最新レポートが示す「AI導入の真実」：Invisible CEO Matt Fitzpatrickが語るデータラベリング競争の行方と2億ドルARR達成への教訓

序章：AI導入の現状と潜む課題

人工知能（AI）の進化は目覚ましく、大規模言語モデル（LLM）の性能は指数関数的に向上し、私たちの日常生活に深く浸透し始めています。KPMGのレポートによれば、消費者の60%が週に一度は生成AIを利用しているとされ、その普及は驚異的なスピードで進んでいます。しかし、この技術革新がビジネスの世界、特にエンタープライズ領域にもたらす変革の道のりは、予想以上に険しいものとなっているようです。

最近発表されたMITの報告書は、衝撃的な現実を突きつけています。生成AIの企業導入のうち、実際に何らかの形で機能しているのはわずか5%に過ぎないと指摘されているのです。さらに、Gartnerは2027年までに企業のAIプロジェクトの40%が中止される可能性を予測しており、AI導入の現状が楽観視できない状況であることを示唆しています。モデルの性能が飛躍的に向上し、消費者からの採用が爆発的に進んでいるにもかかわらず、なぜ企業におけるAI導入はこれほどまでに困難なのでしょうか。

このブログ記事では、AIトレーニングとエンタープライズ向けモジュール型ソフトウェアプラットフォームを提供するInvisible社のCEOであるマット・フィッツパトリック氏の洞察を通じて、AI導入の現状と課題、そしてその解決策を探ります。マッキンゼーのシニアパートナーからAI企業のCEOへと転身した異色の経歴を持つフィッツパトリック氏は、AI業界の最前線で何を見て、何を学び、そしていかにしてInvisible社を成長させてきたのでしょうか。彼の言葉から、AIがビジネスにもたらす真の価値と、それを実現するための戦略、そしてAIが拓く未来への希望を深く掘り下げていきます。

第1章：McKinseyからAI企業CEOへ – 変革を導くリーダーの視点

マット・フィッツパトリック氏のキャリアパスは、まさに「非伝統的」と呼ぶにふさわしいものです。マッキンゼー・アンド・カンパニーに12年間在籍し、最終的にはシニアパートナーとして、同社のグローバルテクノロジー開発グループであるQuantum Black Labsを率いました。彼のマッキンゼーでのジャーニーは、AI技術の黎明期からその発展を最前線で支えるものでした。

約10年前、マッキンゼーがエンジニアの採用を開始した際、フィッツパトリック氏はこの動きの主要な推進者の一人でした。彼が参画した当初、社内のエンジニアはわずか100人でしたが、彼が退社する頃には7,000人にまで拡大していました。彼はそのうちの約5分の1のグループを監督し、すべてのアプリケーション開発、データウェアハウスインフラ、そしてグローバルな生成AIプロジェクトを指揮しました。この経験は、彼に大規模な組織内で先端技術を開発し、導入する上での深い洞察と実務的な知識をもたらしました。

Invisible社CEOへの就任は、ある意味で運命的な出会いから始まりました。約3～4年前、フィッツパトリック氏は仕事とは全く関係のない、とある対話フォーラム「Dialogue」でInvisible社の創業者であるフランシス・ラザ氏と出会います。そこでは仕事の話は一切せず、歴史、政治、テクノロジーといった幅広いテーマについて議論することが許されていました。この環境で深い友情を育んだ後、Invisible社が一定の規模に達し、米国を拠点とするCEOが必要になった際、フランシス氏から直接「弊社のCEOになりませんか？」というオファーを受けました。

このオファーに対する彼の意思決定は、決して容易なものではありませんでした。マッキンゼーでの仕事は非常に安定しており、知的刺激に満ちていました。彼はFortune 1000企業と日々AIのあらゆるトピックについて議論し、特に機械学習の初期においては非常に興味深いものを構築してきたと語ります。しかし、AIという「おそらく私たちの生涯で最も興味深いテーマ」で会社を運営し、自分が望む方法でビジネスを構築できる機会は、まさに逃すことのできないものだったのです。

フィッツパトリック氏は、意思決定のフレームワークとして「自分が尊敬する人物ならどうするか」という問いを挙げます。彼にとってそれはSequoiaのヘッドであるパット・グレイディ氏です。彼が大切にする3つの要素（良き父親、投資家、夫）を兼ね備えた人物の視点を取り入れることで、困難な意思決定に方向性を見出すのです。

しかし、最終的な決断を促したのは、彼の内なる声と、信頼するメンターからのアドバイスでした。彼は物質主義に囚われず、日々本当に楽しい仕事をし、共に働くことを楽しめる人々と「何かを築くこと」を重視しています。マッキンゼーでの10年間で大規模なものを構築した経験は彼にとって貴重でしたが、さらに20年先を見据えて「何かを構築する」ことへの情熱が勝りました。そして、彼のメンターであるセッシュ・カーナ氏からの「唯一のリスクは、この機会を逃し、挑戦しなかったことへの後悔だ」という言葉が、彼を新たな道へと進ませる決定打となったのです。

