フルスタック・ディープテック・スタートアップという戦略

2014 年に Chris Dixon が提唱した『フルスタック・スタートアップ』という概念について、以前から翻訳したり、記事を書いたりしていました。

このフルスタック・スタートアップにディープテックを組み合わせたものが、『フルスタック・ディープテック・スタートアップ』です。アメリカのVCである Cantos Ventures の Ian Rountreeが提唱しています。

フルスタック・ディープテック・スタートアップの特徴は、

「画期的な技術」を販売するのではなく、「最終製品」を提供すること

です。

宇宙領域で言えば、「高度なロケットエンジンを売る」という事業をするのではなく、ロケットを売る（あるいはそのサービスを売る）のがフルスタック・ディープテック・スタートアップです。

そして、私自身も、ディープテック・スタートアップだからこそ、フルスタック志向のほうが良いのでは、と感じることが多々あります。

ではなぜディープテックはフルスタックのほうが適しているのか――Ian が出演した年始の Energy Impact Partners の Podcast を聞いて、改めてその考え方を日本でも広く知っておいてほしいと改めて感じたので、記事にもまとめておきます。

簡単な要約

• フルスタック化は、スタートアップが各種の摩擦（統合・運用・販売・責任）を自社で吸収し、学習速度と実装速度を上げる戦略です。結果として、TAM拡大や参入障壁にもつながります。
• ただし、事業範囲が広がるため、CAPEX・規制・オペレーションのリスクを抱えるため、向き不向きの見極めと、事業構想がとても大事になります。

NotebookLM のスライド要約

課題：なぜディープテックスタートアップはシリーズAで止まるのか

ディープテック・スタートアップは、主に大学の研究等の「Technology Readiness Level は低いが、大きな可能性のある技術」を中心に商用化することで、事業としての急成長を目指す、起業の一形態と見做されています。

その範囲は、宇宙、素材、創薬、電子機器、など様々な領域にまたがります。

共通しているのは、技術自体が事業のコアコンピタンスになる、ということです。

そのため、従来のディープテック・スタートアップのアプローチは、「画期的な技術を既存企業に売る」ことでした。

技術は「歯車」でしかない

しかし『レイヤー構造』のスライドで解説したとおり、技術は製品というシステムの一部でしかありません。

別の言い方をすれば、技術は製品がうまく機能するための『歯車』の1つです。

そして製品は工場での生産等の歯車の1つであり、さらに製品は会社の利益創出活動の歯車の1つといえます。

1つの「歯車」のために全体を置き換えるか？

歯車は他の歯車とうまく組み合わさることで、その機能を十全に発揮します。しかし噛み合わせが悪いとなめらかに機能しません。

事業全体のパフォーマンスを上げるということは、この歯車が連続的にかみ合うこと、いわゆるワークフローが流れていることが大事だということです。そのため、1つの歯車がどれだけ優秀だろうと、その歯車を採用するために、他の全てを変えようという判断にはなかなか至らないでしょう。

その結果、

「1つの歯車がどれだけ優秀でも、その歯車の採用のために他の歯車を全部入れ替える判断はしにくい」

という意志決定が起こりやすくなります。

例）高速な名刺のスキャン

身近な具体例を考えてみるとより分かりやすくなります。

たとえば私たちの普段のワークフローにおいて、「AIで名刺スキャンが5倍の速さになります」と言われたところで、名刺管理CRMの入れ替えはあまり考えないはずです。名刺のスキャンというのは、全体のワークフローのほんの一部でしかないからです。

「技術売り」で生まれやすい課題とリスク

従来型の「技術を部品として売る」モデルでは、次の摩擦が起きがちです。

• 統合摩擦：既存ワークフローに合わせるための調整・カスタマイズが膨らむ
• 意思決定摩擦：顧客社内の力学（稟議・調達・情報システム・現場・法務・監査）で結論が出るのが遅い
• 運用摩擦：導入後の運用負荷（教育、保守、監視、監査対応）が増えやすい
• 調達摩擦：部分最適のROIだと予算科目に乗りにくい／「今ある仕組みで十分」とされる
• 実証から商用への断絶：PoCは通るが、本番運用の要件（品質・供給・安全・規制）で止まる

さらに困難を生むのは、こうした摩擦が事後に分かることによって、技術に求められるスペックや要求がどんどんと変わっていき、技術開発の方向性すらも変わっていく可能性があることです。

技術開発にどれだけリソースを注いでいたとしても、スペックが変われば、それまでの開発自体が無駄になることも多くあります。

「技術開発の進捗」という「偽の進捗」

ディープテックでこの難しさが露呈するのがシリーズAやその後のように思います。

技術自体の開発が進捗していることが事業の最初期には「評価」されます。一部の投資家から初期の資金調達まではできるでしょう。この結果、「この方向で良いんだ」とチームは思ってしまい、技術開発を進めてしまいます。

しかしいざ技術がある程度の性能になったあと、実際に顧客の現場に適用しようとすると、上記のような摩擦が生まれてきます。そうして技術開発の方向性がどんどんと変わり、余った資金で追加の技術開発をしていくことになります。

そしてシリーズAあたりにさしかかると、投資家の評価軸は「技術進捗」ではなく「売上」や「規模の可能性」などに変わってきます。しかしその準備ができていないチームは、往々にして残った資金で投資家の期待にマッチする十分な事業進捗（技術進捗ではなく）を出すことが難しくなっており、補助金でなんとか技術開発を進めていく道を選ばざるを得なくなる……ということが容易に起こります。

そうした評価される進捗の質的な変化を予見できていないことや、直近の投資家からの「技術進捗だけ」による高い評価によって、本来必要とされる活動に対して資源を割り当てられない、ということが起こりやすくなります。

