データの複利を生む会社
第13章では、AIエージェントが人間に代わって業務を実行する「AIエージェントカンパニー」を描きました。第14章では、そこで生み出された利益や新しい能力をどこへ再投資するのかという資本配分の問題を扱いました。そして第15章では、さらにその先を考えています。
AIが仕事を代替するだけでは、いつか効率化には限界が来ます。人間が行っていた100の仕事をAIが行うようになれば、大きな生産性向上になります。しかし、100を10にし、10を3にしていけば、削減できるコストにはいずれ下限があります。では、その先に何があるのでしょうか。一つの答えが、仕事をするたびにデータが生まれ、そのデータによって次の仕事の質と収益性が高まっていく構造です。第15章では、それを「データの複利」と呼びました。
データを持っているだけでは、資産にはならない
多くの企業には、すでに大量のデータがあります。顧客データ、販売データ、契約データ、会計データ、在庫データ、物流データ、人事データ、設備データ、Webのアクセスログ。しかし、データを大量に保有していることと、そのデータから価値を生み出していることは同じではありません。
物流会社であれば、一件の配送だけでも大量の情報が発生します。荷主、商品、重量、容積、出荷場所、配送先、希望納品時刻、運賃、車両、ドライバー、積載率、走行距離、燃料、高速料金、天候、道路状況、待機時間、荷役時間、空車距離、遅延、事故、実際原価、実際粗利。問題は、そのデータがCRM、TMS、WMS、ERP、車載器、Excelなどに分散し、仕事が終われば記録として眠ってしまうことです。その状態では、データは「過去の記録」にすぎません。
重要なのは、データを次の仕事へ戻すことです。
仕事 → データ → AI → 予測 → 判断 → 実行 → 結果 → データ
この循環が途切れず回ると、過去の仕事が次の仕事を改善し始めます。需要予測が少し正確になる。車両を少し早く確保できる。空車が少し減る。待機時間が少し短くなる。故障を少し早く発見できる。適正な運賃を少し正確に提示できる。一つ一つは小さな改善ですが、その結果が新しいデータとなり、さらに次の判断を改善します。ここで初めて、データが「複利」で働き始めます。
AIエージェントの本当の価値は、仕事を減らすことだけではない
AIエージェントの導入効果は、どうしても工数削減で測られがちです。何人分の作業を削減できたか。処理時間を何％短縮できたか。何件を自動処理できたか。もちろん、これらは重要な指標です。
しかし、AIエージェントカンパニーの競争力を長期的に考えるなら、もっと重要な問いがあります。一万件目の仕事は、一件目の仕事より良くなっているか。
AIが同じ処理を高速で繰り返しているだけなら、それは優れた自動化です。しかし、仕事の結果を学習し、次の仕事でより良い判断をするようになれば、企業そのものが学習し始めます。予測が当たったのか。どの見積価格なら受注できたのか。どの配車が最も利益を残したのか。どの顧客同士を組み合わせると空車が減ったのか。どの設備データが故障の前兆だったのか。どの判断がクレームにつながったのか。こうした結果を毎回AIへ戻すことで、業務そのものが継続的な学習プロセスへ変わります。
強いAIエージェントカンパニーとは、AIを多く導入している会社ではありません。仕事をするほど、会社そのものが賢くなる会社です。
「顧客別採算」から「ネットワーク全体の価値」へ
第15章では、単体では採算基準に届かない大型顧客を受注するかどうかという場面を描きました。従来の顧客別採算では、受注すべきではありません。しかし物流では、一顧客だけを見ても本当の経済性が分からない場合があります。
東京から仙台へ荷物を運んだ車両が、帰りは空車になる。その復路に別の荷物を載せることができれば、新しい案件単体の利益率が低くても、ネットワーク全体では利益が増える可能性があります。荷量が安定することで協力会社の調達単価が下がることもあります。倉庫の作業量が予測しやすくなり、人員配置が改善することもあります。複数荷主を組み合わせることで共同配送が可能になることもあります。
つまりデータが増えると、企業が最適化する単位そのものが変わります。一件の配送から、一顧客へ。一顧客から、一拠点へ。一拠点から、一つの輸送レーンへ。そして最終的には、物流ネットワーク全体へ。部分最適では採算が悪く見える仕事でも、全体最適では価値を生むことがあります。反対に、一顧客では利益が出ているように見えても、ネットワーク全体では非効率を生んでいることもあります。AIとデータによって、企業が見ることのできる経営単位が大きくなるのです。
ただし、「データ価値」を赤字の言い訳にしてはいけない
一方で、「データが取れるから」という言葉は非常に危険でもあります。将来価値がある。シナジーがある。データが蓄積される。AIが学習する。こうした言葉を使えば、採算の悪い案件や事業をいくらでも正当化できます。
