Bainが示すAgentic AI SaaS市場　LLM活用で何が起きた

部門をまたぐ調整作業が最も重いコストになった背景

あなたの会社でも、営業、経理、サポートの間を人が行き来して確認を回す場面はないでしょうか。Bain & Companyが今回示したのは、まさにその「つなぎの仕事」が巨大な市場になるという見立てです。私はこの指摘を、単なるAI導入話ではなく、SaaSの収益源が再定義されたニュースとして受け止めました。従来のSaaSは、CRMやERPのように「記録する場所」を提供してきましたが、今は複数システムをまたぐ判断と実行を機械に渡す流れが前面に出ています。

企業の現場では、情報が1つの画面で完結しません。問い合わせはメールに届き、顧客データはCRMにあり、支払い状況は経理システムにあり、例外処理は担当者の頭の中に残ります。こうした分断が多いほど、人手での確認コストが増えます。Bainはこの「調整業務」の自動化余地に米国だけで1,000億ドル、つまり桁違いの支出先があると試算しました。1,000億ドルは約15兆円規模に相当し、日本の大手IT投資全体とも比較できる重さを持ちます。読者の立場なら、この数字を見て自社の業務フローを見直さない理由はありません。

6つの評価軸で見たagentic AIの適用領域

Bainのレポートは、agentic AIを「人の代わりに会話するチャットボット」とは扱っていません。ここでのagentic AIは、複数のアプリケーションを横断し、必要な情報を集め、方針に沿って次の処理を進める実行主体です。つまり、LLM（大規模言語モデル）に判断の入口を任せるだけでなく、業務の中間地点まで持たせる設計です。私はこの点に、2026年のAI市場の本質が出ていると見ます。モデル性能の競争より、どれだけ業務の終端に近いところまで着地できるかが重要になっています。

レポートでは、既に米国で4〜6億ドルの売上がベンダーに入っているとされています。4〜6億ドルは、まだ市場全体の一部にすぎないという意味です。Bainはこれを「90%以上が未開拓」と位置づけました。未開拓比率が90%を超えるという事実は、導入余地が残っているというより、むしろ現在の市場認識が浅いことを示します。対象領域は販売、オペレーション、研究開発、カスタマーサポート、財務、IT、法務に分かれ、たとえば顧客サポートとR&Dでは40〜60%のタスクが自動化可能としました。40〜60%という幅は、単純作業の置き換えではなく、例外の少ない工程ほど自動化しやすいことを意味します。

一方で、法務は20〜30%にとどまりました。これは契約確認やコンプライアンスが反復可能でも、誤りの損失が大きいためです。財務と人事は35〜45%、営業とITは30〜40%とされ、いずれも人の判断が残る領域です。ここで重要なのは、Bainが「機能全体」を一括判定していない点です。細かいサブプロセス単位で見れば、請求書照合やサポート完了、コード生成のように、検証しやすい仕事は確実に吸収されます。私が引っかかったのは、これがRPAの延長ではなく、曖昧さを含む業務を対象にしていることです。Bainは出力の検証性、失敗時の影響、デジタル化された知識の有無、工程のばらつき、システム統合の複雑さなど6要素を挙げましたが、要するに「人しか無理」とされてきた中間業務こそが狙い目です。

さらに、Cursor、Sierra、Harvey、Glean、Salesforce、ServiceNow、Workdayといった企業名が示された点も見逃せません。Cursorは平均月次売上1,670万ドル超、Sierraは年換算1.5億ドル超、Harveyは1.9億ドル超、Gleanは2億ドル超とされました。これらの数字は、agentic AIが実験段階ではなく、すでに売上を生む商材として成立していることを示します。売上が年換算で数億ドルに達している事実は、顧客が「試す」段階を抜けて「予算を付ける」段階に入った証拠です。

日本企業が最初に見直すべきは席数課金の前提

日本企業にとっての論点は、モデルをどれだけ賢くするかではありません。どの業務の「受け渡し」をAIに任せるかです。ERP、CRM、問い合わせ管理、メール、Excelが分断されている組織ほど、agentic AIの効果は大きくなります。なぜなら、調整コストの大半は情報そのものではなく、情報を移し替えて確認する手間にあるからです。開発者の方なら、API連携を増やすだけでは足りないと感じているはずです。必要なのは、手順の分岐、例外処理、承認条件を機械可読にする設計です。

特に日本では、席数ベースのSaaS契約がまだ強い一方で、Bainは成果課金や利用量課金の比重が高まると見ています。これは「何人が使ったか」ではなく、「何件処理したか」「何件解決したか」で値付けが変わることを意味します。1件あたりの自動化単価を測れない企業は、導入しても投資対効果を説明できません。現場の視点では、まず請求書処理、問い合わせ一次対応、見積り作成、社内申請のような、結果が明確な業務から始めるべきです。こうした業務は、判断基準が明文化されており、AIエージェントに渡しやすいからです。

同時に、データ品質の見直しも避けられません。Bainは、データが網羅的で、成果と結びつき、機械可読であることを重視しました。日本企業の多くはデータを持っていますが、使える形で残していません。ここを整えない限り、LLMをつないでも現場の負担は減りません。読者が経営側なら、AI投資の議論を「モデル選定」から「業務の分解」に移すべきです。そこが競争力の差になります。

価格モデルの転換がSaaS競争の中心に移る局面

Bainの見立てで次に動くのは、プロダクト機能より価格体系です。席数課金は、AIが成果を出すほど説明力を失います。逆に、成果課金は、処理完了や解決件数が増えるほど自然に売上が伸びます。私はここに、生成AI時代のSaaS競争の核心を見ます。今後は「誰がモデルを持つか」より、「誰が業務の出口を押さえるか」が勝負になります。特に複数システムをまたぐ成果を握る企業ほど強い構造が固まります。