Decagonはいかにしてオープンソースモデルでエージェントの90%を動かし、エンタープライズAIの未来を切り開くか

導入：AIエージェント革命の最前線

現代のビジネスにおいて、顧客とのインタラクションは企業の生命線です。そして、そのインタラクションの「玄関」として、AIエージェントが急速にその存在感を増しています。Decagonは、このAIエージェントの最前線に立つ企業として、独自の戦略で業界をリードしています。彼らは、自社のワークフローの実に90%をオープンソースモデルで運用するという、一見すると大胆なアプローチを採用し、その結果としてフロンティアモデルを凌駕するパフォーマンス、低コスト、そして高速な運用を実現しています。

かつて、2026年前半を席巻した「AnthropicやOpenAIのようなフロンティアラボがAI業界を完全に支配し、他のスタートアップは姿を消すだろう」という言説がありました。しかし、Decagonのアプローチは、この見方に異議を唱え、AIの未来像に新たな視点を提供します。彼らの戦略は、AIが単なる技術的ツールに留まらず、企業のビジネスプロセスと深く統合され、顧客体験を根底から変革する可能性を示唆しています。

この記事では、Decagonがなぜオープンソースモデルに賭け、いかにしてその成果を実現しているのかを深く掘り下げます。彼らの技術的な選択、ビジネスモデル、エンタープライズへの導入戦略、そしてAGI時代におけるキャリアと社会の未来に対する洞察まで、詳細かつ専門的に分析し、読者の皆様がAIの進化がもたらす真の価値と可能性を理解できるように努めます。Decagonの物語は、単なる一企業の成功例に留まらず、エンタープライズAIの未来図を描き出す貴重な示唆を与えてくれるでしょう。

セクション1: オープンソースが90%を占める理由 – Decagonの戦略的選択

Decagonが今日、自社のAIエージェントワークフローの90%をオープンソースモデルで運用しているという事実は、AI業界におけるパラダイムシフトの象徴と言えるでしょう。この大胆な戦略は、初期段階でフロンティアモデルに依存していた時期を経て、必然的に導き出されたものでした。その背後には、スケーリング、パフォーマンス、そして何よりもレイテンシーという、エンタープライズ級のAIエージェント運用に不可欠な要件がありました。

初期段階のフロンティアモデルからの転換

Decagonの創業当初、彼らの目標は「とにかく動くものを作る」ことでした。このフェーズでは、OpenAIやAnthropicといったフロンティアラボが提供する最先端のモデルが最適な選択でした。これらのモデルは、その高い汎用性と知能で、迅速なプロトタイプ開発と価値提供を可能にしました。しかし、ビジネスが成長し、より大規模な顧客、特に数百万の顧客を抱える企業と協業するようになると、状況は一変します。特に、音声エージェントの導入は、応答速度、すなわちレイテンシーの重要性を飛躍的に高めました。

「良い応答を提供するだけでなく、それを非常に速く提供する必要がある」という要件に直面したとき、Decagonはフロンティアモデルの限界にぶつかります。大規模なフロンティアモデルは非常に賢明であるものの、その汎用性の高さゆえに、特定のタスクにおいては過剰な計算リソースを消費し、レイテンシーのボトルネックとなることが明らかになったのです。フロンティアラボも小規模モデルを提供していましたが、それらはDecagonが求めるようなきめ細やかな制御を許さず、またそのままでは特定のタスクで十分な性能を発揮できないという課題がありました。

「小さなモデルで大きな成果を」：ファインチューニングの威力

この課題を解決するためにDecagonが目を向けたのが、オープンソースモデルとファインチューニングの組み合わせでした。彼らは、AIエージェントが複数の異なるタスク（例えば、会話のトピック分類、悪意のあるアクターの検出など）を同時に処理する必要があることに着目しました。これらの個々のタスクは、大規模な汎用モデルが持つ「すべての知能」を必要とするわけではありません。数学やコーディングなど、幅広い能力を持つ大規模モデルの知能は、特定のタスクにおいてはむしろオーバースペックなのです。

Decagonのアプローチは、各タスクに特化して小規模なオープンソースモデルをファインチューニングするというものでした。この戦略により、彼らは以下の3つのメリットを同時に享受することに成功しました。

高性能化: 驚くべきことに、ファインチューニングされた小規模モデルは、特定のタスクにおいて大規模な最先端モデルを「アウトパフォーム」する結果を示しました。これは、汎用モデルが持つ幅広い知能が、特定のユースケースにおいては必ずしも最適ではないことを意味します。より焦点を絞ったトレーニングにより、モデルはそのタスクに特化した「賢さ」を獲得できるのです。
低コスト: 小規模モデルは大規模モデルに比べて、推論コストが大幅に低減されます。これは、特にエンタープライズ規模でAIエージェントを運用する上で、持続可能性とスケーラビリティを確保する上で極めて重要な要素です。
高速化: モデルサイズが小さくなることで、推論速度が向上し、レイテンシーの課題を解決できました。これは、顧客とのリアルタイムな音声対話において、人間のようなスムーズな体験を提供するために不可欠な要素です。

