ソフトウェア株は2026年初頭に時価総額を約1兆ドル失い、定着した呼称「SaaSpocalypse」によって、特定のソフトウェア企業が今後も存続できるのかという同じ問いへと皆が向かいました。しかし、それは正しい問いではなく、少なくとも不完全です。より本質的な問いは、企業がターミナルバリュー（終局価値）を守れるかどうかです。すなわち、新興AI企業に対して競争力を維持し、同じマインドセットとイノベーションの速度を受け入れられるか、という点です。1兆ドルという数字は、カテゴリー全体が死につつあるように見せます。実際に起きているのは「分散」です。売りが出た後、二桁の上昇を取り戻したソフトウェア企業もあります。一方で、高値から60%以上下落したままの企業もあります。カテゴリー全体の物語は、その下にある、より有用な物語を覆い隠しています。
本当の分岐点
モルガン・スタンレーの 「Moat & Journey」フレームワークは、この点をうまく説明しています。そして分岐は二択ではなく三分割です。第一に、真のMoat（参入障壁）がない企業があります。誰かのワークフローの上に薄く乗っているだけのプロダクトで、AIによって“それなりのクローン”を作るコストが崩壊した今、複製が容易です。第二に、Moatがあるのに惰性に陥っている企業があります。つまり、現時点では実効性のある防御力を持ちながら、次に来るものへの再投資がない。これはMoatがない場合より緩やかですが、それでもターミナルバリューを蝕みます。第三に、Moatを持ち、それをAIで拡張している企業があります。既に顧客と築いたワークフロー、データ、信頼をさらに深めているのです。実際にターミナルバリューを守っているのは、この第三のグループだけです。
実務的なテスト
この三分割こそが、財務組織の内部で build vs. buy が繰り返し現実的な論点として浮上する理由でもあり、 以前の号で私が示したのと同じ計算です。基盤は買い、優位性は作る。SaaS市場はいま、実装予算ではなく企業評価（バリュエーション）というスケールで、そのロジックを実証しています。
これと同じ理由で、財務組織はシステム・オブ・レコードを自社開発ではなく購入します。税制、会計基準（GAAP）、監査基準はすべて変わります。今日の規制上の問いに答えるために作った自社開発システムは、その問いが変わった瞬間に陳腐化します。しかも財務では、その変化が常態です。購入であれば、ベンダーが、1社だけではなく数千社の顧客にわたって変化に追随するコストを吸収します。AIは、いま他のあらゆる「作る」意思決定にも同じ圧力をかけています。なぜなら、あなたが目指して作っているターゲットが、開発が本当に終わるほど長く静止してくれないからです。
私は、キャリア初期にまさにこの判断を下した銀行員から、これに近い話を聞きました。彼のチームは、購入ではなくソフトウェアソリューションを自社開発したのです。それは機能しました——それを作ったエンジニアが退職するまでは。残った誰もシステムを十分に理解しておらず更新できず、その意思決定のコストは最終的に数百万円規模に達しました。AIコーディングツールは、この種の話を減らすのではなく、むしろ増やします。初期の開発は速くなりますが、その下にあるコードがより文書化され、引き継ぎ可能になるわけではないからです。
財務に求められるハードル
財務は、この判断を下す際の許容誤差が、他の多くの機能より小さい領域です。外部報告に直結するアウトプットでは、90%正しい回答では不十分です。収益認識や請求は、100%の正確性が求められる代表例です。わずかな誤差であっても、企業とリーダー双方の評判を傷つけうる実害があります。自社開発システムは、監査に耐えること、そして必要となれば法廷でも耐えうることが求められます。
いま自社開発にGOサインを出す前に、私たちは次の問いを投げかけます。
- これは自社の提供価値の中核なのか、それともそれを支えるインフラなのか。
- 18か月後も差別化要因であり続けるのか。それとも、ベンダーが同等の機能を機能追加として提供し、当社は相手の設計に合わせて作り直す羽目になるのか。
- AIコーディングツールでそれを作ったエンジニアが退職した場合、他の誰かが本当にその動作を理解しているのか。
- 監査および規制当局の精査に耐えられるのか。
ターミナルバリューを守る規律
