Alice Hamakawa / 濱川有巣 ALL STAR SAAS FUND

7 days ago

「ロボットのOpenAI」は誰になるのか。 Figure AIは評価額390億ドル、Skild AIは140億ドル超。Physical Intelligenceも110億ドル評価での調達交渉が報じられている。 3社の勝ち筋は、基盤モデル、垂直統合、データフライホイールとまったく異なる。 3社の戦略から、フィジカルAIの勝ち筋と日本の機会を整理した記事です！ => https://t.co/P7VUrcy1U0

Alice_hmkw retweeted

8 days ago

https://t.co/3EB21nKWhr

Alice_hmkw retweeted

11 days ago

今週も見逃せない🎯まだ読んでいない方はこちらから！・エンプラ100社のフィジカルAI実装状況を分析・AIバブルの弱点は、需要ではなくクレジット市場・AI時代のGTM効率と人事評価の再設計・40兆ドル市場を制するのは「モデル」か「デプロイ」か・Google人材流出が映す、AI人材「三層報酬」と組織崩壊の危機 ⬇︎⬇︎⬇︎

693

Alice_hmkw retweeted

12 days ago

手元5万ドル、紙とペンで創業。業務の50〜60%をAIが担い、営業1人あたりの新規売上は業界平均の6倍。Harper CEOのDakotah Rice氏が語る「AIネイティブサービス企業」のつくり方の記事を公開しました！サービス事業のAI化を目指す起業家におすすめの内容です！ 1. プロダクトをつくらず、5万ドルと紙とペンで100社を獲得。前回の起業では、需要を確かめる前に機能をつくりすぎて失敗した。そこでHarperは、電話、プリンター、紙とペンだけでスタート。創業した2024年8月から年末までに100社の顧客を獲得し、翌年1月にはY Combinatorに参加した。AI時代でも、最初にやるべきは顧客の痛みを自分で体験すること。 2.業務の50〜60%をAIに任せても、人を消さない。 Harperでは、すべてのワークフローでAIが50〜60%を担っている。毎日300社の新規顧客と話し、既存顧客を含めると1日2,000件のやりとりが発生するため、仮にAIの精度が80%でも、残り20%のエッジケースは膨大になる。人が必要な場面ではAIを止め、その事例を記録して次の改善につなげる。完全自動化を急ぐより、人とAIが一緒に学ぶ仕組みを先につくる。 3. QAは1,000人になってからでは遅い。40人で始める。大量のデータとAIのアウトプットを扱う会社では、40人の組織でもQAが必要になる。ただし、人がすべての通話を聞くのではなく、通話を自動で検証し、見つかったエッジケースをシステムに戻していく。Harperは、品質を統制する「Enforcer」と、業界知識をAIが読める形に整える「Operational Memory Lead」という新しい役割までつくった。AIネイティブ企業では、QAそのものがプロダクト開発になる。 4.サービス企業でも、営業1人で年間120万ドルをつくる。一般的な保険ブローカーの新規売上は、1人あたり年間約20万ドル。Harperでは平均120万ドル、トップは200万ドルに届く。サービス企業だからと生産性の基準を下げず、SaaS企業と同じ物差しで自分たちを測っている。AIネイティブサービスは、ソフトウェア並みの生産性とサービスの深さを両立できる。 5. 1件1〜2時間を、300件1〜2時間に変えた。創業初期は1日5件が限界で、申込書類を1件まとめるだけで1〜2時間かかっていた。いまは300件の申込書類を1〜2時間で処理し、10人の初回ヒアリングチームが毎日300件の新規顧客との通話をこなす。「この引受担当者はこの書式を好む」といった細かな知識まで記録し、システムが振り分けと次の行動を判断する。効率化の源泉は、モデルの賢さだけではなく、エッジケースを執拗に記録すること。 6. AIは「考える」だけでなく、「次の行動」までやる。 Harperの自社CRMは、会話を要約し、今日やるべきことの優先順位を決め、顧客から指定された時間に折り返し予定を自動で入れる。AEに案件が届く時点で、準備と意思決定はほぼ終わっているため、人は顧客との会話と関係づくりに集中できる。新入社員でも、長くて1ヶ月でほかのメンバーの最低ラインまでARR生産性を引き上げられる。AIの価値は、回答を出すことではなく、仕事を前に進めることにある。 7. 社内ツールこそ、Harperのプロダクト。 CRM、チケットシステム、営業中のリアルタイムコーチングまで、Harperはすべて自社でつくっている。CRMを開発するエンジニアのユーザーインタビューは、隣にいる営業担当者が実際に使う様子を見ること。問題があれば、膝の上のPCでその場で直す。CRMの停止時間が10%を超えた時期もあったが、全員が同じプロダクトを使い、同じ成果を目指すから、外販SaaSにはない速度でフィードバックループを回せる。 8. 最難関はモデル選びではなく、正確なメモリシステム。顧客から届く写真、動画、テキスト、メール、引受担当者との会話を、正しい顧客と案件にひも付け続けなければならない。「この補償も必要」と言われた情報や、過去の事故を保険会社へ伝え忘れれば、大きな問題になる。だから、Harperが最も重視しているのは、何でも上に構築できる信頼性の高いメモリレイヤー。モデルが入れ替わっても、正確なコンテキストが残れば、組織は学び続けられる。 9. 最終的に残るMoatは、ブランドを支える人間関係。保険会社には、質の高い申込書類と筋の良いリスクを届ける。顧客には、約束した期日に見積もりやCOIを出し、事故が起きたときは最後まで伴走する。すべての会議とワークフローを記録すれば、AIが学べるオペレーションデータも積み上がる。一方で、Rice氏は自ら飛行機に乗って引受担当者に会いに行く。技術が誰でも使えるようになったあとに残るのは、「Harperは信頼できる」と思ってもらえる関係性。フル記事はこちら： https://t.co/7JOqwHqe4I

