日本のAI企業の全体像 レイヤー別の分類と特徴・依頼先を選ぶときの判断軸

自社のAI活用を進めようとして、どこに相談すればよいか分からないという声をよく聞きます。AI企業と呼ばれる会社を調べても、半導体を手がける会社からモデルを開発する会社、業務システムを作る会社まで並んでいて、違いが見えにくいためです。

実際、日本のAI産業は役割の異なる企業群が積み重なった多層構造になっています。この構造を理解しないまま問い合わせると、自社の課題を扱っていない相手に時間を使うことになります。

この記事では、日本のAI企業をレイヤーごとに整理したうえで、それぞれの層がどんな課題を扱うのかを説明します。そのうえで、依頼先を選ぶときの判断軸、発注前に整理しておくべきこと、そしてつまずきやすい点までをまとめました。

確認したいポイント	結論	詳細
日本のAI企業とは？	複数のレイヤーからなる産業	半導体や計算基盤、モデル開発、プロダクト、導入支援など役割の異なる企業群で構成されます
どう分類される？	5つのレイヤーで整理できる	インフラ、モデル開発、プロダクト、導入支援、事業会社のAI部門に大きく分けられます
依頼先はどう選ぶ？	課題の性質からレイヤーを決める	技術で選ぶ前に、解決したい課題がどの層に対応するかを見極めることが出発点になります
発注前の準備は？	課題とデータの状況を整理する	何に困っているか、使えるデータがあるかを整理しておくと、受け取る提案の精度が上がります

この記事でわかること

• 日本のAI産業を構成する5つのレイヤーと、それぞれの役割
• レイヤーごとに扱う課題の違いと、代表的な企業の位置づけ
• 依頼先を選ぶときに確認すべき6つの判断軸
• 問い合わせる前に社内で整理しておくべき4つの項目
• 発注でつまずきやすい典型的な4つのパターンと避け方

生成AIの活用を、社内で本格的に進めたい方へ ネクストスケールでは、生成AIの導入から社内定着までを支援しています。サービス内容や進め方をまとめた資料を無料でお配りしています。 ▶ 資料請求はこちら

日本のAI企業の全体像

まず押さえておきたいのが、「AI企業」という言葉が指す範囲は非常に広いという点です。同じ分類に入っていても、扱う課題も提供する価値もまったく異なります。

半導体を設計する会社、大規模なモデルを開発する会社、業務向けの製品を作る会社、企業の導入を支援する会社。これらはすべてAI企業と呼ばれますが、相談すべき相手は自社の課題によって変わります。

多層構造になっている

日本のAI産業は、下から上へと積み上がる層の構造として捉えると理解しやすくなります。計算資源を提供する層があり、その上でモデルが開発され、さらにその上に業務向けの製品が作られ、それを企業に導入する支援がある、という並びです。

各層の企業は、上下の層と取引関係にあります。たとえば導入支援を行う企業は、モデル開発の企業が作ったものを使って、顧客企業の課題を解決します。すべてを自前で持つ企業は少数で、多くは特定の層に強みを持っています。

「AI企業」を一括りにできない理由

この構造があるため、企業一覧をただ眺めても比較になりません。半導体メーカーと導入支援会社を並べて優劣を論じても意味がないのと同じです。

依頼先を探す立場からすれば、まず自社の課題がどの層に対応するかを見極めることが出発点になります。この記事では、その判断ができる形で整理していきます。

日本企業のAI活用の現在地

背景として、国内企業の活用状況も押さえておきましょう。総務省の令和7年版 情報通信白書によれば、生成AIを積極的に活用する方針、または領域を限定して利用する方針を定めている企業の比率は2024年度調査で49.7%となり、前年度の42.7%から増加しています。

一方で、この数字は企業規模によって大きく差があります。大企業では約56%が方針を定めているのに対し、中小企業では約34%にとどまり、中堅・中小規模ほど方針の決定が遅れている状況が示されています。