フルスタック・ディープテック・スタートアップによる課題解決

そこでフルスタック・ディープテック・スタートアップ (Full-stack Deep Tech Startup: FDTS) です。

フルスタック・ディープテック・スタートアップは、これらの「技術売り」で発生しやすい摩擦を自社で吸収し、バリューチェーンを伸ばして、

• 従来：部品売り
• FDTS：製品売り

へと変えることです。

もう少し抽象化して話すと、摩擦はどこでも生まれるものの、従来起こっていた外部との激しい摩擦の部分は自社に内包し、外部との摩擦の少ないところまでバリューチェーンを伸ばすことで、相対的に摩擦を少なくする、ということなのかなと思います。

それがコモディティであれば、そのコモディティ製品を提供することなので、部品売りではなく製品売りとなります。

ただし、場合によってはモジュールを提供することだったり、あるいは製品以上のサービスを提供することだったりするかもしれません。

フルスタック・ディープテック・スタートアップのメリット

フルスタック・ディープテック・スタートアップのアプローチを取ることには、以下のようなメリットがあります。

(1) 自社でコントロールできる範囲が増え、学習と実装が速くなる

まず自社でコントロールできる範囲が増えることです。外部（既存企業の都合）に律速される範囲が減り、試行錯誤のループが回ります。スタートアップにとっての「スピード」は、単なる開発速度ではなく学習速度であるはずです。

スタートアップにはスピードが命だと言われます。『リーンスタートアップの限界』や『需要家のファーストペンギン』などの記事で、「顧客がビジネスの方向性を左右する」と書きましたが、自社の速度が外部によってどのように制約されないようにするかを考えるとき、フルスタックは1つの手法となります。

もちろん、その制約をトップ営業などでクリアできるなら、その限りではありません。

(2) 市場（TAM）を大きく取りに行ける

技術という部品を売るのは、その技術に相当な独占性がない限り、基本的にはスマイルカーブの中流に当たります。

一方バリューチェーンを伸ばしていくことで、収益性の高いところもカバーできるようになり、さらに大きなTAMにアプローチすることができます。また最終的に技術やオペレーションを磨いていけば、利益の幅も大きくなっていきます。顧客を掴むことで、さらなる製品開発も可能となるでしょう。

SpaceXはロケットエンジンを売るのではなく、ロケットを作り、衛星打ち上げサービスというインフラを売ったからこそ、宇宙産業が生まれ、Starlinkなどの新しい自社サービスを生み出すことができました。

(3) 参入障壁を築ける

フルスタックはデメリットも大きい（CAPEXや組織の複雑性）ですが、裏返すと、その高い山を乗り越えられれば他社に模倣されづらくなるということです。

たとえばTeslaなどの模倣はなかなか難しいものです。そのため、勝ちきってしまえば利益率が高まる可能性も高くなります。

なぜ今、フルスタック・ディープテック・スタートアップなのか

スタートアップがそうであるように、こうした概念には「なぜ今か」についての仮説が必要です。

(1) ソフトウェアによる再構築の機会

既存企業ではない形でソフトウェアが多くで使われるようになってきており、接続性が高まりつつあります。蒸気機関で動く工場から電気で動く工場への転換の際に必要だったのは、動力の技術的な転換そのものではなく、電気モーターによって生産レイアウトが変わったことであったように、工場の設計思想（生産アーキテクチャ）を変える点にあります。

逆に従来型の工場は、既存の設備があり、さらに投資もしてしまっているため、新しい電気という技術への乗り換えが遅れたという指摘もあります。（最近だと Duke の Damron (2025) など）

従来型の決定論的なソフトウェアによる確実性と、近年の確率的なソフトウェア（AI）による柔軟性の発展をうまく組み合わせることで、機械が agentic に動ける範囲と適用可能性が増えている、という風にも言えます。

ある意味で、今なら「Software-native」な「Full-stack Deep Tech スタートアップ」を作れることが、Why now の1つの理由です。

(2) 資金の獲得のしやすさ

10年前よりも、スタートアップが大きな資本を獲得できる環境が広がっています。フルスタックは初期に資本が要るので、この構造変化は重要です。

（おそらく10年前には歯牙にもかからないアイデアだったでしょう）

(3) 需要の変化（脱炭素、地政学など）

グリーンな製品への需要や、政治的リスクによるサプライチェーンの再編の需要など、従来の需要と異なる需要が立ち上がりつつあります。

この波は一過性ではなく、産業構造の再構築に接続し得るため、フルスタック型の「作って供給する」プレイヤーが価値を取りやすい局面が増えています。

フルスタック・ディープテック・スタートアップの例

では実際にこうしたスタートアップがいるのか、ということを振り返ってみます。

古いところでは以下のようなスタートアップが、このカテゴリに入るのではと思います。

会社	普通	フルスタック
SpaceX	ロケットエンジンを売る	宇宙サービスを行う
Tesla	バッテリーをGMに売る	EVを売る

最近だと以下のようなスタートアップがあるでしょう。

会社	普通	フルスタック
Anduril	防衛産業にSaaSを売る	防衛製品を売る
Solugen	バイオものづくり技術を売る	化学製品を売る
Hadrian	製造業向けSaaSを売る	アルミ部品を売る

ディープテックではありませんが、ソフトウェア領域でも同様です。

会社	普通	フルスタック
Flexport	物流業者向けソフトウェアを売る	輸送サービスを売る
Uber	タクシー会社向けSaaSを売る	タクシーサービスを売る

以下の記事なども参考にしてください。 

review.foundx.jp

デメリット

フルスタックは万能ではありません。主なデメリットは次です。

• 初期に大きな資本が必要（CAPEX）
• 技術リスクに加えて、オペレーション／品質／供給／規制のリスクを内包する
• サービスに寄せるほどスケーラビリティが落ちる場合がある（ラストワンマイルで人が介在する等）