15K

Alice_hmkw retweeted

13 days ago

https://t.co/1IcYghYmM7

592

Alice_hmkw retweeted

15 days ago

https://t.co/DpLK0yBYUs

Alice_hmkw retweeted

Taro Fukuyama

@taro_f

15 days ago

超急成長中・投資先のAIネイティブ保険代理店HarperのCEOに @djtokyo とインタビューしてきました！ ■ 営業1人あたりの新規売上が業界の〜10倍（年間〜200万ドル） ■ 1日300件の保険申請をわずか1〜2時間で処理 ■ 10人のチームで1日2,000回の顧客対応 ■ 5万ドルのキッチンテーブルから、4,000万ドル超のシリーズAまで ■ なぜAIツールを売らず、自らがブローカーになったのか ■ 朝5時出社、夜9時半退社のカルチャーの理由 ■ CRMから通話コーチングまで全部内製。それでも最後の堀は人間関係 AIネイティブ事業を立ち上げようとしている方々、必見のインタビュー動画です！超早口のインタビューを編集してくれた @kobajenne ありがとうございました！

131

122

20K

Alice_hmkw retweeted

15 days ago

【ALL AI PODCAST最新エピソード】1件に1〜2時間から、300件を1〜2時間へ。業務の50%以上AIを実装。ブローカーにAIを売るのではなく、自ら保険ブローカーになったHarperのDakota CEOに「AIネイティブサービス」の経営について深掘りました！ with @taro_f @kobajenne ・全業務の50〜60%にAI、それでも人は消えない・精度80%でも、規模が出れば人手は膨らむ・40人でも、AI時代の品質管理チームが必要になる・営業1人で年間120万〜200万ドルを売る・朝5時出社、夜9時半退社のカルチャーの理由・難しいのは、メモリレイヤー・「速さ」は雑に決めることではなく、常に急ぐこと YouTubeはこちら => https://t.co/J2N4MOI3Nn

djtokyo's tweet photo. 【ALL AI PODCAST最新エピソード】1件に1〜2時間から、300件を1〜2時間へ。業務の50%以上AIを実装。ブローカーにAIを売るのではなく、自ら保険ブローカーになったHarperのDakota CEOに「AIネイティブサービス」の経営について深掘りました！ with @taro_f @kobajenne