これを正しく行う鍵は、規律ある一つの習慣に尽きます。チームがプロトタイプに惚れ込む前に、ライフサイクル全体のコストを見積もることです。短期のクイックウィンであればカスタム開発を正当化できるかもしれませんが、長期のニーズには、所有（オーナーシップ）と保守の明確な計画が不可欠です。そうしなければ、明日の技術的負債（Tech Debt）になります。同じテストは、ベンダーとして評価される側である場合にも当てはまります。Moatはもはやインターフェースではありません。プロダクトがどれだけ深く踏み込んでいるか、顧客がそのシステムをどれだけ信頼できるか、そして実際の業務運営にどれほど自然に適合しているかです。プロダクトはこれまで以上に速くコピーできますが、マネタイズモデル、ワークフロー、そして年月をかけて築かれた信頼は、そう簡単にはコピーできません。
すべてのSaaSが同じではありません。そしてAIがそのギャップを生んだのではありません。AIは、市場がそのギャップを価格に織り込み始める引き金になっただけです。AIを持っているかどうかではなく、誰がターミナルバリューを守っているかで評価されるようになった。これは、財務が承認するあらゆる開発判断に適用すべき、同じテストです。
対話を続ける
プロダクトローンチから認識済み収益まで：Quote-to-Cashを巡るZuora AIのジャーニー
ターミナルバリューが、企業が複雑性をどれだけうまくオペレーションとして運用できるかに、ますます左右されるのであれば、導入スピードもまた重要な要素になります。数か月から数週間へ短縮できれば、価値創出までの時間（Time to Value）が短くなり、下流の意思決定をより早期に可視化でき、次の戦略的優先事項に充てられる余力も増えます。本オンデマンドセッションでは、AIを活用して、企業が既に保有している契約、価格ルール、ワークフローを、導入開始前の段階でQuote-to-Cashプロセスの稼働モデルへと落とし込む方法をご紹介します。
Hylandにとっての価値は、単にスピードだけの話ではなく、より優れた財務インフラが時間をかけて何を可能にするか、という点にあります。Zuora Revenueにより、チームは月次決算（クローズ）を12日から3日に短縮し、SSP配賦と契約の切り分け（carve-out）を自動化し、収益会計がより早い段階で取引をレビューし、事業をより戦略的に支援できる余力を確保しました。
予測可能なSaaS収益から動的なAIモデルへの移行に対応するには、財務チームは静的な年次計画から、継続的な利用量（usage）ベースのフォーキャストへ移行する必要があります。まず、現行のデータパイプラインを監査し、顧客利用と並行してリアルタイムのインフラコストを追跡できることを確認します。次に、エンジニアリング、IT、FP&Aの間で強固なフィードバックループを構築し、トークン消費量や計算資源（compute power）をユニットエコノミクスに直接ひも付けます。これにより、マージンに影響が出る前に、価格設定と投資水準を調整できるようになります。
あらゆるAIリクエストには関連コストが伴います。さらに、顧客の利用状況はアカウントごとに大きく異なり、インフラ費用もモデル選択により変動するため、売上とコストの関係ははるかに動的になっています。この複雑性により、同じ確度で収益性を予測することは難しくなり、重要な問いが浮上します。財務は、AIの背後にある財務ドライバーを理解するために必要なインサイトを得られているでしょうか。
マージンを予測し、価格を評価し、投資判断をリードするために必要な先見性を得るには、財務チームが計画の焦点を主体的に転換する必要があります。第一に、AI固有のドライバーが従来のSaaS指標とどう異なるかを監査します（利用量、インフラコスト、超過分など）。第二に、データギャップを特定します。顧客別にマージンを追跡できますか。リクエスト当たりのコストは把握できますか。利用量と超過（overages）は切り分けられていますか。第三に、これらの固有変数を織り込むよう、計画モデルを再構築します。
以下のセクションでは、その方法と、従来のSaaSとの相違点を示します。
固定指標から、変動するAI起因ドライバーへ移行する
