第071章 AI企業の企業価値はどう決まるのか？
AI企業の企業価値はどう決まるのか。この問いは、いま最も頻繁に語られ、最も曖昧に語られている。理由は単純である。「AI企業」という一語が、費用構造も参入障壁もまったく違う複数の企業を、ひとまとめに括ってしまっているからだ。本章は個別企業の評価を扱わない。それは第IX巻・第X巻に譲る。ここで行うのは、産業を層に分け、層ごとに企業価値の決まり方がどう違うかを、構造として示すことである。
1 なぜ、いまこの問いが立つのか
「AI企業」という言葉は、この数年で日常語になった。経営会議でも、投資家との対話でも、金融機関との面談でも使われる。しかし、その語が何を指しているかは、話者ごとに違う。
半導体を設計する企業も、データセンターを運営する企業も、基盤モデルを開発する企業も、すべて「AI企業」と呼ばれる。その上でサービスを作る企業も、AIで業務を組み替えた既存企業も、同じ呼び方をされる。これらの企業は、資本の必要量が桁で違う。利益が出るまでの年数も違う。競争が終わる条件も違う。
同じ言葉で違うものを語れば、議論は必ず噛み合わない。「AI企業の株価は高すぎるか」という問いが延々と決着しないのは、答えが層によって違うからである。
私たちは第VII巻 062で、AI時代の企業価値の源泉が、蓄積された資産から再定義能力へ移ることを論じた。あれは源泉の議論だった。本章が扱うのは業界構造である。同じ源泉の理論を使っても、産業のどの層に立つかで、価値の現れ方は変わる。
なぜ、いまこの整理が必要なのか。理由は二つある。
第一に、資本が特定の層へ集中しているからである。集中は、その層の企業価値を押し上げると同時に、他の層の費用を押し上げる。ある層の繁栄は、別の層の負担でできている。
第二に、多くの経営者が、自社がどの層にいるかを意識しないまま、他の層の物差しで自社を測っているからである。基盤モデルの企業に当てはまる評価軸を、AIを使う製造業に当てはめても、何も見えない。
したがって問いは、こう立て直される。AI企業の企業価値はどう決まるのかではなく、産業のどの層に立つ企業の価値が、どの要因で決まるのか。
2 通説とその限界
現在、三つの答えが広く流通している。いずれも部分的には正しい。しかし、いずれも層を分けていない。
通説1「AIは成長産業だから、AI企業の企業価値は高くなる」
最もよく聞く答えである。市場が伸びるのだから、そこにいる企業の価値も伸びる。直感的には正しい。
しかし、産業の成長率と、その産業内での価値の分配は、別の問題である。歴史は、伸びた産業の企業が儲からなかった例を繰り返し示してきた。航空輸送は需要が伸び続けたが、輸送する側に利益は残らなかった。太陽光パネルも同様である。
需要が伸びても、供給側の企業が同質なら、価格は費用まで下がる。残るのは、供給側に構造的な制約がある場合だけである。制約とは、技術の累積性、設備の規模、あるいは顧客が離れられない事情を指す。
つまり、成長は必要条件にすぎない。誰が価値を受け取るかは、成長ではなく構造が決める。
この点は、AI産業ではとくに見落とされやすい。AIの利用が拡大すれば、産業全体の売上は確かに増える。しかし、増えた売上がどの層に留まるかは、まったく別の問題である。上の層が支払った金額の多くが、そのまま下の層へ流れていくなら、上の層に残るものは薄い。
通説2「AI企業の価値は、モデルの性能で決まる」
二つ目は、性能の議論である。より賢いモデルを持つ企業が勝つ、という主張である。
しかし、性能は陳腐化する。ここが従来の技術産業との決定的な違いである。工場設備は十年使える。特許は年単位で守られる。しかし、あるモデルの性能上の優位は、はるかに短い周期で追いつかれてきた。
性能で語るなら、比較すべきは二つの速度である。追随者が差を詰める速度と、顧客が乗り換えるのに要する手間の大きさ。前者が速く後者が小さければ、性能の優位は企業価値に変換されない。
さらに、性能は層をまたいで意味が変わる。下の層にとって性能は商品だが、上の層にとって性能は仕入れ条件である。同じ性能向上が、一方では収益源、他方では値下げ圧力になる。