・全業務の50〜60%にAI、それでも人は消えない
・精度80%でも、規模が出れば人手は膨らむ
・40人でも、AI時代の品質管理チームが必要になる
・営業1人で年間120万〜200万ドルを売る
・朝5時出社、夜9時半退社のカルチャーの理由
・難しいのは、メモリレイヤー
・「速さ」は雑に決めることではなく、常に急ぐこと

YouTubeはこちら => https://t.co/J2N4MOI3Nn

Alice_hmkw retweeted

18 days ago

今週押さえておきたい記事はこちら☑️ ▶︎オープンウェイトの専用化は、1回で終わらない ▶︎アプリケーション企業が、新しいAIラボになりつつある ▶︎Shopifyの「AI注文3倍」を支えたのは、モデルではない ▶︎Cursorが全職種で母集団を広げない理由 ▼詳しくはこちらからチェック

536

Alice_hmkw retweeted

21 days ago

今週ピックしたSaaS X AI Weekly。Sonya Huang氏（Sequoia Capital）が、ソブリンAIの実践的なフレームワークを解説しています。アプリケーション層にとって「自社のインテリジェンスを所有する」重要性が増すなか、どこまでを自社で持つべきか、どのような組織と技術ロードマップが必要かを、順に整理しています。ソブリンAIとは、モデルの重みまで自社で所有することソブリンAIとは、外部への依存を減らし、インテリジェンスをモデルの重みに至るまで自社で所有・管理することです。ただし、これはOpusやGPTなどのクローズドモデルAPIの利用を完全にやめるべきだという主張ではありません。コーディングエージェント、デスクトップ業務、フロンティアレベルの高度なAPI利用においては、クローズドモデルが引き続き極めて有効です。プロダクトのなかで特に競争力の源泉となる重要なインテリジェンスを見極め、その部分だけを垂直統合して自社で所有するという考え方です。コスト、スピード、性能、そして自社の運命がモデル所有を後押しする企業が自社モデルへ移行する理由は、コスト、スピード、性能、そして他社に依存せず独自の足で立ち、自社の運命をコントロールすることの4つです。粗利率が低い、あるいはゼロやマイナスのAIスタートアップでは、プロダクトが成功すればするほどAIにかかる売上原価（COGS）が膨らみます。だからこそ、モデルの自社所有が必須になります。コーディングやサイバーセキュリティなどの特定領域では、蒸留によって小型化したカスタムモデルが、処理スピードにおいて大型の汎用モデルを大きく上回る場合があります。さらに現在では、自社データで調整したオープンモデルが、特定ドメインにおける性能でクローズドモデルを凌駕するようになっています。競争の舞台はアプリケーション層からインテリジェンス層へ移るこれまでLLM開発ラボとアプリケーション企業は、それぞれ反対側からユーザー接点を目指して競争してきました。ラボはモデル側からユーザーへ近づき、アプリケーション企業は顧客ワークフロー側からモデルへと近づいてきました。これからの競争は、UI、Go-to-Market、プロダクトのラッピングを誰が握るかだけではありません。プロダクトの内部にあるインテリジェンスそのものを誰が所有し、継続的に改善できるかという「インテリジェンス層」の争いへと移行しています。アプリケーション企業という、新しいAIラボ Huang氏は、Harvey、Factory、Glean、OpenEvidence、Semgrep、Rampといった企業を、優れた応用研究を生み出している先進事例として挙げています。これらの企業における研究テーマは、AIの性能評価指標（Eval）、ベンチマーク、モデルを制御する仕組みであるハーネスエンジニアリング、ファインチューニングの新しいアルゴリズム技術など多岐にわたります。 AI研究はもはやLLM開発ラボだけの仕事ではありません。独自のデータとワークフローを持つアプリケーション企業そのものが、最先端の応用研究組織になりはじめています。ソブリンAIは0%か100%かの二択ではないすべてのモデルを無理に所有する必要はなく、提供するインテリジェンス（機能）ごとに「所有する（Own）」か「借りる（Rent）」かを切り分けるべきです。その判断基準となるのが、コスト、スピードとレイテンシ、性能、そしてデータの独自性の4つです。