見出し画像

AI時代のGTM戦略（後編）― 粗利を蝕む2つのリスクと、Palantirという到達点

Mayu Kudo | 工藤 真由 | Globis Capital Partners

はじめに：AI時代、売上成長の裏に潜むリスクとは

前編では、「AIネイティブはProduct LedのGTMを確立できないかぎり破綻する」を起点に、その「Product Led」とは（A）獲得のPLGではなく、（B）経済構造としてのproduct-led、すなわち「ハイタッチにLANDし、プロダクトが自律的にEXPANDして、高NRR（Net Revenue Retention）を実現する」という形を指すのだ、と論じました。そして、その自律的EXPANDが実際にどんなメカニズムで起きているのかを、3つの型で整理しました。

  • 型1 AI業務移管型（Sierra・Decagon・Parloa・Abridge）：AIが賢くなって担える業務範囲が広がる。拡大は「AIが処理・解決した量」＝推論量に乗る。

  • 型2 データ堆積型（Glean・Harvey）：蓄積されたデータ基盤の上に、次のユースケースが載る。拡大は「繰り返し参照される基盤」に乗る。

  • 型3 ユーザー資産型（Writer）：ユーザーが新規制作した業務資産が組織内で共有・再利用される。拡大は「現場が作り込むストック」に乗る。

そして前編の最後に、この3つには共通して二つの落とし穴が潜むことに触れました。

AI時代の高NRRに潜む二つの落とし穴 ― 一つは、拡大が粗利をむしろ削る「COGS（売上原価）連動の罠」（型1の弱点）。もう一つは、AIが人を代替するほど席が減りうる「シート課金リスク」（シート課金を柱に持つ型2・型3の弱点）。

この二つの落とし穴は、同じ観点から解決の糸口が見えてきます。拡大を「流れ続けて消えていくもの（推論・人数）」ではなく、「積み上がって残るストック資産（データ・ワークフロー・ユーザー資産）」に乗せ替えられるか。そして、その到達点としてPalantirを参照します。

後編では順に、二つのリスクを数字で解剖し（第1章・第2章）、両者の出口が一点に集約されることを示し（第3章）、結論へ進みます。

第1章：AI時代の高NRRが抱えるリスク① ― COGS連動の罠

前編で見たとおり、型1（AI業務移管型）は、AIが賢くなり、担える業務範囲・解決件数・処理件数が増えるほど課金対象が広がる——3つの型のなかで、EXPANDが最も直接的に売上へ連動する型です。

ところが、この「売上連動が最も直接的な」型こそが、最も深い罠を抱えます。拡大そのものが推論コストを連れてくるのです。AIが対応できる業務が広がるほど売上は伸びますが、同時に推論・実行・監視のCOGSも増える。これが「COGS連動の罠」です。

なぜ罠が生まれるのか ― 従来SaaSとの決定的な違い

「AI時代、NRRが高いことが、必ずしも粗利の伸びに相関しない」ということを、改めて定量的に見ていきたいと思います。

従来のSaaS（席課金）では、拡大は粗利の伸びにほぼ直結しました。粗利率80%のSaaSで、基準売上100の顧客がNRR130%に拡大したとします。増えた売上は+30。追加席に伴う限界コストはごくわずかなので、拡大分の限界粗利率をほぼ100%とみなせば、増えた30はほぼ丸ごと粗利になります。粗利は80→110へ、伸び率にして+37.5%。売上の伸び（+30%）すら上回ります。限界コストがかからないからこそ、拡大すれば粗利率はむしろ改善する。これがSaaSの黄金時代の心地よさでした。

ところが成果課金・消費課金のAIネイティブ（＝型1）では、拡大＝利用増＝推論COGS増です。拡大分の粗利率は、もはや100%ではなく「単価あたりのCOGS比率」で決まってしまいます。仮に単価あたりCOGSが35%なら、拡大分の限界粗利率は65%。NRRが130%でも、その増えた30の中身は粗利率65%にしかならない。

そしてもし単価あたりCOGSが65%、80%と上がっていけば、拡大分の限界粗利率は35%、20%まで落ちます。この水準まで来ると、拡大すればするほど「粗利率の低下」を緩和するどころか、むしろ増幅してしまうのです。

