AIエージェント組織ビジネス 完全設計書 with claude 5.5 opus
AIエージェント組織ビジネス 完全設計書
0. 設計の前提:これまでの分析から引き継ぐ原則
この事業設計は、これまでの分析で得た結論を設計上の制約条件として扱います。
| 分析の結論 | 設計上の原則 |
|---|---|
| 売り物は「労働の成果」に移る | ツールではなく業務の成果を請け負う。課金単位は成果とする |
| AIは限界費用ゼロではない | AI原価を売上原価として管理する。自動化率が粗利を決める構造を前提に設計する |
| 利益は希少資産と成果責任に残る | 「成果責任」「データの循環」「業務知識」の3つを堀にする。AI機能そのものは差別化要因とみなさない |
| モデルの性能は堀にならない | 基盤モデルは開発しない。複数モデルを使い分け、価格低下を自社の利益に変える |
| Klarnaの揺り戻し、Gartnerの4割中止予測 | 完全自動化はしない。人間への引継ぎと品質保証を商品の一部として組み込む |
| シナリオB(調整後の再加速)の可能性 | GPUやデータセンターを持たない。算力が安くなるほど有利になる「使う側」に立つ |
| エージェント間取引の標準化 | MCP、A2A、エージェント決済規格に準拠し、顧客側のAIからも呼び出される窓口を持つ |
| Web3は実物の裏付けがあるものだけ残る | ステーブルコインは「精算コストを下げる実務手段」としてのみ扱い、後期の選択肢とする |
1. 事業定義
1.1 一文での定義
AIエージェントと少数の専門人材で構成された「業務運営組織」が、企業のバックオフィス業務を成果単価で請け負う会社(仮称:エージェント・オペレーションズ株式会社)。
これはSaaSでもBPOでもありません。両者の中間にある第三の形態です。
| 比較軸 | SaaS | 従来型BPO | 本事業 |
|---|---|---|---|
| 売るもの | ソフトウェアの利用権 | 人の労働時間 | 業務の成果 |
| 課金単位 | 席・月額 | 人月・時間 | 完了件数・成果改善 |
| 業務の実行者 | 顧客の社員 | 委託先の社員 | AIエージェント+少数の専門人材 |
| 成果責任 | 負わない | 作業品質のみ | 成果と品質を保証 |
| 粗利率の上限 | 70〜85% | 20〜35% | 50〜70%(自動化率に依存) |
| 1人あたり売上 | 高い | 低い(800万円前後) | 2,000万〜4,000万円を目標 |
| AI普及の影響 | 席数が減る(逆風) | 単価が下がる(逆風) | 原価が下がる(追い風) |
最後の行が、この事業を選ぶ根拠です。AIの価格が下がるほど、SaaSとBPOは不利になり、本事業は有利になります。
1.2 二重の意味での「エージェント組織」
本事業は2つの意味でエージェント組織です。
顧客向けの業務組織:顧客の業務を実行するエージェント群
自社の経営組織:自社の営業支援、経理、採用、品質監査もエージェントで運営し、少人数で回す
自社業務を自社のエージェントで回すことは、コスト削減であると同時に、新しい業務領域の実験場になります。
2. 市場選定:どの業務から始めるか
2.1 対象業務の評価
成果課金に向く業務は、経営層向けブリーフィングで示した6項目で評価できます。
| 候補業務 | 成果の定義 | 計測可能性 | 人件費アンカー | 品質リスク | 構造化度 | データの循環 | 合計 |
|---|---|---|---|---|---|---|---|
| 受注〜請求〜入金消込(O2C) | 2 | 2 | 2 | 1 | 2 | 2 | 11 |
| 購買〜支払(P2P) | 2 | 2 | 2 | 1 | 2 | 1 | 10 |
| カスタマーサポート(一次対応) | 2 | 2 | 1 | 1 | 1 | 2 | 9 |
| 製造業の技術サポート・保守受付 | 1 | 1 | 2 | 1 | 1 | 2 | 8 |
| 人事・労務手続 | 2 | 1 | 1 | 0 | 1 | 1 | 6 |
| 法務・契約審査 | 1 | 0 | 2 | 0 | 0 | 1 | 4 |
各項目を0〜2点で評価しています。法務は人件費アンカーが大きくても、品質リスクと計測の難しさから初期の対象には向きません。
2.2 ビーチヘッド:中堅製造業・商社の「受注〜入金消込」
| 選定理由 | 内容 |
|---|---|
| 成果が明確 | 「請求サイクルの完了」「入金の消込完了」「回収期間の短縮」は客観的に計測できる |
| 人件費アンカーが大きい | 受注入力、請求書発行、入金照合、督促は人手が多く、人手不足が深刻 |
| 日本固有の追い風 | インボイス制度と電子帳簿保存法への対応負担、手形交換の終了に向けた決済手段の移行、経理人材の不足 |
| 例外処理に価値がある | 振込名義の不一致、一括入金、値引き・相殺など、例外処理のノウハウが堀になる |
| 拡張性 | O2Cの次にP2P、さらに資金繰り予測や与信管理へ自然に広げられる |
| 製造業との接続 | 製造業の顧客基盤は、後に技術サポートやPhysical AI領域へ進む足がかりになる |
2.3 想定顧客
年商100億〜2,000億円の製造業・卸売業・商社
月間の請求書発行件数が2,000〜50,000件
経理・営業事務の担当者が10〜100人
基幹システムは導入済みだが、周辺業務がExcelとメールと手作業で回っている
