馬田隆明のブログ（アイデア）

AI の二次影響・三次影響を考える

馬田隆明 — Fri, 24 Apr 2026 09:14:28 GMT

大きな変化があると、そこには二次影響、三次影響が生まれます。

かつて自動車は大きな変化でした。いまから振り返れば普及は自明に見えますが、20世紀初頭の時点では、自動車は一部の富裕層の道楽と見なす向きも多く、大衆化を確信できた人は多くはなかったそうです。

その周縁の自動車整備や保険のようなビジネス機会に賭けられた人となると、さらに少なかったでしょう。

しかし、本当に予想が難しかったのは、もう一段先の影響です。

一家に一台の車が当たり前になることで、人々の居住地は郊外へと広がり、土地の価値を変えました。

さらに移動時間と生活動線を変えたことから、

ウォルマートのような地方・郊外商圏を前提とした低価格小売
車での来店を前提としたファストフードやドライブスルー
長距離移動を支えるモーテル
ショッピングモール
ガソリンスタンド網

などに機会は広がっていきました。

1つの変化は、ドミノ倒しのように次の変化を引き起こします。

そして、2つめ、3つめの変化が、実は1つめの変化よりも大きいということもある、ということです。

自動車の場合は、自動車会社自身が成功するだけではなく、その周辺に富や機会を生みました。

そして、移動コストが下がったことで　➡　土地・道路・駐車場・燃料・郊外の商業立地などが相対的に重要になりました。

その中で最も大きな富を得た業種の多くは、自動車整備業のような直接的な周縁ではなく、「自動車 → 郊外化 → 新しい生活様式」という一段階を挟んだ先にある、一見遠い産業群だった、と言えるかもしれません。

レイ・ダリオは『Principles (原則集)』のなかで、一次的な結果だけを見ることの危うさを指摘しています。これは投資や人生だけでなく、技術変化を見るときにも当てはまるように思います。

AIによってボトルネックが移動する

こうした二次影響、三次影響が出てくるのは、ボトルネックが移動するからです。

まさにAIは、このボトルネックの場所を移動させうるような技術のように思います。

現在のAIの議論でも、AIそのものの普及を予想する人は多くいます。

直接関係する、AIの導入、保守、運用、コンサルティングのニーズを予想する人もいるでしょう。AIによって組織のあり方が変わることも盛んに議論されています。

しかし自動車の歴史が示唆するのは、本当に大きな機会は、AIの直接的な周縁ではなく、AIが人々の生活動線や意思決定、価値の生まれるところを書き換えた先に立ち上がるところにあるかもしれない、ということです。

自動車は移動を安くし、土地と道路と郊外商業を重要にしました。

AIは専門知へのアクセス、生成、試行錯誤を安くし、物理実装・信頼・計算資源・規制対応などを新しいボトルネックにしていく可能性があります。

この発想を使えば、これ以外にも様々な影響が予想できるのではないかと思います。

以前の記事では、足下で起こりつつある、「専門家の技能が安くなると、専門性によるボトルネックが解けて、詰まっていた物理サイドのイノベーションが起こり始める」という変化を捉え、以下のように整理しました。

観点	自動車	AI
低下したコスト	移動コスト	専門知・判断・生成・調整のコスト
一次影響	自動車メーカー、整備、燃料、道路、オートローン、自動車保険	AIモデル、AI導入支援、AI運用、AIコンサル
二次影響	郊外化、ロードサイド商業、長距離移動の一般化	非専門家の専門領域参入、小規模組織化、AI前提の業務設計
新しいボトルネック	土地、道路、駐車場、燃料、物流	計算資源、物理実装、規制、信頼
三次影響	郊外型小売、ドライブスルー、モーテル	物理や信頼のボトルネックを解く産業(ディープテック、エネルギー、素材、製造、検証、責任)

それにとどまらず、たとえば、以下のような発想も可能でしょう。

一次影響
AIが人間の知的作業の一部を代替し、企業のコスト構造において「人件費」だけでなく「推論費」が大きな項目になる。
二次影響
すべての仕事に最高性能モデルを使うのは高すぎるため、タスクごとに小型モデル、大型モデル、専門モデル、人間レビューを振り分ける「AIルーティング」「AI FinOps」「推論コスト最適化」が重要になる。
三次影響
三次影響：推論容量、GPU利用権、優先実行権、低遅延アクセスが、クラウドのリザーブドインスタンスや電力契約のように、予約・売買・ヘッジされる対象になる。やがてそれらは、単なるITコストではなく、在庫や電力、金融商品に近い管理対象として扱われるようになるかもしれない。

教育についても、以下のようなことが起こりえます。

一次影響
AIチューターによって、学習者一人ひとりに合わせた教育が安く提供される。
二次影響
教育の価値は「授業コンテンツ」から、「学習者ごとに最適化された伴走AI」「学習履歴」「到達度保証」へ移る。教育は数年間の買い切り商品ではなく、継続的に更新されるサブスクリプションになる。
三次影響
人が学ぶだけでなく、「その人の代わりに働くAI」も教育されるようになる。大学や資格の価値は、個人に紐づいた“スキルAI”や、その能力を証明する評価・認証・保険へと広がっていく。

三次影響まで考える：何が安くなり、何が希少になるのか

今回のAIは、幅広い専門領域に影響するため、多くの業界でボトルネックが移動し始める可能性があるのでは、と思います。

皆さんが考える、AIの二次影響、三次影響は何でしょうか。

それは「AIで何ができるようになるか」だけではなく、「AIで何が安くなるか」を考え、逆に何が希少になるのかを考える、ということです。

さらにいえば、その希少になるもののなかで、アップサイドが大きく、かつ競争の少ない（あまり人が取り組まない）見過ごされているところはどこか。そしてそのボトルネックの変化が「いつ」くるのか。

そうした予想をすることで、今からでも大きな機会を見つけられるかもしれません。

変化の二次影響、三次影響を考えて、ボトルネックがどこに移るかを考える。

それが、AIによる大きな変化の先にある、さらに大きな事業機会を見つけるためのヒントになるのではないかと思います。

専門家の技能が安くなると起こること、今起こりつつあること

馬田隆明 — Wed, 22 Apr 2026 06:44:28 GMT

1970年代後半まで、複雑な財務分析は専門家の仕事でした。

数理や会計に長けた人が複雑な式を扱い、一歩一歩計算が合っているかを確認しながら進んで、間違いに気づいたら、間違ったところからやり直す。計算が間違っていなくても、新しい情報や数値が来たらまた再計算する。

その作業を繰り返すことで、ようやく企業の正確な財務状況を把握でき、それをもとに経営改善や投資判断などがなされていました。

VisiCalc の画面はこちらから: https://commons.wikimedia.org/wiki/File:Visicalc.png (Public Domain)

そんな中、ビジネススクールで金融の授業を受けていた Dan Bricklin は、再計算の苦痛から表計算ソフト (VisiCalc) を発想し、1978年末の2ヶ月で開発、1979年に販売を開始します。

その後、VisiCalc に続いて Lotus 1-2-3 や Excel といった表計算ソフトが生まれ、その普及によって、多くの人が計算や再計算を対話的・反復的に行えるようになりました。

表計算ソフトは、会計士や計算に長けた人のタスクを効率化して、減らしたと言えるでしょう。場合によっては、タスクのみならず、仕事そのものをなくしてしまったこともあるかもしれません。

しかし、現在の AI の議論でもよく言われているように、それは人が別のところに時間を使えるようになた、ということでもありました。表計算ソフトによって、会計士は計算というタスクから解放され、より高度な専門知識が必要な仕事に集中できるようになったのです。

ただ、それだけで終わりはしませんでした。

表計算ソフトは 1980 年代以降のコンサルティングや投資産業の発展を支えました。そこまで計算が得意でない人やジュニア層であっても、ソフトさえあればある程度の計算ができるようになり、その仕事に参入できる人の数が増えたからです。

コンサルや投資業界の発展は表計算ソフトが最大の要因だとは言えないとはいえ、1980年代以降のこれらの産業の発展の裏には、こうした表計算ソフトによる、「計算」の一般化があったと言えます。