つまり、半数近い企業がまだ方針を持てていません。支援を求める需要が大きい一方、応える側の企業も急速に増えているというのが、いまの市場の姿です。AI活用の進め方については、ネクストスケールのコラムでも継続的に取り上げています。

レイヤー別に見る日本のAI企業

ここからは、5つの層に分けて整理します。自社の課題がどこに当たるかを考えながら読み進めてください。

①半導体・計算基盤のレイヤー

最下層にあるのが、AIを動かすための計算資源を提供する領域です。半導体、データセンター、計算基盤を提供するクラウドがここに含まれます。

世界では海外の大手が中心ですが、国内にも画像を扱うセンサーや、機器側で処理する半導体を手がけるメーカーがあります。また、計算資源を提供するデータセンターの整備も国内で進んでいます。

一般の企業がこの層に直接発注することは、大規模な計算環境を自前で構える場合を除けばほとんどありません。ただし、利用するサービスの価格や処理速度を左右する層として、構造上の位置づけは知っておく価値があります。

②モデル・基盤開発のレイヤー

その上にあるのが、AIの中核となるモデルそのものを開発する領域です。日本にも複数の企業と研究機関があり、独自の大規模言語モデルや、特定領域に特化したモデルを開発しています。

代表的なところでは、深層学習の技術で知られる企業、日本語に強いモデルを開発する企業、研究機関発の技術を事業化した企業などが挙げられます。国が計算資源の提供などを通じて国内の開発力を底上げする施策も進めています。

この層に発注するのは、独自のモデルを必要とする研究開発や、既製のモデルでは満たせない要件がある場合に限られます。多くの企業にとっては、直接の取引相手というより技術の供給元にあたります。

ただし、データを社外に出せない要件がある場合は関係が変わります。自社の環境内で動かせるモデルを求めるなら、この層の企業が選択肢に入ってきます。

③プロダクト・ソリューションのレイヤー

特定の業務課題に向けた製品を作って提供する領域です。文字認識、外観検査、チャットによる顧客対応、契約書の確認、需要予測など、用途ごとに製品が存在します。

このレイヤーの企業は、AIをすでに組み込んだ形で提供します。自社で開発する必要がなく、契約すれば使い始められる点が最大の利点です。

課題が明確で、しかもその課題に対応する製品がすでに存在するなら、この層から探すのが最短になります。「請求書の処理に時間がかかっている」「問い合わせ対応の負担が大きい」といった、輪郭のはっきりした課題に向いています。

逆に、自社の業務が独特で既製品が合わない場合は、この層で探しても見つかりません。製品を無理に業務へ当てはめると、かえって非効率になることがあるため、合わなければ次の層を検討してください。

④導入支援・コンサルティングのレイヤー

企業のAI活用そのものを設計し、定着まで伴走する領域です。何にAIを使うべきかの検討、業務プロセスの見直し、社内ルールの整備、人材育成までを扱います。

既製品では要件を満たせない場合の開発を担う企業もあれば、活用の推進や研修を中心にする企業もあります。自社に合わせた設計が必要な場合、この層が相談相手になります。

課題が明確になっていない段階、あるいは全社的にAI活用を進めたい段階では、まずこの層に相談するのが現実的です。製品を選ぶ前に、何を解決すべきかを整理する必要があるためです。

なお、この層の企業は数が多く、得意分野も幅広く分かれています。全社的な戦略の立案を得意とするところ、特定業務の改善に強いところ、人材育成に軸足を置くところなど、同じ層のなかでも役割が違う点は押さえておいてください。