成果課金が抱える、もう一段深い罠 ― 解決率の非対称性

型1のなかでも成果課金（outcome-based pricing）型には、さらに厄介な構造があります。課金できるのは「成功した解決」だけなのに、推論COGSは失敗・エスカレーションを含む全試行に発生する、という非対称性です。

試行1件あたりの推論COGSが、1解決の売上の20%だったとします。解決率が高ければ問題ありません。けれど解決率が下がると、1件の課金を得るために何件もの「課金されない試行」のコストを背負うことになります。

筆者作成

注目してほしいのは、試行1件あたりのCOGS（20%）は一定なのに、解決率が90%から30%へ落ちるだけで、拡大分の限界粗利率が78%から33%へ急落する点です。プロダクトの賢さ（解決率）が、そのまま粗利率に直結する。逆に言えば、解決率を上げ続けるプロダクト改善こそが、このモデルにおける最大のマージン防衛策なのです。

Sierraが、そもそもFDE（Forward Deployed Engineer）を顧客に張り付かせ、ジャーニー設計・ガードレール設計、時には他サービスのデータ基盤と接続するためのAPI構築まで行うなど手厚くLANDしたうえで、プロダクト側でも解決率を執拗に上げ続けているのは、まさにこの罠を和らげるためだと読めます。

タスク（検索・分類・ツール実行・トーンなど）ごとに最適なモデルを当て、足りなければ自社でファインチューンする「Constellation of Models」、一次エージェントの出力を別の監督エージェントが点検するsupervisorレイヤー、そして会話を解決まで導けるかを基準に磨き込んだ専用の検索・リランキングモデルを重ね、本番投入前には大規模シミュレーションと回帰テストで「同じ失敗を繰り返させない」品質を作り込む。

こうした打ち手の総和が、推論COGSに対する課金される解決の比率を地道に引き上げているのです。 

※本章のSaaS／AIの粗利率比較および解決率の表は、限界粗利率・単価あたりCOGS・解決率を仮置きした様式化された例示であり、特定企業の実数ではありません。構造を直感的に掴むためのものとしてご覧ください。

罠の出方を決めるのは「課金軸」ではなく「型」

COGS連動の罠は、しばしば「成果課金・消費課金という課金軸の問題」として語られます。けれど、それは正確ではありません。罠の本当の原因は、マネタイズモデルではなく自律的EXPANDの型のほうにあるのです。

Glean（型2）はシート＋従量課金ですが、COGS連動の罠を相対的に外しやすい位置にいます。拡大の主軸が、毎回の推論量ではなく、堆積したデータ基盤の上に次のユースケースが載ることにあるからです。 逆にAbridgeは、診療件数に連動する利用ベースであるぶん、罠が強く出やすい位置にいます——拡大が診療件数＝推論量に乗るからです。マネタイズモデルだけでは罠の出方を見誤りやすく、自律的EXPANDの型を見る方が本質に近い。だから問うべきは「成果課金か消費課金か」ではなく、その拡大が"推論量"に乗っているのか、"堆積資産"に乗っているのかです。

推論量に乗る拡大（型1）は、1件捌くたびにトークンを消費するので、拡大するほどCOGSがついてくる（罠が強く出る）。一方、堆積資産に乗る拡大（型2・型3）は、一度構築したデータ基盤や業務資産を再利用できるため、拡大してもCOGSが処理量に単純比例しにくい（罠を相対的に外しやすい）。

ではストック型（型2・型3）は安全なのかというと、そうではありません。これらの型は、COGS連動の罠は相対的に外している代わりに、別のリスクを抱えています。それが、次章のシート課金リスクです。

第2章：AI時代の高NRRが抱えるリスク② ― シート課金リスク

AIが人を代替するほど、席は減りうる

型2・型3は、収益の柱の一つにシート課金を持つケースが多いです。SaaS時代も多くの企業が採用していたシート課金ですが、ここにAI時代固有の逆風が吹きます。

既に多くの方が認識しつつあるように、AIが顧客側の業務を肩代わりするほど、顧客は人員＝席を減らしうるのです。従来のSaaSなら、利用が深まることはユーザー数の増加を意味しました。ところがAIが人の仕事を代替する世界では、利用が深まるほど顧客は人を減らせる。席に売上が紐づいていると、拡大どころか縮小に転じかねない——これが「シート課金リスク」です。皮肉なことに、AIが優秀であるほど、シート課金の土台は掘り崩されていきます。