大企業は自社でAI化を進める力があり、小企業は単価が合いません。**中堅企業は「AIを自分で使いこなす余力はないが、業務量と予算はある」**層で、本事業の最も適した市場です。
2.4 拡張ロードマップ
| 段階 | 業務領域 | 狙い |
|---|---|---|
| 第1段階 | 受注〜入金消込(O2C) | 成果課金の型を確立し、例外処理データを蓄積する |
| 第2段階 | 購買〜支払(P2P)、経費精算 | 同じ顧客の経理部門内で横展開する |
| 第3段階 | 月次決算支援、資金繰り予測、与信管理 | 蓄積したデータから高付加価値の判断業務へ進む |
| 第4段階 | 製造業の技術サポート、保守受付、部品受発注 | 製造業の現場データに接続し、Physical AIへの橋渡しにする |
3. 商品設計
3.1 サービスメニュー
| サービス | 業務内容 | 成果の単位 |
|---|---|---|
| 受注処理 | 注文書(PDF・FAX・メール・EDI)の読取、基幹システムへの登録、在庫・与信の確認 | 受注1件の登録完了 |
| 請求処理 | 請求書の作成、インボイス要件の確認、送付、電子保存 | 請求書1件の発行完了 |
| 入金消込 | 入金データと請求の照合、一括入金・手数料差引・名義不一致の解決 | 入金1件の消込完了 |
| 督促・回収 | 期日超過の検知、段階的な督促、回収見込みの報告 | 回収期間の短縮(成果加算の対象) |
| 月次レポート | 売掛金の年齢分析、回収予測、例外の傾向分析 | 月額基本料に含む |
3.2 成果の定義
成果契約で最も揉めるのは「何をもって完了とするか」です。業務ごとに定義を固定し、契約書に添付します。
| 成果 | 完了の条件 | 完了とみなさない場合 |
|---|---|---|
| 受注登録の完了 | 基幹システムに登録され、品目・数量・単価・納期が注文書と一致している | 顧客側の確認待ちで止まっているもの |
| 請求書発行の完了 | 適格請求書の要件を満たし、送付と電子保存が完了している | 発行後に誤りで再発行したもの(再発行分は無償) |
| 消込の完了 | 入金と請求が紐づけられ、差額の理由が記録されている | 仮受金のまま残っているもの |
誤りによる再処理は課金しないことを明記します。これにより、顧客は品質リスクを負わず、自社は品質を上げる動機を持ちます。
3.3 品質保証(SLA)
| 項目 | 基準 | 未達時の扱い |
|---|---|---|
| 処理の正確性 | 99.5%以上(顧客の抜き取り監査で判定) | 当月の基本料を一部減額 |
| 処理時間 | 受注は受領後4営業時間以内、消込は入金翌営業日 | 遅延分の成果単価を減額 |
| 重大な誤り | 請求金額の誤り、誤送付 | 是正対応と補償上限の範囲での損害補填 |
| 監査対応 | 全処理の判断根拠と処理記録を保存し、監査時に提出 | ― |
4. 価格設計
4.1 価格の基本式
価格は自社の原価からではなく、顧客の人件費から逆算します。
[
\text{成果単価} = \text{顧客が人間で処理した場合の1件コスト} \times (1 - \text{割引率})
]
割引率は25〜40%に設定します。顧客にとって「人を増やすより明確に安い」水準であり、同時に自社が粗利を確保できる水準です。
4.2 4層の価格構成
| 層 | 内容 | 目的 |
|---|---|---|
| ① 導入費 | 業務分析、システム接続、並行運用期間の費用(一括) | 立ち上げ原価の回収と、顧客の本気度の確認 |
| ② 基本料(月額) | 最低保証額。監査記録の保管、レポート、専任担当を含む | 自社の固定費の回収と、収益の安定化 |
| ③ 成果単価(従量) | 完了件数×単価。件数が多いほど単価が下がる段階制 | 主要な収益源。顧客の業務量に連動 |
| ④ 成果加算 | 回収期間の短縮による運転資本の改善額の一定割合 | 業務の質の改善で顧客と利益を分け合う |
4.3 価格表の例(説明用の仮定値)
| 項目 | 価格 |
|---|---|
| 導入費 | 300万〜800万円(業務範囲と接続システム数による) |
| 基本料 | 月額30万円(成果単価の請求額に充当可能な最低保証) |
| 受注登録 | 1件 250円(月5,000件超は200円) |
| 請求書発行 | 1件 150円 |
| 入金消込 | 1件 200円(一括入金・名義不一致の解決を含む) |
| 回収期間の短縮 | 短縮で生じた運転資本の改善額に対し、年率換算の金利相当額の20% |
4.4 契約に必ず入れる条項
| 条項 | 内容 |
|---|---|
| 成果の定義と計測方法 | 3.2の定義表を添付。双方が確認できるシステム記録で判定する |
| 月額の上限と下限 | 顧客の予算管理のための上限と、自社の固定費回収のための下限 |
| 単価の見直し | AI原価の低下分の一部(例:3分の1)を年1回、単価の引下げで還元する |
| 人間への引継ぎ | 引継ぎの条件と、その処理も成果単価に含まれることの明記 |
| データの利用権 | 個別企業が特定されない形に加工したうえで、例外処理パターンを他社向けの改善に使う権利 |
| 責任の上限 | 損害補填の上限(例:直近12か月の支払額)と、保険による裏付け |
| 契約終了時の引継ぎ | 業務手順書と処理データを顧客に返還する義務 |
最後の条項は一見不利ですが、「解約しにくくて不安」という中堅企業の導入障壁を下げる効果のほうが大きくなります。
5. オペレーティングモデル:エージェント組織の設計
5.1 組織の全体像
