概要 — Andrew Ng の evergreen テーゼ「AI is the New Electricity」

2017年以来、Andrew Ng（Stanford 教授・Coursera 共同創業者・AI Fund 創設者・DeepLearning.AI 創業者・元 Google Brain / Baidu AI 責任者）が繰り返し語ってきた象徴的な言葉が、「AI is the new electricity（AI は新しい電気である）」 である。

これは単なるキャッチフレーズではなく、企業の AI 戦略を設計する 構造的フレーム として極めて有用である。電気が100年前に「ほぼすべての産業を変革した」のと同じ規模で、AI が今後あらゆる産業を変える——という観察に加え、Ng が一貫して強調するのは 「どこに投資すべきか」の階層論 である。

これまで本サイトでは、Anthropic（Code w/ Claude 2026 サンフランシスコ徹底解説）、Google DeepMind（Demis Hassabis 公式インタビュー集）、Meta（Yann LeCun LLM 袋小路論 / Zuckerberg × LeCun Llama OSS 戦略）、OpenAI（Sam Altman OpenAI 2026 公式発言集）、Microsoft（Mustafa Suleyman Microsoft AI）など モデル提供者側 の戦略を扱ってきた。本記事は逆に、モデル提供者ではなく「AI を業務に組み込む側」 の視点を提供する Andrew Ng の論を、企業の AI 推進担当者向けに再構成する。

▲ Sequoia Capital 公式：「What's next for AI agentic workflows ft. Andrew Ng of AI Fund」（YouTube・AI Ascent 2024, 2024年3月26日）

本記事では、Sequoia AI Ascent 2024 講演（4エージェント設計パターン）、UC Berkeley「AI is the New Electricity」講演、Andrew Ng の2025年末総括（「AI 産業時代の夜明け」）から、彼の枠組みを AX Boost「AI スタック4階層モデル」 として整理し、日本企業が 「電化製品層」で勝つための実装フレーム を解説する。

Andrew Ng は誰か — AI 業界の「啓蒙者」かつ「ベンチャービルダー」

Andrew Ng の経歴は、AI 業界に長年関わる人にとっては「電気そのもの」のように当然視されているが、改めてたどると、彼のキャリアそのものが「研究 → 教育 → 起業」の橋渡しになっている。研究の起点は Google Brain Deep Learning Project（2011年〜）の創設で、その後 Baidu Chief Scientist（2014〜2017）として大規模実装を率いた。教育面では Coursera 共同創業者 として機械学習講座を数百万人に届け、DeepLearning.AI を立ち上げて実務者向けの学習基盤を整えた。起業面では、AI スタートアップを共同創業するベンチャースタジオ AI Fund と、製造業向け Computer Vision プラットフォーム Landing.AI を創設している。これらと並行して Stanford 兼任教授 を務め続けている。

注目すべきは、Ng が研究者・教育者・ベンチャービルダーの三役を同時に担い続けている点である。Boris Cherny や Yann LeCun が大企業ないし独立起業家としてのキャリアパスを取るのに対し、Ng は教育と起業の両側から AI 産業全体の底上げを図るスタンスを崩していない。だからこそ彼の言説は、特定モデルの売り込みではなく「産業全体がどこへ向かい、企業はどこに張るべきか」という俯瞰の語り口になる。

AI Fund は AES、HP、三菱（Mitsubishi）などの 大企業との協業から起業ネタを引き出す ベンチャースタジオで、「最初から顧客がついている AI スタートアップを系統的に作る」モデルで知られる。

AX Boost フレーム — AI スタック4階層モデル

Andrew Ng は「AI is the New Electricity」講演で、AI 産業を 4つの階層 で整理する。これを電気産業のアナロジーで再構成すると、以下のようになる。

階層 AI 業界 電気業界の対応 競争構造 機会の大きさ（企業視点）
第1層: 発電所 ハードウェア（NVIDIA / AMD / TPU / Trainium） 発電所（火力 / 原子力 / 水力） 高い参入障壁、寡占化 投資家向け、企業は使う側
第2層: 送電網 クラウドインフラ（AWS / Azure / GCP） 送電網・配電網 資本集約的、寡占 企業は契約・調達側
第3層: 配電 モデル提供 / 開発ツール（OpenAI / Anthropic / API） 配電盤・コンセント 競争激化、毎月の機能追加 企業は選定 / 統合する側
第4層: 電化製品 アプリケーション / 業務実装 冷蔵庫 / エアコン / 製造装置 業界知識 × AI、競争少 最大の機会領域

