主張の核

真の資産とは、一度リソースを投下すれば繰り返し使い回せて、使うたびに売上・生産性・意思決定の質を押し上げ続けるもの。AI時代はこの「資産になるものを見極める力」こそが最重要な経営判断だ、とAIスタートアップの経営者は言っている。

研究者たちはこう言っている

無形資産経済学の代表的な研究であるハスケル氏とウェストレイク氏の共著では、知識やソフトウェアといった無形の投資には共通する四つの性質があるとされています[1]。一つは、同じものを追加コストなしに何度でも使い回せる「拡張性」。二つ目は、一度投じたら回収できない「埋没費用」的な性格。三つ目は、競合にも真似されやすいという「波及効果」。四つ目は、複数の無形資産を組み合わせるとその価値が単純な足し算以上に膨らむ「相乗効果」です。この枠組みは、AIスタートアップの競争優位を論じる実務家の議論とも重なります[2]。

近年のベンチャーキャピタルの間では、AIによって技術そのものはすぐに模倣されるため、真の防御力は自社データ・顧客との関係・実行にかかる年単位の時間そのものに移っている、という話が語られています[2][5]。一方で、「ユーザーが増えればデータが増え、製品が良くなり、さらにユーザーが増える」という好循環そのものは幻想に近く、単にデータ量が多いだけでは優位性にならないという反論も根強いです[3]。本当に効くのは、日々の運用から絶えず生まれ、使うたびに製品自体を改善し続ける生きたデータの流れであって、一度きり集めて終わる静的なデータ集合ではない、という見方もあります[4][5]。

要するに、研究者たちの見解を束ねると、資産価値の本質は「何を集めたか」ではなく「使うたびに複利的に効果が積み上がる仕組みを持っているか」にあるという点でおおむね一致しています。

新視点・未考慮の角度

  1. 「資産は使うほど価値が増す」という前提は、周りの状況が変わらないことを暗黙の条件にしています。状況が変われば、その仕組みは維持や作り直しの手間だけが重くのしかかる負担に転じます。とりわけ判断の質を高めるための仕組みは前提となる状況への依存が強く、使うたびにかえって判断を誤らせる方向へ働く恐れがあります。
  1. 同じ仕組みを繰り返し使うことで、過去にうまくいった型への当てはめが強まり、新しい兆しを見落とす死角が使うたびに広がっていきます。つまり仕組みは使用回数に比例して判断力を強めるとは限らず、ある境目を越えると逆に組織の目を曇らせ始める可能性があります。
  1. 本当に繰り返し使いやすく汎用性の高い仕組みほど、他社にも真似されたり、外から同じような道具を買われたりしやすいものです。したがって本当の強みは仕組みそのものではなく、その組織にしか無い情報や積み重ねた経緯とどれだけ深く結びついているか、つまり他へ移し替えにくい度合いにあるはずです。

反論

再利用可能な仕組み自体が急速にコモディティ化(誰でも安く同じ機能を持てる状態になること)する場合、再利用回数を資産価値の指標にする発想が崩れます。競合が同じ基盤AIモデルにアクセスできる限り、既存モデルを軽く包んだだけの「ラッパー」製品は差別化にならず、実際に2026年第1四半期のベンチャー投資でもこの種の薄いラッパー企業はほとんど資金を得られませんでした[6][7]。ただし、この反論が成立するのは、その「資産」が独自データ・独自ワークフロー統合・乗り換えコストを伴わず、基盤モデル提供元の機能アップデート一つで代替されてしまう場合に限られます。逆に言えば、独自データの蓄積や業務プロセスへの深い組み込みがあれば、この反論は当てはまりません。

「意思決定の質を上げる仕組み」を設備投資と同格の資産とみなす発想には、経営学の「コア・リジディティ(中核能力が硬直性に転化する現象)」という反証もあります。1992年に提唱されたこの理論では、ある能力が成功すればするほど組織はそれに固執し、環境が変化した際に同じ仕組みが逆に適応を妨げる「負債」に転じることが示されています[8]。つまり再利用回数が増えるほど価値が増すのではなく、ある閾値を超えると再利用への依存自体が変化への抵抗という形でマイナスに転じうるわけです。ただし、この反論が効くのは環境や前提条件(市場・技術・規制)が仕組み構築時から大きく変化した場合であり、環境が安定していれば再利用の複利効果はそのまま成立しうるとも言えます。

