独自データが最も価値あるAIの防壁になる可能性

人工知能は企業が利用しやすくなっています。主要なモデルはクラウドプラットフォームを通じてライセンス取得でき、オープンソースシステムはカスタマイズ可能で、AIアシスタントが一般的な業務ソフトウェア内に登場しています。この拡大する利用可能性は投資家に重要な問いを投げかけます: 競合が同様のモデルにアクセスできる場合、持続的なAIの優位性はどこから生まれるのでしょうか？

Research Policyに掲載された新しい研究¹は、答えは企業が人工知能と独自データ、組織的知識、人的専門知識をどれだけ効果的に組み合わせるかにあると示唆しています。その中心的主張は、AIを従来のソフトウェアツールとして扱うべきではなく、組織内の別の学習エージェントになるということです。

この区別は重要です。AIを購入しただけでは企業の学習能力が自動的に向上するわけではありません。企業は依然として、関連データ、運用環境を理解した従業員、モデルを構成できる技術チーム、そしてAIが生成したインサイトを行動に変換するプロセスを必要とします。これらの能力を早期に組み合わせた企業は、再現が次第に困難になる優位性を築く可能性があります。

AIは企業の知識吸収方法を変えている

経営研究者は、企業が価値ある外部知識を認識し、理解し、商業的に活用する能力を表すために『吸収能力（absorptive capacity）』という用語を使用します。従来、このプロセスは研究、コミュニケーション、トレーニング、経験によって支えられる人間の活動と見なされてきました。

新しい論文は、この枠組みだけではもはや不十分であると主張しています。最新のAIシステムは情報をスキャンし、パターンを検出し、無関係な領域のデータを組み合わせ、可能な説明や解決策を生成できます。単に従業員が情報を取得できるように保存するだけでなく、AIは組織が何を検索し、見つけたものをどのように解釈するかに影響を与えることができます。

これにより、研究者が『二重学習アーキテクチャ』と呼ぶものが生まれます。人間の学習は経験、文脈、連想、判断によって導かれ続けます。機械学習はデータ全体に見られる統計的関係を通じて機能します。両者はそれぞれ異なる強みと弱みを持ち、どちらか一方だけでは十分ではありません。

これは、経済全体で浮かび上がっている広範な教訓を裏付けています: 組織が情報を解釈し、行動に移すことができて初めて価値が生まれます。最近のSecurities.ioによるAIが小規模事業者に新たな機会を提供しているという報道でも、AI能力と起業家能力は相補的であり、置き換え可能ではないことが示されました。

データヘリテージは複利的な企業資産になる可能性がある

論文で最も有用な概念の一つはデータヘリテージです。これは、企業が蓄積したデータの量、種類、品質、そして歴史を指します。

従来のデータベースは主に受動的です。情報は人や事前に定義されたプログラムが取得・分析するまで保存されます。AIは新たな情報がシステムのパターン認識や将来の知識生成方法を変えることができるため、蓄積されたデータをより能動的にします。

例えば、製造業者は何年にもわたる保守記録、生産測定、欠陥報告、設備ログ、技術者の観察結果を保有しているかもしれません。競合は同等のAIソフトウェアを購入できるかもしれませんが、その運用履歴を即座に再現することはできません。既存企業のデータは、モデルが故障を診断し、生産を最適化し、記録作成時には明らかでなかった関係性を特定するのに役立ちます。

このプロセスは自己強化的になる可能性があります。より良いデータはAIシステムがどの追加情報が価値あるかを特定するのに役立ちます。企業はその結果、より良い情報を収集し、以降の分析を向上させ、さらに収集を導きます。論文は、データの取得、キュレーション、統合、管理への意図的投資を「データ吸収努力」と呼んでいます。

得られる優位性は単にデータ量が多いだけではありません。構造が不適切、関連性が低い、または偏ったデータはシステムを弱体化させます。防壁は次の要素の組み合わせから生まれます:

• 独自かつ関連性のある情報
• 信頼できる収集とガバナンスプロセス
• 運用コンテキストを理解した従業員
• AIを適応させる技術的専門知識

これは、独自の企業情報と大規模な外部データセットを組み合わせるハイブリッドデータ戦略への広範なシフトと一致しています。強力なモデルへのアクセスは一般的になるかもしれませんが、適切な内部コンテキストへのアクセスは依然として不均等です。

AIが組織的知識を保護できる方法

本研究は知識の仮想化という概念も提示しています。従業員はしばしば書き下ろしにくい専門知識を蓄積します。経験豊富な技術者は異常な振動から機械的問題を検知でき、リスクアナリストは単純なルールに落とし込めない疑わしい申請を識別できることがあります。

企業は従来、トレーニング、メンターシップ、ルーティン、共有経験を通じてこの暗黙知を保護してきました。これらの方法は価値がありますが、コストが高く、スケールが遅く、従業員の離職に脆弱です。

AIは別の可能なチャネルを提供します。意思決定、結果、文書、センサー読み取り、過去の事例で訓練されたモデルは、経験的知識の一部を数式表現にエンコードできます。これは、モデルが経験豊富な従業員が知っているすべてを文字通り理解することを意味するわけではありません。組織はその専門知識から導き出されたパターンを保護し、再利用できる可能性があります。