この結果についてDecagonは「コストとレイテンシーとパフォーマンスをトレードオフする必要がない、数少ないタスクの一つだ」と述べています。彼らは知能の「引き算」を行うことで、特定のタスクに特化し、汎用性を犠牲にする代わりに、すべての次元で最良の結果を得ることに成功したのです。

Decagon Labs: モデルファクトリーとしての役割

オープンソースモデルの活用は、単に既存のモデルをダウンロードして使用するだけでは完結しません。ファインチューニングは非自明なプロセスであり、適切なデータ収集、そして何よりも厳密な評価が必要となります。Decagonは、この課題に対応するために「Decagon Labs」という研究チームを設立しました。このチームは、オープンソースモデルを顧客の特定のユースケースに合わせてチューニングする専門家集団であり、そのコストは高いものの、Decagonの競争優位性の源泉となっています。

Decagon Labsの重要な役割の一つは、独自の評価ベンチマークの生成です。一般的な公開データセットでは、Decagonが提供するような顧客サービスエージェントの具体的なタスクの性能を正確に測定することはできません。そのため、彼らは自社のタスクに特化したベンチマークを生成し、それを用いてモデルの性能を厳密に評価しています。この評価プロセスは、モデルがエンドユーザーに提供する価値に直結する顧客成果（customer outcomes）に基づいており、単なる技術的な指標に留まりません。

Decagon Labsは、新しいオープンソースモデルが登場すると、それを迅速に評価し、自社のニーズに合わせてファインチューニングし、製品に組み込むための「モデルファクトリー」として機能します。モデルの進化が速い現代において、この能力は、常に最先端の性能を維持し、新しいユースケースに対応するために不可欠です。古いモデルは新しい、より高性能なモデルに置き換えられ、このサイクルが常に回っています。

フロンティアモデルの役割：探索的・複雑な補助タスク

オープンソースモデルへの移行が進んだDecagonですが、フロンティアモデルを完全に排除したわけではありません。ワークフローの10%は依然としてクローズドソースのフロンティアモデルが担っています。これらのモデルは、特に以下のような補助的なタスクや新しいプロジェクトに活用されています。

Autopilotのような複雑な探索的タスク: DecagonのAutopilotは、何百万もの会話をレビューし、トレンドを発見し、主要モデルのバリアントを作成して性能を比較するという、非常に広範でオープンエンドなタスクを実行します。このような、明確なパスを持たず、高い推論能力と汎用性が求められるタスクには、フロンティアモデルの卓越した知能が依然として大きな価値を発揮します。
新しいプロジェクトや製品の立ち上げ: まだユースケースが確立されていない、実験的な段階のプロジェクトにおいては、フロンティアモデルをAPI経由で利用する方が迅速かつ容易です。インフラの管理を気にせず、すぐに利用できる手軽さは、新しいアイデアを試す上で大きなメリットとなります。

エンタープライズがオープンソースモデルへの移行を検討する際も、この二段階のアプローチが推奨されます。まずフロンティアモデルで新しいユースケースを確立し、それが安定してスケールする段階に至った際に、オープンソースモデルへの移行を検討する。この戦略が、コスト削減とパフォーマンス向上の両立を可能にする現実的な道筋であるとDecagonは示唆しています。ただし、企業が自社でファインチューニングを行うには、Decagonのような専門チームの構築と、適切な評価体制が不可欠であると指摘されています。

セクション2: アプリケーションは死なず – AI時代のソフトウェアの再定義

「AnthropicやOpenAIのような基盤モデルを提供するラボ企業が、最終的にすべてのアプリケーションを統合し、AI業界を完全に支配するだろう」という見方は、AIの初期段階で広く語られていました。この「ラストスタートアップ」論は、アプリケーション企業は単なる薄いUI層に過ぎず、真の価値は基盤モデルにあるという認識に基づいています。しかし、Decagonはこの見方に強く異議を唱え、AI時代におけるソフトウェアアプリケーションの、より深く、より本質的な価値を提示します。

「ラボが全てを支配する」という誤解への反論

Decagonの創業者たちは、「ラストスタートアップ」論を「誤った二分法」と切り捨てます。彼らは、たとえAGI（汎用人工知能）が実現したとしても、AIエージェントは「作業を保存し、情報を引き出し、物事を推論する場所」を必要とし続けると主張します。人間がAGIのような存在であるならば、私たちは常にデータベースやCRMのようなソフトウェアを使って情報を整理し、タスクを追跡してきました。AGIもまた、その活動を支えるためのソフトウェア基盤を必要とするのです。

この視点から見ると、特定のクラスのSaaS企業、特に「人間が作業を行うための」ツールとしてのみ設計されたSaaSは影響を受けるかもしれません。しかし、ソフトウェア全体が「意味のある形でなくなる」ことはないとDecagonは断言します。アプリケーションレイヤーには、より速く、より効率的に、より安価に実行できる多様な種類の作業が存在し続けるため、そのための企業が存在する余地は常にあります。