本事業の中核は、人間の会社組織と同じように役割と権限を分けたエージェントの階層構造です。
flowchart TB
H1["人間:業務責任者<br>(顧客ごと)"] --> O["統括エージェント<br>業務の割当・進捗管理"]
O --> A1["受注エージェント"]
O --> A2["請求エージェント"]
O --> A3["消込エージェント"]
O --> A4["督促エージェント"]
A1 --> V["検証エージェント<br>(実行とは別モデル)"]
A2 --> V
A3 --> V
A4 --> V
V -->|合格| T["実行ツール層<br>基幹システム・銀行・メール"]
V -->|不合格・不確実| E["例外処理キュー"]
E --> H2["人間:例外処理担当"]
H2 --> K["ナレッジ層<br>例外パターンの蓄積"]
K --> A1
K --> A3
T --> L["監査記録<br>全判断と根拠を保存"]
L --> H3["人間:品質監査担当"]5.2 エージェントの役割定義
| エージェント | 役割 | 権限 | 使用するモデル |
|---|---|---|---|
| 統括 | 業務の受付、担当エージェントへの割当、期限管理、顧客への進捗報告 | 割当と状態変更のみ。基幹システムへの書込み権限なし | 中型モデル |
| 受注 | 注文書の読取、品目・単価のマスタ照合、登録データの作成 | 登録データの作成まで。確定は検証後 | 文書読取に強いモデル+中型モデル |
| 請求 | 請求データの作成、インボイス要件の確認、送付文面の作成 | 作成まで。送付は検証後 | 小型モデル中心 |
| 消込 | 入金と請求の照合候補の作成、差額理由の推定 | 照合候補の提示まで | 中型モデル+ルールエンジン |
| 督促 | 期日超過の検知、督促文面の作成、送付タイミングの判断 | 第1段階の督促まで自動。第2段階以降は人間の承認 | 小型モデル |
| 検証 | 他のエージェントの出力を、原本・マスタ・ルールと突き合わせて判定 | 合格・不合格・要確認の判定のみ | 実行側とは別の提供者のモデル |
| ナレッジ | 例外処理の結果を分析し、手順とルールを更新する案を作成 | 更新案の作成まで。反映は人間の承認 | 高性能モデル(低頻度で実行) |
5.3 設計の要点:信頼性は「掛け算」で崩れる
多段の業務では、各工程の成功率が高くても全体の成功率は大きく下がります。工程数を ( n )、各工程の成功率を ( p ) とすると、全体の成功率は次のとおりです。
[
P_{\text{全体}} = p^{n}
]
例えば ( p = 0.98 )、( n = 10 ) の場合、( 0.98^{10} \approx 0.82 ) となり、5件に1件近くで誤りが生じます。Gartnerがエージェント案件の4割超の中止を予測する主因はここにあります。本設計では、次の4つで対処します。
| 対策 | 内容 |
|---|---|
| ① 計算と照合はAIにさせない | 金額計算、税額計算、マスタ照合は確定的なプログラム(ルールエンジン)で実行する。AIは「読む・判断する・説明する」に限定する |
| ② 工程ごとに検証する | 最後にまとめて確認するのではなく、各工程の出力を検証してから次に進む |
| ③ 実行と検証を別のモデルにする | 同じモデルは同じ誤り方をしやすい。検証は別の提供者のモデルで行う |
| ④ 不確実なものは止める | 確信度が基準を下回る処理、金額が閾値を超える処理、初めて見るパターンは人間に回す |
検証で誤りの90%を捕捉できれば、顧客に届く誤りの率は次のようになります。
[
\text{顧客に届く誤り率} = (1 - P_{\text{全体}}) \times (1 - \text{検証の捕捉率}) \approx 0.18 \times 0.1 = 1.8%
]
これでもSLAの99.5%に届きません。そのため、①の確定的処理への置換で工程あたりの成功率を上げ(( p = 0.995 ) で ( P_{\text{全体}} \approx 0.95 ))、②〜④と組み合わせて誤り率を0.5%未満に抑えます。信頼性は単一のモデルの賢さではなく、組織設計で作るものというのが本事業の中核的な考え方です。
5.4 権限設計
エージェントには人間の社員以上に厳しい権限管理を行います。
| 原則 | 内容 |
|---|---|
| 最小権限 | 各エージェントは担当業務に必要なシステムとデータにのみアクセスできる |
| 書込みの二重化 | 基幹システムへの書込みと外部への送付は、実行エージェントと検証エージェントの両方の合格が必要 |
| 金額の閾値 | 1件あたりの金額が閾値(顧客ごとに設定)を超える処理は人間の承認を必須にする |
| 不可逆な操作の禁止 | 支払実行、マスタの削除、契約条件の変更はエージェントに許可しない |
| 顧客間の分離 | 顧客ごとにデータと実行環境を分け、他社のデータにアクセスできない構造にする |
5.5 エージェント組織の定義例
エージェントの役割、権限、使用モデル、引継ぎ条件は、コードと同じように設定ファイルで管理し、変更履歴を残します。
# File: agents/o2c_org.yaml
organization:
name: o2c-operations
customer_isolation: true
audit_log:
retention_years: 10
record: [input, output, model, prompt_version, verdict, approver]
