AI普及後、古い事業計画で改めて確認すべき3つのこと

技術を開発する間に顧客と競合が変わっていた

スティーブ・ブランクは3月17日のブログに、6年前に自身が投資した創業者「Chris」に会った話を書きました。Chrisは自律運行技術を開発し、既存の航空プラットフォームに統合する仕事をしてきました。しかし5年間技術を開発する間に、似たような課題を解く競合が増え、隣接する防衛市場に新たな需要が生まれたというのです。ブランクは、彼が築いた技術的競争力¹は依然として意味があるものの、当初立てた事業モデルは見直す必要があると考えました。

最近、私もファンド運用を担うGPやエンジェル投資家の方々に何人かお会いしました。投資検討を最初からやり直したり、スタートアップ投資の流れが変わったという話を数多く聞きました。追加投資が難しいと見る企業の持分を、損失を覚悟のうえで整理してAI企業に再投資する案について、出資者（LP）の同意まで得たというファンドの話も聞きました。これは私が会った人たちから聞いた事例であり、ファンド全体の動向を調査した結果ではありません。

ブランクは顧客開発方法論としてリーンスタートアップ²に大きな影響を与えた人物です。彼は、創業から2年以上経ったなら事業に関する様々な前提が変わっている可能性が高いと警告します。私はこの言葉を、既存事業をすべて捨てよという意味ではなく、投資・開発・顧客の変化を確認せよという提案として読みました。

投資マネーがAI企業に集中している

OECDが2月に発表した分析によると、2025年のグローバルベンチャー投資に占めるAI企業の割合は金額ベースで61%、2,587億ドルでした。2022年の30%から大きく増えています。AI投資額の約73%は1億ドルを超える大型取引で、10億ドル超の取引だけでAI投資額の半分程度を占めました。一部の大型取引が全体の金額に及ぼす影響がかなり大きいということです。

韓国国内でもAI投資の比重が高まっています。TheVCの集計では、金額ベースの比重が2022年の9.4%から2025年には23.6%、2026年第1四半期には45%以上へと高まりました。この分類にはAI半導体や、AIを主要技術として用いる応用サービスも含まれます。異なる機関の分類や集計期間を混ぜるよりも、同じ資料の中で変化を見るほうがよいでしょう。

AI以外の分野で資金を調達しようとする企業も、投資家の比較基準がどう変わったのかを確認する必要があります。ただし、AIへの投資比重が上がったからといって、AI以外のすべての分野の投資額が減ったわけでも、すべてのAI企業が容易に資金を得られるわけでもありません。

ブランクが紹介したChrisの場合は、隣接市場の変化を見逃したことが問題でした。ウクライナ戦争を経て自律型ドローンや無人車両の需要と競合が変化したものの、既存市場の技術開発に集中するあまり、これを十分に見極められなかったという説明です。

ブランクは、Chrisの技術が紛争地域における補給輸送や医療搬送にも使えるのではないかと考えました。これは新たな顧客を探せるかもしれないという投資家としての判断です。実際の現場が求める性能や運用条件、調達手続きまで検証されたわけではありません。既存の航空プラットフォームとの統合技術は維持しつつ、適用する市場を改めて見直そうという提案として理解できます。

技術開発に集中する時間は必要です。同時に、顧客の要求や競合製品、購買予算が変化していないかも定期的に確認しなければなりません。時間のかかる開発であればあるほど、当初の市場に関する前提が今なお有効かどうかを見極める必要があります。

開発コストと検証計画を再計算すべき

二つ目は、AIコーディングツールがソフトウェア開発プロセスに与える影響です。ブランクは、試作を作るコストと時間が減れば、チーム構成や製品検証の方法も見直す必要があると述べています。

カルパシーが2025年初めに紹介したバイブコーディング³は、自然言語で望むものを説明し、AIが作ったコードを活用する方式として注目を集めました。AIでコードを書いたり試作品を作ったりする選択肢が広がったわけです。ただし、生成されたコード量が多いからといって、その分だけ開発コストが減った、あるいは製品の品質が検証されたとは言えません。

ブランクは、一部のMVP⁴を数ヶ月ではなく数日、あるいは数時間で作れるようになったと主張します。単純なデータ登録・照会が中心のCRUDアプリ⁵であれば、迅速に試作品を作るのに役立つ場合があります。しかし実際の顧客に提供するには、セキュリティやデータ管理、既存システムとの連携、バグ修正も必要です。すべての製品の開発時間が同じ比率で短縮されるわけではありません。