Decagonの「ビジネスプロセス追従エージェント」という哲学

Decagonは、自らを単なる「顧客サポートをうまく行うエージェント」を構築した企業とは見ていません。彼らが本当に構築したのは、「ビジネスプロセスをうまく追従するエージェント」です。この視点の転換は、AIアプリケーションの役割を根本的に再定義します。

多くのフロンティアモデルは、高い知能を持つものの、特定の企業の「ビジネスロジック」を理解し、それに従って行動する能力は持ち合わせていません。例えば、航空便のキャンセルが発生した際に、3人の乗客の再予約を一度に行うといった、具体的な業務手順は、モデルが自力で「想像」できるものではありません。これは、モデルそのものの知能の問題ではなく、特定の業務に関する知識と手順がアプリケーションレイヤーでモデルに提供され、活用される必要があるという問題です。

企業がフロンティアモデルを使って自社でエージェントを構築しようとすると、その業務手順（ビジネスロジック）をモデルに「教え込む」ための膨大なエンジニアリング労力が必要になります。そして、業務手順が変更されるたびに、そのロジックを更新し、テストし、再デプロイする作業が発生します。これは持続可能ではないとDecagonは指摘します。

Decagonのアプリケーションは、このビジネスロジックを効率的にキャプチャし、AIエージェントに適用するための強力なソフトウェアスタックを提供します。彼らがファインチューニングするモデルは、汎用的な顧客サービス行動（例えば、話題の分類）に特化していますが、個々の顧客の独自の業務手順に合わせたカスタマイズは、モデルのファインチューニングではなく、アプリケーションレイヤーでのビジネスロジックの「エンコーディング」によって行われます。

AIアプリケーションの価値：ビジネスロジックの組み込み

Decagonがエンタープライズに対して提供する価値は、単に「高性能なモデル」ではありません。それは、モデルの上に構築された、以下の要素を含む包括的なプラットフォームです。

深い統合: 既存のレガシーシステムやデータベースとのシームレスな統合。
ビジネスロジックのキャプチャ: 企業の複雑な業務手順をAIエージェントに理解させ、実行させるメカニズム。
テストと実験のフレームワーク: エージェントの挙動を継続的にテストし、改善するためのツール。
会話のレビューとQA: 顧客との会話をモニタリングし、品質を保証するプロセス。
コンプライアンスとガバナンス: 規制要件を遵守し、AIの行動を監視するためのツール。

これらの機能は、モデルそのものの能力を超えた「アプリケーションレイヤー」で提供される必要があります。フロンティアラボが提供する汎用的なエージェントは、ある程度のタスクはこなせるかもしれませんが、特定の業界や企業における深い業務知識と統合を必要とするコアなユースケースには対応できません。Decagonは、この「深さ」こそが、AI時代におけるアプリケーション企業のモート（参入障壁）であり、存在意義であると主張しています。

垂直特化型「ラボ」としてのアプリケーションレイヤーの未来

長期的には、アプリケーションレイヤーの企業は、特定のバーティカル（業界）に特化した「ラボ」へと進化する可能性があるとDecagonは見ています。つまり、彼らの主要な製品が、その特定のタスク（例えば、カスタマーサービスにおける複雑な業務プロセス）を非常にうまく実行するモデルそのものになるということです。しかし、そのモデルは、上で述べたようなアプリケーションレイヤーの豊富な機能と統合によって支えられているため、単なる基盤モデルの提供とは一線を画します。

このように、基盤モデルを提供するラボ企業はアプリケーションの方向へ、アプリケーション企業はモデル開発の方向へと、互いの領域に「出血」し合うような収斂が起こっています。Decagonは、この収斂は理にかなっていると考えます。ラボはアプリケーションを構築することで、企業が自社製品からROIを得る方法を示し、アプリケーションは独自のモデルを構築することで、特定のユースケースにおけるパフォーマンス、レイテンシー、コストを最大限に引き出すことができるからです。

結論として、AIエージェントはビジネスの新しいフロントドアとなるでしょう。しかし、そのドアの向こうでビジネスがスムーズに運営されるためには、高度に洗練されたソフトウェアアプリケーションが不可欠です。Decagonは、このアプリケーションレイヤーの価値を最大化することで、単なる技術提供者ではなく、企業のデジタルトランスフォーメーションを推進する戦略的パートナーとしての地位を確立しているのです。

セクション3: フォワードデプロイメントの進化 – ワークフローからプロダクトへ

AIエージェントをエンタープライズに導入する初期段階において、最も重要な役割の一つを担うのが「フォワードデプロイエンジニア（FD）」です。しかし、この役割はAI製品特有の進化を遂げており、DecagonはFDを単なる導入支援者ではなく、プロダクト開発の核として位置づけています。このアプローチが、AIワークフローの発見から、スケーラブルな製品へと昇華させるDecagon独自の戦略です。

初期AI企業におけるFDの役割：未知のワークフローの発見

創業初期のAI企業、特にDecagonのようなエージェントを開発する企業にとって、FDは不可欠な存在でした。なぜなら、従来のSaaS製品と異なり、AI製品のワークフローはまだ十分に探索されていなかったからです。5年前のSaaSであれば、ユーザーが何をしたいか、どんなデザインアプリやCRMを使いたいかなど、おおよそのワークフローは確立されていました。しかし、AI製品においては、「誰もこれらのものを使ったことがない」ため、ワークフローそのものが未知でした。