第14章で、「将来価値」という言葉を資本規律から逃げる理由にしてはいけないと描きました。同じことが、データにも当てはまります。だからこそ、データにも経済性を見る必要があります。その案件によって予測精度はどれだけ向上したのか。空車率はどれだけ低下したのか。調達単価はどれだけ改善したのか。他顧客との共同配送率はどれだけ増えたのか。最終的に粗利益はいくら増えたのか。
「データが価値を生むはずだ」ではなく、本当に価値へ変換されたのかを測ることが必要です。第15章で「データにもROICを見る」という表現を置いたのは、そのためです。データは無料の副産物ではありません。取得し、整備し、保存し、接続し、管理し、AIで利用可能にするためにはコストがかかります。そのコストに対して何の価値を生んでいるのか。データにも資本と同じような規律が必要になっていくのだと思います。
AIモデル以上に重要になる「Data SLA」
AIの競争力というと、どのLLMを使っているのか、モデルの性能はどれほど高いのかという話になりがちです。しかし企業利用では、それだけでは十分ではありません。
AIへ渡しているデータが古ければ、判断も古くなります。データが欠けていれば、判断も不完全になります。同じ意味の顧客が複数のコードで登録されていれば、分析結果も狂います。何の目的で取得したデータなのか分からなければ、AIへ自由に使わせることもできません。
そこで重要になるのが、「Data SLA」という考え方です。システムのSLAでは、稼働率や応答速度などを管理します。それと同じように、データについても品質を管理する必要があります。正確であるか。欠損していないか。どの程度の鮮度で届くのか。誰が、どのシステムで生成したのか。どのSystem of Recordが正式情報なのか。どの目的まで利用できるのか。AIの分析や学習に利用できるのか。そして、そのデータは継続的に供給されるのか。
AIエージェントが企業の中で広く働くようになれば、データの流れは水道や電気のような基盤になっていきます。AIにとって、データは燃料です。しかも、一度大量に入れれば終わりではありません。継続的に新しいデータが流れ込まなければ、企業の現実との距離が広がっていきます。
AI時代に本当に重要なのは、巨大なデータベースを持つことより、良質なデータが途切れず流れ続ける仕組みを持つことなのだと思います。
データの権利は、AIエージェント時代の新しい経営課題になる
データの価値が高まるほど、別の問題も大きくなります。そのデータは誰のものなのか、という問題です。
物流会社は、多くの顧客から非常に価値の高い情報を預かります。いつ、どの商品が、どこからどこへ動いたのか。どれくらいの数量だったのか。どこで売れているのか。どこに在庫があるのか。どの価格で取引されているのか。
複数顧客のデータを組み合わせれば、需要予測の精度は大きく向上するかもしれません。しかし、ある顧客から預かったデータを、別の顧客のために利用してよいとは限りません。匿名化すればよいという単純な問題でもありません。契約目的は何だったのか。競争上重要な情報ではないか。顧客はどこまでの利用を許諾しているのか。AIの学習に利用することまで合意されているのか。データから生成された予測や統計情報を他社へ提供してよいのか。
第13章では、「AIに何をさせるか」という権限設計を考えました。第15章では、その対象が一段広がります。**データにどこまで働いてもらうのか。**これも経営が設計しなければならないテーマになります。
データを売るのではなく、意思決定を売る
データが価値を持つようになると、「データそのものを販売すればよい」という発想が出てきます。しかし、本当に高い価値を持つのは、生データそのものなのでしょうか。私は、そうとは限らないと考えています。
顧客が本当に知りたいのは、「昨日どれだけ荷物が動いたか」だけではありません。来週どれだけ荷物が増えるのか。どこで物流が詰まりそうなのか。どの倉庫へ在庫を置けばよいのか。配送頻度をどう変更すれば物流費が下がるのか。どの拠点を統廃合すれば最適なのか。燃料価格が上がった場合、どのような物流網に変えればよいのか。
つまり、顧客が欲しいのはデータそのものより、そのデータから生まれるより良い意思決定です。
そう考えると、物流会社の事業モデルも変わり得ます。「荷物を運ぶ会社」から、「物流の流れを最適化する会社」へ。さらに、「顧客のサプライチェーン上の意思決定を支援する会社」へ。輸送という実業を持っているからこそ、毎日リアルなデータが入ってくる。そのデータによってAIが学習する。その知性を顧客へ戻す。ここには、単なるデータ販売とは異なる新しい収益モデルの可能性があります。
デジタルツインは「未来を当てる道具」ではない