しかしそうしたデメリットを超えてスピードが出せる、というのが、フルスタックのメリットです。

フルスタックが合わない事業

ただし、すべてのディープテックスタートアップがフルスタックに合っているかというと、おそらくそんなことはありません。たとえば以下のような事業はフルスタック・ディープテック・スタートアップでなくても良いかもしれません。

• 現在の創薬は別で、技術だけで大きなビジネスが成立しやすいため、チャネル等も含めたフルスタックのリスクを取る必要はないでしょう。
• 統合の摩擦が発生しない、技術単体がそのまま刺さるような技術もフルスタックを志向しなくても良いでしょう。
• TRL/MRL/ARLが極めて低いと、技術の科学的検証が律速になるので、資金を投入してもどうしようもない可能性があります。
• もし最終製品の中でとても重要な部素材であり、既存の10倍ぐらい良い性能があれば、部素材でも欲しいという人はいるため、部素材売りでも通用するでしょう。
• 最終製品にブランド価値などの感覚的な価値が高いものも同じく難しいかもしれません。ただし、テスラのように、最終製品に対してブランドを作ることができれば、超過利潤を得ることができるというメリットもあります。

フルスタックが合う事業

一方、フルスタックが合う事業もあるように思います。

(1)需要リスクが小さい製品

1つめは需要リスクが小さい製品です。

作ることができれば顧客は買ってくれて、しかも大きな市場が待っている、という状態であれば、需要リスクは小さくなります。（需要リスクと供給リスクの記事も参照してください）

あとは技術開発やオペレーションで、供給リスクを下げながら、コストを下げることを実現できれば良くなります。

たとえばエネルギーや化学製品のコモディティは、どういう作り方であろうと、最終製品の機能は同じです。安ければ買われます。

フルスタックは供給側のリスクを取ることになるため、需要リスクの低い製品群であれば、リスクのバランスを取りやすいでしょう。

(2) システム最適化・学習曲線が競争力になる

ハード×ソフト×運用が密結合で、レイヤー間の結合が強いような場合、つまり単体の技術だけでは価値が出ない場合の事業もフルスタック向けだと言えます。

また学習曲線が効く領域も多いでしょう。運用データなどのフィードバックによるプロダクト改良、あるいは製造量によるコスト低減などです。

(3) 実証が難しい事業

フルスタックを志向することの良い点は、資本（と許認可）さえあれば、実証までの期間を一気に短くできることです。

あまり重要ではない部素材であったり、重要だったとしても数十パーセントの向上などであれば、おそらく顧客はその部素材のためにすべてを作り替えるという判断はせず、その説得に数年かかってしまいます。

そこで規模は小さくても良いので、いったんフルスタックで作り上げて、規模拡大とともに自社の担当するバリューチェーンを短くしていく、という手があります。

実際、いくつかのスタートアップはそうしたアプローチを作っています。まずは自社でフルスタックで実証して、そのあとに自分たちの利益の高い領域だけにバリュチェーンを縮めて、他の付加価値活動をパートナーに移管していく、という手です。

(4) マルチプロダクトを出せる事業

フルスタックが実現できたときには、マルチプロダクト化していく傾向にあります。顧客側との接点も多く、資本も大きいため、マルチプロダクト化はしやすいし、そうしたほうが売上も上がるためです。

多くを自社で内製しているため、組織設計さえうまくいっていれば、スピードと柔軟性を担保できて、競争力も確保できます。

事業領域としては、a16zの記事では以下のような領域に可能性があるのではないかと言われています。

• 建設
• 教育
• 貨物輸送
• 半導体製造
• 公共事業

これ以外にも色々とあると思いますが、参考まで挙げてきます。

アウトプットを超えてアウトカムへ

Cantosの提唱するフルスタック・ディープテック・スタートアップは「最終製品」というアウトプットでした。しかしそれを越えてアウトカムに近づけば近づくほど、より収益は上がりやすくなります。

たとえばWaymoも、自動運転のソフトウェアでもなく、「自動運転車」という製品でもなく、人の輸送サービスを行うからこそ、今の評価額になっていると思われます。

実際、SaaSやRobot as a Service (RaaS)、あるいは運転保障サービスなど、製品ではなくSLAつきのサービスとして提供され始めているのは、製品を超えてサービスを提供することで、そこでデータや顧客接点を得て、さらに改善につなげていくことができるからです。

一方で、アウトカムに近いことで、スケーラビリティがきかなくなっていくサービスもあります。たとえばRIZAPなどは「痩せる」「筋肉をつける」というアウトカムを提供しますが、そうであるが故に人が介在する必要があり、ラストワンマイルでスケーラビリティが取りづらい構造になっています。Uberは、最後は人が介在しなければならないところをマッチングで解消していますが、それにも限界があります。

また、サービスに近づけば近づくほどオペレーションやリスクも増大します。そのリスクをどうやってソフトウェア等で緩和するか、というのは腕の見せ所ではないかと思います。

フルスタック・ディープテック・スタートアップのHow

ここからはかなり作業仮説の要素が強くなりますが、現時点で考えているHowの部分をお話します。

(1) 構想力

このフルスタックの事業は、供給のためのシステム全体を最適化していくことです。

エジソンが電球だけではなく、発電や送電、銅のコストも含めてシステム全体を考えていたように、かなり高い視座を持ちつつも、かなり細かな実験をしていくような、『構想力』が求められます。