たとえば、ユーザーが文字を入力するたびに高頻度で呼び出され、極めて高い処理スピードと低コストが求められる「コードの自動補完（オートコンプリート）」のような機能は自社モデル（所有）に向いています。一方で、初期状態で高い自律的な性能が求められ、多少のレイテンシが許容される「コーディングエージェント」のような機能は、外部モデル（借りる）を利用する選択が合理的です。ソブリンAIチームは守りではなく攻めの組織にする既存の社内AIプラットフォームチームに、ソブリンAI（独自モデル開発）の役割を兼任させるべきではないとHuang氏は指摘しています。社内の他チームを支援・サポートするプラットフォーム組織と、フロンティアレベルの研究を主体的に生み出す組織とでは、必要な人材の気質や動き方が根本的に異なるためです。小さくても、ゼロから独立したラボを立ち上げることが推奨されています。Harveyは、わずか7名の研究チームで数多くの研究成果を公開しています。外部に伝わらない研究は、競争力にならない CEOの責任は、事業として実質的な成果を出すことと、自社がどのような高度な技術を構築しているかを対外的に可視化すること（Legibility）の2つにあります。エンタープライズの買い手は、無数の似たような提案を受けるなかで、どのベンダーを「信頼できるAIパートナー（AIチャンピオン）」にするかを見極めようとしています。自社の技術的な信頼性を市場に伝えるためには、優れたテクニカルマーケティング、独立したブランドを持つ研究部門、そしてセンスの良い質の高い研究発表が必要です。社内でどれほど優れた開発をしていても、外部から見えなければ買い手の判断材料にはなりません。技術ロードマップはモデル訓練ではなくEvalからはじまる戦略を定義した後に最初に取り組むべきなのは、評価基準（Eval）の定義です。これは地味で決して楽しい作業ではありませんが、評価基準を早い段階で正しく整備するほど、その後のあらゆる開発判断がしやすくなります。そのうえで、モデルルーターやハーネスの設計を試し、必要に応じてポストトレーニング（事後学習）へと進みます。一からモデルを訓練するプリトレーニングなどが必要になるケースはごく少数であり、最終的には実際のユーザーデータによってモデルが継続的に自律改善していくフィードバックループを構築することを目指します。自社スタックがフロンティアモデルを超える時代がはじまった 2026年現在の新しい変化として、Kimi K3やGLM 5.2などの最新のオープンウェイトモデルが登場し、初期状態でフロンティア（クローズドAPI）に極めて近い高性能が提供されています。オープンウェイトモデルは重み自体にアクセスできるため、クローズドモデルのAPIよりも調整の自由度が圧倒的に高いのが特徴です。優れたポストトレーニング、プロンプトとハーネスのエンジニアリング、そしてオンライン学習を組み合わせることで、特定のビジネスドメインにおいてクローズドなフロンティアモデルを上回る性能を自社で実現できるようになっています。モデルを所有するだけでは、自社のインテリジェンスにならない自社スタックを運用するにあたっては、評価基準（Eval）を継続的に監視し、本番環境でモデルの性能に偏りが生じていないかを追う必要があります。モデルを強化するためのポストトレーニングには、専門家による操作ログ（軌跡データ）、良質な合成データ、そして強化学習（RL）環境などを適切に組み合わせて利用します。さらに、ユーザーとのやり取りをオンライン学習につなげ、インテリジェンスが現場で自動的に賢くなり続ける仕組みを構築します。モデルの重みをファイルとして所有するだけでなく、顧客接点から学び続ける「学習システム」の全体像を持つことこそが、ソブリンAIの最終的なゴールです。その他ピックした記事はこちら！ => https://t.co/FSmfAqPzO8 動画（ソース）はこちら！=> https://t.co/uQ8KsoCNIy

djtokyo's tweet photo. 今週ピックしたSaaS X AI Weekly。Sonya Huang氏（Sequoia Capital）が、ソブリンAIの実践的なフレームワークを解説しています。アプリケーション層にとって「自社のインテリジェンスを所有する」重要性が増すなか、どこまでを自社で持つべきか、どのような組織と技術ロードマップが必要かを、順に整理しています。

