「今週のSaaS×AIニュース」ピックアップ！
＊SaaS×AI Weeklyは、ALL STAR SAAS FUNDが毎週ピックアップした記事を日本語で要約し、一部メンバーからのコメントを入れてお届けしています。
a16zが説く、AIアプリが値下げ圧力に負けず高い価格を維持し続ける3つの鉄則
「How AI Applications Earn Their Premium」 by Tugce Erten on a16z
a16zグロースチームでプライシングを専門とするパートナーのTugce Erten氏が、顧客が「自社で作る」より「買う」ほうを選び続けるための条件と、「買う」価値に見合ったプライシングの方法を解説した記事です。汎用LLMの性能向上で「ChatGPTで十分では？」と問われやすい日本のAI・SaaS企業にとって、プレミアム価格を守るための実践的なチェックリストになります。
推論コストの低下は追い風であると同時に脅威でもある
推論コストが下がればアプリ企業のマージンは改善しうる一方で、モデルの性能向上や開発ツールの進化によって、顧客がアプリの一部を自前で代替しやすくもなります。顧客が汎用モデルを使い、わずかな継続的手間でアプリの中核となる成果物を再現できるなら、そのアプリは危うい状態です。
急成長中のAI企業はプライシングを後回しにしがちですが、今は特に重要なテーマだと筆者は強調しています。
プレミアムの源泉は4つ：ドメイン知識、深い連携、確実な実行力、入手困難なコンテクスト
これらが、購入の魅力を大きく高めうる価格レバーになります。創業者は、顧客が実際に価値を感じている強みがどれかを見極め、そこを磨いて価格に反映させる必要があります。
事例として、スペインのエネルギー大手Repsolの法務部門が、Harvey、Microsoft Copilot、社内プロトタイプをブラインド評価で比較したケースが紹介されています。12法域の弁護士50名による8週間のパイロットで、Harveyが品質・精度・時間削減のすべてで上回り、Repsolは全面導入に進みました。Harveyによると、弁護士は現在週4〜6時間を削減でき、法務部門全体での利用率は96%に達しています。
鉄則1-1：顧客自身よりうまくワークフローを回すこと
顧客はアプリ全体を作り直さなくても、取扱量の多いタスクを1つ内製化するだけで価格交渉力を弱められます。実際、あるグローバルなプロフェッショナルサービス企業の購買担当者は、フロンティアモデルに直接プロンプトを投げた結果のほうが良ければ、ベンダーに上乗せ料金を払う理由はほとんどないと述べています。
HarveyのPlaybook Reviewでは、リードエージェントが複数の専門エージェントにレビューを分担させ、食い違う編集を調整し、完成した文書を確認します。タスクごとに品質・速度・コストでモデルを使い分け、レビューのコンテクストも保持します。
創業者は、いちばん代替されやすいワークフローを顧客の「最も現実的な代替手段」と比較し、導入・人手レビュー・失敗・保守のコストまで含めて評価すべきです。
鉄則1-2：使うほど強くなる仕組みを組み込むこと
完了したワークフローごとに評価が強化され、コンテクストが検証され、顧客固有の知見が深まっていけば、利用に伴って優位性が複利的に広がります。Harveyは、弁護士が修正案を採用・編集・却下した履歴から学習し、将来のレビューで必要な指示を減らす方向を目指しています。創業者は、蓄積された学習が品質・信頼性・提供コストをどれだけ改善しているかを定量的に測定することが求められます。
鉄則2：コンテクストは「自前で作るより借りるほうが安い」状態にすること
コンテクストの価値は、独占的なアクセスか、使える形への整備か、あるいはその両方から生まれます。約3,000社分の独自価格ベンチマークを持つバーティカルSaaS企業が、MCPサーバー経由でAIから直接参照できる提供形態を検討している例が挙げられています。
ベンダーが一度収集・検証・保守したデータを多数の顧客で共有することで、各社が個別に作るより安く済み、重複作業の削減分がベンダーのマージンになります。顧客自身が保有する契約書やCRMデータであっても、権限管理・正規化・検索・継続的な検証まで担えば、十分に対価を得られます。
鉄則3-1：まず価値を証明し、それから価値に見合う価格をつけること
