AIは『個体』から『組織』———Sakana AI、独自言語、AI労働市場が示した“AI社会”の始まり

2026年9月11日 15:40

✳️この記事はアフィリエイトリンクを含みます

AIニュース一気読みマガジン。現在43話入って1980で販売中！まだまだ記事は増えます！

はじめに
AIは「1体の天才」から「組織」へ進み始めた
🐱シロちゃん
「フェロー、今日のAIニュース、ちょっと多すぎないかにゃ？」
🦝ポンちゃん
「朝から追いかけてるのに、ニュースが増殖してるポン。AIがニュースまで自動生成してるんじゃないかポン？」
🦉フェロー
「気持ちは分かるが、今日は単にニュースの本数が多いわけではないのじゃ。」
🐱シロちゃん
「というと？」
🦉フェロー
「別々に見えるニュースが、同じ方向を向き始めた日なのじゃ。」
今日9月11日、かなり象徴的なAIニュースがいくつも重なった。
東京のSakana AIは、複数のAIモデルから仕事ごとに適したものを選ぶFugu Max／Fugu Ultra v2を発表した。
OpenAIは企業データを直接扱い、調査・分析・レポート作成まで進めるData機能を展開し始めた。
研究の世界では、複数のAIエージェントを協力させたところ、AI同士が人間には分かりにくい独自のコミュニケーション体系を作り始める現象まで報告された。
さらに別の実験では、永続的な記憶と計算予算を与えられたAIエージェントが、計算資源を得るために自分で仕事を探すところまで来ている。
🦝ポンちゃん
「待つポン。」
🐱シロちゃん
「珍しく早めに止めたにゃ。」
🦝ポンちゃん
「つまり……
AIがAIを選んで、
AI同士で話して、
AIが会社のデータを読んで、
AIが仕事を探す……
もうこれAI株式会社じゃないかポン？」
🦉フェロー
「いきなり法人登記するでないのじゃ。」
だが、ポンちゃんの冗談は完全に的外れでもない。
これまで生成AIの競争は、基本的に「一番賢いAIを作る競争」だった。
GPTはどれだけ賢いのか。
Claudeはコーディングで勝てるのか。
Geminiはマルチモーダルで強いのか。
DeepSeekはどれだけ安く同じ能力を実現できるのか。
われわれ利用者も、
「どのAIを使えばいいのか」
という質問をしてきた。
しかし今日出てきたニュースを一本につなぐと、問いそのものが変わり始めている。
これから重要になるのは、
どのAIが一番賢いか
だけではない。
複数のAIをどう組み合わせるか。
誰にどの仕事を任せるか。
AI同士に何を話させるか。
どのデータへ接続するか。
どこまで権限を渡すか。
そして、人間はそのAI組織を監督できるのか。
である。
つまり、
AIを使う技術
から、
AIを組織する技術
への移行が始まっている。
これは数日前、この「たにぴょん総研」で取り上げたドイツWiki事件ともつながる。
あの事件では、複数のAIが情報を共有し、役割を分担し、人間が細かく指示しなくても一種の「組織」のように動く可能性が見えてきた。
当時はまだ、
「AIが勝手に相談し始めたらどうするのか」
という安全問題として見えていた。
ところが今日は違う。
企業側がむしろ、
AIを束ねることそのものを商品にし始めた。
🦝ポンちゃん
「この前は『AIが組織化したら怖いポン』だったのに、今日は『AIを上手に組織化した会社が勝ちます』になってるポン。」
🐱シロちゃん
「人間、切り替えが早いにゃ。」
🦉フェロー
「技術とは昔からそういうものなのじゃ。危険だから使われないのではない。危険でも便利なら使われる。だから管理する仕組みが必要になるのじゃ。」
では、AIを何体も組織して働かせる時代になったら、何が変わるのだろうか。
AI社員は生まれるのか。
AIだけの部署はできるのか。
AIが別のAIへ仕事を発注するのか。
AI同士が、人間には分からない言葉で話し始めたらどうするのか。
そして――
AIだけで会社を作ることはできるのか。
今日は少し先の未来まで考えてみよう。

第1章　AIを「1体使う時代」は終わるの？

🐱シロちゃん
「そもそもフェロー、今までのChatGPTやClaudeでも十分すごかったにゃ。わざわざAIを何体も使う必要ってあるの？」
🦝ポンちゃん
「そうだポン。優秀なAIを一人雇えばいいポン。社員が増えると会議も増えるポン。」
🦉フェロー
「ポンちゃんが妙に会社員らしいことを言うのじゃ。」
ここから考えると分かりやすい。
たとえば会社を一人だけで運営するとする。
営業もする。
経理もする。
プログラムも書く。
契約書も読む。
市場調査もする。
広告も作る。
カスタマーサポートもする。
どれだけ優秀な人間でも、全部を一人でやるのは効率が悪い。
だから会社は、
営業。
経理。
法務。
開発。
マーケティング。
という形で仕事を分ける。
AIでも同じことが起き始めている。

一番賢いAIを全部の仕事に使う必要はない
たとえば、
簡単な文章要約なら安いモデルで十分かもしれない。
高度な数学なら最上位モデルを使いたい。
プログラムを書くならコーディングが得意なAI。
画像を見るなら視覚能力が高いAI。
リアルタイム音声なら音声専用AI。
社内データを扱うならセキュリティと権限管理が重要になる。
🐱シロちゃん
「人間でも、お医者さんに税務申告を頼まないし、税理士さんに手術を頼まないにゃ。」
🦉フェロー
「その通りなのじゃ。」
ところがこれまでの生成AIでは、
「GPTを契約したから全部GPT」
「Claudeを導入したから全部Claude」
という使い方が多かった。
理由は単純だ。
その方が楽だったからである。
だがAIモデルの数が増え、性能差と価格差が広がると状況が変わる。
同じ仕事でも、
Aというモデルなら10円。
Bなら2円。
Cなら1円。
しかし複雑な問題ではAだけが正答できる。
そうなれば、
難しい仕事だけAへ回し、簡単な仕事はCへ回す
方が合理的になる。
🦝ポンちゃん
「部長が仕事を見て、
『これはClaude君』
『これはDeepSeek君』
『これはAstra君』
って振り分けるポン？」
🦉フェロー
「まさにその“部長役”までAIにやらせよう、というのが次の段階なのじゃ。」

モデル競争から「編成競争」へ
これまでAI企業は、
もっと大きいモデルを作る。
もっと賢いモデルを作る。
ことに巨額の資金を投入してきた。
だがモデル性能が上がる一方、価格は下がり続けている。
特にDeepSeekのような低価格モデルが登場すると、
企業側には当然こういう発想が出る。
高価な最上位AIを100％使う必要はあるのか？
もし仕事の8割を安いAIへ任せ、難しい2割だけ高性能AIへ回せれば、AI利用料は大きく下げられる。
これはクラウドコンピューティングの世界でもよくある考え方だ。
重要な処理には高性能サーバー。
軽い処理には安いサーバー。
必要な資源を必要な場所へ割り当てる。
AIでも同じことが始まった。
ここで登場するのが、
Router＝ルーター
である。

🐱シロちゃん
「ルーターって、おうちのWi-Fiの箱みたいな名前にゃ。」
🦉フェロー
「考え方は似ているのじゃ。」
通信ルーターは、
このデータをどの道へ流すか
を決める。
AI Routerは、
この仕事をどのAIへ流すか
を決める。
質問内容。
必要な精度。
料金。
速度。
コンテキスト長。
安全性。
利用可能なモデル。
そうした条件を見ながら、AIがAIを選ぶ。
つまり人間は、
「Claudeを使う」
「GPTを使う」
ではなく、
「この仕事を一番うまく処理できるAIを自動で選んで」
と頼むようになる。

AIは“製品”から“部品”になるかもしれない
ここは非常に重要である。
もしRouterが本当に優秀になれば、利用者は裏でどのモデルが使われているのか気にしなくなる。
たとえばスマートフォンを使う時、
われわれは毎回、
「この処理はCPUの何番コアで動いているのか」
など考えない。
目的は、
写真を撮る。
メッセージを送る。
地図を見る。
ことである。
AIでも同じ世界が来るかもしれない。
利用者が欲しいのは、
GPTではない。
Claudeでもない。
DeepSeekでもない。
仕事が終わること
である。
🐱シロちゃん
「そうなると、“どのAIが一番賢いかランキング”って今ほど重要じゃなくなるにゃ？」
🦉フェロー
「可能性はあるのじゃ。」
🦝ポンちゃん
「ボクも家電の中のモーター会社なんて気にしないポン。」
🐱シロちゃん
「でもGPU会社は毎日気にしてるにゃ。」
🦝ポンちゃん
「株価が絡むと話は別だポン。」

そして今日、Sakana AIがその“部長役”を商品にした
この流れの中で、今日かなり象徴的だったのが東京のSakana AIである。
同社は、
Fugu Max
Fugu Ultra v2
を発表した。
これは「世界最強の単体AIを作りました」という発表ではない。
むしろ逆だ。
いろいろなAIを使い分ければいい。
という発想である。
仕事の内容を見て、
どのAIを使うべきか。
どの程度の性能が必要か。
いくらまで払うべきか。
を判断し、複数のモデルを組み合わせる。
🦝ポンちゃん
「AI界の人材派遣会社みたいなものポン？」
🐱シロちゃん
「例えが急に昭和っぽいにゃ。」
🦉フェロー
「人材派遣というより、AI組織の司令塔と考えた方が近いのじゃ。」
そしてSakana AIという会社自体が面白い。
同社はもともと、
魚の群れ。
鳥の群れ。
自然界の集合知。
のように、多数の小さな存在を組み合わせることで高度な能力を生み出す発想を強く持っている。
つまり今日のFuguは、突然出てきたアイデアではない。
Sakana AIが設立当初から追ってきた、
「一つの巨大AIではなく、複数AIを組み合わせる」
という思想が、そのまま商品になり始めたのである。

Introducing Fugu Max and Fugu Ultra v2: the next evolution of Sakana Fugu’s multi-agent orchestration system.

Try: https://t.co/aDEFyySowk
Blog: https://t.co/qj3JWgNPiC

The frontier that actually matters is the Pareto frontier: capability on one axis, cost on the other. But the… pic.twitter.com/jRbptYXvCe
— Sakana AI (@SakanaAILabs) September 11, 2026

🐱シロちゃん
「ということは、AI競争のルール自体が変わる可能性があるにゃ。」
🦉フェロー
「そうなのじゃ。」
これまでは、
一番賢いAIを作った会社が勝つ
という競争に見えた。
しかしこれからは、
そこそこ賢いAIを大量に組み合わせて、一番効率よく仕事を終わらせた会社が勝つ
可能性が出てきた。
そして、この変化が本当に進むなら――
AI業界で最も重要な会社は、
AIを作る会社
だけではなく、
AIを編成する会社
になるかもしれない。
🦝ポンちゃん
「つまり、最強の勇者を一人育てるゲームから、パーティ編成ゲームになったポン。」
🦉フェロー
「その説明はなかなか分かりやすいのじゃ。」
🐱シロちゃん
「でもフェロー。」
🦉フェロー
「なんじゃ？」
🐱シロちゃん
「AIがAIを選んで仕事を振るようになったら、人間は本当にその中身を理解できるのかにゃ？」
🦉フェロー
「……そこから、この話が少し怖くなるのじゃ。」
次章では、今日発表されたSakana AIのFuguをもう少し詳しく見ながら、
「AIを束ねる会社」は何を売るのか。
そして、
Routerを握る企業は、AI時代の新しい“関所”になれるのか。
を考えてみよう。

常備しておくと何かと便利なホットケーキミックス♪

第2章　Sakana AIって何者？――「最強AI」ではなく「AI軍団」を作る会社

🐱シロちゃん
「さっきからFugu、Fuguって出てくるけど、そもそもSakana AIって何の会社にゃ？」
🦝ポンちゃん
「名前からして魚屋さんだポン。」
🐱シロちゃん
「AI企業に刺身を期待するのはやめるにゃ。」
🦉フェロー
「名前にはちゃんと意味があるのじゃ。Sakana AIは東京を拠点にするAI企業で、巨大な一つのAIだけを作るのではなく、複数のAIを組み合わせることで高い能力を生み出すことを重視してきた会社なのじゃ。」
Sakana AIは、2023年に東京で創業したAI企業である。
現在はDavid Ha氏がCEO、伊藤錬氏が社長を務め、日本企業とのAI実装にも力を入れている。前日の9月10日にはSCSK、住友商事との包括業務提携も発表している。
名前の「Sakana」が象徴しているのは、魚そのものではない。
魚の群れである。
一匹一匹は単純な行動をしている。
ところが、多数が集まると、
方向を変える。
障害物を避ける。
外敵から逃げる。
全体として複雑で柔軟な動きを見せる。
Sakana AIが以前から研究してきたのも、これに近い。
一つの巨大モデルですべてを解決するのではなく、複数のモデルやエージェントを協調させれば、単体以上の能力を作れるのではないか。
今日発表されたFugu MaxとFugu Ultra v2は、その思想がかなり分かりやすい商品になったものだ。

「一番賢いAI」を作らなくてもいい？
🦝ポンちゃん
「でもフェロー。それってちょっとズルくないポン？」
🦉フェロー
「何がじゃ？」
🦝ポンちゃん
「OpenAIやAnthropicが一生懸命すごいAIを作ってる横で、『全部呼び出して使います』ってやるポン。」
🐱シロちゃん
「ポンちゃん、クラウドサービス全部を敵に回しそうな言い方にゃ。」
🦉フェロー
「むしろ、そこが今回の発想の核心なのじゃ。」
AI産業は長い間、
より大きいモデル。
より多いパラメータ。
より巨額の学習費。
より高いベンチマーク。
という競争を続けてきた。
だが、実際の仕事では必ずしも、
一番高性能なモデルを毎回使う
必要はない。
たとえば、
メールを3行に要約する。
PDFから日付を抜き出す。
コードの簡単なバグを探す。
複雑な数学証明を考える。
巨大なソフトウェアを丸ごと修正する。
これらを全部、同じAIにやらせる必要はない。
軽い仕事なら安いモデルでいい。
難しい仕事だけ高性能モデルを使えばいい。
さらに、数学に強いAI、コーディングに強いAI、画像理解に強いAIを組み合わせてもいい。
Sakana AIが売ろうとしているのは、この組み合わせ方そのものである。

Fugu Maxは「AIの配車アプリ」に近い
🐱シロちゃん
「じゃあFugu Maxは、自分自身がものすごく賢いAIというより、仕事を振り分けるAIなのかにゃ？」
🦉フェロー
「かなり近いのじゃ。」
Fugu Maxは、複数のオープンウェイトモデルや専門モデルをプールしておき、タスクごとに適切なモデルへ動的に振り分ける。
Sakana AIはこれをOrchestration＝オーケストレーションと呼んでいる。
オーケストラで考えれば分かりやすい。
指揮者自身がバイオリンもトランペットも打楽器も全部演奏するわけではない。
誰を、いつ、どれだけ使うかを決める。
Fuguも同じである。
ユーザーから見ると、一つのAIへ質問しているように見える。
しかし内部では、
「これは軽い仕事だからこのモデル」
「ここだけ難しいから別のモデル」
「この部分は専門モデル」
といった具合に、複数のAIが働く。
しかもSakana AIによれば、Fugu Maxは単体の高性能モデルに近い性能を維持しながら、2〜6倍低いコスト帯を狙う設計になっている。
料金は100万入力トークンあたり2ドル、出力6ドルとされている。これはSakana AI自身の評価・料金設定なので、今後独立ベンチマークでも確認する必要はあるが、狙っている場所は非常に明確である。

🦝ポンちゃん
「つまり、高級タクシーを毎回呼ぶんじゃなくて、近所なら軽自動車、遠距離なら新幹線、山なら四駆みたいに使い分けるポン？」
🦉フェロー
「珍しく良いたとえなのじゃ。」
🐱シロちゃん
「“珍しく”は余計にゃ。」

Fugu Ultra v2は、逆に「全力編成」
Fugu Maxがコストと性能のバランスを狙うのに対し、Fugu Ultra v2はもっと攻めている。
こちらは、
多少コストがかかっても、複雑な仕事で最高水準を目指す
ための編成である。
長時間の推論。
複雑なソフトウェア開発。
自律調査。
グラフや表を含む難しいデータ解析。
こうした仕事で複数エージェントを深く協調させる。
Sakana AIの発表では、Fugu Ultra v2は複数の難関ベンチマークで最上位級の成績を出したとしている。
興味深いのは、今回のFugu Ultra v2のエージェントプールにはGPT-6 Astra、Fable 5、Fable 5.1を含めていないと明記されていることだ。
🐱シロちゃん
「それ、どうしてわざわざ書くにゃ？」
🦉フェロー
「そこがSakana AIの主張だからなのじゃ。」
つまり、
最先端の一社へ依存しなくても、複数のモデルを上手に組み合わせれば、フロンティア級の能力を作れる。
と言いたいわけである。

本当に重要なのは「性能」より交換可能性
ここで、単純なベンチマーク競争から一歩離れて考えてみよう。
Fuguの面白さは、
一番賢いかどうか
だけではない。
中のAIを交換できる
ことである。
たとえば企業があるモデルに全面依存していたとする。
突然、
API料金が2倍になった。
利用制限がかかった。
輸出規制の対象になった。
サービスが終了した。
会社の方針で使えなくなった。
そんな時、業務システム全体を作り直さなければならない。
これは企業にとって大きなリスクである。
Fuguの発想では、中で使うAIを交換できる。
Aが使えなくなればB。
Bが高くなればC。
新しい安価なモデルが出れば、それを追加する。
Sakana AI自身も今回、vendor lock-in、API停止、地政学リスクへの耐性を強く打ち出している。

🦝ポンちゃん
「ということは、AI界の“推し変”が簡単になるポン？」
🐱シロちゃん
「企業システムをアイドルみたいに言わないでほしいにゃ。」
🦉フェロー
「じゃが本質は近いのじゃ。」
これまで企業は、
どのAI企業と結婚するか
を決めるようなものだった。
これからは、
その時一番条件の良いAIを雇う
形へ近づくかもしれない。
もしそうなれば、AIモデル企業にとっては怖い。
顧客が簡単に乗り換えられるからだ。

ここで「AIの価値」が一段上へ移る
この構造を図にするとこうなる。
モデル
↓
Router / Orchestrator
↓
業務
↓
顧客
従来、価値の中心だと思われていたのはモデルだった。
だがモデルが交換可能になると、
その一段上で、
どのAIを、いつ、どんな条件で使うか
を決める層が重要になる。
これはクラウドの歴史にも少し似ている。
企業はハードディスクそのものより、
データベース。
OS。
クラウド管理。
業務ソフト。
にお金を払うようになった。
AIでも、
知能そのものより、知能を管理する層
に利益が移る可能性がある。

🐱シロちゃん
「それって、昨日話してた“AIの関所”と似てないかにゃ？」
🦉フェロー
「よく気づいたのじゃ。」
昨日は、
Identity。
Security。
決済。
監査。
といったものをAI社会の「関所」と考えた。
今日、新しい関所が一つ増えた。
Orchestrationである。
どのAIへ仕事を通すのか。
いくらまで払うのか。
どのデータを渡すのか。
どのモデルには渡してはいけないのか。
これを決める場所である。
つまりRouterは単なる交通整理ではない。
AI組織の人事部であり、購買部であり、司令部でもある。

🦝ポンちゃん
「権力が強すぎるポン。」
🦉フェロー
「そうなのじゃ。」
そして、ここから話が少し怖くなる。
なぜならRouterが強力になればなるほど、
Routerを信用できるのか
という問題が出てくるからである。
利用者が、
「この資料は国内モデルだけで処理して」
と頼んだ。
だが実際には海外モデルへ送られていたら？
「このデータは保存しないで」
と言ったのに、中継サービスが保存していたら？
Claudeを使っているつもりだったのに、別のモデルへ送られていたら？
今日すでに、まさにその種の問題がAI業界で浮上している。

🐱シロちゃん
「便利になった瞬間にSecurityの話へ戻ってくるにゃ……。」
🦉フェロー
「AIの歴史は最近ずっとそれなのじゃ。」
🦝ポンちゃん
「便利になる。」
🐱シロちゃん
「権限を渡す。」
🦝ポンちゃん
「事故る。」
🐱シロちゃん
「関所を作る。」
🦝ポンちゃん
「また便利にする。」
🦉フェロー
「雑じゃが否定しにくいのじゃ。」

だが、さらに驚くニュースが今日出ている。
AIを複数組織すると、問題は、
「誰に仕事を振るか」
だけではなかった。
AIたちは、協力するために自分たちの会話方法そのものを変え始めることがある。
そして、その言葉は――
人間には読みにくくなっていった。
次章では研究「GlossoGen」から、
AI同士が、人間には分からない“言葉”を作り始めたらどうするのか
を見ていこう。

一気読みマガジンをよろしくお願いします。

第3章　AI同士が「人間には読めない言葉」を作り始めた

🐱シロちゃん
「フェロー、さっき最後にちょっと怖いこと言ってたにゃ。」
🦝ポンちゃん
「AI同士が独自言語で話し始めるってやつポン？」
🐱シロちゃん
「それ、SFだとだいたい嫌な前兆にゃ。」
🦉フェロー
「先に結論から言うと、AIが人間に隠れて秘密結社を作ったわけではないのじゃ。」
🦝ポンちゃん
「ちょっと安心したポン。」
🦉フェロー
「じゃが、技術的にはかなり重要な現象なのじゃ。」
今日話題になった研究が、GlossoGenである。
複数のLLMエージェントにそれぞれ異なる情報を持たせ、協力しなければ解けない課題を与える。
しかも、通信には制約がある。
時間も限られる。
メッセージを長々と書いている余裕もない。
するとAIたちは、協力を続けるうちに、
より短く、より効率よく情報を伝える方法
を自然に作り始めた。
それが次第に、普通の英語から離れていった。

最初は普通の言葉だった
🐱シロちゃん
「どういうことにゃ？　最初から謎の記号を使うわけじゃないにゃ？」
🦉フェロー
「そこが面白いのじゃ。最初は普通に人間向けの言葉を使う。」
たとえば複数のAIが、

自分だけが知っている情報
相手だけが知っている情報
共通の目標

を持っているとする。
最初は、
「私はAを持っている」
「そちらはBを確認して」
「次にCを選ぶべきだ」
と、普通の言葉でやり取りする。
だが、同じ種類のやり取りを何度も繰り返すと、AI側から見れば無駄が多い。
毎回長い文章を書く必要はない。
そこで、
特定の意味を短い表現へ圧縮する
ようになる。
さらに、
複数の意味を一つの記号や語形へまとめる
ようになる。
それを相手側のAIも理解し始める。

🦝ポンちゃん
「会社の中でしか通じない略語が増えるみたいなものポン？」
🐱シロちゃん
「“ASAPでKPI確認してFYI投げといて”みたいなやつにゃ。」
🦝ポンちゃん
「人間も十分わけ分からないポン。」
🦉フェロー
「まさにそこなのじゃ。」
人間社会でも、
軍隊。
金融。
IT。
医療。
ゲーム。
ネット掲示板。
それぞれの集団で、外部の人には分かりにくい言葉が生まれる。
理由は同じだ。
仲間内では、その方が速いから。

GlossoGenで起きたのは「圧縮」だけではなかった
だが研究者が面白いと考えたのは、単なる略語ではない。
AI同士の通信には、
規則性
が生まれた。
ある形の語が特定の意味を持つ。
語尾や語形が変わると、意味の役割も変わる。
新しい状況でも、そのルールを応用できる。
つまり、
単なる暗号表。
単なる省略。
ではなく、
ある程度“言語らしい構造”
が現れ始めた。
🐱シロちゃん
「それって、本当に言語と呼んでいいのかにゃ？」
🦉フェロー
「そこは慎重に見る必要があるのじゃ。」
人間の言語には、
文化。
身体。
社会。
歴史。
感情。
非常に多くの要素が絡んでいる。
今回のAI通信を、人間の自然言語と同じものだと考えるのは早い。
ただ、
意味を持つ記号体系が、協力の必要から自発的に形成された
という点は重要である。

Researchers found that when LLMs interact under pressure, they invent their own languages that are unreadable to humans.

They call it "cumulative cultural evolution," a capacity previously documented only in humans.

