馬田隆明のブログ（トレンド）

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 →

コロナ後のアクセラレーター環境の変化

馬田隆明 — Wed, 09 Sep 2020 05:57:56 GMT

コロナウィルスとそれによる感染症である COVID-19 による変化は、スタートアップやその周辺のエコシステムの一部を変えると考えています。

もちろん変わらないもの、一度変わって元に戻るものも多数あると思いますが、私自身に影響がありそうなもので、今起きている変化でしばらく定着/影響しそうなものをいくつか挙げてみます。

オンラインアクセラレーターの増加

今後、オンラインのみのアクセラレーターの数は増えるのではないかと思っています。

たとえば、https://pioneer.app/ など、もともとリモート専用のアクセラレーターがありましたが、今回のCOVID-19による強制的なオンラインへの移行で、プログラムの提供だけであればオンラインでできる部分がある、という実感を得られた事業者の方々も多いのではないかと思います。その影響で、今後はオンラインを中心としたアクセラレーターが日本でも世界でも増えてくるのではないでしょうか。Y Combinator なども続々とオンラインコンテンツを増やしてきています。

日本にいたとしても（英語などのほかの言語ができれば）リモートのアクセラレーターに参加することができる、というのは起業家にとってはとても良い変化です。一方、アクセラレーター運営側の視点に立ってみれば、世界中に競合がいるようになります。その競争を勝ち抜くのか、もしくは巻き込まれたくないのであれば、ローカルやオフラインの独自の価値をどのように出していくかが勝負のポイントとなりそうです。

スタートアップの数の減少

私の聞いている範囲では、起業家の数が減少しつつあります。実は4月や7月ごろはそれほどそうした話は聞きませんでした。しかし最近になって、案件が減っているという話を聞き始めています。

感染拡大期に起業家の数がすぐに減らなかったのは、すでに準備済みの起業家が多かったからかもしれません。ただそのプールが尽きつつあるのではないかと考えています。たとえば 2007 - 8年の金融危機のときもビジネスに如実に影響が出てくるのに半年程度かかったと聞いています。同程度の遅延があるとすれば、そろそろ来るタイミングです。

一方、2008年の経済環境との違いは、実体経済が傷ついていることや、スマートフォンなどの目立ったトレンドがないこと、そして人と会えないということによるアイデアや共同創業者探しの難しさなど、新しいことを始めるには少し難しい環境だということです。

仮にビジネスを始めたとしても、リモートワークで行う場合、新しいアイデアの探索などには向いているようには思えませんし、実際にコンテストなどを見ていても昨年などに比べると、アイデアの質が相対的に見て下がっているように感じています。これはオフライン環境での壁打ちなどができなくなっていることなどが実は大きいのではと思っています。

もちろん既につながりがある場合や探索より深化 (exploitation) のフェーズの場合はリモートワークでもある程度進むことができるとは思いますが、アイデアを固める段階やピボットを何度もしなければいけない状況では、リモートは難しいでしょう。

逆に言えば、本当に良いスタートアップには資金が集まりやすくなるとは思います。その結果、アクセラレーターを経由するスタートアップはもしかしたら減るかもしれません。

そのうえで

こうした変化を想定したうえで、支援側として何が本当のバリューだったのかをきちんと考えていかないといけないなと思っています。まだその答えは見えていませんが、引き続き考えていきたいと思います。

DX と EX

馬田隆明 — Mon, 02 Mar 2020 07:08:21 GMT

DX (デジタルトランスフォーメーション) という言葉を頻繁に聞くようになりました。「あらゆる企業がデジタル企業になる」と言われる中、デジタル技術をうまく会社に取り込んで、どの企業も取り組んでいるようです。

一方、100年前の人類も同様に新技術をうまく採用しなければならない状況でした。それが電気です。「あらゆる企業が電気企業になる」と言われると今ではとてもおかしく聞こえますが、100年前の人たちは蒸気機関から電力への移行に一所懸命に取り組んでいました。では先人たちはどのように EX ―― エレクトリック（電気）トランスフォーメーションを成し遂げたのでしょうか？　それを少し振り返ってみることで、現在のDXへの示唆があるかもしれません。