a16zが2026年8月に実施した大企業のLLM意思決定者100人への調査では、94%がLLM支出の増加を見込み、37%が翌年に2倍以上になると回答しています。支出が増えるほど顧客は成果の可視化を求めます。そのため、創業者は、「契約書1件のレビュー」「問い合わせ1件の解決」など顧客が認識できる単位で、失敗分も含めたフルコストを測定すべきです。
Notionは社内開発ではなく外部のDecagonを採用しました。品質・連携・セキュリティ・パートナーシップを評価したうえでの選定です。公開されたケーススタディでは、問い合わせ解決時間が最大34%改善したと報告されています。
鉄則3-2：トークン課金ではなく「仕事の単位」でプライシングすること
アプリは、確実に測定・帰属・正当化できる最も高い価値レイヤーで課金すべきだと筆者は主張しています。クレジットはあくまで通貨であり価値指標ではないため、顧客が予算計画を立てやすいタスクや作業量にひも付ける必要があります。
固定価格だと単純な処理は割高に、複雑な処理は赤字になることが、Clayの課題でした。これに対しClayは、データクレジットとオーケストレーション用のActionsを分離しました。範囲の限られたAI処理には固定のクレジット価格を維持し、変動の大きい推論モデルのトークン費用は上乗せなしで実費転嫁しています。
顧客が認識できる仕事の単位で課金していれば、ルーティングやキャッシュ、より良いモデルの活用で生まれた効率化の恩恵を、マージン改善・値下げ・提供範囲の拡大として柔軟に配分できます。モデルの進化は顧客側の代替手段も常に強化します。そのため、<yellow-highlight-half-bold>自社の優位性をそれより速いペースで広げ続けなければ、プレミアム価格を維持できない<yellow-highlight-half-bold>と締めくくられています。
「インテリジェンス経済」は誰のものか──Emergence Capitalが提案する3層の枠組み
「Who Owns the Intelligence Economy?」 by Gordon Ritter on Emergence Capital
Emergence Capital創業者のGordon Ritter氏が、AIが人間の判断や修正履歴を学習する時代に、その知性の「所有権」を誰が持つべきかをプラットフォーム・組織・個人の3層で整理し、社会的フレームワークとして提案した論考です。
日本のAI・SaaS起業家にとっては、モデルの上に築く学習ループこそが競争優位となり、顧客データの扱い方やプロダクト設計がそのまま差別化と信頼獲得につながる点で、事業戦略に直結します。
今、意図されないまま決まりつつあるAIのルール
1920年代の米国ラジオでは、法整備が追いつく前に周波数の所有構造が固まり、後の法律はそれをほぼ追認しただけでした。筆者は、AIも新しい技術の登場から力関係が固まるまでの「窓」の時期にあると指摘します。しかも今回争われる資源は、人間の推論・判断・創造そのものだといいます。
社員の仕事の上にAIを構築する組織はいずれも、そのシステムが学んだものを誰が所有するのかについて暗黙の主張をしている状態です。意図的にルールを形作らなければ、最強モデルを持つ企業が条件を決め、ほかの全員が「家賃」を払うことになると警告しています。
「無視するコスト」がなければ機能しない自主規制
成功例として、政府の強制なしに採用されたIETFのようなオープン標準が、現代のインターネットの基盤の多くを築きました。一方、W3Cの「Do Not Track」はブラウザに広く採用され、規制当局の支持も得ていました。それでも、企業が無視しても実質的な代償がなかったために崩壊しました。
筆者はこの教訓を踏まえ、創業者・研究者・法学者・労働者側の声を集めて、今回の枠組みを検証していく方針を示しています。
プラットフォーム層の原則は「選択の自由」
単一のモデルが知性の不可避なインフラになってはならない、というのが第一の原則です。
基盤モデルの性能が収れんするほど、持続的な優位性はモデルの「上」、つまりドメイン特化の学習、組織の記憶、オーケストレーションに宿ると筆者は主張します。そのため、組織には、利用するモデルを選ぶ権利、離脱時にワークフローを持ち出す権利、学習への参加を拒否してもサービスを失わない権利が必要だとしています。
組織層の原則は「主権」、守るべきは「外れ値の判断」