複数の試作品を簡単に作れるなら、比較すべき価格案や画面をより早く用意できる可能性もあります。ブランクはこの可能性を挙げ、アジャイル⁶開発における並行実験を増やせると見ています。ただし、アジャイルはもともと並行作業を禁じる方法論ではありません。AI以前から、複数の仮説を同時に試すことはできました。

実験案を作るスピードと、顧客から十分な根拠を得るスピードは別物です。価格案を10個作ったからといって、顧客の反応まで即座に検証できるわけではありませんから。どの仮説を試し、どのような結果で判断するかを決める作業は依然として必要です。

チーム規模もこうした条件を基準に再計算できます。どの業務の時間が短縮されたのか、レビューや保守にどれくらいかかるのかを確認したうえで、人員と日程を調整するのです。AIツールが登場したという理由だけで、既存の開発チームや技術投資がすべて過剰だと判断することはできません。

顧客が対価を払う結果とは何かを確認すべき

三つ目は、ソフトウェアが顧客に代わって処理する業務の範囲です。ブランクは、情報を表示する機能に加え、実際の作業を完了させる機能が重要になっていくと見ています。既存のソフトウェアも自動化を行ってきましたが、AIエージェントで処理できる業務が増えれば、顧客の期待も変わり得ます。

AIエージェント⁷は、ツールを呼び出して問い合わせを処理したり日程を調整したり、営業機会を分類したり在庫発注を準備したりできます。どこまで自動で実行するかは、システムの精度や権限、人による承認プロセスによって変わります。

ブランクはこれに合わせ、ユーザー数に基づく課金よりも、処理した結果に基づく課金が増えると予測します。解決した問い合わせ1件、あるいは予約できたミーティング1件を基準に対価を受け取る方式です。ただし、すべてのサービスがこの方式に変わるわけではありません。何をもって「解決」と見なすか、誤って処理した場合にどう精算するかを顧客と合意できる必要があります。

彼はこの観点を「AI Agent/Customer Outcome Fit」、すなわちAIが顧客の望む結果を実際に生み出しているかを確認する作業だと表現します。MVPの代わりにMPO⁸という言葉も提案しました。私はこれを、プロダクトマーケットフィットが終わったという宣言というより、製品を見せることにとどまらず、顧客の業務がどれだけ解決されたかを測ろうという強調として読んでいます。

ハードウェアでもAIで設計案を比較したり、デジタルツイン⁹を用いて試験したりできます。ブランクが挙げた例は、カメラ映像の解析やセンサーデータを活用した故障予測などです。ただし、実際の製造や物理試験、安全検証、サプライチェーンにかかる時間までなくなるわけではありません。ハードウェアとAIを組み合わせてどのような性能が得られるのかを確認する必要があります。

すでに投資したものの中で何を維持するか切り分ける

すでに作ったコードやチーム、製品のスケジュールがあれば、方向転換は難しくなります。投資家や顧客に約束したこともあります。ブランクは、過去に多くの資金と時間を費やしたという事実が、現在の選択を自動的に正当化するわけではないと指摘します。

彼は、すでに積み上げたものの中から、引き続き役立つものと見直すべきものを区別してみようと提案します。

維持する価値があるのは、顧客や業界に関する知識、顧客との関係、独自に確保したデータ、規制上の承認、物理システムとの統合経験などです。 Chrisの航空プラットフォーム統合もその一例です。長い時間をかけて獲得したこうした能力が、新しい事業でも活かせるかどうかを見極めるということです。

見直すべきなのは、現在の業務に見合ったチーム規模、顧客が得る価値に見合った価格、製品開発の優先順位です。 既存のやり方が実際に成果を出しているなら、維持する理由があります。逆に、過去の計画のせいで費用を払い続けているなら、調整が必要です。ここでいう「資産」と「負債」は会計上の分類ではなく、事業上有用かどうかを切り分けようという表現です。

ブランクの問いは、今の市場とツールで会社をもう一度立ち上げるとしたら何を作るかというものです。すでに投資を受けた仮説を改めて見直すのは、居心地の悪いことかもしれません。それでも、次の投資や大きな開発支出の前に確認しておくほうがよいはずです。

Oswarldの視点

ブランクの文章を読みながら、私が出会った韓国のスタートアップたちと交わした会話を思い出しました。

私はGTM戦略を扱うなかで、技術を先に作ってから、どこに売るかを悩むケースをよく見てきました。そうした場合には、顧客がどんな課題を解決しようとしているのかから改めて見直す必要があります。AIを使うにせよ既存のソフトウェアを使うにせよ、顧客が時間とコストをかけて導入する理由がなければならないからです。

