
AIラッパーは殺されない、中身がないとばれるだけ
最近、投資家のMartin Tobias(Pre-Seed VC、@MartinGTobias)さんの記事「The Labs Will Beat or Buy Your Wrapper. Bet on Harnesses.」を読みました。原文はこちらです。
面白かったのは、「ラッパーはプロンプト、ハーネスは体」という一行です。もう一つは、「明日モデルが変わったら、何が残るか」という問いでした。
事業の耐久性を測る物差しが、この一問に収まっています。
この記事では、ラッパーとハーネスの違いを、用語の定義から順に整理します。公開されている資料で補い、自分のプロダクトに当てはめる方法まで進めます。
なお、原文に出る売上や買収額などの数字は、記事の記載のままです。
【発端】 ラボが来るという不安の向け先

不安の向け先を間違えると、投資も開発も外れます。
原文の書き出しは、スタートアップの打ち合わせでよく聞く不安です。OpenAIやAnthropicのようなモデル開発会社(以下、ラボ)が、自分たちのアプリを取りにくる、という不安です。
著者はこの不安を、一部は当たっていて、多くは狙いが違うと見ています。そのうえで、LLMラッパーには投資せず、B2Bのハーネスに賭けると書いています。
2023年11月のOpenAIの開発者会議(DevDay)には、このパターンの原型があります。ラボはAssistants API(開発者向けに、外部知識の検索やコード実行、関数呼び出しを組み込める仕組み)を出しました。
OpenAIは発表で、これを「開発者がこれまで自前で作っていた重い部分を引き受けるもの」と説明しています。OpenAIの発表
【基礎】 ラッパーは薄い層、ハーネスは仕事の全体
ラッパーは「頭への指示」で、ハーネスは「頭を働かせる環境」です。
ラッパーは、既存のLLMにプロンプトと画面をかぶせた製品を指します。原文は「脳にどう考えるかを教える」薄い層と呼んでいます。
仕事の大半はモデルがしています。
ハーネスは、頭に体を与えるものです。原文は、次の要素を挙げています。
ワークフロー:顧客の業務の流れそのもの
独自データ:使われるほど蓄積される自社のデータ
連携:既存の業務システムとの接続
ガードレール:誤動作を防ぐ制約や承認
道具・記憶・評価:エージェントが仕事を終えるために要るもの
投資対象になる理由として、原文は二つ挙げています。
一つはモデル非依存であることです。ClaudeをGPTやGeminiに替えても、会社は動き続けます。
もう一つは、顧客を握っていることです。契約を結ぶ相手がモデルではなく、ハーネスの側にあります。
【違い】 殺されるのではなく明かされる中身

ラボが強くなっても、ラッパーが急に弱くなるわけではありません。もともと中身が薄いことが、見えてしまうだけです。
原文は、2023年のDevDayのあとに「多くのスタートアップが死んだ」と言われたことに触れます。著者の見立ては、殺されたのではなく、明かされたというものです。
独自データも、ワークフローのロックインも、乗り換えコストもなかったからです。
ここで当てはまるのが、原文の「モデルが95%の仕事をするなら、最終的にラボが価値の100%を取る」という論理です。次に、二つの事業を並べます。
価値の源泉
ラッパー:プロンプトと画面
ハーネス:ワークフロー、データ、連携
モデルを替えた翌日
ラッパー:ほとんど何も残らない
ハーネス:会社がそのまま残る
契約の相手
ラッパー:実質はモデルの能力に依存
ハーネス:ハーネスの運営側が契約主体
ラボが同じ機能を出したとき
ラッパー:差が消える
ハーネス:一般的な層だけが重なる
乗り換えコスト
ラッパー:低い
ハーネス:連携と蓄積データで高い
最後の項目は、他の項目から私が整理したものです。原文は「乗り換えコストがあるかどうか」を、ラッパーとの違いとして挙げています。
【仕組み】 「残るもの」を作る五つの条件

