AI技術が様々な業界で広く応用されるにつれ、企業のデジタルトランスフォーメーションにおいて、垂直AIの導入は不可欠となっています。しかし、垂直AIの成功は、技術力だけでなく、業界ニーズへの深い理解と的確な把握が不可欠です。本記事では、Anthropicの投資家が垂直AI導入に関して行った10の重要な判断をまとめ、参考としてご紹介します。

ソフトウェアはAIの最も重要な応用シナリオの一つと考えられています。セコイア・キャピタルは、AIがサービスをソフトウェアに置き換える可能性を秘めており、数兆ドル規模の市場機会を生み出すと述べています。

大きな可能性を秘めているにもかかわらず、AIソフトウェアを真に実装するための明確な道筋は未だ見つかっていません。この問題に関して、ベッセマー氏は最近、貴重な見解を示しました。

垂直型 AI ソフトウェアが未来となるでしょう。

SaaS業界に詳しい方なら、Bessemerのことをよくご存知でしょう。Bessemerは、過去10年間で200社以上のSaaS企業に投資を行っており、米国のSaaSセクターで最もプロフェッショナルな投資会社の一つです。

垂直AIはまだ初期段階ですが、生成AIの台頭以降、AI法務ユニコーンのEvenUp（2019年創業）、AI医療企業Subtle Medical（2017年創業）、AI医療企業Abridge（2018年創業）、自動化コラボレーションソフトウェアプラットフォームFieldguide（2020年創業）など、垂直AI分野で優れた企業が数多く登場していることがわかります。

Bessemer は、これらの垂直 AI 企業のビジネス ケースに基づいて、垂直 AI の機能的価値、経済的価値、競争上の地位、防御力などの側面を網羅した、垂直 AI 実装のための 10 のロードマップを開発しました。

01 垂直AI導入は顧客の実際のニーズから始める必要があります。

業界によって、コアワークフローの自動化に対するニーズは異なります。しかし、ワークフローに自動化の基盤があるかどうかは、垂直型AI企業がビジネスを構築する際に考慮すべき唯一の要素ではありません。

自動化に対する顧客の関心と自動化に対するさまざまな要件も、垂直 AI の実装に大きな影響を与えます。

場合によっては、こうした好みや要件は製品設計を通じて対応できます。例えば、歯科医院では、一定額以下の注文であれば医療用品の調達を自動化したいと考えるかもしれません。しかし、大口注文の場合は依然として手作業による確認が必要になります。

言い換えれば、AI 調達ソリューションは、一部の注文の調達を自動化するだけでなく、他の注文の調達に人間が参加できるようにもできるほど柔軟である必要があります。

別の例を挙げると、法律事務所は顧客への支払いプロセスを完全に自動化したいと考えているかもしれません。しかし、法的要約の作成といったコアワークフローに関しては、最終的な成果物をコントロールしたいため、最終的な成果物（草稿の作成など）の作成には人間によるフィードバックが必要です。

特定の垂直シナリオで AI をうまく実装するには、そのシナリオの市場とユーザーのニーズを徹底的に調査する必要があります。

たとえば、ヘルスケア分野では、臨床医が記録保存などの管理タスクを自動化したいと考えているため、Abridge などの AI 企業が提供するワークフロー管理用の AI ソリューションが広く採用されています。

診断におけるマルチモーダル AI の応用には大きな関心が寄せられていますが、医療の支払いモデルが業界の技術革新に遅れをとっているため、普及率は依然として低いままです。

したがって、垂直シナリオでの AI の実装では、自動化の条件が満たされているかどうかを考慮するだけでなく、顧客の実際のニーズと人工知能に対する期待にも注意を払う必要があります。

02 既存のシナリオへのシームレスな統合は、製品の堀を築くために不可欠です。

垂直 AI ソリューションでは、タスクを適切に実行する必要があるだけでなく、真の競争上の優位性を構築する必要もあります。

簡単にコピーできる AI ソリューションは、大きな競争圧力に直面することになります。

例えば、金融サービス分野では、売掛金・買掛金（AR/AP）自動化ソリューションの活用事例が増加しています。データ照合や請求書検証といったAI機能は一定の価値を提供する可能性がありますが、こうした軽微な機能はワークフローツールに簡単に統合したり、業界固有のワークフローに特化したAIソリューションに置き換えたりすることも可能です。

大規模モデルを商用化するリスクを軽減するために、最適な垂直 AI アプリケーションは、ビジネス プロセス全体を完全にカバーするだけでなく、API/プラグインを通じて既存のシステムとのシームレスな統合を実現する必要もあります。

多くの B2B AI スタートアップは、確立されたプラットフォーム、特に既存の大規模なプラットフォームと提携し、シームレスな統合を通じて価値を創造することでこれを実現しています。