AIを核とする「再利用可能な資産」は、他の設備投資と異なり使うたびに劣化しうるという指摘もあります。基盤モデルの入力データが古くなる、あるいはモデル自体が現実とずれていく「モデルドリフト」という現象があり、監視・再学習をしない限り、資産どころか気づかれないまま劣化していく負債に転じるとされます[9]。これは「再利用回数に比例して資産価値が増え続ける」という前提に真っ向から反する話で、再利用するたびに価値が積み上がるのではなく、メンテナンスコストを継続的に投下しなければ価値が目減りする資産も存在することを示しています。ただし、これが成立するのはその資産が動的なデータ・外部環境に依存するAIシステムである場合に限られ、静的なノウハウやドキュメント化されたプロセスにはあまり当てはまりません。

スティールマン

もし私がこの主張に反論するなら、こう言う——「資産」を見極める力そのものを資産化する発想は、見極めの基準自体が最も速く陳腐化する対象だという矛盾を抱えている。AI時代の変化速度では「再利用設計の巧拙」を判断する基準自体が数ヶ月単位で書き換わるため、その「見極める力」を固定資産として扱った瞬間、それは次の変化に対する最大の抵抗勢力になる。真に資産的なのは特定の仕組みではなく、仕組みを常に破棄し作り直す組織的な速度そのものである。

もう一つのスティールマン——「資産を見極める力」そのものが、AIによって誰にでも作れるようになった瞬間、その力はもはや強みではなくなる。優れた仕組みほど早く真似され当たり前になっていくのは必然であり、本当に希少なのは仕組みではなく、現金や人材、他社が容易に手に入れられない独自の情報のような、複製されにくい資源のはずだ。しかも状況に合わせて作り直し続けなければ機能しない仕組みは、現金のようなどこにでも使える柔軟さを持たない。だから経営判断の核心は「繰り返し使える設計の巧さ」ではなく、依然として伝統的な資産が持つ柔軟性と汎用性を正しく評価することにある。

実事例

主張を支持する事例

データ資産型(使うたびに増えるデータが競争力になる)

  • Tesla: 世界中の顧客所有車両から走行データを収集し、自社スーパーコンピュータ「Dojo」で学習、無線経由(OTA)で全車に配信。精度が上がった車がまた新しいデータを生む循環を構築しており、「一度作れば終わり」ではなく使われるたびに資産価値が増す典型例です[10]。
  • Amazon: 検索行動・閲覧・購入・配送・広告反応という独自シグナルを巨大スケールで蓄積し、レコメンド・需要予測・広告ターゲティングの精度を継続的に押し上げています。同規模の行動データを持たない競合は同じ精度を再現できません[11]。
  • Cursor(AIコーディング支援ツール): 開発者がコード提案を採用・却下するたびにその判断が学習シグナルとなり、実際の現場判断に基づいてモデルが磨かれる仕組みを構築。使うたびに製品自体が賢くなる資産の教科書的事例です[12]。
  • Duolingo: 学習アクティビティ累計230億分を蓄積し、このデータを使ったAI活用によって、過去10年以上かけて100コース作った実績を直近では四半期で148コース新規リリースまで加速させました[13]。

ワークフロー/意思決定資産型(業務プロセス自体が資産になる)

  • Palantir: 政府・軍事機関との20年にわたる取引で築いた技術基盤とノウハウが、2024年度売上28.7億ドル(前年比29%増)という商業展開の加速に直結。新規顧客が増えるたびにプラットフォームの知見が蓄積される複利型の資産です[14]。
  • GitHub Copilot: 年間経常収益20億ドルに到達。導入企業ではプルリクエストが10.6%増加、開発サイクルが3.5時間短縮、タスク完了が55%高速化という実測値があり、開発者の既存ワークフローに入り込んで使うたびに生産性を押し上げ続けています[15]。
  • 法務テック系スタートアップ(M&A書類レビュー): 契約書レビュー期間を数週間から数日に圧縮。弁護士の修正フィードバックを学習ループに組み込み、案件をこなすたびに精度が向上する仕組みを構築し、18か月で9桁(数億ドル規模)の評価額で買収されました[16]。
  • スタンフォード大学による企業51社のAI導入調査: 業務プロセス自体をAI前提で再設計した「高パフォーマー」企業は55%、再設計していない企業はわずか20%という差があり、ワークフローという資産に投資したかどうかが導入効果の差を生んだことを裏付けています[17]。

