会社OSとFDE — チャマスの「AI投資ガイド」から読む、これからの実装の仕事

この話の結論（3つだけ）

AIの産業構造は6レイヤー。長期の本命は Harness と Applications
モデルは急速にコモディティ化する。「どのモデルを使うか」だけでは競争力は決まらない
競争力の源は、その会社にしかない「alpha」
データ・業務フロー・判断基準・権限・そして"AIの案をなぜ直したか"の修正履歴。これをソフトに載せたものが「会社OS」
会社OSを現場に実装するのがFDE
共通基盤 × 企業固有のalpha × 現場に実装するFDE。現場知を製品資産に変えられるFDEだけがスケールする

CHAPTER 1

チャマスの6レイヤー — AIの産業構造をどう見るか

著名VC チャマス・パリハピティヤの「AI投資ガイド」が面白いです。かなりのポジショントーク込みですが（笑）、AIの産業構造を下から上へ6つのレイヤーに分けて、どこに賭けるかを整理しています。

土地・電力（LPS） ↓ 半導体（Silicon） ↓ クラウド（Clouds） ↓ モデル（Models） ↓ Harness （ハーネス） ← 本命 ↓ Applications（アプリケーション）← 本命

各レイヤーへの見方を1枚にすると、こうなります（2026年8月時点のガイドより）。

レイヤー	チャマスの見方	位置づけ
1. LPS 土地・電力・箱	最も明白で、最速でリターンを出しやすい。系統電力＋Behind the Meter。2029年までに約6GWを確保済み	短期の本命
2. Silicon 半導体	もう投資・インキュベートしない。性能要求・製造精度・周辺サプライチェーンが難しすぎる	見送り
3. Clouds クラウド	儲かるが難しすぎる。構築も維持も超高コスト・技術的に複雑・強固なKYCが必要・政府責任リスク	リスク歪む
4. Models モデル	最大の問いは「売上の質」。トークン消費に依存した売上ではないか。ARRが目減りする可能性	見極めが核心
5. Harnesses ハーネス	ここが本命。企業の"独自のコンテキスト"＝alpha を所有させる層。モデル非依存で低スイッチングコスト	長期の本命
6. Applications アプリ	Harnessと並ぶ長期勝者候補。既製品とカスタムの境界が溶け、企業ごとのalphaを業務ソフトに埋め込む	長期の本命

結論（チャマス）短期の本命は LPS（土地・電力）。長期の本命は Harness ＋ Applications。Silicon / Clouds は難度と責任が重く、Models は"売上の質"を見極める必要がある——というのが彼の見立てです。

読むときの注意これは投資家のポジショントークでもあります（彼は2年前にHarnessの会社を始めている）。だから「正解」ではなく"産業構造を層で捉える地図"として使うのが正解。この教材で拾うのも、賭けの当て方ではなく「どの層に価値が溜まるか」の考え方です。

CHAPTER 2

モデルはコモディティ化する — だから重要なのは「alpha」

これからAIモデル自体は、急速にコモディティ化していきます。OpenAI、Anthropic、Google、オープンモデル——用途・価格・性能に応じて複数のモデルを切り替えて使うのが当たり前になる。

そうなると、企業の競争力は「どのモデルを使っているか」だけでは決まらなくなります。本当に重要になるのは、その会社にしかない独自の文脈です。

企業固有の「alpha」とは

どんなデータを持っているか
どんな業務フローで動いているか
どの数字を重視しているか
誰が何を承認できるか（権限）
どの条件なら契約し、どの条件なら断るか（判断基準）
AIが出した案を、なぜ採用し、修正し、却下したか（フィードバック）

これらをチャマスは、企業固有のalphaと呼んでいます。モデルを乗り換えるコストはどんどん下がる。一方で、この会社固有のalphaが蓄積されるほど、その価値はどんどん上がっていきます。

CHAPTER 3

Harnessと「会社OS」 — データをつないだだけでは足りない

Harnessとは、AIにどの情報を見せ・どのツールを使わせ・どんなルールや評価基準のもとで仕事をさせるかを設計する層です。ただ、企業で本当に価値を生むには、その上に企業固有のalphaを載せなければならない。

そこで、企業固有のデータ・業務フロー・判断基準・権限・AIによる実行までを統合したものを、私は会社OSと呼んでいます。

ここが誤解されやすい会社のデータをAIにつないだだけでは、会社OSにはなりません。
・社内文書を検索できる
・議事録を要約できる
・チャットで質問できる
——これは、まだ入り口です。