そうして実際に大きな儲けを得られたのは、計算を楽にするツールを提供するソフトウェア企業と、「一般化した計算という力をうまく使った人」でした。

AIがソフトウェア以外の多様な専門知を提供するとしたら

かつて表計算が計算を一般化したことが、今はAIが様々な専門家の知能や技能を一般化していこうとしています。それによる影響はいくつか出てくるでしょう。

先日「ソフトウェアや知能が安くなったときに起きること」という記事では、ジェボンズのパラドクスのソフトウェア版を紹介しました。これはソフトウェア技術者の技能や知能が一般化したときに起こりうることです。

しかしAIはソフトウェア開発「以外」の知能も提供しています。現在はソフトウェア領域で先んじてその応用が行われていますが、おそらくその影響範囲は他の知能にも及んでくるでしょう。

そしてかつての表計算ソフトは、計算という技能に特化した置き換えでしたが、今回のAIの性能は、ほぼすべての専門領域が対象になるという点です（ある程度のレベルであれば）。

そこでこの記事では、その他の専門家の知能や技能が一般化したら何が起こるのか――そしてその兆候として、私の周りで今何が起こりつつあるのかについてまとめてみたいと思います。

「もし安く、すぐに専門家が手に入るなら何をするか？」

おそらく起こるであろう変化の1つは、既存の需要の効率化です。たとえば、弁護士や医師の仕事を効率化していくことはある程度可能になるでしょう。

それだけではなく、これまで需要が満たされていなかったところへの普及も起こりえます。かつての光や電球のように、安くなった製品は、これまでコストパフォーマンスが合わなかったところでも使われ始めます。

昨今のAIでいえば、「今日の冷蔵庫の残り物で作れて、子供も喜んで食べてくれる食事の献立」といった料理のコンサルティングなどは、従来届かなかったところまで、専門家の知能や技能が届こうとしている例です。この記事にたくさんの解説画像が使えるようになったのも、その生成コストが大幅に下がったからです（これまでは手作業でした）。

そして先ほどの表計算ソフトの例のように、専門家の技能が一般化すると、それを使った仕事が増えます。ワークフローの一部が効率化することで、それをパーツとして使う領域の機会が広がるほか、かつては専門家でない人も専門領域に入ってきやすくなります。

表計算ソフトのときに起こったことは、「もし安く、すぐに計算手が手に入るなら何をするか？」という問いにうまく答えることができたコンサルティングや投資業界が富を得たということです。

であれば、今大事な問いは「もし安く、すぐに様々な専門家が手に入るなら何をするか？」だとも言えます。

実際、スタートアップ支援の現場にいると、VisiCalc が会計・投資業界の参入障壁を下げてコンサルや投資産業の拡大を生んだ現象と同じことが、今 AI によってディープテック領域で起きつつあるのでは、と感じています。

AI for Engineering - ディープテックスタートアップで起こりつつあること

AI for Engineering と呼ばれているような領域は、まずはその専門家を大きく助けることになるでしょう。会計士にとって、計算が楽になったようにです。

そして次に起こるのは、コンサルや投資業のように、その能力を一部として使うような仕事が増える、ということです。

実際、ディープテックスタートアップの初期の支援をしていて兆しを感じているのは、その領域の非専門家であった起業家が、専門性を必要とする領域に入ってきても、頑張りさえすればすぐにある程度のレベルまでいけるようになった、という変化です。

たとえば以前であれば、自分の非専門領域で起業をしようとしたとき、こんなことが起こっていました。

その領域の専門家を数日かけて探して、その人に依頼して、数週間待つ。1つの仮説検証に数週間かかる。

これが ChatGPT を使えば、以下のようになっています。

多少難しい問いでも、1, 2時間で机上の検証が終わる

特に 2025年12月に出た ChatGPT 5.2 Pro 以降のモデルは、数字的な検証作業をかなり高度なレベルでこなせるようになっていると感じています。

生成AIは長らく「検証が苦手」と言われてきましたが、ハルシネーションはかなり抑えられ、かつ技術経済性分析の簡易版や第一原理試行的な根本から組み立て直すような作業も、完璧とは言えないまでも、ある程度の精度で行ってくれます。

それにExcel 等で出力させておけば、AIが数字を間違っていればこちらで直せます。

最近だとフィールズ賞受賞者の Terence Tao 氏による GPT-5.2 Pro と協働して Erdős の未解決問題を解いた一連の事例（2026年1月）などの事例も出てきています。現在の最先端モデルは「標準的な技法で解ける問題を高速で片付けてくれる道具」として有用なレベルまで上がってきているということです。

これを VisiCalc と対比させると、以下のようなことになるのではと思います。

過去（Excel登場時）	現在・未来（AI登場時）
計算というボトルネック	専門知識というボトルネック
会計士という職能の一般化	各分野の専門家の知能の一般化
コンサル・投資業界の人材プール拡大	ディープテック起業家の人材プール拡大

アメリカやヨーロッパのスタートアップを見てみると、Defense Techなどの領域が盛り上がってきています。これは需要側の変化が最も大きいとはいえ、AIによって「専門知識をすぐに引き出せるようになった」という供給側の変化もあってこそのものではないかとも感じています。

これは AI for Engineering の例の一つと言えるようにも思います。

非専門家に開かれつつあるディープテック

専門技能が簡単に使えるようになると、その技能をパーツとして使う領域に多くの参入者が入ってこれるようになります。ディープテックでいえば、ディープテック領域での起業に非専門家が参入できる余地が、かつてなく広がってきているということです。

そして実際、アイデア探索を手伝う起業支援プログラムでも、そのディープテックの領域の非専門家、 AI の力を借りながら専門的な知見をつけて、かつてないほどの早さで最初の初期フェーズの仮説検証を乗り越える例が出始めていると感じています。

たとえば、以下のような作業はある程度の精度で実施ができます。

第一原理思考（物事を根本から分解して考えてそもそもどこまで可能かを考える）
簡便な技術経済性分析（TEA）や感度分析
事業＋技術の方向性の探索
BOM の切り分け
（該当する補助金などのリストアップ）

これまで専門家に依頼したり、アルバイトを雇って数週間かけて計算してもらっていた初期の机上検証が、手元で 90 〜 180 分あれば回せるようになった、ということです。

このような変化によって、非専門家アイデアを並行して検証することも可能になりました。Excel 等の表計算ソフトによって再計算が楽になったように、アイデアのピボットが専門領域でも可能になってきています。

それだけではありません。リアルな世界での配線やパイプの適切な設置の方法も、写真を撮って Gemini に聞けば、ある程度教えてくれます。つまり、実際にものを作るところでも、AI を活用すればある程度のところまで行けるようになりました。

もちろんAIが知らないような、最先端の知見を用いる創薬などの領域では使えませんし、細かなノウハウはまだ専門家にはかないません。危険な作業を行うときは、専門家のアドバイスが必要でしょう。ただ、大雑把な方向性の確認などについては、かなりの時間短縮が可能になっています。

ディープテックのプロンプトライブラリ

こうした技術的な進展があり、最近よく ChatGPT Pro を使って、支援先の起業家の皆さんに関わるような領域の分析を行うことが多くなりました。

そこで今回、私たちが使っているプロンプトなどを、FoundX ディープテック初期プロンプトライブラリとして公開しました。

FoundX プロンプトライブラリを試す →

このライブラリでは、技術アイデアの供給サイド（技術側）の問題点やリスクを検証するためのプロンプトを格納しており、入力された事業生成します。具体的には以下のような機能があります。

入力値を一度入れれば、全プロンプトに自動反映
その後、ChatGPT 等で実行することで、Word / Excel でアウトプットを生成

Cloudflare Pages の静的ページで動作しており、入力情報はサーバーに送信されません。（文章はローカルストレージに保存しています）。

注意点として、以下のようなものがあります。

Claude でも動きますが、現状は GPT Pro の方が良い結果が出る印象なので、ChatGPT Pro（月額100ドル）推奨です。
ChatGPT Pro の場合、1実行あたり90〜180分かかります。