ここで重要なのは、技術のロードマップの構想だけではなく、

• 製造／供給／保守
• 調達／契約／責任分界
• 規制／認証
• 価格と利益構造

までを含めた全体構想であることは拭きさせてください。

(2)ステージゲートなどのプロセス

1➡10➡100➡1000など、桁を1つずつ上げていく中でステージゲートを設けていく必要はあるでしょう。Liliumなど最初から多角化すると厳しいですし、Northvolt など大きなものを一気に作ろうとすると失敗する可能性は増します。

とはいえ、事業の競争環境によっては一部の桁を飛ばして、2桁上に行く、といったリスクを取る場合もあるかもしれませんし、技術によっては、1桁上と2桁上の規模感で異なる技術検証が必要で、その場合は1桁上げるステップを挟むのではなく一気に2桁上げるほうが合理的という場合もあります。

(3)スピードの確保

それぞれのステージゲート間ではシステム全体のすりあわせを一気にしていく必要があります。

また、初期は学習が命ですが、売上を立てにいくと品質・納期・運用が支配的になります。この二つを同じラインで回すと破綻しやすいので、組織をどのように運用するか、なども大事になってきます。

(4)リソースの確保

お金や人といった資源を大量に集めながら、その資源を効果的に使っていく手腕が求められます。お金については、エクイティだけではなく、補助金やデット、プロジェクトファイナンスなど、多様なお金の調達方法を知る必要があります。また日本には事業会社からの投資も多く、それらをうまく活用しながら、こうしたモデルを模索する必要があるでしょう。

人については、研究者だけではなく、製品開発から運用担当者、法規制担当者まで幅広く揃えながら、事業として統合していく必要があります。

起業家と投資家の会話

ディープテック・スタートアップは技術の商業化ではない、というのを何度も書いてきました。このフルスタック・ディープテック・スタートアップの概念は、そうした議論にも有用ではないかと思います。

ただし、このフルスタック型は投資家側のリスクが増えるアプローチであることには留意が必要です。資本リスクが上がるし、技術以外のリスクも増えるからです。

しかし一方で、ディープテックスタートアップへの中途半端な資金提供は、むしろ顧客との摩擦を生む事業構造しか作れなくなり、スピードが出せず、そのスタートアップの可能性だけではなく、その元となった技術の可能性をも殺してしまう可能性があります。

最初の摩擦がある部分をどのように乗り越えるか、という点においては、最初からある程度大きな資金を投資して、技術以外の部分の垂直統合も検討した方が、投資家と起業家の両者にとってリスクが緩和されうる道筋にもなります。

仮にフルスタックでなくとも、バリューチェーンを伸ばした方が摩擦が少なくなる可能性もあると思います。

この記事をきっかけに、

• 「初期にどこまでバリューチェーンを伸ばす方が良いか」
• 「気になるリスクを緩和するために何を精緻にすれば良いのか」
• 「そのリスクを受容できるだけの大きな構想を描けるのか」

を起業家ー投資家間で議論していけるようになると良いのでは、と思っています。

まとめ

良い構想を持つスタートアップに対して、より大きなお金をつけて、より大きく精緻な構想を描くように促すことが、日本からフルスタック・ディープテック・スタートアップを生み出していくためには必要です。

特に初期から大きなお金が必要になるため、投資家や補助金担当者の一部が、こうした戦略があるということを認識し、それに賛同する状況を作れなければ、おそらく「リスクが高すぎる」という判断がされ、この戦略を取れるスタートアップはいなくなってしまうでしょう。

逆に言えば、こうした考えや戦略を持つ投資家が増えることで、この戦略を取れるスタートアップは多くなりるということです。

この原稿は私の仮説であり、一種の言説です。ただこうした言説に多くの人が触れて、一部の投資家の方々がこの言説に近い信念を持つとき、お金が集まり、起業家の皆さんが実際にこうした挑戦ができるようになる類いの言説ではないかと思います。

そうした仲間捜しという意味で、こうした戦略を共有することは意味があるのではないかと思い、書いておきます。

未来を構想する

この数年で『未来を構想する』ことの重要性が増しているように感じています。

2010年代は「ソフトウェア・スマートフォンという解決策」によって解ける適切な課題を探すための「未来を手探りで探索する」ことや、課題解決の重要性が相対的に高い時期だったように思います。

しかし2020年代に入り、より大きな事業構築への期待が高まりました。さらに社会の秩序が本格的に乱れることで、2010年代とは異なる不確実性が高まっている環境になっています。

そのような環境の中で新しい事業を作っていこうとしたとき、自らの意志に基づいて「未来を構想する」 ことがより重要になってきているようです。

ではどのようにすればうまく構想（ブループリント）を描けるようになるのでしょうか。

2021年に書いた『未来を実装する』では、「調べても未来の描き方は分からなかった」として、ロベルト・ベルガンディの方法論を紹介する程度に止まっていました。

でも、今ならもう少し先まで行けるかもしれないと思っています。『解像度を上げる』『仮説行動』などの本も書いたほか、最近は未来の構想をするワークショップなども関わること増えてきたためです。

本稿ではそこでの学びを少しまとめておこうという記事です。まだ柔らかい段階で一般論にとどまっている印象もあるので、もう少し精緻化したいとは思っています。

なお、本稿では「新規ビジネスにおける構想」かつ「10年以上先の未来」を意識しながら書いていますので、別の領域では当てはまらないかもしれません。ご留意ください。

本稿で整理している概念

まずこの記事の要点を解説しておきます。

• 構想とは - 未来の一時点での「絵姿」と、そこに至るまでの「ステップ」の仮説である
• 構想の良し悪し - 影響度と確信度の両方が高ければ良い、低ければ悪い
• 構想の構成要素 - 大きさ／細かさ／整合性／順序（時間）の4軸で整理できる
• 構想の作り方は - 発散と収束（＝仮説と検証）を、段階的かつ高速に繰り返すことが中心である

