AI時代のビジネス競争の構図は、急速に変わりつつある。テクノロジーそのものではなく、それを経営に組み込む能力が、今後5年の競争力を決定づける要因となるからだ。本連載では、製造業、SIer、小売業という異なる産業に属しながら共通の危機に直面する三者が、AI時代を生き抜くために必要な変革の枠組みを提示する。
目次
AI時代に問われるのは「技術導入」ではなく「事業モデルの転換」
AI時代の競争力を決めるのは、AIをどれだけ導入したかではない。AIを継続的な収益に変える事業モデルを持っているかどうかである。製造業、SIer、小売業という異なる3つの産業は、いま同じ構造的な岐路に立っている。製品やシステムを「売って終わり」にするモデルから、顧客との継続的な関係を通じて価値と収益を生み続けるサービス型モデルへ——この転換を迫られている点で共通している。
本稿（第1回）では、なぜ3つの産業がいま変革を迫られているのかを整理し、その対応の枠組みとしてSBX（Service Business Transformation：サービス事業変革）を提示する。続く第2回では、SBXの全体像と実践方法を、先進企業の事例とともに具体的に掘り下げる。
なぜ今、サービスビジネス変革が必要なのか
サービス経済化という不可逆な潮流
モノからサービスへという産業構造の変化は、AIが引き起こしたものではない。20年以上前から続く、不可逆な潮流である。米国商務省経済分析局（BEA）のデータによれば、2005年から2022年にかけてサービス産業の年平均成長率（CAGR）は製造業を一貫して上回ってきた[1]。日本でも2024年には製造業のGDPが前年を下回った一方、保健衛生・社会事業や専門・科学技術、業務支援サービス業などのサービス分野は成長しており、経済全体の重心はサービス産業へと移りつつある。[2]
重要なのは、この流れがAIの普及によってさらに加速する点だ。AIによって製品やソフトウェアの機能開発／実装が効率化され、競合による追随も速くなる。その結果、機能だけでの差別化は難しくなる。一方で、顧客との継続的な接点や利用データを起点としたサービス価値の重要性は高まる。顧客が対価を払う価値の重心は、「モノの所有」から「成果／体験」「継続的な関係」へとよりいっそう移っていく。
AIは変革のスピードを一変させた
サービスへの転換そのものは新しいテーマではない。だが2022年以降の生成AIの普及は、その実現スピードを劇的に変えた。従来は数年を要したIoTデータの活用や分析基盤の構築が、大幅に短縮されている。たとえば次のような領域だ（これらは一例である）。
予知保全や遠隔監視は、かつて大企業に限られていたが、いまや中堅／中小の製造業でも現実的なコストで導入できる。カスタマーサクセスでは、AIが顧客の利用状況を分析し、解約の予兆検知や利用促進を支援する。収益管理では、需要予測やローリングフォーキャスト（実績を反映して計画を継続的に見直す手法）の精度と速度が、人手では届かない水準に達しつつある。
ここで強調したいのは、この加速が両刃だという点である。準備のできた企業には強い追い風となる一方、準備のできていない企業には、従来型モデルの陳腐化を一気に早める逆風として作用する。
日本企業の壁は「技術」ではなく「目的意識」にある
日本企業がAIの効果を出し切れない原因は、技術力の不足ではない。AIを何のために使うのかという目的意識と、それを事業成果に結びつける実行力の不足にある。
総務省「令和7年版 情報通信白書」（2025年7月）によれば、日本企業の生成AIの業務利用率は55.2%で、中国（95.8%）、米国（90.6%）、ドイツ（90.3%）と比べて大きく遅れている[3]。ただし、より本質的な差は利用率ではなく目的意識にあると筆者は考えている。
日本企業ではAI活用の目的として「業務効率化や人員不足の解消」を挙げる傾向が強い。これに対し、欧米や中国の企業は「事業の拡大」「新規顧客の獲得」「イノベーション創出」を重視する傾向があるように見える。あくまで筆者の解釈ではあるが、AIを「効率化の道具」とみなすか「事業変革の手段」とみなすかという認識の差が、成果の差として表れているのではないだろうか。
もっとも、AIを事業変革に結びつけられないという課題は、日本だけのものではない。2025年11月公開のMcKinseyの調査によれば、生成AIを導入した企業の多くがPoC（概念実証）の段階にとどまり、期待した事業価値を実現できていないと言う[4]。一方で一部の先進企業は、AIを競争優位の源泉として継続的に成果を生むサイクルを確立しつつある。成否を分けるのは技術ではなく、AIを前提に業務と組織を再設計できるかどうかである。
なぜ3つの産業で従来モデルが限界を迎えるのか
製造業：製品販売依存からの脱却
日本の製造業は、労働人口の減少、円安、原材料費の高騰という持続的な逆風に直面している。これらは短期では解消されず、製品を売って終わりというモデルの持続可能性を確実に低下させている。さらにAIによって製品機能が標準化、コモディティ化すれば、製品の差別化で価格プレミアムを確保することは一層難しくなる。
活路は、データを活用したサービス層の構築にある。保守／メンテナンス契約を起点に、IoTとAIを組み合わせた予知保全／遠隔監視へ、さらに成果に対して課金するアウトカムベースのモデルへ——この段階的な移行が、製造業にとって現実的なサービス化の道筋となる。
SIer：人月モデルからストック型へ
SIer業界では、AIによるコード生成能力の向上が「工数×単価」という人月モデルの前提を揺るがしている。開発業務の一部が自動化されれば、人的工数を売る収益モデルは縮小圧力にさらされる。