通説3「結局は、データを持つ企業が勝つ」
三つ目は、データ障壁の議論である。データは複製できないから、持つ企業が優位に立つ。これも部分的に正しい。
しかし、データはすべてが同じ価値を持つわけではない。公開されたテキストや画像は、希少ではない。希少なのは、事業の運用のなかでしか生まれないデータである。設備の故障履歴、与信の判断結果、施術の経過、現場の暗黙の判断。これらは市場では買えない。
そして、データにも陳腐化がある。顧客の行動は変わる。設備は入れ替わる。三年前のデータが、今日の判断を支えるとは限らない。データが障壁になるのは、それが継続的に生成され続ける仕組みを企業が握っているときだけである。
三つの通説に共通する欠落三つとも、「AI企業」を単一の産業として扱っている。実際には、AI産業は縦に積み重なった複数の層でできている。層が違えば、費用構造も、回収期間も、障壁の種類も、価値が残る条件も違う。
分析を始める前に、私たちはまず、この括りを解かなければならない。
3 再定義 — 分析単位は「AI企業」ではなく「層」である
Future Value Theory の観点から、本章の中心命題を述べる。「AI企業」という単位は、企業価値の分析単位として成立しない。成立する単位は、産業の層である。
AI産業は、少なくとも五つの層に分けられる。下から順に見ていく。
3.1 第一層 — 計算基盤層
半導体の設計と製造、そのための製造装置、素材。AIの計算そのものを可能にする層である。
この層の特徴は、技術の累積性と設備の規模にある。一世代の製造技術は、前の世代の上にしか築けない。設備は巨額で、稼働までに年数がかかる。結果として、世界で作れる企業の数が構造的に絞られる。
この層の企業価値は、需要の大きさよりも、供給できる企業が何社あるかで決まる。少なければ、価格決定力は供給側に残る。ただし、需要そのものは自分では作れない。上の層が投資を止めれば、この層の需要は消える。強いが、独立してはいない。
3.2 第二層 — インフラ層
クラウド、データセンター、そしてそれを支える電力と冷却。計算を、使える形にして届ける層である。
この層の特徴は、巨額の先行投資と長い回収期間にある。建てた設備は減価する。技術世代が変われば、償却が終わる前に競争力を失うこともある。したがって、設備そのものは資産であると同時に負債的な性質を持つ。
この層の企業価値を決めるのは、設備ではない。設備の上に載った顧客との関係である。データを預け、業務を接続し、権限設計を組み込んだ顧客は、簡単には離れられない。稼働率は結果であって、原因ではない。
3.3 第三層 — 基盤モデル層
大規模なモデルを訓練し、提供する層である。
この層は、他のどの層とも性質が違う。訓練には巨額の費用がかかるが、完成したモデルは資産として長くは残らない。次の世代が出れば、前の世代の経済的価値は大きく減る。工場は残るが、モデルは残らない。したがって、この層の企業価値は、いま持っているモデルの性能では決まらない。次のモデルを出し続ける能力で決まる。資金、計算資源、人材、学習の速度。これらが途切れた瞬間、この層の企業は価値の源泉を失う。
ここに、Future Value Theory が最も鮮明に当てはまる。過去の成果ではなく、創り続ける能力そのものが価値である。第一原理の第二項が述べるとおりである。Future Value Precedes Enterprise Value. 企業価値の前に、未来価値がある。
3.4 第四層 — アプリケーション層
基盤モデルを使い、特定の業務や顧客に向けたサービスを作る層である。
この層の特徴は、参入の容易さにある。初期投資は小さい。技術の多くは下の層から調達できる。だからこそ、企業数は多く、入れ替わりも速い。
この層の企業価値を決めるのは、技術ではなく、顧客の業務にどれだけ深く埋め込まれたかである。単なる便利な道具は代替される。業務の手順そのものになった道具は代替されない。
この層は、下の層に対して二重の関係を持つ。下の層の値下げは、この層の利益になる。しかし、下の層が機能を上へ広げれば、この層の存在理由は削られる。仕入先が競合になりうる、という不安定さを構造的に抱えている。