第2章：企業におけるAI導入の障壁：なぜ「サイエンスプロジェクト」で終わるのか

モデル性能の指数関数的な向上と、消費者による生成AIの爆発的な採用は、誰もが認めるところです。しかし、フィッツパトリック氏は「モデル性能の向上 ≠ 企業での成功」という厳然たる事実を指摘し、この間に存在する深い認知的不協和について語ります。MITのレポートが「GenAI導入の5%しか機能していない」と述べ、Gartnerが「40%の企業プロジェクトが2027年までにキャンセルされる」と予測する背景には、企業におけるAI導入がモデル自体の性能だけでは語れない、複合的な要因が存在します。

複雑な導入プロセスがもたらす壁

企業でのAI導入は、単に優れたモデルを「デプロイする」こと以上の意味を持ちます。それは、企業の根幹に関わる多岐にわたる要素を包含する大がかりな変革プロジェクトなのです。

データインフラの課題: モデルを効果的に機能させるには、それを支える堅牢なデータインフラが不可欠です。しかし、多くの企業ではデータがサイロ化され、断片化しており、AIモデルが利用できる形に整備されていません。
ワークフローの再設計: AIを導入するということは、既存の業務プロセスやワークフローを根本から見直し、再設計することを意味します。これは単なる技術導入ではなく、組織文化とオペレーションの変革を伴います。
説明責任と信頼性: 「どの運用リーダーがAI導入の責任を持つのか？」という問いは、意外と難しいものです。また、モデルの信頼性、オブザーバビリティ（可視性）、そしてリスク管理は、特に規制の厳しい金融や医療分野では極めて重要です。銀行の信用モデルが良い例で、導入前にはモデルリスク管理、テスト、トレーニング、検証といった厳格なプロセスが不可欠です。これらのプロセスがエンタープライズAIにおいてはまだ「最初のイニング」であり、確立には10年単位の時間がかかるとフィッツパトリック氏は見ています。

内部チーム構築の限界

多くの企業、特に銀行のようなセクターでは、AIツールを「自社で構築する」というアプローチに傾倒しています。ゴールドマンサックスが大規模な自社ツール開発を進めているのはその一例です。しかし、フィッツパトリック氏はこの内部構築のアプローチに警鐘を鳴らします。

MITのレポートは、「外部主導の構築は、内部チームによる構築よりも2倍の効果がある」と指摘しています。この背景には、外部ベンダーには明確なROI、納期、マイルストーンといった規律が求められるのに対し、内部チームには同様の規律が欠如しがちであるという現実があります。

さらに、AI開発に長けた人材は非常に希少であり、その有限なグループは主にAIスタートアップや大手テック企業に集中しています。これにより、一般的なエンタープライズ企業の内部チームでは、トップティアのAIエンジニアや開発者を確保することが困難となり、結果として開発の品質が課題となることがあります。

フィッツパトリック氏は具体的な失敗事例を挙げます。あるEコマース小売業者は、返品処理用のエージェントを構築するために2,500万ドルを費やしました。しかし、彼らが独自に構築した評価ツールは、「エージェントが迅速に問題を解決し、顧客が満足すれば成功」という単純な指標に基づいていました。問題は、エージェントが「幻覚」を起こし、「200万ドルを返金する」と答えた場合でも、迅速に解決され顧客が満足すれば「成功」と見なされてしまう点です。結局、このエージェントは数ヶ月後にシャットダウンされ、決定論的なフローに戻されました。これは、ROIが不明瞭な「サイエンスプロジェクト」に終わる典型的な例です。

CFOの役割と評価基準

このような背景から、フィッツパトリック氏はCFOがAI投資を評価する際の新たな視点の必要性を強調します。彼は、CFOがAI技術に関して高度な技術的知識を持つ必要はないと主張します。必要なのは、過去の投資判断で培ってきた「筋肉の記憶」をAI投資にも適用することです。

成功するGenAIイニシアティブの要素は以下の通りです。

良質なデータ: 特定のイニシアティブに利用できる、質の高いデータがあること。
明確なマイルストーンとアウトプット: プロジェクトの進行と成果を測る明確な基準。
明確な所有権: イニシアティブに対して、誰が責任を持つのか明確であること。
成果に基づいた支払い: 最も重要なのは「Pay as it works（機能した分だけ支払う）」という考え方。

彼は、過去20年間の「Accentureパラダイム」からの脱却を提唱します。これは、50ものアプリケーションを導入し、数億円を投じてコンサルティング会社にそれらを統合させようとするが、結局データが連携せず、何も機能しない、というような状況です。GenAIにおいては、コンタクトセンターを例に、コール解決率、コスト、ルーティングロジックといった具体的な運用指標に焦点を当て、それらの指標を改善できるベンダーを評価し、機能しなければ解雇するというシンプルなROI重視のアプローチが有効です。