ソブリンAIとは、モデルの重みまで自社で所有すること
ソブリンAIとは、外部への依存を減らし、インテリジェンスをモデルの重みに至るまで自社で所有・管理することです。ただし、これはOpusやGPTなどのクローズドモデルAPIの利用を完全にやめるべきだという主張ではありません。コーディングエージェント、デスクトップ業務、フロンティアレベルの高度なAPI利用においては、クローズドモデルが引き続き極めて有効です。プロダクトのなかで特に競争力の源泉となる重要なインテリジェンスを見極め、その部分だけを垂直統合して自社で所有するという考え方です。

コスト、スピード、性能、そして自社の運命がモデル所有を後押しする
企業が自社モデルへ移行する理由は、コスト、スピード、性能、そして他社に依存せず独自の足で立ち、自社の運命をコントロールすることの4つです。
粗利率が低い、あるいはゼロやマイナスのAIスタートアップでは、プロダクトが成功すればするほどAIにかかる売上原価（COGS）が膨らみます。だからこそ、モデルの自社所有が必須になります。コーディングやサイバーセキュリティなどの特定領域では、蒸留によって小型化したカスタムモデルが、処理スピードにおいて大型の汎用モデルを大きく上回る場合があります。さらに現在では、自社データで調整したオープンモデルが、特定ドメインにおける性能でクローズドモデルを凌駕するようになっています。

競争の舞台はアプリケーション層からインテリジェンス層へ移る
これまでLLM開発ラボとアプリケーション企業は、それぞれ反対側からユーザー接点を目指して競争してきました。ラボはモデル側からユーザーへ近づき、アプリケーション企業は顧客ワークフロー側からモデルへと近づいてきました。
これからの競争は、UI、Go-to-Market、プロダクトのラッピングを誰が握るかだけではありません。プロダクトの内部にあるインテリジェンスそのものを誰が所有し、継続的に改善できるかという「インテリジェンス層」の争いへと移行しています。

アプリケーション企業という、新しいAIラボ
Huang氏は、Harvey、Factory、Glean、OpenEvidence、Semgrep、Rampといった企業を、優れた応用研究を生み出している先進事例として挙げています。これらの企業における研究テーマは、AIの性能評価指標（Eval）、ベンチマーク、モデルを制御する仕組みであるハーネスエンジニアリング、ファインチューニングの新しいアルゴリズム技術など多岐にわたります。
AI研究はもはやLLM開発ラボだけの仕事ではありません。独自のデータとワークフローを持つアプリケーション企業そのものが、最先端の応用研究組織になりはじめています。

ソブリンAIは0%か100%かの二択ではない
すべてのモデルを無理に所有する必要はなく、提供するインテリジェンス（機能）ごとに「所有する（Own）」か「借りる（Rent）」かを切り分けるべきです。その判断基準となるのが、コスト、スピードとレイテンシ、性能、そしてデータの独自性の4つです。
たとえば、ユーザーが文字を入力するたびに高頻度で呼び出され、極めて高い処理スピードと低コストが求められる「コードの自動補完（オートコンプリート）」のような機能は自社モデル（所有）に向いています。一方で、初期状態で高い自律的な性能が求められ、多少のレイテンシが許容される「コーディングエージェント」のような機能は、外部モデル（借りる）を利用する選択が合理的です。