また、以下の3つの本の概念を使っています。

なぜ構想が必要か (Why)

なぜ構想が必要なのでしょうか。まず未来の構想を作るメリットはいくつかあります。

(1) やることが明確になる

私たちが今何をすれば良いのかの見通しも良くなります。

未来の構想を作ることで、未来と現在とのギャップが明らかになります。すると「未来と現在に横たわるギャップをどうやって埋めるのか」という問題設定が可能になります。

いわば、未来の理想がなくして、課題は見つからず、課題がなければ私たちが今何をやるべきかが定まりません。

辿り着きたい未来が変われば課題も変わり、解決策も変わり、今やるべきことも変わります。逆に言えば、良い構想を定めることができれば、私たちはこの課題と解決策の往復運動の幅をある程度狭めることができます。

(2) 仲間を作りやすくなる

また、構想があることで、何をするのかが分かりやすくなり、仲間が集まりやすくもなります。

いわゆるロジックモデルやTheory of Changeを公開することで、コレクティブインパクトを実現しやすくなる、ということです。

構想とは何か (What)

私は「構想」を「未来の一時点での絵姿とそこまでのステップの仮説」と捉えています。

つまり、構想には2つの仮説が含まれます。

1. 未来の一時点での絵姿の仮説
2. そこまでのステップの仮説

絵姿は目標であり、ステップとは戦術や打ち手、ロードマップなどのことです。

いわゆる「ビジョン」だけでは構想と言えず、ビジョンに至るまでの打ち手の仮説、いわば戦略や戦術の仮説が揃ってはじめて構想と言えます。

山登りで言えば、登るべき山とその登り方の計画のセットが構想とも言えます。

構想の『解像度』

「構想」をジグソーパズルで表現してみましょう

「構想がある」と言える状態は、ジグソーパズルにおいて以下の3つの条件を満たしていると言えます。

1. 全体の完成形
2. ピースが分かっている
3. ピースを置く順番が分かっている

ただし実際にはピースが存在するかどうかも分からないため、 その全体の絵姿を完成させるかどうかも分かってはいない、というところには留意が必要です。

このジグソーパズルをメタファーにしたとき、構想の優劣は以下の4つの軸で整理できるのではと思います。

• 大きさ（絵姿の大きさ：パズルの完成形の大きさ）
• 細かさ（ピースの細かさ：要素がどれぐらい分解されているか）
• 整合性（ピース同士が矛盾せず固くつながっているか）
• 順序（どの順序でピースをはめていくかの時系列）

『解像度を上げる』で取り上げた視点で言えば、以下のような対応関係があります。

• 大きさ：広さ
• 細かさ：深さ
• 整合性：構造
• 順序：時間

4つの要素の依存関係

これら「大きさ」「細かさ」「整合性」「順序」の4つの要素には依存関係があります。

• 構想が大きいと整合性を維持するのが難しくなります。たとえば文章でも、140文字以内で整合性のある文章を書くのは簡単ですが、1000文字の原稿だとやや難しくなり、1万文字はそこそこ難しく、10万文字だと更に難しくなることに似ています。
• 一方、構想の整合性や実現性に強くこだわれば、大きな構想は描きづらくなります。両方とも高い状態を意識的に目指し続けなければ、私たちの思考は現実や実現性の重力に引き戻されます。
• 構想が大きいと、細かなところに気を配るのも難しくなります。抽象度の高い大きなピースがいくつかあったとしても、そのピースを用意して持ってくるのは大変です。逆に細かいところに気を払いすぎると、大きな構想を描けなくなります。
• 時間が長くなると『未来のコーン』（不確実性のコーンの逆版）のように、可能な未来は広くなっていき、整合性を取るのが難しくなります。一方で時間が長くなると、発想は広がる傾向にありますし、できることは増えます。たとえば、5年後を目標にすると現在入手可能な技術で実現する必要がありますが、15年後だと多少の技術の研究開発もできます。

なお、最終形の絵姿の整合性もそうですが、時間的にぴったりと整合している（たとえば2040年を狙ったら2040年ちょうどにできている）といった整合性も大事です。

構想は『仮説群』である

構想は仮説だと言いました。仮説とは仮の答えのことです。

そして構想は1つの仮説というわけではなく、複数の仮説がシステム的に複雑に絡み合った仮説群であり、『仮説行動』の言葉で言えば仮説マップとも言えます。

 そして構想は仮説であるが故に、決まり切ったブループリントというよりは、常に更新し続ける「生もの」であり、行動や懸賞の結果、更新していくものでもあることは強調させてください。

構想の評価：影響度×確信度

それぞれの仮説や仮説群は、主に2つの軸でその強さを整理できます。

• 影響度（インパクト）
• 確信度（実現可能性）

このとき、影響度と確信度の両方を、目標とステップは行ったり来たりしながら、影響度と確信度の両方が極めて高い仮説群としての『構想』を構築していくのが、構想をするということだと私は思っています。

構想を作る方法：全体の流れ

ここまで、「構想とは何か」について整理してきました。ここからはよりHowの部分を解説します。

基本的には「発散と収束を高速に繰り返すこと」が未来を構想するためのHowです。別の言い方をすれば「作業仮説を作って検証することを高速に繰り返すこと」とも言えます。

