「AI企業境界論」から見るAI時代の組織論

AIエージェントに関連する議論は、企業内の組織や管理職の在り方の話になりがちです。おそらく経営者やビジネスパーソンが日々接しているのが「組織」だからだろうと思います。

しかし、企業内部の組織の在り方は、そもそもの企業の在り方によって規定されます。

そうであれば、企業内部の組織のことを考える前に、AI時代の企業の形や輪郭、いわば「AIエージェントによって企業と企業の境界線がどのように引かれ直すか」をまず考えたほうが良いはずです。

そうして一段メタに立ったうえで組織を考えることで、単なる業務の効率化ではなく、AI時代の競争戦略の要素としての組織論にも繋がっていくのでは、と思います。

そこで本稿は、「AI時代の企業境界論」を考えて、そのうえで組織論を考えよう、という試論を行いたいと思います。

具体的に言えば、AIエージェントが普及すると、どんな企業であれば企業規模を小さくできるのかや、巨大なプラットフォーム企業がさらに強くなるのか弱くなるのかといった観点で、AIエージェント時代の企業の輪郭を検討してみます。そうすることで、スタートアップの経営戦略的な観点でも示唆があるのではないか、と思います。

ただし、これはあくまで視点の変更を促すための試論であり、「こうなるはずだ」という予想ではないことにご注意ください。またこの問いは、AIエージェントがどの程度の性能になるのかによって答えが大きく変わります。本稿では、「AIエージェントはかなり有用だが、評価・監査・権限管理なしには任せきれない」といった、現在よりも少し性能が良くなったAIを前提として考えます。

企業はなぜ存在してきたのか

AIエージェント時代の企業を考えるには、企業がなぜ存在してきたのか、あるいは企業の境界がどのように引かれるのか、を考える必要があります。

企業を考える出発点として参照するべきなのは、ロナルド・コースのThe Nature of the Firmでしょう。コースは、企業が存在する理由を市場取引のコストに求めました。相手を探し、交渉し、契約し、履行を確認するには手間がかかります。その手間が大きい活動は、企業の内部に取り込まれます。

オリバー・ウィリアムソンは、この議論をガバナンスの問題として発展させました。特定の相手に依存する投資、継続的な取引、不確実性が大きい業務では、市場で毎回契約するより、組織の中で調整する方が安定します。

ただし企業の中に仕事を取り込めば、すべてが安くなるわけではありません。企業内部にも、別の種類のコストがあります。たとえば内部調整コストや官僚制コストなどです。

こうした取引コスト経済学の考え方は、AI時代にも有効でしょう。企業の境界は、市場で取引するコストと、組織の内部で調整するコストの比較によって変わります。だとすれば、AIがそれぞれのコストをどう変えるのかを見れば、企業の輪郭がどのように変わるのかを考えやすくなります。

さらに、ジェンセンとメックリングのTheory of the Firm: Managerial Behavior, Agency Costs and Ownership Structureは、企業を利害関係者の代理問題として捉えました。株主、経営者、従業員、顧客の利害は完全には一致しないため、報酬、監視、説明責任が必要になります。加えてグロスマンとハートの不完備契約理論は、契約に書ききれない未来があるからこそ、残った決定権を誰が持つかが重要だと示しました。

これらをまとめると、以下のようになります。

• 市場で毎回契約するには高すぎる活動を内部化します。
• 長期投資や暗黙知を保護します。
• 重要資源へのアクセスを管理します。
• 損失や責任の帰属先になります。
• 顧客や社会に対して品質と継続性を保証します。
• 不完全な契約の中で、最後に判断する権限を持ちます。

つまり、企業は単なる人の集合ではなく、複数の機能を束ねる制度として捉えられます。

それがAIエージェント時代には、企業という器の中に、人間、資本、ブランド、法的責任といった従来の要素だけでなく、AIエージェント、データ、モデルも束ねられることになります。