たとえるならHarnessは「AIに仕事をさせる作業台と社内ルール」、alphaは「その会社にしかない中身（データ・判断・権限）」。作業台だけ用意しても仕事は回りません。中身を載せて初めて"その会社の"OSになります。

CHAPTER 4

会社OSは「ループ」で閉じる — 最も価値の高いデータは修正履歴

会社OSでは、社長の意図が意思決定になり、具体的なActionになり、最終的な事業成果につながる。そして、その結果が次の意思決定に戻っていく。このループまで閉じて、初めて会社固有の経営モデルが蓄積されます。

社長の意図 ↓ 意思決定 ↓ 具体的なAction ↓ 事業成果 │ └──→ 結果が次の意思決定に戻る（ループが閉じる）

特に価値があるのは「差分」

完成した文書だけではありません。AIが最初に出した案と、人間が最終的に修正した案の差分です。

なぜ人間が直したのか
どの判断が成功したのか
どの前提が間違っていたのか
なぜ採用し、なぜ却下したのか

一言でいうとこの修正履歴こそ、その会社にしかない、最も価値の高いデータの一つになります。AIの一次案は誰でも作れる。だが「なぜ直したか」は、その会社の判断そのものです。
※プログラムの「AIの第二の脳」の考え方と地続き → AIの記憶と第二の脳のつくり方

CHAPTER 5

この会社OSを実装するのがFDE

そして、この会社OSを企業の中に実装するのがFDE（Forward Deployed Engineer）です。FDEは、単なるAIコンサルでも、受託開発でもありません。

現場に入り込み、経営者や社員の頭の中にある暗黙知を、ソフトウェアに落としていく仕事です。

頭の中にある暗黙知	ソフトに落とすと
持っている情報	データ構造
仕事の進め方	業務フロー
何を良しとするか	判断ルール・評価基準
誰が何を決めるか	権限設計
案をどう直すか	AIへのフィードバック

STEP0とつながるこれは「AIで会社を変える＝ツール導入ではなく業務フローの作り直し」という土台の、実装側の姿です → AIで会社を変える前に（マインドセット）

CHAPTER 6

「FDEはスケールしないのでは？」への答え

ここで、必ず出てくる反論があります。

よくある反論「FDEは人が現場に入る仕事なので、結局コンサルや受託開発と同じで、スケールしないのではないか」

これは、半分正しいです。毎回ゼロから、人月を使って個別開発するなら、普通の受託開発で終わります。

でも、個社への実装で得た——データ構造・コネクタ・業務フロー・権限設計・評価基準・AIの実行パターン——を共通基盤へ戻していけば、案件が増えるほど個別開発の比率は下がり、共通ソフトウェアの比率が上がっていきます。

共通のAI基盤 × 企業固有のalpha × 現場に実装するFDE

案件1件目： 個別開発 ████████████ 共通 ██ 案件が増える：個別開発 ████ 共通 ██████████ ↑ 現場知を"次を速くする製品資産"に変えていく

現場で得た知識を、次の導入を速くする製品資産に変えられるFDEだけがスケールする。ここが、従来のコンサルや受託開発との大きな違いです。

CHAPTER 7

SaaSは「会社ごとに変わるソフト」へ

チャマスは、既製品のSaaSの多くが、企業ごとのカスタムソフトウェアに置き換わると考えています。方向性には同意します。ただ、すべてを毎回ゼロから個別開発する世界になるとは思っていません。共通する部分は徹底的に共通化し、その上に会社ごとのデータ・ルール・権限・評価基準・ワークフローを実装する。

	これまでのSaaS	これからの会社OS
合わせる向き	企業がソフトに業務を合わせる	ソフトが企業の仕事の仕方に合わせて変わる
モデル乗り換え	—	コストはどんどん下がる
会社固有の文脈	ソフトの外（人の頭の中）	ソフトに蓄積され、価値はどんどん上がる

結論AI時代の企業競争力は、最終的にはモデルやプロンプトだけでは決まりません。自社のalphaを、どこまで構造化し、ソフトウェアとして蓄積し、実際の業務を動かせるかです。

FDEは、一時的なAI導入支援ではありません。会社固有の経営や業務そのものを、AI時代のソフトウェアに変えていく仕事です。

関連 → AIで会社を変える前に／AIの記憶と第二の脳／導入事例集