基本的な作業仮説の作り方については『仮説行動』とその関連スライドでまとめたので、そちらをご覧ください。

ここでは、未来の構想を考えるという領域に限定した、発散と収束、仮説と検証の方法について解説します。

(1) 段階的に発散と収束をさせる

未来を考えるうえでは、一気に発散をさせるよりも、段階的に発散と収束を繰り返していく方が良いのではと感じています。

たとえば、

1. 20年後の自社の大まかな絵姿についての発散と収束
2. それを実現させるための道筋についての発散と収束
3. （必要なら）最初の1〜2年の検証計画について発散と収束

といった具合です。特に複数人で考えるときには、考えるときにはある程度段階的に行うことで認識合わせがしやすくなります。

ただし、一方通行ではなく、進んでいったときにやっぱり駄目だと思ったら、前の段階に戻ってもう一度発散と収束をすることをお勧めします。

(2) 現在と未来の挟み撃ちをする

「未来から考える」と「現在から考える」の行き来をしながら発散と収束を行います。

映画『TENET』を見たからなら分かると思いますが、現在と未来から挟み撃ちをしていくイメージです。いわゆるバックキャストとフォアキャストの組み合わせとも言えます。

これにより、未来の実現性などの検証もできるようになり、より精緻な方向性を掴むことができます。

ただし、現実の重力が強すぎるため、なるべく未来の可能性に比重を置いた議論をすることをお勧めします。

「段階的な発散と収束」を組み合わせると、以下のような図になるでしょう。未来から現在へ向けた発散と収束と、現在から未来へと向けた発散と収束を行うイメージです。

(3) 具体と抽象の挟み撃ちをする

これは色々なところで言われていますが、具体と抽象の行き来をすることでより精緻になります。多くの人はどちらかが得意で、どちらかを苦手とするので、苦手な方をより意識しておくと良いでしょう。

(4) 空想から始めて、「できる道」を見つける

私たちはついできることから考えてしまいがちですが、まず少し発想を飛ばして、いわば空想から始めることを奨励する必要があります。そこから逆算して、そこに至るための細い道を見つけていくのが構想です。

単なる空想に止まらないコツは、高速に検証することです。検証する能力さえあれば筋の悪いアイデアはすぐに捨てることができます。

(5) 現状のシステムを知る

システム思考的な現状の整理をしておくことは発散・収束の両面で重要です。

1つの要素の変化が他の要素にどのように影響をするのかを知っておくことで、レバレッジポイントも分かりやすくなります。

発散

発散させていくときに一番難しいのは、大きな構想を描くことです。多くの人は、大きな構想を描くことになれていませんし、場合によっては恐れを抱きます。ここを越える方法はまだうまく見つけられていないというのが実情です。しかし、大きな構想を描けなければ、影響度（インパクト）は出ません。

『仮説行動』でも大きな仮説を描く方法について解説しましたが、ここでは未来の構想を考えるための具体的な方法をいくつかまとめます。

(1) 二段ぐらい高所の未来を考える

もし会社であれば、自社よりも一段上の「産業」、さらに一個上の「国」レベルでの未来を考えて、その未来がどうなるから、その未来の国における「産業」や「自社」の位置づけを考える、というのが1つの方法だと思っています。

「自分たちの事業の未来を考える」ということをすると、自分たちの事業の延長線上でしか考えられなくなります。

(2) 情報を集める

大きく考えるためには情報が必要ではないか、という仮説を持っています。

アナロジーを行うこともそうですが、基本的に多くの人は適切な情報を持ち合わせていないため、大きく考える枠を設定できないのではと思っています。

（事前にインプットを揃えるだけで、発散の質が変わります。）

(3) 適切な制約やピン留めをする

アイデアには多少の制約があることで探索空間を緩やかに閉じることができて、逆に枠の外にある発想を促しやすくなるように思います。いわばテーマなどを持つことです。

生成AIを使うときも、抽象的なプロンプトには一般的な回答しか返ってきませんが、良い感じのところにピン留めして（適切な言葉をピンにして）、その周辺のアイデアを出してもらった方がユニークなアイデアが出やすいように思います。

このピンの留め方が、構想の筋の良し悪しをある程度決めてしまいます。

(4) 適切な枠組みをゆるやかに持っておく

他の領域の枠を無理矢理当てはめてみることで、現象の新しい見え方に気づくときがあります。いわゆるアナロジーです。

適切にアナロジーを行うためには、物事の構造的な理解と、構造自体のパターンを持っている必要があります。

収束

収束の多くは「検証」になります。構想で言えば、細かさや整合性のチェック、という形でしょうか。『仮説行動』でいえば「仮説マップの検証」にあたります。

以下は未来の構想を考える上で使える収束の手段です。

(1) 年表を作る

特に大きめの未来を考えるときには、「年表」を書いて、時間的な検算をすることもお勧めです。年表を書いてみることで、未来の構想を「気分」から「構造」へと変えるのを手伝ってくれます。意外と20年などは短いことが分かりますし、考えるべき他の要素の発見や整合性の検証もできます。