AIの上に組織が築く学習ループやファインチューニングは資産であり、意図的に守られるべきものとされます。注意すべきは、社員が外部AIツールを使うことで意思決定ロジックや業務手順が流出し得る点です。エンタープライズ契約は通常社内データでの学習を禁じているものの、行動の痕跡やプロセス知識に関する保護ははるかに未確立です。
筆者は、定型業務はデフォルトで透明に扱うことを提案しています。そのうえで、本当の主権を認めるべきなのは「結果を変えた判断」だとします。たとえば、台本を無視して受注したセールスパーソンの判断や、手順書にない修正です。
企業向けAIの多くは、人を弱くする「松葉杖ソフトウェア」
答えを渡すだけで、正しいか・改善できるかを利用者に考えさせないAIは、人の能力を衰えさせると筆者は指摘します。実際、Anthropicの研究者が、新しいコーディングライブラリを学ぶ52人の開発者で小規模なランダム化試験を行いました。AIを使った開発者は、手でコーディングした開発者よりクイズのスコアが17%低く、最大の差はデバッグに現れました。
一方、説明や概念的な質問にAIを使った人は理解を保てていました。また、答えを出さずに問いかけるよう設計したハーバードのAIチューターは、授業直後のテストで、よく運営されたアクティブラーニングの授業を受けた学生より大きく成績を伸ばし、所要時間も短く済みました。長期の定着までは示されていないものの、「松葉杖」かどうかは設計次第だと結論付けています。
個人層の原則は「価値の向上」、鍵は「認知パスポート」
人は入社時より退職時のほうが判断力の価値が高まっているべきだ、というのが個人層の考え方です。筆者が提案するのは「認知パスポート」です。案件や文書、機密プロセスを除外したうえで、その人の問題へのアプローチを匿名化し、携帯可能にした記録を指します。
たとえばセールスパーソンなら、通話記録や価格情報は会社に残り、「CFOが加わると話すペースを落とす」といった本人の型は、会社の機密確認を経たうえで持ち出せます。ただし、企業間で通用する共通フォーマットはまだ存在しないとされています。
目標は人の仕事を減らすことではなく、人の思考を強くすること
筆者は、<yellow-highlight-half-bold>AIで人間の労働を減らすことは誤った目標だとし、思考をより強く、持続的に、携帯可能にすべきだと主張<yellow-highlight-half-bold>します。マッキンゼーの2026年調査では89%の組織が少なくとも1つの業務でAIを使う一方、全社展開しているのは44%（前年38%）にとどまります。
筆者は、まさに今がルールを選べる時期だと位置付けています。オープンモデルとクローズドモデルの共存は認めつつも、エコシステムが「囲い込み」に陥ることは許されないとしています。そのうえで、読者からの反応を広く募っています。
AI時代の年次計画、取締役会にどう提示するか
「Presenting an Annual Plan (AI-Era Edition)」 by OnlyCFO on OnlyCFO's Newsletter
ソフトウェア企業のCFOが取締役会に年次計画を提示し、承認してもらう際の実務ポイントを、AIが与える影響を織り込んで整理した論考です。CFO・FP&A担当者が2027年の年次計画を作成し、取締役会と合意形成するうえで、極めて実践的な視点になります。
取締役会提示の基本は「文脈」と「少数の重要な前提」に絞ること
取締役は複数社を兼務しており、財務の詳細に日常的に触れていません。そのため、まず今後12〜18ヶ月で達成したい目標と追い風・向かい風を示し、計画の確度とリスクをどう見ているかを説明します。
モデルの8割以上を動かす少数の前提に、議論を集中させます。数字を並べた表は、見栄えの良いグラフよりたいてい文脈を伝えやすいとされています。ARR・GRR・NRRなどの指標定義は付録に載せ、変更した場合は明示します。取締役会との接点を最低2回設けます（Q4の暫定承認と、年度末後の次の会議での最終承認）。AIの論点は特定の議題に閉じず、各部門の説明のなかで扱うべきとされています。
ARRはプライシングモデル別に分解して提示し、AIの粗利率を明示する
AI時代はARRの定義自体が変わる可能性が高くなります（消費量ベース課金の取り込みなど）。AIプロダクトがすべて消費量課金で、会社の将来の成長をそこに賭けているなら、当然、別枠に切り出して提示する必要があります。