⑤事業会社のAI部門

最後に、AIを本業とはしていないものの、自社の事業のなかでAIを開発・活用している企業があります。製造、金融、通信、小売など、各業界の大手が該当します。

これらは発注先というより、取り組みの参考事例として見る対象です。同業種でどんな活用が進んでいるかを知ることは、自社の方向性を考えるうえで役立ちます。

近年は、自社で培った知見を外部に提供し始める企業も出てきました。同じ業界の事情を熟知している相手として、選択肢に入る場合があります。

自社に合った進め方を相談したい方へ 「どこから着手すべきか分からない」「社内での定着が進まない」といった課題は、状況を伺いながら整理するのが近道です。個別のご相談を承っています。 ▶ 相談予約はこちら

国内のAI企業に見られる特徴

レイヤーとは別の切り口として、企業の成り立ちによる傾向も整理しておきます。

研究開発を起点とする企業

深層学習や自然言語処理の研究を土台に事業化した企業群です。技術的な難易度の高い課題に対応できる一方、業務への落とし込みは顧客側の理解が求められる場面もあります。

新しい技術を必要とする取り組みや、既存の手法では解けない課題を抱えている場合に、有力な相談先になります。研究成果を論文などで公開している企業も多く、技術的な水準を事前に確認しやすい点も特徴です。

業界に特化した企業

医療、金融、法務、製造、不動産といった特定の業界に絞って製品やサービスを提供する企業もあります。業界固有の規制、業務フロー、専門用語をあらかじめ理解している点が強みです。

汎用的な製品では要件を満たせない業界では、この種の企業を優先して探すほうが確実です。説明に費やす時間が大幅に減るという実務上の利点もあります。前提の共有に何度も打ち合わせを重ねる必要がなくなり、検討そのものが速く進みます。

大学や研究機関を起点とする企業

大学の研究室から生まれた企業も増えています。最新の研究成果を早く取り込める点が特徴で、先端的な取り組みでは選択肢に入ります。

一方で、組織の規模が小さい場合もあるため、長期の運用まで見据えるなら体制の確認が必要になります。

大手企業のAI部門

総合電機メーカー、通信事業者、システム開発を手がける大手も、AIの研究開発と実装を担っています。大規模なシステムとの連携や、長期の運用体制を重視する場合に適しています。

その分、小規模な取り組みには向かないこともあります。案件の規模と相手の得意領域が合っているかを確認してください。

依頼先を選ぶときの6つの判断軸

候補が見えてきたら、次の観点で絞り込みます。

まず自社の段階を確かめる

軸を見る前に、自社がどの段階にいるかを把握しておくと選びやすくなります。段階は大きく3つに分かれます。

1つ目は、何に使えるか分からない段階です。ここでは製品を探すより、活用の可能性を洗い出す支援を受けるほうが有効になります。2つ目は、課題は見えているが手段が決まっていない段階。既製品で足りるか、個別に作る必要があるかを見極める作業が中心になります。

3つ目が、手段まで決まっていて実行する相手を探す段階です。ここまで来ていれば、対応する製品や開発の実績を基準に選べます。自社の段階と相手の得意領域が噛み合っているかを確認してください。

①解決したい課題の性質

最も重要な軸です。課題が明確で対応する製品がありそうならプロダクトの層、課題の整理から必要なら導入支援の層という切り分けになります。

ここを間違えると、どれだけ優れた相手でも成果は出ません。技術で選ぶ前に、課題の性質でレイヤーを決めるという順序を守ってください。

②実績のある業種と規模

自社と近い業種、近い規模での実績があるかを確認します。業務の前提を理解している相手のほうが、提案の精度が高くなります。

事例が公開されていれば内容を確認し、公開されていなければ商談の場で似た案件の経験を尋ねてください。

規模の観点も見落とせません。大企業向けの実績が中心の相手に中小規模の案件を依頼すると、費用も進め方も噛み合わないことがあります。逆もまた同じで、自社の規模に近い実績があるかを確認してください。

③支援の範囲

構想の段階から関わるのか、開発だけを請け負うのか、導入後の運用まで見るのかは企業によって異なります。自社に足りない部分をどこまで埋めてくれるかを確認してください。