3.5 第五層 — AIを使う既存企業
最後の層は、AIを売らない企業である。製造業、小売、医療、金融、建設、地方の中小企業。AIは商品ではなく、投入要素である。
この層は、AI産業の議論では脇に置かれがちである。しかし、企業数でも雇用でも、圧倒的多数はここにいる。そして本章の読者の大半も、ここに立っている。
この層の企業価値の決まり方は、他の四層と根本的に違う。詳しくは第5節で論じる。
3.6 層と層は、どうつながっているか
五つの層を並べただけでは、まだ半分である。層の間の関係を見なければならない。
第一の関係は、資金の流れである。下の層の収益は、上の層の支出でできている。 第五層がAIに払う金額が第四層の売上になり、第四層が払う金額が第三層の売上になる。この連鎖は、最終利用者が実際に価値を感じているかどうかに、最後は依存する。連鎖の末端で価値が生まれていなければ、上流の収益は一時的なものになる。
第二の関係は、費用の流れである。上の層の利益は、下の層の価格に縛られる。下の層が値下げすれば上の層の利益は増え、値上げすれば削られる。第四層と第五層は、この感応度が高い。
第三の関係は、機能の侵食である。どの層も、上へ機能を伸ばそうとする誘因を持つ。計算基盤は道具を提供しようとし、基盤モデルは応用まで手を伸ばそうとする。したがって、ある層の企業価値は、その層の内部の競争だけでは説明できない。隣接する層の動きが、その層の存在理由そのものを揺らすからである。
3.7 層は固定ではない
三点を注記しておく。
第一に、企業は複数の層にまたがりうる。またぐことは統合の利益を生むが、同時に、どの層の物差しで評価されるかを曖昧にする。
第二に、層の境界は動く。ある層が上下へ機能を伸ばせば、隣接する層の存在理由は縮む。層の地図は、数年ごとに描き直す必要がある。
第三に、どの層にいても、Future Value Chain の順序は変わらない。Purpose → Learning → Redefinition → Creation → Enterprise Value変わるのは、Redefinition の対象と周期である。層が下へ行くほど周期は長く、上へ行くほど短い。
4 構造 — 層を読むための五つの要因
層ごとの違いを、私たちは五つの要因で読む。この五つは、どの層にも当てはまる共通の物差しである。
第一に、設備投資の規模と回収期間。 投じた資本が戻るまでの年数が長いほど、企業価値は将来の需要見通しに依存する。見通しが揺れれば、価値も揺れる。第一層と第二層は、この感応度が高い。
第二に、スイッチングコスト。
顧客が他社へ移るときに失うものの大きさである。データ、業務手順、教育、接続。これが小さい層では、性能の優位は価格競争に流れる。
第三に、モデルの陳腐化速度。 技術資産が経済的価値を失うまでの時間である。速いほど、蓄積は効かず、再投資の能力が価値を決める。第三層で最も速い。
第四に、データの参入障壁。 前述のとおり、障壁になるのは継続的に生成されるデータだけである。第五層は、この点でしばしば過小評価されている。
第五に、ユーザーとの接点。 誰が最終利用者と直接つながっているか。接点を持つ層は、需要の変化を最初に知り、価格を最後に決める。接点を失えば、部品供給者になる。
4.1 方程式で骨格を与える
Future Value Theory の中核式は、この五要因を一行に束ねる。Value = Purpose × Trust × Capability × Timeこの式が掛け算であることを見落としてはならない。足し算なら、一つが弱くても他で補える。掛け算なら、一つがゼロになった瞬間、全体がゼロになる。
Capability が高くても Trust がゼロなら、価値は生まれない。データを預ける判断は、性能ではなく信頼で決まるからである。Purpose がゼロなら、資本は方向を持たない。
そして Time の意味が、層ごとに違う。第一層の Time は、設備が回収されるまでの年数である。第三層の Time は、次の世代が出るまでの月数である。同じ式が、層ごとに違う時間軸で作用する。
