを使ってるだけで、開発には関与してない。つまり自社内の知性×時間だけで成り立っているMoat。今、同等の機能をAIネイティブのスタートアップが半年で再現してきている。コーディングエージェントが発達した今、もっと短くなるかもしれない。Moatは崩れてしまう。

ただしシステム側の複雑さにも濃淡がある。外から見て真似できる機能はコーディングエージェントが一瞬で解く。一方で顧客にぶつけて初めてわかるドメインの暗黙知は、顧客の時間が巻き込まれている分、簡単には複製できない。とはいえ、それはもはや「システム側の複雑さ」ではなく「人間側の複雑さ」に片足を突っ込んでいる。

人間側の複雑さに依存するMoat。 人間の認知・関係性・制度が変わらないから競合が入れなかったもの。操作の習熟、組織間の権限設計、規制対応の実績、顧客との信頼関係。これらは人間の知性×時間が巻き込まれているから、AIだけでは崩せない。

たとえばエンタープライズ顧客との5年の信頼関係。双方の経営層が時間を投じて積み上げたもの。片方がAIを使っても、相手側の意思決定の時間は圧縮できないので、Moatは残る。

ここまでは比較的わかりやすい。システム側は溶ける、人間側は残る。

ただし、人間側の複雑さを一枚岩で扱うと見落とすものがある。

人間側の複雑さを分解する

人間側の複雑さは、さらに3つに分解できる。

個人の認知。 SaaSの操作を体で覚えた、ワークフローが習慣になっている、ショートカットキーを指が知っている。数百人の業務担当者が仕事のやり方として内面化している。Salesforceが強いのは技術が優れているからではなく、何百万人もの営業担当者が「商談管理とはSalesforceでやるものだ」という認知で動いているからだ。

組織の合意。 誰の管轄のデータを、誰の権限で、どういう条件で変更していいか。営業部のSalesforceのステータスをCS部のツールから変えていいのか。この合意形成には数ヶ月かかる。技術ではなくガバナンスの問題であり、AIでは代替できない。

市場・社会の構造。 ネットワーク効果（相手も使っているから価値がある）、規制・認証（当局の審議プロセス）、ブランドの信頼（長年の実績に基づく市場の評判）。自社の努力だけではどうにもならない、外部の時間に依存するもの。

この3つは、個人→組織→市場の順で変化が遅くなる。個々人の習慣は数ヶ月で変わりうるが、組織の合意は数年、市場構造は10年単位。

一見すると人間側の複雑さは全部残るように見える。でもそう簡単な話ではない。

AIエージェントがUIになると「個人の認知」に依拠したMoatが溶ける

SaaSのMoatの中で最も信頼されてきたのがスイッチングコスト。その実体は「個人の認知」だ。操作を覚えたから乗り換えない。研修コストが高いから他社に移れない。

このMoatが最強だったのは、人間がSaaSのUIを直接操作する前提だったからだ。

AIエージェントがUIになると、この前提が崩れる。

従来のルール変更の伝播はこうだった。

たとえば営業企画が失注理由を分析したいとしよう。Salesforceに「失注理由」のプルダウンを追加して、営業に「商談をクローズする時に必ず選んでください」とルールを設定する。マニュアルを作り、営業会議で説明し、マネージャーに入力チェックを依頼する。3ヶ月後にデータを見ると、入力率は6割、「その他」が3割。分析に使えるデータが揃うまでにさらに数ヶ月。その頃には施策の前提が変わっている。

ルール変更→マニュアル改訂→研修→現場が覚える→定着。所要時間は数ヶ月から数年。これが現実。

エージェントUIではこうなる。エージェントが商談クローズ時に「先方が見送った理由を教えてもらえますか？」と聞くだけ。営業はフィールド名もプルダウンの選択肢を知らずとも受動的に答えるだけでいい。回答は構造化されてSalesforceに入る。ルール変更があれば即反映。入力の立ち上がりが劇的に速くなる。

人間の認知の書き換えコストがゼロに近づく。人間側に認知モデルを持たせる必要がなくなるからだ。

整理すると、SaaSのMoatの溶け方は2種類ある。システム側の複雑さはAIが直接溶かす。個人の認知はAIエージェントが操作を代替して溶かす。 メカニズムが違う。だから「AIでSaaSが死ぬ」という雑な議論では捉えられない。

残るMoatは何か

残るのは「組織の合意」と「市場・社会の構造」。

組織の権限設計、責任の帰属、稟議プロセス。たとえばエージェントが「この顧客のクレジットリミットを引き上げるべきだ」と提案しても、与信枠の最終承認を営業部長に持たせるのか、リスク管理部に持たせるのかは組織の意思決定の問題であり、技術では解けない。エージェントは合意されたルールの実行を自動化できるが、誰が責任を持つかという合意そのものを代替することはできない。

