--- title: Vertical AI最後の1マイル問題―AI Agentを100社売ったら100回「仕事のやり方」を書くのか？ tags: author: [Jun Ikematsu](https://www.docswell.com/user/Jun_Ikematsu) site: [Docswell](https://www.docswell.com/) thumbnail: https://bcdn.docswell.com/page/PJXQGPV57X.jpg?width=480 description: https://note.com/ikematsu/n/na2c175b6e8e3 published: August 07, 26 canonical: https://www.docswell.com/s/Jun_Ikematsu/ZN7NR2-2026-08-07-134142 --- # Page. 1 ![Page Image](https://bcdn.docswell.com/page/PJXQGPV57X.jpg) 「Vertical AI 最後の1マイル」問題 バーティカルAI # Page. 2 ![Page Image](https://bcdn.docswell.com/page/3JK94DQRJD.jpg) 理想のVertical AI: 「入力ゼロ、確認だけ」 建設業向けクラウド「CONOC」の例: 積算、原価管理、工程管理など 16以上のAI Agentを投入計画。 AI Agent 積算 原価管理 工程管理 建機案内 工程案内 ハードナー ドーン 供供チェーン 安全性人 報報遺街 コミニック 契約書約 地上検測 素材追跡 エネルギー コンブランス マネジメン 確認 ・人がシステムへ入力するのではなく、AIが自走して仕事をを進める。 ・人間は必要なところだけを確認する世界。 # Page. 3 ![Page Image](https://bcdn.docswell.com/page/LE3WLRPGE5.jpg) SaaSからAgentへ: AI自身が「会社のルール」を持つ必要がある 【従来】SaaS時代 人間の 判断 SaaS System 人が判断し、結果をシステムへ入力。 人間が「各社の違い」を吸収していた。 【今後】AI Agent時代 AI Agent Rule Filter 人間の判断 AI Agent AIが自分で判断してコマを進める。 手順だけでなく、その会社の「ものさし」を AIに教える必要がある。 # Page. 4 ![Page Image](https://bcdn.docswell.com/page/8EDKNYLN7G.jpg) 100社には、100通りの「仕事のやり方」がある AIが「標準的な見積」を作れても、 それだけでは実務に使えない。 「この取引先だけは 利益率15%でも受ける」 「この取引先だけは 利益率15%でも受ける」 「新規客なら社長確認」 「この材料はいつもの 仕入先を使う」 これらは業界の常識ではなく、その会社が蓄積してきた「個別の判断基準」 である。これをAIが知らな知らなければ、Agentの意味がない。 # Page. 5 ![Page Image](https://bcdn.docswell.com/page/V7PK562NJ8.jpg) Vertical AIにおける2つの知識領域 業界共通知識 (Industry Common Knowledge) 内容 法律、専門用語、業界慣行、標準 フロー。 特性 スケーラビリティが高い(コピー 展開可能・SaaSモデル)。 顧客固有知 (Customer Unique Knowledge) 内容 優先順位、例外処理、誰の決裁 か、どの数字を信用するか。 特性 スケーラビリティが低い(顧客ご とに違う・個社開発モデル)。 # Page. 6 ![Page Image](https://bcdn.docswell.com/page/2JVVP3DYJQ.jpg) 経営上の矛盾: 「スケールの罠」 導入人員と原価 (Implementation Headcount & Cost) Vertical AIの現実 顧客が増えるたびに、コンサルタントが整理し、 エンジニアが設定し、例外を追加する。 この状態のままだと、AI Agentは売れば売れるほど、 会社は労働集約的な「SI企業」に近づいていく。 理想のソフトウェアスケール 顧客数(10社→100社→1000社) # Page. 7 ![Page Image](https://bcdn.docswell.com/page/5EGLP3YWJL.jpg) 会社には「判断OS」が必要になる AI Agentへ教えるのは単なるナレッジではない。 会社が仕事をするための判断構造そのものだ。 判断OS (Judgment OS) 業界共通知識 (Industry Common Knowledge) 基盤モデル (LLM / Foundation Models) ・何を正しい情報として扱うか? ・AIがどこまで決めてよいか? ・どこで人間に確認を求めるか? # Page. 8 ![Page Image](https://bcdn.docswell.com/page/4JQY25MQ7P.jpg) Vertical AIの経営上の矛盾: SI化の罠 顧客が10社なら、優秀なFDEを入れれば解決する。では、100社、1000社ならどうするか? 顧客が増えるたびに「御社ではどうしていますか」と聞き、個別設定と例外処理のプロンプトを直す。 SaaSモデル ソフトウェアはスケールし、 事業もスケールする。 罠に陥ったAIモデル ソフトウェアはスケールしても、 人員と原価が顧客数に比例して増える。 会社はSI企業に近づき、利益率は 低下する。 # Page. 9 ![Page Image](https://bcdn.docswell.com/page/K74WL9VYE1.jpg) 新職種「AIナレッジエンジニア」の誕生 暗黙知 例外処理 役割 現場に埋もれた暗黙知、例外処理、評価基準を 採録し、AIが実行・更新できる形(プロンプト やワークフロー)へ変換する役割。 進化 100社分の「仕事のやり方」を100人で作り続け る泥臭い作業から、知識抽出をシステム化し、 資産化するマネジメントへ。 # Page. 10 ![Page Image](https://bcdn.docswell.com/page/LJ1YLK3NEG.jpg) 池松 潤 Jun Ikematsu AIナレッジエンジニア AIが理解できる文脈(コンテキスト)にするプロフェッショナル ● プロフィール ・個人公論.jp 動画Youtube・AI・新規事業開発 ・2023年9月~ ・株式会社Figurout 事業開発 ・~2023 ・株式会社Col 執行役員 ・~2021 ・SaaSスタートアップ向けSNS+PR/note顧問編集 ・~2019 ・サイボウズ編集部 ・~2015 ・セミリタイヤ。自転車ロードレースなどを旅する。 ・~2011 ・ネット系ベンチャー ・~2003 ・株式会社博報堂 ・~1990 ・慶応義塾大学卒 ● 専門領域 ・ナレッジマネジメント/情報設計 ・生成AI・自然言語処理のビジネス活用 ・ナレッジグラフ/RAG構築支援など ● 特徴・強み ・技術と経営・ビジネスの両面から翻訳 ・現場で「使える知識」に変換 ・わかりやすい解説と丁寧な支援に定評 AIナレッジエンジニアとは? ・AI向けの辞書や教科書を作る仕事のこと ・属人化している企業のノウハウや専門知識を編集・整理して AIが正確に参照・活用できる「辞書や教科書(コンテキスト)」として再構築する専門家 池松 潤 https://lit.link/junikematsu # Page. 11 ![Page Image](https://bcdn.docswell.com/page/GJWGVDXM72.jpg) 言語処理学会第32回年次大会・NLP2026 発表論文 RAG時代の言語資源設計原理 一構造化テキストによる「参照可能性」の実証 https://anlp.jp/proceedings/annual_meeting/2026/pdf_dir/05-8.pdf Q5-8 RAG時代の言語資源設計原理 構造化テキストによる「参照可能性」の実証 池松 潤 言語処理学会 第32回年次大会 The 32nd Annual Meeting of ANLP 2026 3/9(月)-3/13(金) ライトキューブ宇都宮 レトリバ NEC cotomi AIはどちらを読みたいか? A B なぜ「AIにたくさん読ませる」は間違いな のか? 一編集者が知るとその後が変わる実 験結果