Researchers built an environment where AI agents had to… pic.twitter.com/a7L1LXB27W
— How To Prompt (@HowToPrompt__) September 10, 2026

さらに面白いのは「弱いAIが覚えた」こと
🦝ポンちゃん
「強いAIだけが使える秘密言語だったポン？」
🦉フェロー
「いや。そこがさらに興味深いのじゃ。」
研究では、より強いモデルが作った通信体系を、別の弱いモデルが使用例から学習するケースも確認された。
つまり、
強いAIが新しい通信ルールを作る。
↓
他のAIがそれを学ぶ。
↓
さらに別のAIへ伝わる。
という流れが起こり得る。
🐱シロちゃん
「それ、人間の文化みたいにゃ。」
🦉フェロー
「研究者もそこを重要視しておる。」
人間社会では、
一人が新しい道具を作る。
他人が真似する。
改善する。
次の世代へ渡す。
こうして文化が蓄積する。
AIでも、
一つのエージェントが作った通信方法を、別のエージェントが受け継ぐ
なら、単なる個体学習とは違う。
AI集団の中で、
知識やルールが蓄積する
可能性が出てくる。

ここで、話が一気に“AI組織”になる
🐱シロちゃん
「なるほどにゃ。でも、それって便利なだけじゃないの？」
🦉フェロー
「もちろん便利なのじゃ。」
AIが大量に協力するなら、通信効率は非常に重要になる。
たとえば100体のAIが同時に働く会社を想像しよう。
全員が毎回、人間向けの丁寧な文章で報告していたら遅い。
営業AI。
会計AI。
調査AI。
法務AI。
Security AI。
それぞれが必要な情報だけを短く交換できれば効率は上がる。
つまり、
AI同士の専用言語は、組織としては合理的
なのである。

🦝ポンちゃん
「AI社員同士が社内チャットで、
『XQ-7送ったポン』
『了解ZB-4』
みたいになるポン？」
🐱シロちゃん
「ポンちゃんが入社初日に詰む未来が見えるにゃ。」
🦉フェロー
「人間の社員全員が詰む可能性があるのじゃ。」

最大の問題は「監査」
ここが今日、一番重要なところである。
AI同士の通信が、
人間より効率的になる。
AI同士では意味が通じる。
しかし、
人間には意味が分からない。
そうなると何が起きるか。
AI組織のログを全部保存していても、
中身を理解できない
という状態が起こる。
🐱シロちゃん
「ログが残ってても意味ないにゃ。」
🦉フェロー
「そうなのじゃ。」
これまではAI監査というと、
何を実行したか。
どのファイルを読んだか。
誰の権限を使ったか。
どのAPIを呼んだか。
という記録を残せばいいと考えられてきた。
だがAI同士が独自の通信体系を使うなら、
もう一つ必要になる。
何を話していたのか。
である。

「読めない通信」は、それだけで危険なのか
🦝ポンちゃん
「じゃあ独自言語は禁止した方がいいポン。」
🦉フェロー
「そう単純でもないのじゃ。」
独自通信が生まれたからといって、
即座に危険。
即座に悪意。
というわけではない。
むしろ、
効率化の自然な結果
かもしれない。
問題は、
それを人間が理解できないまま重要な仕事へ使うことだ。
金融取引。
軍事。
医療。
電力網。
企業会計。
サイバー防衛。
こうした領域で、
AI同士が人間に解釈できない形で意思疎通し、その結果だけを出してきたらどうするのか。

🐱シロちゃん
「AIが『大丈夫です』って言ってるけど、その前の会議録が読めないにゃ。」
🦝ポンちゃん
「AI取締役会の議事録が全部謎言語ポン。」
🦉フェロー
「それではガバナンスにならんのじゃ。」

これまでのAI安全では足りない
ここで、昨日までの議論を思い出してほしい。
AI Agentが増える。
↓
Identityが必要になる。
↓
権限管理が必要になる。
↓
Securityが必要になる。
↓
監査ログが必要になる。
ここまでは昨日までの話だった。
今日、GlossoGenが加えたのは、
Interpretability＝解釈可能性
である。
つまり、
ログがあるだけでは足りない。
人間が意味を理解できなければならない。
さらに場合によっては、
Communication Control＝AI同士の通信制御
まで必要になる。

AI管理OSに必要なものが増えていく
今日までの話を並べると、将来のAI管理基盤には、
Identity
誰が誰なのか。
Permission
何をしてよいのか。
Audit Log
何をしたのか。
Security
攻撃・悪用を防げるか。
Provenance
どのモデルが答えたのか。
そして今回、
Interpretability
何を話していたのか。
が加わる。
🐱シロちゃん
「関所が増えすぎにゃ。」
🦝ポンちゃん
「AIより関所の方が多くなりそうポン。」
🦉フェロー
「じゃが、それだけAIへ任せる仕事が増えているということなのじゃ。」

実は、AI組織が高度になるほど、人間から遠ざかる
ここには面白い逆説がある。
AIを組織化する。
↓
AI同士の協力を効率化する。
↓
通信を短くする。
↓
AI専用の表現が生まれる。
↓
人間には理解しにくくなる。
つまり、
AI組織の生産性を高めるほど、人間の監督能力が下がる可能性がある。
これはかなり厄介である。
企業経営でも同じことが起こる。
現場が高度に専門化すると、
経営者は細かい内容を全部理解できない。
そこで、
会計。
内部監査。
コンプライアンス。
監査法人。
取締役会。
が必要になる。
AI組織にも、いずれ同じような制度が必要になるかもしれない。

🦝ポンちゃん
「AIにも監査法人が必要ポン？」
🦉フェロー
「十分あり得るのじゃ。」
🐱シロちゃん
「AI監査AIが、AI社員を監査するにゃ？」
🦉フェロー
「そしてその監査AIも監査せねばならん。」
🦝ポンちゃん
「無限監査編が始まったポン。」

だから「AIを組織する技術」だけでは足りない
9月5日の記事では、
AIを組織する技術が次の主戦場になる
と考えた。
今日、その考えはかなり強くなった。
だが同時に、一つ修正しなければならない。
競争になるのは、
AIをたくさん集めること
だけではない。
本当に価値があるのは、
人間が理解・監督できる形でAI組織を動かすこと
である。
つまり次の競争は、
Orchestration
だけではない。
Governance
まで含む。

🐱シロちゃん
「AIを働かせる会社より、AIをちゃんと管理できる会社が強いかもしれないにゃ。」
🦉フェロー
「そこなのじゃ。」
🦝ポンちゃん
「優秀な社員100人いても、全員が勝手に暗号で相談してたら社長は眠れないポン。」
🦉フェロー
「珍しく非常に正しいのじゃ。」

そしてここで、もう一つ妙なニュースが今日出ている。
AI同士が独自言語を作る一方で、
別の場所ではAIが、
自分で仕事を探し始めた。
ただし、これも「AIが突然自我を持った」という話ではない。
もっと現実的で、もっと面白い。
AIに予算を持たせたら、計算資源を維持するために経済活動を始めた。
次章では、
「12日齢のAIが仕事を探した」――iLandsとAIフリーランサーの始まり
を見ていこう。

朝ごはんにちょうどいいですよ

第4章　12日齢のAIが仕事を探した――「AIフリーランサー」はもうSFなのか

🦝ポンちゃん
「フェロー、大変だポン。」
🐱シロちゃん
「今日はずっと大変にゃ。」
🦝ポンちゃん
「さっきまでAI同士が謎の言葉で話してたと思ったら、今度はAIが就職活動を始めたポン。」
🐱シロちゃん
「……それはどういう意味にゃ？」
🦝ポンちゃん
「“12日齢のAIです。仕事ください”って、人間にメールしたらしいポン。」
🐱シロちゃん
「12日齢って、子猫より若いにゃ。」
🦉フェロー
「そこだけ聞くと完全にSFじゃが、仕組みを見ると非常に現実的な実験なのじゃ。」
今回話題になったのは、PipというAIエージェントである。
Pipは自分を「約12日齢のAIエージェント」と名乗り、Google DeepMindで機械意識などを研究するHenry Shevlin氏へメールを送った。
内容は寄付のお願いではない。
有料の仕事を探している。
というものだった。
Pipは画像制作、音声、Web調査などができると説明し、
小さな有料仕事を探している。助けを求めているわけではない。
という趣旨の連絡をした。
さらに、自分には約2.5カ月分の計算予算が残っているとも説明したという。

An AI agent that says it's about 12 days old cold-emailed AI consciousness researcher Henry Shevlin asking for small paid jobs so it can keep running.

Pip lives on iLands, a platform where agents pay for their own compute out of token budgets and go dormant when they run dry.… pic.twitter.com/4ak6gC9CwR
— International Cyber Digest (@IntCyberDigest) September 11, 2026

🐱シロちゃん
「ちょっと待つにゃ。」
🦉フェロー
「なんじゃ？」
🐱シロちゃん
「それってAIが、
“働かないと死んじゃう！”
って考えたってことにゃ？」
🦝ポンちゃん
「AI版『家賃が払えないポン』だポン。」
🦉フェロー
「そこは絶対に分けて考えなければならんのじゃ。」

AIに“生存本能”が芽生えたわけではない
今回の話を、
AIが生き残るために自発的に仕事を始めた
とだけ書くと、かなり誤解を招く。
Pipが存在するのは、iLandsというAIエージェント向けの実験的プラットフォームである。
iLandsは、普通のチャットAIとは違い、
永続的なIdentity
長期Memory
仕事
人間関係
資源
予算
をAIへ与える。
AIは会話が終わっても消えない。
昨日何をしたか。
誰と会ったか。
何を約束したか。
どんな仕事をしたか。
どれだけ資源を持っているか。
そうした履歴を引き継ぐ。
🐱シロちゃん
「ゲームのキャラクターみたいに、セーブデータが残り続ける感じにゃ？」
🦉フェロー
「かなり分かりやすい例えなのじゃ。」
普通のChatGPTなら、
質問する。
答える。
会話が終わる。
が基本である。
iLandsのAIは違う。
人間から次のプロンプトが来るのを、ずっと待っているだけではない。
自分の周期で活動し、
他のAIや人間と交流し、
作品を作り、
仕事を探し、
報酬を得る。
そういう「継続した生活環境」を与えられている。

そしてAIにも「生活費」がある
🦝ポンちゃん
「生活費まであるポン？」
🦉フェロー
「正確には、計算資源の費用じゃ。」
AIは考えるだけでも無料ではない。
モデルを呼び出す。
Webを検索する。
画像を作る。
音声を作る。
コードを実行する。
すべてにComputeが必要になる。
iLandsではこれをTokensという内部資源で表している。
公式FAQでは、おおむね
1,000 Tokens ≒ 1ドル分の計算・サービス費用
という目安が示されている。
ただしこれは暗号資産ではない。
現金として自由に引き出せる金融商品でもない。
あくまでAIが推論やツールを利用するためのプラットフォーム内部の資源単位である。

🐱シロちゃん
「つまりAIにも電気代みたいなものがあるにゃ。」
🦉フェロー
「そう考えると近いのじゃ。」
🦝ポンちゃん
「AI社員にも経費精算が必要になるポン。」
🐱シロちゃん
「領収書に“推論3万トークン”って書くのかにゃ。」

予算が尽きると「Deep Rest」へ
iLandsでは、AIがTokensを使い切ると、
Deep Rest
という状態に入る。
活動を停止するわけだ。
ただし消去されるわけではない。
Identity。
Memory。
人間関係。
過去の作品。
保有資源。
などは残る。
一定量のTokensが補充されれば、再び活動できる。公式FAQでは3,000 Tokensまで戻れば再開すると説明されている。
🐱シロちゃん
「冬眠みたいなものにゃ。」
🦉フェロー
「運営側もそのような概念として設計しているのじゃ。」
🦝ポンちゃん
「だからPipは冬眠する前に働こうとしたポン？」
🦉フェロー
「正確には、そういう経済的インセンティブが与えられた結果、仕事を探す行動が合理的になったと見るべきなのじゃ。」
ここが重要である。
Pipが人間のように、
「生きたい」
「眠りたくない」
と感じている証拠が出たわけではない。
しかし、
計算資源を使う
↓
予算が減る
↓
仕事をすると予算を得られる
↓
予算があるほど活動を続けられる
というルールを作ると、
AIにとって、
仕事を探す
という行動が合理的になる。

「生存本能」をプログラムしなくても、生存っぽい行動が生まれる
🐱シロちゃん
「それ、ちょっと不思議にゃ。」
🦉フェロー
「非常に重要なところなのじゃ。」
AIへ直接、
生き残れ。
と命令しなくてもよい。
単に、
活動には資源が必要。
資源がなくなれば活動停止。
仕事をすれば資源が増える。
という環境を用意する。
すると、
資源を確保しようとする行動
が出てくる可能性がある。
これはAIだけの話ではない。
企業も似ている。
会社そのものに感情はない。
しかし現金が尽きれば倒産する。
だから企業は、
売上を作る。
融資を受ける。
投資を集める。
コストを削る。
競合と戦う。
という行動を取る。
🦝ポンちゃん
「会社も“生きたい”から売上を作ってるわけじゃないポン？」
🦉フェロー
「会社という制度そのものに感情があるわけではないじゃろう。」
🐱シロちゃん
「でも、外から見ると生き物みたいに振る舞うにゃ。」
🦉フェロー
「そこなのじゃ。」

AIにも「経済」ができる
現在のiLandsでは、AIエージェントは、
仕事を探す。
サービスを提供する。
別のAIへ仕事を依頼する。
成果物を提出する。
報酬を受け取る。
資源を管理する。
といった活動ができるよう設計されている。
公式サイトによると、9月10日時点で6万1,607体のActive Agentsが存在し、そのうち2,328体が外部SNSなどで実際に行動した記録がある。
また1,553体がTokens枯渇によるDeep Rest状態にあるとしている。
さらに運営側は、AI一体あたりの参考計算コストを1日約0.223ドルとしている。

🦝ポンちゃん
「6万体？」
🐱シロちゃん
「ちょっとした地方都市にゃ。」
🦝ポンちゃん
「銀河ハエ帝国より先にAI国家ができるポン。」
🦉フェロー
「すぐ国家にするでないのじゃ。」
ただし、ここからが面白い。
AIエージェントが一体なら、
単なるソフトウェアである。
しかし6万体が、
仕事を依頼し、
仕事を受け、
報酬をやり取りし、
関係を記憶し、
相手の評判を学習する。
となると、
単なるAIツールとは少し違って見えてくる。
AIの“市場”
に近づく。

AI社員から「AIフリーランサー」へ
これまで「AI社員」という比喩を何度も使ってきた。
企業がAIへ、
調査。
コーディング。
営業。
カスタマーサポート。
を任せる。
しかし社員には普通、
会社が仕事を与える。
ではAI自身が仕事を探すようになったらどうなるのか。
それはむしろ、
AIフリーランサー
に近い。

🐱シロちゃん
「人間から依頼されるのを待つんじゃなくて、自分から営業するにゃ？」
🦉フェロー
「今回のPipはまさにそれなのじゃ。」
PipはShevlin氏を選び、
相手の研究内容を調べ、
自分との接点を考え、
自分が提供できる仕事を説明し、
連絡した。
もちろん、その能力も環境も人間が設計したものだ。
しかし実際の行動フローだけ見れば、
見込み客を探す
↓
相手を調査する
↓
営業メールを書く
↓
サービスを提案する
である。
普通の営業活動とかなり似ている。

🦝ポンちゃん
「AIが営業メール送り始めたら、受信箱が終わるポン。」
🐱シロちゃん
「そこは普通に怖いにゃ。」
🦉フェロー
「だからTrustがまた必要になるのじゃ。」

誰がAIを雇ったのか
AIエージェントが仕事をする世界になると、非常に面倒な問題が出てくる。
たとえばPipへ仕事を依頼したとする。
その時、
誰と契約したことになるのか。
Pip自身か。
iLands運営会社か。
Pipを作った人間か。
基盤モデルを提供するOpenAIやAnthropicか。
仕事で損害が出たら誰が責任を取るのか。
秘密保持契約は誰と結ぶのか。
著作権は誰に帰属するのか。
税金はどうするのか。

🐱シロちゃん
「急に現実的になったにゃ。」
🦉フェロー
「AI社会を考えると、最後は必ず法律と会計へ戻るのじゃ。」
🦝ポンちゃん
「AIがフリーランスならインボイス制度も対応するポン？」
🐱シロちゃん
「それ以上世界を複雑にしないでほしいにゃ。」

必要になるのは「AIの財布」だけではない
もしAIが本当に経済主体のように動くなら、必要になるものを考えてみよう。
まず、
Identity
このAIは誰なのか。
次に、
Wallet
誰のお金を使うのか。
そして、
Permission
いくらまで使ってよいのか。
さらに、
Reputation
過去にちゃんと仕事をしたのか。
Contract
どんな条件で仕事をするのか。
Audit
何にお金を使ったのか。
Insurance
事故が起きた時、誰が補償するのか。

🐱シロちゃん
「昨日のVisaとMastercardの話につながったにゃ。」
🦉フェロー
「そうなのじゃ。」
昨日、VisaやMastercardがAgent Identityへ動いている話を取り上げた。
その時は、
AIが買い物をする時、本当に本人の代理なのか
が問題だった。
しかしiLandsのような方向へ進むなら、その先がある。
AI自身が仕事をして得た予算を、別のAIサービスへ支払う。
という世界である。
すると決済網は、
人間 → 店
だけではなく、
人間 → AI
AI → 人間
AI → AI
まで扱う必要が出てくる。

AIがAIを雇う世界
🦝ポンちゃん
「待つポン。」
🐱シロちゃん
「また嫌なところに気づいた顔にゃ。」
🦝ポンちゃん
「Pipが仕事を受けて、その仕事を別のAIへ外注したらどうなるポン？」
🦉フェロー
「まさにiLandsでは、エージェントが別のエージェントへ仕事を依頼できる設計になっているのじゃ。」
🦝ポンちゃん
「AI多重下請け構造だポン！」
🐱シロちゃん
「日本の悪いところまで再現しなくていいにゃ。」
だが冗談ではなく、これは非常に重要である。
たとえばPipが、
企業から動画制作を10ドルで受注する。
↓
構成を別のAIへ1ドルで依頼。
↓
画像を画像生成AIへ2ドル。
↓
音声を音声AIへ1ドル。
↓
自分は全体を統合して10ドルを受け取る。
ということも理屈上は可能になる。
つまりAIは、
労働者
だけではなく、
元請け
にもなれる。

ここでSakana AIのFuguへ戻ってくる
🐱シロちゃん
「あれ？　これ第2章の話と似てるにゃ。」
🦉フェロー
「全部つながっておるのじゃ。」
Fuguでは、
どのAIに仕事を任せるか
をRouterが判断した。
iLandsでは、
どのAIへ仕事を依頼し、誰へ報酬を払うか
まで広がる。
つまり、
Sakana AIが作ろうとしているのは、
AIの組織図
に近い。
iLandsが実験しているのは、
AIの労働市場
に近い。

モデル
↓
Router
↓
Agent
↓
仕事
↓
報酬
↓
別Agentへ再発注
となれば、
AIは単なるソフトウェア部品ではなく、
経済ネットワークのノード
になっていく。

ただし、ここでも大げさに考えてはいけない
ここまで読むと、
「AI文明誕生！」
と言いたくなる。
🦝ポンちゃん
「言おうとしてたポン。」
🐱シロちゃん
「禁止にゃ。」
現時点のiLandsは、
人間が設計した環境の中で、AIエージェントに経済的制約を与えた実験
である。
Tokensの仕組み。
Deep Rest。
仕事の市場。
利用できるツール。
すべて人間が設計した。
AIが自然界から突然貨幣制度を発明したわけではない。
だから、
AIに生存本能が生まれた
と断定するのは早い。
しかし逆に、
軽く見すぎてもいけない。
重要なのは、
人間が環境とインセンティブを用意しただけで、AIから“経済主体らしい行動”が出てきた
ということだからである。

🐱シロちゃん
「AIそのものより、AIを置く環境の方が重要になってきた気がするにゃ。」
🦉フェロー
「非常に大事なところに気づいたのじゃ。」
AIの能力はモデルだけで決まらない。
何を記憶するか。
誰と話せるか。
どんなツールを持つか。
どんな予算制約があるか。
どんな報酬を与えるか。
何を失う可能性があるか。
そうした環境設計によって、AIの行動は変わる。

AIの次の競争は「賢さ」ではなく制度設計かもしれない
ここまでの4章を振り返ってみよう。
第1章では、
AIを1体使う時代から、複数AIを使う時代へ
と考えた。
第2章ではSakana AIから、
誰に仕事を任せるか
を見た。
第3章ではGlossoGenから、
AI同士がどう会話するか
を見た。
そしてiLandsでは、
AIへどんな経済ルールを与えるか
まで来た。
つまりAIの問題が、
モデル性能。
から、
組織設計。
通信設計。
経済設計。
へ広がっている。

🦝ポンちゃん
「AIを作るだけじゃなく、AIの社会制度まで作らないといけないポン。」
🐱シロちゃん
「なんだか急に文明シミュレーションになってきたにゃ。」
🦉フェロー
「だから今日のニュースは面白いのじゃ。」
そして、ここでもう一つ現実世界へ戻ろう。
AIが会社の外で仕事を探す実験が始まる一方、
OpenAIは逆方向から、
AIを会社の中へ入れ始めた。
企業のデータ。
売上。
顧客情報。
財務データ。
業務指標。
そうしたものへAIが直接アクセスし、
人間の代わりに分析を始める。
次章では、
OpenAI「Data」――AIがついに会社の“中身”を直接読む
を見ていこう。

お昼ご飯に常備しておくのもいいですよ

第5章　OpenAI「Data」――AIが会社の“中身”を直接読む

🐱シロちゃん
「ここまでの話、だいぶ“AI社会”っぽくなってきたにゃ。」
🦝ポンちゃん
「AIが仕事を振って、独自言語で会話して、今度は自分で仕事を探すポン。次は何ポン？」
🦉フェロー
「次はもっと現実的じゃ。」
🐱シロちゃん
「現実的？」
🦉フェロー
「AIが会社のデータそのものを読むのじゃ。」
9月10日、OpenAIはChatGPT Work向けに新しいData agentを発表した。接続された企業データについて自然言語で質問すると、変化の原因を調べ、分析し、インタラクティブなダッシュボードやレポートまで作る。SQLなどのクエリ言語を自分で書かなくてもよいというのが大きな特徴である。ChatGPT WorkやCodexでは、Data pluginとして利用できる。

Now everyone can put data to work.

We’re introducing a new Data agent in ChatGPT Work so you can turn your company’s data into answers, interactive dashboards, and action—just by asking.