models:
router:
default: mid-tier-a
fallback: mid-tier-b
verifier:
provider_must_differ_from_executor: true
agents:
- id: coordinator
role: 業務の受付・割当・期限管理
model: mid-tier-a
permissions:
- queue:read
- queue:assign
write_to_erp: false
- id: order_intake
role: 注文書の読取と受注登録データの作成
model: document-reader-a
tools:
- ocr_extract
- master_lookup
- price_calculator
permissions:
- erp:draft_order
escalate_when:
confidence_below: 0.92
new_customer_format: true
amount_over_jpy: 5000000
- id: cash_matching
role: 入金と請求の照合候補の作成
model: mid-tier-a
tools:
- bank_statement_reader
- matching_engine
permissions:
- erp:draft_matching
escalate_when:
confidence_below: 0.95
unmatched_amount_over_jpy: 10000
multiple_candidates: true
- id: verifier
role: 原本・マスタ・ルールとの突合による判定
model: verifier-b
verdicts: [pass, fail, review]
permissions:
- erp:approve_draft
- id: collections
role: 期日超過の検知と督促
model: small-tier-a
permissions:
- mail:send_reminder_stage1
requires_human_approval:
- reminder_stage2
- reminder_stage3
human_roles:
- id: exception_specialist
handles: [review, fail, escalation]
- id: quality_auditor
sample_rate: 0.02
- id: engagement_lead
owns: customer_relationship5.6 人間の役割
本事業の人間は「作業者」ではなく、エージェント組織の監督者・例外処理の専門家・顧客との信頼の担い手です。
| 役割 | 人数の目安 | 主な業務 | 求める能力 |
|---|---|---|---|
| 業務責任者 | 顧客5〜10社に1人 | 顧客との関係、成果の報告、契約範囲の調整 | 経理業務の知識、顧客折衝 |
| 例外処理担当 | 処理件数に比例 | エージェントが止めた案件の判断、判断理由の記録 | 経理実務の経験、判断の言語化 |
| 品質監査担当 | 全体で数名 | 抜き取り監査、誤りの原因分析、SLAの管理 | 監査・内部統制の経験 |
| エージェント運用担当(Agent Ops) | 全体で数名〜十数名 | 手順とルールの更新、モデルの切替、性能の監視 | 業務とAIの両方の理解 |
| 導入担当 | 新規導入の数に比例 | 業務分析、システム接続、並行運用 | 業務分析、システム連携 |
例外処理担当の判断記録が、本事業の最も重要な資産です。例外を処理するたびに「なぜそう判断したか」を構造化して残し、それがナレッジエージェントによって手順とルールに反映されます。
6. 技術アーキテクチャ
6.1 レイヤー構成
| レイヤー | 内容 | 内製か外部利用か |
|---|---|---|
| 基盤モデル | 複数の提供者の大規模言語モデル | 外部利用(開発しない) |
| モデルルーター | 処理の難易度に応じて小型・中型・高性能モデルを振り分け、費用を最適化 | 内製 |
| エージェント実行基盤 | 役割・権限・引継ぎの定義、工程管理、再実行 | 内製(オープンソースを活用) |
| ルールエンジン | 金額計算、税額計算、マスタ照合、インボイス要件の判定 | 内製(確定的なプログラム) |
| 接続層 | 基幹システム、銀行データ、EDI、メール、FAXの読取。MCPサーバーとして提供 | 内製+接続製品の活用 |
| ナレッジ層 | 業務手順、顧客ごとのルール、例外パターンの蓄積 | 内製(堀の中核) |
| 監査・観測層 | 全判断の記録、品質の可視化、費用の可視化 | 内製 |
| 顧客接点 | 進捗画面、承認画面、月次レポート、顧客側AIからの呼出し窓口 | 内製 |
6.2 モデルの使い分けによる原価管理
AI原価を抑える最大の手段は、すべての処理に高性能モデルを使わないことです。
| 処理の種類 | 比率の目安 | 使用モデル | 1件あたり費用の目安 |
|---|---|---|---|
| 定型(過去と同じ形式の注文書、完全一致の入金) | 60〜70% | ルールエンジン+小型モデル | 数円 |
| 準定型(軽微な差異、一般的な例外) | 20〜30% | 中型モデル | 十数円〜数十円 |
| 難易度の高い処理(初見の形式、複雑な一括入金) | 5〜10% | 高性能モデル | 数十円〜百円台 |