ソブリンAIチームは守りではなく攻めの組織にする
既存の社内AIプラットフォームチームに、ソブリンAI（独自モデル開発）の役割を兼任させるべきではないとHuang氏は指摘しています。社内の他チームを支援・サポートするプラットフォーム組織と、フロンティアレベルの研究を主体的に生み出す組織とでは、必要な人材の気質や動き方が根本的に異なるためです。
小さくても、ゼロから独立したラボを立ち上げることが推奨されています。Harveyは、わずか7名の研究チームで数多くの研究成果を公開しています。

外部に伝わらない研究は、競争力にならない
CEOの責任は、事業として実質的な成果を出すことと、自社がどのような高度な技術を構築しているかを対外的に可視化すること（Legibility）の2つにあります。エンタープライズの買い手は、無数の似たような提案を受けるなかで、どのベンダーを「信頼できるAIパートナー（AIチャンピオン）」にするかを見極めようとしています。
自社の技術的な信頼性を市場に伝えるためには、優れたテクニカルマーケティング、独立したブランドを持つ研究部門、そしてセンスの良い質の高い研究発表が必要です。社内でどれほど優れた開発をしていても、外部から見えなければ買い手の判断材料にはなりません。

技術ロードマップはモデル訓練ではなくEvalからはじまる
戦略を定義した後に最初に取り組むべきなのは、評価基準（Eval）の定義です。これは地味で決して楽しい作業ではありませんが、評価基準を早い段階で正しく整備するほど、その後のあらゆる開発判断がしやすくなります。
そのうえで、モデルルーターやハーネスの設計を試し、必要に応じてポストトレーニング（事後学習）へと進みます。一からモデルを訓練するプリトレーニングなどが必要になるケースはごく少数であり、最終的には実際のユーザーデータによってモデルが継続的に自律改善していくフィードバックループを構築することを目指します。

自社スタックがフロンティアモデルを超える時代がはじまった
2026年現在の新しい変化として、Kimi K3やGLM 5.2などの最新のオープンウェイトモデルが登場し、初期状態でフロンティア（クローズドAPI）に極めて近い高性能が提供されています。オープンウェイトモデルは重み自体にアクセスできるため、クローズドモデルのAPIよりも調整の自由度が圧倒的に高いのが特徴です。
優れたポストトレーニング、プロンプトとハーネスのエンジニアリング、そしてオンライン学習を組み合わせることで、特定のビジネスドメインにおいてクローズドなフロンティアモデルを上回る性能を自社で実現できるようになっています。

モデルを所有するだけでは、自社のインテリジェンスにならない
自社スタックを運用するにあたっては、評価基準（Eval）を継続的に監視し、本番環境でモデルの性能に偏りが生じていないかを追う必要があります。モデルを強化するためのポストトレーニングには、専門家による操作ログ（軌跡データ）、良質な合成データ、そして強化学習（RL）環境などを適切に組み合わせて利用します。
さらに、ユーザーとのやり取りをオンライン学習につなげ、インテリジェンスが現場で自動的に賢くなり続ける仕組みを構築します。モデルの重みをファイルとして所有するだけでなく、顧客接点から学び続ける「学習システム」の全体像を持つことこそが、ソブリンAIの最終的なゴールです。

その他ピックした記事はこちら！ => https://t.co/FSmfAqPzO8

動画（ソース）はこちら！=> https://t.co/uQ8KsoCNIy

Alice_hmkw retweeted

22 days ago

https://t.co/MBgx7mD3oj

Alice_hmkw retweeted

吉元裕樹 | Sotas(ソータス) 創業者

@YuukiYoshi2026

22 days ago

【Podcast出演】 ALL STAR SAAS FUNDさんのPodcastに出演させていただきました！ https://t.co/0JY5Cld2FT 神前さんのファシリテーションが上手すぎて思わず話し過ぎた感は否めませんが、濃密にSotasのことを把握いただける1時間になっています。もしよかったらお聞きいただけますと嬉しいです！

Alice_hmkw retweeted

about 1 month ago

https://t.co/eKby5HKEbN

123

Alice_hmkw retweeted