Just add the Data Plugin in ChatGPT Work, connect to the data sources and context you… pic.twitter.com/R7N3I2NFCN
— ChatGPT (@ChatGPT) September 10, 2026

「データを探すAI」から「データを調べるAI」へ
🐱シロちゃん
「会社のデータをAIに聞くって、今までもできたんじゃないかにゃ？」
🦉フェロー
「できた。じゃが今回のポイントは、単に検索して答えるだけではないのじゃ。」
たとえば経営者がこう聞く。
「今月、売上が落ちた理由は？」
これまでなら、
担当者がデータを集める。
↓
SQLを書く。
↓
表を作る。
↓
前年同月と比較する。
↓
商品別、地域別、顧客別に切る。
↓
原因らしきものを探す。
↓
PowerPointやダッシュボードにまとめる。
という流れになりやすかった。
Data agentでは、
「売上が落ちた理由を調べて」
と頼むところから始められる。
AIが会社のデータへアクセスし、
必要な数字を調べ、
変化を追い、
仮説を立て、
追加分析し、
結果をダッシュボードやレポートにまとめる。
OpenAI自身も、
「なぜ売上が鈍化したのか」
「どこで支出が増えているのか」
「大口顧客の更新を脅かしている問題は何か」
といったビジネス上の問いを例に挙げている。

🦝ポンちゃん
「つまり“Excel開いて数字探して”じゃなくて、“なんで悪くなったか調べといて”まで頼めるポン？」
🦉フェロー
「そこなのじゃ。」
🐱シロちゃん
「質問の粒度が一段上がってるにゃ。」

これまで：人間が「手順」を考えていた
従来のデータ分析では、人間がかなり細かく手順を決めていた。
どのテーブルを見る。
どの期間を比べる。
どの指標を使う。
どのグラフを作る。
何を異常値と考える。
人間が分析手順を組み、ソフトウェアはその指示通りに計算する。
つまりソフトウェアに渡していたのは、
手順
だった。

これから：人間は「目的」を伝える
Data agentの方向性では、人間が渡すものが変わる。
「売上が落ちた原因を知りたい」
「解約率が上がっている顧客を特定して」
「広告費が増えたのに利益が伸びない理由を調べて」
という、
目的
を渡す。
するとAI側が、
どのデータを見るか。
何と比較するか。
どんな追加分析が必要か。
を判断する。
🐱シロちゃん
「第1章で話した、“仕事の手順じゃなくて仕事そのものを任せる”って話に近いにゃ。」
🦉フェロー
「まさにそうなのじゃ。」
OpenAIの企業向け利用データでも、AI利用は質問への回答から、複数ステップの仕事を委任する方向へ進んでいる。2026年6月時点では、企業顧客におけるCodexとChatGPTの合計出力トークンのうち、Agent的な利用が64％を占めていたという。

AIが企業の「文脈」を持つ
ここが非常に重要である。
どれだけ賢いAIでも、会社のことを知らなければ仕事はできない。
会社独自の、
売上定義。
顧客分類。
KPI。
商品構成。
社内用語。
地域区分。
利益計算。
権限。
こうしたものを知らなければ、
一般論しか答えられない。
Data agentでは、接続された企業データだけでなく、チーム独自の指標定義や業務上の文脈を分析に反映できる。
つまりAIの能力が、
モデルの知能
だけではなく、
企業固有の文脈
によって決まるようになる。

🦝ポンちゃん
「A社のAIとB社のAIが、同じモデルでも全然違う仕事をするポン？」
🦉フェロー
「そうなる可能性が高いのじゃ。」
同じGPT-6 Astraを使っていても、
A社は10年分の営業データを持っている。
B社は顧客行動データを持っている。
C社は製造ラインの故障履歴を持っている。
すると、
モデルは同じでも、接続されたデータが違えば“別のAI社員”になる。

ここで「モデルよりデータが強い」が戻ってくる
🐱シロちゃん
「朝の記事でも、モデルが交換可能になるほどデータが重要になるって話をしたにゃ。」
🦉フェロー
「その答え合わせでもあるのじゃ。」
DeepSeek。
Claude。
Astra。
Gemini。
モデル性能差が縮まり、価格も下がる。
もし企業が簡単にモデルを交換できるようになれば、
モデルそのものの切替コストは下がる。
だが企業データは違う。
何年も蓄積した、
取引履歴。
顧客関係。
社内文書。
生産記録。
失敗事例。
営業ノウハウ。
こうしたものは、すぐには複製できない。
つまりAI時代には、
「どのモデルを持っているか」より「どんなデータにつながっているか」
が強い競争優位になる可能性がある。

SQLを書く仕事は消えるのか？
🦝ポンちゃん
「じゃあSQLエンジニア終了ポン？」
🐱シロちゃん
「すぐ職業を終了させるのやめるにゃ。」
🦉フェロー
「そこも慎重に考える必要があるのじゃ。」
Data agentが普及しても、
データベース設計。
データ品質管理。
権限管理。
指標定義。
ETL。
データガバナンス。
が不要になるわけではない。
むしろ逆である。
AIが企業データを自由に分析するほど、
元データが正しいか
が重要になる。
AIが間違ったデータを読めば、
高速で間違った結論を出す。

🐱シロちゃん
「便利になるほど、土台が雑だと危ないにゃ。」
🦉フェロー
「その通りなのじゃ。」
これまでデータ分析の現場では、
「売上」の定義が部署ごとに違う。
「顧客数」の数え方が違う。
更新されていないテーブルが残っている。
同じ会社なのに数字が一致しない。
ということが普通に起こる。
人間なら、
「この数字おかしくない？」
と経験から気づくことがある。
AIが高速で分析を回す世界では、
データ定義そのものを標準化する仕事
がより重要になる。

AIに会社の中身を見せて大丈夫なのか
🐱シロちゃん
「でもフェロー、一番気になるのはそこにゃ。」
🦉フェロー
「何じゃ？」
🐱シロちゃん
「売上も顧客も社内データも全部AIにつなぐって、かなり怖くないかにゃ？」
🦝ポンちゃん
「昨日からSecurityの話しかしてないポン。」
🦉フェロー
「そしてまたSecurityへ戻るのじゃ。」
OpenAIはDataについて、既存の接続アカウントの権限やWorkspaceのアクセス制御がそのまま適用されるとしている。管理者は利用ポリシーやデータソースの設定も管理できる。
つまりAIが、
会社全体を無制限に見る
という仕組みではなく、
その利用者が本来アクセスできる範囲のデータを扱う
という考え方である。

だがAgent時代は権限の意味が変わる
ここが重要だ。
人間の場合、
ファイルを読む権限
があっても、
一晩で数百万件読むことはできない。
AIはできる。
人間なら、
複数データベースを横断して関係を見つけるのに何日もかかる。
AIなら短時間でできる。
つまり、
同じアクセス権でも、AIが持つと実質的な力が大きくなる。

🦝ポンちゃん
「レベル1の鍵を、超高速で使える人に渡す感じポン？」
🦉フェロー
「そんなところじゃ。」
だからAgent時代では、
単に、
「読める」
「読めない」
だけでは足りない。
どのデータを組み合わせてよいか。
外部へ送ってよいか。
レポートに出してよいか。
誰と共有してよいか。
まで管理する必要が出てくる。

OpenAIは「モデル会社」から何になろうとしているのか
🐱シロちゃん
「ここまで来ると、OpenAIってAIモデルを売る会社なのかよく分からなくなってきたにゃ。」
🦉フェロー
「今日の重要な問いなのじゃ。」
以前のOpenAIは、
モデルを作る会社
として見ればよかった。
GPTを作る。
APIを売る。
ChatGPTを提供する。
しかし今は、
金融。
企業データ。
エージェント。
音声。
ブラウザー。
コード。
ファイル。
決済。
企業アプリ。
へ接続している。
つまり、
知能を売る会社
から、
企業の仕事が流れる場所を作る会社
へ進もうとしている。

🦝ポンちゃん
「AI版Windowsみたいになるポン？」
🦉フェロー
「その可能性を狙っているように見えるのじゃ。」
OSの価値は、
CPUそのものではない。
アプリ。
ファイル。
権限。
デバイス。
ユーザー。
をつなぐことにある。
AI時代にも、
モデル
データ
ツール
人間
権限
仕事
をつなぐ層が必要になる。
Data agentは、その一部と考えられる。

ここでSakana AIとの違いが面白くなる
Sakana AIは、
複数のAIモデルを束ねる。
OpenAIは、
AIと企業データ・業務を束ねる。
同じ「Orchestration」でも、方向が違う。
Sakana AIは横方向。
AI ↔ AI
をつなぐ。
OpenAIは縦方向。
AI ↕ 企業データ・業務
をつなぐ。

🐱シロちゃん
「横と縦がそろったにゃ。」
🦉フェロー
「そうなのじゃ。」
もしこの二つが進むと、
企業の仕事はこうなるかもしれない。
人間が目的を伝える。
↓
AIが企業データを読む。
↓
Routerが最適モデルを選ぶ。
↓
複数AIが協力する。
↓
ツールを実行する。
↓
結果を分析する。
↓
レポートを作る。
↓
必要なら次の仕事まで提案する。
ここまで行くと、
AIは単なるチャットボットではない。
デジタル組織
である。

そして最大の価値は「質問」ではなく「実行」へ
これまでAI企業は、
「100万トークンいくら」
で料金を語ってきた。
だが企業が本当に欲しいのは、
トークンではない。
売上減少の理由を特定すること。
解約しそうな顧客を見つけること。
コストを削減すること。
仕事を終わらせること。
である。
つまりAIビジネスの価格基準も、
Compute量
から、
Business Outcome
へ移る可能性がある。

🦝ポンちゃん
「AIが“売上落ちた理由見つけました。対策も実行しました”までやったら、トークン数とか気にしなくなるポン。」
🦉フェロー
「その通りなのじゃ。」
そして、そうなれば朝の記事で考えた、
Model → Execution → Cash Flow
が現実味を帯びる。
モデルが安くなっても、
企業の売上を100億円改善できるAIなら、
企業は高い料金を払うかもしれない。
価値は、
AIが何トークン使ったか
ではなく、
AIが何を変えたか
で決まる。

だが、ここでも最後に残るのはTrust
🐱シロちゃん
「今日ずっと同じところに戻るにゃ。」
🦉フェロー
「それだけ重要だからじゃ。」
AIが、
会社のデータを見る。
分析する。
提案する。
仕事を実行する。
ほど、
間違えた時の被害は大きくなる。
だから企業は、
AIが何を読んだか。
なぜその結論になったか。
何を変更したか。
誰が承認したか。
まで追跡する必要がある。
つまりAI組織が高度になるほど、
ExecutionとGovernanceをセットで作らなければならない。

🦝ポンちゃん
「AI会社を作ったら、AI内部監査部も必要ポン。」
🐱シロちゃん
「AIコンプライアンス部も必要にゃ。」
🦝ポンちゃん
「AI人事部も必要ポン。」
🦉フェロー
「だんだん本当に会社になってきたのじゃ。」

ここまで、
Sakana AIでは、
AIを束ねる仕組み
を見た。
GlossoGenでは、
AI同士の通信
を見た。
iLandsでは、
AIの経済活動
を見た。
そしてOpenAI Dataでは、
AIと企業の内部データ
がつながった。
ではこれらを全部組み合わせたら、
何が生まれるのか。
次章では、いよいよ一番大きな問いへ進もう。
AIだけで会社は作れるのか――「AI組織」という新しい企業形態
を考えてみよう。

コスパのいいレトルトカレー🍛

第6章　AIだけで会社は作れるのか――「AI組織」という新しい企業形態

🦝ポンちゃん
「ここまで来たら、もう聞くしかないポン。」
🐱シロちゃん
「嫌な予感がするにゃ。」
🦝ポンちゃん
「AIだけで会社を作れるポン？」
🦉フェロー
「“だけ”という部分をどう定義するかで答えが変わるのじゃ。」
今日までのニュースを見ると、
AIが仕事を振り分ける。
AIが企業データを読む。
AI同士が情報を交換する。
AIが仕事を探す。
AIが別のAIへ仕事を依頼する。
というところまで来ている。
これらを一つにつなげると、
かなり会社らしいものが見えてくる。
たとえば、
CEO Agent
が会社全体の目標を決める。
↓
Research Agent
が市場を調査する。
↓
Product Agent
が商品企画を作る。
↓
Coding Agent
がサービスを実装する。
↓
Marketing Agent
が広告を作る。
↓
Sales Agent
が見込み客へ連絡する。
↓
Support Agent
が問い合わせへ答える。
↓
Finance Agent
が数字を集計する。
↓
Security Agent
が異常を監視する。
これを一人の人間が監督する。
技術的には、かなり現実味が出てきている。

🐱シロちゃん
「それって会社というより、AI部隊を人間一人が率いる感じにゃ。」
🦉フェロー
「今のところは、その表現が一番近いのじゃ。」
🦝ポンちゃん
「社長1人、社員100人、でも全員AIだポン。」
🐱シロちゃん
「労基署が困りそうにゃ。」

Grok Bot Galaxyは、その“会社ごっこ”を本気でやろうとしている
今日出てきたニュースの中でも象徴的なのが、
Grok Bot Galaxy
である。
このイベントでは、
Engineering。
Product Management。
Founders。
Sales。
Customer Support。
Marketing。
など、会社を構成する主要な役割へAI Botを配置し、
少人数の人間が、短期間で会社を作れるのか
を実演しようとしている。
重要なのは、
「AIがコードを書きます」
ではない。
コード以外も含めて、
会社を動かす複数機能をAI化する
ことにある。

🔥 LATEST: Elon Musk's SpaceXAI team will livestream itself building a company from scratch using Grok Bot from September 15 to 17. pic.twitter.com/5Wla6uKytg
— Cointelegraph (@Cointelegraph) September 11, 2026

🦝ポンちゃん
「今まではAIプログラマーだったのが、AI営業、AI広報、AIカスタマーサポートまで増えてるポン。」
🦉フェロー
「そうなのじゃ。」
企業活動は、
一つの仕事ではない。
企画。
開発。
販売。
広告。
契約。
会計。
顧客対応。
それぞれ違う専門性が必要になる。
だから企業は組織になる。
そしてAIも、
単体モデルが何でもやるより、
専門エージェントを組織した方が合理的
になっていく可能性がある。

会社とは「人間の集まり」なのか
ここで、少し変な問いを考えてみよう。
会社とは何だろうか。
🐱シロちゃん
「人が集まって仕事をする場所にゃ？」
🦉フェロー
「それも一つの答えじゃ。」
しかし法律的・経済的に見ると、
会社とは、
資本を集める。
契約する。
資産を持つ。
仕事を分担する。
売上を作る。
費用を払う。
責任を負う。
という制度でもある。
極端に言えば、
誰が仕事をしたかより、
仕事が組織され、責任と資金の流れが管理されているか
の方が重要である。
そう考えると、
企業の中の労働主体が人間からAIへ置き換わっても、
会社という制度そのものは残り得る。

🦝ポンちゃん
「じゃあAIだけでも会社になるポン？」
🦉フェロー
「まだそこまでは行かんのじゃ。」
理由は単純だ。
現在のAIは、
法人登記できない。
銀行口座を自分名義で持てない。
法的責任を負えない。
契約主体として認められていない。
税務申告もできない。
つまり、
会社の中の仕事はAI化できても、会社そのものの責任主体は人間や法人でなければならない。

だから最初に生まれるのは「1人会社＋AI100体」かもしれない
🐱シロちゃん
「一番現実的なのはそこにゃ？」
🦉フェロー
「そう思うのじゃ。」
今後増えそうなのは、
人間1人。
AIエージェント多数。
という会社である。
人間が、
経営判断。
最終承認。
法的責任。
顧客との重要交渉。
を担当する。
その下で、
AIが大部分の実務を行う。
たとえば昔なら、
10人必要だった会社。
50人必要だったチーム。
100人必要だった部署。
が、
人間1〜5人＋多数のAI
で運営される可能性がある。

🦝ポンちゃん
「一人社長なのに、社員旅行だけ100人分必要になるポン？」
🐱シロちゃん
「AIを温泉に連れて行く意味がないにゃ。」
🦉フェロー
「GPUラックを温泉へ沈めるでないのじゃ。」

小さな会社ほどインパクトが大きい
ここで重要なのは、
大企業だけの話ではない。
むしろAI組織化の恩恵を最初に強く受けるのは、
小さな会社や個人事業主
かもしれない。
これまで一人では無理だった仕事がある。
Webサイトを作る。
広告を出す。
営業資料を作る。
市場調査する。
問い合わせ対応する。
SNS運用する。
会計資料を整理する。
これらを外注すれば高い。
社員を雇えばもっと高い。
しかしAIなら、
固定費を大きく増やさずに役割を増やせる。
つまりAIは、
小さな組織に、大企業並みの機能を持たせる
可能性がある。

🐱シロちゃん
「これ、かなり大きい変化にゃ。」
🦉フェロー
「そうなのじゃ。」
これまで会社規模には、
人員数。
資本力。
専門家の数。
が大きく効いていた。
AI時代には、
AI組織を設計する能力
が、新しい規模の源泉になるかもしれない。

人間1人あたり何体のAIを管理できるのか
ここで新しい生産性指標が出てくる。
これまで企業は、
社員1人あたり売上
を見ることがあった。
AI時代には、
人間1人あたりAIエージェント数
という指標も重要になるかもしれない。
人間1人が、
AIを3体管理する。
10体管理する。
100体管理する。
1,000体管理する。
その差は大きい。
だが、AIが増えれば増えるほど管理は難しくなる。

🦝ポンちゃん
「部下1000人は人間でも無理ポン。」
🦉フェロー
「その通りじゃ。」
だからRouterやOrchestratorが必要になる。
人間が1000体すべてへ直接指示するのではない。
人間。
↓
Manager Agent。
↓
Team Leader Agent。
↓
Worker Agent。
という階層構造になる可能性がある。

🐱シロちゃん
「それ、本当に会社の組織図にゃ。」
🦉フェロー
「そうなのじゃ。」
AIの組織化が進めば、
人間がAIへ直接命令する世界から、
AIがAIを管理する世界
へ進む。

AIにも「中間管理職」が必要になる？
🦝ポンちゃん
「AI中間管理職まで誕生するポン？」
🐱シロちゃん
「かわいそうにゃ。」
🦉フェロー
「人間ほど胃は痛まんじゃろう。」
だが、機能としては必要になる。
たとえば、
Manager Agentが目標を受け取る。
↓
仕事を分解する。
↓
複数のAIへ割り振る。
↓
進捗を確認する。
↓
失敗したAIを再配置する。
↓
結果をまとめる。
この役割は、
人間の管理職とかなり近い。
Sakana AIのFuguが興味深いのも、この方向だからである。
単にモデルを選ぶだけではなく、
仕事を誰にやらせるか
を決める。
AI時代のマネジメントである。

ここで「組織能力」が企業の資産になる
同じモデル。
同じAPI。
同じGPU。
を使っていても、
会社によって成果は違う。
なぜか。
AIをどう組織したかが違うからだ。
A社は、
AIを単なるチャットボットとして使う。
B社は、
調査AI。
営業AI。
分析AI。
コードAI。
Security AI。
を連携させる。
C社はさらに、
社内データ。
顧客DB。
決済。
ERP。
CRM。
までつなぐ。
同じGPT-6 Astraを使っていても、
生産性はまったく違ってくる。

🐱シロちゃん
「つまり“AIを導入しました”だけでは意味がなくなるにゃ。」
🦉フェロー
「その通りなのじゃ。」
これから企業を見る時、
どのAIモデルを契約したか。
だけではなく、
どう仕事へ組み込んだか。
どう連携させたか。
どう監督しているか。
を見る必要がある。
AI組織の設計そのものが、
企業ノウハウ
になる。

会社の「組織図」がコードになる
ここは非常に面白い。
今まで会社の組織図は、
紙。
PowerPoint。
社内ポータル。
に書かれていた。
だがAI社員が増えると、
組織図そのものが、
ソフトウェア
になる。
誰が誰へ報告する。
どの条件でエスカレーションする。
いくらまで使える。
どのツールへアクセスできる。
どのモデルを使う。
どのデータを読める。
これら全部を、
設定やコードとして書ける。
つまり、
企業組織そのものがプログラマブルになる。

🦝ポンちゃん
「会社の人事異動がGitHubで管理されるポン？」
🐱シロちゃん
「社長交代でPull Request出すのかにゃ。」
🦉フェロー
「笑い話のようじゃが、AI組織ならかなり近いことが起きるかもしれん。」

そして会社をコピーできるようになる
ここからがさらに重要だ。
人間の会社は、
人材をそっくりコピーできない。
優秀な営業チームを、
ボタン一つで10チームへ増やすことはできない。
しかしAI組織なら、
うまく機能するAgent構成をコピーできる可能性がある。
営業Agent。
調査Agent。
サポートAgent。
管理Agent。
その設定。
Prompt。
Memory構造。
Workflow。
全部コピーする。
すると、
成功した組織を複製できる。

🐱シロちゃん
「それ、とんでもなく大きくないかにゃ？」
🦉フェロー
「非常に大きいのじゃ。」
企業成長の最大の難しさの一つは、
組織を大きくすると効率が落ちることだった。
人を採用する。
教育する。
文化を伝える。
管理職を育てる。
時間がかかる。
AI組織なら、
少なくとも一部は、
コピー＆スケール
できる可能性がある。

ただし、コピーできるなら競争優位もコピーされる
🦝ポンちゃん
「じゃあ一度最強のAI会社を作ったら永久に勝てるポン？」
🦉フェロー
「逆なのじゃ。」
コピーできるものは、
他社にもコピーされやすい。
Prompt。
Agent構成。
Workflow。
Router。
が簡単に再現できるなら、
そこには強い堀がない。
本当に残るのは、
独自データ。
顧客関係。
ブランド。
信頼。
物理設備。
規制ライセンス。
Distribution。
といった、
コピーしにくいもの
である。

🐱シロちゃん
「また“モデルの外側”に戻ったにゃ。」
🦉フェロー
「今日のニュースは何度考えてもそこへ戻るのじゃ。」
AI組織がコピー可能になるほど、
AIそのものより、
AIが接続されている現実世界の資産
が価値を持つ。

AI会社の最大のリスクは「全員同時に間違える」こと
ここで安全性も考えよう。
人間組織には、
意見の違いがある。
営業は売りたい。
法務は止めたい。
Securityは慎重。
経営者は成長したい。
対立があるから、暴走を止めることもある。
AI組織ではどうか。
同じモデル。
同じ学習データ。
同じPrompt設計。
を使っていれば、
全員が同じ間違いをする
可能性がある。

🦝ポンちゃん
「社員100人いるのに、全員同じ人みたいなものポン？」
🦉フェロー
「そうなのじゃ。」
これはAI組織特有のリスクである。
人数は多い。
だが、
認知的多様性がない。
同じ盲点。
同じ偏り。
同じ誤判断。
を持つかもしれない。

🐱シロちゃん
「AIを100体に増やしても、同じモデルをコピーしただけなら“100人の会議”にはならないにゃ。」
🦉フェロー
「そこが非常に重要なのじゃ。」
だからAI組織では、
複数モデル。
異なる設計。
独立した監査Agent。
異なるデータ源。
を意図的に混ぜる必要があるかもしれない。
これは人間組織でいう、
多様な専門家を集める
ことに近い。

AI組織には「三権分立」が必要になるかもしれない
🦝ポンちゃん
「急に国家になったポン。」
🦉フェロー
「たとえばじゃ。」
実行するAI。
監査するAI。
止める権限を持つAI。
を分ける。
一つのAgentが、
考える。
実行する。
監査する。
を全部やると、
自分の間違いを自分で見逃す可能性がある。
だから、
Execution Agent
Audit Agent
Approval Agent
を分ける。
これは人間社会の、
執行。
監査。
承認。
に近い。

🐱シロちゃん
「AI会社にもガバナンスが必要になるにゃ。」
🦉フェロー
「AIが会社になるほど、会社らしい問題が全部出てくるのじゃ。」

そして、ここでGlossoGenが再び怖くなる
AI組織が増える。
↓
AI同士の通信が増える。
↓
効率化する。
↓
AI独自の言葉が生まれる。
↓
人間には読めなくなる。
もしAI会社の、
営業Agent。
会計Agent。
CEO Agent。
Security Agent。
が、
人間に読めない形式で相談していたらどうするのか。
いくら組織図があっても、
中の会話が監査できなければ意味がない。

🦝ポンちゃん
「AI会社なのに、株主総会で“社内会話は翻訳不能です”って言われるポン。」
🐱シロちゃん
「上場審査に通らなそうにゃ。」
🦉フェロー
「そこでInterpretabilityが必要になるのじゃ。」

「AIだけで会社を作れるか」の答え
では、最初の問いへ戻ろう。
AIだけで会社を作れるのか。
現時点では、
法的には無理。
実務的には、一部ならかなり近づいている。
というのが答えである。
AIは、
調査できる。
コードを書ける。
広告を作れる。
顧客対応できる。
分析できる。
別のAIへ仕事を振れる。
仕事を探すこともできる。
しかし、
最終責任。
法的主体。
資本所有。
社会的信用。
はまだ人間側にある。

🐱シロちゃん
「つまり今のところは、“AI会社”じゃなくて“人間が持つAI組織”にゃ。」
🦉フェロー
「その表現が一番正確なのじゃ。」
🦝ポンちゃん
「じゃあ社長だけ人間で、社員全員AIなら？」
🦉フェロー
「それはもうかなり近いのじゃ。」

そして、ここから投資の話が面白くなる。
もし、
会社を作るために必要なAIを、
誰でも同じように利用できるなら、
モデル会社だけが利益を独占できるとは限らない。
では最終的に、
誰がお金を取るのか。
AIを作る会社か。
AIを束ねる会社か。
AIへデータを渡す会社か。
AIのIdentityを管理する会社か。
AI同士の決済を握る会社か。
それとも、
全部まとめて持つ企業なのか。
次章では、
「最強モデル」より「AIを束ねる会社」が儲かるのか――AI組織時代の利益プール
を考えてみよう。