ただし、こうしたプロンプトには、有効なケースと無効なケースがあります。

✅ 有効：物理法則・コスト構造・製造プロセスなど、閉じた系で定量的に詰められる技術側の検証
❌ 不向き：顧客行動や市場受容性など、人間という開いた系を相手にする需要側の検証

供給側の物理法則は閉じた系であり変化も基本的にはありませんが、需要側は人や市場の変化が大きく、予想がつかない部分が大きいため不向きです。そのため需要側の検証には、依然として顧客インタビューなどの活動が必要です。

ただ、従来であれば供給と需要の両方を検証しなければならなかったところから、供給側の検証についてはかなり楽になったとも言えます。

ハードウェアのルネッサンスに向けて

今後、生成 AI が進歩していった先に起こるボトルネックは、おそらく物理の側で起きてくることになります。今でもエネルギーや変圧器、水などは不足しています。そうした物理的な問題のボトルネックを解くことは、今後より求められ始めるはずです。

そうして、需要側で物理の存在感が大きくなりつつある一方で、供給側でもしAI の知能を活かして物理的な供給をできるようになれば、そこには大きな機会があるようにも思います。

そうした意味でも、今はまさに、ソフトウェアの力によってハードウェア側の大きな変化が起こりえて、実はハードウェアの時代が戻ってくるのではないか、とも感じています。

たとえば「データセンター用の変圧器が足りない」という話を聞いたのであれば、

「データセンター用の変圧器。ただし重い研究開発ではなく、既存の技術の統合で、従来の性能を10倍以上、もしくはコストを1/10にできるもの（空間利用なども含む）」

といった文言を上記のライブラリの入力し、事業提案や資金調達のランドスケープを出力させてみてください。いくつかの案が出てくるはずです。

その中で進め方を聞いていけば、ある程度筋の良い仮説にたどり着くことができます。これは従来なら相当時間がかかっていたことです。

とはいえ、当然ながら、アイデアが本当に実現するかどうかは起業家自身の検討や実行によるものですし、需要側の検証は人の手が不可欠です。また実際にものを作っていくときに手を動かすのは技術者であり、AIだけあればすべて解決するというわけではありません。

ただ、自分のアイデアをどんどん切り分け、ブラッシュアップしていく初期作業は、このモデルの進化で確実にやりやすくなっています。

少し興味のある領域が出てくれば、「仮説の質と速度を上げる道具」として、ぜひプロンプトを使ってみていただければと思いますし、皆がソフトウェアのほうを向いている今だからこそ、こうした物理領域やディープテックに挑戦する人が増えれば良いのではと思っています。

また、私たちと一緒にアイデアを考える Studio プログラムでも応募者を募集しています。もしご興味あればご参加ください。

FoundX プロンプトライブラリを試す →

ソフトウェアや知能が安くなったときに起きること

馬田隆明 — Mon, 13 Apr 2026 15:26:25 GMT

(その他の AI 関連記事の一覧はこちら)

1830年頃、わずかな夜の明かりを得るためには、約3時間の労働が必要でした。しかし1992年ごろにはそれが1秒にも満たない労働ですむようになったと言われています。ロウソクから白熱電球、蛍光灯へという技術的発展が、光を劇的に安くしたのです。

そうして光が安くなったとき、人は同じ量の光を単に安く買って終わり――ということにはなりませんでした。

人々は、かつて置こうとも思わなかった場所にまで光を置き、街路、工場、看板といった、社会のあらゆる場所に安くなった光を敷き詰めていきました。そうして、工場は曇りや雨の日にも稼働することができるようになったり、深夜営業や夜の読書といった新しい活動が可能になったのです。

そこで儲けたのは、光を提供した会社だけではなく、それをうまく使った会社でした。

では、ソフトウェアや知能が安くなったとき、私たちはそれをどのように使うのでしょうか。

生成AIによる大きな変化は、まさにその問いを私たちに問うているのではないかと思います。

何が安くなっているのか

AIの発展によって、特定の種類の知的作業や、ソフトウェアをつくるための費用が急速に下がりつつあります。Stanford HAI 2025 AI Index でも、GPT-3.5級の性能の推論コストがこの18か月で280倍以上安くなったと整理されています。

そのAIは今、ソフトウェア開発で最も活用され始めています。ソフトウェアの価格が下がることが見込まれ、一部の SaaS 企業の評価にも影響が出ている状況です（もっとも、金利環境の変化やマルチプルの正常化など複合的な要因があり、AIだけのせいというわけではありません）。

実際は、運用、品質保証、導入、責任の所在などを考えると、「ソフトウェアのすべてのコストが下がっている」というわけではありませんが、それでも、ソフトウェア開発の初期コストや、一部の調査・検証のコストは劇的に下がってきています。

今回の人工知能の発展が、今後どのレベルに達するかは分かりません。しかし少なくとも現在のレベルの人工知能であっても、ソフトウェア開発のコストや一部の調査のコストは劇的に下がるであろうということはほぼ間違いないでしょう。

であれば、「ソフトウェアや知能が安くなったとき、何が起こるのか」を考えることは、今後のビジネスにおいてもとても示唆を与えてくれる問いのように思います。

安くなると、裾野が広がる

そのときに参考になるのが、過去の技術の歴史です。

たとえば冒頭の照明の例を見てみましょう。

1800年から2000年のあいだに照明の実質価格が大きく下がった結果、それに伴って総消費量は大きく増えました。人々は「同じ明かりを安く買った」のではなく、それまで明かりが置かれていなかった場所にまで、明かりを広げていったのです。

このアナロジーをそのままソフトウェアに当てはめることはできませんが、それでもおそらく似たような構造的な変化は起こっていくでしょう。価格が下がると、人は同じものを安く使うだけでなく、これまでコスト的に見合わなかった場所で使い始める、ということです。

たとえば私自身も授業でAIを使ったアプリを開発しています。1コマの授業のために、アプリを作るというのも十分コスト的に可能になったからです。

非営利領域でのソフトウェア開発の普及活動 (Non-Profit Startup や東大ソーシャルテックプログラムなども、「これまでならエンジニアが必要だった課題が、今なら解けるかもしれない」といった発想から始めた活動の例です。

これまでは「わざわざ作るほどではない」「ビジネスとして成立しない」とされていた活動が、ソフトウェアや知能が安くなった結果、もしかすると成立し始めているかもしれない、ということです。

そうした例を見ていると、問うべきなのは、「AIで既存の仕事をどれだけ安くできるか」だけではなく、むしろ「安いソフトウェアや知能によって、これまでソフトウェア化されていなかった領域の、どんな問題が新たに解けるようになるのか」のほうではないかと思っています。

価値はどこに残るのか

しばらくの間は、そうしたソフトウェアや知能によって新しく解決できる問題に需要が生まれてくるでしょう。

しかし、そうしたソフトウェアの新しい問題空間への進出は、必ずしもソフトウェアによる大きなビジネスになるとは限りません。もともとは利益が出づらいから残っていた課題もあるでしょうし、ソフトウェアが簡単になるにつれて、価値は相対的に落ちてくるからです。

その結果、起こるのは、価値の生まれる場所の移動です。

価値は、流れの中で詰まっている場所を解消するところに生まれます。これまでソフトウェアは、情報処理や意思決定の正確さや速度というビジネス上のボトルネックを解いてきたからこそ、大きな価値を生んできました。しかし、もしソフトウェアや一定の知能が十分に安く豊富になるなら、ボトルネックは別の場所へ移っていきます。

それはたとえば、現場への導入、責任の引き受け、品質保証、規制対応、固有のデータ、業務フローへの統合、そして物理世界での実装です。

実際、AIの文脈では、ボトルネックはGPU、データセンターの変圧器、電力や水、系統接続の順番待ち（規制）へと移りつつあります。これまでのAIは、豊富な物理的資源の上に成り立ってきましたが、物理的な制約がボトルネックになりつつあります。

つまり、価値はソフトウェア単体から、それを現実に機能させるためのものへと寄っていくのではないか、ということです。

補完的イノベーション

この議論は『未来を実装する』などでも引用した「補完的イノベーション」の話と接続できます。

電気や電気モーターによる生産性の向上が、電気そのものだけではなく、電気モーターによって可能になった工場での工作機械の配置というイノベーションなどから来たと言われています。

