AIの事業開発に強い会社の見極め方｜5つの評価軸と4つの会社タイプ

「AIの事業開発に強い会社」は単一カテゴリではない。目的によってAI技術開発型・データ分析型・AIコンサル型・AI事業開発伴走型の4タイプに分かれる。どこと組めば自社の売上が動くかを判断するには、5つの評価軸で会社の性質を見極める必要がある（麻生要一『AI収益進化論』第2章、第8章）。

「AIで何かをやりたい。どの会社に頼めばいいのか」。この問いに対する世の中の答えは、ほとんどが企業名のリストである。技術力ランキング、導入実績数、調達金額。並べられた名前を見て、経営者はかえって判断に迷う。

問いの立て方が、まだ粗い。

「AIに強い会社」と「AIの事業開発に強い会社」は別の概念であり、さらに「AIの事業開発に強い会社」のなかにも、目的によって少なくとも4つのタイプが存在する。タイプの違いを理解せずに発注先を選んでしまうと、PoCが量産されるだけで売上は1mmも動かない、という結末になりやすい。

本記事は、企業ランキングを提示する記事ではない。AIは効率化から、収益の創造へ──そう構えたとき、自社の課題に合うパートナーをどう見極めるかの方法論を提示する。

なぜ「AIの事業開発に強い会社」は単一カテゴリではないのか

最初に切り分けたいのは、AI技術力と事業構築力は別の能力である、という事実である。

世界トップクラスのAIモデルを開発できる組織が、新しい収益源を作るのが得意とは限らない。逆に、新規事業を100件以上立ち上げてきた組織が、自社で大規模言語モデルを学習させているとも限らない。両者は接する場面はあっても、能力の中心は重ならない。

書籍『AI収益進化論』は、AIを「効率化AI」と「収益進化AI」の2つに分けて整理する。「同じChatGPTを使っても、同じCopilotを使っても、同じClaudeを使っても、何をやらせるか、何を入れるか、何を測るか、誰が判断するか──この設計思想の側で、効率化AIと収益進化AIが分かれる」（麻生要一『AI収益進化論』第2-4章）。

つまり、AIの事業開発における「強さ」は、技術スタックではなく設計思想の側にある。技術が手に入る時代に差を生むのは、その技術を何のために、どう束ねるかという経営の意志である。

McKinseyの最新調査によれば、AIを少なくとも1つの業務機能で常用している企業は世界で88%に達した（n=1,993、105か国）。一方、EBITに5%以上のインパクトを与え、かつ「significant value」を実感できているのはわずか約6%である。88%と6%の差──この差を生むのは、AI技術の有無ではなく、AIで何をするかの設計の側にある（AI導入の3段階の構造とも整合する）。

「AIの事業開発に強い会社」を選ぶ作業は、技術ベンダーの比較ではなく、設計思想を共有できる相手の見極めである。

5つの評価軸

ここから、自社にとって「強い会社」を見極めるための5つの軸を提示する。各軸は独立しており、すべて満点である必要はない。重要なのは、自社の課題が5つのうちどの軸に最も寄っているかを言語化することである。

評価軸①｜AI技術力か、事業構築力か

AI技術力とは、モデル開発・チューニング・推論最適化・データ基盤構築の能力である。事業構築力とは、顧客の課題を見つけ、価値提供のかたちを設計し、収益化の経路を作る能力である。

技術が強い会社が事業も強いとは限らない。逆も真である。

自社の課題が「既存モデルでは精度が足りない」「独自データでファインチューニングしたい」というレベルなら、AI技術力に重みのある相手を選ぶ。自社の課題が「AIで何の事業を作るかが見えていない」「作ったAIプロダクトが売上に繋がらない」というレベルなら、事業構築力に重みのある相手を選ぶ。

両方が必要に見える局面でも、どちらが先に解決すべき制約かを見極めることが先である。

評価軸②｜単発PoCで終わるか、収益進化までやり切るか

AI事業開発の世界で、ここ数年もっとも繰り返されてきたパターンが「PoC地獄」である（段階3の4症状を参照）。

GartnerはAgentic AIプロジェクトについて、2027年末までに40%超がキャンセルされると予測している（n=3,412、Gartner webinar参加者ポール）。理由はコスト増大、不明確なビジネス価値、不十分なリスク統制。多くのAI事業開発が、技術検証で力尽きてしまう構造を示している。