最も重要なアドバイスとして、フィッツパトリック氏は「GenAIイニシアティブはテクノロジー部門ではなく、ビジネス部門が主導すべき」と述べます。コールセンターの責任者や運用部門の責任者など、明確な運用KPIを持つビジネスリーダーが主導することで、AIは「サイエンスプロジェクト」ではなく、真のビジネス価値を生み出すツールへと変革されるのです。

第3章：Invisible社の革新的アプローチ：AIを「動かす」ための戦略

企業がAI導入に苦戦する中、Invisible社は独自の革新的なアプローチでこの課題に挑んでいます。市場にはAIエージェントを提供するベンダーが溢れかえり、毎週何百もの企業が似たようなピッチを展開しています。Salesforce AI Researchのレポートが示すように、これらの市販エージェントの多くは、シングルターンで58%、マルチターンでは33%という低い精度しか達成できておらず、「実際には機能しない」という現実があります。このような飽和状態の市場で、顧客はどのベンダーを選べば良いのか、そして投資が無駄にならないかという不安に苛まれています。

「動くまで支払わない」販売戦略（Proof of ConceptとSolution Sprints）

フィッツパトリック氏は、このベンダー過多の市場における差別化の最もシンプルな方法は「テクノロジーが機能することを証明すること」だと断言します。Invisible社は、「我々は何も売っていない」と語ります。代わりに、顧客に対し「8週間、無料で我々の技術が機能することを証明します」と提案します。これをInvisible社では「ソリューションスプリント」と呼んでいます。

この無料PoC（概念実証）は、一見すると非常にコストがかかるビジネスモデルに見えます。しかし、Invisible社は少人数のフォワードデプロイエンジニアリング（FDE）チームでこれを高速に実現できるため、成立するのです。支払いが発生するのは、ソフトウェアが稼働し、ユーザー受け入れテスト（UAT）と検証に合格した後です。このアプローチは、顧客の信頼を早期に獲得し、機能しないエージェントを導入するリスクを排除します。

モジュール型AIソフトウェアプラットフォームの全貌

Invisible社のソリューションは、特定の業界や用途に特化した単一の製品ではなく、5つのモジュール型コンポーネントからなる柔軟なプラットフォームです。これにより、食品飲料、公共部門、資産運用、農業、スポーツ、石油ガスといった多様なセクターのほぼすべてのエンタープライズ要件に対応できます。

Neuron（データプラットフォーム）: 構造化データと非構造化データ（EHR、CRM、ERP、メモなど）を統合し、整理します。これは、従来のコンサルティングファームであれば2年かかるところを、Invisible社は2～3ヶ月で実現できると謳っています。
Axon（AIエージェントビルダー）: AIエージェントを構築・展開するためのモジュールです。
Atomic（プロセスビルダー）: カスタムソフトウェアワークフローを構築するためのコンポーネントです。
Meridian Expert Marketplace（専門家マーケットプレイス）: 130万人もの専門家が登録されており、特定のワークフローに必要な専門知識をリアルタイムで提供します。
Synapse（評価プラットフォーム）: 構築されたシステム全体の評価と検証を担います。

これらのモモジュールを組み合わせることで、Invisible社は様々な企業環境に合わせたハイパーパーソナライズされたソリューションを構築します。

Lifespan MD事例に見るハイパーパーソナライゼーション

「Lifespan MD」というコンシェルジュ医療ビジネスとの協業事例は、このアプローチを明確に示しています。Lifespan MDは、電子カルテ（EHR）、顧客関係管理（CRM）、企業資源計画（ERP）システム、医師のメモなど、膨大な量の断片化されたデータを抱えていました。

Invisible社はまずNeuronを用いてこれらのデータを統合し、統一されたデータ基盤を構築しました。これにより、Lifespan MDは患者の経時的な診療履歴、検査結果、ゲノミクスデータ、さらにはOuraリングのようなウェアラブルデバイスからのデータまで、個々の患者に関する詳細な情報を一元的に把握できるようになりました。

その上で、Axonを活用してAIを構築し、データに対する会話型インターフェースを実装しました。例えば、「36歳から50歳の男性で、ペプチドを使用した患者とその結果を見せてください」といった具体的な質問に答えることができるようになりました。さらに、スケジューリングなどの特定のタスクに対応するカスタムエージェントも構築しました。

この事例は、単なるSaaSの導入ではなく、「個々の顧客の特定のデータに基づいたハイパーパーソナライズされたソフトウェア」への移行を示しています。フィッツパトリック氏は、これがAI業界全体の方向性であると見ています。

フォワードデプロイエンジニアリング（FDE）の真価

フィッツパトリック氏は、今日の企業AI導入には「完全な展開型エンジニアリング（Forward Deployed Engineering, FDE）」が不可欠であると強調します。彼のマッキンゼーでの10年間の経験から、「アウトオブボックスSaaSではうまくいかない」という結論に達しています。FDEという言葉はPalantirが有名にしたものですが、Invisible社はこれを独自の形で実践しています。

