Y Combinator 日本語図鑑

事業概要

プロダクト

• 顧客のAIアプリから推論の入出力とツール呼び出し履歴を取り込む。
• 成功した実行だけを抽出し、業務ごとの判断手順を教師データに整形する。
• 公開重みの小型モデルを追加学習し、その業務専用モデルを作る。
• 保留した評価データで既存モデルとの勝率を測り、上回るか判定する。
• 勝った場合に限り、本番の呼び出し先を新モデルへ切り替える。
• 稼働後の履歴を再学習に回し、精度と単価を継続的に更新する。

技術アーキテクチャ（推定）

• 顧客のAIアプリの通信を中継し、入出力とツール実行履歴を取得するとみられる。
• 取得は通信の中継方式で行い、顧客側の端末導入は要さないと推定される。
• 履歴は成否の判定と個人情報の除去を経て学習用データに整形する。
• 公開重みモデルへの追加学習と保留評価を自動で回す仕組みを持つとみられる。
• 評価の通過を条件に、通信の向き先だけを新モデルへ差し替える。
• 学習済みの重みと履歴は自社基盤に保管し、推論をAPIとして提供する。

収益モデル

• AIアプリを運営する企業が、推論基盤の利用料を支払う。
• 課金は推論の従量か月額とみられるが、価格は非公開。
• 既存モデルより低い単価で処理し、その差額が導入効果になる。

差別化

• 顧客の本番履歴がそのまま学習資産となり、外部からは複製できない。
• 評価通過まで現行モデルを維持するため、品質を落とさず移行できる。
• 通信経路を握ることで、後のモデル更改も同一基盤で完結する。
• 業務を限定した小型モデルは、汎用モデルより単価を下げやすい。

日本展開時のリスク

• 業務データを外部基盤に通すことへの社内承認が重い。
• 個人情報や営業秘密の取扱いについて説明責任が生じる。
• 国内でのデータ保管を求める調達条件に合わない可能性がある。
• 既存のクラウド契約や社内の承認経路の変更に時間がかかる。
• 削減効果が評価通過まで見えず、稟議が通りにくい。

日本での競合

• 国内に同型の推論最適化基盤を掲げる事業者は見当たらない。
• 強いのはクラウド各社とさくらインターネットで、計算基盤を握る。
• 彼らの提供は自社モデルが中心で、顧客履歴からの学習は限定的だ。
• 空白は業務履歴を使った専用モデル化と自動切替の部分にある。
• 参入には機密データの扱いと国内保管の説明が要る。
• 生成AIの導入を請け負う各社も、実質的な競合になりうる。

主要プレイヤー

• さくらインターネット — 国内データセンターのクラウド。
• Amazon Web Services — クラウド基盤。国内リージョンで提供。
• Google Cloud — クラウド基盤とデータ分析。
• Microsoft Azure — クラウド基盤と業務アプリ。