粗利率の構造もおそらく大きく異なるため、プライシングモデルや粗利率プロファイル別のARRウォーターフォールが有効なことが多いです。P&Lスライドでは、ARRウォーターフォールとGAAP収益の差が大きい場合はその理由を説明し、費用は売上比率でも示します。
AI費用は最も急成長する費用として、COGSとOpexに分けて説明する
AI費用はすでに、あるいはまもなく最大の費用項目になる見込みで、COGS（粗利率に影響）とOpex（S&M・R&D・G&A）に分けて示します。COGSは主要構成要素を分解し、粗利率改善の要因を説明します。
Opexは部門別に分解します。強調するのは、R&D（AIツール・利用料・開発人員）が最大になりやすい点と、無料トライアルやPoCのAIコストが急増しやすい点です。AI利用を示すだけでなく、それが実際にどれだけの時間やリソースの節約につながったかまで説明することが推奨されています。
人員計画と投資領域は、AI費用との対比とキャッシュ耐性で示す
人員計画では、経営幹部や主要VPの採用と、四半期ごとの人員推移を示します。あわせて、AI費用と人員の関係（コスト削減・採用回避・生産性向上などの効果と、それが計画に表れる時期）も示します。採用の70%以上が上期に集中する計画は、売上が想定を下回った場合に調整余地が限られ、キャッシュバーンが膨らむため、取締役会が警戒します。
また、大型のAI施策・海外展開・新プロダクト・チャネルパートナー制度の新設・IPO準備など、高コストな投資は、見込みコストと財務への影響を説明します。<yellow-highlight-half-bold>計画は初日から誤っているという前提に立ち、未達時のコスト調整の指針を用意しておきます。また、AIの変化の速さから前提が崩れたら、計画を破棄する覚悟も必要とされています。<yellow-highlight-half-bold>
AI時代の会社は「ピラミッド」から何へ変わるか
「Databricks & the Future of the Firm」 by Ben Horowitz and Michael McGuiness on a16z
a16zのBen Horowitz氏とMichael McGuiness氏が、Databricksの事例をもとに、エージェントが増えた会社の形を論じた記事です。Databricksはランレート70億ドル超・前年比80%成長とされています（同社側の数字）。記事は、20世紀型のピラミッドは階層そのものが情報システムだったと整理します。その役割をエージェントが担うと、管理職の仕事も競争優位の源泉も変わると述べています。
人員計画を人の数だけで考えず、人が判断する領域とエージェントが実行する領域、さらに権限や評価の設計まで含めて捉える視点が浮かび上がります。
情報の中継をエージェントが担い、階層は薄くなる
記事は、Ronald Coase氏の取引費用の考え方を土台に、企業は社内の調整コストと市場で取引するコストが等しくなる点まで大きくなると説明します。AIはその両方を下げるため、情報の中継を担ってきた階層は薄くなるという見立てです。現場は定められた権限の範囲で、承認の連鎖を待たずに動ける場面が増えていきます。
なお、階層がどこまで薄くなるかは、BlockのJack Dorsey氏とDatabricks CEOのAli Ghodsi氏で見方が分かれると記事は書いています。Ghodsi氏によると、管理職の仕事は、情報の中継から、人の育成・チームの優先順位付け・人の不満への気付きへ移るといいます。
背景として、Databricksではエージェントが生成するクエリ数が人間を上回り、1日に1,700万超のデータベースがエージェントから作られていると記載されています（同社側の数字）。
人の仕事は、指定し、任せ、判断することに集まる
定型の実行は自動化され、人の仕事は、仕事を指定し、エージェントに任せ、結果を判断することに集まるとされています。記事は、AIで定型の実行が安くなると、その実行を動かす判断への需要が高まるとして、判断と実行は補完関係にあると位置付けます。
エージェントが自力で完結できるタスクの長さは、METRの測定で約7ヶ月ごとに倍になっています。10人の会社が、以前は数千人を要した仕事を担う姿も描かれます。
優位は、判断と結果を会社に蓄える仕組みで決まる