多くのFDEが「ソリューションエンジニアリング」（顧客の質問に答え、オフィスに赴く程度）に留まる中、Invisible社のFDEは「非常に具体的なワークフローを構築すること」に焦点を当てています。彼らは、モジュール型のプラットフォームを顧客のニーズに合わせて「ハイパーカスタマイズ」し、約3ヶ月でシステムを立ち上げ、引き渡します。

さらに重要なのは、AIモデルは一度導入すれば終わりではないという点です。市場の変化（例：GLP-1受容体作動薬の登場）に合わせてモデルを継続的にファインチューニングする必要があります。Invisible社は、この継続的なメンテナンスと調整も視野に入れています。

FDEの経済性については、多くの競合がFDEに別途課金するのに対し、Invisible社はFDEの費用を一切請求しません。これは、「技術が機能することを証明する」という彼らの戦略に沿ったものです。営業費用を抑え、その分をFDEに投資することで、顧客の信頼を勝ち取り、長期的なソフトウェア収益につなげるという考え方です。フィッツパトリック氏によれば、FDEは、特に「導入とワークフローへの組み込みが最も難しい」場合、つまり企業の働き方そのものを変える必要がある場合に唯一の方法となります。

第4章：データラベリング競争の深層：人間参加型AIの不可欠性

AI業界には、「合成データが将来的に人間によるフィードバックを不要にする」という広く信じられている誤解が存在するとフィッツパトリック氏は指摘します。しかし、彼はこの見解に強く反論します。初歩的な原理から考えれば、これはあまりにも現実離れしていると彼は語ります。

AIトレーニング市場の誤解：「合成データが人間を置き換える」説への反論

合成データは、数学のように明確な正解が存在する「ベース真理情報」のようなタスクには有効かもしれません。しかし、以下のような複雑な推論タスクや多様な文脈においては、人間によるフィードバックの重要性が今後10年間は変わらないとフィッツパトリック氏は確信しています。

マルチステップ推論タスク: 例として、「5つの好みからどの映画を選ぶか」といった、複数のステップを踏む推論が必要なタスク。
多モーダル・多言語の複雑性: オーディオ、ビデオ、マルチモーダル、そして45種類の言語、さらには特定のアクセント（南部英語など）といった多様な文脈での理解と推論。計算生物学の概念をヒンディー語、フランス語、英語、南部英語のアクセントで理解するような複雑なタスクは、合成データだけでは極めて困難です。
専門知識を要する領域: 法務サービスを例にとると、多くの法律データは大手法律事務所内に存在し、一般には公開されていません。そのため、特定の法律分野におけるLLMのファインチューニングや検証には、実際の法律専門家によるフィードバックが不可欠となります。
GenAIと従来のMLの違い: 従来の機械学習モデルはバックテストにより統計的に検証された結果を人間介入なしで得ることができましたが、GenAIにおいては、人間が「ループ」に入り続けることが今後数十年は必要であるとフィッツパトリック氏は見ています。

Invisible社のAIトレーニングの専門性：「デジタルアセンブリライン」としての卓越性

Invisible社は、単なる「タレントマーケットプレイス」としてではなく、「AIトレーニングプラットフォーム」として自らを位置づけています。同社の専門知識は、130万人の専門家を擁するマーケットプレイスの背後にある、高度なオペレーションにあります。

フィッツパトリック氏がAIトレーニングにおいて最も困難な問いとして挙げるのは、「24時間以内に世界中のあらゆる専門家を調達し、4日後には完璧で統計的に検証されたデータを生成できるか」というものです。例えば、オックスフォード大学の天体物理学の博士号を持つ人材を迅速にデジタルアセンブリラインに組み込み、完璧なデータを出力させる能力。これは、極めて困難な作業であり、Invisible社はこの能力を過去10年間にわたって磨き上げてきました。

彼はこれを自動車工場における「デジタルアセンブリライン」になぞらえ、ハミルトン・ヘルマーの「7つの力」フレームワークでいう「組織的記憶（Institutional Memory）」に該当すると語ります。トヨタの生産システムが誰も模倣できないように、Invisible社が5年間にわたって26,000人もの選ばれた専門家を24時間以内に稼働させ、高品質なデータを一貫して生産し続ける能力は、他社には容易に再現できない独自の強みとなっています。

この高度なAIトレーニング能力は、LLMの事前学習だけでなく、銀行や医療分野におけるモデルのファインチューニング、請求処理のような複雑な企業ユースケースにおける統計的検証にも応用されています。フィッツパトリック氏は、AIトレーニング市場の需要が今後10年間以上にわたって「不成熟」な形で成長し続けると見ており、Invisible社がこの分野で独自の地位を確立していると確信しています。