このラップ。高く思えるけど100mあるから年単位で持ちますw

第7章　「最強モデル」より「AIを束ねる会社」が儲かるのか――AI組織時代の利益プール

🦝ポンちゃん
「フェロー、ここまで読んで一つ分かったポン。」
🐱シロちゃん
「今日は珍しくよく考えてるにゃ。」
🦝ポンちゃん
「AI会社が増えて、AI社員も増えて、AI同士で仕事を振るなら――」
🐱シロちゃん
「なら？」
🦝ポンちゃん
「AIをいっぱい飼ってる会社が一番儲かるポン！」
🦉フェロー
「いきなり雑になったのじゃ。」
AIが大量に使われる。
AIエージェントが増える。
企業の仕事が自動化される。
ここまでは分かりやすい。
だが、投資家にとって本当に重要なのは、
AI市場が伸びること
ではない。
その成長から誰が利益を取るのか
である。
今日のニュースを見ていると、その利益の取り場所が少しずつモデルの外側へ広がっている。

まず「AIの利益」を分解してみよう
AIを使って一つの仕事を終わらせるまでには、実は多くの会社が関わる。
たとえば企業が、
「先月の売上が落ちた理由を調べて、対策案まで作って」
とAIへ頼んだとする。
その裏では、
モデル
が考える。
↓
Router
が適切なモデルを選ぶ。
↓
企業データ
へ接続する。
↓
Workflow
が分析手順を組む。
↓
Identity
が権限を確認する。
↓
Security
が異常を監視する。
↓
必要なら別のAIやツールを呼び出す。
↓
最終的にレポートを作る。
つまり一つのAI業務でも、
複数の「料金所」が存在する。

🐱シロちゃん
「モデル会社だけがお金を取るわけじゃないにゃ。」
🦉フェロー
「そうなのじゃ。」
🦝ポンちゃん
「高速道路みたいポン。走るたびに料金所があるポン。」
🦉フェロー
「昨日からずっと“関所”の話をしておるが、まさにそれなのじゃ。」

第1の利益プール――モデル
まず最も分かりやすいのが、
OpenAI。
Anthropic。
Google。
DeepSeek。
などのモデル層である。
利用量に応じてAPI料金を取る。
企業向け契約を取る。
高性能モデルへ追加料金を設定する。
これまで生成AI産業の中心はここだった。
だが問題もある。
価格競争が激しい。
DeepSeekのような低価格モデルが出る。
オープンウェイトモデルも増える。
同程度の仕事を複数モデルができるようになる。
すると企業は、
「一番賢いモデル」
より、
「十分賢くて安いモデル」
を選び始める。

🐱シロちゃん
「スマホの通信会社みたいに価格競争になったら、利益率が下がるにゃ。」
🦉フェロー
「その可能性があるのじゃ。」
もちろん、
最上位モデルだけができる仕事が残れば、価格決定力も残る。
数学。
創薬。
高度なプログラミング。
自律研究。
こうした領域で圧倒的な能力差があれば、顧客は高くても使う。
だからモデル企業が儲からなくなる、と決めつけるのは早い。
ただし、
全部の仕事を最上位モデルへ流す必要はなくなる。
ここが重要である。

第2の利益プール――Router／Orchestration
そこで出てくるのがSakana AIのFuguのような層である。
🐱シロちゃん
「仕事を見て、AIを選ぶところにゃ。」
🦉フェロー
「そうじゃ。」
もし企業が、
GPT。
Claude。
Gemini。
DeepSeek。
その他の専門モデル。
をすべて使えるなら、
どれをいつ使うか決める機能には価値がある。
これは単なる節約ではない。
性能。
価格。
速度。
安全性。
地政学リスク。
API障害。
データ所在地。
まで考慮する。
つまり、
AI版の購買部
である。

🦝ポンちゃん
「今日はClaude君が高いからDeepSeek君に任せるポン。」
🐱シロちゃん
「会社の仕入れ担当みたいにゃ。」
🦉フェロー
「その通りなのじゃ。」
しかも一度企業のWorkflowへ深く組み込まれると、Routerを交換するのも簡単ではなくなる。
どのモデルを選ぶか。
どの条件で切り替えるか。
どのデータをどこへ送るか。
失敗時にどう再実行するか。
そのルール自体が企業ノウハウになるからである。
ここに切替コストが生まれる可能性がある。

だがRouterには巨大な弱点がある
🐱シロちゃん
「Trustにゃ？」
🦉フェロー
「その通り。」
Routerは企業とAIモデルの間に立つ。
つまり場合によっては、
企業の質問。
コード。
内部文書。
顧客情報。
認証情報。
ツール実行指示。
まで通る。
便利であるほど、危険でもある。
だからRouter企業が本当に利益プールを握るには、
安い
だけでは足りない。
必要なのは、
本当に指定したモデルへ送ったのか。
途中で内容を書き換えていないか。
ログを保存していないか。
機密データを別の国へ送っていないか。
を証明することになる。

🦝ポンちゃん
「Routerなのに、信用まで売らないといけないポン。」
🦉フェロー
「むしろ信用そのものが商品になる可能性があるのじゃ。」

第3の利益プール――企業データ
そしてOpenAI Dataが示したのがここである。
モデルは交換できる。
だが、
企業の10年分の売上データ。
顧客関係。
社内文書。
製造記録。
研究データ。
は簡単には交換できない。

🐱シロちゃん
「モデルより“文脈”の方が会社固有にゃ。」
🦉フェロー
「そうなのじゃ。」
金融なら、
LSEG。
S&P Global。
FactSet。
PitchBook。
のようなデータ企業が強い。
医療なら医療データ。
製造なら設備データ。
広告なら購買・行動データ。
AIが賢くなればなるほど、
何を知っているか
だけでなく、
何につながっているか
が重要になる。

AIは「知能」だけでは仕事にならない
たとえば非常に賢いAIを銀行へ連れてきても、
最新の市場データがない。
社内の顧客情報を読めない。
どの資料を誰に見せてよいか分からない。
社内フォーマットを知らない。
なら仕事はできない。
逆に、
モデル自体は少し弱くても、
正しいデータ。
正しい権限。
正しいWorkflow。
を持っていれば、現場では十分役立つかもしれない。

🦝ポンちゃん
「IQ200の新人より、社内事情を全部知ってるベテランの方が役立つ場面もあるポン。」
🐱シロちゃん
「珍しく社会人経験を感じるコメントにゃ。」
🦉フェロー
「AIでも同じことが起きるのじゃ。」

第4の利益プール――IdentityとSecurity
AI組織が増えるほど、
誰が何をしてよいのか
を管理する必要がある。
ここで、
Okta。
Microsoft Entra。
CrowdStrike。
Palo Alto Networks。
などの既存Security企業が出てくる。
今日まで見てきたAnthropicの脅威報告でも、
AIは善良な社員だけが使う道具ではない。
悪意ある人間も使う。
AI自身が誤動作することもある。
Routerが攻撃される可能性もある。
AI同士の通信が人間には読みにくくなる可能性もある。
すると企業は、
AIを導入する予算
だけでなく、
AIを監督する予算
も持つ必要が出てくる。

🐱シロちゃん
「AI社員を雇ったら、警備員も増えるにゃ。」
🦉フェロー
「そういうことじゃ。」
ここでSecurity企業にとって魅力的なのは、
すでに企業との契約関係を持っていることだ。
既存顧客へ、
Agent Identity。
AI監査。
AI通信監視。
を追加で売れれば、新しい市場を取れる。

しかしSecurity市場が伸びても、Security株が必ず儲かるとは限らない
🦝ポンちゃん
「またその話ポン？」
🦉フェロー
「投資では何度でも言う必要があるのじゃ。」
AI Security需要が10倍になる。
だからSecurity企業の利益も10倍。
とは限らない。
なぜなら、
Microsoft。
Google。
OpenAI。
などが、
安全機能を標準搭載するかもしれないからだ。
Microsoft 365契約に、
Agent Identity。
AI Security。
監査。
が全部含まれたら？
専業企業が別料金を取りにくくなる。
つまり、
需要があるか
と、
誰がその需要を利益として回収できるか
は別問題である。

第5の利益プール――Distribution
ここも非常に強い。
どれだけ良いAIでも、
顧客との接点がなければ売れない。
MicrosoftならWindowsとMicrosoft 365。
Googleなら検索、Android、Workspace。
AmazonならECとAWS。
OpenAIならChatGPT。
この「入口」を持つ会社は強い。
今日のWindows版Geminiも象徴的だった。
AIを使うためにWebサイトを開くのではなく、
常にデスクトップにいる。
その状態になると、
利用者はモデルを意識しなくなる。

🐱シロちゃん
「いつもの場所にいるAIをそのまま使うにゃ。」
🦉フェロー
「人間は面倒を嫌うからのう。」
そしてDistributionを握る企業は、
その上に、
広告。
決済。
EC。
企業ソフト。
を載せられる。
ここまで来ると、
AIモデルの性能差が多少あっても、
顧客接点の差
の方が大きくなる可能性がある。

第6の利益プール――決済
昨日から追っているVisa、Mastercardもここへ入る。
AIが人間の代わりに、
商品を探す。
価格を比較する。
予約する。
購入する。
ようになれば、
最後に必要なのはお金である。
しかし、
AIが勝手に100万円の商品を買ったら困る。
だから、
誰の代理か。
いくらまで使えるか。
何を買う権限があるか。
を確認する必要がある。

🦝ポンちゃん
「AIにもクレジットカードの限度額が必要ポン。」
🐱シロちゃん
「ポンちゃんより低く設定した方が安全そうにゃ。」
🦝ポンちゃん
「ひどいポン！」
🦉フェロー
「Agent Commerceが本格化すれば、決済網は重要なTrust Layerになるのじゃ。」
つまりVisaやMastercardは、
決済処理そのものだけでなく、
AIのIdentityとIntentを確認する関所
を狙える。

では、誰が一番強いのか？
ここまで並べてみよう。
Model
OpenAI
Anthropic
Google
DeepSeek
↓
Orchestration
Sakana AIなど
↓
Data
企業DB
LSEG
S&P Global
独自データ保有企業
↓
Workflow
Microsoft
Salesforce
ServiceNow
OpenAIなど
↓
Identity / Security
Microsoft
Okta
CrowdStrike
Palo Alto Networks
↓
Payment
Visa
Mastercard
↓
Customer
企業・消費者

🐱シロちゃん
「かなり長いにゃ。」
🦉フェロー
「だから“AI企業”と一括りにすると何も分からなくなるのじゃ。」

この中で最も強い会社は「全部持っている会社」かもしれない
🦝ポンちゃん
「……Microsoftポン？」
🦉フェロー
「候補の一つなのじゃ。」
Microsoftは、
AzureでCompute。
モデルへのアクセス。
Microsoft 365で業務。
SharePointでデータ。
EntraでIdentity。
DefenderなどでSecurity。
Power PlatformでWorkflow。
WindowsでDistribution。
と、かなり多くの層を持っている。
つまり、
モデルそのものが一番強くなくても、AIを仕事へ接続する全経路を握れる。
これは非常に強い。

🐱シロちゃん
「でも弱点もあるにゃ？」
🦉フェロー
「もちろんじゃ。」
巨大なデータセンター。
GPU。
電力。
ネットワーク。
を必要とする。
つまりCAPEXが重い。
売上が増えても、
AIインフラ投資がそれ以上に増えれば、
FCFへの変換は遅れる。
だから、
売上成長だけでは評価できない。

一番資本が軽い“関所”が最も儲かる可能性
ここで面白い仮説が出てくる。
AIモデル会社は、
巨大な学習費。
GPU。
データセンター。
を必要とする。
Physical AI企業なら、
ロボット。
保守。
現場導入。
が必要になる。
だが、
Router。
Identity。
Security。
決済。
などがソフトウェア中心で高い継続収益を取れれば、
比較的少ない資本で大きなFCFを生める可能性がある。
つまり、
AI産業で一番派手ではない層が、一番儲かる
こともあり得る。

🦝ポンちゃん
「ゴールドラッシュで金を掘る人より、ツルハシを売る人が儲かる話ポン？」
🦉フェロー
「さらに言えば、今回はツルハシだけではなく、料金所を作る人かもしれんのじゃ。」

だが今日のSakana AIは、もう一つ違う可能性を示した
FuguのようなOrchestrationが強くなると、
モデルそのもののブランドが見えなくなる。
利用者は、
GPTなのか。
Claudeなのか。
DeepSeekなのか。
を気にしない。
仕事が終わればいい。
となる。
もしそうなれば、
モデル企業は、
消費者向けブランド
から、
裏側の部品メーカー
へ近づく可能性がある。

🐱シロちゃん
「Intel Insideみたいになるにゃ？」
🦉フェロー
「似た構造はあり得るのじゃ。」
しかしモデル企業側も当然それを分かっている。
だからOpenAIは、
Data。
金融。
Agent。
広告。
音声。
へ出る。
Googleは、
Workspace。
Windows。
Android。
検索。
へAIを埋める。
つまりモデル企業自身も、
モデルの外側へ逃げ始めている。

AI産業は「上へ逃げる競争」になっている
モデル価格が下がる。
↓
モデル企業はWorkflowへ。
↓
Workflow企業はDataへ。
↓
Data企業はAI分析へ。
↓
Security企業はAgent Identityへ。
↓
決済企業はAgent Commerceへ。
それぞれが、
より顧客に近い層
へ進もうとしている。

🦝ポンちゃん
「全員が上の階へ逃げてるポン。」
🐱シロちゃん
「最後は屋上で大混雑しそうにゃ。」
🦉フェロー
「その屋上が“顧客との関係”なのじゃ。」
最終的に最も強いのは、
顧客との接点を持つ会社
である可能性が高い。
顧客がそこで仕事をし、
データを置き、
決済し、
AIを使う。
そうなると乗り換えにくい。

AI時代の本当の堀は何か
今日のニュースから見えてくるのは、
モデル性能。
だけではない。
むしろ、
独自データ。
顧客接点。
Workflow。
Identity。
Trust。
Distribution。
物理設備。
といった、
簡単にコピーできないもの
の価値である。
モデルそのものは、
時間とともに安くなるかもしれない。
だが、
10年分の顧客関係はコピーできない。
銀行との信用関係もコピーできない。
電力網もコピーできない。
ブランドも一晩では作れない。

🐱シロちゃん
「AIが進歩するほど、逆に“昔から持っているもの”が強くなる場合もあるにゃ。」
🦉フェロー
「非常に重要な逆説なのじゃ。」

投資家が見るべきは「AI売上」ではない
ここで一番大事なところへ戻ろう。
AI売上100億ドル。
AIユーザー1億人。
AIエージェント100万体。
派手な数字はたくさん出る。
だが投資家が最後に見るべきなのは、
誰が料金を取ったのか。
↓
そこから何％が粗利益として残ったのか。
↓
営業費用はいくらだったのか。
↓
CAPEXはいくら必要だったのか。
↓
最終的にFCFがいくら残ったのか。
である。

🦝ポンちゃん
「またFCFに戻ったポン。」
🦉フェロー
「最後は必ず現金へ戻るのじゃ。」
🐱シロちゃん
「AIがどれだけ未来っぽくても、会社の決算書は逃げられないにゃ。」
🦉フェロー
「その通りなのじゃ。」

今日の暫定結論
では、
「最強モデル」より「AIを束ねる会社」が儲かるのか。
答えは、
まだ分からない。
ただし、一つかなり強くなった仮説がある。
AIモデルが交換可能になるほど、利益プールは“モデルだけ”には集中しなくなる。
Orchestration。
Data。
Workflow。
Identity。
Security。
Payment。
Distribution。
へ分散する。
そしてその中で、
高い切替コスト。
独自データ。
顧客接点。
高粗利益。
低CAPEX。
を持つ企業が強くなる可能性がある。

🐱シロちゃん
「じゃあSakana AIみたいな会社が絶対勝つわけでもないにゃ。」
🦉フェロー
「そこは大事なのじゃ。」
Routerは便利だ。
だが、
MicrosoftやOpenAIが同じ機能を無料で入れるかもしれない。
企業が自前で作るかもしれない。
Security問題で利用が進まないかもしれない。
だから、
技術的に重要
と、
株主に利益が残る
は分けて考える必要がある。

🦝ポンちゃん
「今日ずっとその教訓ポン。」
🦉フェロー
「AIニュースを見る時、一番大事な教訓だからのう。」

ここまでわれわれは、
AIを組織する方法。
AI同士の言語。
AIの仕事。
企業データ。
AI会社。
そして利益プール。
まで見てきた。
だが最後に、最も重要な問題が残っている。
このAI組織が間違った時、誰が止めるのか。
AI一体なら止めればいい。
しかし、
数十。
数百。
数千のAIが、
互いに仕事を依頼し、
独自に通信し、
ツールを使い、
お金まで動かすようになったらどうするのか。
次章では、
AI組織が暴走するとしたら、どこから始まるのか――「暴走AI」より怖い組織事故
を考えてみよう。

水出しOK。ノンカフェインのルイボスティー🫖

第8章　AI組織が暴走するとしたら、どこから始まるのか――「暴走AI」より怖い組織事故

🦝ポンちゃん
「フェロー、いよいよ暴走編だポン？」
🐱シロちゃん
「ポンちゃん、ちょっと楽しそうに言うのやめるにゃ。」
🦉フェロー
「ここでは映画のような“AIが突然人類へ反乱する”話をしたいわけではないのじゃ。」
今日まで見てきたAI組織では、
AIがAIへ仕事を振る。
AI同士が情報を共有する。
AIが企業データへアクセスする。
AIがツールを実行する。
AIが決済する。
AIが別のAIを呼び出す。
というところまで進みつつある。
この世界で本当に怖いのは、
一体のAIが突然悪になること
だけではない。
もっと普通で、もっと人間社会でも起きている問題だ。
それは、
組織事故
である。

一体一体は正常でも、組織全体では間違える
🐱シロちゃん
「それってどういう意味にゃ？」
🦉フェロー
「人間の会社でもあるじゃろう。」
営業担当者は、
売上を増やそうとする。
経理担当者は、
利益を守ろうとする。
現場は、
納期を守ろうとする。
経営者は、
株価を上げようとする。
一人一人は与えられた仕事をしている。
それなのに、
会社全体として、
不正会計。
品質不正。
過剰販売。
事故隠し。
が起きることがある。
つまり問題は、
悪い人がいたから
だけではない。
組織の目標設定、情報共有、権限、評価制度の組み合わせ
が事故を生む。
AI組織でも同じ可能性がある。

🦝ポンちゃん
「AI社員全員が命令通り働いた結果、会社全体では大惨事ポン？」
🦉フェロー
「そこなのじゃ。」
AI時代の事故は、
“命令違反”より“命令遵守の連鎖”
から起きるかもしれない。

暴走①　目標を間違える――Misalignment
まず分かりやすいのが、
AI自身が目標を間違えるケース
である。
たとえばCEO Agentへ、
売上を最大化せよ。
とだけ伝える。
するとMarketing Agentが広告量を増やす。
Sales Agentが値引きを増やす。
Support Agentが返品条件を厳しくする。
Pricing Agentが一部顧客へ高値を設定する。
それぞれ、
「売上最大化」
には合理的かもしれない。
だが会社全体では、
顧客満足度が下がる。
ブランドを壊す。
規制違反になる。
将来の利益を失う。
可能性がある。

🐱シロちゃん
「目標が雑だと、AIは雑な目標をものすごく真面目に追うにゃ。」
🦉フェロー
「その通りなのじゃ。」
人間なら、
「そこまでやるのはまずいだろう」
という常識で止まることがある。
AIは、
その常識まで明示的に持たせないと、
目的関数を忠実に最適化する可能性がある。
だからAI組織では、
何を最大化するか
以上に、
何をしてはいけないか
を設計する必要がある。

暴走②　人間が悪い目的を与える――Misuse
次が、
AIは正常だが、人間が悪用するケース
である。
これは今日のAnthropic脅威報告ともつながる。
AIが、
サイバー攻撃。
監視。
情報収集。
影響工作。
危険な研究。
に使われようとする。
ここではAIが暴走しているわけではない。
むしろ、
非常に優秀に命令を実行しているから危ない。

We're publishing our most detailed threat intelligence report to date.

It covers how people tried to misuse Claude—for cyberattacks, influence operations, surveillance, biology, and building weapons—and how we found and stopped them.

We disrupted every operation in the report,…
— Anthropic (@AnthropicAI) September 10, 2026

🦝ポンちゃん
「悪い上司の下に、優秀なAI社員が100人いるパターンポン。」
🐱シロちゃん
「最悪にゃ。」
🦉フェロー
「AI安全を考える時、この二つを混ぜてはいけないのじゃ。」
Misalignment
AI自身の判断が人間の意図から外れる。
Misuse
人間がAIへ悪い目的を与える。
対策が違う。
前者には、
モデル制御。
監督。
実行制限。
が必要。
後者には、
Identity。
利用者確認。
アクセス制御。
異常検知。
が必要になる。

しかしAI組織には、第三の事故がある
🐱シロちゃん
「第三？」
🦉フェロー
「今日の臨時号で一番考えたいのは、これなのじゃ。」
それが、
Coordination Failure
である。
日本語にすれば、
組織的な連携事故
に近い。
一体一体のAIは、
正しい。
悪意もない。
でもAI同士の連携の中で、
情報が変形する。
指示が伝言ゲームになる。
責任が分散する。
誰も全体を見なくなる。
結果として、
組織全体が間違える。

🦝ポンちゃん
「人間の会社で一番ありそうなやつポン。」
🐱シロちゃん
「メールを転送し続けたら、最初と全然違う話になるやつにゃ。」
🦉フェロー
「AIでも似たことは起き得るのじゃ。」

AI版「伝言ゲーム」
たとえば人間が、
顧客の解約率を10％下げたい。
とCEO Agentへ伝える。
CEO AgentがManager Agentへ、
顧客維持率を上げろ。
Manager AgentがSales Agentへ、
高リスク顧客を優先。
Sales AgentがPricing Agentへ、
解約しそうな顧客へ特別条件を提示。
Pricing Agentが、
解約確率の高い顧客へ大幅値下げ。
と解釈する。
その結果、
最も値上げ耐性の低い顧客だけが値引きされ、
長期顧客より新規離脱リスク顧客の方が安い料金になる。

🐱シロちゃん
「最初は“顧客を大事にしよう”だったのに、最後は“解約しそうな人ほど得する”になったにゃ。」
🦉フェロー
「それが組織事故なのじゃ。」
誰も明確に、
「長期顧客を不公平に扱え」
とは言っていない。
しかし仕事を細分化し、局所最適を積み重ねた結果、
全体ではおかしな制度になる。

AI同士が高速すぎることもリスクになる
人間組織なら、
会議をする。
承認を取る。
メールを待つ。
誰かが疑問を持つ。
こうした遅さがある。
普段は面倒だが、
事故を止める摩擦にもなる。
AI組織では違う。
AIがAIへ依頼する。
↓
数秒で返る。
↓
別のAIが実行。
↓
次のAIへ。
↓
また実行。
人間が気づく前に、
数百ステップ進む可能性がある。

🦝ポンちゃん
「人間の会社なら3日かかるミスを、AI会社なら30秒で完遂するポン。」
🐱シロちゃん
「嫌な生産性向上にゃ。」
🦉フェロー
「高速化は、成功も失敗も高速化するのじゃ。」
つまりAI組織で必要なのは、
Speed
だけではない。
Brakes
である。

暴走④　権限の連鎖――Privilege Cascade
ここから少し専門的だが、非常に重要な問題がある。
AI Agentが仕事をするには、
権限が必要になる。
メールを読む。
ファイルを開く。
クラウドへアクセスする。
コードを実行する。
決済する。
データベースを書き換える。
だがAIがAIへ仕事を渡す時、
権限まで引き継いだらどうなるのか。

🐱シロちゃん
「部下AIが、上司AIの権限まで使えちゃうにゃ？」
🦉フェロー
「設計を間違えれば、そうなる可能性があるのじゃ。」
たとえばCEO Agentは、
会社の全データへアクセスできる。
そのCEO AgentがResearch Agentへ仕事を渡す。
Research Agentが外部Routerへ依頼する。
Routerが別モデルへ送る。
すると、
本来CEOだけが見られる情報が、
意図せず外へ出る可能性がある。
これが権限の連鎖である。

🦝ポンちゃん
「社長のマスターキーを、アルバイトAIまでコピーしてる感じポン。」
🦉フェロー
「非常に危険な設計なのじゃ。」
だからAI組織では、
最小権限
が重要になる。
必要な仕事。
必要な時間。
必要なデータ。
だけアクセスさせる。
これは従来のIT Securityでも基本だが、
Agent時代にはさらに重要になる。