ハーネスの強さは、モデルの外側にどれだけ資産を持てるかで決まります。
原文は、生き残るハーネスの作り方を五つ挙げています。因果の順に読むと、つながりが見えます。
AIに露出した職種の中心を避ける:ラボが最優先で狙う領域には入りません。
データの排気を自社で持つ:使われた結果として出るデータは、モデル側には残りません。自社に残ります。
面倒な連携に入り込む:厄介な配管の仕事が堀になります。
モデル非依存を保つ:ラボ同士の競争が、自社のコスト低下になります。
顧客を握る:契約書に載るのは自社のロゴです。
原文が挙げる根拠は、ラボの出す製品の中身です。OpenAIもAnthropicも医療や金融向けの製品を出しましたが、実際に出ているのはコネクタ、テンプレート、データ上のチャットだと著者は書いています。
どの病院、どの銀行でも同じ形をした層です。一つの医療機関の電子カルテへの接続や、特定地域の不動産情報の決まりごとまでは、ラボは作りません。
また、Anthropicの年間10万ドル以上の顧客でも、総支出に占めるAnthropicへの支払いは0.1%未満だと原文は書いています。残りは、ワークフローとデータとサービスに流れます。
バーティカルのソフトウェアが生きる場所は、そこだという主張です。
【具体例】 HarveyとCursor、選ぶ側と選ばれる側

同じ「AIで売上が伸びた会社」でも、モデルを選ぶ側にいるか、選ばれる側にいるかで、耐久性は変わります。
原文は、ハーネスの例として法務AIのHarveyを挙げています。年間経常収益(ARR)が1億ドルから4億ドル超へ伸び、複数のラボのモデルへ仕事を振り分けている、という記載です。
この数字は原文の記載で、私は一次確認していません。
モデルの振り分けのほうは、公開情報で確認できます。Harveyは2025年5月に、OpenAIに加えてAnthropicとGoogleのモデルを使えるようにしました。
ユーザーがモデルを選ぶことも、タスクごとに自動で振り分けることもできます。Maginativeの報道
モデルを替える前提で作られているので、「明日モデルが変わったら」という問いに強い構造です。
反対側の例が、AIコーディングのCursorです。原文によると、年間経常収益が5か月で5億ドルから10億ドルになりました。
その後、Claude Codeが追い上げ、AIコーディング支出に占めるCursorのシェアは約41%から26%へ下がったとされています。さらに原文は、Cursorが600億ドルでSpaceXに買われたと書いています。
これらの数字と買収は、すべて原文の記載で、私は一次確認していません。著者の整理は、コーディングは立派な事業を生んだが、耐久性のある事業ではなかった、というものです。
ラボの優先リストの上位にいる仕事は、ラボに負けるか、買われるかになります。
原文は医療のAbridgeも挙げ、300以上の医療機関で稼働し、Kaiserの医師2万4,600人に展開されたとしています。これも記載のままの数字です。
【関連概念】 乗り換えコスト、データの排気、投資家の立場

この議論は、三つの古い概念の組み合わせです。
乗り換えコスト:顧客が他社へ移るときの手間と損失。業務システムとの連携が深いほど高くなります。
データの排気:製品が使われた結果として自然に出るデータ。蓄積されるほど、製品の改善に使えます。
複数モデルの振り分け:タスクごとに最適なモデルを選ぶ設計。Harveyが公開している実例が、その形をしています。
読むときの補助線も、二つあります。一つは、この記事が投資家の見立てだという点です。
著者はハーネスに賭ける側で、末尾には投資先の名前が並びます。ここでは扱いません。
もう一つは、「95%をモデルがする」という前提が、永遠に成り立つとは限らない点です。モデルが変われば、境界も動きます。
反論ではなく、自分の事業に当てはめるときの注意点です。
なお、ここでのハーネスは、事業の構造を指す言葉です。コーディングエージェントを動かす手順の話ではありません。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
関連記事
【まとめ】 自分の製品で回す差し替えテスト

まず、読者が自分の仕事で試せる問いを三つ挙げます。
モデルを替えた翌日:いま使っているモデルを別の会社のものへ替えたら、何が残りますか。残るものを書き出してください。
契約書の名前:顧客と結ぶ契約や請求は、誰の名前で出ていますか。
蓄積の置き場所:使われた結果のデータは、どこに溜まっていますか。
三つとも「ほとんど残らない」なら、それは今のモデルが提供する能力に乗っているだけかもしれません。逆に、連携とデータと契約が自社側にあるなら、ラボの新製品は脅威より仕入れ先の改善になります。
参考情報
Martin Tobias「The Labs Will Beat or Buy Your Wrapper. Bet on Harnesses.」
OpenAI「New models and developer products announced at DevDay」
TechCrunch「Everything announced at OpenAI's first developer event」
ZDNET「OpenAI unveils custom GPTs, Store, and Assistant API at Dev Day」
Maginative「Harvey AI Now Offers Anthropic and Google Models」