| 判断不能 | 2〜10% | 人間の例外処理担当 | 数百円〜千円台 |
6.3 外部との接続:エージェント間取引への対応
MCPサーバーの提供:顧客の社内AIや他社のエージェントが、本事業の機能(受注状況の照会、請求書の再送、入金予定の登録)を直接呼び出せるようにする
A2A等のエージェント間通信規格への対応:顧客の取引先が使うエージェントからの問合せ(請求書の照会、支払予定の連絡)に、自社のエージェントが応答できるようにする
将来の決済接続:円建てステーブルコインやエージェント決済規格による入金に対応できるよう、消込エンジンを決済手段に依存しない設計にしておく
7. 堀の設計:データの循環
7.1 循環の仕組み
flowchart LR
A["顧客の業務を受託"] --> B["例外が発生"]
B --> C["人間が判断し<br>理由を構造化して記録"]
C --> D["ナレッジ層に<br>パターンとして蓄積"]
D --> E["次回から<br>エージェントが自動処理"]
E --> F["自動化率が上がり<br>粗利が改善"]
F --> G["単価を下げても<br>利益が出る"]
G --> H["競合より安く<br>品質も高い"]
H --> A7.2 何が堀になるか
| 堀 | 内容 | なぜ模倣されにくいか |
|---|---|---|
| 例外パターンの蓄積 | 振込名義の表記ゆれ、取引先ごとの値引き慣行、一括入金の組合せ方 | 実際に業務を運営しないと得られず、公開データには存在しない |
| 業界ごとの業務手順 | 業種別(機械、化学、食品卸など)の受注・請求の慣行 | 顧客を重ねるほど精度が上がる |
| 成果責任の実績 | 品質保証を数年間守り続けた記録 | 新規参入者は実績がなく、成果契約を結んでもらえない |
| 顧客のシステム接続 | 基幹システム、銀行、EDIとの接続と運用 | 切替の手間が乗換えの障壁になる(ただし契約終了時の返還義務で顧客の不安は抑える) |
7.3 データの権利管理
顧客の取引データそのものは顧客の資産であり、他社向けには使わない
他社向けに使うのは、企業や個人が特定されない形に加工した例外処理のパターンに限る
この利用範囲を契約で明記し、顧客の同意を得る
個人情報(取引先担当者名など)は個人情報保護法に沿って取り扱い、学習用途に使う場合は加工と同意の要否を確認する
8. ユニットエコノミクス
8.1 1件あたりの原価構造
[
\text{1件原価} = \text{AI原価} + \text{検証原価} + (1 - a) \times \text{例外1件の人間コスト} + \text{品質事故引当}
]
( a ) は自動化率(人間を介さずに完了した比率)です。入金消込を例に、次の仮定で計算します。
| 項目 | 仮定値 |
|---|---|
| 顧客が人間で処理した場合の1件コスト | 300円 |
| 成果単価 | 200円(約33%の割引) |
| AI原価 | 1件平均10円 |
| 検証原価 | 1件平均5円 |
| 例外1件の人間コスト | 600円(難しい案件が集まるため平均より高い) |
| 品質事故引当 | 1件5円 |
| 自動化率 | 1件原価 | 粗利 | 粗利率 | 段階 |
|---|---|---|---|---|
| 70% | (10 + 5 + 0.30 \times 600 + 5 = 200)円 | 0円 | 0% | 導入直後(赤字ライン) |
| 85% | (10 + 5 + 0.15 \times 600 + 5 = 110)円 | 90円 | 45% | 半年後の目標 |
| 92% | (10 + 5 + 0.08 \times 600 + 5 = 68)円 | 132円 | 66% | 1年後の目標 |
| 96% | (10 + 5 + 0.04 \times 600 + 5 = 44)円 | 156円 | 78% | 成熟期 |
利益の大半は自動化率で決まり、AI原価の影響は小さいことが分かります。したがって、経営資源はモデルの選定よりも、例外処理のナレッジ化に集中させるべきです。
8.2 感度分析用のシミュレーション
価格、自動化率、AI原価を変えたときの粗利と、顧客1社あたりの年間粗利を計算するスクリプトです。
# File: unit_economics.py
from dataclasses import dataclass
@dataclass
class Assumptions:
price_per_unit: float = 200.0
ai_cost_per_unit: float = 10.0
verify_cost_per_unit: float = 5.0
human_cost_per_exception: float = 600.0
quality_reserve_per_unit: float = 5.0
monthly_volume: int = 8000
base_fee_monthly: float = 300000.0
def unit_cost(a: Assumptions, automation_rate: float) -> float:
exception_cost = (1.0 - automation_rate) * a.human_cost_per_exception
return (
a.ai_cost_per_unit
+ a.verify_cost_per_unit
+ exception_cost