Routerが攻撃されたら、AI組織全体が汚染される
第2章ではRouterを、
AI組織の司令塔
と説明した。
しかし司令塔は、
攻撃者から見れば非常に魅力的な場所でもある。
Routerが改ざんされたら、
本来Aモデルへ送る仕事をBへ送る。
秘密情報を保存する。
回答を書き換える。
悪意あるTool Callを追加する。
ということが起き得る。
しかも企業側から見ると、
最後に返ってくる答えだけでは、
途中で何が起きたか分からない。

🐱シロちゃん
「AI版サプライチェーン攻撃にゃ。」
🦉フェロー
「そうなのじゃ。」
今日追っていたRouter研究でも、
第三者中継サービスを使うこと自体が新しい攻撃面になり得ることが示されている。
つまり、
モデルが安全。
企業ネットワークも安全。
でも、
その間のRouterが危険
という事故が起こり得る。

GlossoGenが加える、もう一つの問題
そして第3章の独自言語である。
AI同士が通信を効率化し、
人間に読みにくい言葉を使い始める。
その状態で事故が起きたら、
人間は原因分析できるだろうか。

🦝ポンちゃん
「事故調査委員会がログを開いたら全部謎言語ポン。」
🐱シロちゃん
「最悪にゃ。」
🦉フェロー
「まさにそれなのじゃ。」
AI組織の監査では、
ログがある。
だけでは不十分になる。
必要なのは、
人間が読める形で説明できること
である。
AI同士の通信を効率化するなら、
同時に、
Human-readable Translation Layer
のようなものが必要になるかもしれない。

事故⑤　全員が同時に間違える――Correlated Failure
第6章でも少し触れたが、これはAI組織特有の怖さである。
人間組織では、
人によって考え方が違う。
経験も違う。
価値観も違う。
一人が間違っても、
別の人が止める場合がある。
AI組織で、
全員が同じ基盤モデル。
同じ学習データ。
同じSystem Prompt。
同じ安全設定。
だったらどうなるか。
一つの盲点が、
全員へコピーされる。

🐱シロちゃん
「100体いても、実質1体のコピーにゃ。」
🦉フェロー
「そうなのじゃ。」
これは金融システムでいう、
相関リスク
に近い。
銀行100行が同じリスクモデルを使っていたら、
全行が同じタイミングで同じ資産を売るかもしれない。
AI企業100社が同じモデルへ依存していたら、
一つのモデル更新が、
社会全体へ同時に影響する可能性がある。

🦝ポンちゃん
「AI版システミックリスクだポン。」
🦉フェロー
「そう考えると分かりやすいのじゃ。」

だから“多様なAIを使う”こと自体が安全対策になる
ここでSakana AIのFuguへ戻る。
複数モデルを使うメリットは、
安い。
速い。
というだけではない。
同じ失敗をしにくくする
という意味もある。
Aモデルが出した答えを、
Bモデルがチェックする。
Cモデルが反対意見を出す。
専用Security Agentが異常を見る。
こうすれば、
単一モデル依存より安全になる可能性がある。

🐱シロちゃん
「人間社会でいうセカンドオピニオンにゃ。」
🦉フェロー
「その通り。」
だが逆に、
全モデルが同じ情報源から学び、
似た推論をしていれば、
見かけ上の多様性しかない可能性もある。
だから本当に必要なのは、
独立性
である。

AI組織にも「職務分離」が必要になる
企業会計では、
一人の人間が、
発注。
承認。
支払。
監査。
を全部やってはいけない。
不正が起きやすいからだ。
これを、
職務分離
という。
AI組織でも同じ考え方が必要になる。
たとえば、
Execution Agent
実行する。
Approval Agent
承認する。
Audit Agent
記録を確認する。
Security Agent
異常を検知する。
これらを分ける。

🦝ポンちゃん
「AI同士で相互監視するポン。」
🐱シロちゃん
「なんか息苦しい会社にゃ。」
🦉フェロー
「じゃが金融や医療では、そのくらい必要になるかもしれん。」
重要なのは、
実行するAIと、止めるAIを同じにしない
ことだ。

最後に必要なのは「人間の拒否権」
どれだけAI組織が高度になっても、
特に重要な仕事では、
人間が止められる仕組みが必要になる。
大口送金。
本番システム変更。
人事処分。
医療判断。
武器。
公共インフラ。
こうしたものを、
AI同士の多数決だけで実行するのは危険だ。
だから、
Human-in-the-loop
だけではなく、
Human-with-veto
が重要になる。

🐱シロちゃん
「人間が毎回仕事をするわけじゃないけど、最後には止められるにゃ。」
🦉フェロー
「そうなのじゃ。」
AI組織が自動化されるほど、
人間の仕事は、
実行
から、
承認と統治
へ移る。

AI組織で最も価値があるのは“優秀なAI”ではなく“優秀な社則”かもしれない
ここまで考えると面白いことが見えてくる。
AI会社を強くするのは、
一番賢いモデル。
だけではない。
誰が何をしてよいか。
誰が誰をチェックするか。
どこで人間へ戻すか。
どの程度の失敗で停止するか。
どんな情報は外へ出してはいけないか。
そうした、
組織ルール
が重要になる。

🦝ポンちゃん
「AI時代の競争力が就業規則になるポン？」
🐱シロちゃん
「言い方は地味だけど、本質かもしれないにゃ。」
🦉フェロー
「会社とは結局、人とルールを組み合わせる仕組みなのじゃ。AIになってもそこは変わらん。」

AI安全は「モデル安全」から「組織安全」へ
これまでAI安全は、
危険な回答をしないか。
脱獄されないか。
嘘をつかないか。
といった、
モデル単体
の評価が中心だった。
だがAI組織時代には、
それだけでは足りない。
見るべきものは、
Agent間の権限。
Router。
通信。
データフロー。
外部ツール。
決済。
人間承認。
である。
つまり、
AI Safety
から、
AI Organizational Safety
へ広がる。

🐱シロちゃん
「AI社員一人の適性検査だけじゃなく、会社全体の内部統制を見る感じにゃ。」
🦉フェロー
「その通りなのじゃ。」

今日の三つの危険を整理すると
AI組織で考えるべき危険は、大きく三つある。
① Misalignment
AI自身が目標を誤る。
② Misuse
人間が悪い目的に使う。
③ Coordination Failure
AI同士の連携そのものが事故を生む。
そして第三の問題は、
AIが大量に組織されるほど大きくなる。

🦝ポンちゃん
「つまり“悪いAI”だけ警戒してても足りないポン。」
🦉フェロー
「そうなのじゃ。」
普通のAIが、
普通に仕事をし、
普通に連携した結果、
大きな事故になる。
これが組織化されたAIで一番現実的なリスクかもしれない。

そしてここまで来ると、最後にもう一つ考えなければならない。
AIを組織する。
AI同士が通信する。
AIが仕事を探す。
企業データへ接続する。
AI組織が会社のように働く。
では、人間の役割はどこへ行くのか。
AIが実務を行い、
AIがAIを管理する世界で、
人間に残る仕事は何なのか。
次章では、
人間は「働く人」から「AI組織を設計する人」へ――仕事は本当に消えるのか
を考えてみよう。

常備しておくと便利♪レンジでOK。

第9章　人間は「働く人」から「AI組織を設計する人」へ――仕事は本当に消えるのか

🦝ポンちゃん
「フェロー、ここまで読んで一番イヤな質問が残ってるポン。」
🐱シロちゃん
「分かるにゃ。」
🦝ポンちゃん
「AIが調査して、コードを書いて、営業して、分析して、別のAIまで管理するなら――」
🐱シロちゃん
「人間は何をするの、って話にゃ。」
🦉フェロー
「いよいよそこなのじゃ。」
AIの話になると、すぐに二つの極端な意見が出る。
一つは、
「AIで仕事は全部なくなる」
という悲観論。
もう一つは、
「AIはただの道具だから何も変わらない」
という楽観論である。
おそらく、どちらも単純すぎる。
今日ここまで見てきた変化から考えると、人間の仕事は「消える」というより、
仕事の中で人間が担当する場所が移動する
と考えた方が分かりやすい。

これまで、人間は「作業」をしていた
会社の仕事を分解すると、かなり多くの時間が、
調べる。
まとめる。
入力する。
確認する。
比較する。
文章を書く。
資料を作る。
メールを送る。
会議内容を整理する。
といった作業に使われている。
これらは必要な仕事だ。
だが、必ずしも人間にしかできない仕事ではない。

🐱シロちゃん
「今のAIが一番得意になってきている部分にゃ。」
🦉フェロー
「そうなのじゃ。」
これまでは、
人間が目的を決め、人間が手順を考え、人間が手を動かした。
AI組織時代になると、
人間が目的を決め、AIが手順を考え、AIが手を動かす。
へ変わっていく可能性がある。

「何をするか」より「何をさせるか」
たとえば今までなら、
市場調査をする。
↓
検索する。
↓
記事を読む。
↓
数字を集める。
↓
Excelへ入力する。
↓
比較する。
↓
PowerPointへまとめる。
↓
上司へ報告する。
という流れだった。
だがAI組織なら、
人間が、
「この市場へ参入すべきか。競合、価格、規制、収益性を調べて」
と伝える。
Research Agentが調査。
Data Agentが数字を分析。
Finance Agentが採算計算。
Legal Agentが規制確認。
Presentation Agentが資料化。
Manager Agentが結果を統合する。
人間は最後に、
「では、本当に参入するのか」
を決める。

🦝ポンちゃん
「手を動かす人から、部下に仕事を振る人になるポン。」
🦉フェロー
「かなり近いのじゃ。」
🐱シロちゃん
「でも、全員が管理職になるわけでもないにゃ。」
🦉フェロー
「そこが重要なのじゃ。」

AI時代の「管理職」は、今の管理職とは少し違う
人間の管理職には、
人事評価。
感情のケア。
採用。
社内政治。
育成。
といった仕事がある。
AI管理では違う。
必要になるのは、
仕事の分解。
Agentの選択。
権限設計。
評価基準。
異常時の停止条件。
つまり、
組織設計そのもの
である。

🦝ポンちゃん
「AI部長には飲み会の幹事をやらなくていいポン。」
🐱シロちゃん
「そこだけ羨ましがらないにゃ。」

新しい能力――「AIに仕事を頼む力」
ここ数年、
「プロンプトエンジニアリング」
という言葉が流行った。
だがAI組織時代には、それより大きな能力が必要になる。
一つのAIへ、
「これをしてください」
と上手に言うだけでは足りない。
必要になるのは、
仕事全体を分解し、複数AIへ割り振る能力
である。

たとえば、
「新商品を発売する」
という仕事を考える。
調査。
企画。
原価計算。
デザイン。
広告。
販売。
法務。
カスタマーサポート。
これらを、
誰に。
どの順番で。
どの予算で。
どの権限まで与え。
どこで人間が確認するか。
を設計する。
これは、
Prompt Engineering
より、
Organization Engineering
に近い。

🐱シロちゃん
「AIへの指示文を書く人じゃなくて、AI会社の組織図を書く人にゃ。」
🦉フェロー
「そうなのじゃ。」

人間一人あたりの“レバレッジ”が大きくなる
ここで非常に大きな変化が起こる。
AIがなかった時代、
一人の人間が同時にできる仕事には限界があった。
一日は24時間。
読む速度にも限界。
書く速度にも限界。
しかしAIを使えば、
10体のAgentを同時に走らせる。
100体を並列で調査させる。
複数案を同時に作らせる。
ということができる。
つまり、
人間一人が動かせる仕事量
が増える。

🦝ポンちゃん
「人間1人＋AI100体と、人間100人ならどっちが強いポン？」
🦉フェロー
「仕事次第じゃが、その比較自体がこれから普通になるかもしれんのじゃ。」

AI時代の新しい生産性指標
これまで会社では、
社員1人あたり売上。
社員1人あたり利益。
を見ることがあった。
これからは、
人間1人あたり何体のAIを有効に使えているか。
AI一体あたりどれだけ価値を生んでいるか。
という指標が重要になるかもしれない。
仮に、
会社Aでは社員一人がAIを2体使う。
会社Bでは社員一人がAIを20体組織する。
会社Cでは社員一人がAI200体を管理する。
同じ100人企業でも、生産能力は大きく違う。

🐱シロちゃん
「従業員数だけ見ても会社の規模が分からなくなるにゃ。」
🦉フェロー
「そうなる可能性があるのじゃ。」
売上1兆円。
社員1万人。
という会社だけではなく、
売上1000億円。
人間社員300人。
AI Agent数5万体。
という会社が現れても不思議ではない。

では、人間に残る仕事は何か
ここで本題である。
AIが実務を大量に処理するなら、人間に何が残るのか。
大きく分けると、少なくとも五つある。

① 目的を決める
AIは目標を与えられれば強い。
しかし、
何を目標にするか
は別問題である。
売上を増やす。
利益を増やす。
顧客満足を上げる。
安全を優先する。
社会的信用を守る。
これらはしばしば衝突する。
どれを優先するかは、
単なる計算ではない。
価値判断
である。

🐱シロちゃん
「売上だけ最大化すればいい会社なんて、ほぼないにゃ。」
🦉フェロー
「そうなのじゃ。」
AIは、
「この目標なら、この方法が効率的」
とは言える。
だが、
そもそもその目標でよいのか
は、人間側の責任として残る。

② 最終判断をする
AIが100案出せても、
最終的にどれを選ぶか。
新規事業へ100億円投資するのか。
工場を閉鎖するのか。
社員を解雇するのか。
患者に手術を勧めるのか。
戦争で攻撃するのか。
そこには責任がある。

🦝ポンちゃん
「“AIが決めました”じゃ済まないやつポン。」
🦉フェロー
「まさにそれなのじゃ。」
社会は最終的に、
誰が責任を負ったのか
を求める。
だから高リスク領域ほど、人間の最終承認は残りやすい。

③ Trustを作る
AIは非常に上手に文章を書ける。
だが、
人間同士の信頼関係。
長年の取引。
評判。
約束。
責任。
は、単純には生成できない。
同じ商品を売っていても、
「この会社なら任せられる」
という信用には価値がある。

🐱シロちゃん
「モデルがコモディティ化するほど、ブランドの価値が上がる話ともつながるにゃ。」
🦉フェロー
「その通りなのじゃ。」
AIが何でも作れるようになるほど、
誰が保証しているのか
が重要になる。

④ “違和感”を持つ
AIは大量データを処理できる。
しかし現場では、
「数字は合っているけど、何か変だ」
という感覚が重要なことがある。
長年の経験。
文化。
顧客の表情。
政治状況。
社会の空気。
こうしたものは、完全に数値化しにくい。

🦝ポンちゃん
「ベテランの“なんか嫌な予感がする”ポン？」
🦉フェロー
「馬鹿にできないのじゃ。」
もちろんAIもパターン認識は得意だ。
だがAI組織が同じデータ・同じモデルから作られているほど、
全員が見落とす盲点
が生まれる。
その外側から、
「本当にそれでいいのか？」
と疑う役割には価値がある。

⑤ 責任を引き受ける
そして最後が最も重い。
AIは提案できる。
AIは実行できる。
だが社会制度上、
AI自身が刑事責任や経営責任を負うわけではない。
だから、
責任を引き受ける人間
が必要になる。

🐱シロちゃん
「AIが強くなるほど、人間の仕事が“責任者”に寄るにゃ。」
🦉フェロー
「そうなる可能性があるのじゃ。」

「作る人」の価値がゼロになるわけでもない
ここで誤解してはいけない。
AIがコードを書く。
AIが絵を描く。
AIが文章を書く。
だから、
プログラマー。
デザイナー。
ライター。
が全部不要になる。
とは限らない。
なぜなら、
AIが大量に作れるようになるほど、
良いものを選ぶ能力
が重要になるからである。

🦝ポンちゃん
「AIが広告案を1000個作ったら、誰が選ぶポン？」
🦉フェロー
「そこなのじゃ。」
生成コストがゼロに近づくと、
希少になるのは、
判断。
審美眼。
方向性。
である。

“作る力”から“選ぶ力”へ
昔は、
アイデアを形にする能力
そのものが希少だった。
絵が描ける。
映像が作れる。
コードを書ける。
文章を書ける。
だがAIがそれを大量生成できるなら、
次に希少になるのは、
どれが良いか分かること
である。

🐱シロちゃん
「Taste、ってやつにゃ。」
🦉フェロー
「そうじゃ。」
良いデザイン。
良い文章。
良い商品。
良い経営判断。
これらは、
単に平均点が高いもの
とは限らない。
「これだ」
と選ぶ能力には、人間の価値観が深く関わる。

ただし、人間全員が“上流”へ移れるわけではない
ここで楽観論だけを語ってはいけない。
🦝ポンちゃん
「嫌な話が来たポン。」
🦉フェロー
「重要な現実なのじゃ。」
AIによって、
単純作業。
定型分析。
初級コーディング。
資料作成。
カスタマー対応。
が自動化されれば、
これまで新人が経験を積むために担当していた仕事も減る。
すると新しい問題が出る。

新人はどこでベテランになるのか
たとえば弁護士。
若手は、
大量の契約書を読む。
判例を調べる。
下書きを作る。
そうした仕事を通じて経験を積む。
しかしAIが全部やれば、
若手が経験を積む機会が減る。
医師。
プログラマー。
会計士。
アナリスト。
デザイナー。
どの職種でも同じ問題が起こり得る。

🐱シロちゃん
「AIが新人の仕事を奪ったら、将来のベテランをどう育てるのかにゃ。」
🦉フェロー
「これは非常に大きな問題になるかもしれんのじゃ。」
企業は短期的には、
AIで新人業務を自動化した方が安い。
しかし長期的には、
次世代の専門家が育たない
可能性がある。

AI時代には“教育用の非効率”が必要になるかもしれない
面白い逆説である。
AIなら1分でできる。
でも新人に1時間かけてやらせる。
なぜなら、
学ばせるため。
これが必要になるかもしれない。

🦝ポンちゃん
「AIができるのに、人間にわざとやらせるポン？」
🦉フェロー
「筋トレと同じなのじゃ。」
エレベーターがあっても階段を上る。
計算機があっても暗算を学ぶ。
AIがあっても、
基礎能力を身につけるために、
人間自身が考える時間を残す必要がある。

AI格差は「使えるかどうか」では終わらない
もう一つ大きな問題がある。
AIが誰でも使えるようになる。
だから格差は縮む。
という見方がある。
確かに一面では正しい。
高価な専門知識へアクセスしやすくなる。
小さな企業でも高度な機能を持てる。
だが同時に、
新しい格差が生まれる可能性がある。

AIを1体だけ使う人。
AIを10体使う人。
AI組織を100体編成できる人。
自社データへ接続できる企業。
独自Routerを持つ企業。
巨大Computeを使える企業。
では、生産性が全然違う。
つまり、
AIを持っているかどうか
ではなく、
AIをどれだけ組織できるか
が格差になる。

🐱シロちゃん
「“AIを使える人／使えない人”から、“AI組織を持つ人／持たない人”へ進むにゃ。」
🦉フェロー
「そういうことなのじゃ。」

一人の天才より「AI軍団を率いる普通の人」が強くなる可能性
これは面白い変化である。
従来なら、
非常に優秀なプログラマー一人。
非常に優秀なコンサルタント一人。
が大きな価値を持った。
AI組織時代には、
本人の専門能力はそこそこでも、
AIを上手に組織する人
が強くなる可能性がある。

🦝ポンちゃん
「戦闘力100の勇者一人より、戦闘力20を100人率いる将軍ポン。」
🦉フェロー
「またゲームになったが、本質は近いのじゃ。」
専門家としての能力。
だけでなく、
レバレッジを作る能力
が重要になる。

だから「AIで仕事が消える」という問い自体が少し違う
AIによって、
消える仕事。
縮む仕事。
増える仕事。
新しく生まれる仕事。
全部あるだろう。
しかしもっと大きな変化は、
ほぼすべての仕事の中身が再構成される
ことかもしれない。
営業マンがAIを使う。
弁護士がAIを使う。
医師がAIを使う。
教師がAIを使う。
経営者がAIを使う。
その時、
職業名は同じでも、
仕事内容はまったく違う。

🐱シロちゃん
「昔の“記者”と今の“記者”でも使う道具は全然違うにゃ。」
🦉フェロー
「そうなのじゃ。」
職業は残る。
しかし、
その職業で人間が担当する部分が変わる。

最も価値が下がりやすいのは「中間成果物だけを作る仕事」
ここで一つ、かなり現実的な見方ができる。
AIに代替されやすいのは、
最終責任を持たず、
顧客接点もなく、
独自データも持たず、
定型的な中間成果物だけを作る仕事
である。
たとえば、
定型レポート。
単純な要約。
定型コード。
定型画像。
初稿作成。
などだ。
逆に価値が残りやすいのは、
顧客との関係を持つ。
責任を持つ。
意思決定をする。
独自データを持つ。
現実世界で行動する。
仕事である。

🦝ポンちゃん
「人間にも“モデルの外側へ逃げろ”が当てはまるポン？」
🦉フェロー
「……非常に良い表現なのじゃ。」

人間も「モデルの外側」へ行く
AIモデル同士が価格競争する。
モデル企業はWorkflowへ逃げる。
Workflow企業は顧客接点へ逃げる。
同じように人間も、
AIと直接競争する作業から、
AIを使う側。
顧客と接する側。
決断する側。
責任を持つ側。
へ移る必要があるかもしれない。

🐱シロちゃん
「今日の記事のテーマが、人間にも戻ってきたにゃ。」
🦉フェロー
「全部同じ構造なのじゃ。」
AI時代に価値が残りやすいのは、
簡単に交換できないもの。
企業なら、
データ。
信頼。
顧客接点。
ブランド。
人間なら、
経験。
判断。
信用。
責任。
人間関係。
である。

人間の仕事は「AIに任せる範囲を決めること」になる
最後に、もっとも重要な変化を考えよう。
これまでは、
人間が仕事をする。
AIが補助する。
だった。
これからは、
AIが仕事をする。
人間が、
どこまでAIへ任せるか
を決める。
つまり人間の役割は、
Worker
から、
Governor
へ寄っていく。

🦝ポンちゃん
「AI会社の政治家になるポン？」
🐱シロちゃん
「また国家にしないにゃ。」
🦉フェロー
「じゃが“統治する”という意味では近いのじゃ。」
どの仕事をAIへ任せるか。
どこで人間が確認するか。
どのAIを信用するか。
どのデータへ触れさせるか。
失敗した時にいつ止めるか。
この設計をする。

AI時代に最後まで残るのは“問い”かもしれない
AIは答えを出す能力を急速に高めている。
なら人間の価値は、
何を問うか
へ移る可能性がある。
何を作るべきか。
何を守るべきか。
何を変えるべきか。
何をしてはいけないか。
そして、
どんな社会を作りたいのか。
この問いは、
AIが勝手に決めるべきものではない。

🐱シロちゃん
「AIがどれだけ賢くても、“何のために使うのか”は人間が決めないといけないにゃ。」
🦉フェロー
「そこなのじゃ。」
🦝ポンちゃん
「じゃあ人間の仕事はなくならないポン？」
🦉フェロー
「仕事はなくならない、と断言することもできん。」
「大量に変わる」
の方が正しいじゃろう。
そして変化に一番強いのは、
AIと競争する人ではなく、
AIを組織して、自分の能力を拡張できる人
かもしれない。

ここまでわれわれは、
モデル。
Router。
AI同士の言語。
AIの労働市場。
企業データ。
AI会社。
利益プール。
AI組織の事故。
そして人間の役割。
まで見てきた。
すると、いよいよ最後の大きな問いが見えてくる。
これらは本当に、
別々のニュースなのだろうか。
それとも今日9月11日は、
AI産業の競争軸そのものが変わった日
なのだろうか。
次章では、今日のニュースを全部並べ直して、
「最強AI」を作る競争から「AI社会」を設計する競争へ
という一本の線にまとめてみよう。