これにより、以前は特定の従業員やチームに結び付けられていた知識が再利用可能な企業資産に変わる可能性があります。新しい人材は組織の歴史的意思決定の一部を反映したAIシステムとやり取りでき、経験豊富な従業員はその出力を用いて見落とされた証拠を特定できるでしょう。

しかし、戦略的なジレンマがあります。暗黙知は、競合が容易にコピーできないために価値があることが多いです。その知識を仮想化すると内部でのスケーラビリティは向上しますが、同時にセキュリティ、ガバナンス、所有権に関する懸念も生じます。機密のトレーニングデータ、モデルの重み、ワークフローが漏洩すれば、企業は意図せずに運用上の優位性の一部を転嫁してしまう可能性があります。

人間と機械の判断はつながっている必要がある

論文は、領域知識とAI知識の効果的な調整を「認知的二重性」と呼んでいます。この能力は、データサイエンティストを経験豊富なマネージャーと並置するだけでは不十分です。両者は互いに理解し、挑戦できる必要があります。

領域の専門家は、モデルが信頼できない、訓練環境外で動作している、あるいは相関と因果を混同しているときにそれを認識できる程度のAIリテラシーが必要です。技術チームは、どの成果が重要で、どの制約がデータだけからは推測できないかを理解できる十分な領域知識が必要です。

その橋がなければ、企業は二つの相反するリスクに直面します。従業員がAIの提案を過度に信頼し、エラーや過去のバイアスが大規模に拡散する恐れがあります。あるいは、システムの推論が不慣れまたは十分に説明できないために有用な発見を拒否することもあります。

これにより、企業が類似した基盤モデルを使用しても、エンタープライズAIプロジェクトが大きく異なる結果を生む理由が説明できます。パフォーマンスは周囲の学習システムに依存します。世界経済フォーラムもAI対応データ、従業員スキル、適切なモデル、責任あるガバナンスをエンタープライズ全体でAIをスケールさせるための相互に関連した要件として特定しています。

研究が明らかにしたAI駆動型学習の結果

この研究は概念的レビューと、イタリアの中小規模AIファースト企業8社で実施した40件のインタビューを組み合わせました。参加者は医療、金融、クリエイティブコンテンツ、データ管理、予測、リスク分析の技術・管理職に就いていました。

このフレームワークは有用ですが、限界も重要です。これは、これらの能力が利益や株主リターンを増加させるという定量的証拠ではなく、理論構築的な定性研究です。参加企業はどれも従業員数が250人未満で、すべて同一国内に拠点を置いていました。大企業、低技術産業、異なる経済環境でモデルを検証するためのさらなる研究が必要です。

ServiceNowはエンタープライズAIワークフローへのエクスポージャーを提供する

この変化へのエクスポージャーを求める投資家にとって、ServiceNowは適切な例を提供します。同社のプラットフォームはエンタープライズデータ、ワークフロー、従業員、そしてますます自律的になるAIエージェントを結びつけます。この位置付けは、AIの価値がモデル単体ではなく、組織プロセスとの統合から生まれるという論文の主張と密接に一致しています。

ServiceNowはWorkflow Data Fabric、AI Control Tower、そして自律分析機能を拡大しています。同社はリアルタイムエンタープライズデータ基盤を、AIシステムに統治された運用コンテキストを提供する手段として説明しています。Securities.ioはまた、UiPathとエージェント型自動化市場に関する報道を通じて隣接する機会を検証しています。

投資案件はリスクがないわけではありません。エンタープライズソフトウェアの競争は激しく、AI機能はバンドルされたコモディティになる可能性があり、顧客は広範なプラットフォーム導入のコストや複雑さに抵抗するかもしれません。ServiceNowは、AI製品が単に製品ラインを拡大するだけでなく、測定可能な顧客価値を創出することを示さなければなりません。

それでもなお、同社の立ち位置は論文の中心的な投資洞察を示しています。基盤モデルがより利用しやすくなるにつれ、持続的な価値はワークフローコンテキスト、統治されたデータアクセス、そして人間と機械の意思決定が実務的な行動になるシステムを制御する企業へと移行する可能性があります。

実際のAI格差は時間とともに拡大する可能性がある

新たに浮上する格差は、AIを使用する企業と使用しない企業の間ではないかもしれません。AIを孤立したツールとして扱う企業と、組織的学習システムを構築する企業との間の格差かもしれません。

独自データ、蓄積された専門知識、モデルガバナンス、横断的な協調はすべてパス依存的です。これらは時間をかけて繰り返し使用することで開発・改善されます。早期に構築し始めた企業は累積的な優位性を得られ、後発企業は単に最新モデルを購入しただけではギャップを埋められない可能性があります。

投資家にとって、これはAIの準備状況の評価方法を変えます。ソフトウェアやコンピューティングインフラへの支出は重要ですが、企業がAIを防御可能な価値に変換できるかどうかはほとんど示しません。より示唆的な質問は、企業がどのような独自情報を保有しているか、従業員の専門知識を保護できるか、技術チームが領域スペシャリストとどれだけ密接に協働しているか、AIの洞察が実際のワークフローに届くかどうかです。

したがって、次世代のAI勝者は、誰がインテリジェンスにアクセスできるかというより、誰がそれを吸収する方法を知っているかによって定義されるでしょう。

参考文献:

¹ Pedota, M. (2026). Minds and machines: 人工知能時代における吸収能力の再考. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600