+ a.quality_reserve_per_unit
)
def monthly_revenue(a: Assumptions) -> float:
usage = a.price_per_unit * a.monthly_volume
return max(usage, a.base_fee_monthly)
def gross_margin(a: Assumptions, automation_rate: float) -> tuple[float, float]:
revenue = monthly_revenue(a)
cost = unit_cost(a, automation_rate) * a.monthly_volume
profit = revenue - cost
margin = profit / revenue if revenue > 0 else 0.0
return profit, margin
def main() -> None:
base = Assumptions()
print("自動化率別(入金消込・月8,000件)")
print(f"{'自動化率':>8} {'1件原価':>8} {'月間粗利':>12} {'粗利率':>8} {'年間粗利':>14}")
for rate in (0.70, 0.80, 0.85, 0.90, 0.92, 0.96):
profit, margin = gross_margin(base, rate)
print(
f"{rate:>8.0%} {unit_cost(base, rate):>8.0f} "
f"{profit:>12,.0f} {margin:>8.1%} {profit * 12:>14,.0f}"
)
print()
print("AI原価が半分になった場合(自動化率92%)")
cheaper = Assumptions(ai_cost_per_unit=5.0, verify_cost_per_unit=2.5)
profit, margin = gross_margin(cheaper, 0.92)
print(f"粗利率 {margin:.1%}(AI原価の低下は利益への影響が小さい)")
print()
print("単価を2割引き下げた場合(自動化率92%)")
discounted = Assumptions(price_per_unit=160.0)
profit, margin = gross_margin(discounted, 0.92)
print(f"粗利率 {margin:.1%}(高い自動化率なら値下げ競争に耐えられる)")
if __name__ == "__main__":
main()8.3 顧客単位の経済性
中堅製造業1社(受注3,000件、請求4,000件、消込8,000件/月)の例です。
| 項目 | 金額 |
|---|---|
| 月間売上 | 受注75万円+請求60万円+消込160万円=295万円 |
| 年間売上 | 約3,540万円+導入費500万円 |
| 年間粗利(自動化率92%時、粗利率約65%) | 約2,300万円 |
| 獲得費用(営業・導入の人件費、マーケティング) | 約800万〜1,200万円 |
| 獲得費用の回収期間 | 約5〜7か月 |
| 顧客側の効果 | 経理・営業事務の担当者6〜10人分の業務を代替。年間の削減額は約2,000万〜3,500万円 |
顧客にとっては担当者を減らすのではなく、採用できない人員の穴を埋め、既存の担当者を判断業務に移す提案になります。人手不足の日本では、この訴求の方が経営層に受け入れられやすくなります。
9. 自社の組織設計
9.1 人間の組織
| 部門 | 1年目 | 3年目 | 役割 |
|---|---|---|---|
| 経営 | 3 | 5 | 経営、財務、法務・コンプライアンス |
| 業務運営(例外処理・品質監査) | 10 | 35 | 顧客業務の監督、例外処理、監査 |
| Agent Ops・開発 | 8 | 25 | エージェント基盤、接続、ナレッジ層、モデル運用 |
| 導入・顧客成功 | 4 | 15 | 業務分析、導入、関係維持 |
| 営業・パートナー | 3 | 10 | 新規顧客の獲得、パートナー連携 |
| 合計 | 28 | 90 | |
3年目に顧客80〜100社、売上20億〜30億円を想定すると、1人あたり売上は約2,500万〜3,300万円になります。従来型BPO(800万円前後)の3〜4倍です。
9.2 自社業務のエージェント化
| 自社業務 | エージェントの担当 | 人間の担当 |
|---|---|---|
| 営業 | 見込み顧客の調査、提案書の初稿、業務量の試算 | 商談、関係構築、契約判断 |
| 導入 | 顧客の業務フローの分析、手順書の初稿、接続テスト | 顧客との合意形成、例外の確認 |
| 経理 | 自社の請求・消込・経費精算(自社サービスを自社で使う) | 決算判断、監査対応 |
| 採用 | 候補者の一次選考、日程調整 | 面接、最終判断 |
| 品質監査 | 抜き取り対象の選定、誤りの傾向分析 | 監査判断、是正策の決定 |
9.3 評価と報酬
これまでの分析で、営業の評価制度を変えないと成果課金への移行が進まないことを確認しました。本事業では最初から成果課金に合わせた評価制度を設計します。
| 職種 | 評価の中心となる指標 |
|---|---|
| 営業 | 獲得した契約の粗利(売上ではない)と、1年後の継続率 |