例えば、AI保険会社であるSixfoldは、APIやプラグインを介して既存の保険契約管理システム（PAS）にAI機能を組み込むことで、保険会社が旧システムを完全に改修したり、ワークベンチを再構築したりする必要性をなくしています。この「プラグアンドプレイ」型の統合により、保険契約者はSixfoldのAI機能を日常のワークフローに簡単に直接組み込むことができます。

03. 生産性が限られている場合に実装の機会を模索する。

AIは職場における分業体制を変革しています。反復的な作業を代替し、人的資源を解放するだけでなく、企業に画期的な運用能力をもたらします。真に革新的な垂直AI製品は、エンドツーエンドの自動化と膨大なデータ処理能力という、人間では到達困難な2つの主要な利点を備えていることが多いのです。

例えば、住宅サービス業界のAI企業であるRillaは、営業担当者と顧客との対面でのやり取りを記録・分析することで、個別のフィードバックや提案を提供し、パフォーマンス向上を支援しています。Rillaがなければ、営業マネージャーは営業担当者の現場訪問に同行しなければなりませんが、それでも個人のエネルギーレベルによって対応が制限されてしまうでしょう。

一方、Rilla は会社全体の営業担当者からの大量の会話データを監査することもできるため、営業担当者に提供するガイダンスは、どの営業マネージャーが持つよりもはるかに大量のデータに基づいています。

そのため、営業・マーケティング、サービス、法律などの特定の業界は AI の実装に特に適しています。

これらの分野での成功は、豊富な文献や実践記録から得られる知識の上に成り立っています。かつては時間のかかる作業でしたが、今ではAIがはるかに効率的に、あるいは完全に代替できるようになっています。

04 効率化：垂直AI製品のキーポイント

データを活用して AI ソリューションによる効率性の向上を顧客に直感的に示し、販売サイクルを大幅に加速し、顧客維持率を高めることができます。

この効率性の向上は、通常、コストの管理と収益の増加という 2 つの側面から生まれます。

たとえば、Abridge は医師と患者間の会話を自動的に記録し、医師の作業負荷を軽減し、医師の仕事満足度を高め、医師の定着率を向上させることができます。

Abridge は、医師の定着率を高めることで、通常は年間数百万ドル、数千万ドルにも及ぶ医師の採用と研修にかかるコストを大幅に削減しました。

Abridge はコストの抑制に加え、医師 1 人あたりの時間を 1 日あたり 1 ～ 2 時間節約することで収益も増加させます。

この時間的余裕により、医師はより多くの患者を診察できるようになり、病院の運営効率が直接的に向上し、収益の増加につながります。Abridgeは、すべての患者診察の詳細な記録と概要を提供することで、包括的なコード化と請求処理を実現し、収益の損失を防ぎます。

EvenUp の事例もこの点を例証しています。

EvenUp は AI テクノロジーを使用して人身傷害専門の法律事務所向けの要求パッケージを生成しますが、従来、パラリーガルはクライアントからデータを収集し、何百もの文書を整理し、医療報告書や警察報告書からデータを抽出するために何日も費やしていました。

EvenUpの法務オペレーションチームがすべてのレターをレビューするため、法律事務所は高い品質基準を維持しながら、オンデマンドパッケージに費やす時間を大幅に削減（あるいはゼロに）することができます。この余裕のある時間によって、事務所はより多くの案件を引き受けることができ、収益の増加につながります。

05 AI はサービスの提供と価格設定を再構築し、新たなビジネス チャンスを生み出します。

垂直 AI ソリューションによってもたらされる新しい配信および価格設定方法により、新たな機会が生まれています。

これまで、多くの垂直シナリオでは、従来のソフトウェアビジネスを確立するには十分なTAM（潜在市場規模）が不足していました。現在、この市場ギャップは、より低コストで、より標準化されたサービスを提供するAIによって埋められると期待されています。

歴史的に、サービス業は熟練労働者の高コストのために収益性確保に苦労してきました。AIはこれを根本的に変えるでしょう。2024年時点で、ベッセマーのサービス企業向けAIポートフォリオの平均粗利益率は約56%、平均バーンレートは1.6倍でした。つまり、1ドルの収益に対して必要な運転資本はわずか1.60ドルです。

一部の AI サービス製品は、人間の QA のサポートにより、より優れた配信結果を示しており、その他の AI ベースのサービス製品も優れたパフォーマンスを発揮しています。

06 見落とされがちなカテゴリーとワークフローを構築する

営業・マーケティング分野には、SalesforceやADPといった大規模で豊富なリソースを持つ競合企業が既に存在します。こうした状況において、AI関連企業は競争圧力が比較的少ない分野を模索すべきです。

幅広い市場で先行者利益を得ることが理想ですが、ほとんどの垂直カテゴリには、すでに少なくとも 1 つの既存プレーヤーが存在します。

しかし、チャンスがないわけではありません。既存企業がAIの導入に苦戦したり、導入が遅れたりしている状況では、機敏な動きをするスタートアップ企業は、自動化されたAIソリューションによって、価値がありながらも容易には見落とされがちなワークフローを最適化できる、優れたROIの高いAI製品やサービスを構築することで、競争優位性を獲得できる可能性があります。