ここで問うべきは、相手の会社が「PoCを納品する仕事」と「収益進化までやり切る仕事」のどちらを業として営んでいるか、である。

前者は、検証レポートを成果物とする。後者は、対象事業の収益構造が変わるところまでを成果物とする。請求書のかたち、契約期間、KPI設定の様式──これらに、その会社がどちらの仕事を業としているかが現れる。

「1.2〜1.5倍の効率化」と「100倍化」では、必要な能力も組織も契約構造も違う。前者で十分なテーマと、後者まで踏み込まないと意味がないテーマを、混同しないことが先である。

評価軸③｜効率化AIか、収益進化AIか

書籍『AI収益進化論』が提示する二分法を、発注先選定の場面に持ち込む。

効率化AIと収益進化AIは、別の山である。同じ「AI導入」という言葉で語られていても、登る山が違う。

効率化AIに強い会社は、議事録自動化、社内問い合わせ対応、契約書チェック、経理処理のような、既存業務の工数削減を得意とする。これは悪い仕事ではない。むしろ正しい仕事である（『AI収益進化論』第2-2章）。日本企業の磨き上げ文化と相性がよい領域でもある。

しかし、ここで一つ確認しておきたい。自社が解きたい課題は、コスト削減なのか、新しい売上の創造なのか。

PwC Japanの調査では、生成AIを「活用中」と回答した日本企業は56%に達した一方、「期待を大きく上回る効果」を実感できている層は10%にとどまる（米国は45%、n=945）。期待を大きく上回る層と期待未満層を比較すると、「業界構造を根本から変革するチャンス」と捉える割合に40ポイントの差、「業務プロセスへの正式組込み」に58ポイントの差がある。

効率化AIの導入を「AI事業開発」と呼んでしまっているケースが、「期待未満層」のなかに多数含まれていると見立てられる。発注先を選ぶ前に、自社が登る山がどちらかを決めることが先である。

評価軸④｜受託開発か、社内人材育成までセットか

AI事業開発の発注には、構造の異なる2つの型がある。

ひとつは受託開発型である。要件定義 → 開発 → 納品 → 運用、の流れで、成果物はシステムである。プロジェクト終了後、社内にはシステムが残るが、AIで事業を作る能力は残らない。次の新しい売上を作りたくなったら、また外注することになる。

もうひとつは、社内に変革推進人材を育てることをセットにする型である。成果物はシステムだけでなく、AXアーキテクト──AI時代の事業開発を担う人材──の社内自走能力である。プロジェクト終了後、社内にAIで事業を回す人が残る。次のテーマは、社内で立ち上がる。

どちらが正解、という話ではない。短期で1つのプロダクトだけ作りたいなら前者、AIで事業を作り続ける組織にしたいなら後者。自社が3年後にどうなっていたいかで決まる。

ただし、多くの企業が見落としているのは、「外注で終わるAI開発」を繰り返すほど、社内のAIで事業を作る能力は逆に衰える、という構造である。情報が手元に蓄積されず、判断のセンスも育たない。

評価軸⑤｜提案で終わるか、Day1から作って出すか

最後の軸は、提案能力と実装速度の比率である。

書籍『AI収益進化論』は、2024〜2026年にかけて起きた構造変化を「Completion Cost Collapse」と呼ぶ。完成品を作るコストが、限りなくゼロに近づいた。Anthropicの内部調査では、社員のClaude支援業務のうち27%が「Claudeがなければ発生しなかった仕事」だったと報告されている。

この前提が変わったとき、AI事業開発における「提案資料を作る時間」と「完成品を作って市場に出す時間」の比率も、変わる。

提案で終わる仕事は、3ヶ月かけて提言書を出す。Day1から作って出す仕事は、1〜2週間で動くものを市場に投げる。後者を可能にするのが、AI Orchestration、Full-Product Launch、AI Sprintの3能力である。

「どんなAIを作るべきか」を考え続ける会社と、「これかもしれないと感じたものを、まず作って出す」会社では、6ヶ月後の景色が違う。

4つの会社タイプと、それぞれが向いているケース

ここまでの5軸を組み合わせると、AIの事業開発に強い会社は、おおむね4つのタイプに分類できる。各タイプは特定の課題に対して強く、別の課題には弱い。自社が向かい合っている課題が、どのタイプの土俵に乗っているかを見極める。