社内に推進できる人材がいない場合、開発だけを頼んでも定着しません。運用と定着まで含めた支援があるかは、成果を左右する条件になります。

④内製化への姿勢

長期的には自社で回せる状態を目指すのか、継続的に依頼し続けるのかによって、適した相手が変わります。社内に知見を残す形での支援を志向しているかを確認しておくと、後の判断が楽になります。

⑤データの扱いとセキュリティ

自社のデータを預ける以上、取り扱いの条件は必ず確認します。保管場所、アクセス権、学習への利用の有無、契約終了時のデータの扱いが最低限の確認項目です。

業界によっては、追加の要件が課される場合もあります。法務や情報管理の担当部門を早い段階で巻き込んでください。後から要件が判明して、選定をやり直すという事態を防げます。

⑥体制と継続性

技術者の人数、担当が変わった場合の引き継ぎ、問い合わせへの対応体制を確認します。AIは導入して終わりではなく、継続的な調整が前提になるためです。

数年単位で付き合う相手になることを想定して、組織としての安定性も見ておく価値があります。

なお、規模が大きいことが常に有利とは限りません。小規模でも特定領域に深い知見を持つ相手のほうが、成果が出る場合もあります。規模ではなく、自社の課題に対する専門性で判断してください。

生成AIの活用を、社内で本格的に進めたい方へ ネクストスケールでは、生成AIの導入から社内定着までを支援しています。サービス内容や進め方をまとめた資料を無料でお配りしています。 ▶ 資料請求はこちら

問い合わせる前に整理しておくこと

準備の質が、受け取る提案の質を決めます。次の4点は事前に整理しておいてください。

課題を言語化する

どの業務の、どの工程に、どれくらいの負担がかかっているかを数字で言えるようにしておきます。「AIで何かできないか」という相談では、相手も具体的な提案ができません。

「毎月40時間かかっている請求書の確認作業を半分にしたい」というように、対象と目標が定まっているほど、提案は具体的になります。

データの状況を把握する

AIを使う取り組みの多くは、データがなければ成立しません。どんなデータが、どこに、どれくらいの量あるのかを確認しておいてください。

紙の資料しかない、部署ごとに形式が違う、そもそも記録が残っていないといった状況であれば、まずデータを整えるところから始まります。この段階を飛ばした計画は、途中で止まります。

なお、データが揃っていないことは相談を見送る理由にはなりません。整備そのものを支援できる相手もいるため、現状をありのまま伝えたうえで進め方を相談するほうが建設的です。

予算と期間の目安

金額を伝えたくないという気持ちは理解できますが、おおよその範囲を示したほうが、現実的な提案を受け取れます。予算に見合わない構想を検討する時間は、双方にとって損失です。

期間についても、いつまでに何を実現したいかを伝えてください。段階に分けた進め方を提案してもらいやすくなります。

社内の推進体制

誰が窓口になり、誰が意思決定するのかを決めておきます。現場の担当者だけで進めると、決裁の段階で止まることが多くなります。

あわせて、実際に使う現場の協力が得られる状態かも確認してください。導入したものが使われない原因の多くは、現場の巻き込み不足にあります。

現場が「仕事を奪われる」と受け取っている状態では、どんな仕組みを入れても定着しません。負担の重い作業を減らすための取り組みだと伝えるところから始める必要があります。

相談から契約までの進め方

準備が整ったら、実際に候補へ接触していきます。流れを4段階で整理します。

①複数社に同じ内容で相談する

同じ資料と同じ説明で複数社に相談することをおすすめします。伝える内容が違うと、提案の差が相手の実力によるものか、渡した情報の差によるものか分からなくなります。

3社程度が現実的な数です。多すぎると比較の手間が膨らみ、少なすぎると相場観が持てません。異なるレイヤーの企業を1社ずつ入れて、進め方の違いを見比べる方法も有効です。