データのニッチ化・専門化

AIトレーニングの需要は、一般的な「Cat Dog」の画像ラベリングのようなコモディティ化したタスクから、極めてニッチで専門的なものへと進化しています。フィッツパトリック氏は、「17世紀のフランス建築に精通し、フランス語を話す専門家を24時間以内に検証できるか」という例を挙げ、この専門化の度合いを説明します。

Invisible社が持つ、誰がどのタスクに優れているかという5年分のデータは、専門家選定と評価における重要な「組織的データ記憶」となっています。これにより、同社は特定のニッチな専門知識を持つ人材を迅速かつ正確に調達・評価し、高品質なデータ生成に繋げることができます。

データ価格と品質、そして供給のダイナミクス

データラベリング市場における「価格感応度」については、「コア顧客はいくらでも支払う」という見方がある一方で、フィッツパトリック氏はこれを誇張であると否定します。彼の見解では、「良質なデータには適正価格が支払われる」という古典的な経済学の原則が働いています。モデル構築の重要性、計算コストの高さ、そして質の悪いデータがもたらす損失を考えれば、人々は質の良いデータに対して正当な対価を支払う用意があるのです。

彼は、Uberを例に挙げ、人材調達を「価格発見」のプロセスと捉えます。専門知識の価格は、市場の文脈、需要と供給、緊急性によって変動します。重要なのは、単に「高額を支払う」ことではなく、「本当に良い専門家に適正な対価を支払う」ことです。高い報酬を払っても質の悪い専門家では意味がありません。Invisible社は、150ドルの専門家と130ドルの専門家の専門知識の違いを顧客に提示できることで、その価値を理解してもらっています。

また、フィッツパトリック氏は「有限な供給の確保」という概念も疑問視します。AI開発に必要な専門知識は月ごとに大きく変化するため、特定の供給源を「ボトルアップ」しようとしても、3ヶ月後にはその専門知識が陳腐化する可能性があります。代わりに、UberやAirbnbのように「需要と供給のバランスを保ち、多くの専門家を惹きつける双方向のマーケットプレイス」を構築することが重要であると彼は考えます。

スイッチングコストと専門知識の持続性

AIトレーニングにおいては、特定のデータタスクを習熟してこなす能力には大きな価値があり、それがスイッチングコストとなります。フィッツパトリック氏は、SAICやVantor、そして米海軍との水中ドローンスウォームのモデルファインチューニング事例を挙げます。このプロジェクトでは、水中無人探査機から得られる複雑なセンサーデータを処理し、物体が水中に現れた際に「引き返すか、警告するか、交戦するか」といった意思決定フレームワークを構築します。この種の複雑なロジックを構築し、モデルをファインチューニングするプロセスを通じて培われる専門知識と持続性は、容易には置き換えられない価値となります。

Invisible社は、各セクターを深い専門知識を持つリーダーに率いさせ、具体的なロジックを構築することで、この専門知識を組織内に蓄積しています。これはマルチモーダルビデオやオーディオ、法律分野でも同様です。AIトレーニングの仕事は、汎用的なベンチマークでは測れない、より特定でニッチなタスクへと進化しており、そこにこそ真の価値とスイッチングコストが生まれるのです。

第5章：AI市場の未来像とInvisible社の成長戦略

AIモデルの性能が日進月歩で向上し、Opus 4.5やGemini 3のような最新モデルが次々と発表される中、フィッツパトリック氏は「モデルベンチマークの進捗は企業導入とは直交する（直接関係しない）」という興味深い見解を示します。

モデルベンチマークの限界と企業導入のカギ

公開ベンチマークは、社会全体がAIの進歩を測る上で有用なフレームワークです。モデルの性能が疑いなく向上していることを示す指標として機能します。しかし、企業におけるAI導入の曲線は、汎用性ではなく「特定タスクにおけるハイパーパーソナライズされたパフォーマンス」にかかっています。

例えば、プライベートエクイティファーム向けの投資要約文書を作成するタスクを考えてみましょう。これには、そのファーム固有のフォーマット、トーン、分析基準に99%の精度で合致するアウトプットが求められます。しかし、このような特定タスクに対する「公開ベンチマーク」は存在しません。

フィッツパトリック氏は、企業でのAI導入には、銀行の信用モデルにおける「モデルリスク管理」のような厳格な検証とテストプロセスが必要になると指摘します。これは、モデルがレッドライニング（差別的な貸し付け）のような倫理的・法的な問題を発生させないかを確認するためのものです。つまり、モデルの改善自体は重要ですが、企業がAIを受け入れるかどうかは、そのモデルが「信頼できるか、特定のタスクで99%の精度を達成できるか」にかかっているのです。

AIと雇用：ジェボンズのパラドックス

AIによる自動化が、キャリアの初期段階にあるジュニア層の仕事を奪うのではないかという懸念に対し、フィッツパトリック氏は「ジェボンズのパラドックス」を引用して反論します。これは、技術の進歩が効率を高めることで、かえってその資源の消費を増大させるという経済学の原則です。