タイプ1｜AI技術開発型（自社AIモデルが核）

自社で強力なAIモデル、独自のアルゴリズム、専門領域向けのファインチューニング技術を持つプレイヤー。技術が事業の差別化要因そのものになる構造である。

向いているケース：

• 既存の汎用AIモデルでは精度・速度・コストのいずれかが事業要件を満たさない
• 業界特化のデータと専門知識を組み合わせた独自モデルが競争優位の中核になる
• AIモデルそのものをプロダクトとして販売する事業構想がある

このタイプの限界は、事業構造の設計や社内人材育成までは範囲外になりがちな点である。「いいモデル」は作れても、「そのモデルで売上が立つ仕組み」までは伴走しない場合が多い。

タイプ2｜データ分析型（既存データから新収益）

自社内のデータを分析し、予測・最適化・パーソナライズによって既存事業の収益性を改善するプレイヤー。データドリブンな意思決定支援を得意とする。

向いているケース：

• 自社に活用可能な大量データが既にある（顧客行動ログ、取引履歴、センサーデータ等）
• 既存事業の収益性改善が主目的で、対象市場の拡張までは想定していない
• データ分析チームを社内に立ち上げる第一歩を踏みたい

このタイプの限界は、データがない領域での収益創造、あるいはデータには現れないField Intelligenceを扱う領域では力を発揮しにくい点である。「データに現れない兆し」を扱う設計が必要なテーマでは、別のタイプと組み合わせることになる。

タイプ3｜AIコンサル型（戦略立案を支援）

大手総合コンサルファーム、戦略ファーム、IT系コンサルティング企業など、経営戦略の文脈でAIの位置付けを整理するプレイヤー。中期経営計画への組み込み、組織再編、ガバナンス設計を得意とする。

向いているケース：

• 経営戦略レベルでAIの位置付けを定義し直したい
• 取締役会への説明資料、投資家向けマテリアル、全社ガバナンス設計が必要
• AI投資の優先順位を経営陣の合意形成のもとで決定したい

このタイプの限界は、戦略提案で終わり、実装は別ベンダーに渡される構造である。提言書は手に入るが、提言書から実装までの距離を埋める作業は別の話になる。

タイプ4｜AI事業開発伴走型（収益進化までやり切る）

「収益進化」を旗印に、AIとPIをAI Mutationという相互作用で結びつけ、対象事業の収益構造そのものを書き換えるまでをスコープに含むプレイヤー。

このタイプは、AX for Revenue Loop──AI Sprint / Plateau Detection / PI Injection / 収益構造の再設計の4ステップ──を実装の軸に置く。提案資料ではなく、Day1から動くプロダクトを市場に出すことを成果物とする。

向いているケース：

• 効率化ではなく、新しい売上の創造が目的である
• プロジェクト終了時に、社内に変革推進人材（AXアーキテクト）を残したい
• 「提案で終わる仕事」「PoCで止まる仕事」を繰り返してきた経験から、別の構造を試したい
• 自社の事業のなかに、まだ言語化されていないField Intelligenceの手応えがある

AlphaDriveは、このタイプ4の代表的なポジションに位置する。書籍『新規事業の経営論』（東洋経済新報社、2025）と『AI収益進化論』（Ambitions、2026）という2冊の理論基盤、260社を超える大企業の事業創出と23,800を超える事業プロジェクトの伴走実績を背景に、AX for Revenue Loopを実装の方法論として提供している。

ただし、タイプ4が常に正解、という話ではない。自社のテーマがコストセンター型に寄っている場合、タイプ1〜3の組み合わせのほうが投資対効果が高いことは十分にある。

自社が選ぶべきタイプを判断するための3つの問い

5つの軸と4つのタイプを踏まえて、最終的な判断に必要な問いは、3つに集約される。

問い1｜自社の課題は「AI技術の精度」か「AIを使った収益創造」か

技術の精度に困っているなら、タイプ1。データの活用に困っているなら、タイプ2。戦略の整理に困っているなら、タイプ3。新しい売上の作り方そのものに困っているなら、タイプ4。