第15章では、羽田物流が物流ネットワークのデジタルツインを構築する場面も描きました。デジタルツインというと、現実世界をデジタル空間へ再現する技術という説明がされます。しかし経営上の価値は、「現実を再現できること」だけではありません。重要なのは、条件を変えて未来を試すことができることです。
台風が来たらどうなるのか。燃料価格が20％上がったらどうなるのか。ある物流センターを閉鎖したらどうなるのか。特定地域の需要が急増したらどうなるのか。人員が不足したらどうなるのか。複数の条件を与え、実際に起きる前にシミュレーションする。
第15章では、それを、**「未来が分かるわけではない。未来を試せる」**と表現しました。
経営に必要なのは、未来を正確に予言することではありません。複数の未来を想定し、そのとき何をするのかを事前に考えておくことです。AIエージェントが現在の業務を実行する存在だとすれば、デジタルツインは未来の選択肢を試す装置になります。そして最後に、どの未来を選ぶのかを決めるのは人間です。
データの複利は、企業の競争力を非線形にする
「データの複利」という考え方で最も重要なのは、企業間の差が単純な足し算では広がらない可能性があることです。
仕事が増える。データが増える。予測精度が上がる。サービス品質が上がる。コストが下がる。顧客により良い条件を提示できる。顧客が増える。さらに仕事が増える。さらにデータが増える。
この循環が成立すると、先行して良質なデータフローを作った会社は、時間が経つほど競争優位を強める可能性があります。これは、単純な規模の経済とは少し違います。大きいから安くできるだけではありません。仕事を多く経験したこと自体が、次の仕事の品質を上げる。
この構造は、ソフトウェア企業だけのものではありません。物流、建設、製造、介護、農業、設備保守、専門サービスなど、現実世界で大量の仕事が繰り返される産業ほど、大きな可能性があります。それぞれの仕事がデータを生み、そのデータがAIへ戻り、次の仕事を改善するからです。
AI時代には、企業の競争力を考える上で、「どれだけデータを持っているか」よりも、**「どれだけ良質なデータが、日々の仕事から継続的に生まれ、AIへ戻る構造を持っているか」**を見る必要があるのかもしれません。
AIエージェントカンパニーから「学習する会社」へ
ここまで来ると、AIエージェントカンパニーの意味も少し変わってきます。AIエージェントが人間の仕事を代替する会社。それだけではありません。
SaaSがSystem of Recordとして事実を保持する。APIやMCPがシステムをつなぐ。AIエージェントが現在の仕事を実行する。仕事の結果がデータとして戻る。AIがそこから学ぶ。次の仕事が改善される。デジタルツインによって未来を試す。人間が、どの未来へ進むのかを決める。
この循環が成立すると、会社そのものが一つの学習システムになります。昨日の会社と今日の会社は、同じ組織図、同じ社員数、同じSaaSを使っていても、能力が違います。昨日より一日分、学習しているからです。
これは、従来の企業における「経験曲線」をAIによって高速化することだとも言えるかもしれません。かつて経験は、人の頭の中に蓄積されました。熟練者が退職すると、その一部が失われました。AIエージェントカンパニーでは、経験をデータとして会社へ残し、AIによって組織全体へ還流させることが可能になります。
個人が学ぶ会社から、会社そのものが学ぶ会社へ。
この変化は、AIがもたらす最も大きな企業変革の一つになるのではないでしょうか。
データを貯めるな。流れをつくれ
第15章で杉崎は、**「データを貯めるな。流れをつくれ。」**とノートに書きました。
データは、貯めているだけでは価値になりません。仕事から生まれ、AIへ流れ、判断へ変換され、現場へ戻り、その結果がまたデータになる。この循環が回り続けて初めて、データは企業価値を生み出します。
だから、本当に重要な資産はデータそのものではないのかもしれません。
AIによって価値へ変換され続けるデータの流れ。
それを持っていることが、これからの企業にとって大きな競争力になる可能性があります。
AIによる省人化には限界があります。しかし、企業が学習し続けることには、同じ意味での下限はありません。仕事をすればするほどデータが増える。データが増えるほど判断が良くなる。判断が良くなるほど顧客価値と利益が高まる。その結果、また仕事が増える。
この循環を作れるかどうか。
第15章で描いた「データの複利」とは、単なるデータ活用の話ではありません。企業の仕事そのものを、継続的に企業価値を増幅させる学習装置へ変えるということです。
強いAIエージェントカンパニーとは、AIをたくさん導入した会社ではありません。仕事をするたびに、昨日より少しだけ賢くなる会社です。
そして、その小さな差を毎日積み重ねることができる会社が、長い時間の先で、非常に大きな差を生み出すのだと思います。