彼は会計士の例を挙げます。1980年代には、会計士は計算尺を使って手作業で財務諸表を作成していました。その後Excelのようなツールが登場し、作業は飛躍的に効率化されましたが、会計士の数は減りませんでした。むしろ、より複雑で洗練された会計シナリオを扱うようになり、FP&A（財務計画・分析）機能は以前よりも拡大しました。AIも同様に、特定の単純作業を自動化する一方で、より高度な分析や創造的な仕事を生み出し、仕事の質を高めることで、総体的な仕事量を増やす可能性があると彼は見ています。

また、企業におけるAI導入が5年から10年かかる長期的なジャーニーであると彼は強調します。この長い期間は、人々が新たなスキルを学び、AIとの協働に適応するための十分な時間を提供します。実際、現在の大学生や若年層はAIツールの最も高い採用者であり、新たなスキルセットを習得し、より洗練された仕事をこなすようになるでしょう。

AI市場の競争環境

AIトレーニング市場の将来的な構造について、フィッツパトリック氏はUberやLyftのような寡占市場ではなく、3～5社のプレーヤーが共存する市場を予測します。各社はコーディング、専門タスク、特定の学位を持つ専門家調達といった特定の領域で差別化を図るでしょう。この多様性が市場に良い影響をもたらすと彼は考えています。

エンタープライズAI市場においては、これまでPalantirが強力な存在感を示してきましたが、フィッツパトリック氏は「より多くの代替選択肢を求める」企業の声が大きくなっていると見ています。

Palantirへの敬意

エンタープライズAIにおいて最も尊敬する企業として、フィッツパトリック氏はPalantirを挙げます。Palantirが10年以上も前に「フォワードデプロイエンジニアリングとカスタマイズの重要性」を先見的に見抜いていたことに対し、深い敬意を表します。当時、テックサービスは魅力的な分野とは見なされていませんでしたが、Palantirは優れた技術を構築し、その独自の文化を築き上げました。フィッツパトリック氏は、Invisible社がPalantirの持つ「フォワードデプロイエンジニアリング」と「カスタマイズ」の精神を、GenAI時代に再定義し、異なる領域で競争していると見ています。

Invisible社の成長戦略と投資

Invisible社は、過去9年間でわずか700万ドルの自己資金で運営されていましたが、最近1億3,000万ドルを調達し、現在はテクノロジーへの積極的な投資フェーズに入っています。このため、今年は収益性を一時的に犠牲にする予定です。

フィッツパトリック氏は、これを「資本の収穫」ではなく「資本の投資」と捉えています。彼は、現在が「これまで存在した中で最も優れた成長環境」であると認識しており、Invisible社の持つ5つのコアプラットフォームと、AIトレーニングおよびエンタープライズの両面における成長機会を最大限に活用するために、投資を惜しまない方針です。彼は、今後10～20年間の企業価値を構築するためには、今こそ投資と構築の時であると断言します。

特に投資を強化したいと考えているのが「物理世界とのインタラクション」です。例えば、米国の巨大農業コングロマリット向けに、牛の群れの安全を監視し、獣医を派遣すべきリスク要因を特定するプロジェクトがあります。これには、農場にFDEを派遣し、Starlink端末を設置し、カスタムのコンピュータービジョンモデルを構築するといった、物理世界での大規模な展開が必要です。石油ガス採掘リグの監視やロボティクスも同様に興味深い分野であり、これらには時間と資金の投資が必要となります。

収益性とマージン：新たな経済性

AI時代のビジネスモデルにおける収益性についても、フィッツパトリック氏は従来のSaaSモデルに疑問を投げかけます。彼によれば、過去20年間の「70～80%のソフトウェアマージン」というのは、ある程度「嘘」であったと指摘します。多くのSaaS企業は、目に見えない設定費用やサービス費用を伴っており、結果的に思ったほど収益性が高くなかったという現実があります。実際、過去2年間で公開ソフトウェア企業の株価倍率は20倍から10倍に低下しており、成長が鈍化すると利益率も低下することが示されています。

フィッツパトリック氏は、AI時代においては「統合されたユニット」が非常に高い収益性を持つ可能性があると見ています。これらの企業は顧客をより迅速に獲得し、より迅速に優れたものを構築できるため、従来の「箱売り」SaaSのような固定的なスティッキネスはなくても、結果として高い利益率を達成できる可能性があるのです。

第6章：リーダーシップと企業文化：AI時代を生き抜くための組織論

AI時代の急速な変化と不確実性は、企業戦略だけでなく、リーダーシップや組織文化にも新たな問いを投げかけています。Matt Fitzpatrick氏は、Invisible社を率いる中で、これらの側面について深い考察を重ねてきました。