だがAIの普及は、脅威であると同時に新たな収益機会でもある。AIエージェントは導入して終わりではなく、継続的な監視、チューニング、データ連携、ガバナンスを必要とする。AIの価値は、クラウド上で「運用し続ける」ことを通じてはじめて発揮されるのだ。「SaaSの死」が語られることもあるが、価値を失うのは機能を並べただけの静的なサービスであり、AIを組み込んで継続的に価値を高める運用型サービスはむしろ需要を拡大させる。SIerが蓄積してきた業務知見と運用ノウハウは、ここでこそ生きる。IDC Japanの予測でも、クラウドサービス市場はITサービス市場全体を上回る成長が見込まれている[5][6]。
従来型SIとサービス型の違いは明確である。前者は工数×単価でプロジェクトごとに収益が発生し、納品で関係が終わる。後者はAIを組み込んだ運用を通じて月次／年次で継続的な収益を生み、顧客との関係を通じてLTV（顧客生涯価値）を拡大していく。
小売業：データを資産に変える
小売業も同じ岐路にある。EC（電子商取引）の拡大、消費行動のデジタル化、価格競争の激化により、商品を売るだけの利益構造は持続が難しくなった。一方、オムニチャネル化が進むなかで蓄積される顧客データは、製造業のIoTデータに匹敵する戦略的資産となっている。
先進的な小売企業では、この顧客データとAIの組み合わせが競争力の源泉になりつつある。顧客データを経営の中核に据え、既存の商品販売と融合させられるかどうかが、持続的な収益構造を築けるかの分かれ目となる。（具体的な企業事例は第2回で取り上げる。）
対応の枠組み：SBXとは何か
3つの産業に共通するこの課題に応えるのが、SBX（Service Business Transformation：サービス事業変革）という枠組みである。
SBXとは、新サービスの創出と既存サービスの高度化を通じて、継続的に収益を生み出すサービス事業の経営能力を組織に根づかせる変革アプローチである。そのために、戦略、業務、組織、IT、経営管理を一体で再設計し、AIとデータを事業の成果に直結させる。
SBXが貫く原則は「Business First, AI Second」である。AIは目的ではなく、顧客価値を継続的に高め、収益化するための手段にすぎない。設計された事業モデルがあって初めて、AIはそれを増幅する「乗数」として働く。逆に、事業モデルや組織機能が未成熟なままAIを導入しても、増幅すべき対象がなく、むしろ非効率を加速させてしまう。
AIの導入は、それだけでは成果に結びつかない。多くの企業でAIのPoCが乱立し、断片的な効率化にとどまっているのは、技術ではなく経営の問題だ。具体的には、次の3つが欠けている。
第一に、事業モデルの設計である。収益化モデル、価格設定、GTM（Go-To-Market：市場参入）戦略が定まらないままAIを入れても、収益には結びつかない。
第二に、組織機能の整備である。マーケティング、インサイドセールス、カスタマーサクセスといったサービス事業に不可欠な機能が、そもそも存在しないか機能していない企業が多い。
第三に、経営管理の仕組みである。AIが精度の高い予測を出しても、それを意思決定と実行に結びつける仕組みがなければ意味をなさない。
SBXは、この3つを体系的に整える。そのために戦略、オペレーション、経営管理に加え、データ基盤とAIの業務組み込みを含めた複数の領域を一体で設計する。その全体像と、変革を進める具体的なステップについては、第2回で詳しく示す。
製造業の利益構造の再設計、SIerの人月モデルからの脱却、小売業のデータ駆動への転換——表面的な課題は異なっても、求められているのは同じ「サービス事業への変革」である。第2回『SBXの実践方法と先進企業に学ぶ変革の要諦』では、SBXの全体像を明らかにし、先進企業がどのようにこの変革を実現したのかを見ていく。
【出典】
[1] U.S. Bureau of Economic Analysis, FRED (Federal Reserve Bank of St. Louis), “Private Services-Producing Industries / Private Goods-Producing Industries”, https://fred.stlouisfed.org/series/VAPGDPSPI（参照2026年7月25日）
[2] 内閣府 経済社会総合研究所, “2024年度国民経済計算（2020年基準・2008SNA）年次推計（主要系列表「経済活動別国内総生産」）”, https://www.esri.cao.go.jp/jp/sna/data/data_list/kakuhou/files/2024/2024_kaku_top.html（参照2026年7月25日）
[3]総務省（2025年7月）, “令和7年版 情報通信白書（図表I-1-2-14「企業における業務での生成AI利用率」）”, https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html（参照2026年7月25日）
[4]McKinsey & Company（2025年11月5日）, “The state of AI in 2025: Agents, innovation, and transformation”, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai（参照2026年7月25日）
[5] IDC Japan（2026年3月12日発表）, “国内パブリッククラウドサービス市場予測、2026年～2030年”, https://my.idc.com/getdoc.jsp?containerId=JPJ53498826（参照2026年7月25日）
[6] IDC Japan（2025年3月13日発表）, “国内ITサービス市場予測を発表～AI活用の実践とユースケース拡大が市場成長を促進～”, https://my.idc.com/getdoc.jsp?containerId=prJPJ53253625（参照2026年7月25日）