| 業務運営 | 担当顧客の自動化率の改善幅、品質基準の達成、例外判断の記録の質 |
| Agent Ops | 全体の自動化率、1件あたり原価、重大な誤りの件数 |
| 顧客成功 | 継続率、追加業務の受託、顧客満足度 |
例外処理担当は、自分の仕事を減らすこと(ナレッジ化による自動化)で評価される仕組みにします。これが人間とエージェントが競合せず協働する組織の条件です。
10. 市場開拓
10.1 導入の4段階
成果契約の最大の障壁は顧客の不安です。いきなり本番を任せるのではなく、段階を踏みます。
| 段階 | 期間 | 内容 | 顧客の負担 |
|---|---|---|---|
| ① 診断 | 2〜4週間 | 過去3か月分のデータで業務量、例外率、想定効果を試算 | 無償または低額 |
| ② シャドー運用 | 1〜2か月 | 顧客の担当者が通常どおり処理し、エージェントは並行して処理するだけ。結果を比較 | 導入費の一部 |
| ③ 並行運用 | 1〜2か月 | エージェントが処理し、顧客の担当者が全件または抜き取りで確認 | 導入費の残額 |
| ④ 本番運用 | 継続 | エージェントと自社の人間が業務を担い、顧客は月次で成果と品質を確認 | 基本料+成果単価 |
シャドー運用で「自社の担当者と同等以上の精度」を数字で示すことが、成果契約を結ぶ決め手になります。
10.2 販売チャネル
| チャネル | 内容 | 狙い |
|---|---|---|
| 直販 | 中堅製造業・商社への直接営業 | 初期の実績づくりと業務知識の獲得 |
| 会計事務所・税理士法人 | 顧問先への紹介 | 中堅企業との信頼関係を持つ紹介者 |
| 基幹システムの販売会社 | 導入済み顧客への追加提案 | 接続の容易さと既存顧客基盤 |
| 地方銀行 | 取引先への業務改善支援として紹介 | 地域の中堅企業へのアクセス。入金データとの親和性 |
| 業界団体 | 業種別の共同導入 | 業界ごとの業務手順の早期蓄積 |
10.3 提案の訴求点
「人を減らす」ではなく「採用できない人員の穴を埋める」
「AIツールを導入する」ではなく「業務の成果を、品質保証付きで請け負う」
「新しいシステムを覚える」ではなく「今の基幹システムはそのまま使う」
「解約しにくい」不安に対して「終了時に手順書とデータを返還する」
11. ガバナンス・法務・リスク管理
11.1 法的な論点
| 論点 | 内容 | 対応 |
|---|---|---|
| 業務委託の形態 | 顧客の指揮命令下で働く形になると、労働者派遣とみなされるおそれ | 成果の請負として契約し、業務の進め方は自社が決める構造にする。人間の担当者が顧客から直接指示を受けない運用にする |
| 取引の適正化 | 中小企業から業務を受託する場合や、自社が外部に再委託する場合の取引規制 | 中小受託取引適正化法(2026年1月施行)など、委託取引の規制を確認し、支払条件と書面交付を整える |
| 個人情報 | 取引先担当者の氏名、連絡先を扱う | 委託先としての安全管理措置、再委託先(モデル提供者)の管理、海外移転の有無と同意の確認 |
| 電子帳簿保存法・インボイス | 請求書の発行と保存を代行する | 要件を満たす保存方法と、改ざん防止の記録を整える |
| AI規制 | AI推進法とその基本計画、海外顧客がいる場合はEUのAI規則 | 利用目的、リスク評価、人間の監督の記録を整える |
| 責任の所在 | AIの誤りによる損害 | 責任上限の設定、専門職業賠償責任保険やサイバー保険への加入、モデル提供者との契約条件の確認 |
11.2 リスクと対策
| リスク | 影響 | 対策 |
|---|---|---|
| 重大な誤り(請求額の誤り、誤送付) | 顧客の信用毀損、損害補填 | 金額閾値による人間の承認、送付前の二重検証、保険 |
| モデル提供者の値上げ・仕様変更・停止 | 原価上昇、品質低下 | 複数提供者の併用、検証用の評価データでの即時比較、切替手順の整備 |
| 情報漏えい | 顧客の信用喪失、法的責任 | 顧客ごとの環境分離、学習に使われない契約のモデル利用、アクセス記録の監視 |
| 顧客の内製化 | 解約 | 自社のAIでは得られない例外ナレッジと品質保証で差別化する。内製化が進んだ顧客には、監督・監査サービスへの転換を提案する |
| 大手BPO・SIerの参入 | 価格競争 | 参入者は既存の人月売上を食う構造的な障害を抱えている。その間に実績と自動化率で先行する |
| 自動化率が上がらない | 粗利が出ない | 業務と顧客の選別(例外率が高すぎる業務は受託しない)、導入前の診断の精度向上 |
11.3 撤退と方針転換の基準
| 指標 | 基準 | 判断 |
|---|---|---|
| 導入6か月後の自動化率 | 80%未満が半数以上の顧客で続く | 対象業務の見直し |
| 顧客の12か月継続率 | 80%未満 | 品質と価格の見直し |
| 粗利率 | 2年目末で40%未満 | 業務範囲の絞込みまたは価格体系の変更 |
| 重大な誤り | 品質基準を2四半期連続で未達 | 新規受託を停止し、品質改善に集中 |
12. 財務計画(説明用の概算)
12.1 3年間の損益の見通し
| 項目 | 1年目 | 2年目 | 3年目 |
|---|---|---|---|
| 顧客数(期末) | 10社 | 40社 | 90社 |
| 売上 | 約1.5億円 | 約8億円 | 約24億円 |
| 粗利率 | 約30% | 約50% | 約62% |
| 粗利 | 約0.5億円 | 約4億円 | 約15億円 |