記事は、MicrosoftのSatya Nadella氏の<yellow-highlight-half-bold>「人的資本＋トークン資本」という整理を引き、競争優位は自社の学習ループと自社が持つAIから生まれる<yellow-highlight-half-bold>と論じます。同じモデルは競合も借りられるため、モデルそのものは優位になりません。
判断の根拠・人による上書き・結果を記録し続ける会社は、モデルを入れ替えても優位が積み上がるという例も挙げています。Databricksが掲げる「エージェント向けの記録システム」は、会社全体で4つの問いに答え続けます。何が事実か（状態）、それは何を意味するか（意味）、何が許されるか（権限・予算・ガードレール）、うまくいったか（評価）です。
会社固有の意味付けでエージェントを支えると、回答精度が約50%から84.5%に上がったと記載されています（同社側の数字）。エージェントが自律的に動くには、この4問への答えを会社の記録に持たせる必要があるという構図です。
資金調達ニュース
［海外］
🏢 エンタープライズ
- Fal
画像・動画・音声の生成AIモデルを大規模に運用できる推論基盤。シリーズFで13億ドルを調達。評価額は160億ドル（4月の80億ドルから倍増）。投資家はBessemer Venture Partners（リード）、NVIDIA、Sound Venturesなど（TechCrunch） - Nooks
営業担当者とAIエージェントが見込み客開拓から商談、契約更新まで共同で進める「Revenue Agent Platform」と、営業向けAIアシスタント「Node」を提供。General CatalystのCustomer Value Fundから5億ドルのコミットメントを獲得。投資家はGeneral Catalyst（Customer Value Fund）（Reuters） - Applied Compute
企業が自社データでオープンソースAIモデルを運用・カスタマイズするためのプラットフォーム。3億5,000万ドルを調達。評価額は32億5,000万ドル。投資家はElad Gil（リード）、Lux Capital、Kleiner Perkinsなど（Webrazzi） - Traversal
本番環境の障害原因を特定するAI SREエージェント。シリーズBで1億2,000万ドルを調達。評価額は10億ドル。投資家はKleiner Perkins、Redpoint、Khosla Ventures（共同リード）など（The Next Web） - Ocient
ペタバイト規模のデータ環境向けデータウェアハウス兼エージェント型AI分析プラットフォーム。シリーズCで1億ドルを調達し、エージェント型AI分析事業を拡大。投資家はBoka Capital、OCA Ventures（共同リード）、Greycroftなど（SiliconANGLE） - Trajectory
ユーザーフィードバックを基にAIモデルを継続的にポストトレーニングするプラットフォーム。シリーズAで4,500万ドルを調達。評価額は3億ドル。投資家はSequoia（リード）、Nvidia、Bessemer Venture Partnersなど（TechCrunch） - Larridin
企業のAI支出と人・エージェントの業務成果をひも付けて可視化するAI価値計測プラットフォーム。シリーズAで3,000万ドルを調達。投資家はPelion Ventures（リード）、Andreessen Horowitz（a16z）、Gradient Venturesなど（The Next Web） - Guava
規制業界向けの音声エージェント開発プラットフォーム。シードで1,250万ドルを調達。投資家はAcrew Capital（リード）、Flourish Ventures、WillowTree Venturesなど（Business Wire） - Phaze
従業員とAIエージェントが高性能リモートワークステーションを共有できる基盤。シードで875万ドルを調達。投資家はa16z（リード）、Indie、NextViewなど（The Next Web）
🏗️ バーティカル
- Solink
小売・飲食・倉庫の既存防犯カメラ映像を、盗難・接客・安全に関する業務データに変換するAIビジョン。1億ドル超を調達。投資家はVertu Capital（リード）、Goldman Sachs Alternatives、Golub Growthなど（BetaKit） - Lazarus AI