ブランド戦略の重要性

彼がInvisible社のCEOに就任した際、公の場で同社について言及している記事はほぼ皆無でした。これは、創業者が「顧客のために素晴らしい仕事をする」ことに集中し、それを世間に大々的に公表することを重視していなかったためです。しかし、フィッツパトリック氏はブランド戦略の重要性を認識し、積極的な情報発信へと舵を切りました。

彼は、ブランドは信頼、認知度、エンゲージメントのために不可欠であると考えています。そして、そのブランドを構築する上で最も重視しているのが、「プライベートな物語とパブリックな物語の乖離」を避けることです。著名なベンチャーキャピタリストであるマーク・アンドリーセンの言葉を引用し、「もしあなたが真実ではないことを公に語っているなら、それはリスクであり、機会でもある」と彼は説明します。例えば、「当社には何でもできるアウトオブボックスのエージェントがある」と公言しながら、それが真実でなければ、それは大きなリスクとなります。

フィッツパトリック氏は、自分やチームが信じていること、顧客が経験していることと、公に語ることが一致するブランドを構築することに注力しています。この透明性と信頼性こそが、AIのような複雑で非決定論的な技術を扱う企業にとって、最も重要なブランド価値となると考えています。

「Fake it till you make it」への見解

「Fake it till you make it（できると信じて行動し、本当にできるようにする）」という考え方について問われた際、フィッツパトリック氏はAIの非決定論的な性質がもたらすリスクを強調します。従来の決定論的な機械学習モデルであれば、データやプロセスの理解を通じて「構築すれば機能するだろう」という確信を持って進めることができました。しかし、GenAIのような非決定論的システムでは、単に「できる」と主張するだけでは危険が伴います。

彼は、現状のAIエージェントの多くが、実は伝統的なスクリプト作成や自動化に過ぎず、真のAIエージェントではないというAWSのレポートを引用します。彼自身、Invisible社を「エージェント企業」とは自認していません。AIエージェントはツールキットの一つに過ぎず、データ、トレーニング、ファインチューニング、そしてワークフロー構築全体を提供する会社であると位置づけています。

彼の顧客へのアプローチは、「これは機能するだろう、その理由はこうだ」と説明し、顧客と協力して共同開発する形です。最初から「アウトオブボックスAIですべて解決する」と主張すると、かえって顧客の懐疑心を買うことになると彼は語ります。AIの不確実性を受け入れ、信頼に基づいた共同開発こそが、成功への道だと考えているのです。

採用と人材育成の哲学

フィッツパトリック氏が最も時間を費やし、最も深く考えるテーマの一つが「人材」です。彼は、CEOの仕事は「最高の才能を採用し、定着させ、彼らが共に働くことを愛する文化を創造し、そして彼ら全員を豊かにする」ことだと考えています。

彼の採用哲学には二つの柱があります。

役割にとらわれない人材活用: 彼は人を採用する際に、特定の役割（例：石油ガス部門の担当者）に限定して考えません。本当に優秀な人材は、デリバリーからセールス、アカウントリードまで、複数の役割や製品をこなし、7～8種類の異なる製品を動かすことができる「オールラウンドアスリート」であるべきだと考えています。
「楽しい文化」の創造: 彼は、企業文化が「働くのが過酷な場所」であれば、人々は最終的に去っていくと確信しています。特に、現在のAI業界は研究と探索の側面が強く、知的挑戦、創造性、そして楽しさを提供する環境が不可欠です。彼はRevolutの創業者であるニック・ストロンスキー氏の「勝利こそが文化」という哲学にも理解を示しますが、AIという研究主導型の業界においては、それとは異なる文化的なダイナミクスが必要であると説明します。

彼のチームには、エンジニアが30%の時間を新しいプロジェクトに費やすことを許すといった柔軟なパラダイムがあり、これがイノベーションを促進しています。

リモートワークからオフィス回帰へ

Invisible社は、フィッツパトリック氏がCEOに就任するまで9年間、完全なリモートカンパニーでした。しかし、現在ではニューヨーク、サンフランシスコ、ロンドン、パリ、ポーランド、ワシントンDCにオフィスを構え、オースティンにも開設予定です。これは、フィッツパトリック氏が「リモートワークでは文化を十分に構築できない」と感じたためです。

オフィス回帰の結果、彼はより強くポジティブな文化が育まれ、社員が互いをよりよく知り、仕事を楽しむようになったと報告します。また、ロンドンやパリのように顧客が集中する都市では、対面で顧客と密接に連携することが不可欠です。

生産性についても、特にエンジニアリングチームで顕著な向上が見られました。多くのエンジニア、特に若手はオフィスでの共同作業を強く望んでおり、自発的に出社する人が多いとのことです。彼は、7日間柔軟に働くことと、物理的な出社は別物であると説明します。オフィスに常にいる必要はないが、ほとんどの日々をオフィスで過ごし、週末は自宅から働くといった柔軟なバランスが、優れた人材を惹きつけ、定着させる上で重要であると考えています。