型2・型3は「席の外」に資産を積んで備える

このリスクに対し、型2・型3には、席から独立して積み上がる資産によってリスクを和らげる余地があります。型2はデータ基盤、型3はユーザー作成資産。これらは「人の数」とは独立に積み上がるため、席がAIに圧縮されても、顧客の中に残った資産は減りません。 

ただし、ここで一段深く見る必要があります。「moatとなる資産がシート数から独立している」ことと、「マネタイズモデルがシート数から独立している」ことは、別の話だからです。

とえmoatがシート数と切り離されていても、マネタイズモデルがシート課金のままであれば、レベニューの水準と成長余地はなおシート数に縛られます。この「moatの分離」と「マネタイズモデルの分離」がどこまで進んでいるか——それが、同じ型2に見えるGleanとHarveyの違いを分けています。

Glean ― moatもマネタイズモデルも席から剝がす

Gleanは、moatとマネタイズモデルの両方に手をかけています。

moatの側。Enterprise Graph——接続済みデータ、権限マッピング、人物・業務文脈、その上で動くエージェント——は、いずれも席数から独立して積み上がります。少人数でも全社データは繋がり、権限マップもグラフも堆積する。だから席がAIに圧縮されても堀は減りません。

マネタイズモデルの側。Gleanの巧さは、席課金の上に「FlexCredits」という組織単位の従量メーターを載せ、これをエージェント実行やAI処理——つまり席数ではなく「AIがこなした仕事の量」——に連動させたことです。すると、席を減らすはずの現象（人の仕事をエージェントが肩代わりすること）が、そのままFlexCreditsの利用に転換される。仕事は消えず、人が都度AIに問いかける形から、エージェントが裏側で処理を回す形へ移るだけです。そして後者は、シート数ではなく、処理量や成果に応じて課金される。シート課金リスクと従量課金の上振れが、同じmoatの上で表裏になる——これが、シート課金リスクへの一つの解答です。

ただし、置き換わった1席が生む従量収益が、失われた席収益を上回って初めて、リスクはアップサイドに反転します。下回れば、moatがあってもレベニューは静かに溶けていく。だからGleanのような企業で本当に問うべきは「従量比率が伸びているか」ではなく、「自動化された仕事1単位あたりの従量捕捉額が、置き換わった席の収益を上回っているか」になるのです。

Harvey ― moatは積み始めたが、マネタイズモデルはまだ席に賭ける

Harveyも、自社判例に対して使うVaultで法務データ基盤（型2的なmoat）を深め、ユーザーがノーコードでワークフローを組むAgent Builderで、ユーザー自身が作る資産（型3的なmoat）まで積み始めています。いずれも席から独立した資産で、これはシート課金から卒業するための「芽」だと言えます。moatの分離という方向は、Gleanと同じです。

違うのはマネタイズモデルの側です。Harveyは少なくとも公開情報上、高単価なシート課金が中心に見えます。FlexCreditsのような席非依存の従量課金モデルを、まだ持っていません。

なぜまだ席課金なのか。それは、弁護士の高い時給に席単価をアンカーできるため、現状はシート課金のほうがROIを説明しやすく、マネタイズしやすいからだと考えられます。加えてそこには「弁護士は法的に必要とされ続ける職種だ」という見方もあります。法律業務には、有資格者が判断に介在し責任を負うことが制度的に要求される領域があり、弁護士という"席"は、カスタマーサポートのエージェント席（Sierraらが代替を狙う）よりも構造的に消えにくい。「席が崩れる前提で再メーター化するGlean」に対し、「当面は席は制度的に守られているから崩れない、と賭けるHarvey」という対比です。

ただしHarveyの賭けも盤石ではありません。弁護士という職種は残っても、AIが案件あたりの稼働時間を圧縮すれば、時間で稼ぐ法律事務所の席予算には間接的な下押しがかかる。さらに、席の大半を占めるアソシエイトの作業こそ、AIが最も代替しやすい層です。加えて、Harveyはフラットな席課金のなかで推論COGSを自社が飲み込んでいるとみられ、席あたりの利用が深まるほどマージンが削られる。だからHarveyにとっても、いずれGleanのように、席とは別のマネタイズモデルを立てられるかが重要な論点となるでしょう。