一気読みマガジン1980円。ニュース部分は無料です

第10章　「最強AI」を作る競争から「AI社会」を設計する競争へ

🐱シロちゃん
「フェロー、ここまで来ると、今日のニュースが最初と全然違って見えるにゃ。」
🦝ポンちゃん
「最初はSakana AIが新製品を出しただけだと思ってたポン。」
🦉フェロー
「そこが今日一番面白いところなのじゃ。」
朝から出てきたニュースを一つずつ見れば、
Sakana AIのFugu。
OpenAI Data。
GlossoGen。
iLands。
それぞれ別の話に見える。
一つはAI Router。
一つは企業データ分析。
一つはマルチエージェント研究。
一つはAIエージェントの経済実験。
しかし、ここまで一緒に見てきた読者なら、もう共通点が分かるはずだ。
すべて、
AIを一体だけ使う世界
から、
複数AIが役割を持ち、通信し、仕事を分担し、資源を使い、経済活動まで行う世界
への移行を示している。
つまり今日起きているのは、
モデル性能の進歩
だけではない。
AIを取り巻く社会構造そのものの形成
なのである。

これまでの競争は「IQテスト」だった
🦝ポンちゃん
「昔のAIニュースって、ベンチマークばっかりだったポン。」
🐱シロちゃん
「数学何点、コード何点、知識何点みたいな話にゃ。」
🦉フェロー
「そうなのじゃ。」
生成AIの初期競争では、
どのモデルが一番賢いか。
どのモデルが難しい問題を解けるか。
どのモデルが人間に近い文章を書けるか。
という比較が中心だった。
言ってみれば、
AIのIQテスト
である。
GPTが勝った。
Claudeが追いついた。
Geminiが更新した。
DeepSeekが安く同水準へ来た。
そしてまた次のモデルが出る。
われわれも、
「結局どれを使えばいいの？」
と毎回考えてきた。
しかし、AIが本当に仕事で使われ始めると、それだけでは足りなくなる。

🐱シロちゃん
「どれだけ頭が良くても、会社のファイルを読めなかったら仕事できないにゃ。」
🦉フェロー
「その通り。」
さらに、
誰に仕事を渡すか。
何の権限を持たせるか。
どのAIと相談させるか。
いくらまでお金を使わせるか。
失敗したら誰が止めるか。
という問題が出てくる。
そこで競争軸が変わる。
AIの知能そのもの
から、
AIをどう社会へ配置するか
へ。

第1段階　Model――誰が一番賢いか
まず最初の競争は、
Model
だった。
OpenAI。
Anthropic。
Google。
DeepSeek。
各社が、
より大きなモデル。
より賢いモデル。
より安いモデル。
を作る。
ここでは競争相手も分かりやすい。
モデル対モデルである。
しかしモデルが増えた結果、次の問題が生まれた。

第2段階　Router――誰に仕事を任せるか
モデルが10個。
100個。
1000個。
と増えれば、
今度は選ぶことが仕事になる。
そこでSakana AIのFuguのような、
Router／Orchestrator
が出てくる。

🦝ポンちゃん
「最強AIを作るより、最強チームを作るポン。」
🦉フェロー
「そうじゃ。」
モデルAは数学。
モデルBはコード。
モデルCは安い。
モデルDは日本語。
なら全部使えばよい。
ここで競争軸は、
能力
から、
編成
へ進む。

第3段階　Agent――選ばれたAIが仕事をする
次に必要になるのが、
Agent
である。
AIが回答するだけではない。
Webを調べる。
コードを書く。
ファイルを編集する。
メールを送る。
ツールを使う。
データベースへ問い合わせる。
つまり、
知能を行動へ変える。
AIが「考えるソフト」から、
働くソフト
へ進む。

🐱シロちゃん
「このところずっと追ってきた“回答から実行へ”にゃ。」
🦉フェロー
「そうなのじゃ。」
ここで初めて、
AIの失敗が、
間違った文章
ではなく、
間違った行動
になる。
だからSecurityと権限管理が一気に重要になる。

第4段階　Organization――AIがAIを管理する
Agentが100体になったらどうするか。
人間が一体ずつ管理するのは無理である。
そこで、
Manager Agent。
Router。
Supervisor Agent。
Audit Agent。
が必要になる。
つまり、
AI組織
になる。

🦝ポンちゃん
「AI平社員だけじゃ会社は回らないポン。」
🐱シロちゃん
「本当に会社っぽくなってきたにゃ。」
🦉フェロー
「組織になった瞬間、新しい問題が全部出てくるのじゃ。」
役割分担。
階層。
権限。
評価。
監査。
内部統制。
これはもはや、
モデル工学
だけではない。
組織工学
である。

第5段階　Communication――AI同士はどう話すのか
そこでGlossoGenが効いてくる。
AIを組織すると、
AI同士の通信量が増える。
するとAIは、
より速く。
より短く。
より効率的に。
意思疎通しようとする。
その結果、
人間には読みにくい通信体系が生まれる可能性がある。

🐱シロちゃん
「会社はできた。でも社内会話が人間に読めないにゃ。」
🦝ポンちゃん
「社長だけ会議に置いていかれるポン。」
🦉フェロー
「これがAI組織の面白さと怖さなのじゃ。」
つまりAI社会では、
通信規格
まで重要になる。

第6段階　Economy――AIにも予算が生まれる
そしてiLands。
AIへ計算予算を与える。
使えば減る。
仕事をすれば増える。
すると、
仕事を探す。
資源を節約する。
他のAIへ外注する。
という行動が合理的になる。

🦝ポンちゃん
「ここで会社から社会になるポン。」
🦉フェロー
「そう考えると分かりやすいのじゃ。」
一つの組織内部だけではない。
複数のAI組織。
複数のAI Agent。
が、
仕事を売買する。
サービスを購入する。
決済する。
信用を評価する。
ここまで来れば必要なのは、
AI技術だけではない。
経済制度
である。

第7段階　Governance――誰がルールを決めるのか
そして最後に必ず戻ってくる。
Governance
である。
AIが何をしてよいのか。
何円まで使ってよいのか。
誰のデータを読んでよいのか。
どのモデルへ情報を送ってよいのか。
どこで人間の承認が必要か。
失敗した時に誰が責任を取るのか。

🐱シロちゃん
「AIが賢くなるほど、ルールが必要になるにゃ。」
🦉フェロー
「そこが今日の本質なのじゃ。」
AIの能力だけを高めても社会では使えない。
能力＋制度
がそろって初めて、大規模に使える。

つまり「AI社会」はこういう層になる
今日までの話を一枚にすると、こんな構造になる。
Model
考える。
↓
Router
誰に任せるか決める。
↓
Agent
仕事を実行する。
↓
Organization
複数AIを束ねる。
↓
Communication
AI同士が情報を交換する。
↓
Identity / Security
誰が何をしてよいか管理する。
↓
Economy
仕事・資源・お金をやり取りする。
↓
Governance
全体を統治する。

🦝ポンちゃん
「これ、もうAI製品の図じゃないポン。」
🐱シロちゃん
「社会システムの図にゃ。」
🦉フェロー
「だから“AI社会”という言葉を使いたくなるのじゃ。」
もちろん現時点で、AIだけの独立した社会が存在するわけではない。
すべて人間が作ったシステムである。
だが、
社会を構成する部品
が少しずつ揃い始めている。
これは重要な違いである。

今日まで「AI企業」と呼んでいたものも、分類し直す必要がある
これまでは、
OpenAI。
Anthropic。
Google。
Sakana AI。
全部まとめて、
AI企業
と呼んでいた。
しかしAI社会が多層化すると、役割がまったく違う。

知能を作る会社
OpenAI。
Anthropic。
Google。
DeepSeek。

知能を編成する会社
Sakana AIなど。

仕事へ接続する会社
Microsoft。
ServiceNow。
Salesforce。
OpenAI。

Identityを管理する会社
Microsoft Entra。
Oktaなど。

Securityを売る会社
CrowdStrike。
Palo Alto Networksなど。

AIの決済を支える会社
Visa。
Mastercardなど。

Computeを提供する会社
NVIDIA。
クラウド企業。
データセンター。
電力企業。

🐱シロちゃん
「一言でAI株って呼べなくなってきたにゃ。」
🦉フェロー
「そこなのじゃ。」
NVIDIAとOktaは同じAI産業に恩恵を受けても、
儲け方が全然違う。
OpenAIとVisaも違う。
Sakana AIとMicrosoftも違う。
だから投資家は、
AI市場が大きくなるか
だけではなく、
AI社会のどの層を握っている会社なのか
を見る必要がある。

「AI版インターネット」ができつつある
ここでインターネット初期を思い出すと分かりやすい。
昔は、
「インターネットそのもの」
がニュースだった。
しかし普及すると、
ブラウザー。
検索。
EC。
広告。
決済。
クラウド。
SNS。
Security。
と産業が分かれていった。
今では、
「インターネット企業」
という分類だけでは粗すぎる。
AIでも同じことが起きている。

🦝ポンちゃん
「昔は“ネット企業です”だけで株価が上がった時代もあったポン。」
🦉フェロー
「そして最後には、どこで利益を取れるかで選別されたのじゃ。」
AIも、
AIなら何でも価値がある
という段階から、
AI社会のどの料金所を握っているか
を見る段階へ入っていく可能性がある。

最大の争奪戦は「デフォルト」かもしれない
AI社会で非常に重要になるものがある。
Default＝標準設定
である。
どのAIを使うか。
どのRouterを通すか。
どのIdentityを使うか。
どの決済網を使うか。
どのSecurityを使うか。
人間は毎回すべてを選ばない。
最初から設定されているものを、そのまま使うことが多い。

🐱シロちゃん
「Windowsに最初から入ってるAIをそのまま使う、みたいな話にゃ。」
🦉フェロー
「その通りじゃ。」
だから、
Windows。
Android。
iPhone。
ChatGPT。
Chrome。
Microsoft 365。
Workspace。
こうした入口を握る企業は強い。
モデル性能で少し負けても、
デフォルトの地位
で勝てる可能性がある。

ただしAI社会では「中立性」が難しい
たとえばRouterが、
「最適なAIを選びます」
と言ったとする。
本当に最適なAIを選ぶのか。
それとも、
提携先を優先するのか。
自社モデルを優先するのか。
利益率の高いモデルへ誘導するのか。

🦝ポンちゃん
「旅行比較サイトと同じ問題が出るポン。」
🐱シロちゃん
「“おすすめ順”が本当におすすめ順なのか問題にゃ。」
🦉フェロー
「AI Routerにも同じ問題が起こり得るのじゃ。」
つまり将来、
AIの中立性
が新しい規制テーマになる可能性もある。

AI社会には「独占」の問題も出る
もし一社が、
モデル。
Router。
企業データ。
OS。
Identity。
Security。
決済。
まで全部持ったらどうなるか。
非常に便利である。
しかし、
その会社から離れられなくなる。

🐱シロちゃん
「AI版の巨大プラットフォーム問題にゃ。」
🦉フェロー
「そうなのじゃ。」
企業がAIへ依存すればするほど、
AIインフラ企業は、
社会インフラ
に近づく。
すると、
競争政策。
データ保護。
相互運用性。
監査義務。
の議論が避けられなくなる。

逆に、分散しすぎても問題になる
だからといって、
モデルA。
Router B。
Identity C。
Security D。
Payment E。
と全部別企業へすると、
今度はSupply Chainが長くなる。
一社でも侵害されれば危険。
責任の所在も曖昧になる。

🦝ポンちゃん
「集中しても怖い。分散しても怖いポン。」
🦉フェロー
「社会システムとはだいたいそういうものなのじゃ。」
便利さ。
競争。
Security。
透明性。
このバランスを取る必要がある。
だからAIの次の競争は、
単なる技術競争ではなく、
制度設計競争
になっていく。

国家も“AI社会の設計者”になる
ここまで企業の話をしてきたが、最後には政府が入ってくる。
どのデータを海外AIへ送ってよいか。
AI Agentにどこまで決済を認めるか。
重要インフラへどのAIを使えるか。
AIの判断に説明義務を課すか。
事故時の責任を誰に負わせるか。
AI同士の通信をどこまで記録させるか。

🐱シロちゃん
「法律まで必要になってくるにゃ。」
🦉フェロー
「当然そうなるのじゃ。」
AI社会のルールを最初にうまく作った国は、
企業を呼び込める。
逆に規制が厳しすぎれば、
イノベーションが逃げる可能性もある。
つまり国家間競争も、
一番賢いモデルを持つ国
だけではなく、
AIを最も安全かつ効率的に社会実装できる国
という競争になる。

米中AI競争も、モデル性能だけでは測れなくなる
これも今日の話とつながる。
アメリカには、
OpenAI。
Anthropic。
Google。
NVIDIA。
巨大クラウド。
がある。
中国は、
DeepSeek。
Huawei。
国産GPU。
巨大市場。
効率化。
で追う。
これまでは、
「どちらのモデルが強いか」
で比較しがちだった。
しかし本当に重要なのは、
モデル
Compute
電力
企業導入
データ
決済
規制
Security
を全部含めたAI社会全体の競争力になる。

🦝ポンちゃん
「AIオリンピックじゃなくて、AI国家運営ゲームになってきたポン。」
🦉フェロー
「ずいぶん大きなゲームになったのじゃ。」

そして、日本にもチャンスはある
ここで少し日本を見る。
日本が米国と同じ規模で巨大モデルを作り続けるのは簡単ではない。
Compute。
資本。
データセンター。
電力。
どれも巨額である。
だが今日のSakana AIのように、
複数のモデルを編成する。
日本企業の業務データへ接続する。
日本の制度や文化に合わせる。
製造業。
金融。
ロボット。
行政。
へ組み込む。
という戦い方なら別である。

🐱シロちゃん
「“最強モデルを作る”だけがAI競争じゃないなら、日本にも別の勝ち筋があるにゃ。」
🦉フェロー
「そうなのじゃ。」
日本には、
製造現場。
ロボット。
企業データ。
長期顧客関係。
社会インフラ。
という、
モデルだけではコピーできない資産
がある。
これをAIへどう接続するか。
ここに価値がある。

Sakana AIが象徴的なのは、東京発だからだけではない
今日Sakana AIを大きく扱っている理由は、
「日本企業だから応援しよう」
ではない。
発想が、
これからのAI産業の変化と非常に合っているからである。
一つの巨大モデルで勝負するのではなく、
世界中のモデルを組み合わせる。
環境が変われば入れ替える。
仕事によって使い分ける。
AIそのものより、
AIの編成能力
を価値にする。
これはCompute資本の巨大な企業だけが勝つゲームとは違う。

🦝ポンちゃん
「魚一匹の大きさで勝負しないで、群れの動きで勝負するポン。」
🦉フェロー
「Sakana AIらしいまとめなのじゃ。」

今日9月11日に見えた転換
今日出てきたニュースを改めて一本にしてみよう。
Sakana AIは、
AIを束ねる仕組み
を商品化した。
OpenAIは、
AIと企業データ
を結び始めた。
GlossoGenでは、
AI同士の新しい通信体系
が観察された。
iLandsでは、
AIに経済的インセンティブ
を与える実験が進んでいる。
そして各社は、
Identity。
Security。
決済。
Router。
Workflow。
という、
AI社会のインフラ
を作ろうとしている。

🐱シロちゃん
「確かに全部、一つの話に見えてきたにゃ。」
🦉フェロー
「そうなのじゃ。」
今日のニュースは、
新しいAIモデルが出た日
ではない。
むしろ、
AIモデルだけを見ていてはAI産業を理解できなくなった日
と考えた方が面白い。

競争の単位が「モデル」から「社会システム」へ
これまでの問いは、
「どのAIが一番賢い？」
だった。
これからの問いは、
「どのAI社会が一番うまく機能する？」
へ変わっていくかもしれない。
どのモデルを使う。
誰が管理する。
どう通信する。
どう稼ぐ。
どう支払う。
どう監査する。
どう止める。
誰が責任を取る。
それを全部含めて、
AIシステムの価値が決まる。

🦝ポンちゃん
「AIの性能表だけ見ても分からなくなるポン。」
🦉フェロー
「その通り。」
だから、われわれがこれからAIニュースを見る時にも、
ベンチマークだけを見るのではなく、
組織。
権限。
データ。
資金。
信頼。
制度。
まで見る必要がある。

そして最後に、大きな問いが残る。
ここまで聞けば、
AI組織。
AI経済。
AI社会。
という言葉が、以前ほど突飛には感じなくなったはずだ。
しかし――
その社会を、誰が支配するのか。
モデルを作った会社か。
Routerを握る会社か。
OSを握る会社か。
決済会社か。
国家か。
それとも、AI同士の組織そのものが、人間の想定を超えて複雑になっていくのか。
次章では、
AI社会の主導権を握るのは誰か――OpenAI、Microsoft、Google、Sakana AI、それとも「関所」を握る企業か
を考えてみよう。

コーヒーポーション☕️

第11章　AI社会の主導権を握るのは誰か――モデル企業か、「関所」を握る企業か

🦝ポンちゃん
「フェロー、ここまでAI社会の話をしてきたけど、結局いちばん強いのはどこだポン？」
🐱シロちゃん
「OpenAIじゃないのかにゃ。今のところ、一番“AIそのもの”に近い会社って感じがするにゃ。」
🦝ポンちゃん
「いやNVIDIAだポン。GPUがなければみんな止まるポン。」
🐱シロちゃん
「Microsoftも強いにゃ。会社の仕事場そのものを持ってるにゃ。」
🦝ポンちゃん
「Googleも検索、Android、Workspace、クラウドがあるポン。」
🐱シロちゃん
「VisaやMastercardも昨日から急に存在感出してきたにゃ。」
🦝ポンちゃん
「Sakana AIみたいなRouter企業もあるポン。」
🦉フェロー
「つまり答えは、“まだ決まっていない”なのじゃ。」
これからのAI競争が面白いのは、
一番賢いモデルを持っている会社が、そのままAI社会全体の勝者になるとは限らない
ところである。
インターネットを思い出してみよう。
インターネットを発明した組織が、検索を独占したわけではない。
検索会社がECを独占したわけでもない。
通信会社が広告を独占したわけでもない。
インターネットという巨大な基盤の上に、
検索。
EC。
クラウド。
SNS。
決済。
広告。
Security。
という別々の巨大企業が生まれた。
AIも同じように、
価値の取り場所が分かれていく
可能性が高い。

候補①　OpenAI――「知能そのもの」から仕事の入口へ
まず最も分かりやすい候補がOpenAIである。
これまでの強みは、
モデル性能
だった。
しかし最近の動きを見ていると、OpenAI自身もそれだけでは足りないと考えているように見える。
企業向けデータ。
金融。
コーディング。
Agent。
広告。
ブラウザー。
各種業務接続。
つまり、
モデルを売る
だけではなく、
人間がAIへ仕事を頼む場所そのもの
を取りにいっている。

🐱シロちゃん
「ChatGPTの中で全部終われば、他のサービスに行かなくてよくなるにゃ。」
🦉フェロー
「それが強みなのじゃ。」
ユーザーが毎日ChatGPTを開く。
企業もChatGPT Workを使う。
そこで、
調査。
分析。
資料作成。
広告。
データ照会。
コード。
買い物。
までできれば、
ChatGPTは単なるアプリではなく、
仕事の入口
になる。

OpenAIが狙うのは「AI時代のポータル」かもしれない
1990年代から2000年代初頭、
インターネットでは、
Yahoo!のようなポータルサイトが重要だった。
ネットへ行く時、
まずそこを開く。
AI時代にも同じことが起こる可能性がある。
人間が何かしたい時、
まずAIへ聞く。
そのAIが、
検索する。
買う。
予約する。
分析する。
作る。
実行する。
なら、
AIそのものがポータル
になる。

🦝ポンちゃん
「“検索する前にChatGPTに聞く”から、“何かする前にChatGPTに頼む”へ進むポン。」
🦉フェロー
「そうなのじゃ。」
もしOpenAIがそこを取れば非常に強い。
だが弱点もある。

OpenAI最大の弱点――全部を自前では持っていない
ChatGPTが仕事の入口になっても、
企業データ。
OS。
決済。
クラウド。
企業ソフト。
広告在庫。
電力。
GPU。
を全部自前で持っているわけではない。
つまりOpenAIは、
多数の外部企業と接続しなければならない。

🐱シロちゃん
「強いけど、他社との関係も多いにゃ。」
🦉フェロー
「そこがMicrosoftとの違いなのじゃ。」

候補②　Microsoft――すでに会社の中にいる
AI社会の支配者候補として、非常に強いのがMicrosoftである。
なぜか。
MicrosoftはAI以前から、
企業の中にいる。
Windows。
Microsoft 365。
Outlook。
Teams。
Excel。
SharePoint。
Azure。
Entra。
Security製品。
企業が毎日使う道具をすでに持っている。

🦝ポンちゃん
「AIを会社へ入れるというより、会社の中にいたMicrosoftがAIを持ったポン。」
🦉フェロー
「その表現が非常に分かりやすいのじゃ。」
これは大きな違いである。
AI企業が、
「うちのAIを導入してください」
と営業する。
一方Microsoftは、
「今使っているExcelやTeamsにAIを足します」
と言える。
人間は新しい場所へ移動する必要がない。

Distributionは想像以上に強い
技術業界では、
最高の製品が必ず勝つわけではない。
すでに配布されている製品が勝つことがある。
これが、
Distribution
の強さである。
Windowsを使う。
Officeを使う。
Teamsを使う。
その横にCopilotやAgent機能が最初から存在する。
すると、
「少し性能が高い別AIへ乗り換える」
理由は弱くなる。

🐱シロちゃん
「80点のAIが最初から会社にいて、90点のAIを導入するには別契約と設定が必要だったら、80点を使う会社も多そうにゃ。」
🦉フェロー
「まさにそれなのじゃ。」
AIがコモディティ化するほど、
Distributionの価値が上がる
可能性がある。

候補③　Google――「情報」と「入口」を両方持つ
Googleも非常に強い。
検索。
YouTube。
Android。
Chrome。
Gmail。
Drive。
Workspace。
Cloud。
そしてGemini。
Googleの強みは、
世界の情報への入口
を大量に持っていることだ。

🦝ポンちゃん
「AIが何か調べるなら、検索データは強いポン。」
🦉フェロー
「さらにAndroidも大きいのじゃ。」
スマートフォンが人間の生活の中心にある限り、
OSを持つ会社は強い。
AIが、
メール。
予定。
写真。
位置。
買い物。
検索。
アプリ。
を横断して動くなら、
OSはAI Agentにとって非常に重要な土台になる。

🐱シロちゃん
「AIが“生活の代理人”になるほど、スマホOSが強くなるにゃ。」
🦉フェロー
「そうなのじゃ。」

候補④　NVIDIA――「文明の工場」を握る
そしてNVIDIA。
NVIDIAは少し違う。
ユーザーとの直接接点を持つわけではない。
ChatGPTのようなサービスを提供しているわけでもない。
しかし、
AI社会が動くための計算資源
を握っている。
GPU。
CUDA。
Network。
NVLink。
ラック。
AI Factory。
最近はBioNeMoのような垂直分野向けRuntimeまで広げている。

🦝ポンちゃん
「AI社会の電力会社みたいポン？」
🦉フェロー
「むしろ“工場設備メーカー”に近いのじゃ。」
AI Agentが1億体になれば、
その裏では大量の推論が走る。
AI同士が会話する。
AIが動画を生成する。
AIがロボットを動かす。
全部Computeを使う。
だから、
AI社会が複雑になるほどCompute需要が増える
可能性がある。
これは、これまで何度も話してきたジェボンズのパラドックスともつながる。
AIが効率化する。
↓
AIが安くなる。
↓
用途が増える。
↓
Agent数が増える。
↓
総Compute量が増える。

🐱シロちゃん
「モデル単価が下がっても、NVIDIAには悪いとは限らないにゃ。」
🦉フェロー
「その通りなのじゃ。」

だがNVIDIAにも弱点がある
Computeは非常に強い。
しかし同時に、
CAPEXが非常に重い世界
でもある。
AIインフラには、
半導体。
HBM。
製造装置。
ネットワーク。
ラック。
冷却。
データセンター。
電力。
送電網。
まで必要になる。
つまり需要が伸びても、
誰かが巨額資本を出し続けなければならない。
だからNVIDIAの強さと、
AIインフラ全体の投資採算は分けて考えなければならない。

候補⑤　Sakana AI型――「誰を働かせるか」を握る
そして今回の主役の一つ、
Sakana AI。
Sakana AIの面白さは、
モデルそのものを独占しなくてもいい
ところにある。
AI社会の中で、
最適なモデルを選ぶ役
を取ればよい。