規制対応の実績、エンタープライズ調達の信頼、ユーザー同士の直接ネットワーク。これらは外部の人間の時間に依存しているから、AIがいくら進化しても圧縮できない。ある金融機関が新しいSaaSベンダーを調達候補に加えるだけで、セキュリティ審査、法務レビュー、既存ベンダーとの契約整理に半年かかる。この半年はAIではなく、人間の稟議と信頼の積み重ねで消費される時間だ。むしろAIの不確実性が高い時代には、前例があることの価値が強まる。

もう一つ見落とされがちな論点がある。UIのスイッチングコストが薄まる一方で、System of Record（基幹データ）のスイッチングコストはむしろ増える。エージェントが増えるほど正しいデータ基盤への依存が深まるからだ。営業のエージェント、CSのエージェント、マーケのエージェントが全員同じCRMを参照している状態で、基盤を入れ替えるのは、UIを入れ替えるより遥かに難しい。エージェントの数だけ移行の影響範囲が広がる。

そして顧客が何年もかけて蓄積したデータそのものは、顧客の知性×時間が巻き込まれた人間側の複雑さであり、AIで複製できるものではない。データのMoatは溶けるどころか、エージェント時代にはむしろ強まる。ただそれは、単にデータを保存する場所であるからではなく、組織的にそこに正しいデータがあるという合意の上に立つからだ。

SaaS企業が今守るべきもの

ここで既存の「SaaS is Dead」への反論を見直すと、議論の余地が見える。「運用コストがかかる」「セキュリティを自前で担保するのは大変」「ベストプラクティスの蓄積がある」。どれも正しい。ただしこれはシステム側の複雑さの議論だ。技術的に内製が大変だから乗り換えない、という話。

この反論は「SaaSを内製で置き換える」という脅威に対しては有効だ。でもここまで見てきたように、SaaSのMoatが溶けるメカニズムはそれだけじゃない。AIエージェントがUIを代替することで個人の認知が迂回される。これはシステム側の複雑さをいくら積み上げても防げない。

SaaS企業が今やるべきは、溶ける側のMoat（機能の量、汎用的なベストプラクティスの蓄積）を守ることではない。溶けない側のMoat（組織合意への深い組み込み、エンタープライズ信頼、規制対応、顧客ネットワーク、データ基盤）を厚くすること。守る場所を間違えると、足元から崩れてしまう。

ただし溶け方には濃淡がある。エンタープライズの大手ほどエージェント導入の組織合意に時間がかかり、個人の認知が迂回されるまでのタイムラインは長い。SMBや新興企業ほど早く溶ける。守る場所を変える緊急度は、自社の顧客層によって変わる。

この構造変化はもう始まっている

最後に、この仮説を一つの実例で検証して終わりたい。SaaStr Jason Lemkinが書いた「AIエージェントを増やしていった結果、Salesforceに集約した」話が、ここまで述べてきた構造変化をほぼそのまま示唆している。（前田ヒロさん@djtokyoの紹介ツイートが詳しい）

SaaStrでは営業3人中2人がSalesforceにログインすらしていなかった。UIが使われていない。つまり個人の認知がMoatとして機能していない状態。ところがAIエージェントを導入した途端、Salesforceが基幹システムとして復活した。人間がUIを触らなくても、エージェントがデータを読み書きするからだ。SaaSがバックエンドのデータストアとして再評価された瞬間。

同時に、エージェントのライセンス費用がSalesforce本体のコストを上回った。価値の重心がSaaSからエージェント層に移っている。Lemkin自身もSaaSの成長鈍化は本物だと認めている。ただし、SoRとしてのSalesforceの重要性はむしろ増した。

そして20個のエージェントが干渉し合い、重複アプローチや矛盾データが発生した。「エージェントが競合したらどちらが優先されるか」。これは技術の問題ではなく組織のガバナンスの問題。組織の合意はAIでは解けない。むしろエージェントが増えるほど課題として認識され重要性が増していく。

Salesforceは「CRMはOSになる」と宣言し、エージェントハブとしてのポジションを取りに行っている。UIのMoatが溶けると見切った上で、SoR（基幹データ）とエージェント間のオーケストレーションという溶けない側のMoatに張り替えている。「守る場所を変えろ」を先取りして結果を出し始めている。

「SaaS is Dead」は半分正しく半分間違っている。溶けるのはシステム側の複雑さと個人の認知。残るのは組織の合意、データ基盤、市場・社会の構造。この構造変化はただの仮説ではない。すでに現実に始まっている。