②提案を同じ観点で比べる

受け取った提案は、同じ項目で並べて比較します。想定される成果、進め方、期間、費用、体制、運用後の支援といった項目です。

このとき、金額の安さだけで判断しないでください。支援の範囲が狭ければ安くなるのは当然で、その分の作業は自社で担うことになります。総額ではなく、何が含まれているかを見てください。

③小さく始める形にする

いきなり大規模な契約を結ぶより、限られた範囲で成果を確かめてから広げる進め方が安全です。多くの企業が、検証段階の契約を用意しています。

この段階で、相手の進め方や意思疎通のしやすさも見えてきます。技術力と同じくらい、一緒に進めやすいかどうかが重要になります。

④契約時に確認すること

契約の段階では、成果物の権利の帰属、データの取り扱い、契約終了時の対応、追加費用が発生する条件を確認してください。特に生成物の権利関係は、後から問題になりやすい部分です。

また、担当者が変わる場合の引き継ぎについても取り決めておくと安心です。長く付き合う前提なら、この点は軽視できません。

自社に合った進め方を相談したい方へ 「どこから着手すべきか分からない」「社内での定着が進まない」といった課題は、状況を伺いながら整理するのが近道です。個別のご相談を承っています。 ▶ 相談予約はこちら

つまずきやすい4つのパターン

最後に、発注の場面でよく見られる失敗と、その避け方を挙げます。

技術から入ってしまう

「生成AIを導入したい」「エージェントを作りたい」という形で検討が始まるパターンです。手段が先に決まっていると、本当に解くべき課題が見えなくなります。

技術は課題を解く道具であって、目的ではありません。何に困っているかから始めるという順序に立ち返ってください。

経営層から「AIで何かやれ」と指示が降りてくる状況もあります。その場合も、まず業務の棚卸しを行い、負担の大きい工程を洗い出すところから着手するほうが、結果的に成果につながります。

レイヤー違いの相手に依頼する

課題の整理が必要な段階なのに製品を提供する企業に問い合わせたり、逆に既製品で足りるのに個別開発を依頼したりするパターンです。

前者では「その用途は当社の製品では対応できません」で終わり、後者では不必要に高い費用と長い期間をかけることになります。この記事のレイヤーの整理を、相手選びに活かしてください。

丸投げしてしまう

外部に任せれば進むと考えて、社内の関与を最小限にするパターンです。業務の実態を最もよく知っているのは自社であり、その知見なしに有効な設計はできません。

窓口の担当者を置き、定例で状況を共有し、現場の意見を反映する。この関与があるかどうかで、成果は大きく変わります。

実証で終わってしまう

試験的な取り組みは成功したのに、本番の運用に移らないまま終わるパターンです。原因は、最初から運用を見据えた設計になっていないことにあります。

検討を始める段階で、実証が成功したら次に何をするのか、誰が運用を担うのか、費用はどこから出すのかを決めておいてください。出口を決めてから入ることが、この失敗を避ける最も確実な方法です。

あわせて、実証の合格基準も先に定めておきます。基準がないと、成果が出ているのか判断できないまま議論が続き、そのまま立ち消えになります。

まとめ

日本のAI企業は、計算基盤、モデル開発、プロダクト、導入支援、事業会社のAI部門という5つの層からなる多層構造になっています。同じAI企業でも扱う課題はまったく異なるため、一覧を眺めるだけでは比較になりません。

依頼先を選ぶ出発点は、自社の課題がどの層に対応するかを見極めることです。課題が明確で対応する製品があるならプロダクトの層、何をすべきかの整理から必要なら導入支援の層、という切り分けになります。

そのうえで、実績のある業種、支援の範囲、内製化への姿勢、データの扱い、体制の6つを確認してください。問い合わせる前に、課題の言語化、データの状況、予算と期間、推進体制の4点を整理しておけば、受け取る提案の質は大きく変わります。技術から入らず、課題から入る。この順序を守ることが、最も確実な進め方になります。