(2) 大きくブレない未来で検証する

たとえば20年後でも、おそらく人口の予測は相対的に大きくは変わりません（もちろんレンジはあります）。

それによる社会の変化はあり得ますが、「ベースライン」として比較的使いやすい要素で検証することで、空中戦になり過ぎるのを防げます。

(3) 推定して検証する（フェルミ推定など）

フェルミ推定などを活かすのも検証の一つです。

特に技術においては、理論的な最大値は変わらないので、こうした計算をしておくのはお勧めです（未来においても物理法則は変わらないので）。

https://blog.takaumada.com/entry/calculating-the-impact

(4) 専門性を持つ

それぞれの領域での専門性は、パズルのピースを寄り細かく見ていくために有効です。

特に整合性の穴（抜け）や、制約条件（規制・供給制約・技術的限界）を早く見つけるのに効きます。

(5) 検証の観点を最低限チェックリスト化する

収束の観点が浅いと、 整合しているように見える物語が成立してしまうことがあります。最低限、次の観点で検証することもお勧めです。

• 整合性
• 実現可能性
• 経済性
• 競争
• 反証

そのほか、検証方法については悪魔の代弁者やプレモーテム、プレパレードなど、様々な手法があるので、それらを使うと良いでしょう。

ツール

(1) ChatGPT を使う

アイデアの発散をするときには、ChatGPTなどの生成AIサービスにうまくプロンプトを投げられるようになりました。

特にLLMは発散を得意とします。ある意味アイデアの発散とはハルシネーションでもあるからです。

ただしハルシネーションが起こるということは、検証でミスをしやすいということでもあります。そうした意味で収束を得意とするわけではありません。また収束には意思が必要なので、そのあたりはまだAIに任せることはしづらい部分です。

(2) NotebookLMを使う

ざっくりと情報を入れて、その情報を元に未来の構想の叩き台を作ってスライド化することで、議論の叩き台を作りやすくなります。

Nano Banana Pro や Mixboard など、画像生成系を使うのも1つの手でしょう。

(3) 仮説マップキャンバスを使う

仮説マップキャンバスみたいなものを使って整理するのも1つの手かと思います。

まとめ

本稿では、未来を構想するうえで役立つかもしれないいくつかの考え方をまとめておきました。まだ私たちが試していることを全部書けているわけではないですが、一旦ツール群として使えるようにはなっているはずです。

なお、ワークショップの場合は時間制約に合わせてアクティビティを選んでいくことになりますし、参加者や目的に合わせて変更したり、事前に情報を準備したりするので、やり方は様々だと思います。

そして何より、「未来を予測する」「未来を当てる」というわけではなく、私たちは未来を構想し、それに実際に取り組むことで「未来についての仮説を正解にする」「仮説を現実にする」という気持ちで取り組むのが大事だと思っています。そこを最後に強調させてください。

できれば今書いているリソース本の次に、『未来を構想する』（仮）という本を書いて、そうした本を書きながら、未来を構想するための方法をもう少し自分でも深めていきたいと思っています。

（とはいえ、そろそろHowの本ではない本を書いて、別の考えを深めたいところなのですが…）

NotebookLM によるまとめ

Focused Research Organization (FRO) - 非営利のテック・スタートアップ的な「科学技術研究機関」の可能性

2025年12月、米国 NSF が Tech Labs Initiative という新しい試みを始めることを発表しまし、コミュニティからの意見募集 (RFI) を開始しました。

Tech Labs は「大学や企業の枠組みでは解きづらい技術的ボトルネック」に対して、フルタイムの独立チームに裁量とマイルストーンベースの資金を付けて、研究を前に進める、という新しい運営モデルです。

NSFの説明では、論文やデータセットといった伝統的なアウトプットに留まらず、プロトタイプから商用化可能なプラットフォームに翻訳（translation）していくところまでを強く意識しているのが特徴に見えます。

なお、資金規模については、報道・説明会ベースの整理になりますが、1チームあたり年$10M〜$50M、少なくとも4年規模の大型・複数年の設計となっています。

この Tech Labs の取り組みは、この数年提案されてきたFocused Research Organization (FRO) に近い思想だと言われています。

この FRO を中心に、新しい科学の取り組みが進みつつあるというのをまとめておきます。

❓問題意識

科学論文の総数は指数関数的に増加し、新たな知見が日々生み出されています。しかし、真に革新的、つまり既存のパラダイムを覆すような発見については、そのペースが鈍化しているのではないか、という懸念が問題意識として共有されています。

たとえば、

• 研究投入（人・費用）が増えている一方で研究生産性が低下している、という議論 (Bloom ら)
• 論文・特許の“破壊性（disruptiveness）”が低下している、という議論（Parkら）

などが代表例です。

こうした議論が示唆するのは、科学者個々人の努力不足というより、構造的な問題（インセンティブ設計・運用設計）が効いているのではないか、という点です。

その構造的な問題として、たとえば

• 論文中心の評価
• 官僚的なファンディングシステム
• 研究室主体の運営（PI中心、短期雇用の積み上げ）

といったものが挙げられます。

こうした構造がある結果、たとえば科学インフラの整備やデータ整備などのプロジェクトはアカデミアでは評価されづらいため、結果として誰もやらないままになってしまいがちです。

このような共通基盤の未整備が律速となり、分野全体の進歩を遅らせている、などが問題の構造の一端となっているという指摘もあります。

🔬 FROの取り組み

FROはこうした構造的な課題のうちの1つ、科学の進歩を支える「科学的公共財」（ツール、データ、インフラなど）の開発を進めるために提案された組織モデルです。

FROは「非営利のテックスタートアップ」と表現されることも多く(たとえば Natureの 2022 年の記事は Unblock research bottlenecks with non-profit start-ups というタイトル)、従来の大学や研究機関などから切り離して独立的に運営されます。

FRO の特徴

FROでは、「特定の課題を解決する」という目的が設定され、

• 組織内には学際的なフルタイムチーム（10~30人のフルタイム）が組まれ、エンジニア、研究者、PM/オペレーター等などが集まる
• その組織に対して一定期間のファンディング（$20–50M）が行われる

というのが標準的な型のようです。

その他の特徴としては、

• 明確な技術目標とマイルストーン
• 時限つき（3〜7年程度が典型。多くは5年前後のミッション設計）
• 公共財をアウトプットする（ツール、データセット、科学インフラ等）
• 結果に対する説明責任（外部レビュー含む）