しかし、外部のAIやAPIを組み合わせるだけのFDE参入では、原価が重く「単なるコンサルの焼き直し」から抜け出せないジレンマがある。パランティアの粗利率82%、ベイカレントの53.8%。この差を分解すれば、ポジショントークでは見えない構造が見えてくる。

FDE型ビジネスを単なるコンサルで終わらせず、スケールさせるための条件とは何か。結論から言えば、「現場の知見を自社プラットフォームへ還元し、導入コストを逓減させる仕組み」が不可欠だ。具体的には、以下の3つの要素を揃える必要がある。

1. プラットフォーム化（工数逓減の仕組み）

2. エンタープライズ営業（高単価市場の開拓）

3. 希少なFDE人材（技術とビジネスの越境）

【現状分析】パランティアの粗利率82% vs コンサルの労働集約モデル

FDE型がスケールする条件を解き明かすため、まずは日米の圧倒的な「収益構造の格差」を分解する。

パランティアの凄み：一人あたり売上1.5億円を生む「レバレッジ構造」

パランティアはソフトウェアサブスクが売上の柱だ。FY2025の数字を見ると、売上$4.5B（前年比+56%）、調整後営業利益率50%、粗利率82%。4,429人で一人あたり年間売上は約1.5億円に達する。

対して、日本の総合コンサルの代表としてベイカレントを見る。粗利率53.8%、営業利益率36.7%。5,467名で売上1,161億円、一人あたり年間約2,120万円。売上を伸ばすには人を増やすか単価を上げるしかない。一人あたり売上は桁が違う。この差はソフトウェアのリカーリング売上の有無がほぼ説明する。

この粗利率を支えているのは2つの強みだ。まず、国防・情報機関のような予算規模と優先度が極端に高い市場での営業力。そして、20年かけて構築してきた自社プラットフォーム（Foundry/AIP）。顧客環境に深く組み込まれた独自のデータ定義体系が高い乗り換えコストを生み、それが価格決定力にもつながっている。

特に自社プラットフォームが原価構造に直結する。プラットフォームの完成度が高いほど導入後のFDE工数は逓減し、売上が伸びても人件費が比例して増えない。実際、FY2024は約3,600人で売上$2.87Bだったのに対し、FY2025は人員約23%増で売上56%増。人員が売上に比例して増えていないのは、プラットフォームが収益のレバレッジとして機能しているからだ。

FDE参入の罠：ただの人月モデルでは「コンサルの薄利」に逆戻りする

では今からFDE型スタートアップとして日本市場に参入した場合はどうか。FDE20名、人月単価300万円（Big4中堅クラス相当）、稼働率75%と仮定すると、コンサル売上5.4億円、一人あたり年間約2,700万円、粗利率50%前後。人月課金のみで回す限りベイカレントと同じ構造になる。

ではプラットフォームで課金すればいいかというと、話はそう単純ではない。パランティアの粗利率82%は、20年かけて自社で作り込んだプラットフォームだから成立している。今からFDE型で参入する場合、プラットフォームの実体はAzure・AWS上のAIスタックやエージェント構築ツール、各種LLM APIの組み合わせになることが多い。顧客にシステム利用料として課金しても、その裏でクラウド＋LLM APIの従量課金が原価として乗り続ける。利用量が増えるほど原価も比例して増える構造で、自社プロダクトの粗利率とは根本的に違う。

人月で稼いでも利が薄い、プラットフォームで課金しても原価が重い。二重の制約がある。

FDE事業を「コンサルの薄利」から脱却させる3つの鍵

前章の罠から抜け出すには、FDEの知見を自社プラットフォームに還元して独自の付加価値を積み上げ、導入後のFDE工数を逓減させる仕組みが要る。ただし投資期間が必要で、ここが5年後のP/Lを分ける分岐点になる。パランティアの構造を分解すると、この仕組みを回すために3つの鍵が不可欠だと分かる。

鍵1：プラットフォーム化による「顧客ロックインと工数逓減」

顧客環境に深く組み込まれた独自のデータ定義体系が、他社への乗り換えを困難にし、強気な価格設定を可能にする。プラットフォームの完成度が高まるほど導入後のFDE工数が減り、利益率が向上する。今から参入するプレイヤーにはパランティアのような完成されたプラットフォームはないが、FDEが現場で得た知見を業界単位の「型」としてプラットフォームに還元し、導入のたびに工数を圧縮していく設計が求められる。

鍵2：高単価を獲得する「エンタープライズ営業力」

パランティアは国防・情報機関のような、予算規模と課題解決の優先度が極端に高い特殊市場で営業基盤を築いた。日本市場においても、単価を取れるエンタープライズ顧客への営業力が事業の土台となる。ここが弱いと人月単価が上がらず、プラットフォームへの投資原資も確保できない。

