生成AIの逆説：急速な普及、遅れるプラットフォーム化
世界で約24億人が毎月生成AIプラットフォームを利用し、Cursorは2026年初頭に年間売上20億ドルを突破しました。SalesforceのAgentforceはARR12億ドルを記録し、ShopifyはAI活用を全社的な基本要件としています。数字だけを見れば、すでに「プラットフォーム生態系」の初期段階に入ったかのように見えます。
しかし、MITスローン・レビューの Building on AI’s Unfinished Foundation の分析によれば、生成AIはまだ電気や内燃機関のように経済全体を再編する「真の汎用技術（GPT）」として機能していません。モデルの未成熟さや導入摩擦が問題ではありません。核心は AIを取り巻く技術的・産業的・制度的アーキテクチャ、すなわち「プラットフォーム化（Platforming）」が完了していない という点です。
プラットフォーム化がなされていない技術に大規模投資を行うことは、砂の上に城を築くようなものです。今、経営陣が問うべきは「AIを導入するか？」ではなく 「AIがプラットフォーム化されるまで、どの資産を蓄積し、どの投資を保留すべきか？」 です。
戦略フレームワーク：不確実な基盤の上で生き残る4つの原則
MITスローン・レビューは、AIが汎用技術として完成するまでの間、企業が取るべき戦略的原則を以下のように提示しています。
1. 学習速度 > 実行速度（Learn Faster Than You Commit）
不確実な環境では、大規模な資本投入よりも 組織の学習速度 が競争優位を決定します。パイロットプロジェクトを通じてAIの実際の作動範囲を迅速に把握し、失敗コストを最小化すべきです。
2. アーキテクチャ変化にも生き残る資産の構築（Build Assets That Survive Architectural Change）
特定のAIモデルやベンダーに依存しない データ資産、顧客関係、プロセス自動化能力 に投資してください。モデルは変わっても、蓄積されたデータと組織能力は残ります。
3. 「AI能力」ではなく「補完財（Complements）」への投資（Invest in Complements）
単により良いモデルを導入するのではなく、AIが価値を発揮できるようにする ワークフロー再設計、人材再配置、意思決定体系 に資源を集中すべきです。
| 投資優先順位 | 避けるべき投資 |
|---|---|
| データパイプラインとガバナンス | 特定モデル性能に依存した単一ソリューション |
| AI-人間協働プロセス設計 | 全社AI導入を前提とした大規模ライセンス契約 |
| ドメイン特化データの蓄積 | 汎用AI能力そのものの内製化 |
| 組織学習ルーティンの構築 | 検証されていないAIスタートアップのM&A |
4. 共有モデルが代替できない組織能力の開発（Organizational Capabilities）
AIモデルは誰でもアクセスできます。しかし 文脈理解、顧客信頼、規制対応、クロスファンクショナルな調整能力 は組織ごとに異なります。これこそが真の堀（Moat）です。
実際の適用事例と警告シグナル
「補完財」に集中した成功事例
SalesforceのAgentforceは単なるAIチャットボットではなく、既存のCRMデータとワークフローにAIを統合することでARR12億ドルを達成しました。核心は AIモデル自体ではなく、既存の顧客データとプロセスにAIを「載せた」こと です。
ShopifyはAI活用を全社的基本能力と宣言し、従業員が日常業務でAIを自然に使用できるよう 組織文化とプロセス を再設計しました。これは技術導入ではなく組織革新です。
注意すべきシグナル
- ベンダー依存リスク： SAPは2026年4月、自社APIポリシーを改定し、第三者AI APIの使用を制限しました。特定プラットフォームに深く統合された企業は、突然のポリシー変更に脆弱です。
- 生産性の逆説： MITのBrynjolfsson研究によれば、生成AIは個々の作業者の平均生産性を高めますが、分布を圧縮します。つまり、組織全体の生産性向上に自動的につながるわけではありません。
- 測定の遅延： 汎用技術の真の生産性向上は、導入後数年経ってから現れます（生産性Jカーブ）。短期的ROIに固執すると、誤った投資判断を下す可能性があります。
組織内のAI導入成果を評価する際は、単純な使用率やコスト削減ではなく 意思決定の質、顧客経験、革新速度 といった先行指標に注目すべきです。これは、成果主義（PFP）設計において短期指標に埋没してはならないという論理と類似しています。"成果主義（PFP）の罠とバランスの取れた設計戦略"で扱ったバランスの取れたインセンティブ設計原則を、AI投資の意思決定にも適用できます。
Analyst's View：日本市場における実質的意味とアクションプラン
日本企業が見落としているリスク
国内の多くの企業が「AI導入」をすなわち「競争力確保」と同一視しています。しかしMITスローン・レビューが指摘するように、AIはまだプラットフォーム化されていません。今、大規模AI投資を執行する企業は 砂の上に城を築くリスク があります。特に日本企業は、グローバルなAIモデル競争において独自の優位性を持ちにくい立場にあります。したがって、「モデル自体」に投資するよりも、補完財（データ、ドメイン専門性、ワークフロー） に集中すべきです。
即座に取るべき2つのアクションプラン
1. 「AI投資ポートフォリオ監査（Audit）」を実施せよ。 現在進行中のAI関連投資を①モデル/ベンダー依存投資、②補完財投資、③組織能力投資に分類してください。①に集中している場合、直ちに比重を減らし、②③へ再配分すべきです。特に特定ベンダーAPIに依存するプロジェクトは、代替可能性（Exit Strategy）を必ず文書化してください。
2. 「組織学習ルーティン」を公式化せよ。 AI導入速度よりも学習速度を優先してください。四半期ごとに「我々がAIについて新たに知ったこと」を整理し、それを投資決定に反映する公式プロセスを構築すべきです。これは、AIチュータリングにおいて問題の順序を変えるだけで学習成果が6〜9ヶ月前倒しになるのと同じ原理です。"AIチューター、問題の順序を変えるだけで学習成果が6〜9ヶ月前倒しに"で確認できるように、学習の順序と文脈設計 が成果を左右します。AI投資も同様です。
結論として、今は「AIを導入する時」ではなく 「AIの上に何を積み上げるかを設計する時」 です。プラットフォーム化が完了するまで柔軟に学習し、生き残る資産に投資してください。