計画の中核目的——マージンを守り、投資判断を導く——は変わりませんが、ドライバーは根本的にシフトしました。従来の計画は、人員数や固定のサブスクリプション階層といった安定指標に依存していました。AI時代には、これらは変動するインフラ費用、モデル選定コスト、顧客ごとに大きく異なる利用パターンに置き換わります。財務は今、開発の固定費と、提供（fulfillment）のリクエストベースで変動するコストを整合させなければなりません。
そのためには、財務が事業パフォーマンスの新たなドライバーを理解する必要があります。AIリクエストを処理するためのコスト、どのプロダクトが最も高いマージンを生むのか、顧客がインフラリソースをどのように消費しているのか、そして未使用クレジットや超過といった利用パターンが収益性にどう影響するのか。これらの指標は、パフォーマンス予測の基盤となり、どこで価値が生まれているのか、次にどこへ投資すべきかを見極める土台になります。
コミット型AIクレジットを例にとってみましょう。すべての顧客が同じようにクレジットを消費するわけではありません。購入したキャパシティを使い切らずに残す顧客もいれば、コミットメントを継続的に超過する顧客もいます。そうした利用パターンは、マージン、価格判断、将来の投資に影響します。これを理解することで、FP&Aはより正確に業績を予測でき、パッケージングの改善、利用促進、時間をかけた価格調整の機会を特定できます。
これらの指標は、AI導入が進む中でも、FP&Aが業績を予測し、投資を評価し、より高い確度で計画を立てる助けとなります。
プロダクト・エンジニアリングと連携し、データモデルを設計する
FP&Aが必要とする多くのインサイトは、AIプロダクトのローンチ後に作ろうとしても間に合いません。その時点では、利用データ、コスト配賦、レポーティングに関する意思決定が既に下されています。財務が早期に関与していなければ、計画は格段に難しくなります。
FP&Aは、新しいAIオファリングの設計段階から、プロダクト、エンジニアリング、オペレーションと並走し、事業として最も重要な指標を測定できることを担保すべきです。具体的には、利用量をどのようにトラッキングするのか、コストをどう帰属させるのか、パフォーマンスを時間軸でどう評価するのかを理解することが含まれます。
また、AIプロダクトが市場に出た後、財務が必要とする指標を先回りして考えることも意味します。顧客セグメントごとに未使用キャパシティはどの程度予測可能か。事業として特定の超過分を課金しない判断をした場合、マージンへの影響はどうなるか。顧客が成熟するにつれて利用パターンは変化するのか。これらは計画上の問いであり、答えるには初日から適切なデータが必要です。
こうした土台が最初から整っていれば、FP&Aはより高い確度で予測でき、価格判断をより効果的に評価でき、顧客行動の変化に応じて事業が適応するのを支援できます。
粒度の高い利用インサイトを活用して、収益性を最適化する
より深いインサイトは、FP&Aが事業部門と交わす対話そのものも変えます。単に「AIの採用が増えた」と報告するだけではなく、財務はより戦略的な問いへの回答を支援できます。私たちは適切なAIケイパビリティに投資できているのか。どの顧客セグメントが最も健全なマージンを生み出しているのか。価格設定やパッケージングを見直すべきか。インフラコストは想定どおりにスケールしているのか。
こうした意思決定が、長期的な成長を形づくります。FP&Aが事業の背後にある財務ドライバーを理解すれば、結果報告にとどまらず、より強い戦略パートナーへと進化できます。
FP&Aの未来
AIが、企業のプロダクトの構築、価格設定、マネタイズの方法を引き続き再定義していく中で、FP&Aには、それらの事業がどのように成長していくかを形づくる機会があります。自社のデータパイプラインを先回りして理解し、プロダクトおよびエンジニアリングと協働し、AI固有の計画モデルを構築できる財務リーダーは、より良い投資判断を導き、新しいビジネスモデルを評価し、価格を最適化し、市場の変化に合わせてより迅速に適応できるようになります。
そこにこそ、FP&Aが持続的な戦略価値を生み出せる余地があります。
さらに詳しく
バンドルの増加、グローバル展開、AIプロダクトの価格設定により、多くのチームが管理に苦慮するレベルの収益複雑性が生まれています。Zuoraのアセスメントを受けて、自社の複雑性を生み出している主要因を特定し、それらへの対処をどこから始めるべきかについて、個別最適化された推奨事項を得てください。