高NRRの「持続性」は、AI時代にこそ問われる

整理すると、シート課金リスクを見分ける物差しは2つです。moatを席から剝がせたか／マネタイズモデルを席から剝がせたか。Gleanは両方に手をかけ、Harveyはmoatには手をかけつつ、マネタイズモデルは職種の堅牢性に賭けて据え置いている。なお、はじめから席の外（Skills・Playbook）に価値を積む型3のWriterは、設計上この点で先行しています。

AI時代は、「AIが人を代替する」ことが、型1にとっては追い風（移管量の拡大）であると同時に、シート課金にとっては逆風です。だからこそ、高NRRの持続性は、SaaS時代よりもむしろ厳しく問われるようになります。

第3章：Palantirという到達点

ここまで見た各社は、いずれも二つのリスクを和らげている「途上」にありますが、その到達点として参考になる事例がPalantirです。

前編の言葉で言えば、Palantirは型2（データ堆積）を究極まで突き詰め、その上で型3（顧客が業務ロジックを構築する）を融合させた企業です。前編で「実務では型2と型3は融合しがちだ」と述べましたが、Palantirはその融合形の一つの到達点だと言えます。

Palantirの秀逸さは、価値と課金の重心が「推論」ではなく「Ontology（企業データを、現実の業務対象・関係・操作に結びつける運用レイヤー）」にあることです。型1のように、価値提供の中心が「LLMがどれだけ多くの業務を処理するか」に寄るモデルでは、スケールするほど推論・ツール実行・監視のCOGSも増えやすい。LLMをエンジンとして動かし続ける構造は、クエリのたびにトークンを消費するからです。

ところがPalantirが課金するのは、一度構築すれば繰り返し参照される「企業固有の文脈という資産」——コンテキストレイヤー、ワークフロー、ガバナンスです。この資産は、大きく2つの効果を生みます。

一つは、原価の側の効果です。価値が再利用可能な構造資産に宿るため、拡大してもCOGSが処理量に単純比例しにくくなります。まず、Ontologyはクエリごとに作り直すものではありません。初期構築には重いコストがかかりますが、その後は同じ構造を多数のユースケースで再利用できるため、初期構築コストは追加ユースケース全体に薄くならされていきます。

さらに、整備済みの構造そのものが、LLMが担う文脈整理の負荷を軽くします。エンティティ、権限、業務文脈がすでに構造化されていれば、LLMが毎回ゼロから文脈を探索する必要は小さくなり、同じ価値を出すための推論量も抑えやすくなる。固定費が薄まり、変動費も抑えられる——この二つの経路によって、第1章で見た「COGS連動の罠」を構造的に外しているのです。

もう一つは、レベニューの側の効果です。その構造に顧客の業務が載るほど離れられなくなり、スイッチングコストと高NRRが生まれます。課金の重心が席数ではなく、「業務が載った資産」とその上で動くワークフローに移っているため、第2章で見たシート課金リスクを相対的に受けにくくなります。

つまりPalantirの強さは、高NRRそのものだけではなく、その増分売上の「質」にあります。高NRRといっても、追加売上の大部分が推論・ツール実行・運用コストとして消える企業と、高い粗利として残る企業では、企業価値への効き方がまったく異なります。

Palantirの場合、拡大は単なるAI利用量ではなく、すでに構築されたOntology、データ接続、権限設計、ワークフローの上に乗ります。初期導入では重い投資が必要ですが、一度企業固有の業務基盤ができると、その上に保全AI、生産計画AI、発注最適化AIといった次のユースケースを重ねていける。追加ユースケースごとに価値とACVは広がる一方で、初期導入と同じだけのデータ接続や業務設計を毎回やり直すわけではありません。ここに、基盤型ビジネスとしての営業レバレッジがあります。

そして、ここで第1章と第2章が一本につながります。Palantirは、原価の側ではCOGS連動の罠を外し、レベニューの側ではシート課金リスクを相対的に受けにくい構造を持つ。二つのリスクの出口が、「拡大をストック資産に乗せる」という一点に集約されているのです。