このような状況において、FDの役割は「顧客に寄り添い、ワークフローを共に学習する」ことにありました。彼らは、顧客が初めてAIを使う中で、道筋が定まっていない状況で共に進む「道を敷く人」のような存在でした。しかし、この役割が長期的に持続可能であるかという点には、Decagonは疑問を投げかけます。

「コンサルティングトラック」を避けるDecagonのアプローチ

Decagonは、FDを単なるコンサルティングサービス提供者として位置づけることを危険視しています。彼らは、PalantirのCTOが提唱した「フォワードデプロイエンジニアは痛みを食い、プロダクトを排泄する（Forward deployed engineers eat pain and excrete product）」というフレーズを引用し、FDの真の価値は、顧客の直面する具体的な課題や「痛み」を吸い上げ、それを汎用的な製品改善へと昇華させる点にあると強調します。

DecagonのFDチームは、顧客ごとに一点もののソリューションを構築するのではなく、以下のような形で「プロダクト化」を推進します。

コアプロダクトへの貢献: FDエンジニアは、顧客との協業を通じて、現在の製品がまだ対応できていないニーズを発見します。しかし、その成果は特定の顧客だけのものではなく、将来の他の10社以上の顧客が「無料で手に入れられる」ような形で、コア製品に組み込まれます。
プロセス改善の製品化: Agent PM（プロダクトマネージャー）は、製品がエンタープライズ内でどのように展開され、どのように改善されるべきかを顧客と共に探求します。その結果として、製品の具体的な改善だけでなく、「AIエージェントを導入する際のプロセス」自体が製品の一部として確立されます。例えば、大規模企業がAI導入時に直面するモデルリスクガバナンスやセキュリティ要件への対応方法をプロセス化し、製品機能として提供するのです。

このアプローチにより、Decagonは、短期的な契約獲得のために個別最適化されたソリューションを提供し続ける「コンサルティングトラック」に陥ることを避けています。彼らは、製品駆動型（Product-led）企業としてのアイデンティティを堅持し、常にスケーラブルな製品改善を目指しています。

AOPsとDuet/Autopilotの誕生秘話

Decagonのプロダクト化戦略を象徴する具体的な事例が、「AOPs（Agent Operating Procedures）」と「Duet（デュエット）」、そして「Duet Autopilot（デュエット・オートパイロット）」の開発です。

AOPsの誕生: エージェントの動作手順を定義する初期段階では、エンジニアがコードでこれらを記述していました。しかし、これは膨大な工数を要し、FDエンジニアリングチームにとって大きな負担でした。そこでDecagonは、このプロセスを製品化することを考えました。結果として生まれたのが、エージェントの手順をプレーンテキストで記述できる「AOPs」です。これにより、手順の定義と更新が大幅に効率化され、非技術者でも作業に参加できるようになりました。
DuetとDuet Autopilot: AIがAIエージェントを構築する：Decagonの最も画期的なプロダクトの一つがDuetです。これは、まさしく「第二のエージェント」であり、AIエージェント自体の構築と改善を自動化する役割を担います。初期のAIエージェント開発は、AOPの記述、システムへの統合ツールの開発、テストの作成、そして運用中の会話の手動レビューといった、膨大なタスクを人間が担っていました。Duetは、これらのタスクを全て自動化します。
- 魔法のような瞬間: Duetを使えば、顧客は「まだ何も構築されていないが、ここに会話のトランスクリプトといくつかのドキュメントがある。これらの手順を実行するための最良の方法を考えてほしい」と指示するだけで、Duetが自律的にAOPを作成し、関連するテストやシミュレーションも生成します。
- 継続的な改善: エージェントが実際に顧客にデプロイされた後も、Duet Autopilotが何千もの会話をモニタリングし、問題点（例えば、特定のトピックでパフォーマンスが低いなど）を特定し、さらに改善策を自動的にドラフトします。これは、AIが自らの同類を観察し、学習し、改善するという、メタレベルの自動化を実現した画期的な機能です。

これらのプロダクトは、すべてFDチームが顧客との最前線で直面した「痛み」を製品化する過程で生まれました。手作業で行われていた手間のかかる作業をAIが代替することで、Decagonは開発プロセスを劇的に加速させ、より多くの企業にスケーラブルなAIエージェントを提供できるようになりました。これは、フォワードデプロイメントが、単なる導入支援から、AI時代のプロダクト開発のエンジンへと進化する最良の例と言えるでしょう。

セクション4: エンタープライズAI攻略法 – Decagonのセールス戦略と成長の秘密

Decagonのもう一つの際立った特徴は、エンタープライズ市場における驚異的な販売実績と、その背後にある独自のセールス戦略です。創業当初、経験豊富なセールスチームを持たなかったにもかかわらず、彼らは世界最大級の企業と契約を締結し、異例のスピードで成長を遂げています。この成功の秘密は、プロダクト駆動型のアプローチと市場への深い理解、そして創業者の強いコミットメントにあります。