TheVCの2026年第1四半期の集計でも、投資件数は前年同期比で17.4%減少した一方、金額は55.4%増加しました。ただし報告書は、6,400億ウォン規模の大型取引を除いても投資額の増加傾向は残ると説明しています。「一部のAI企業以外はどこも投資を受けられない」というように読んでしまうと、市場の違いを見落としかねません。自分の分野で実際に資金を調達した企業と投資家が何を見ていたのかを確認する必要があります。

私が特に注目したのは、これまで積み上げてきた業界知識や顧客関係を維持すべき資産として捉えている点です。半導体や造船、自動車のように実際の工程や運営を理解する必要がある分野では、AIを組み込むことと同じくらい現場を知る能力が重要になるはずです。ただし、その経験が顧客のどのような課題を解決するのかを説明できてこそ、事業の強みになると考えます。

おわりに

今回の文章を読んで点検すべきことは3つだと思います。投資家が見る基準が変わったのか、新しいツールを使うことで開発と運用のコストがどう変わるのか、そして顧客が対価を払う結果とは何かです。

四半期ごとにこうした問いを立てて、既存の計画と実際の結果を比較してみるとよいでしょう。計画を立ててから2年経ったからといって、すべてを捨てる必要はありません。今なお当てはまる前提は維持し、変わってしまった前提に依存している支出や日程を修正することが必要です。

顧客に会って仮説を検証しようと強調してきたブランクが、新しいツールに合わせて検証の方法も見直そうと語っている点が印象的でした。私自身も今回の文章を、創業方法論の廃棄というより、いったん手を止めて確認する時間を持とうという提案として受け止めました。

参考資料と関連リンク

主要出典

• Steve Blank、「Your Startup Is Probably Dead On Arrival」、2026.03.17。Chrisの事例と事業前提の見直しに関するブランクの見解です。
• OECD、「AI firms capture 61% of global venture capital in 2025」、2026.02.17。AI投資の比重と大型取引への集中を説明した分析発表です。

背景知識

• TheVC、「2025年韓国スタートアップ投資統計」、2026.01.01。AI投資の分類や金額・件数の変化を確認できます。
• TheVC、「2026年Q1韓国スタートアップ投資統計」、2026.04.01。大型取引の影響と、それを除いた場合の変化についても説明しています。

筆者のアン・グァンソプ（安光涉）は世宗大学校経営学科教授であり、INLEVEL9のリードコンサルタントです。大学では経営データ管理、ビジネスアナリティクスなど統計およびデータ分析を教える一方、現場ではGTM戦略とAI戦略コンサルティングを率い、技術とビジネスの接点を設計しています。AI対話システムの記憶アーキテクチャ（HEMA）研究で学術論文を発表したほか、毎日グローバルのAI論文をキュレーションするDaily Arxivプロジェクトを運営しています。高麗大学校技術経営専門大学院の修士課程とKMBAを修了しました。著書に『思考を委ねる人々：ホモ・ブレインレス』があります。

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. 技術的競争力：競合が同じ性能や運用経験を容易には確保できないことで生じる事業上の強みです。投資の分野ではこれを「堀」と呼ぶこともあります。 ↩

2. リーンスタートアップ（Lean Startup）：エリック・リースが体系化した創業方法論で、スティーブ・ブランクの顧客開発方法論などの影響を受けています。顧客に対して仮説を検証し、その結果に応じて製品や事業を調整するアプローチです。 ↩

3. バイブコーディング（Vibe Coding）：アンドレイ・カルパシーが2025年に紹介した表現です。自然言語でリクエストし、AIが生成したコードを活用しつつ、生成されたコードを細部まで理解しないまま進める方式まで含みます。AI支援開発全般と同じ意味ではありません。 ↩

4. MVP（Minimum Viable Product）：顧客に関する前提を検証し、そこから学べる最小限の製品や実験のことです。単に機能の少ない完成品だけを意味するわけではありません。 ↩

5. CRUD：データの生成（Create）・照会（Read）・更新（Update）・削除（Delete）を意味します。 ↩

6. アジャイル（Agile）：短い周期で開発し、フィードバックや変化に応じて調整するアプローチです。 ↩

7. AIエージェント（AI Agent）：与えられた目標に従ってツールを呼び出し、作業を遂行するAIシステムです。遂行できる範囲は、付与された権限や連携するツールによって異なります。 ↩

8. MPO（Minimum Productive Outcome）：ブランクがこの文章の中で提案した表現で、顧客にとって有用な結果を生み出し、それを検証しようという意味です。広く合意された標準用語ではありません。 ↩

9. デジタルツイン（Digital Twin）：物理的な対象やシステムの特性・状態をデータとして反映したデジタルモデルです。分析やシミュレーションなどに用いられますが、実際の対象を完全に複製したものではありません。 ↩