汎用技術（GPT: General Purpose Technology）は単体の発明そのもので価値を生むのではなく、まわりに生まれる補完的発明、組織再設計、人材、ガバナンスといった補完的な機能から生まれてきます。

現在のAIも同様でしょう。皆が同じモデルにアクセスできる現状においても、そこから実際に成果を出せるかどうかは、プロンプトやワークフローといったものをどう設計するかや、どの業務に組み込むか、どの品質水準で運用するかといった補完的なものによって、その価値は大きく変わっています。

そして、技術の性能やコストは非線形に変わっていく一方で、組織や制度といった補完的な仕組みは線形にしか変わりません。このギャップがあるからこそ、補完的イノベーションを適切に起こせた側に大きな優位が生まれます。

「AI-nativeな企業」というののもこの枠組みで理解できます。

この文脈で行くと、AI-nativeな企業とは、AIに対する補完的な仕組みの束を持つ企業のことです。工場での電気モーターの配置の遍在が生産性の向上につながったように、ソフトウェアや知能を遍在させることが可能になることで、新しい仕組みや制度を実現できた組織こそ、AIの恩恵を受けられるということなのだろうと思います。

（ただし、そのインフラを使える限りにおいては、です。今後の国際政治の状況如何によって、ミドルパワーの国々がAIへのアクセスは限定されるかもしれないので、注記しておきます。）

ディープテックはその典型かもしれない

そう考えると、面白いのはディープテックのような領域です。

まず直近、生成AIを使うことで、ディープテック事業に使う技術について、一部の検証がかなり早くなりました（特に最初期のフェルミ推定レベルの検証や簡単な技術経済性分析など）。これまで専門家を見つけてお願いしていたような作業が、わずか数時間で結果が返ってくるようになったのです。これはディープテック・スタートアップを目指す際の初期フェーズの壁を大きく下げる変化だと言えます。

さらに AI for Science がうまく軌道に乗りはじめれば、より多くの科学的発見が見つかっていくでしょう。そうなれば、その発見の一部を商用化していくところにボトルネックが起こっていくことになります。

また、AI-native な組織になって生産性が大幅に向上するのは、ソフトウェア企業ではなく、ソフトウェア以外の業種の可能性が高いように思います。なぜならソフトウェア企業にはすでに多くのソフトウェアが入っていますが、そうでない企業はこれから入っていくため、改善の余地が大きいからです。

こうしたソフトウェア以外の業種のビジネスを AI-native にしながら、実際に社会に実装するには、実験設備、製造、規制、安全性といった、依然として重い作業をこなしていかなければなりません。しかし価値は実装の難しい場所に残りますし、それはMoatにもなりやすいとも言えます。

フルスタック・ディープテック・スタートアップやリサーチ以外が重要なディープテックにも期待できるのは、こうした文脈もあるからです。

まとめ

今起きていることは特定の知的作業とソフトウェア生成の費用が急速に下がっている、ということです。その結果、ソフトウェアは、これまで採算が合わなかった問題にまで広がっていくでしょう。照明が暗い場所にまで広がったように、ソフトウェアや知能もまた、これまで届かなかった問題空間へと敷き詰められていくのだと思います。

だから問うべきなのは、AIで何を自動化できるかではなく、安いソフトウェアや知能によって、どの問題が新たにソフトウェアで解決可能になり、そのとき何が起きて、何が新しい希少性になるのか、です。

短期的には、AIそのものや、AIを活用したソフトウェアの需要は高まるでしょう。しかしその先を見たとき、おそらくそれら以上に、もっと他の場所から価値が生まれてくるのではないかと思います。

そのとき、物理世界のボトルネックを取りに行くディープテックは、その最も大きな機会の一つです。そうした意味でも、もっと多くの人が、AIやソフトウェアを使ったディープテックの領域に目を向けてほしいと思っています。

本当に調査しやすくなっているので、興味を持ってくれた人がいれば、ぜひディープテック領域も見てみてください。

お知らせ

海外のディープテック系スタートアップの紹介をしたり、シンクタンクの記事を紹介する Podcast などをやっています。ご興味あればどうぞ。

FoundX Review スタートアップ IdeaCast - YouTube (Spotify / Apple)

PEP Think - YouTube (Spotify / Apple)

「パズルの枠を描く側になる」—— スタートアップが共創で成長する方法

馬田隆明 — Sun, 01 Feb 2026 12:58:10 GMT

「自社を越えた大きな構想を描けるかどうか」が、今一層大事になってきているように思います。

特に、

複数の企業が協力し、共創やオープンイノベーションを企図するとき
顧客の大きな課題解決を行おうとするとき

といったときに、大きな構想を描けるかどうかが問われていると感じています。

そこでこの記事では、共創や課題解決における構想の重要性を、ジグソーパズルの比喩を用いながら、特にスタートアップ向けに解説します。

構想のためのピースを埋める共創

ジグソーパズルを思い浮かべてください。このパズルの全体像や枠が「構想」です。

その構想を実現するために、各社がピースとなるリソースを拠出する――これが共創だと言えます。

ただ、現状のリソースだけではピースが埋まりきらないときもあります。構想が大きければ大きいほど、今はまだない技術や、今はまだない事業が必要だったりするので、空白の部分は大きくなるでしょう。

そのときには、足りないピースを他から持ってくるか、もしくは自社が成長してその空白地帯を埋めます。

つまり、共創とは、自分たちの身の丈を越える構想を実現しようとすることであり、その過程でお互いが成長するという取り組みでもあるとも言えます。

こうした観点から言えば、スタートアップが自社の成長のためにやるべきことは、

自社や他社の現在の能力を超えるような構想を描き、
その実現の中で自社が大きくなるような道筋を描くこと

と言えます。

特に最近のスタートアップで起きつつある2つのシフトが、こうした構想と共創の重要性を増しているのではと思っています。

シフト 1:「現場の課題」ではなく「会社の課題」へのシフト

従来のスタートアップは、顧客の目の前の課題やバーニングニーズを発見し、解決することが鍵でした。デジタル技術の成熟と普及によって、これまで解かれていなかった現場の課題が解決しうる状況になっていて、それを解決すればスタートアップは大きな企業になりえたからです。

しかし、現在のデジタル技術で解きやすい課題や、現場で既に顕在化している課題の多くが先人たちの挑戦によって解かれた今、残されていて解決できる課題は比較的小さな課題が多くなってしまいました。その結果、現場の課題にフォーカスしすぎると、小さなスタートアップにしかならない可能性が高まっています。（生成AIが根本的に従来のソフトウェアを変えるのであれば別ですが。）

そうなると、顧客側で顕在化していない課題を提案側が先んじて提案していく、といったような、問題発見型から問題提起型へのシフトが起こります。

ただ、そのときに設定する問題や課題が小さいと、解決時に生まれる進歩の差分も小さくなります。

そのため、現場の人たちの課題を解くというよりは、会社全体にかかわるような課題や、より遠く大きな戦略的な課題を解いていく、という提案を行っていくことになります。

実際、私の周りにいる、成長しているSaaS系のスタートアップは、エンタープライズという大きな顧客に向かうか、顧客企業の戦略的な課題を解こうとしている、あるいはその両方を行っており、その際に自社の事業を超えて、その産業のあるべき姿などの大きな構想を語り、顧客を説得している傾向にあるように見えます。

以前書いた課題解決パラダイムからの脱却も同様の文脈です。

シフト2: ソフトウェアからディープテックへの領域のシフト

昨今、日本のスタートアップエコシステムで期待されているのはディープテックと呼ばれる領域です。先端的な技術を用いることが多いディープテックでも、こうした構想が求められているように思います。（創薬などは別だと思いますが）

まずディープテックスタートアップが取り組む技術は技術成熟度が低いことが多く、「今すぐ」の課題解決には不向きであり、仮に成熟度の低い技術を事業の現場に持って行っても、「使えない」と言われてしまいます。なぜなら現場が求めているのは、目の前の課題を解決できる、今すぐデリバリー可能な技術（TRLで言うと 8 - 9）だからです。