それに対する興味深い解説として、Tim Harford の記事があります。この記事では、新しい技術に産業が最適化されなければその技術の性能は十分に発揮されないということを、第二次産業革命における電気の段階的な受容を描きながら解説しています。この記事は主に彼の論に寄りかかりながら、EXがどのように起こってきたかを振り返ります。

科学から産業になるまで

第一産業革命は蒸気機関の登場を受けて、1700年代後半から1800年代前半にかけて起こったと言われています。その約100年後、第二次産業革命は1800年代後半から1900年代前半にかけて、化学、石油、鉄鋼、電気の技術発展によって起こりました。その中で電気に焦点を当てて、どのように採用されていったかを見てみましょう。

電気に対する科学的な発展は、産業応用の前に起こっていました。たとえばオームの法則が発見されたのは1827年、ファラデーが電磁誘導現象を見つけたのは1831年、マクスウェルが「電気と磁気」を発表したのが1873年です。（Wikipedia より）

産業で電気が活用され始めるのはそのあとです。

1881年にエジソンが電気生成工場を作り、それから約一年で電気の供給を開始し、そして工場を稼働させるための電気モーターの販売が始まりました。

https://ja.m.wikipedia.org/wiki/%E3%83%95%E3%82%A1%E3%82%A4%E3%83%AB:Thomas_Edison,_1888.jpg

しかし1900年までに電気モーターで動くアメリカの工場は5%以下にとどまったとされています。

どうやら140年前の人々も、電気の登場からしばらくの間、電気をうまく産業で扱えていなかったようです。それはなぜなのでしょう？

電化前の工場

United States public domain / https://commons.wikimedia.org/wiki/File:Bild_Maschinenhalle_Escher_Wyss_1875.jpg

電気が当たり前になるまで、工場は蒸気機関で動いていました。蒸気機関で動く工場は、単一の蒸気エンジンが動力源です。エンジンで生まれた動力はベルトとギアを伝わり、ハンマーやパンチ、プレスなどのすべての機械に伝えるようになっていました。ベルトとギアを使うと必然的に動力のロスが発生してしまいます。遠くまで力を伝えようとするとロスも大きくなり、その結果、工場を大きくすることもできません。

また工場は危険極まりないものでした。たとえばベルトには作業者が挟まってしまい、引き込まれてしまう危険性が常にありました。さらに火が隙間から広がるのを防ぐために、ベルトタワーがそれをすべて囲み、給油もしなくてはなりませんでした。

メンテナンスも大変です。蒸気エンジンは停止することはほとんどなく、常に石炭を供給する必要がありました。

場所の問題もあります。蒸気で動く工場は暗く、シャフトの周りにすべてが設置されていました。またエンジンはとても巨大なため、工場の外に出て、二番目の建物に蒸気機関を設置することもありました。

電気による工場の変化

https://commons.wikimedia.org/wiki/File:LongBeachFord.jpg

では電気で稼働する工場はどうでしょうか。

動力と言う観点では電気モーターは蒸気機関の代替品と見ることができます。蒸気機関から電気モーターに単に置き換えるということも可能です。一方で、初期の電気モーターは安定しなかったようで、素材や技術の課題を解決する必要があり、動力と言う観点だけでは蒸気機関の下位互換程度のものだったのではないかと推測します。

しかし電気モーターはもっと様々なメリットを有していました。

たとえば、小型の蒸気エンジンはとても非効率的ですが、小型の電気モーターは何倍も効率的に動きます。そのため工場には小さな電気モーターを複数設置することが効果的になりました。たとえばすべての作業台に電気モーターを置くことで、蒸気エンジンのように中央からベルトで動力を伝える必要がなくなります。その結果、従来のドライブシャフトを中心に考える蒸気機関とは全く異なる配置の工場設計ができるようになりました。あのヘンリー・フォードは「これによって機械を作業順に置くことができるようになり、産業の効率が2倍になった」と述べてます。

さらに蒸気機関は常に動いていなければなりませんでしたが、電気は蒸気機関のように常時稼働する必要はありません。そして石炭などが不要になったため、そこで働く作業員はよりクリーンな環境で働くことができるようになりました。ベルトに巻き込まれることもなくなり、より安全になりました。電気が通じることで電灯を設置できるようになり、工場は明るくなって、様々な時間帯で工場を稼働することができました。