保険など規制業界や政府向けに、データ管理を顧客側に残したまま使えるAIシステムを開発。4,300万ドルを調達。投資家はQBE、Mucker Capital、Motivate Ventures、State Farm Venturesなど（Startup Researcher） - Supa
英国の地場管理会社を買収し、AIで事務作業を自動化する集合住宅管理プラットフォーム。シードで2,100万ポンド（約2,700万ドル）を調達。投資家は2150、OpenOcean（共同リード）、KOMPAS VCなど（Tech.eu） - Numica
引退を控えたオーナーから米国の小規模会計事務所を買収し、自社AIで運営する会計ロールアップ。Roosh XとロンドンのFlashpointからエクイティとデットを合わせて2,100万ドルを調達。資金の大半は事務所の追加買収に充当。投資家はRoosh X、Flashpoint（Fortune） - Clark
CPA事務所の監査業務を担う自律型AI従業員「Clerks」。シードで1,100万ドルを調達。投資家はTouring Capital（リード）、Marathon Management Partners、Rerailなど（The Next Web）
💵 フィンテック
- Pliant
モジュール型のBtoB決済プラットフォーム。外部のAIエージェントにも決済インフラを開放。シリーズCで8,000万ドルを調達。投資家はSeaya Nova、Speedinvest（共同リード）、Illuminate Financialなど（The Next Web） - 42AI
証券会社向けにトレーダーの行動を予測する行動世界モデル。シードで6,250万ドルを調達。投資家はInfinity Groupおよび創業者（TechCrunch） - Firmly
小売事業者がAIショッピングアシスタント経由で商品を販売できるエージェント型コマースのチェックアウト基盤。シリーズAで1,500万ドルを調達。投資家はSquarepoint Capital（リード）、Samsung Next、JPMorgan Paymentsなど（PYMNTS） - Snaplii
AIエージェント専用のプリペイドウォレット。利用者が上限と用途を設定し、承認された購入ごとに使い切りコードを発行するため、エージェントは実際のカード情報に触れない仕組み。1,500万ドルを調達。投資家はHat-Trick Capital（リード）（Shopifreaks）
🔒 サイバーセキュリティ
- Sentra
企業内の機密データを把握し、AIエージェントがアクセスできる範囲を制御するエージェント型データセキュリティ基盤。シリーズCで1億5,000万ドルを調達。投資家はCapital One Ventures（リード）、Bessemer Venture Partners、Zeev Venturesなど（SiliconANGLE）
［国内］
- ニーリー
月極駐車場のオンライン契約・管理サービスを軸とするモビリティ領域のOS「Park Direct」の運営。シリーズCで60億円を調達。投資家はInsight Partners（リード）、ゆうちょアセットマネジメント（PR TIMES） - Fact Base
製造業向け図面管理システム「ズメーン」の運営。シリーズDで45億円を調達。投資家はInsight Partners（リード）、アルテミスベンチャーズ、MPower Partnersなど（PR TIMES） - アトミックソフトウェア
クリニック向けオールインワンSaaS「medicalforce」の提供。AI音声カルテなどのAI機能群「medicalforce intelligence」も展開。シリーズCで6億円を調達。投資家はSBCメディカルグループホールディングス（PR TIMES） - Pay2o
月謝・会費など継続課金に特化した銀行口座決済サービス「Pay2o」の提供。シードで1.7億円を調達。投資家はXTech Ventures（リード）、みずほキャピタル、プレイド（PR TIMES） - Simulacra
人の考え方や行動をAIで再現するデジタルツイン基盤モデルの研究開発。東京大学和泉研究室の研究成果がベース。プレシードで資金調達。投資家はANRI（PR TIMES）