そうなると、

短期で技術を磨きに磨いてそのレベルに引き上げて解決する
顧客の中長期的な課題を解決しに行く

といった対応が必要とされます。しかし前者が実現可能なのは稀で、多くは後者のアプローチになるでしょう。

そうすると、顧客の戦略的な課題の解決や、顧客の会社の新規事業を一緒に作っていく、といったような中長期の提案が必要になってきます。そしてスタートアップ自身が成長するためには、提案する構想は十分大きな構想である必要があるでしょう。

つまり、まだ技術的に成熟しきっていないディープテック技術であればあるほど、顧客にとっての中長期の課題や会社全体の課題を解きに行く、ということをしなければ話が噛み合いづらい、ということです。

ソフトウェア製品は基本的にTRLが8-9であり、課題が分かれば解決策をおおよそ作れる、という傾向にあるため、ソフトウェアのスタートアップアプローチとは大きく異なることになります。

事業を構想する

私たちは普段、自社の事業成長のために事業計画等の構想を考えます。そのときに考えるのは、通常、社会の中のピースの1つである自社をいかに大きくするか、といった構想や、顧客企業に合うように自社のピースのでこぼこを変化させるような構想です。

しかしここまで説明してきたとおり、共創や中長期の課題解決をしていくための大きな「大きな構想」はそうではなく、自社を超えて、より大きな枠を描くことではないかと考えています。

そのうえで、自分たちがその構想の中でどのような意味を持つのかや、どれぐらい重要なのかを語ること、つまり自社が高く評価される文脈と構想を設定することが、自分たちの事業の価値や成長余地を決める、ということです。

たとえば同じピースであっても、構想や文脈が異なれば価値は異なります。かといって自社だけが得をするような構想だとしたら誰も付いてきません。その構想が社会的に大きく求められるものであれば、協力してくれる人は増えやすいでしょう。

そうした自社にも他社にも社会にも良い構想を描けるか、というのが、共創をしながら顧客の「会社の課題」を解決し、そしてより大きな産業を作っていくうえでは大事なスキルなのだろうと思います。

話す相手も変わる

こうした構想を中心に事業を考えると、「スタートアップが話すべき人」も変わってきます。

これまでスタートアップが話すのは主に顧客企業の中の、特に現場を担当する人が中心でした。しかし、多くの事業部や現場の担当者は、今の事業の最適化による利益の向上、かつ短期での課題解決を狙うよう設計されているため、こうした構想にはピンとこないことが多いはずです。仮に中長期の戦略的な課題があったとしても、現場の事業部レベルでは考えている人は少なく、それを解くインセンティブ設計もないことがほとんどです。

戦略や中長期の課題を考えているのは通常、次世代の事業成長を考えている事業部長やその上にいる幹部クラスであり、そうした人たちに提案しなければこうした中長期の話は刺さりません。そうした人たちにいかに大きく説得力のある構想を打ち込めるか、それが中長期にかかるビジネスをしていくうえではとても重要なのではないか、と思いますし、そこに提案できるだけのネットワークをどう持つのか、というのがより重要になってくるのでしょう。（あるいはスタートアップ同士で採用し合うか、です。）

実際、ディープテックスタートアップの起業家から聞く話として、「同じ会社に提案しても、現場には刺さらなかったけれど、幹部クラスには刺さった」という話はしばしば聞きます。むしろ現場に持って行ってしまうと、ポテンシャルのある技術が小さい解決策へと丸められてしまうことすらあります。

最終的に何かを進めるのは現場なので、顧客の現場の声を聞くことももちろん大事ではあるのですが、と同時に、大きな構想をどう描いて、顧客の大きな課題を解決したり、顧客の事業戦略の中に自社を組み込めるかどうかが、今後スタートアップが急成長していくためには重要なのだろうと思います。

スタートアップが構想を描く

この構想を描く役目は、大企業でもスタートアップでもどちらでも構いません。しかし、もしスタートアップが急成長したいのであれば、自分たちが急成長できるような構想を描かなければなりません。それができなければ、他企業の描いた構想の中でうまく使われる、一部のパーツの提供に終わってしまう可能性が高くなります。特に交渉力の弱いスタートアップであればあるほどそうなってしまうでしょう。

また、大きな構想であればあるほど、実現可能性矢リスクは高まります。ただそうしたリスクを取れるのがスタートアップの社会的な期待でもあるはずです。

よって、スタートアップが自社の事業を越え、そしてパートナーとなる他社の事業をも越えて、より大きな構想を描き、「この構想が実現できれば御社にも大きなメリットがあります。この共創を通して一緒に成長し、この構想を実現しましょう」といった説得力のある提案することではじめて、自社の事業がやりたかったことが進む――という形になるのではないか、と思います。

もちろん、何もピースを持たない状態で構想だけ話しても乗ってくる人はいないでしょう。最初は小さな実績となるピースが必要になります。それでも最初は小さな共創から始まるのかもしれません。しかしその先にある心踊るような、自社の事業のためではないより広く大きく魅力的な構想と、そして足場となる実績があることで、共創や顧客獲得につながっていくのでは、と思います。

日本の既存企業側もこうした大きな構想を描ける人はまだまだ少ないと聞いています。であれば、それはスタートアップが大きな構想を提案していける良い機会だとも言えます。

カンパニークリエーションも構想ありき

カンパニークリエーションも、こうした構想という大きな枠を作り、その中のピースとしての事業が足りないから、その会社を作りに行く――という動きをしているように思います。

たとえば、VargasのNorthvoltは「EUの電化➡バッテリーが不足」でしょうし、同様にStegra (H2 Green Steel)も脱炭素の構想の中で足りないピースとしてのグリーン鉄鋼を作りに行こうという取り組みだったように見えます。

産業家として未来の産業の構想を描く

以前、「起業家から産業家へ」という記事を書きました。

ある意味で、各国政府や大企業すらピースとして見立てて、構想の枠となるパズルの全体像を描き、その中で大きなピース（事業）になり得る大きな空白地帯を見つけ、その領域でどういった事業をスタートアップとして作っていけるのか――そうした発想ができる人が産業家だと言えるのだろうと思います。

そうした大きな構想を描くと、ほぼ間違いなく自社だけではできなくなり、自然と他社との共創もせざるをえなくなりますし、オープンイノベーションにもつながっていくのだろうと思います。

まとめ

解くべき顧客の課題が、顧客の「現場の課題」から、顧客の「会社や戦略上の課題」になりつつある今（あるいはそうしなければスタートアップも大きくなれない今）、こうした「自社の事業を越えて大きな構想を描いて提案し、顧客と共創する」ということがより重要になってきているのでは、と思っています。

特にこれからハイグロース・スタートアップを始めたいという起業志望者の方々は、こうした観点でもアイデアを考えてみても良いかもしれません。

その方法論の一部は過去の記事でいくつか触れています。たとえば『未来を構想する』や『デザイン思考🎨🧠を超えて、グランドデザイン🗺️を』などです。

また『リソースフルネス（仮）』という本ではそのピースを集める方法を書こうとしています。もしご興味があれば、そうした記事や本も参照してみてください。

生成 AI 時代のアイデア探索方法 (2026 年版)

馬田隆明 — Sun, 01 Feb 2026 04:36:35 GMT

生成 AI の登場でプログラミングをはじめとした知的作業の方法が大きく変わってきています。

特に2025年は、調査やアイデア生成のタスクにおいて、生成AIの実用度が増したように思います。ChatGPT Pro 5.2 の登場と、着実な NotebookLM の進歩＋Gemini 3とNano Bananaは、調査や情報の構造化という観点でとても大きな進展でした。

アイデアの作り方については、過去、2023年に「Climate Tech スタートアップの始め方」という記事でまとめたことがあります。今回は、生成AI以後の、2026年2月時点でのお勧めの「アイデアの探索方法」をまとめてみたいと思います。

🎯 この記事のゴール

この記事では、アイデア（仮説）を作るステップを細かく分けながら、その途中で生成AIをどう使うかについてお話しします。

アウトプット目標は「この仮説を元に人に会いに行けば、良いフィードバックが返ってくるレベルの仮説を作る」ことです。生成AIとのやりとりだけで、完璧な仮説を作る、ということは、現時点では難しいと考えています。