1920年代になり、ウェスティングハウスの中央発電所が登場し、安定的に電気を供給できるようになりました。こうした変化が積み重なった結果、電気はプラットフォームになり、そして工場がそのうえで動くアプリケーションとして稼働するようになって、1920年代に入って工場の生産性が劇的に向上した、と言われています。

つまり電気という新しい技術のポテンシャルを十分に活かすには、一部の蒸気機関が行っていた業務を電気に置き換えるだけでは不十分だったようです。電気の力を使うには、工場の設計そのものを変えていかなければなりませんでした。そして全く異なる設計で作った工場は、これまでと異なるビジネスモデル（大量生産）を可能にしていきました。

第二次産業革命の場合、そこに辿り着くまで約50年の年月を要しています。

社会

https://ja.m.wikipedia.org/wiki/%E3%83%95%E3%82%A1%E3%82%A4%E3%83%AB:Tokyo_Dento_Company_advertisement_in_1930s.jpg

これは単に技術の問題だけではありません。社会も同時に変わっていかなければ、その技術のポテンシャルを活かすことができません。

日本の場合を見てみましょう。東京電力の前身である、日本初の電力会社である株式会社東京電燈が生まれたのは1883年です。その後、1886年に活動開始、1887年に電力の送電が開始されたとされています。

1891年、漏電が原因と思われる国会仮議事堂の焼失によって、電気事業の保安管理の必要性が認識されるようになったことから、逓信省が監督責任を負うようになりました。そして1911年にいわゆる旧電気事業法が制定されました。そして1965年には新電気事業法が施行されています。つまり法律も徐々に制定されていきました。

教育も見てみましょう。電気工学が日本で学位として提供されるのは1886年です。それまで電気は物理学の一部として教えられていました。電気主任技術者という資格が生まれたのは1896年です。ただこのときは試験などはなく、学識経験者が選出されていたそうです。そして1911年の旧電気事業法と同時に、資格も試験制度が導入され、学歴がない人も電気種に技術者になることができました。

その後、1930年代に戦争の影響で、東京電燈は国策会社となっていきます。

電気という今ではありふれている技術ですら、このように数十年の時を経て、ようやくその真価を発揮できました。それには技術の進歩や最適化もそうですが、社会や教育も同時にその技術に合わせて変える時間が必要だったということです。

示唆

かつてあったEXで、個人的に面白いと思ったのは以下のようなものです。

工場の全体設計を変えないと技術を活かせない
電力のようなプラットフォームも、キラーアプリケーション（電燈）から始まっている
インフラになるにつれて国有化される（初期の蒸気鉄道も私有会社から始まりました）

そこから個人的にはDXについて、以下のようなことを考えます。

単に一部の業務効率化を行うのではなく、情報技術を軸に産業構造や業務プロセス、ビジネスモデルを変えるのが DX
情報技術がインフラ化してくれば国有化も選択肢（GAFAMの議論でもありますね）

たとえば製造業におけるサブスクリプションや従量課金というビジネスモデルが、ユーザーがどれだけ使ったかをリアルタイムで把握できる、という情報技術の発展により可能になったビジネスモデルであり、それがデジタル時代に最適なビジネスモデルだとすれば（これは仮定です）、そうしたビジネスモデルに合致する事業に変身するのがデジタルトランスフォーメーションなのかもしれません。

こうした産業の組み換えについては、少し前にPodcastで話したことでもあります。

FoundX Podcast #02「次の Tesla」 - 髙橋卓巳さん - FoundX Review - 起業家とスタートアップのためのノウハウ情報 — review.foundx.jp

Carlota Perez の S カーブなどを参照しつつ考えてみると、第四次産業革命や Society 5.0 と呼ばれる現在の情報産業の隆盛は、まだ始まったばかりのように見えます。各国が新しい技術を導入したというニュースがたびたび巷を騒がせますが、単一の技術の導入が大きな差をつけるとは考えないほうが良いでしょう。むしろこれからの十数年で、情報技術を軸にした最も効率的な新しい産業や社会の形を見つけることが、おそらくDXというものが成功するかどうかの分かれ目なのではないでしょうか。

馬田 隆明のブログ（トレンド）