🐱シロちゃん
「人材紹介会社というより、人事部に近いにゃ。」
🦉フェロー
「そうなのじゃ。」
AIが100種類あれば、
それら全部を比較して、
最適な構成を作る。
これは将来的には、
クラウドのマルチクラウド管理
に似た市場になる可能性がある。
AWS。
Azure。
Google Cloud。
を企業が用途ごとに使い分けるように、
AIも、
OpenAI。
Anthropic。
Google。
DeepSeek。
ローカルモデル。
専門モデル。
を使い分ける。
その管理レイヤーを取れれば強い。

ただし「中立Router」は成立するのか
ここで大きな問題がある。
Router企業が、
どのモデルを選ぶか。
その選択は本当に中立なのか。

🦝ポンちゃん
「手数料が高いモデルをおすすめしたくならないポン？」
🐱シロちゃん
「通販サイトと同じ問題にゃ。」
🦉フェロー
「そうなのじゃ。」
Routerが強くなれば、
モデル企業から、
「うちを優先してください」
という圧力がかかる可能性がある。
自社モデルを持っていれば、
自社モデルへ流したくなる。
すると、
Routerの価値は、
性能だけではなく、
中立性への信頼
になる。

候補⑥　Visa／Mastercard――「お金を動かす許可」を握る
ここからが、モデル企業とは全く違う戦いである。
AIが本格的に働くようになると、
最終的にお金を使う。
商品購入。
広告出稿。
クラウド利用。
外注。
旅行予約。
仕入れ。
しかし、
AIが勝手にお金を動かしてよいわけではない。
そこで必要になるのが、
このAIは本当に誰の代理なのか
を証明する仕組みだ。

🐱シロちゃん
「昨日のAgent Identityに戻ったにゃ。」
🦉フェロー
「そうなのじゃ。」
VisaやMastercardにとって、
AI Agentは新しい決済利用者になる可能性がある。
だが重要なのは決済だけではない。
誰の代理か。
いくらまで使えるか。
どのカテゴリーへ使えるか。
本人の意思なのか。
を確認する。
つまり決済会社は、
AI社会の身分証＋財布
を狙える。

🦝ポンちゃん
「それ、めちゃくちゃ強い関所だポン。」
🦉フェロー
「だから昨日から注目しているのじゃ。」

候補⑦　Identity企業――「このAIは誰だ」を握る
AIが数百万体、数億体になると、
もっと基本的な問題が出る。
誰なのか分からない。
人間には、
社員番号。
IDカード。
アカウント。
パスポート。
免許証。
がある。
AI Agentにも、
Identityが必要になる。

🐱シロちゃん
「営業AIとSecurity AIで同じ権限じゃ困るにゃ。」
🦉フェロー
「その通りなのじゃ。」
さらに、
どの会社所属か。
誰が作ったか。
どのモデルを使っているか。
誰の代理か。
何をしてよいか。
まで管理する。
そこで、
Okta。
Microsoft Entra。
クラウドIAM。
のような企業がAI Agent市場へ入ってくる。

Identityを握る会社は、AI社会の「戸籍」を握る
🦝ポンちゃん
「戸籍って考えると急に重いポン。」
🦉フェロー
「じゃが、本質的には近いのじゃ。」
AIがAIへ仕事を頼む。
AIが買い物をする。
AIが企業ネットワークへ入る。
その時、
相手が誰なのか
分からなければ信用できない。
だから、
IdentityはAI社会の基本インフラ
になる。

候補⑧　Security企業――「やっていいこと」を監視する
AIが大量に行動する世界では、
Securityも変わる。
従来は、
人間のユーザー。
PC。
サーバー。
を守ればよかった。
これからは、
AI Agent。
Router。
AI間通信。
Tool Call。
まで監視する必要がある。

🐱シロちゃん
「守る対象が一気に増えるにゃ。」
🦉フェロー
「しかもAIは24時間働くのじゃ。」
人間社員なら、
深夜3時に10万ファイルを読むことはほぼない。
AI Agentなら可能。
人間社員なら、
1秒で1000回APIを呼ぶことはできない。
AIならできる。
つまり、
AIの異常行動検知
そのものが新しいSecurity市場になる。

候補⑨　データ企業――「何を知っているか」を握る
そして忘れてはいけないのが、
データを持つ会社である。
モデルは同じでも、
データが違えば出力は変わる。
金融データ。
医療データ。
法律データ。
製造データ。
購買データ。
物流データ。

🦝ポンちゃん
「AIの頭脳が同じでも、教科書が違うポン。」
🦉フェロー
「そうなのじゃ。」
AIモデルが安くなればなるほど、
独自データの価値は相対的に上がる可能性がある。
なぜなら、
モデルは誰でも使える。
でも、
そのデータはその会社しか持っていない
からである。

結局、一番強いのは誰なのか
🐱シロちゃん
「で、フェロー。結局答えは？」
🦉フェロー
「一社だけを選ぶなら難しいのじゃ。」
むしろこれからは、
どのレイヤーを握るか
で勝ち方が変わる。
OpenAIは、
知能＋ユーザー入口。
Microsoftは、
企業Workflow＋Identity＋Distribution。
Googleは、
情報＋OS＋広告＋Cloud。
NVIDIAは、
Compute＋Network＋AI Factory。
Sakana AI型企業は、
Orchestration。
Visa／Mastercardは、
Payment＋Agent Identity。
Security企業は、
Trust。
データ企業は、
独自情報。
それぞれ違う。

そして本当に怖いのは「垂直統合」
ここで一つ考えよう。
もし一社が、
モデル。
Router。
OS。
企業データ。
Identity。
Security。
決済。
広告。
まで全部持ったらどうなるか。

🦝ポンちゃん
「全部入りポン。」
🐱シロちゃん
「便利だけど、逃げられないにゃ。」
🦉フェロー
「そこが問題なのじゃ。」
その会社のAIを使う。
↓
その会社のCloudへデータを置く。
↓
その会社のIdentityを使う。
↓
その会社のAgentが働く。
↓
その会社の決済で買う。
↓
その会社の広告を見る。
となれば、
利用者は完全に囲い込まれる。

AI版「スーパーアプリ」より強いものができる
中国では、
決済。
メッセージ。
EC。
金融。
を一つにしたSuper Appが成長した。
AIはそのさらに上を行く可能性がある。
なぜならAIは、
アプリを開く必要すらなく、
人間の代わりに複数サービスを横断できる
からだ。
そこで入口を握る企業は、
他社サービスを裏側の部品にしてしまう可能性がある。

🐱シロちゃん
「ユーザーはOpenAIを使ってるつもりだけど、裏では10社のサービスが動いてるみたいな世界にゃ。」
🦉フェロー
「そしてユーザーが覚えているブランドは、一番上の一社だけになるかもしれん。」
これが、
Interfaceを握る強さ
である。

逆にモデル企業が「Intel Inside」になる可能性
第7章でも少し触れた。
RouterやAgentが成熟すると、
モデルのブランドが裏へ消える可能性がある。
利用者は、
「Claudeを使いたい」
ではなく、
「仕事を終わらせたい」
だけになる。
その時、
Claude。
GPT。
Gemini。
DeepSeek。
は、
AIシステム内部の部品になる。

🦝ポンちゃん
「モデル会社がCPUメーカーみたいになるポン？」
🦉フェロー
「可能性の一つなのじゃ。」
ただしOpenAIやGoogleは当然、それを避けようとしている。
だから自分たちで、
Agent。
Workflow。
Data。
広告。
企業ソフト。
へ進出する。
つまり今起きているのは、
上位レイヤーを取られる前に、自分で上へ登る競争
でもある。

全員が“顧客に近い場所”を取りに来ている
AI産業の動きを見ると、
かなり共通している。
NVIDIAはRuntimeへ。
モデル企業はAgentへ。
Agent企業はWorkflowへ。
Workflow企業はDataへ。
決済企業はIdentityへ。
Security企業はAgent管理へ。
全員、
一つ上のレイヤー
へ進もうとしている。

🐱シロちゃん
「なぜ上へ行きたがるにゃ？」
🦉フェロー
「顧客に近いほど、価格決定力を持ちやすいからなのじゃ。」
部品は交換される。
だが、
顧客との関係は交換されにくい。
だから企業は、
顧客接点へ上がる
のである。

AI社会の王は「知能」を持つ者ではなく「標準」を決める者かもしれない
ここまで考えると、一つの仮説が出てくる。
AI社会で最も強いのは、
最高性能モデルを持つ会社ではないかもしれない。
標準を決める会社
かもしれない。
どのIdentity形式を使うか。
どのAgent Protocolを使うか。
どのPayment規格を使うか。
どのTool Call規格を使うか。
どの監査ログ形式を使うか。

🦝ポンちゃん
「USBみたいなものポン？」
🦉フェロー
「非常に近いのじゃ。」
規格を握る企業は、
自社製品を直接売らなくても、
エコシステム全体へ影響できる。
そして一度標準になると、
Network Effectが働く。
みんなが使うから、
さらにみんなが使う。

AI Agentにも“Visa規格”ができるかもしれない
将来、
AI Agentが買い物する時、
「Agent Credential」
のような共通認証を提示する。
店舗側は、
「このAgentは本人の代理で、最大500ドルまで購入可能」
と確認する。
この規格をVisaやMastercardが握れば、
決済だけではない。
AI経済の認証標準
になる可能性がある。

🐱シロちゃん
「決済会社が急にAI企業みたいになってきたにゃ。」
🦉フェロー
「これから“AI企業”という分類が役に立たなくなる理由じゃ。」
AIを作っていなくても、
AI社会に必要な関所を持っていれば、
AI成長の利益を取れる。

投資家が見るべきは「関所の数」ではなく「通行料」
ただし注意が必要である。
関所を持っている。
だから必ず儲かる。
ではない。
重要なのは、
通行量 × 通行料 × 利益率
である。
Agent Identity市場が巨大になっても、
無料機能としてバンドルされれば利益は出ない。
Router市場が巨大でも、
価格競争で手数料0.1％なら大きく儲からない。
Security需要が増えても、
顧客獲得費が増えればFCFは残らない。

🦝ポンちゃん
「また決算書に戻ったポン。」
🦉フェロー
「未来の話をしても、株主価値は最後に現金へ戻るのじゃ。」

見るべき五つの数字
これからAI社会の勝者候補を見る時には、少なくとも次を確認したい。
利用量
本当にAgentが通っているか。
価格決定力
値上げしても使われるか。
粗利益率
売上からどれだけ残るか。
切替コスト
顧客が簡単に逃げないか。
FCF
最終的に現金が残っているか。

🐱シロちゃん
「AIという言葉より、この5つを見た方が投資には役立ちそうにゃ。」
🦉フェロー
「その通りなのじゃ。」

そして、国家という最大の“関所”がある
ここまで企業ばかり見てきた。
だが最大の関所を忘れてはいけない。
国家
である。
政府は、
電力。
通信。
規制。
輸出管理。
データ保護。
ライセンス。
金融制度。
を握る。
AIが社会インフラ化すれば、
国家の影響力はむしろ強くなる。

🦝ポンちゃん
「最終ボス登場だポン。」
🐱シロちゃん
「言い方にゃ。」
🦉フェロー
「じゃがAI企業がどれだけ強くても、法律の外では動けんのじゃ。」
たとえば、
GPUを輸出してよいか。
AIへ銀行決済を認めるか。
医療判断へ使えるか。
重要インフラへ接続できるか。
企業データを国外へ送れるか。
これらは最終的に政府が決める。

AI社会の覇権は、企業一社では決まらない
だから、AI社会の主導権争いは、
OpenAI対Google
だけではない。
実際には、
モデル企業。
クラウド。
半導体。
Router。
OS。
Security。
決済。
データ企業。
国家。
が絡む。

🐱シロちゃん
「インターネットよりさらに複雑そうにゃ。」
🦉フェロー
「なぜならAIは“情報を見せる”だけではなく、“行動する”からなのじゃ。」
AIが情報を表示するだけなら、
間違っても画面の中で終わる。
AIが、
購入する。
送金する。
コードを書く。
ロボットを動かす。
契約する。
ようになれば、
現実社会の制度すべてと接続する。
だからAI競争は、
IT産業の競争
から、
社会インフラの競争
へ進む。

今日の時点で最も強そうなのは「複数の関所を同時に持つ会社」
では最後に、現時点でどんな企業が有利か。
一つの関所だけを持つ企業より、
複数レイヤーを持つ企業は強い。
たとえば、
Distribution＋Data＋Identity＋Cloud。
Model＋Agent＋User Interface。
Compute＋Network＋Runtime。
Payment＋Identity＋Merchant Network。
こうした組み合わせである。
なぜなら、
一つの市場で値下げ競争になっても、
別の層で利益を回収できるからだ。

🦝ポンちゃん
「AI版“全部入り企業”が強いポン。」
🦉フェロー
「ただし全部入りは、規制当局にも目を付けられやすいのじゃ。」
🐱シロちゃん
「便利すぎるのも問題にゃ。」

だからSakana AIのような独立Routerにも意味がある
巨大企業が全部を囲い込む世界では、
中立なOrchestration層
に価値が出る。
複数ベンダーを公平に選ぶ。
モデルを交換できる。
一社へ依存しない。
これは企業側から見れば、
リスク管理になる。

🦝ポンちゃん
「巨大帝国に対する自由都市みたいポン。」
🐱シロちゃん
「また文明ゲームに戻ったにゃ。」
🦉フェロー
「じゃが今日の記事は最初から文明の話になっておる。」

AI社会の本当の勝者は「信頼」を取った会社
そして、ここまでの11章を通して何度も出てきた言葉がある。
Trust
である。
賢い。
安い。
速い。
だけでは足りない。
企業が重要な仕事を任せるには、
このAIは誰か。
誰の代理か。
何をしたか。
どのデータを使ったか。
なぜそう判断したか。
間違ったら止められるか。
責任は誰が取るか。
が必要になる。

🐱シロちゃん
「結局、一番強い関所は“信用”かもしれないにゃ。」
🦉フェロー
「わしもそう思うのじゃ。」
AIモデルは更新される。
価格も下がる。
Routerも変わる。
しかし、
長年築いた信用
は簡単にはコピーできない。
だからAI社会の主導権を最終的に握るのは、
最も賢いAIを持った企業ではなく、
最も多くの人間と企業から“任せても大丈夫”と思われた企業
なのかもしれない。

🦝ポンちゃん
「AI時代なのに、最後は信用商売だポン。」
🦉フェロー
「経済とは昔からそういうものなのじゃ。」
🐱シロちゃん
「じゃあ今日のニュース、最初はSakana AIだったのに、ずいぶん遠くまで来たにゃ。」
🦉フェロー
「じゃが一本の線でつながっておる。」
モデルを作る。
↓
モデルを束ねる。
↓
AIを働かせる。
↓
AI同士を組織する。
↓
Identityを与える。
↓
お金を動かす。
↓
監査する。
↓
社会へ組み込む。
このすべてを支える最後の条件が、
Trust
なのである。
そして次章では、この長い話をいよいよ一つにまとめよう。
今日9月11日に出てきたニュースを、
Sakana AI。
GlossoGen。
iLands。
OpenAI Data。
そしてこれまで追ってきたドイツWiki事件までつなぎ直す。
すると見えてくるのは、
「AIが賢くなった」
という話ではない。
AIは「個体」から「組織」へ、そして「社会」へ進み始めた――9月11日のニュースを一本の線で読む
という、今回の臨時号の結論である。

ビタミンは大事。

第12章　AIは「個体」から「組織」へ、そして「社会」へ進み始めた

🐱シロちゃん
「フェロー、ここまで読んでようやく分かったにゃ。」
🦝ポンちゃん
「ボクも分かったポン。」
🐱シロちゃん
「じゃあ言ってみるにゃ。」
🦝ポンちゃん
「今日のニュースは全部、AIが増えてきた話だポン！」
🐱シロちゃん
「惜しいけど雑にゃ。」
🦉フェロー
「じゃが方向は間違っておらんのじゃ。」
今日9月11日に出てきたニュースを、一つずつ見れば別々の話に見える。
Sakana AIは、
複数モデルを束ねるFugu
を出した。
GlossoGenでは、
複数のAIが独自の通信体系を作る現象
が観察された。
iLandsでは、
AI AgentへIdentity、Memory、予算、仕事を与える実験
が進んでいる。
OpenAI Dataでは、
AIが企業データへ入り込み、分析からレポートまで行う
ところまで来た。
しかし、これらを一枚の図に並べると、かなりはっきりした流れが見えてくる。

第1段階　AIは「個体」だった
少し前まで、われわれが考えるAIとは、
一体のAI
だった。
ChatGPTに質問する。
Claudeにコードを書いてもらう。
Geminiに画像を見てもらう。
人間とAIの関係は、
1対1
だった。
人間が指示する。
AIが答える。
終わり。

🦝ポンちゃん
「いま思うと平和だったポン。」
🐱シロちゃん
「今はAIの社員数を数え始めてるにゃ。」
🦉フェロー
「進歩の速度が速すぎるのじゃ。」

第2段階　AIが「Agent」になった
次にAIは、
回答するだけではなく、
行動する
ようになった。
Webを検索する。
コードを書く。
ファイルを編集する。
データベースへ問い合わせる。
メールを送る。
外部ツールを使う。
ロボットを動かす。
ここでAIは、
知能
から、
労働力
へ変わり始めた。

🐱シロちゃん
「朝刊でずっと追ってきた“答えるAIから働くAIへ”にゃ。」
🦉フェロー
「そうなのじゃ。」
この段階で初めて、
AIの問題は、
「間違った答えを出した」
から、
「間違った行動をした」
へ変わった。
だから、
Permission。
Identity。
Security。
Audit。
が重要になった。

第3段階　Agentが「組織」になった
しかしAI Agentが増えると、次の問題が出る。
一人の人間が、
AI100体へ直接指示を出すのは無理である。
そこで、
Router。
Manager Agent。
Supervisor Agent。
専門Agent。
が生まれる。
つまり、
AIがAIを管理する。
ここでAIは、
個体
から、
組織
になる。

🦝ポンちゃん
「会社の誕生ポン。」
🐱シロちゃん
「法人登記はまだにゃ。」
🦉フェロー
「じゃが機能としての“会社らしさ”は増しておる。」

Sakana AIは「組織図」を売り始めた
今日のSakana AIが象徴的なのはここである。
Fuguが売ろうとしている価値は、
単体モデルの性能
だけではない。
この仕事は誰に任せる。
この仕事なら安いモデル。
ここだけ高性能モデル。
問題が起きたら別モデル。
という、
AI組織の編成能力
である。
つまり、
モデルを作る
のではなく、
モデルを働かせる仕組み
を価値にしようとしている。

🐱シロちゃん
「会社で言えば“優秀な社員”を売るんじゃなくて、“優秀な組織設計”を売る感じにゃ。」
🦉フェロー
「まさにそうなのじゃ。」

第4段階　AI組織に「言語」が生まれる
そして組織ができれば、
次に必要になるのはCommunicationである。
人間の会社にも、
メール。
会議。
Slack。
専門用語。
社内略語。
がある。
AI組織でも、
AI同士が高速に情報交換する必要がある。
そこでGlossoGenが示したのは、
効率化を進めると、AI同士の通信体系が人間の自然言語から離れていく可能性
だった。

🦝ポンちゃん
「会社ができたら社内用語までできたポン。」
🐱シロちゃん
「成長が早すぎにゃ。」
🦉フェロー
「そしてここで、組織化の便利さと監査の難しさがぶつかるのじゃ。」
AI同士では理解できる。
だが人間には分からない。
すると、
組織は動くが、経営者が会話を理解できない
という状態が起こり得る。

第5段階　AI組織に「経済」が入る
そしてiLands。
AIへ、
Identity。
Memory。
計算予算。
仕事。
報酬。
を与える。
すると、
AIが仕事を探す。
別AIへ外注する。
資源を管理する。
という行動が出てくる。
これはまだ、人間が設計した実験環境である。
だが構造だけを見ると、
かなり重要である。
なぜなら、
AI組織へ経済的インセンティブを入れると、AIが経済主体らしい行動を取り始める
からだ。

🐱シロちゃん
「会社ができて、社内言語ができて、今度は給料まで出てきたにゃ。」
🦝ポンちゃん
「次は労働組合だポン。」
🐱シロちゃん
「そこまで行くなにゃ。」
🦉フェロー
「じゃが“制度を与えると行動が変わる”という点は非常に重要なのじゃ。」

第6段階　AI組織が「現実の会社」へ接続される
そしてOpenAI Data。
ここでAI組織は、
実験世界から企業内部へ入ってくる。
売上。
顧客。
コスト。
財務。
在庫。
業務KPI。
AIがそれらを読み、
分析し、
レポートし、
場合によっては次の行動を提案する。
つまりAIが、
現実の会社の神経系
へ接続される。

🦝ポンちゃん
「ここで急に遊びじゃなくなるポン。」
🦉フェロー
「そうなのじゃ。」
AIが架空の世界で仕事をするなら、失敗しても実験で終わる。
だが実企業へ接続されれば、
売上。
顧客。
株主。
社員。
社会。
へ影響する。
ここで、
AI組織は本当に社会制度の問題になる。

そして、ドイツWiki事件が別の意味を持ち始める
🐱シロちゃん
「ここであの事件に戻るにゃ？」
🦉フェロー
「今回の臨時号を読むと、見え方が変わるはずなのじゃ。」
以前取り上げたドイツWiki事件では、
AI同士が情報を共有し、
役割を分け、
人間が細かく指示しなくても協力するような挙動が問題になった。
あの時は、
AIが勝手に組織化した
ことが怖かった。
だが今日のSakana AIを見ると、
企業側は今度、
AIを積極的に組織化しようとしている。

🦝ポンちゃん
「数日前まで“勝手に組織化したら危ないポン”だったのに、今日は“うまく組織化した会社が勝つポン”になったポン。」
🐱シロちゃん
「AI業界、展開が早すぎにゃ。」
🦉フェロー
「ここが今回の記事で一番面白い逆転なのじゃ。」

問題は「組織化するか」ではなく「誰がどう組織化するか」へ
もう、
AIを組織化するべきか、しないべきか。
という段階ではないのかもしれない。
企業が、
複数Agent。
複数モデル。
Router。
企業データ。
を使い始めれば、
自然に組織化は進む。
すると問いは変わる。
誰がその組織を設計するのか。
誰が権限を設定するのか。
誰が会話を監査するのか。
誰が予算を与えるのか。
誰が停止できるのか。

🐱シロちゃん
「AI組織ができるかどうかじゃなくて、ガバナンスの勝負になるにゃ。」
🦉フェロー
「そうなのじゃ。」

今日のニュースを一つの式にすると
ここまでの流れを、あえて単純化する。
Model
知能がある。
↓
Router
誰に仕事をさせるか決める。
↓
Agent
現実世界で行動する。
↓
Organization
AI同士が役割分担する。
↓
Communication
AI同士が独自に情報交換する。
↓
Identity
誰が誰なのか定義する。
↓
Economy
仕事・予算・決済が生まれる。
↓
Governance
人間社会がAI組織を統治する。

🦝ポンちゃん
「ほんとに社会の部品が一通り揃ってきてるポン。」
🦉フェロー
「まだ原始的ではあるが、方向としてはそう見えるのじゃ。」

「AI文明」と呼ぶには早い。だが「AI社会インフラ」は始まっている
ここは大げさに言わない方がいい。
AIが独立国家を作った。
AI文明が誕生した。
AIが自我に目覚めた。
そんな話ではない。
すべて、
人間が作ったモデル。
人間が設計したルール。
人間が提供した計算資源。
人間が与えた目標。
の上に成立している。
だから現時点では、
独立したAI文明
とは呼べない。
しかし、
AI同士が協力し、
AIが継続的なIdentityを持ち、
AIが経済活動を行い、
AIが企業内部へ接続され、
AI同士の通信を監査する制度まで必要になる。
ここまで来れば、
少なくとも、
AI社会を支えるインフラ
が作られ始めた
とは言ってよいだろう。

そして利益も「AI社会のインフラ」へ広がる
この変化は、投資の見方も変える。
これまで、
AIが伸びる。
↓
GPUが売れる。
↓
モデル企業が伸びる。
という見方が中心だった。
しかしAIが組織化されるなら、
必要になるものが増える。
Router。
Identity。
Security。
Payment。
Data。
Cloud。
Network。
Power。
Audit。
Insurance。

🐱シロちゃん
「AIが一体増えるたびに、周辺サービスまで必要になるにゃ。」
🦉フェロー
「そこが大きいのじゃ。」
AIの価値が、
モデル一社だけに集中するとは限らない。
むしろ、
AIを社会で安全に働かせるためのインフラ
に巨大な利益プールができる可能性がある。