もう一つ、時間そのものを扱う式がある。
Future Value = Future Time × Future Capability未来価値は、未来へ向けられた時間と、未来を創る能力の積である。どちらか一方ではない。第三層の企業が資金を得ても、学習の速度が伴わなければ価値にならない。第五層の企業がAIで時間を得ても、その時間を未来へ向けなければ価値にならない。
4.2 資本の構成を見る
層ごとの強さの違いは、資本の構成にも現れる。
Future Capital = Financial × Human × Learning × Trust × AI × Knowledge ×Ecosystem × Purposeこれも掛け算である。第一層は Knowledge と Financial が厚い。第二層は Trust と Ecosystem が厚い。第三層は Learning と AI が厚い。第四層は Ecosystem と Trust に依存する。第五層は Human と Knowledgeに眠った資本を持つ。
どの層にも、ゼロに近い項がある。企業価値の差は、厚い項の高さではなく、薄い項をどこまで引き上げたかで決まる。
5 実像 — 評価の難しさと、既存企業の立ち位置
5.1 なぜAI企業の評価は難しいのか
四つの理由がある。
第一に、技術変化が速い。評価とは将来を折り込む作業だが、折り込むべき前提が、評価している最中に変わる。
第二に、収益化の前に巨額の投資が先行する。費用は今日計上され、収益は数年後に現れる。この期間、財務諸表は企業の実態を示さない。損失の大きさは、失敗の証拠にも、投資の規模の証拠にもなりうる。
第三に、参入障壁が続くかどうかが分からない。いま優位に見える企業の障壁が、三年後も有効かは、その障壁の種類による。設備の障壁は続きやすい。性能の障壁は続きにくい。両者を区別せずに評価すれば、必ず誤る。
第四に、勝者が何社になるかが読めない。一社が総取りする産業もあれば、数社が並立する産業もある。どちらになるかで、一社あたりの価値は桁で変わる。2026年8月時点で、AI産業のどの層がどちらの形に落ち着くかは、まだ確定していない。
この四つは、どれも「情報が足りない」種類の困難ではない。構造が未確定である種類の困難である。分析を精緻にしても解消しない。
この性質は、経営者にとって実務的な含意を持つ。未確定な構造を前に、確定した数字を作ろうとしてはならない、ということである。精密な事業計画は、前提が確定している領域でのみ意味を持つ。ここで必要なのは、単一の見通しではなく、条件の明示である。どの条件が成り立てば自社の前提が保たれ、どれが崩れれば見直すのか。それを先に書いておくことである。
5.2 「AI企業だから高く評価される」という状態
2026年8月時点で、AIに関わるという事実そのものが、企業の評価を押し上げる場面が見られる。この状態を、私たちはどう理解すべきか。まず、これは不合理とは限らない。構造が未確定なとき、市場は確率の束を価格にする。勝者になる可能性が小さくても、勝ったときの価値が極端に大きければ、期待値は高くなる。高い評価は、確信の表明ではなく、分散の表明でもありうる。
しかし、危うさは別のところにある。危ういのは価格の高さではなく、層の区別が失われることである。「AI企業」という括りで一括して評価されるとき、構造的に強い層と、そうでない層が、同じ物差しで測られる。この状態では、資本は最も価値を残しやすい場所へ向かわない。
この状態が続く条件を、留保を付して述べる。以下は予測ではなく、条件の整理である。
続く条件は三つである。第一に、上の層の投資意欲が維持されること。下の層の収益は、上の層の支出でできている。第二に、性能の向上が利用の拡大に結びつき続けること。第三に、投資の回収時期についての見通しが、大きく後ろへずれないこと。
崩れる条件も三つである。第一に、どこかの層で供給が需要を明確に上回ること。第二に、性能の差が縮み、層の内部が同質化すること。第三に、収益化までの年数が、当初の見通しより長いと広く認識されること。いつどちらへ向かうかを、私たちは断定しない。2026年8月時点で確実に言えるのは一つだけである。崩れるとき、崩れ方は層ごとに違う。 一括りの評価は一括りで崩れない。層ごとに、時間差で、違う幅で調整される。したがって経営者が備えるべきは、市場全体の見通しではなく、自社の層の条件である。