ただし、PalantirのOntologyは、Foundry／Gotham由来の長年の蓄積と、FDEによる重いLAND——顧客の業務に深く入り込み、データと業務ロジックを資産として作り込むサービス——の上に、ようやく積み上がった堀です。初期導入の重さを引き受け、その後の拡大を高い限界利益率で回収していく構造は、明日から新興AIネイティブが簡単に複製できるものではありません。

だからこそPalantirは、「真似すべき手本」というより、「拡大を推論量や席数だけに依存させず、データ・ワークフロー・業務ロジックという資産へ乗せ替えていけるか」を問う参照軸として読むのが正確です。その複製の難しさ自体がmoatの源泉であり、AI時代に高NRRと高粗利を両立させる方向を、最も鮮明に示している事例だと考えられます。

結論：NRRの質は「拡大が何に乗るか」で決まる 

冒頭の問題提起——「Product LedのGTMを確立できないかぎり破綻する」——に、前後編を通じて私なりの答えを出すと、こうなります。

その「Product Led」は、(A)獲得のPLGではなく、(B)経済構造としてのproduct-ledです。その経済構造は、前編で見た3つの自立的EXPANDの型として、すでに現れ始めています。そして、それが「高粗利」とも両立するための最後の条件が、本稿で見た一本の軸——拡大を、流れ続けるもの（推論・人数）ではなく、積み上がって残るストック資産（データ・ワークフロー・ユーザー資産）に乗せ替えること——でした。

各社の現在地は、この軸の上に並べるとわかりやすく整理できます。Sierra（型1）は解決率で推論COGSを薄め、罠を浅くしにいっている。Glean（型2）はmoatもマネタイズモデルも席から剝がし、ストックへの移行を最も進めている。Harvey（型2）はmoatを積みつつ、マネタイズモデルはまだ席に賭けている。Writer（型3）は、はじめから席の外のユーザー資産に価値を積む。そしてPalantirは、その軸の終点にすでに達している。

では、AI時代のNRRの「質」を見るなら、何を問うべきか。突き詰めれば、それは「拡大が何に乗っているか」です。

推論量に乗っているのか、データに乗っているのか、ユーザー資産に乗っているのか。型1なら、ブレンドの粗利率ではなく、増分売上そのものの限界粗利率と、解決率の推移を見る。型2・型3なら、席から独立した堆積資産がどれだけ厚いか、そしてマネタイズモデルがどれだけ席から離れているかを見る。この順番で数字を見ていけば、「NRR130%」という数字が、粗利を増やし続ける拡大なのか、それとも粗利を削り、あるいは席ごと縮みうる拡大なのかが、はっきり見えてきます。

AI時代に問われるのは、プロダクトやAI機能だけではありません。ビジネスモデルそのもの、とりわけ「拡大を何に乗せ、それをどのように収益化するか」という設計です。単価を上げること、価格決定力を磨くことも、もちろん重要です。けれど、それはフローの土俵で粗利率を押し返す戦いにとどまりやすい。フローに乗ったままの拡大は、どれだけNRRが高く見えても、推論COGSを連れてくるか、あるいは席数の縮小にさらされます。ストックに乗せ替えられた拡大だけが、AI時代に高NRRと高粗利を両立させる。

既存プレイヤーにとっては、既存の収益構造をどう設計し直すか。AIネイティブスタートアップにとっては、その構造を最初からどう作り込むか。拡大を何に乗せ、それをどのように収益化するのか——その問いへの答えが、AI時代のNRRの「質」を決めるのだと思います。

補注：本稿（後編）で参照した主なソース

第1章（COGS連動の罠）：Sierra・Abridge

第2章（シート課金リスク）：Glean・Harvey・Writer

第3章（Palantirという到達点）

※注：本記事に記載の数値・日付・ファクトは、2026年6月10日時点で確認できた公開情報に基づきます。本記事の執筆にはAIを活用していますが、最終的な編集および事実確認は筆者が行っています。本記事は筆者個人の見解・分析であり、筆者が所属する企業・団体の公式見解を示すものではありません。また、特定の投資判断や事業判断を推奨するものではありません。


いいなと思ったら応援しよう！