補足：本当に良い仮説を作るためには、生成AIが持っていないような情報が必要です。また行動を伴う実験や仮説検証を繰り返す必要があると思います。その改善のループすらもAIができるようになってきたら状況は変わるかもしれませんが、生成AIが持っていない＆推測できない最新の情報を得るためには、人間が介在する必要性はしばらくの間あるのだろうと思います。

なお、本稿では「スタートアップのアイデア」を主に扱いますが、他の領域（たとえば研究など）でも一部は使えるのではないかと思います。適宜読み替えてみてください。

💡 前提：生成AIをアイデアの探索で使うには「ステップ」が大事

生成AIが進歩したとはいえ、生成AIに対して「○○の領域で新しいアイデアを作ってください」というプロンプトを投げても、すぐに筋の良い仮説が返ってくるわけではありません。

そこで良いアイデアや仮説を作るためには、

アイデア／仮説を形作っていくプロセスを段階に分ける
それぞれの段階で生成AIを使い、アウトプットを人間がレビューする
そのうえで追加の指示を与えてアイデアを洗練させる

というプロセスを経ることになります。

そこで重要になるのが「どういうステップで進めば、アイデアの探索と形成がうまく進むか」です。

このあたりのステップについては『仮説行動』という本で細かく整理しているので興味があればご覧いただければと思うのですが、簡単にまとめると、初期のアイデアの探索と形成で有効な活動は、以下のステップを適切に繰り返す（ループする）ことだと考えています。

関連情報の大量摂取
関連情報の構造化と、それによる「分からないこと」のあぶり出し
「分からないこと」に対する仮説の生成（発散）
生成した仮説の検証（収束）
検証結果や新情報による仮説の修正・再生成

そして現在、生成AIのサービスはこれらのステップの作業の一部をかなり効率化してくれます。

そこでこの記事では、仮説行動で解説しているステップに沿って、その途中で生成AIをどう使っていくのかについて簡単に解説します。

🚨 使うツールと制約

本記事を書いている時点で、調査に使うお勧めの生成AIは ChatGPT Pro の最新版です。

無料で使えるものの中では、この原稿を書いている 2026/2/1 時点では Kimi K2.5 Thinking などがお勧めですが、たぶん今後も変わっていくので、適切なものを選んでください。なお、無料版は機微な情報を入れないように気をつけてください。

またGoogleのNotebookLMやGoogle SheetのAI関数も適宜併用することをお勧めしています。

こうした生成AIでプロンプトを打つときは、なるべく音声入力を用いて、複数のウィンドウを開いて2-3個並行して調査を回すと時間が節約できるのでお勧めです。ChatGPT Pro は遅いのでタイピングでも良いですが、Kimi やGeminiは早いので、2-3個並行して回せます。音声入力は現時点ではAqua Voice や Typless などが精度が高い印象があります。

なお生成AIサービスであっても、仮説の検証はまだ苦手としているため、検証は人間がある程度する前提で読んでください。

🐾 アイデアを形作るステップ

この記事は以下のようなステップで進んできます。

領域の仮決め
領域の全体像と具体例を掴む
特定の具体例を深く調べる
作業仮説を生成する
作業仮説を検証する
いったんアイデアを決める

ここからはそれぞれのステップについてお話ししていきます。

(1) 候補となる領域を広く探索して仮決めする

まずアイデアを考える前に、アイデアを考える領域の枠をある程度決める必要があります。枠のない探索はあまりに非効率だからです。

こうした領域の選定では本来であれば、生成AIを使うよりも、アイデアの筋の良い人に「今注目の領域は？」と聞いてみた方が良い回答を得られる傾向にあります。ただ、そういう人が全ての人の周りにいるわけではありませんし、常に聞けるわけではありません。それに筋の悪い人から領域をお勧めされるとかなりの遠回りになってしまうので、とりあえず生成AIで聞く、というのは悪くない落とし所ではないかと思います。

たとえばざっくりとで構わないので、以下のようなプロンプトを ChatGPT や Kimi などに聞いてみて下さい。

これから起業をして、急成長するスタートアップを作りたいと思っています。

以下の私の興味関心と条件に当てはまる領域を、第一原理思考的を用いながら深く思考した上で、提案してください。そのうえで参考となるスタートアップを具体名で挙げてください。追加の質問があれば調査の前に質問してください。

## 自分の興味関心領域

＜＜ここにあなたの興味関心を入力してください＞＞

## 条件

興味関心にあう領域が望ましい（ただし優先度は低い）

今はまだ相対的に市場が小さいけれど、15年後には現状の50倍以上になっている領域

今、ゼロから始めて、15年後には時価総額1兆円を超える事業を作れる領域（時価総額計算に必要なPER等は当該の業界を参考にする）

他人から見ると狂っていると思われているが、原理的には可能な領域（多くの人は否定するような領域）

大企業では手が出せず、スタートアップだからこそ挑戦できるハイリスク・ハイリターンの領域

技術的な進歩がここ数年で加速度的に進んでいる領域

国内外の一般的な新聞やニュースサイトではあまり言及されていない領域（専門誌で少しだけ触れられているような領域）

国内外でかなり少数のマニアックな人や専門家が熱狂的に訴えている領域

私自身の専門性に関わらず、大きな事業を作れることを優先してください（専門性は後から学んで追いつきます）

## 注意

実現すればかなり大きいが、現時点ではかなり異端的に見られている事業領域を提案するようにしてください

上記はあくまで例です。皆さんごとの工夫を凝らしてプロンプトは改善してください。改善の際のお勧めは以下です。

上記のようにざっくりと作ったプロンプトは、生成AIに改善してもらうことをお勧めします。たとえば、「以下のプロンプトを、現在のプロンプト改善のベストプラクティスを用いて改善してください。その際、どういった点で改善したかを最後に述べてください。（以下、上記のプロンプトを挿入）」といったようにです。上記のプロンプトは可読性を高めるため、かなりざっくりと書いています。
こういった探索的なものは、何度か同じプロンプトを入力してみることもお勧めです。確率的に回答が変わるので、ガチャだと思って2,3度やると良いと思います。（temperature 指定ができるものは大きめにしておくなど工夫してください）
探索の時には、逆に条件や制約を貸すことがとても重要です。制約がないと茫漠とした平均的な回答しか帰ってきません。探索する範囲を制限することで、生成 AI はその制約の中でなんとか解を見つけようとして、これまでになかった回答が返ってくることが多いです。上記プロンプトに条件が多いのはそのためです。

気になるキーワードを深掘りする

こうした調査の中で「気になるキーワード」を見つけられれば、そのキーワードを中心に色々調べてください。キーワードが手に入れば、それを手がかりにかなり先に進める傾向にあります。

キーワードは具体的なスタートアップ名かもしれませんし、技術の話かもしれません。そうしたキーワードを楔にして、その周辺を掘り下げていくと良いでしょう。

疑問を投げて掘り下げる

出てきた回答に対して分からないところがあれば、生成AIに疑問をぶつけましょう。

ただ、初見の領域だと、疑問を持つのは難しいので、そこも含めてLLMなどで

これらの領域をより深く探索していくための質問やプロンプトの例をいくつか出してください

といった風に疑問やプロンプトを自動生成させてみると、次に入力するべき疑問の参考になると思います。

複数の疑問を生成 AI で一気に回答させる

自分の疑問や、生成AIに作ってもらった疑問の中で良いと思った疑問を、Google Sheetにリスト化し、Google Sheet の AI関数で一気に答えさせるのも便利です（チャットインターフェイスだと回答待ちの時間がかかる & 一気に1度のプロンプトで回答させると精度が落ちるので）。

たとえば、セルに以下のような関数を入力して、下のセルにも適用します。

=AI("以下の疑問に回答してください: "&A2)

AI関数で使われるGeminiの性能はまだイマイチですが、ざっくりとした理解であれば多少性能が落ちても良いでしょうし、参考にはなります。また疑問と回答を記録しておくのは、あとにも役立つことがあります。