コミュニティ/ネットワーク効果資産型(人が集まるほど価値が増す)

  • Hugging Face: 200万以上のモデル、150万のデータセットが集まる「Hub」を運営し、Meta・Google・Alibabaといった競合企業さえもここでモデルを配布する中立インフラ的地位を確立。従業員400名超で年間収益約1.3億ドルに達しています[18]。
  • DoorDashなど三者間ネットワーク型サービス: 配達員・飲食店・利用者が互いの価値を強化し合う構造を持ち、AIによって競合製品が簡単に作れる時代でも一夜にして複製できない資産として、ベンチャーキャピタル業界で複製不可能な堀の代表例に挙げられています[19]。

反証・例外

  • Jasper AI: 1億3,100万ドルを調達し評価額15億ドルに達しましたが、プロンプト設計とテンプレート以上の資産を持たなかったため、ChatGPTの性能向上とともに顧客離れが発生。売上は2023年ピークの1億2,000万ドルから2024年には3,500万〜5,500万ドルまで急落しました[7]。
  • IBM Watson Health: 独自データという「資産」を作るために医療データ企業を約50億ドルで買収しましたが、データの質・多様性不足により汎用性のある推奨を生成できず、テキサス大学MDアンダーソンがんセンターとの共同プロジェクトは約6,200万ドルを費やして中止。最終的に2022年、投資額の一部にすぎない約10億ドルで事業売却されました[20]。
  • Stack Overflow: 長年「使うたびに知見が蓄積する」コミュニティ資産の代表格でしたが、月間訪問数は2022年の約1億1,000万から2024年には約5,500万まで半減。質問投稿数はChatGPT登場後76%減少しました。資産を生み出す行動インセンティブの持続性も、資産であり続けるための条件であることを示す例外です[21]。

参考文献

  • [1] Capitalism without Capital: The Rise of the Intangible Economy — Jonathan Haskel, Stian Westlake (2018)
  • [2] VCs Rethink Startup Moats As AI Compresses Time To Build — Forbes / Josipa Majic (2026)
  • [3] The Empty Promise of Data Moats — Andreessen Horowitz (a16z)
  • [4] How AI Companies Will Build Real Defensibility — NFX
  • [5] The Moat Just Moved: Areas of Opportunity in AI Native Software — Ardent Venture Partners
  • [6] In the age of AI, can startups still build a moat? — Latitude Media
  • [7] Are AI Wrappers Investable? The Case For and Against — VC Cafe (2025)
  • [8] Core capabilities and core rigidities: A paradox in managing new product development — Dorothy Leonard-Barton, Strategic Management Journal (1992)
  • [9] Data Drift & Model Decay: The Silent AI Killer — AI Competence
  • [10] From AI table stakes to AI advantage: Building competitive moats — McKinsey
  • [11] Proprietary data as a competitive edge in the gen AI era — IBM
  • [12] The AI Flywheel: How Data Network Effects Drive Competitive Advantage — Hampton Global Business Review
  • [13] Duolingo's AI and Data Moat Drive Profitable Growth — Complete AI Training
  • [14] Palantir AI Strategy: Path to AI Dominance — Klover.ai
  • [15] What GitHub Copilot's $2B Run Taught Us — Mind the Product / Harness
  • [16] Why AI Wrappers Don't Have Moats — M Accelerator
  • [17] Enterprise AI Playbook — Stanford Digital Economy Lab (Pereira, Graylin, Brynjolfsson)
  • [18] Hugging Face Hub 公式ドキュメント
  • [19] Dude, Where's My Moat? — Euclid Ventures
  • [20] Case Study: The $4 Billion AI Failure of IBM Watson for Oncology — Henrico Dolfing
  • [21] Stack Overflow and ChatGPT — Similarweb

次の問い（継続用）

この考察をさらに深めるなら:

  1. 自分の事業(ロイヤルハニー販売・広告運用)において、「使うたびに複利的に効く資産」と呼べるものは具体的に何か。競合LP解析データか、広告クリエイティブの反応データか、それとも意思決定プロセスそのものか。
  2. コア・リジディティ論に照らすと、今の自分の「型」がいつ負債化しうるかをどう監視するか。
  3. 「見極める力」自体を資産にするのではなく、「作り直し続ける速度」を資産にするという逆転の発想は、実務でどう運用に落とせるか。

続きセッション履歴

（初回のため未記入）