AIエージェントは複数のコストを同時に変える

こうした理論を参照した上で、AIエージェントがどのように企業の形を変えるのかを考えます。

まずはどんなコストが変化しそうかを考えてみます。

(1) 探索コストが下がる

買い手は、供給者、価格、品質、過去実績、代替案を高速に比較できます。売り手も、顧客候補、提案内容、価格設定、競合情報をAIで調べられます。市場の参加者が増え、より細かな取引が成立しやすくなります。

(2) 契約コストが下がる

仕様書、契約書、リスク条項、検収条件などの下書きをAIがある程度担当できるようになります。これにより、これまで小さな取引も契約しやすくなります。

(3) 実行と監視のコストが一部下がる

AIエージェントは、タスクを分解し、進捗を確認し、異常を検知し、報告を作り、支払い処理までつなげられます。これにより、外部人材や外部企業を組み合わせるコストが一部下がります。

(4) エージェント同士の取引コストが生まれる

人間がWebサイトを見て選ぶ市場から、AIエージェントがAPI、権限、評判、価格、納期、契約条件を読み取り、交渉する市場へ移ります。この市場では、AI同士の取引コストや、そのための実績や監査ログといったコストが生まれます。

(5) 信頼・責任・監査のコストが増える

AIが続々と実行すると、その分だけ成果物が増え、成果物の増加にともなって責任が増えるため、失敗時の責任が問題になります。そのための検証や監査のコストは増えることになります。

ここまでをまとめると企業の境界は次のように考えると分かりやすくなります。

市場化（外部化）が進みやすい条件

市場取引コスト + 信頼・監査・責任コスト < 内部調整コスト + 官僚制コスト

企業化（内部化）が進みやすい条件

市場取引コスト + 信頼・監査・責任コスト > 内部調整コスト + 官僚制コスト

AIは左側の市場取引コストを下げます。同時に、左側の信頼・監査・責任コストを上げる場合があります。さらに右側の内部調整コストも下げます。

したがって、ここから言えることは、AIエージェントが企業を小さくするのか、大企業やプラットフォームを強くするのかは、一方向には決まらないものの、重要なのは、どのコストが、どの領域で、どの程度下がるのかを見ることです。

なお、AIエージェントの未来の性能の次第では、式の左右どちらのコストが変わることもあり、それによって市場化が進むのか、集中化が進むのかは異なります。そうした性能向上がどこまでなのかを正しく見積もることができれば、より最適な企業の形が見えてくるはずです。

どの企業は小さくなり、どの企業は強くなるのか

全体としては上記の通りですが、ただしもう少し企業の事業領域をミクロに見ると、おおよの企業形態の傾向は出てくるのではとは思います。

(1) マイクロ企業が増える

AIエージェントによって、一人または数人のチームが、従来なら十人、百人が必要だった業務を実行できるようになると、企業は大人数の雇用を持つ組織ではなく、AI等を束ねる小さな事業体になっていくでしょう。

特に相性が良いのは、

• 成果物が検証可能であること
• 失敗時の損害が限定的であること
• 規制が軽いこと
• データアクセスが明確であること
• 外部ツールを組み合わせやすいこと

といった領域ではこの傾向が強まります。たとえばコンサルティング、ソフトウェア、教育、メディア、調査、デザイン、専門サービスの一部などです。

もしこうした企業体の場合、その企業に属する人の数は少なくなりますが、AIエージェントが相対的に増えるため、それに適した組織運営形態にしていく必要があるでしょう。

ただし、こうしたマイクロ企業は、クラウド、決済、AIモデル、認証、保険、マーケットプレイスといったプラットフォームに依存する可能性が高いという点には注意が必要です。たとえば、現代のフリーランス的な人たちが、個人ではなく「少人数の個人＋AIエージェント群」というマイクロ企業として屹立し、そのマイクロ企業がクラウドソーシングプラットフォームで様々な実行を請け負う、という形に近くなります。

(2) エージェント取引基盤を持つ企業が強くなる

AIエージェントが増えるほど、AIエージェントやその先にいる主体が本物か、権限を持っているか、支払い能力があるか、成果物が安全かといったことを確認する必要が増えます。その結果、IDや認証、決済や評判、ログ、保険、紛争処理といったものを束ねて保証するプラットフォームの価値が高まります。