Sierraとの比較：「ブラックボックス」と「ガラスボックス」

エンタープライズAI市場において、Decagonはしばしば競合他社、特にSierraと比較されます。最近Decagonに乗り換えた顧客の事例は、両社の根本的なアプローチの違いを明確に示しています。

Sierraのアプローチ（ブラックボックス）: 顧客はSierraとの協業において、主にフォワードデプロイエンジニア（FDEs）を介してサービスを受けていました。FDEsは優秀であるものの、顧客にとっては「ブラックボックス」のような存在でした。新しいジャーニーの構築や、会話の深い分析には、常にFDEsを介する必要があり、これが顧客自身のイテレーション速度を著しく阻害していました。初期の導入はスムーズでも、時間が経つにつれて、FDEsが他のプロジェクトにアサインされたりすることで、顧客は進捗の遅れや透明性の欠如に不満を抱くようになりました。この顧客は、一年間でわずか3つの新しいジャーニーしか構築できなかったと述べています。
Decagonのアプローチ（ガラスボックス）: 一方、Decagonは「ガラスボックス」アプローチを提唱します。彼らはプロダクト駆動型のビジョンに基づき、顧客自身がエージェントをコントロールし、迅速にイテレーションできるコア製品を提供します。DecagonのFDチームも顧客と密接に協業しますが、その役割は、顧客が自社の製品を構築し、自主的に運用・改善するための支援にあります。このアプローチにより、同じ顧客はDecagonに乗り換えてわずか1ヶ月で7つの新しいジャーニーを立ち上げることができました。これは、顧客が製品を「自分のもの」としてコントロールできることの強力な証拠です。特に、非技術者を含む顧客のチームが、会話の状況を理解し、自ら改善策を実装できる点が大きな差別化要因となっています。

この違いは、単なる導入支援モデルの差に留まりません。Decagonは、企業がAIエージェントを自社の事業に深く根付かせ、継続的に価値を生み出すための「オーナーシップ」を提供しているのです。

驚異的な販売サイクルの速さ：市場の熱意とDecagonの導入プロセス設計

Decagonが大規模エンタープライズと、往々にして2年以上かかるような契約をわずか数ヶ月で締結できる理由は複数あります。

市場の熱気とトップダウンのプレッシャー: AIは今日、どの業界においても最も注目される技術です。経営層や取締役会からの「AIを導入せよ」という強いトップダウンのプレッシャーが、企業内の意思決定プロセスを加速させています。Decagonは、こうした市場の熱気の中で、「我々が正しいアプローチである」と企業を納得させることに成功しています。
AI導入プロセスの緻密な設計: Decagonの創業者たちは、大規模エンタープライズへのAI導入が単なる技術の提供にとどまらないことを深く理解しています。彼らは、顧客が直面するであろう「この製品を実際にライブ化できるか？」という疑問に対し、非常に詳細な導入プロセスを提示します。
- モデルリスクプロセスへの対応
- テストプロセスの設計
- 初期ロールアウト戦略
- 問題発生時のキャッチアップと解決策
- 規制遵守の確認 Decagonは、最初のミーティングから100%のライブ稼働に至るまでの道のりを、非常に具体的な粒度で顧客に提示することで、潜在的な不安を解消し、導入への道をスムーズにしています。この「プロセスを製品化する」アプローチは、多くの技術系企業が見落としがちな、エンタープライズ顧客の現実的なニーズに応えるものです。
創業者の強いコミットメント: Decagonの創業者であるJesseとAshaは、セールスに全時間の80%を費やすと述べています。彼らは単に経営者として存在感を出すだけでなく、契約のスピードアップ、プロジェクトの細分化、そして常に市場の動向を製品ロードマップに反映させるために、最前線で奔走しています。創業者が直接顧客と対話し、市場の変化を肌で感じることで、Decagonは競合よりもはるかに速いスピードで製品を進化させることができます。

カスタマーサポートから「AIコンシェルジュ」へのビジョン拡張

当初、Decagonの顧客は主にカスタマーサポートに焦点を当てていました。当時のモデルの能力がそこまでだったためです。しかし、モデルの能力が向上するにつれて、Decagonのビジョンも拡大しました。彼らは今や、「AIエージェントはビジネスの『フロントドア』となり、顧客とのあらゆるインタラクション（受動的、能動的問わず）をAIが処理すべきだ」という「AIコンシェルジュ」の概念を提唱しています。

このビジョンの転換を可能にしたのは、モデルの「指示追従能力」の飛躍的な向上です。数年前のモデルは、非常に厳密で具体的な指示が必要でしたが、現在のモデルはより広範な指示を解釈し、人間のように不足しているギャップを埋めることができるようになりました。これにより、以下のような新しいユースケースが可能になりました。

インバウンドセールス: 顧客の質問に答え、発見的質問を通じてニーズを特定し、適切な営業担当者に引き継ぐ。
オペレーショナルワークフロー: 顧客アカウントの問題を検知し、能動的に顧客に連絡して解決を支援する。