07. 特定のニーズを持つ顧客へのサービスの提供。

垂直型 AI 企業は、AI ソリューションでは簡単に満たすことができない複雑な要件を抱えていることが多い、見過ごされがちなカテゴリの顧客をターゲットにすることで差別化を図っています。

例えば、銀行や政府機関の請負業者にサービスを提供するAIスタートアップ企業は、顧客に販売するために業界固有のセキュリティおよびコンプライアンスツールを構築する必要があります。業界固有のニーズに基づくこの複雑さは、AI企業の製品にとっての堀を形成します。

LLM のコモディティ化のリスクを軽減するために、基礎モデル プレーヤー (OpenAI や Anthropic など) もこれらの業界のクライアント向けに対応する垂直モデルの構築を開始するようになるかもしれません。

08 モデルは信頼できる堀ではありませんが、マルチモードなら可能です。

モデルインフラのコストが下がり続けるにつれ、モデルはもはや競争優位性ではなくなるでしょう。初期段階の垂直AI企業の創業者は、「AIを活用して構築した自社製品が、公開されているモデルやデータを使って構築した製品よりも優れているのはなぜか」と自問する必要があります。

特定の問題を解決するために、新たな技術アーキテクチャを構築することも一つのアプローチとなり得ます。例えば、クライアントのライティングスタイルをより適切に反映するためにLLMを微調整したり、検索強化型生成（RAG）を用いて情報検索のパフォーマンスを向上させるといったことが挙げられます。

Bessemer 氏は、業界固有のデータセットに RAG テクノロジーを使用することは、ビジネス障壁を構築する手段でもあると考えています。

より複雑な (特にマルチモーダルな) ワークフローを処理できるソリューションには、新たなビジネス障壁が見つかります。

例えば、ベッセマーのポートフォリオ企業であるJasperは良い例です。JasperのAIソリューションは、最終的にマーケターがGenAIの機能を活用してテキストに基づいた長文のブログ記事を作成するために活用されています。

通常、AIによって投稿が生成され、マーケターによって編集された後、次のステップは適切な画像を見つけることです。そこでJasperはClickdropを買収し、Jasper Art製品を強化しました。マルチモーダル機能（テキストと画像）を活用することで、マーケターのあらゆるニーズに対応します。

09. モデル スタックのモジュール性とスケーラビリティに重点を置きます。

従来の SaaS は標準的なテクノロジー スタックの配置と組み合わせに依存していますが、垂直 AI 企業は、オープンソース モデルとビジネス ソリューションを自社開発機能を通じて統合し、大規模な言語モデルを柔軟に微調整し、顧客にとって最良の結果を実現する、カスタマイズされたインフラストラクチャ システムを構築する必要があります。

このアプローチにより、AI企業は大規模モデルの迅速な反復開発を通じて競争優位性を獲得できます。同時に、試行錯誤のコストも削減されます。オープンソースモデルが最適化後に商用モデルの90%の性能を達成すれば、独自のモデルを開発するリスクはなくなります。

さらに重要なことは、このアプローチにより、企業は顧客に高品質の製品を提供するという最も重要なことにリソースを集中させることができるということです。

この点で、Jasperは柔軟性を重視して構築された製品の好例です。マーケティングテクノロジースタックの中核に位置するこのプラットフォームは、「AIブレイン」として機能し、あらゆるマーケティング職種におけるユーザーの計画策定、設計、実行を支援します。

Jasperチームは、複数のLLMを使用するモジュール型プラットフォームを設計しました。これにより、顧客のニーズ、モデルのパフォーマンス、コストに基づいて、マーケティング入力を複数のLLMにまたがって実行できるようになります。例えば、特定のケースでClaude 3.5がGPT-4よりも優れたパフォーマンスを発揮した場合、Jasperは互換性のあるモデルインフラストラクチャをサポートできます。

10. データの量を過度に強調しないでください。データの品質の方が重要です。

独自のデータセットが堀を築く能力は広く認識されています。

しかし、初期段階のスタートアップの多くは、必要な量のデータを入手できません。このような場合、データの質に重点を置くことができます。なぜなら、質の高いデータ（量に関わらず）は複利効果をもたらし、長期的には企業に大きな利益をもたらすからです。

例えば、EvenUpの初期段階では、チームは法務業務に大規模かつ意識的に投資し、すべてのクレームレターを手作業でレビューしていました。この場合、データの規模よりもデータの質が重要であり、時間の経過とともに、大量の高品質なデータフィードバックによってモデルがさらに洗練され、製品が改善されました。

スタートアップの初期段階では、投資収益率の高い製品を開発し、コア顧客の悩みを解決し、急速な売上成長を達成することが最も重要です。利用が拡大するにつれて、独自のデータも蓄積され、この高品質なデータが製品のアップグレードを推進する原動力となります。

リン・バイ