といった、科学的組織ではあまり見られない規律が適用されます。

これらを非営利組織として行うため、いわば

1. アカデミアの探究
2. スタートアップの実行力
3. そしてフィランソロピー/公益性

の3つを融合させたモデル、とも言われます。

FRO が取り組む課題

ただし、すべての科学的な課題がFROに適しているわけではありません。一般にFROに適した課題は、

• 分野の進歩を阻害している「技術的ボトルネック」がある
• それが既存の組織のインセンティブ構造では解決されづらい
• ツール・データ・標準化など「公共財」寄りの成果が重要

といった条件が揃うケース、と理解されています。

FRO と他の組織との違い

表としてまとめると、以下のような違いがあると言えるでしょう。

組織モデル	主な目的	成功の指標	期間
大学の研究室	基礎研究と論文発表	論文引用数、外部資金獲得	長期的（PIのキャリアに基づく）
VC支援スタートアップ	営利目的の製品開発と市場投入	収益、ユーザー数、企業価値	短〜中期的（市場投入まで）
FRO	科学的公共財（ツール・データ）の開発	技術的マイルストーンの達成、科学界への貢献	中期的（5〜7年の時限付き）

NotebookLM によるまとめ

❗FROの例

FROという概念を推進し、立ち上げ支援を「仕組み化」している代表例が Convergent Research（2021年設立） です。Google の Eric Schmidt らが初期の助成者になったことが知られています。

Convergentは資金提供だけでなく、FRO型の課題を発掘し、ロードマップを引き、リーダーシップチームを組成して立ち上げから運営まで支援する、いわば FROのStartup Studio 的な存在だと言えます。

例：Lean

彼らが支援する1つの例として、「Lean FRO」があります。Leanは数学・ソフトウェア・ハードウェア検証などで使われる証明支援系のプラットフォームで、Lean FROは2023年7月にConvergent配下の非営利として形成され、5年ミッションで開発を進める、という整理がされています。（ただしもともとLeanは2013年から始まりました）

最近日本でも「ABC予想証明のためにLeanを使う」というニュースで共有されたりもしましたが、このLeanはFROで運営されている、ということです。

例：Forest Neurotech → Merge Labs

最近の分かりやすい動きとして、BCIを研究していた Forest Neurotechが、営利スタートアップの Merge Labs としてスピンアウトする、という報道が出ました。報道によると、Merge Labsは超音波を使った脳活動の読み取りに取り組み、$850M評価で$250M調達を目指しているとされています。またSam Altmanが共同創業者として関わっている、と報じられています。

例：OpenAI

最も成功したFROはOpenAIかもしれません。厳密にはOpenAIはFROの定義（公共財ミッション、特定ボトルネックの解消、時限組織など）とは異なりますが、非営利として創設（2015）し、AGIというミッション駆動で大規模R&Dを推進しているという点で、「非営利×フロンティアR&D」を考える際の参照例にはなり得ます。

⏩FROの発展

FROの背景には、いわゆる メタサイエンス（科学の営みそのものを科学する） の潮流があります。

私の理解では、FRO的アプローチが効くのは「課題次第」であり、課題に応じて、FRO的なシステムの“強さ”（マイルストーンの厳密さ、探索余地、公開/クローズのバランス等）は変えていく必要があると思っています。

ここでTech Labsに戻ると、NSF自身が

• 独立チームの裁量
• マイルストーン型資金
• 論文等を超えて、プロトタイプから商用化可能なプラットフォームへの翻訳 (translation)

を明確に書いており、FROと重なる設計思想を輸入しているように見えます。

一方で、FROが「公共財（ツール・データ）」に寄るのに対し、Tech Labsは「技術翻訳・産業化の入口」まで強く意識しており、かつ国家アジェンダの中でも特にハイリスクな科学的課題を解こうとしている点で、目的は同一ではありません。

その点で、Tech LabsはむしろDARPAなどのARPA系に似ている、とも言えるでしょう（ただし組織独立などはお菊異なります）。

また、運用面ではTech Labsは OT（Other Transaction）契約として柔軟性・事務負担の低減を狙う、という話も出ています。

なお、英国でも、ARIAがActivation Partnersの枠組みで、Convergent Researchと連携しFRO型の機会探索やFounder Residencyを進めることが明記されています。

🗾日本への示唆

FROやTech Labsは現代の科学技術のエコシステムの滞留に対する、改善案の一つです。

日本での「科学研究の資金を増やそう」という動きは重要ですが、一方で世界的に科学の生産性の低下が見られるのであれば、単に資金を増やせば解決する、という問題ではないという点は予め認識しておかなければなりません。

おそらく「その資金をどう使うか」（＝組織モデル、評価軸、運用の設計）に新しい試みがなければ、世界の科学技術の生産性に追いついていくのは難しいのではないか、と思います。

DARPAやPrivate ARPA、ランダムファンディング、審査のイノベーション、トップダウン計算などの話題も以前取り上げましたが、そうした「別の仕組み」をどう動かしていくのかが、今後の生産性に関わっていくのではないかと思います。

（このあたりは、FRO も含めて、以下の経産省向けの2024年の資料でも触れています。）

speakerdeck.com

また今後、日本でも博士課程の増強が企画されています。

ただ、その場合、博士課程卒業後の雇用がボトルネックになりがちです。民間で雇用が十分に吸収しきれない場合、こうしたFRO的な組織を作ることは、雇用の受け皿となりえますし、科学全体の生産性を向上しながら、異なるキャリアパスを提供できる経路を提供できる可能性があるように思います。

またこうした組織はスタートアップにとっても良い影響を与えてくれるのではないかと期待しています。

そうした観点から、「非営利のテックスタートアップ」とも呼ばれるFROについて紹介しておこう、という記事でした。

NotebookLM によるスライド