Kevin Novak氏、Rackhouse Venture Capitalのマネージングパートナー兼創業者。
2022年、大規模言語モデル（LLM）を活用したビジネス構築の障壁は知性だった：推論の質、コスト、パフォーマンスである。そのギャップは埋まった。
約2年間で、モデルのコストは大幅に低下し、一方でパフォーマンスは急上昇した。しかし導入は遅れている。デモは印象的だが、ワークフローは機能しない。知性だけでは統合の問題を解決できないため、製品はユーザーの維持や席数の拡大に苦戦している。
私たちは重要な境界線を越えた。AIにおける次のプロダクト・マーケット・フィットの波は、4つの新しい次元によって推進されると考える：推論、記憶、具現化、そして協調だ。
第一層：推論（解決済みだが誤解を招く）
かつて推論はフロンティアを定義していた。スタートアップ企業はモデルの性能で互いに競い合っていた。私の見解では、そのエッジはもはや存在しない。OpenAI、Anthropic、GoogleのGeminiモデルが現在この層を支配している。
よくある間違い：わずかな性能向上を追求すること。ベンチマークでもう1ポイント上がることに対価を支払う買い手はほとんどいない。例外は、わずかな精度の向上が重要となる超専門的な領域だが、それらはエッジケースだ。
推論は基盤として重要だ。しかし、あなたのセールスポイントが「より賢い」というものなら、あなたは同業他社ではなく、OpenAIの予算のような大企業と競争していることになる。今日の真の制約は記憶だ。
第二層：記憶（ボトルネック層）
今日のAIとのやり取りは「初日」の、一から始まる体験だ。エージェントは昨日あなたが伝えたことを忘れる。彼らはプラットフォームに依存しない永続的な記憶を持たない。
ここで導入が停滞する。企業にとっての課題は組織的知識の欠如だ—AIシステムは以前のやり取りからのデータを引き継ぐことができない。消費者にとっては、セッションごとに設定をリセットする煩わしさだ。
これに対処する初期の試みは存在する。ZepとMem0は企業向けに特定のドメインで機能する記憶バンクを構築した。これらは狭い文脈では機能するが、一般的な解決策ではない。
研究はこの制約を確認している：計算性能はメモリ帯域幅を上回っており、メモリが大規模言語モデルの提供における真のボトルネックとなっている。
欠けているのは、パスワードマネージャーのAIネイティブ版だ：どこへ行っても、ID、設定、コンテキストを持ち運ぶ信頼できるレイヤー。あるいは、アプリケーション間でコンテキストの移植性を可能にするAIのオープンスタンダード、プロトコルだ。
これは重要なデータだけの問題ではない。ユーザーが簡潔な回答を望んでいるといった小さな設定の問題でもある。
記憶が共有基盤として存在するまで、AI製品は脆弱なままだと思う。そして記憶がなければ、最高の具現化でさえ失敗する。
第三層：具現化（差別化が生まれる場所）
具現化とは、知性が世界にどのように現れるかだ。これはユーザーインターフェースだけではない。フォームファクター、ワークフロー、提供方法だ。
従来のSaaSサイクルは限られた形式を提供していた：デスクトップアプリ、モバイル、API。AIの具現化はより多様になる可能性が高いが、企業においては、その重要性はより鮮明だ。
• カスタマーサービスでは、コールセンターに統合された音声優先AIは、後付けの汎用チャットツールよりも効果的なことが多い。
• 業務では、ERPやCRMシステムに直接組み込まれたAIが導入を促進する一方、スタンドアロンのコパイロットは苦戦する可能性がある。
• サプライチェーンでは、既存のワークフローに接続するRPAツールが成功する傾向がある一方、ユーザーに新しいインタラクションパターンを強制する製品はしばしば失敗する。
チャットボックスに包まれた賢いモデルは製品ではない。
具現化は企業の差別化が生まれる場所だ。間違えれば後付けになる。正しく行えばワークフローを所有することになる。
しかし、最高の単一エージェントの具現化でさえ、限界がある。
第四層：協調（次のフロンティア）
企業の問題は一度に一つずつ発生するわけではない。それらは定義上、相互に接続されている。サプライチェーン、コンプライアンス、研究ワークフローはすべて調整を必要とする。AIの次のフロンティアはエージェント同士の協力を伴うと考える。
これは新たな設計上の疑問を提起する：タスクをどのように調整し、役割を区別し、連携を確保するか。一つのエージェントを構築することは簡単だ。協力するマルチエージェントシステムを構築することはそうではない。
Model Context Protocol（MCP）は可能性の一端を示している。MCPはエージェント間通信の基盤として機能する—システムが調整を可能にする共有言語だ。私の見解では、MCPはAIにとってのTCP/IPの瞬間になりつつある：全く新しいエコシステムを可能にする相互運用性だ。
協調はまだ初期段階だが、創業者は準備を始めるべきだ。課題は単一のエージェントではなく、システムとして考え始めることだ。
なぜ4層フレームワークが重要なのか
すべての創業者は、自分がどの層で構築しているのか、そしてそれがプロダクト・マーケット・フィットに何を意味するのかを理解する必要がある。
1. 推論：これはプラットフォームの領域だ。超専門的でない限り、既存企業のモデルを上回ろうとして時間を無駄にしないこと。
2. 記憶：これは最大のホワイトスペースであり、特に企業のコンテキストにおいて重要だ。
3. 具現化：ここで差別化が起こる。勝利する製品は、フォームファクターと問題を一致させる。
4. 協調：この層はまだ初期段階だが、変革をもたらす可能性がある。今実験している人々は、マルチエージェントシステムが成熟したときに先行するだろう。
ミスアラインメントはコストがかかる。あまりにも多くのスタートアップが、買い手が記憶し、統合し、調整するシステムを求めているにもかかわらず、「より良い推論」をアピールしている。
私たちはそのパターンを見てきた：スタートアップが賢い推論を売り込むが、既存企業がワークフロー統合を解決したために負ける。買い手の質問は「どれだけ賢いか？」ではなく、「ここで、私のデータ、私のチーム、私のツールで機能するか？」だ。
間違った層をアピールする創業者は時代遅れに見える。正しい層で競争する創業者は不可欠に見える。
知性ではなく統合で競争する
知性のギャップは埋まった。創業者はわずかに賢いモデルを約束することで勝つことはおそらくないだろう。
最初の本当のボトルネックは記憶だ—それがなければ、導入は停滞する。そこから、具現化と協調が、製品がワークフローに適合し、単一のエージェントを超えて拡張できるかどうかを定義する。
AIの次の10年は、知性ではなく統合で勝利すると信じている。
4つの層はプロダクト・マーケット・フィットの新しい表面積だ。正しい層に合わせる創業者はより速く構築し、よりスマートに販売できるだろう。そうでない人々は、解決済みの問題を追いかけて何年も無駄にする可能性がある。
課題はシンプルだ：あなたは実際にどの層で競争しているのか？