これらのタスクは、最終的には「ビジネスプロセスを追従する」エージェントというDecagonの根本的な哲学に合致しています。AIの能力向上と、顧客からの具体的なニーズのフィードバックに基づいて、Decagonは常に製品のロードマップを調整し、新たな価値領域へと事業を拡大し続けています。

セクション5: AGIとキャリアの未来 – 不安の解消と新たな価値創造

AIの進化、特にAGI（汎用人工知能）の可能性が語られる中で、「AIが人間の仕事を奪い、キャリアを破壊するのではないか」という不安は常に付きまといます。Decagonの創業者たちは、この問いに対し、AI時代における仕事とキャリアの未来について、独自の、そして希望に満ちた見解を提示しています。

「仕事は殺すが、キャリアは殺さない」 – Decagonからの視点

Decagonの創業者たちは、AGIが到来しても「キャリアは確実に存在する」と断言します。彼らの見解は、「AIは仕事を殺すが、キャリアは殺さない」というものです。

「ほとんどの仕事は、元々かなり作り上げられたものだ」と彼らは指摘します。インフラ構築や食料生産のような基本的な仕事を除けば、多くの仕事は他のものの抽象化のレイヤーの上に成り立っています。AGIが到来すれば、確かに人々の仕事は変化するでしょう。しかし、人間は依然として他の人間のために何かを創造したり、サービスを提供したりし続けるため、仕事そのものがなくなるわけではありません。

Decagonが特に言及するのは、現在の人間が行っている「退屈で単調な仕事」です。例えば、顧客サポートの現場で、定型的な質問に対して決まった手順で対応するといった高ボリュームのタスクは、本来人間が行うべきではありません。それはAIによって代替されるべき仕事です。

「AIがそれらの仕事を引き受けることで、人間は顧客をより幸せにするためにできる、ほぼ無限の量の事柄に集中できるようになる」と彼らは主張します。つまり、AIは人間の創造性や共感、高度な問題解決能力を必要とする仕事へのシフトを促す触媒となるのです。これは、単なる失業ではなく、より高付加価値で、人間らしい仕事への「アップレベル」と捉えるべきだとDecagonは考えます。

Jevons Paradox (ジェボンズのパラドックス) の現実：コスト削減が新たな需要を生む

Decagonの顧客サポートにおける経験は、Jevons Paradox（ジェボンズのパラドックス）の現実世界での適用例として非常に興味深い洞察を提供します。Jevons Paradoxとは、効率が向上して資源の消費が減少するかに見えても、価格が下がって需要が増えることで、結果的に資源の総消費量が増加するという現象です。

Decagonの顧客企業は、AIエージェントの導入によって顧客サポートのコストが30%削減されたとしても、すぐにチームの60%を解雇するようなことはしない、と彼らは言います。むしろ、「顧客にとって明らかに価値のあるこのサービスが、はるかに安くなったのだから、もっと提供しよう」と考えるのです。

具体的な事例として、ある顧客は以前、月に5万件の問い合わせしか処理していませんでした。しかしDecagonのエージェントを導入した後、彼らは「顧客にはもっと多くの問題があったのだ」と気づきました。そこで彼らは、サポートへのアクセスをより容易にし、サポート窓口をウェブサイトのあらゆるページに設置し、無料ユーザーにも即時サポートを提供するようにしました。結果として、サポートの需要が大幅に増加し、総サポート件数は増えたものの、コスト効率は維持されました。

このように、AIによる自動化は必ずしも人員削減に直結するわけではありません。むしろ、これまでコストやリソースの制約で提供できなかったサービスを、より広く、より深く顧客に提供できるようになることで、結果的に新たな需要を掘り起こし、企業全体の成長に貢献する可能性を秘めています。人間の従業員は、より複雑なケースの処理や、AIでは対応できない感情的なサポート、あるいは新たな収益源となるような、より戦略的な業務にシフトしていくことができます。

CRMなど既存システムの役割：AIエージェントの情報基盤としての存続

AIエージェントの台頭は、CRM（顧客関係管理）のような従来のシステムを不要にするのでしょうか？ Decagonの回答は「ノー」です。

彼らは、CRMは「データベースの一種」であり、その核となる機能は「真実の源（source of truth）」としてデータを保持することにあると説明します。確かに、現在のCRMインターフェースは使いにくいと感じられることもありますが、将来的にはAIエージェントがそのインターフェースを直接利用し、人間はグラフィカルなインターフェースを介さずに、エージェントを通じてCRMのデータにアクセスするようになるかもしれません。

人間がコンシェルジュとして機能する場合でも、顧客情報はCRMに記録されます。AIエージェントが高度なコンシェルジュサービスを提供するようになったとしても、同様にその活動の履歴や顧客の好みを保存する場所が必要になります。Decagonは、自社でCRMを構築する意図は全くなく、エージェントレイヤーに集中するとしています。彼らにとって、CRMのようなシステムは、AIエージェントが最高の顧客体験を提供するために必要なデータとコンテキストを提供する、不可欠な「補助的なソフトウェア」として存続するのです。