（※ただしAI関数を使うには、Google AIかWorkspaceの契約が必要ですのでご注意ください。）

領域を緩く決める

ざっくりと領域をいくつか調べていった後に、あとで変更するかもしれない前提で、領域を仮決めします。とりあえず探索する領域の枠を緩く決める、というイメージです。

30分や1時間といった制約をつけて複数個調べたうえで、領域を決定するのも良いでしょう。いずれまた領域選定に戻ってくるのでさっと決めても良いと思います。

(2) その領域の全体像と複数個の事例を広く調べる

1つの領域が決まったら、その領域の全体像と事例を調べます。これは並行して進めていくことをお勧めします。

全体像というのは抽象度の高い枠組みを提供してくれ、事例は具体性が高く手触り感のある情報を提供してくれます。基本的にはこの両方を高速に反復横跳びしながらフォーカスを定めていくことになります。

全体像を理解する

テーマを理解します。ただし、「全体像を完璧に知る」というのはいくら時間が合ってもたりないので、そこを目指さないようにしてください。

たとえば宇宙太陽光発電としたときには、

宇宙太陽光の事業・技術・スタートアップの最新状況を、複数の専門家の視点を用いて、大学1年生にも分かるように整理してください

とプロンプトに入れて調べてもらってください。（これもできれば事前にプロンプトを生成AIに改善してもらってから実行した方が良いと思います）

分からないところがあれば、それを深掘りしてみましょう。

ただ初見の領域では疑問も持ちづらいと思うので、

これらの領域の全体像をより深く広く理解したいと思います。そのための追加の質問やプロンプトの例をいくつか出してください

というふうに疑問を出してもらい、上述したようにGoogle Sheetなどで一気に回答してもらうなどもありだと思います。

ここでは NotebookLM を使うこともお勧めです。一旦その領域をDeep Researchしたうえで、スライドを生成したり、Podcastや動画で出力することで、文字を読むのとは違う形で理解を進めることができます。

最先端の具体例を調べる

例えば以下のような形で、具体的なアイデアを調べていきましょう。できるだけ最先端の例を調べることをお勧めします。基本的にはそれに近いアイデアを作っていくことになるからです。

スタートアップの場合は、たとえば以下のようなプロンプトで生成AIに問い合わせてみてください。

宇宙太陽光のスタートアップの具体例を調べ、それらの特徴と進捗を複数の専門家の視点から整理してください。最新の情報を調べるため、必ず検索を行ってから整理してください。

スタートアップから調べることで、最先端の挑戦を知ることができます。研究であればarxivなど、査読前の論文を中心に調べるなどをするのも良いかもしれません。

違うと思ったら領域を変える

色々調べていく中で興味関心を惹かれる最先端のアイデアがなければ領域選定に再び戻って、違う領域を調べてみましょう。

(3) 特定の具体例を深く調べる

ある程度、領域の全体像や、それぞれのプレイヤーなどの地図ができてきたら、個別のアイデア（ここではスタートアップ企業）を深掘りして、自分ならではのアイデア（仮説）を作る準備を行います。

詳細な情報は通常の生成AIサービスでは、ハルシネーションが起こりやすいため、生成AIサービスでプロンプトを投げるよりも、正確な情報源をNotebookLMにまとめることをお勧めします。

その際のコツは以下の通りです。

NotebookLM の Deep Research を使うと変な情報が混ざることがあるのでお勧めしません。一手間かかりますが、Fast Search をしたうえで、手動で適切なソースのみを選ぶことをお勧めします。
特に起業初期の情報を調べるなら、YouTube や Podcast などを積極的に入れることをお勧めします。音声情報のほうが機微な情報が含まれる傾向にあります。
技術の詳細が表に出ていないことがあるので、その会社のGoogle Patentやキーパーソンの論文なども入れましょう。

ここでも、NotebookLMに集めた情報をスライドにしたり、Podcastにしたりすることで、理解を素早く行っていくことができるでしょう。

たとえば、こうした調査手法を使って調べた最新のスタートアップの情報を紹介する Podcast を YouTube や Spotify で行っています。もし興味があれば購読して、具体例を広く知るきっかけとしていただけると嬉しいです。

Spotify Embed: 【Medra】科学実験を自律化する「Physical AI」とは？創薬プロセスを加速する実験のループ

また。1つのアイデア（会社）だけでこれを行うのではなく、複数のアイデア（会社）に対して行いながら、それぞれのアイデアの特徴を詳細に知っていきましょう。

なお、ビジネスのアイデアの場合、上場企業なども調べることをお勧めします。最終的な上場時の株価の参考になるはずです。その際は、「会社名 S-1」「会社名 investor presentation」などで調べてNotebookLMのソースとして登録しましょう。できれば画像付きのPDFなどは自分でも見た方が良いと思います（参考になるので）。

その企業の当該事業の問題点などをNotebookLMで聞くか、あるいはChatGPT Proなどを使って聞くと良いでしょう。

疑問を尋ねる

調べていく中で沢山の疑問が出てくるはずです。特に専門が異なると用語自体が分からない、ということもあるでしょう。疑問が出てくるというのは良いことなので、それをどんどんと生成AIに聞いていくと良いと思います。

これも一気に答えさせるならGoogle Sheet、深く掘り下げたいならチャットでやっていくと良いのではと思います。

全体像の中の空白を見つける

複数の具体的な取り組みをより深く知っていくと、業界や領域の解像度が上がっていき、何が今できていて、何ができていないのか、それがなぜなのか、というのが徐々に見えてきます。

新しく見えるアイデアというものは、往々にして

これまでに何かしらの理由があって実現できていなかった
過去に試されて失敗した

といった過去がある傾向にありますが、このあたりも把握することで、「原理的にできないのか」「なぜ今ならできるのか」といった整理がつくようになってきます。

このように「既に実は分かっているが、自分は分かっていないこと」を塗りつぶしながら、「誰も分かっていないし、自分も分からないこと」を見つけていく作業をしていく中で、本当に良い新しいアイデアが見えてくるものです。

もし原理的には可能だが、実現されていない理由や課題が分かれば、それを解決するための方法を探す、という形でスコープが狭まってきます。

(4) 作業仮説を作る

これまで調べてきた中でアイデア（仮説）が生まれたとしたら、それをそのまま使っても良いでしょう。参考になる（ベースになる）アイデアがあるのであれば、それを少し変えていくような形でアイデアを作っても良いと思います。

もし、まだアイデアらしいアイデアが作れていないのであれば、この作業仮説も生成AIにベースを作ってもらうこともありだと思います。たとえば以下のような形です。

これから起業をして、急成長するスタートアップを作りたいと思っています。

以下の領域・条件に当てはまるようなアイデア（作業仮説）を、第一原理思考的を用いながら深く思考した上で、複数個提案してください。それぞれの提案の特徴も比較しながら説明してください。
追加の質問があれば調査の前に質問してください。

## 領域

＜＜調べてきた内容や領域などを色々と入力する＞＞

## 条件

今、ゼロから始めて、15年後には時価総額1兆円を超える事業を作れる（時価総額計算に必要なPER等は当該の業界を参考にする）

他人から見ると狂っていると思われているが、原理的には可能

大企業では手が出せず、スタートアップだからこそ挑戦できるハイリスク・ハイリターン

「なぜ今か」を説明できる（規制の変化、技術的な進歩がここ数年で加速度的に進んでいる、など）

勝ち筋（wedge, moat, 差別化要素）が見いだせる

既存のアイデアとは少し異なる特徴を持つ

必要な資金は集める前提ですが、初回に集められる金額は10億円を最大値としてください

## 注意

実現すればかなり大きいが、現時点ではかなり可能性が低いと見られている事業領域を提案するようにしてください

反証可能な命題（仮説）にしてください

該当するアイデアが生成できなければ、該当するアイデアがなかった旨を報告してください

できれば生成AIに入力する「アイデアの領域」は詳細に書いた方が望ましいです。その情報は、生成AIにとって探索の中心地を示す『ピン📌』となり、その周辺を生成AIが探索することになります。どこにピン📌を置くかで生成AIの返答はかなり変わります。