マネジメントにおける信条の変化

フィッツパトリック氏は、マネジメントに関する彼の信条が二つの点で変化したと語ります。

中央集権型コントロールの幻想: 多くの物事を同時進行させる場合、全てを中央でコントロールしようとするのは幻想です。彼は、軍隊の例を挙げ、現場の兵士が意思決定を下すように、顧客と接する最前線のチームに権限を委譲することが不可欠だと考えています。そのため、Invisible社は階層を減らし、組織をよりフラットにすることで、現場のチームが意思決定フレームワークとツールを使って自律的に機能できるようにしています。
AI時代における「戦略」の再定義: バイオテック業界のように、数年単位の長い資本サイクルを持つ業界では、長期的な戦略が非常に重要です。しかし、AI業界では「3ヶ月ごとに世界全体が変わる」という現実があります。そのため、従来の5年戦略のようなアプローチは、AIの世界では「過大評価された概念」だと彼は見ています。代わりに、核となる信念を持ちつつも、30～40%の要素については新しい技術（新しいボイスエージェントなど）に基づいて常にイテレーションし、適応し続けるアジャイルなアプローチが求められます。相互運用可能なフレームワークを構築し、新しい技術を迅速に統合できる能力が、ビジネスの核となるのです。

これらのリーダーシップと文化に関する考察は、AIという急速に変化するフロンティアで、いかに組織を構築し、成長させていくかという問いに対する彼の回答であり、多くのスタートアップCEOや企業リーダーにとって貴重な示唆を与えてくれるでしょう。

結論：AIが拓く希望の未来

Matt Fitzpatrick氏のAI導入に対する「現実主義」の視点の裏には、強い「AI楽観主義」が存在します。彼は、AIがもたらすリスクは、そのメリットに比べてはるかに小さいと考えており、特にエネルギー、医療、教育の3つの分野において、AIが社会に計り知れないポジティブな影響をもたらすと語ります。

エネルギー効率の改善

AIデータセンターの電力消費について懸念が示されることもありますが、フィッツパトリック氏によれば、現在のデータセンターは世界の総電力消費量のわずか1%程度であり、AIデータセンターはその0.25%から0.5%に過ぎません。これに対し、エアコンは世界の電力消費量の14%から20%を占めています。世界経済フォーラムの報告書も指摘するように、AIはグリッド最適化や冷却技術を通じて、エネルギー効率を劇的に改善する可能性を秘めており、環境への影響は「純粋にポジティブ」なものとなるでしょう。今後10年間で、クリーンエネルギーへの投資とAIによる最適化が相まって、私たちはエネルギーに関してより良い状況にあると彼は見ています。

医療コスト削減とエラー減少

米国の医療費は一人当たり年間14,000ドルと莫大であり、これはドイツやカナダの2.5倍から3倍にあたります。そのうち9%は管理費、25%は無駄とされ、ジョンズ・ホプキンス大学の報告では、年間25万人もの人々が「回避可能なエラー」によって亡くなっています。AIは、乳がんリスクの特定精度を20%向上させるなど、診断精度や治療計画の最適化に大きく貢献できます。フィッツパトリック氏は、AIが医療のコスト構造を改善し、ケアの質を向上させることで、過去20年間芳しくなかった医療分野に非常に大きな変化をもたらすと期待しています。

教育の変革と機会均等

フィッツパトリック氏が最も興奮しているのは教育分野です。インターネット接続さえあれば、世界中のあらゆる子どもが、社会経済的状況に関わらず、地球上のあらゆるトピックについて信じられないほど迅速に学ぶことができる時代が到来しています。これは歴史上かつてない機会です。

彼は、過去50～100年の教育システムが多くの課題を抱えていると指摘します。STEM分野での学習ギャップ、社会経済的背景による学習格差、FICOスコアやコーディングのような実用的なスキルが教えられていない現実、そして学生ローン問題を引き起こす大学システム。AIは、これらの課題を解決する可能性を秘めています。

Invisible社自身も、学歴不問で認知能力とスキルに基づいて人材を評価し、採用しています。フィッツパトリック氏は、AIが人々が学び、履歴書を見て人材を評価する方法を、過去100年間とは全く異なる、よりポジティブな方向に変革すると確信しています。教育機会の均等化、スキルの再定義、そして誰もが自分の可能性を最大限に引き出すことができる社会の実現。これこそが、AIが私たちにもたらす真の希望なのかもしれません。

マット・フィッツパトリック氏の洞察は、AIの導入が直面する現実的な課題を明確にしつつ、それを乗り越えるための革新的な戦略、そしてAIが社会にもたらす変革への揺るぎない信念を示してくれました。AIの真の価値を引き出すには、モデルの性能だけでなく、データインフラ、ワークフロー、信頼性、そして何よりも人間によるフィードバックと、それを支える組織文化とリーダーシップが不可欠です。彼の言葉は、AI時代のビジネスをリードしようとするすべての専門家にとって、示唆に富む指針となるでしょう。