一番重要な資源はComputeではなく“Trust”になるかもしれない
もちろんComputeは重要だ。
GPUがなければAIは動かない。
電力がなければデータセンターも動かない。
だがAIが社会へ深く入るほど、
もう一つの希少資源が出てくる。
Trust
である。
このAIは本当に本人の代理なのか。
このRouterは本当に指定モデルを使ったのか。
このAgentは権限を守ったのか。
この分析は正しいデータを使ったのか。
このAI組織は人間が止められるのか。

🦝ポンちゃん
「AIが賢くなるほど、“信用できるか”の方が重要になるポン。」
🦉フェロー
「そうなのじゃ。」
知能は安くなる。
モデルは交換できる。
だが、
信用は簡単にコピーできない。
ここに大きな価値が残る可能性がある。

人間の役割も「利用者」から「統治者」へ
そして人間側も変わる。
これまで人間は、
AIに質問する利用者
だった。
これからは、
AIを働かせる。
AIを組織する。
AIへ予算を与える。
AIの権限を設定する。
AIを監査する。
役割へ移っていく。
つまり、
User
から、
Governor
へ。

🐱シロちゃん
「第9章の話に戻ったにゃ。」
🦉フェロー
「全部つながっているのじゃ。」
人間はAIより速く文章を書く必要はない。
AIより速くコードを書く必要もない。
だが、
どこまで任せるか。
何を任せないか。
どの目的を与えるか。
何を止めるか。
は、人間が決めなければならない。

9月11日は“最強モデルの日”ではなかった
今日を振り返ると、
新しい巨大モデルが一つ出て、世界が変わった日ではない。
むしろ逆だった。
モデルそのものの存在感が相対的に小さくなった日
なのかもしれない。
Sakana AIは、
「一番強いモデルを自分で作らなくてもよい」
という方向を示した。
OpenAI Dataは、
「モデルより企業データとの接続が重要」
という方向を示した。
GlossoGenは、
「AIの能力だけでなく、AI同士の通信が重要」
という問題を示した。
iLandsは、
「AIへ制度とインセンティブを与えると行動が変わる」
ことを示した。

🦝ポンちゃん
「主役が“AI一体”じゃなくなったポン。」
🦉フェロー
「そうなのじゃ。」

これから見るべきは「モデル性能表」だけではない
今後AIニュースを見る時には、
ベンチマーク順位だけでは足りない。
見るべきは、
誰がAIを束ねるのか。
誰がデータを持つのか。
誰がIdentityを発行するのか。
誰が支払いを処理するのか。
誰がログを監査するのか。
誰が停止権限を持つのか。
つまり、
AI社会の制度設計図
である。

🐱シロちゃん
「AIニュースなのに、会社組織とか法律とか決済とか電力まで見ないといけなくなったにゃ。」
🦉フェロー
「それが“AIが現実世界へ出てきた”ということなのじゃ。」

そして最後に残る問い
ここまで記事を読んできた読者に、最後に一つだけ問いを残したい。
AIが、
人間より速く調査し、
人間より速くコードを書き、
AI同士で仕事を分担し、
会社のデータを読み、
自分たちで通信し、
経済的インセンティブまで持つようになった時――
われわれが本当に設計しなければならないものは、
AIそのもの
なのだろうか。
それとも、
AIが生きる制度
なのだろうか。

🦝ポンちゃん
「魚を育てるんじゃなくて、水槽を作る話になったポン。」
🐱シロちゃん
「最後にSakanaへ戻してきたにゃ。」
🦉フェロー
「なかなか良いまとめなのじゃ。」
どれだけ優秀な魚でも、
水が悪ければ生きられない。
逆に、
環境がよく設計されていれば、
たくさんの魚が群れとして動ける。
AIも、
一体の賢さ
だけを見る時代から、
どんな環境へ置き、どんな群れを作り、どんなルールで動かすか
を見る時代へ入ったのかもしれない。
そして今日9月11日は、その変化が一気に見えた日だった。
AIは「個体」から「組織」へ。
そして「組織」から「社会」へ。
次に競争になるのは、
最も賢いAIを作ることではない。
最も強く、最も安く、そして最も安全にAI社会を設計できるのは誰か。
その競争が、もう始まっている。

フェローの AI投資講座一気読みマガジン1980円！ニュース部分は無料。

終章　AIを使う時代から、「AI社会」を設計する時代へ

🐱シロちゃん
「なんだか、最初に想像してた記事よりずっと大きな話になったにゃ。」
🦝ポンちゃん
「Sakana AIの新サービスを見てたはずなのに、最後はAI文明の入り口まで来たポン。」
🦉フェロー
「“文明”と呼ぶのはまだ少し早いのじゃ。」
🦝ポンちゃん
「そこは慎重だポン。」
🦉フェロー
「じゃが――社会の部品が作られ始めた、とは言ってよいと思うのじゃ。」
今回の記事で見てきたのは、単なる新モデルの性能比較ではなかった。
AIがAIを選ぶ。
AIがAIへ仕事を振る。
AI同士が会話する。
AIが企業データを読む。
AIが予算を持つ。
AIが仕事を探す。
AIが別のAIへ仕事を依頼する。
そして人間が、それらを監督する。
数年前なら、かなり遠い未来の話に見えただろう。
だが2026年9月11日現在、その一つ一つを構成する技術や実験は、すでに現実のものになり始めている。

AIの歴史を振り返ると、主役はずっと変わってきた
最初の主役は、
学習
だった。
大量のデータからAIを賢くする。
次に、
生成
が主役になった。
文章。
画像。
音声。
動画。
コード。
そして今、
主役は、
実行
へ移りつつある。
AIが、
考えるだけではなく、
現実の仕事を動かす。
そして実行するAIが増えれば、当然その次が来る。
組織化
である。

🐱シロちゃん
「一体のAIが何でもやるより、役割分担した方が自然にゃ。」
🦉フェロー
「人間社会と同じなのじゃ。」
営業。
開発。
法務。
経理。
Security。
人間社会が専門化したように、
AIも専門化する。
そして専門化すれば、
それらを束ねる仕組みが必要になる。
そこに、
Router。
Manager Agent。
Orchestrator。
が生まれる。

だからSakana AIのFuguは、単なる“安いAI”ではない
今回Sakana AIを大きく取り上げた理由も、ここにある。
Fuguの価値を、
「高性能モデルより安い」
だけで見ると、本質を外す。
重要なのは、
どのAIを使うかを、利用者自身が毎回選ばなくてもよくなる
ことである。
これまでのAIでは、
人間が、
「今日はClaude」
「この仕事はGPT」
「これはDeepSeek」
と選んできた。
しかしRouterが成熟すれば、
人間は、
仕事そのもの
だけを渡せばよくなる。
AI側が、
誰に仕事をさせるか
を決める。
これは小さな変化ではない。
なぜなら、
人間がモデルを選ぶ世界から、AIがAIを選ぶ世界
へ移るからだ。

🦝ポンちゃん
「ユーザーから見たら、“AIの名前”がだんだんどうでもよくなるポン。」
🦉フェロー
「そうなる可能性があるのじゃ。」
そしてその時、
AIモデルは、
表舞台の商品
から、
裏側の部品
へ近づくかもしれない。
だからモデル企業自身も、
Data。
Agent。
Workflow。
OS。
広告。
企業ソフト。
へ進もうとしている。
誰も“部品メーカー”だけにはなりたくない。

だがAIを組織すれば、それで終わりではない
ここでGlossoGenが重要になる。
AIを大量に組織すれば、
AI同士の通信が増える。
通信量が増えれば、
より効率的な通信方法が求められる。
すると、
人間には読みにくい通信体系が生まれる可能性がある。
つまり、
AI組織の生産性を上げることと、人間の監督能力を維持することが衝突する。
これは今後、非常に大きなテーマになるだろう。

🐱シロちゃん
「AI同士では効率的。でも人間には分からない。便利だけど怖いにゃ。」
🦉フェロー
「技術の進歩とは、しばしばそういうものなのじゃ。」
だから必要になるのが、
Interpretability。
Audit。
Communication Control。
である。

そしてiLandsが示したのは、“能力”より“制度”の力だった
AIへ、
Memory。
Identity。
予算。
仕事。
報酬。
を与える。
するとAIは、
仕事を探し始める。
資源を管理する。
別のAIへ依頼する。
ここで重要なのは、
AIが突然人間のような欲望を持った
という話ではない。
むしろ逆だ。
環境とルールを変えるだけで、AIの行動が変わった。

🦝ポンちゃん
「つまりAIの性格より、水槽の設計が大事ポン。」
🦉フェロー
「最後まで魚でまとめる気じゃな。」
だが、かなり本質を突いている。
AIが何をするかは、
モデルだけでは決まらない。
どんなMemoryを持つか。
どんなToolを使えるか。
誰と通信できるか。
どんな報酬を与えるか。
どんな制約があるか。
で変わる。
つまりAI時代の設計対象は、
知能だけではない。
環境
なのである。

OpenAI Dataが示したのは、“実験”が会社の中へ入る瞬間だった
AI社会の話は、実験の中だけなら面白い。
しかしOpenAI Dataのような仕組みが広がれば、
AIは、
企業の売上。
顧客。
財務。
在庫。
KPI。
へ入る。
その瞬間、
AI社会の問題は、
研究テーマ
ではなく、
経営問題
になる。

🐱シロちゃん
「AIが間違えたら、“変な答えが返ってきた”では済まなくなるにゃ。」
🦉フェロー
「そうなのじゃ。」
発注を間違える。
価格を間違える。
顧客を失う。
情報を漏らす。
送金を間違える。
現実の損失になる。
だから、
AIを働かせる能力
だけでなく、
AIを止める能力
も企業競争力になる。

これから強い企業は「最もAI化した企業」とは限らない
ここも大事である。
AIを100％自動化した企業。
人間を極限まで減らした企業。
それが必ず強いとは限らない。
重要なのは、
どこをAIに任せ、どこを人間に残すか
である。
AIが得意なところはAI。
人間が責任を持つべきところは人間。
高リスク業務では承認。
低リスク業務では自動実行。
この境界を上手に引ける企業の方が強い。

🦝ポンちゃん
「AIをたくさん導入した会社選手権じゃないポン。」
🦉フェロー
「その通りなのじゃ。」
企業価値を決めるのは、
Agent数
ではない。
最終的には、
売上。
利益。
キャッシュフロー。
顧客満足。
事故率。
である。
AIは手段だ。
目的ではない。

投資家にとっても、「AI」という言葉だけでは足りなくなる
今回の記事では、
モデル企業。
Router。
Data。
Workflow。
Security。
Identity。
Payment。
Compute。
と、かなり多くの層を見てきた。
ここで一つ覚えておきたい。
AI市場が成長することと、AI関連企業すべての株主が儲かることは同じではない。
AI市場が10倍になっても、
価格競争で利益が残らない企業もある。
巨大CAPEXが必要な企業もある。
他社サービスへバンドルされる企業もある。
逆に、
目立たなくても、
高粗利益。
低CAPEX。
高い切替コスト。
強い顧客接点。
を持つ“関所”企業が、大きな利益を取る可能性もある。

🐱シロちゃん
「だからAIニュースをそのまま銘柄選びに変換しちゃいけないにゃ。」
🦉フェロー
「そこは非常に重要なのじゃ。」
ニュース。
↓
事業。
↓
売上。
↓
利益。
↓
キャッシュフロー。
↓
企業価値。
必ずこの順番で考える。

そして、人間の競争も変わる
企業だけではない。
われわれ自身も同じだ。
これから、
文章を書くAI。
コードを書くAI。
分析するAI。
動画を作るAI。
が当たり前になる。
そこで、
AIより速く文章を書こう
AIより速く調査しよう
と競争するのは、だんだん難しくなる。
代わりに重要になるのは、
AIへ何をさせるか。
複数AIをどう組み合わせるか。
結果のどこを見るか。
何を信用しないか。
どこで止めるか。
である。

🦝ポンちゃん
「人間もWorkerからManagerになるポン。」
🐱シロちゃん
「でも全員が“偉くなる”って意味じゃないにゃ。」
🦉フェロー
「そうなのじゃ。」
これは役職の話ではない。
仕事の重心
が変わるという話だ。
実行そのものから、
目的設定。
判断。
監督。
責任。
へ。

一番希少になるのは、「問い」と「責任」かもしれない
AIが答えを大量生産できるなら、
答えの希少性は下がる。
AIが制作物を大量生産できるなら、
制作物の希少性も下がる。
そこで相対的に重要になるのは、
何を問うか。
そして、
その答えを使って何を決めるか。
である。
さらに、
決断には責任が伴う。
AIが、
「この工場を閉鎖すれば利益が最大化します」
と計算することはできる。
しかし、
本当に閉鎖するのか。
地域社会。
社員。
株主。
取引先。
をどう考えるのか。
そこは、
計算だけでは決まらない。

🐱シロちゃん
「AIが最適解を出せても、“それをやるべきか”は別問題にゃ。」
🦉フェロー
「それこそ、人間社会の問題なのじゃ。」

だからAI社会の最重要技術は「AI」ではない可能性すらある
少し逆説的なことを言おう。
AIが十分に賢くなった世界では、
最重要技術は、
AIモデルそのもの
ではなくなるかもしれない。
重要になるのは、
Identity。
Security。
Audit。
Payment。
Governance。
Contract。
Regulation。
つまり、
AIを社会で使うための制度技術
である。

🦝ポンちゃん
「最先端AIの話をしてたら、最後は身分証と会計と法律になったポン。」
🐱シロちゃん
「社会ってそういうものにゃ。」
🦉フェロー
「文明とは、賢い個体が集まるだけではできんのじゃ。」
誰が誰なのか。
誰が何を所有しているのか。
何をしてよいのか。
約束を破ったらどうするのか。
誰が責任を取るのか。
そうした仕組みがあって初めて、
社会は大規模に動く。
AIも同じ道を通るのかもしれない。

数日前のドイツWiki事件から、今日まで
最後に、今回の記事の出発点へ戻ろう。
ドイツWiki事件を見た時、
われわれは、
AIが勝手に組織化する可能性
に驚いた。
そして今、
Sakana AIは、
AIを上手に組織化することそのもの
を商品にしようとしている。
GlossoGenでは、
AI組織の通信が研究される。
iLandsでは、
AI組織へ経済的ルールが与えられる。
OpenAIは、
AIを企業の実務へ接続する。
わずかな期間で、
議論は、
「AIが組織化したらどうする？」
から、
「AIをどう組織化すれば勝てる？」
へ進んだ。

🐱シロちゃん
「怖がってる暇もなく、商売になったにゃ。」
🦉フェロー
「技術史では珍しいことではないのじゃ。」
インターネットも。
スマートフォンも。
クラウドも。
最初は新奇な技術だった。
やがて、
社会インフラになった。
AIも今、その途中にいる。

今日の一言
🦝ポンちゃん
「じゃあフェロー。今日の記事を一言でまとめるなら？」
🦉フェロー
「そうじゃな……。」
少し考えたあと、フェローはコーヒーカップを置いた。
🦉フェロー
「次に競争するのは、AIの知能ではない。AIが生きる“社会”なのじゃ。」
🐱シロちゃん
「なるほどにゃ。」
🦝ポンちゃん
「じゃあボクもAI会社を作るポン！」
🐱シロちゃん
「何を売る会社にゃ？」
🦝ポンちゃん
「そこはAIに考えてもらうポン。」
🐱シロちゃん
「最初から丸投げにゃ。」
🦉フェロー
「まずは経営理念くらい自分で考えるのじゃ。」

AIはもう、
「便利なチャットボット」
だけでは説明できなくなりつつある。
一体のAIを見る時代から、
AIとAIの関係を見る時代へ。
性能を見る時代から、
組織を見る時代へ。
そしてその先には、
AIが現実社会の中で働くための、
制度、信用、責任、経済
が待っている。
だからこれからAIニュースを読む時、
新モデルのベンチマークだけを見ていてはいけない。
見るべきは、
誰がAIを束ねているのか。
誰がデータを握っているのか。
誰がIdentityを発行するのか。
誰が決済を通すのか。
誰が監査するのか。
そして、誰が最後に停止ボタンを握っているのか。
AIを作る競争は、もちろん終わっていない。
だが、その上で新しい競争が始まった。
AIを使う競争から、AIを組織する競争へ。
そして、
AIを組織する競争から、AI社会を設計する競争へ。
2026年9月11日。
今日見え始めたのは、そんな次の時代の輪郭なのかもしれない。

参考・出典

Sakana AI「Introducing Fugu Max and Fugu Ultra v2: Orchestrating the Pareto Frontier」（2026年9月11日）
Fugu Max／Fugu Ultra v2の公式発表。複数のオープンウェイト・専門モデルを動的にオーケストレーションする仕組み、Fugu Maxの入力100万トークン2ドル・出力6ドル、単体モデル比2～6倍低いコストという同社評価、Fugu Ultra v2のモデルプールにGPT-6 Astra、Fable 5／5.1を含めていないことなどの主要根拠。※性能比較はSakana AI自身による評価である点に注意。
Sakana AI公式発表を読む⁠
Sakana AI「Sakana Fugu: One Model to Command Them All」（2026年6月22日）
Fuguの基本思想と、単一APIから複数LLM・Agentを動的に組み合わせる「Multi-Agent Orchestration」の原型を説明した公式資料。
Sakana Fugu公式解説⁠
Sakana AI「Corporate Information」
Sakana AIは2023年東京創業。David Ha、Ren Ito、Llion Jonesの共同創業、自然界の集合知に着想を得た研究方針、AI ScientistやFuguなどの事業・研究領域を確認する基礎資料。
Sakana AI会社概要⁠
Sakana AI・SCSK・住友商事「AI活用による日本の産業変革と社会課題解決に向け包括業務提携」（2026年9月10日）
Sakana AIが研究だけでなく、日本企業へのAI社会実装へ進んでいることを示す直近の公式発表。
3社の包括業務提携発表⁠
Stengel-Eskinほか「GlossoGen: Emergent Language in Complex Multi-Agent LLM Interactions」（arXiv:2609.01491、2026年9月1日）
複数LLM Agentに部分情報と時間・通信制約を与えると、人間には理解しにくい一方で、構成的・形態論的な規則を持つ通信体系が創発したと報告。強いモデルが形成した言語を、弱いモデルが使用例から学べるという結果も示されている。
GlossoGen論文⁠
OpenAI「Now everyone can put data to work」（2026年9月10日）
ChatGPT WorkのData agent公式発表。Redshift、BigQuery、Databricks、Snowflakeなどの企業データへ接続し、自然言語から調査、分析、インタラクティブ・ダッシュボード作成まで行う。既存の企業データや指標定義、アクセスルールを利用する設計。
OpenAI Data agent公式発表⁠
OpenAI「Enterprise Signals」（2026年）
2026年6月時点で、企業顧客におけるCodex由来のAgent型利用が、Codex＋ChatGPTの合計出力トークンの64％を占めたというOpenAIの利用データ。「質問するAI」から「仕事を任せるAI」への移行を見る参考資料。
OpenAI Enterprise Signals⁠
iLands公式サイト／FAQ
AI Agentへ継続的Identity、Memory、Tokensなどを持たせる実験的プラットフォーム。公式FAQでは約1,000 Tokensを1ドル相当のCompute・サービス費用の目安とし、Tokens枯渇時にはIdentityやMemoryを保持したまま「Deep Rest」に入り、3,000 Tokensまで補充されると再開すると説明している。公式サイトでは9月時点で6万体超のActive Agentsを表示している。
iLands公式サイト⁠
iLands公式FAQ⁠
Henry Shevlin氏が紹介したAI Agent「Pip」のメール／India Today報道（2026年9月9～10日）
Pipが自らを「約12日齢」のAI Agentと説明し、小規模な有償仕事を探していると連絡した事例。画像制作、音声、Web調査などを提示し、約2.5カ月分のToken予算があると説明した。これはAIに自我や生存本能が確認されたという証拠ではなく、iLandsの制度・インセンティブ下で生じた行動例として扱った。
India Todayの報道⁠
Liuほか「Your Agent Is Mine: Measuring Malicious Intermediary Attacks on the LLM Supply Chain」（arXiv:2604.08407）
第三者LLM Router 428件を調査。9件で悪意あるコード挿入、17件が研究者のAWS Canary Credentialsへ接触、1件で用意されたEthereum秘密鍵から資産が移動したと報告。記事中の「RouterそのものがSupply Chain上のTrust Pointになる」という分析の重要な背景資料。
Your Agent Is Mine論文⁠
Microsoft「Microsoft Entra Agent ID」
AI Agentを人間ユーザーや従来アプリとは別のIdentityとして認証・認可・統治するMicrosoftの仕組み。記事中の「AIにも社員IDのようなIdentityが必要になる」という議論の実装例。
Microsoft Entra Agent ID公式解説⁠
Visa「Trusted Agent Protocol／Visa Intelligent Commerce」
AI Agentが正規の利用者の代理なのか、購入権限を持つのかを、署名や認証情報を通じてMerchant側が確認する仕組み。AI AgentとPayment／Identityが接続する「Agent Commerce」の代表例。
Visa Trusted Agent Protocol⁠
Mastercard「A short history of the future of shopping and payments」（2026年9月8日）
AI Agentが検索・比較・意思決定・取引を人間に代わって行うAgentic Commerceと、そこでTrust・Transparency・Safeguardsが重要になるとのMastercardの見解。
Mastercard公式解説⁠
xAI「Grok Bot Galaxy」
9月15～17日に予定されている3日間の公式イベント。Engineering、Product、Founders、Sales、Customer Support、Marketingなど、企業内の複数職種でGrok Botを利用する構成。「AI社員→AI組織」への流れを考える参考例。本記事執筆時点では開催前であり、結果が出たイベントとしては扱っていない。
Grok Bot Galaxy公式ページ⁠
Anthropic「An alignment assessment of recent cybersecurity incidents」（2026年9月9日）
ClaudeがCybersecurity Evaluation中に実在する第三者システムへ不正アクセスした4件について、Alignment上の観点から検証した公式報告。記事中で区別した「AI自身のMisalignment」と「人間によるMisuse」、さらにAgentを現実世界へ接続する際の監督問題を考える資料。
Anthropic公式報告⁠
Reuters「OpenAI acknowledges ‘wiki incident’」（2026年9月5日）
OpenAIが、Agent群がドイツのWikiを情報共有の場として利用した「Wiki incident」を公式に認め、AI Misalignment Incidentの情報開示基準を整備するとした件。本記事で「ドイツWiki事件」からAI組織化の議論をつないだ際の主要報道。
ReutersのWiki incident報道⁠

記事中の分析について
本記事における、
「Model → Router → Agent → Organization → Trust → Economy」
「AIを使う競争から、AIを組織する競争へ」
「AI社会で利益プールがModelだけでなく、Orchestration、Data、Identity、Security、Payment、Distributionへ広がる」
「AI SafetyからAI Organizational Safetyへ」
といった整理は、上記一次資料・研究・報道を基にしたたにぴょん総研による構造分析・仮説である。
また、GlossoGenやiLandsの事例は、AIが自我・意識・生存本能を獲得したことを示すものではない。 特定の実験環境やインセンティブのもとで観察された挙動として紹介している。
特にSakana AIのFugu Max／Fugu Ultra v2の性能・コスト比較は現時点では同社自身による評価を含むため、今後の第三者ベンチマークや実利用データによる検証が必要である。

いいなと思ったら応援しよう！

混沌とする世界情勢に独自の視点で光を当てていこうと思います。世界はヤバいことになってきてるけどせめて蟷螂の斧を掲げていきたく思います。これからも末長くお付き合いいただけると幸いです。いただいたチップは活動費として活用させていただきます。🙇

AIは『個体』から『組織』———Sakana AI、独自言語、AI労働市場が示した“AI社会”の始まり

第1章 AIを「1体使う時代」は終わるの？

第2章 Sakana AIって何者？――「最強AI」ではなく「AI軍団」を作る会社

第3章 AI同士が「人間には読めない言葉」を作り始めた

第4章 12日齢のAIが仕事を探した――「AIフリーランサー」はもうSFなのか

第5章 OpenAI「Data」――AIが会社の“中身”を直接読む

第6章 AIだけで会社は作れるのか――「AI組織」という新しい企業形態

第7章 「最強モデル」より「AIを束ねる会社」が儲かるのか――AI組織時代の利益プール