ここで起きやすい誤りは、本当は「収益創造の設計」に困っているのに、見えやすい「技術の精度」の問題として発注してしまうことである。技術ベンダーに発注しても、対象事業の収益構造は動かない。問いそのものを取り違えると、選ぶタイプも取り違える。

問い2｜3ヶ月後に売上が動かなくても許容できるか

タイプ1〜3は、3ヶ月で売上が動くことを成果指標としていない。技術が完成すること、データ分析が完了すること、戦略が整理されることが、それぞれの成果指標である。

タイプ4は、対象事業の収益構造が動くところまでを成果指標とする。短い周期で「これかもしれないと感じる兆し」を市場に投げ、反応を取り、次の手を打つループを回す。

3ヶ月後に売上が動かなくても、半年後・1年後に向けた仕込みとして許容できるなら、タイプ1〜3で時間をかける選択肢が成立する。3ヶ月で何かしらの売上の動きを見たいなら、タイプ4の構えが合う。

問い3｜プロジェクト終了時に社内に何を残したいか

プロジェクトが終わったとき、社内にシステムだけが残るのか、人と能力が残るのか。

短期のプロダクト1つを作りたいなら、システムだけ残る型でも問題ない。AIで事業を作り続ける組織にしたいなら、人と能力が残る型を選ぶ。

PwCの調査が示すように、「期待を大きく上回る効果」を実感する層と、「期待未満」の層の差は、ガバナンス態勢の整備（+71ポイント）、業務プロセスへの正式組込み（+58ポイント）、社長直轄推進体制（+53ポイント）といった「組織側の構造」に集中している。AIに強い会社を選ぶ作業は、自社の組織側に何を残すかを設計する作業でもある。

AIの事業開発における3つの落とし穴

最後に、タイプ選定の前後でよく起きる落とし穴を3つだけ記述する。

落とし穴①｜効率化AIの導入を「AI事業開発」と呼んでしまう

社内向けチャットボットの導入、議事録自動化、稟議書の下書き支援。これらは効率化AIの仕事であり、悪い仕事ではない。ただ、これらを「AI事業開発」のラベルで進めてしまうと、対象事業の収益構造を変える話とは別の山を登っていることに気づきにくくなる。

ラベルの問題ではなく、登っている山の問題である（2つの山モデル）。

落とし穴②｜技術が強いベンダーに事業設計まで任せてしまう

タイプ1の会社は、技術については卓越した能力を持つ。一方で、対象事業の収益構造を設計する能力は、技術力とは別の軸の話である。「強いベンダーだから事業設計も任せられる」と委ねた結果、技術的には精緻だが事業としては育たないプロダクトが生まれることがある。

設計の責任は、自社の側に残す。設計を伴走できる相手を選ぶ場合でも、最終判断は経営の意志の側にある。

落とし穴③｜エースを抜擢して新規事業AIに任せてしまう

社内で最も優秀な人材を、AI新規事業の責任者に抜擢する。一見、合理的に見える人事である。しかし、既存事業で成果を出してきた優秀さの構造と、AIで新しい売上を作るための能力の構造は、しばしば噛み合わない。

優秀な人ほど新規事業で失敗するという構造がここでも作用する。AI事業開発のパートナー選びと同時に、社内で誰が担うか、何の能力をどう育てるかを設計することが必要になる。

つまずきやすいポイントの整理

ここまでの5軸・4タイプ・3問いを実際の発注プロセスに乗せる際、繰り返し起きるつまずきを3つ挙げる。

1点目は、「複数タイプを同時に発注して比較する」発想で、結果として誰もが部分最適しか提案しない構造に陥ること。発注前に自社の問いを絞り込むほうが、結果として速い。

2点目は、「実績数の多さ」で選んでしまうこと。タイプ1〜3の実績は、タイプ4の実績とは性質が違う。同じ「AI導入実績100件」でも、PoC100件と収益進化100件では中身が別物である。実績の質を見る。

3点目は、契約構造を見ないこと。月額固定の業務委託、成果連動、共同事業の3つは、相手の動き方を根本的に変える。「どう契約しているか」が、「相手が何を業としているか」のもっとも正直な情報である。