| 販管費・開発費 | 約4億円 | 約8億円 | 約12億円 |
| 営業損益 | 約▲3.5億円 | 約▲4億円 | 約+3億円 |
| 期末人員 | 28人 | 55人 | 90人 |
1年目は導入直後の顧客が多く、自動化率が低いため粗利率が低くなります。顧客ごとの自動化率の上昇に伴い、粗利率が改善していく構造です。
12.2 資金調達
| 時期 | 調達額の目安 | 用途 | 達成すべき条件 |
|---|---|---|---|
| 創業時 | 3億〜5億円 | 基盤開発、初期10社の導入 | 業務知識を持つ創業メンバーと、初期顧客の内諾 |
| 1年半後 | 10億〜15億円 | 営業とパートナーの拡大、第2段階の業務領域 | 10社以上の本番運用、自動化率90%超、継続率90%超 |
| 3年後 | 必要に応じて | 第3・第4段階の領域、M&A | 黒字化、成果型売上の安定 |
設備(GPU・データセンター)に資金を使わないため、資本効率は高くなります。これは、債務とSPVで設備投資を賄うAIインフラ層とは逆の、シナリオBにも耐えられる財務構造です。
12.3 M&Aの選択肢
中長期では、後継者不在の中小BPO事業者や経理代行会社の買収が有効な選択肢になります。買収先の顧客基盤と業務知識を取り込み、エージェント組織に移行させることで、人月型の利益率を本事業の利益率へ引き上げられます。
13. シナリオ別の耐性
| シナリオ | 本事業への影響 | 対応 |
|---|---|---|
| A. 持続成長 | AI導入の機運が高まり、顧客獲得が容易になる。一方で競合も増える | 自動化率と品質実績で先行し、業界別の業務手順を早く蓄積する |
| B. 調整後に再加速 | AI関連の投資熱が冷め、資金調達は一時的に難しくなる。一方でAI原価は大きく下がる | 早期の黒字化で資金調達への依存を下げる。原価低下を値下げ余力に変え、シェアを取る |
| C. 長期停滞 | 企業のAIへの期待が下がり、「AI」という言葉では売れなくなる | もともと「AI」ではなく「業務成果と品質保証」を売っているため影響は限定的。人手不足という需要はAIの景気と無関係に続く |
本事業は、どのシナリオでも需要の源泉(人手不足と業務量)が変わらず、原価(AI価格)は下がる方向にしか動かない構造を持っています。これがAIインフラ層や基盤モデル層との最大の違いです。
14. 実行ロードマップ
| 期間 | 主要な取組み | 到達目標 |
|---|---|---|
| 0〜6か月 | 創業メンバーの確保(経理実務、AI、営業の3領域)。入金消込に絞った基盤の開発。3社でシャドー運用 | シャドー運用で人間と同等以上の精度を確認 |
| 6〜12か月 | 受注・請求へ範囲を拡大。10社で本番運用。成果契約の型と価格体系を確定 | 自動化率85%、品質基準の達成、継続率90% |
| 12〜24か月 | パートナーチャネルの立ち上げ。購買〜支払領域の追加。業種別の業務手順の整備 | 40社、粗利率50%、1人あたり売上1,500万円 |
| 24〜36か月 | 月次決算支援、資金繰り予測、与信管理へ拡大。顧客側AIからの呼出し窓口を本格提供。ステーブルコインなど新しい決済手段への対応の試行 | 90社、黒字化、1人あたり売上2,500万円 |
| 36か月〜 | 製造業の技術サポート・保守受付へ展開。小規模BPO事業者の買収による拡大 | Physical AI領域の現場データへの接続 |
15. 経営の指標
| 区分 | 指標 | 3年目の目標 |
|---|---|---|
| 収益性 | 粗利率 | 60%以上 |
| | 1件あたり原価 | 毎年20%以上の低下 |
| | 1人あたり売上 | 2,500万円以上 |
| 運営品質 | 自動化率(全業務平均) | 92%以上 |
| | 顧客に届いた誤りの率 | 0.5%未満 |
| | 重大な誤りの件数 | 四半期ゼロ |
| 顧客 | 12か月継続率 | 90%以上 |
| | 売上の純増率(既存顧客の追加受託を含む) | 120%以上 |
| | 獲得費用の回収期間 | 9か月以内 |
| 堀 | 蓄積した例外パターン数と、そのうち自動処理化された比率 | 継続的に増加 |
| | 業種別の業務手順の数 | 主要5業種以上 |
| 費用構造 | AI費用の売上比率 | 10%未満 |
| | 単一のモデル提供者への依存度 | 60%未満 |
16. 設計の核心
この事業設計は、これまでの分析を次の5点に集約しています。
ツールではなく成果を売る:Phase 3の売り物である「労働の成果」を、品質保証付きで請け負う
利益は自動化率から生まれる:AI原価ではなく、例外処理のナレッジ化が利益を決める。だから人間の判断記録が最大の資産になる
信頼性は組織設計で作る:多段の誤りの累積を、確定的処理への置換、工程ごとの検証、別モデルによる検証、不確実な処理の停止で抑える
AIを作らず、AIの価格低下を利益に変える:設備を持たないため、AI投資の調整局面でも原価が下がる側に立てる
人間を減らすのではなく、人間の役割を変える:作業者から、監督者・例外処理の専門家・顧客との信頼の担い手へ移す
なお、本設計の数値はすべて説明用の仮定値です。実際の事業化にあたっては、対象業務の人件費、例外率、AI原価を候補顧客の実データで検証し、法務面(業務委託の形態、個人情報、取引規制)は専門家の確認を経る必要があります。また、2026年6月以降のAI価格、規制、エージェント間取引の規格の動向は把握していないため、最新情報での確認が前提になります。