生成AIへのプロンプトは、一般的な質問であればあるほど、一般的な答えになりますが、特殊な指定をすればするほど、より適切な提案をしてくれる傾向にあります。

アイデアの全体像を描く

このアイデアをさらに精緻化するために、まず仮説の全体像（マップ）を描くことをお勧めします。この仮説が成立するためには、何が成立すればよいのか、というのを整理することです。

生成AIと壁打ちを繰り返しながら徐々にブラッシュアップします。

最終的に

FoundX のピッチテンプレート (https://review.foundx.jp/entry/2025-slide-template) に合わせて事業計画を立ててみてください

などとお願いして一通り作ってもらうのも良いと思います。

一部の仮説を精緻化する

このアイデアをさらに精緻化するために、生成AIと壁打ちを繰り返しながら、仮説の中で特に重要な仮説を徐々にブラッシュアップします。

「他の領域の技術進歩をこの領域に使えないか？」「全く試みられていないけれど原理的には可能なアプローチは？」「この領域でブレイクスルーを起こしうる、まだ問われていない問いは？」といったような質問をいくつかしていくと良いでしょう。

肉付けしてスライド化する

生成AIが作った作業仮説を理解するのには一手間かかります。

そこでNotebookLMに対して、このアイデアに関連する情報を集めて、このアイデアを中心にスライド化やレポートで出力すると、理解が深まりますし、スライドであれば他人にも説明しやすくなります。

NotebookLMのスライド出力の際には、YAMLでページ構成を指定することをお勧めします。現状の最大ページ数は15ページなので、15ページに収めるようにしましょう。

(5) 作業仮説を検証する

良い仮説が生まれてきたら、その仮説を生成AIを使って検証するフェーズに入ります。ただし、現時点での生成AIは、仮説検証があまり得意ではない、という点には注意してください。あくまで参考程度にしておいた方が無難ですが、とはいえ役立つところは多いです。

たとえば以下のようなプロンプトでアイデアを検証します。

これから起業をして、急成長するスタートアップを作りたいと思っています。

以下のアイデア（作業仮説）を検証してください。その際、多くの関連情報を集めながら、第一原理思考的を用いながら深く思考した上で、複数の専門家の観点で批判・検証し、改善点を述べてください。追加の質問があれば調査の前に質問してください。

## アイデア

＜＜あなたのアイデアを入力＞＞

## 出力

検証結果

アイデアの改善案

前提・未知の部分

検証できなかったこと

追加の検証のためにお勧めの行動

## 検証するべき点

今、ゼロから始めて、15年後には時価総額1兆円を超える事業を作れる（時価総額計算に必要なPER等は当該の業界を参考にする）

原理的には供給は実現可能（技術・ビジネスモデル）

需要は十分に大きくなる可能性がわずかでもある

## 検証方法

強いエビデンスを活用して検証する

検証に利用した事実を一覧化する

事実と推測は分けて記載する

## 注意

実現すればかなり大きいが、現時点ではかなり異端的に見られている事業領域を提案するようにしてください

該当するアイデアが生成できなければ、該当するアイデアがなかった旨を報告してください

厳しく検証するよう促す

生成AIはユーザーに寄り添う（嫌なことを言わない）傾向にあるので、厳しく批判するように促すことをお勧めします。レッドチームや批判的な専門家など、生成AIに対して明確な役割を与えて批判させるようにしてください。

特にアイデア全体のときは、検証するべき条件をきちんと与えておくと良いと思います。たとえば仮説の条件適用に関する足切り（ビジネスだと時価総額）などです。

自分で説明してみる

生成された仮説を自分である程度話せるかどうかは、自分の理解度を測る上でも、また検証をする上でも便利な方法です。説明できるかのテストや、凡例を言えるかどうか、また一部の仮説を変えたらどうなるかなど、多角的に仮説を自分で検証してみるのも大切です。

検証のために行動する

上記の検証は主に情報収集だけでできる範囲で行うことになりますが、検証は生成AIで完結するわけではありません。海外だとうまくいっているようなやり方（仮説）でも、日本ではうまくいかないことなどは日常茶飯事にあるので、きちんと現場の意見を聞きに行く必要があります。

ある意味で、人に残された仕事は、Webに掲載されていない情報を撮りに行って仮説を検証することや、新しいデータを生み出してそれを生成AIに与えてさらに良い仮説を作ってもらうことです。

特にネットやデータになっていない情報は生成AIは間違いますし、どれだけ突飛なアイデアを出すように言っても一般的なアイデアに寄ってしまいがちです。自分ならではの情報を掴むためにも、行動をして検証しながら、新しい情報を得て、新しい仮説を作ってください。

検証のなかで「目の前の課題」に行かない

人と話していると、目の前で困っている課題に目が行きがちです。しかしスタートアップを目指すのであれば、その課題が十分大きいかどうか、もしくはその課題が大きな課題に至るための一歩目になるかどうかがとても重要になります。

検証を繰り返す中で人はつい小さな仮説に局所最適化してしまいがちなので、検証の条件は常に持った上で進めていくことをお勧めします。

(6) アイデアを仮決めする

このあたりでおおまかなアイデアを仮決めして、詳細な事業計画を作り始めます。事業計画を作る中で、自分の分からないところがまた出てきて、それをより深く検証したりすることも出てきますが、いったんはこの方向で進める、というのを決めないと動き始められないので決めましょう。

人と話しながら決める

アイデアを評価できる人（投資家や教授など）と話す機会を設けて、今最も筋が良いと思っている仮説を何個か当ててみるのも、決める前の活動としてお勧めです。どうしても生成AIだけでは判断しきれないところもあります。それに場合によっては、検証のための顧客候補などを紹介してもらえるかもしれません。

なお、こうした場で他人から良いフィードバックをもらうには、ある程度筋の良い仮説を持って行く必要があります。そうした仮説を作ることができてフィードバックがもらえるようになればフィードバックループが回り始めてどんどんと仮説は良くなっていくので、そのレベルの作業仮説を作れるまで頑張りましょう。

Tips: より効率的に行うために

最初からワークフローを整える必要はないと思いますが、なれてきたら基本的に仮説を作っていくという形でMyGPT や Skills を作って管理すると良いと思います。たとえば私はMyGPTをいくつか作ってフローにしています。

今のところ ChatGPT Pro のほうが性能が良いのでMyGPTを使っていますが、いずれChatGPTにもSkillsが来れば、そちらにまとめるのが良いのかなと思っています。

また領域設定という観点では、海外のシンクタンクなどが広めのアジェンダを調べてまとめていることが多いです（やや近視眼的なところもありますが）。そうした情報をまとめた Podcast/YouTube なども配信しているので、そのあたりも参考まで共有します。

Spotify Embed: 技術主権とエコシステム戦略の実践論 ── 技術エコシステム・産業プラットフォーム・デジタル基盤を海外シンクタンク記事から読み解く | PEP Think

📝まとめ

領域をざっくりと決めてから、アイデアを検証するまでの一連の流れを整理し、その中でどうやって生成AIサービスを活用するかをまとめました。

だいたい1日100回ぐらいプロンプトでやりとりを繰り返し、行動を伴う検証をしながら、ときには他人と相談することを1ヶ月ぐらい繰り返して頑張れば、ある程度は筋の良い仮説に当たれるはずです。

ポイントは、ちゃんと時間を使うことと、駄目そうなアイデアにはさっさと見切りをつけて、次に進むことです。

ハルシネーションには気をつけながら、おおよそ筋の良い仮説を作るところまで至れば、あとは行動をしていくと、より詳細な情報を得られる好循環に入ります。その結果、筋が良さそうに見えるアイデアでも8割ぐらい間違っていることが徐々に分かってくるのですが、とはいえそのレベルになると、Web では手に貼らない情報が手に入り始めて、よりアイデアの洗練が進みやすくなるので、まずはそこを目指して頑張ってみてください。

いずれはこうした作業もAIが自律的に実施してくれるようになるのかもしれませんが、一旦現時点の技術を用いた方法論としてまとめておきます。

参考記事

より詳細には以下のスライドなどもご覧下さい。

https://speakerdeck.com/tumada/jia-shuo-xing-dong-tomatupurupuripu

https://speakerdeck.com/tumada/jia-shuo-woxing-zuo-rusutetupu

馬田 隆明のブログ（アイデア）