成功判定の目安

発注先選定の品質は、契約から3ヶ月以内に以下のシグナルで判定できる。

• 1ヶ月以内に、対象事業の現場で動くプロダクト（または市場に出せる仮説の塊）が立ち上がっているか
• 経営者と現場の間に、「これかもしれない」という兆しの共有が起きているか
• 社内のメンバーが、相手のチームと同じ画面・同じデータ・同じ判断会議の中で動いているか
• 「PoCの次のフェーズ」ではなく「収益構造の動き方」が議論の中心になっているか

これらが3ヶ月以内に立ち上がっていないなら、選んだタイプと自社の課題のあいだに、ズレがある可能性が高い。

AIは効率化から、収益の創造へ。この移行は、技術の話ではなく、誰と、どんな問いを共有して、どう登る山を決めるかの話である。

よくある質問

Q1：AI事業開発と、AI受託開発・AIコンサルは何が違うのか？

AI受託開発は、要件定義済みのシステムを作って納品する仕事であり、成果物はシステムである。AIコンサルは、戦略・組織・ガバナンスを整理して提言する仕事であり、成果物は提言書である。AI事業開発は、対象事業の収益構造そのものを動かす仕事であり、成果物は新しい売上の流れである。3者は重なる場面もあるが、業として営んでいる仕事の構造が違う。発注前に、自社が必要としているのがシステムなのか、提言書なのか、収益構造の動きなのかを言語化することが、選定の出発点になる。

Q2：自社にAIエンジニアがいなくても、AI事業開発はできるのか？

可能である。AI技術の入手コストは、Completion Cost Collapseによって急速に下がっている。経営者がやるべきことは、自社の経営の意志を自分の言葉で明文化することと、それを技術側に翻訳できる相手と信頼関係を結ぶことである（『AI収益進化論』第8-5章）。むしろ、自社に強力なAIエンジニアがいない企業ほど、外部の伴走相手と組むことで「現場のField Intelligence」を活かしやすい構造に立てる場合もある。ただし、AIの判断を最終的に評価し続ける役割は自社側に残す必要がある。

Q3：「100倍化」とはどういう意味か？1.5倍の改善ではダメなのか？

100倍化は、AI投資がAX（AI Transformation）に到達しているかを判定する物差しである。x100（拡張）、1/100（縮小）、10×10（掛け合わせ）のいずれかのパターンで、対象領域にゲームチェンジが起きたかどうかを問う。1.5倍の改善が無価値なわけではない。むしろ効率化AIの正しい成果である。ただし、1.5倍の改善で説明できる変化と、100倍化の質的変化は別の山であり、両者を混同すると投資判断を誤る。自社のテーマがどちらの山を登るべきかを、まず切り分ける（100倍化とは何か）。

Q4：AI事業開発のパートナーは、内製化を進めると不要になるのではないか？

社内にAXアーキテクトが育ち、AX for Revenue Loopを自走で回せる状態になれば、外部パートナーの役割は変わる。「実装の伴走」から「次のテーマの設計支援」「外部知見の注入」「人材の継続育成」へと、関わり方の重心が移っていく。タイプ4の伴走型パートナーが担う仕事は、自社の能力が立ち上がるほどに、より上流の問いに移行する設計になっている。逆に、外注を繰り返しても社内に能力が残らない構造を続けると、内製化のスタート地点に永久に立てないことになる。

Q5：どのフェーズからAI事業開発のパートナーを呼ぶべきか？

理論的には、「AIで何かやりたいが、何をやるかが決まっていない」段階から呼ぶのが最も投資対効果が高い。すでに要件定義が終わってシステム発注の段階に入っていると、選択肢はタイプ1〜2の受託型に限定される。一方、テーマ設定の段階から関わるパートナーは、効率化AIで終わるテーマと収益進化AIまで踏み込むべきテーマを切り分ける作業から伴走できる。早い段階ほど、設計思想の選択肢が広い。すでにPoCを何本も回して結果が出ていないなら、「次のPoC」を発注する前に、登る山そのものを問い直す対話を持つことが先である。

---

発行：株式会社アルファドライブ（AlphaDrive Co., Ltd.）／AX for Revenue Institute

参考文献：麻生要一『AI収益進化論──完成品製造コストゼロ時代の収益創造』株式会社Ambitions、2026年5月／麻生要一『新規事業の経営論』東洋経済新報社、2025年