5.3 AIを使う既存企業の企業価値
そして、第五層である。ここが、本章の読者の大半にとって最も切実な論点である。
まず、確認しておくべきことがある。AIを導入したこと自体は、この層の企業価値をほとんど動かさない。導入は数年のうちに全社の標準になる。標準になったものは、差にならない。会計システムを導入していることが競争優位でないのと同じである。
では、何が価値を決めるのか。三つある。
第一に、AIが生んだ余力を、何に配分したか。 AIは時間と人手を返す。返された余力の使い道は二通りしかない。費用の削減として回収するか、新しい価値の創造へ投じるか。前者は一度きりの効果で終わる。後者は積み上がる。同じ導入をした二社の差は、導入の巧拙ではなく、この配分の違いから生まれる。
第二に、自社の事業からしか出ないデータを、資産に変えているか。 第五層の企業は、下の層が決して手に入れられないデータを日々生んでいる。現場の判断、顧客との対話、設備の挙動。それらは多くの場合、記録されずに消えている。記録し、構造化し、判断に接続した企業だけが、この層で固有の障壁を持つ。
第三に、顧客との接点を保持しているか。 AIを外部から調達すること自体は問題ではない。問題は、顧客との接点まで外部の仕組みに委ねてしまうことである。接点を失った企業は、需要の変化を最後に知る立場になる。
この三つは、いずれも導入プロジェクトの成否とは別の次元にある。技術の問題ではなく、資本配分と設計の問題である。第一原理の第三項が述べるとおりである。Capital Exists to Create Possibility. 資本は可能性を創るために存在する。
ここで一つ、留保を付しておく。第五層の企業が、上の層の企業と同じ速さで再定義を迫られるわけではない。企業再定義成熟度モデル（Enterprise Redefinition Maturity Model: ERMM）は、レベル5への最速到達を目的にしてはならないと述べている。業種と環境によって適正な水準は異なるからである。基盤モデルの層で必要な周期を、規制産業の企業がそのまま真似れば、組織は消耗するだけで終わる。必要なのは、自社の層に合った周期を選ぶことである。
そしてもう一点。第五層の企業には、他の層にない強みがある。顧客の課題を、すでに持っているということである。上の層の企業は、技術を持ち、課題を探している。第五層の企業は、課題を持ち、技術を探している。どちらが有利かは、一概には言えない。
ただし、この強みは自動的には価値にならない。課題を持っているだけの企業は、課題を持ち続けるだけである。課題を Purpose として言語化し、学習と再定義の対象に据えたときに、初めて未来価値へ変わる。第一原理の第七項が述べるとおりである。Social Challenges Are Future Opportunities. 社会課題は未来価値の源泉である。
6 経営者への問い
ここまでを一行にまとめる。
AI企業の企業価値は「AI企業だから」決まるのではない。産業のどの層に立ち、その層で何が価値を残す条件になっているかによって決まる。したがって、経営者が最初に答えるべきは、自社の株価水準の妥当性ではない。自社がどの層にいるかである。最後に、三つの問いを置く。問い1 — 自社は、どの層に立っているか。そして、その層で価値が残る条件は何か。
多くの企業は、この問いに即答できない。複数の層にまたがっている企業ほど答えにくい。しかし答えられなければ、自社の企業価値がどの要因で動くかも分からない。前節の五つの要因のうち、自社に効いているのはどれか。効いていないのはどれか。この仕分けが、すべての出発点である。
問い2 — 自社の障壁は、設備の種類か、性能の種類か、関係の種類か。障壁の種類は、その持続時間を決める。設備の障壁は模倣に時間がかかる。性能の障壁は速く消える。関係の障壁は、顧客の業務に埋まっている限り残る。自社の優位が、どれに支えられているかを名指しできるか。名指しできない優位は、たいてい存在しない。