これは、コース的には市場取引コストの低下による市場化に見えます。しかし実際には、市場そのものが少数の基盤に依存していく可能性があるということです。AIエージェント同士が取引するには、共通のプロトコルやAPI、権限管理、監査ログが必要で、そうしたエージェント経済の取引所はネットワーク効果を持つため、どこかのプラットフォームが勝者総取りに近くなっていくでしょう。

したがって、AIエージェントは一部の市場を分散させながら、同時に市場の基盤を集中させます。そして市場が広がるほど、市場を成立させる信頼基盤の価値は高まります。

(3) 責任を持つ企業が強くなる

少人数の人間が企業の中核に残り、周辺の実行をAIエージェントや外部専門家に委任する企業は、責任やブランド、顧客関係、データ権限、品質保証、そして損害時の保険を引き受ける企業となっていきます。

たとえば、十人の会社が、AIエージェントを使って従来の百人規模の仕事を行うことはありえます。そのときに重要なのは、十人が百個の実行タスクを直接処理するのではなく、AIエージェントに権限を配分したうえで、成果を検証し、その成果の最終責任を負うことです。

実行が分散するほど、責任を持つ人は明確でなければなりません。顧客から見れば、AIが作ったか人間が作ったかよりも、誰が保証するのかが重要だからです。

そしてAIエージェントに実行させ、多くの成果が生まれれれば生まれるほど、その企業が負う責任は大きくなります。そして仮にいくつかの成果物が失敗して、顧客への補償額が自社の払える額を超えたときなどにその企業は破綻します。

つまり、どれだけ多くの実行ができたとしても、多くの企業は自社で負える責任の程度でしか拡張は行わないだろう、ということでもあります。したがってAIが実行能力を拡張しても、企業の拡張は最終的には責任を引き受ける能力に制約されます。

（なお、本来、株式会社の有限責任は、不確実性の高い事業への挑戦を可能にする社会制度で、合理的な範囲であればそうしたリスクを取っても良いはずですが、実際にそこまでリスクを取る企業はそこまで多くありません。それに対してスタートアップは相対的にリスクを取りやすい器なので、既存企業よりもアクセルを踏んで「AIエージェントをフル活用すればここまでリスクと責任を取れる」と、従来よりも大きなリスクを取ることで、成長可能かもしれません。）

この形は、専門サービス、B2Bソフトウェア、調査、コンサルティング、法務・会計の補助領域、ニッチ産業向けサービスで広がりやすいでしょう。

(4) データを統治できる企業が強くなる

AIエージェントの性能は、一般的なモデル能力だけでは決まりません。顧客データや業務ログを管理し、失敗履歴から学び、ときには例外処理をしたり、専門知識や利用文脈にアクセスできるかどうかで、そのモデルを生かせるかどうかは大きく変わります。

ラジャンとジンガレスのPower in a Theory of the Firmは、企業内の力を所有権に加え、重要資源へのアクセスから説明していますが、企業境界は「誰が雇用されているか」だけではなく、「誰がどのデータを、どの目的で、どのモデルに使わせられるか」によって決まります。ただし、AIエージェントの時代において、企業は独自データの所有者であれば良いというよりは、データ利用の許可圏を管理できるかどうかが、AIの活用を左右することになるかもしれません。どういったデータにアクセスできるかが、AIの成果物を決めるからです。

この場合、企業は、同意や権限、再利用や監査といった、データを安全に管理できることが競争優位になります。AIエージェントが業務を代替するほど、データアクセスの設計が企業の境界や競争優位性を規定するからです。

医療、金融、教育、製造、研究開発、顧客サポートといった領域では、この方向が重要になっていくのではないかと思います。

(5) AgentOps企業の必要性が増す

多くの企業は、AIエージェントのモデル評価や権限管理、ログ監査、インシデント対応を自社だけで担えなくなるでしょう。ということは、AIエージェントを使う企業になればなるほど、その実行環境を支える専門家の需要が出てきます。