Decagonのボトルネック：技術ではなく「人材採用」

AIの進化が驚異的なスピードで進む中で、Decagonが直面する最大のボトルネックは、意外にも「技術」そのものではなく、「人材採用」であると彼らは明かしています。

「構築すべきことが非常に多い」というのがその理由です。Decagonは、AIエージェントが何を構築すべきか、そして「それが完成したか」という「センス」を判断するレベルにはまだ達していないと考えています。モデルは特定の実行ステップをアウトソースすることはできますが、全体的な戦略的意思決定や、製品のビジョンを定義する役割は、依然として人間が担う必要があります。

AIによる生産性向上が、なぜ採用を減らさないのかという問いに対して、Decagonは明快な答えを提示します。「誰もがこれらのツールにアクセスできるため、競合他社がそれらを使ってより多くのものを構築するならば、我々もより多くのものを構築する必要がある」という競争原理です。AIが開発速度を3倍にするとすれば、私たちはロードマップを3倍にし、3倍の速さでより多くのものを構築します。このサイクルは、結果的に全企業がより多くの人材を必要とし、より多くのものを市場に投入することにつながります。

もちろん、音声モデルのレイテンシー改善や、小規模モデルの箱出し状態での知能向上など、技術的な進化に対する期待は常に存在します。しかし、ビジネスの成長とスケーリングという観点から見れば、現在の最大の課題は、AI技術を最大限に活用し、市場をリードするための優秀な人材を確保することにあるとDecagonは認識しています。

セクション6: Decagonの文化とグローバルな挑戦

Decagonの成功は、その技術的な優位性や戦略的な販売アプローチだけでなく、彼らが築き上げてきた独特の企業文化にも深く根ざしています。そして、その文化を維持しながら、急速にグローバル市場へと拡大していく挑戦もまた、彼らの成長の重要な側面です。

「Grind slop」への視点：野心とチームスポーツとしての仕事

最近、ソーシャルメディア上で「Grind slop（グラインドスロップ）」という言葉が話題になっています。これは、過度な労働文化を揶揄するものであり、Decagonの創業者のうちの一人が「オフィスで週6、7日働いている」と述べていることから、彼らの働き方が注目されることもあります。しかし、Decagonは、これを「Grind slop」と捉えてはいません。

彼らは、自分たちの会社を「異常にグラインディー」だとは思っていません。むしろ、「多くのことをすべきことがある」という現実があり、そして「才能と可能性を無駄にしたくない」という個人的な野心を持つ人々が集まっている結果だと説明します。オフィス文化は確かに存在しますが、それは週末の出勤を強制するものではなく、コミュニケーションを最大化するためのものです。多様なチームメンバーが顔を合わせ、活発に議論し、協力し合うことで、より良い製品をより早く生み出すことができます。

Decagonの仕事は「チームスポーツ」であると形容されます。組織間の明確な境界線はほとんどなく、エンジニアが初期のセールスコールに参加したり、営業担当者が製品の一部をデバッグしたり、APM（エージェントプロダクトマネージャー）チームが開発から顧客対応まであらゆるフェーズに関与したりすることが日常的に行われています。このような協調的な環境は、オフィスでの「ジャミング」を促進し、共通の目標（例えば、特定の顧客のための製品の構築や新しい機能のローンチ）に向けて全員が「共にいる」という感覚を生み出します。この一体感と目標への集中こそが、Decagonの原動力となっています。

拡大するオフィスと文化の維持戦略

Decagonはサンフランシスコに本社を置きながら、ニューヨーク、ロンドン、そしてオーストラリアに新しいオフィスを開設し、急速にグローバルに拡大しています。このような急速な成長と地理的な分散の中で、いかにして独自の文化を維持し、組織をスケーリングしていくかは、彼らにとって常に挑戦的な課題です。

Decagonは、この課題に対していくつかの戦略を採用しています。

初期研修における没入体験: 新しく採用された社員は、数週間サンフランシスコ本社に招かれ、Decagonの「文化のスープ」に浸る機会を与えられます。これにより、会社のビジョン、価値観、働き方を直接体験し、深く理解することができます。
ハブからの派遣: 新しいオフィス（特に立ち上げ期）には、既存のハブから経験豊富な社員が数ヶ月間派遣されます。これは、新しい拠点が独自の文化を形成するまでの間、Decagonのオリジナルな文化を根付かせるためのものです。
明確なアクション志向の文化: 大規模化するにつれて、文化の伝達は難しくなります。Decagonは、A16Zの文化を例に挙げ、「ふわふわしたものではなく、アクション志向であるべきだ」と語ります。彼らは、高い説明責任と、常にプレッシャーを感じながら成果を出すという姿勢を重視しています。