問い3 — AIが返してくれた時間を、私たちは何に使ったか。
これは第五層の企業にとって、最も重い問いである。削減された費用は、翌期の利益として一度だけ現れる。未来へ投じられた時間は、数年後に事業として現れる。予算表と時間の配分表を並べれば、その企業がどちらを選んだかは一目で分かる。
三つの問いは、いずれも「AIをどう使うか」を聞いていない。AIが変えた構造のなかで、自社はどこに立ち、何を創るのかを聞いている。
層の地図は、これからも書き換わる。境界は動き、勝者の数も変わる。2026年8月時点の地図は、数年後には古びているだろう。しかし、地図が変わっても変わらないことがある。企業価値は、その企業が未来を創る力の結果として形成される、という順序である。
第一原理の第六項は、こう述べる。Enterprise Exists to Redefine Itself. 企業は自らを再定義するために存在する。層は与えられるが、層の中でどう立つかは選べる。そして、層そのものを移ることも、企業には選べる。
AI企業の企業価値はどう決まるのか。答えは、層ごとに違う。しかし、どの層でも、決めるのは過去の蓄積ではなく、これから創る能力である。
本章のまとめ
- 「AI企業」という単位は成立しない。企業価値は、産業のどの層に立つかで決まる。
- 層ごとに価値が残る条件は違う。設備・性能・関係のどの障壁かで持続時間が変わる。
- 経営者が最初に答えるべきは、株価の妥当性ではなく、自社が立つ層の特定である。
- 層の境界は動く。層の地図は、数年ごとに描き直す必要がある。
重要概念
Future Value（未来価値）／Enterprise Value（企業価値）／Future Value Chain／Enterprise Redefinition（企業再定義）
関連概念
層の位置 → Redefinition の周期 → Capability → Future Value → Enterprise Value
関連する第一原理
Principle 2 — Future Value Precedes Enterprise Value. Principle 3— Capital Exists to Create Possibility. Principle 6 — Enterprise Exists to Redefine Itself.
関連する章
- 第VII巻 062「AI時代の企業価値とは？」— AI時代に企業価値の決まり方がどう変わるかを示す
- 第IV巻 031「AIは未来価値をどう変えるのか？」— AIが未来価値の中身をどう組み替えるかを扱う
- 第VIII巻 072「スタートアップの企業価値とは？」— 実績のない企業に値がつく仕組みを扱っている
- 第IX巻 081「NVIDIAは何を再定義したのか？」— 計算基盤層に立つ企業の実例として読める
関連論文・既刊
- Kadowaki, N. (2026). Future Value Theory: A Management Framework for Enterprise, Capital, and Society in the Age of AI. VURA Working Paper. SSRN: https://ssrn.com/abstract=7120980 ／ Zenodo: https://doi.org/10.5281/zenodo.21255662
- Kadowaki, N. (2026). Enterprise Redefinition: Toward an Enterprise Evolution Theory for the Age of AI. VURA Working Paper.（Zenodoにて公開。SSRNは審査中）
- 『AI時代の経営100の問い』#085「AI時代、お金はどこに集まるのか？」
次に読むべき章
→ 第VIII巻 072「スタートアップの企業価値とは？」
第VIII巻 AI時代の資本戦略