ここで必要になるのは、単なるモデル運用ではなく、AIエージェントの実行環境全体の運用です。モデルの精度を見るだけでは不十分で、エージェントがどのデータを読み、どのツールを使い、どこまで自動実行し、どこで人間承認に戻すのか、モデルを業務やデータに接続し、事故を減らし、監査可能にし、必要に応じて止められることかどうか、を管理する必要があります。

いわば、MLOpsではなくAgentOpsの領域です。

一部は内製化してAgentOpsを担当する専門家が企業内に配置されるかもしれません。他方、AgentOpsを外から支えるアウトソーシング先も出てくるでしょう。これは単なるSIerではなく、企業のAI実行環境を安全に作り、監視し、改善するAgentOpsを委託される企業となるはずです。いわば製造業の工場で、ロボットの導入やメンテナンスを行うようなサービスを提供する企業のAI版のようなものです。

もちろんOpenAI等のプラットフォーム企業がこうしたモデル運用の機能を強化してくる可能性も大いにあります。

(6) 高リスク領域では責任の器としての企業が残る

医療、金融、法務、公共調達、インフラといった規制領域では、AIが補助しても認可や説明責任、監督、賠償や保険が残ります。

企業は実行者というより、社会に対する責任の器になり、したがって、高リスク領域では、AIエージェントは企業を解体するより、企業の責任を取る機能を厚くします。

ここまでの議論をまとめると、以下のような図となります。

内部組織は成果物ごとのプロジェクトへ近づく

以上はおおよその推測です。ただ、こういった議論をして、企業の境界や形がどう変わってくることを考えたうえで、自社の領域だと企業の形がどう変わるかを考え、そのうえで内部組織の在り方がどう変わるか、というのを各領域ごとに考えていった方が良いのでは、と思います。

本来はここまでの議論でとどめておいてもよいのですが、一歩だけ踏み込んで内部の組織論についても議論をしておきます。

この流れに沿えば、おそらく大きな方向性として、責任を持つ部門は持続的に残りつつ、実行を担当する組織はプロジェクト単位になっていく、という力が従来以上に働くかもしれません。

たとえば責任を持つ部門は、経営や法務、リスク管理やセキュリティなどを担当し、AIエージェントに任せる範囲、止める条件、残すログ、承認者、責任者を決めていくことになります。

そして実行部門は、特定の目的、期限、予算、データ権限、AIエージェント、人間責任者、検収基準を持つ小さなプロジェクトに分割されていき、「新規市場の顧客仮説を検証する」「既存コードを移行する」といった目的ごとに作られ、成果が検収されると解散する形式を取りやすくなります。その際、ログと学習は会社を残して、次の学習に使います。

職能部門の役割も、実行ではなく権限と責任を持つ色が強くなるでしょう。

たとえば開発は実行の大部分をAIエージェントに任せ、人間は代わりにアーキテクチャや品質基準、セキュリティ、本番反映権限などを持ちます。（これはすでに起こっているかもしれません）

法務は契約テンプレートやリスク分類、エスカレーション条件を決め、責任を取ります。また人事は、人間に残す能力、AIで補う能力、市場から買う能力を設計していく、という形になります。最近日本でも起こっていたHR担当がAI担当を兼ねるのは、こうした組織設計の在り方を反映した形のように見えます。

管理職の役割も変わります。

進捗確認や報告といった、組織運営のための情報ルーティング機能は徐々に薄くなるでしょう。代わりに重要になるのは、成果を出すために目的と目標を分解し、AIに渡す権限や作業を決め、人間が見るべき例外を定義することです。「人間の部下の数」は少なくなるかもしれませんが、人とAIが混成するチームの設計と運用は、むしろ重要になります。

さらに管理職には、不完全な情報のもとで決断し、失敗時に責任を取る役割も残ります。組織内の資源配分をめぐる政治的な調整もなくなりません。たとえば、「自分のチームはこの事業上の重要性があるため、他部署よりもAI利用予算を増やしてほしい」といった交渉は、資源が有限である限り発生しますし、確定に必要な前提条件の情報の一部が不完全なので、最適解がAIによって一意に導けるわけではありません。