鍵3：「技術力とビジネス理解」を兼ね備えた希少なFDE人材

AIが分かって顧客の業務に深く入れる人材は圧倒的に少ない。採用競争の相手はコンサルだけではなく、OpenAIやGoogleがエンタープライズ向けに直接展開を始め、GAFAMも同じ人材プールを狙っている。FDE人材として現実的に獲得できるのは「コンサルの構造に限界を感じているエンジニア寄りの人材」で、その層に少人数で大きなインパクトを出せる体験とそれに見合う報酬を提示できるかが勝負になる。

日本市場におけるFDE型の勝機と戦い方

前章の3つの鍵を踏まえ、日本市場ではすでに明確な動きと「市場の余白」が生まれ始めている。

「型化」で導入コストを圧縮する先行プレイヤーたち

LayerXのAi Workforceがこの設計を最も明確に実践している。FDEが顧客に深く入って業務を理解し、その知見をプラットフォームに還元して業界単位でソリューションに型化する（リース業界向けなど具体リリースあり）。AI Shift（サイバーエージェント子会社）も同構造で、コンサル＋FDE＋プラットフォームへの価値の蓄積を組み合わせたモデルを採用している。

1社目は深く入り、2社目以降は型とAIで圧縮する設計だ。パランティアのAIPブートキャンプと思想は同じ。ただし日本の民間企業は業務プロセスの標準化度が低く、同じ業界でもA社とB社で承認フロー・基幹・データ粒度が違う。型化の粒度を間違えると毎回カスタムに戻る。だからこそN社目でFDE工数が実際にどの程度逓減したかの定量データが鍵になる。この仮説の検証がFDE型の命運を分ける。

コンサルの構造劣化が生むFDE型の余白

型化が前提条件を作り、その上でFDE型が入る余白はどこにあるか。総合コンサル側の変化がそれを示している。

アクセンチュアは売上前年比+7%の一方で$865M（約1,300億円）の再編を進め、直近3ヶ月で11,000人超を削減。ベイカレントは5,467名まで拡大し成長を維持してきたが、人を増やせば売上が増えるモデルの持続性に濃淡が出始めている。SHIFTは本業のQAがAI自動化のど真ん中にある。

規模を追った結果、コンサルと言いつつ実態は常駐型のビジネスサイド人員補強になっているケースも少なくないと聞く。本気でAIによる業務変革を求める企業にとって、頭数を揃えるだけの支援では成果が出ない。

この隙間に、1/10の規模で筋肉質な組織を作りAI化に振り切るFDE型が入る。総合コンサルが5人チームで提案しているプロジェクトのうち、実働2〜3人＋PM・資料作成要員という構成になっているケース（実態としてかなり多い）を想定すると、FDE型の2人＋AIツールで実働部分を代替し、PM工数はプラットフォームの型で圧縮する設計が成り立つ。全てのプロジェクトで成立するわけではないが、定型的な業務設計・データ統合・レポーティング領域では十分に射程に入る。顧客は総額40〜50%削減、提供側は一人あたり単価1.5倍で粗利も高い。

この高い生産性こそが、希少なFDE人材の採用競争に勝つための武器にもなる。プラットフォームの力で2人で同等の成果を出す。生産性が上がるから単価も上げられる。型を作り切れるかが採用面での競争優位を作れるかの鍵になる。

採用力と資金力のある強いプレイヤーには「やらない理由がない」市場

アップサイドをパランティア級（P/S 100倍超）まで持っていくのは現実的には相当厳しそうに見えるが、プラットフォーム企業への転換が実現すればマルチプルが跳ねる可能性は残っている。一方でダウンサイドは総合コンサル水準で限定されている。プラットフォームが立ち上がらなくてもAI特化コンサルとしての評価は受けられ、売上のボリュームと顧客接点は手に入る。

FDE型は単なるコンサルのリブランディングではない。知見をプラットフォームに還元し導入コストを逓減させる仕組みを持てるかどうか。ここが人数に比例するコンサルとプラットフォーム企業の分水嶺だ。そしてこの事業の肝は、単価を取れるエンタープライズ営業と、高い技術力とビジネス理解を兼ね備えたFDE。どちらも市場に希少な人材であり、採用力と資金力でコンサルのコモディティ部分を押し切れるプレイヤーにとっては、需要は硬くやらない理由がない。ただし、この構造を理解せずに飛び込めば、小さく成り立たせることはできてもスケールさせることは難しいだろう。

ここまでの構造を踏まえて、あなたはこの市場に挑戦しますか？

Subscribe now