国際展開の加速要因：AIへの世界的な関心と多言語対応の容易さ

DecagonのようなAI企業が、設立から比較的短い期間で国際展開を加速させている背景には、二つの大きなトレンドがあります。

AI現象としての普遍性: ChatGPTの登場以来、AIは世界中のビジネスリーダーやボードメンバーにとって無視できない現象となりました。多くの企業が「AIを導入せよ」というトップダウンのプレッシャーに直面し、その最も明白な導入先としてコーディングエージェントやカスタマーサービスが挙げられます。この普遍的な需要が、Decagonのような企業を国際市場へと強く引き寄せています。
AIによる言語障壁の低下: 過去、ソフトウェア製品の国際展開における大きな障壁の一つは、多言語対応の難しさでした。しかし、AIの進化、特に大規模言語モデルの能力向上により、アプリケーションを異なる言語に適応させることが格段に容易になりました。これは、Decagonがオーストラリアやロンドンといった地域にオフィスを開設し、グローバルに顧客を獲得できる大きな要因となっています。

しかし、国際展開には依然として課題も存在します。データレジデンシーの要件、現地の競合他社、市場特有のニーズなどです。Decagonは、これらの課題に対応しつつ、リソースが分散しすぎないよう、投資すべき市場を慎重に選択し、「投資するならば徹底的に投資する」という戦略を取っています。

水平統合と垂直特化の議論：Decagonの戦略

AI時代における市場の統合と垂直化について、Decagonは明確な見解を持っています。彼らは、自分たちのスペース（AIエージェント）における勝者は「水平的」であると信じています。

歴史的に見ても、SalesforceやZendeskといった企業は、特定の垂直市場に特化するのではなく、様々な業界の顧客関係管理やカスタマーサービスを横断的に支援する水平的なソリューションを提供することで、大きな成功を収めてきました。Decagonも同様に、特定の業界に特化した非常に深い機能を提供するよりも、大規模な顧客基盤に通用する堅牢で深いプロダクトを持つことのメリットが大きいと考えています。

もちろん、将来的には垂直特化型の機能も製品に組み込むでしょうが、彼らの基本的な視点は、市場のニーズと技術の進化が許す限り、幅広いユースケースに対応できる水平的なAIエージェントプラットフォームを構築することにあります。この戦略は、AIの汎用的なビジネスプロセス追従能力を最大限に活用し、多様なエンタープライズ顧客の変革を支援するというDecagonのビジョンと合致しています。

結論：Decagonが描くエンタープライズAIの未来

Decagonの物語は、単なるAIスタートアップの成功事例に留まらず、エンタープライズAIの未来像、そしてAI時代におけるビジネスとキャリアのあり方について、多岐にわたる重要な示唆を与えてくれます。

彼らの戦略の核にあるのは、オープンソースモデルの戦略的かつ深い活用です。初期のフロンティアモデルへの依存から脱却し、特定のタスクに特化した小規模なオープンソースモデルをファインチューニングすることで、Decagonはパフォーマンス、コスト、レイテンシーのすべての面でフロンティアモデルを凌駕する結果を達成しました。Decagon Labsという「モデルファクトリー」は、このアプローチを支える技術的基盤であり、常に進化するAIモデルのランドスケープに適応し、顧客に最適なソリューションを提供する上で不可欠な存在です。

AIエージェントは、企業の「フロントドア」として、あらゆる顧客インタラクションを担う「AIコンシェルジュ」へと進化しています。Decagonは、単なるカスタマーサポートエージェントではなく、「ビジネスプロセスをうまく追従するエージェント」という哲学を掲げ、高度なビジネスロジックをアプリケーションレイヤーでモデルに組み込むことで、このビジョンを現実のものとしています。彼らの「ガラスボックス」アプローチは、顧客がAIエージェントの運用と改善に深く関与し、迅速なイテレーションを可能にすることで、エンタープライズにおけるAI導入の障壁を打ち破っています。

フォワードデプロイメントの役割を再定義し、顧客の「痛み」を吸い上げて汎用的な製品改善へと昇華させるDecagonのアプローチは、AI時代のプロダクト開発における新たな規範を示しています。DuetやDuet Autopilotといった、AIがAIエージェントを構築・改善するメタレベルの自動化は、この戦略の集大成であり、今後のAI開発の効率を飛躍的に高める可能性を秘めています。

AGIの時代が到来しても、Decagonは「AIは仕事を殺すが、キャリアは殺さない」と語り、人間の仕事がより高付加価値で創造的なものへとシフトしていく未来を描きます。AIによるコスト削減は、新たなサービス需要を掘り起こし、Jevons Paradoxのように、顧客体験の総量を向上させると予測しています。CRMのような既存システムも、AIエージェントの強力な情報基盤としてその価値を再認識されるでしょう。そして、この変革を推進する最大のボトルネックは、技術ではなく、優秀な「人材の採用」であるという彼らの指摘は、AI時代における企業競争の真の姿を浮き彫りにします。

Decagonの物語は、エンタープライズがAIを導入する上での道筋、つまり、単に最先端のモデルを追うのではなく、自社のユースケースに最適化された戦略的なアプローチを取ることの重要性を示しています。彼らの顧客中心主義、製品駆動型の哲学、そして変化の激しい市場への適応力は、AIがビジネスのあり方を根底から変革する時代において、企業が生き残り、繁栄するための貴重な教訓を提供してくれるでしょう。