ただし、プロジェクト化には副作用もあります。長期的な人材育成が難しくなり、暗黙知や組織文化が薄くなる可能性があります。また、短期成果に偏りやすくなるかもしれません。したがってAIエージェント時代の組織は、短期プロジェクトによる実行力と、長期的な能力形成をどう両立させるかが問われます。

そしてAIで実行を代替するほど、若手が失敗しながら学ぶ機会は減ります。そのため、企業は効率化する業務と、人間の育成のためにあえて残す業務を分けて設計する必要も出てくるかもしれません。（あるいは教育を企業外部化して即戦力のみを採用するか、です。）

いずれにせよ、組織設計は人員配置だけではなく、権限・責任・データ・AIの配置をどうするのか、という問題になっていきます。

組織図だけでなく、権限図と責任図が必要になる

エージェントのような自律的に動くものとのやりとりが増えてくるということは、現在の業務でいえば、「人間のフリーランスや業務委託の人たちが、これまでにないスピードで入れ替わり立ち替わり企業内に入ってきて、その人たちにうまく仕事を委任し検収する」という作業が数多く起こるということでもあります。

現在もそうした業務委託の人が多い状況では、何をやってもらうのかを明確にしたり、一時的なメンバーにどこまでの情報を開示するのか、といった問題が発生していますが、その拡大版がAIエージェントによる組織ということです。

そしてこの設計を間違えば、AIエージェントが意図せず機密情報をGitHub等の外部サービスに送信したり、過剰な権限を持ったまま本番環境を変更したり、外部ドキュメントに埋め込まれた指示によって不適切な操作を行ったりする可能性があります。

つまり、AIエージェント時代は、人の配置という分かりやすい具体的なものではなく、権限や責任といった抽象度の高いものの扱いがより重要になってくるということです。

つまり、やるべきこととしては、従来の「人」単位の組織図だけではなく、

1. 組織図：誰がどこに所属しているか
2. 権限図：誰がどのエージェント・人に、どの行為を委任できるか（データも含め）
3. 責任図：事故や損害、顧客説明や監査対応を誰が引き受けるか

といった複数のマッピングをより細かい粒度で準備しておく必要性が出てくるということでしょう。

特にAIエージェントに必要なのは、従業員と同じ包括的な権限ではなく、目的ごとに限定された一時的な権限です。どのデータを読めるか、どのツールを呼び出せるか、どの金額まで支払えるか、どの環境に書き込めるか、どの操作には人間承認が必要かを、AIに任せる業務の単位で定義する必要があります。

現在は人が「このデータは組織外のAIに読ませても良いな」「今回のタスクはより高級なモデルでやらせるべきだな」と判断しているようなことを、自動的にAI側が判断できるにするためのメタデータのようなものを用意し、AIにとってなめらかに作業が流れていく仕組みをどこまで作れるかが大事だということでしょう。

最初に設計すべきこと

AIエージェントは企業が担ってきた機能を分解し、再配分します。

その際、冒頭の理論の整理のように、企業を「責任ある委任をどう制度化するか」の問題として捉えたとき、企業がAIエージェント時代へ移るタイミングでは、改めて以下の問いを行う必要があるのでしょう。

• 何を社内に残すべきか
• 何を市場から買うべきか
• どのAIエージェントに、どの実行権限を与えるか
• どのデータを、どの目的で使わせるか
• どの判断には人間承認が必要なのか
• 失敗時に誰が責任を負うか
• AIエージェントの成果と失敗を、組織の学習としてどこに蓄積するか

こうした問いに答えられる企業ほど、AIエージェントを単なる業務効率化の道具ではなく、企業形態そのものを設計し直す力として使えるようになるのでは、ということです。

そしてAI時代に強い企業とは、AIを多く使う企業ではなく、責任ある委任を制度として設計できる企業ではないか、というのが本試論の結論です。