Ng がこの構図を語るときに繰り返す指摘が、「ほとんどの産業は『$5M のチャンス』で溢れている」（"most industries are riddled with these $5 million opportunities"）というものである。彼が挙げる具体例は、いずれも巨大プロジェクトではなく、現場の業務に AI を一点投入する地味な実装だ。たとえばピザ製造では AI カメラでチーズが均等に乗っているかを検査して収率を改善し、小麦収穫では同じくカメラで成熟度を判定して最適な収穫時期を見極める。AI Fund の投資案件では関税コンプライアンスの自動化が手がけられ、災害対応の領域ではドローンと AI を組み合わせて初動を最適化する取り組みがある。

これらはどれも巨大なモデル開発ではなく、業界固有の課題に AI を当て込む「電化製品層」での実装である点が共通している。第1〜3層（ハードウェア / クラウド / モデル）は資本集約的かつ寡占的で、ほとんどの企業はそもそも競争の土俵に立てない。逆に言えば、業界知識と AI 実装を掛け合わせて勝負できる第4層こそが、大半の企業にとって唯一現実的で、かつ最大の機会領域になる。

これは、Boris Cherny の「Coding Is Solved」（コーディング解決後の5論点）が示した「コードを書く層の自動化」と整合する。コーディングが解決されるほど、業界固有の課題定義と実装 に企業の競争優位が移っていく。

エージェントを業務に組み込む4つの設計型 — Andrew Ng の枠組み

Sequoia AI Ascent 2024 講演で Ng が提示したエージェント設計の枠組みは、Reflection・Tool Use・Planning・Multi-Agent Collaboration という4つの型からなる。これらは抽象的な分類ではなく、「電化製品層」で実際に AI を業務へ組み込むときに、どの設計を選ぶかを決める実用的な指針として機能する。型ごとに、何をしているのか・Ng がどう裏付けているか・どの業務に効くのかを順に見ていく。

Reflection（内省） — AI に自分の出力を見直させる

Reflection は、AI が一度生成した出力を自分自身でレビューし、改善するアプローチである。「アウトライン → 調査 → 執筆 → 評価 → 修正」というサイクルを AI 自身に回させるイメージで、人間が下書きを推敲する過程をモデル内に閉じ込める。

その効果は数字でも示されている。同講演では GPT-3.5 に Reflection を巻いたものが GPT-4 の zero-shot を上回る という結果が発表され、さらに GPT-4 自身に Reflection を適用すると性能が一段上がることも報告された。つまり、より高性能なモデルへ乗り換えるよりも、手元のモデルに自己レビューを足すほうが安く効く場面がある、というのがこのパターンの含意である。

実務では、契約書のドラフト、顧客対応メール、社内資料の作成といった「一次成果物の品質がそのまま業務品質になる」業務に向く。一次出力を AI 自身に再レビューさせる一手間を挟むだけで、人手の校正コストを増やさずに品質を底上げできる。ただし効果はレビュー基準の設計に依存し、何を「良し」とするかが曖昧なまま回すと改善が空回りする点には注意がいる。

Tool Use（ツール活用） — モデルの外側の能力を呼びに行かせる

Tool Use は、AI が検索エンジン・計算機・データベース・API といった外部ツールを呼び出して回答を組み立てる設計である。モデルが「知っているはず」の知識に頼るのではなく、外部の確かな情報源や計算能力を都度参照させることで、回答の正確さと鮮度を担保する。

Ng は、OpenAI o4-mini がツール使用時に17.7%の精度を達成し、ツール非使用比で3ポイント以上向上した ことを挙げ、Reasoning モデルとツール活用の組み合わせが、とくに専門領域で効果が大きいと指摘する。専門知識を要する業務ほど、モデル単体の記憶ではなく外部参照に逃がす設計が効くということだ。

企業側の典型的な使いどころは、社内ナレッジ検索（RAG）、CRM / ERP など業務システムのデータ参照、財務シミュレーションのような計算処理である。MCP（Model Context Protocol）の業界標準化（MCP完全解説 で論じる）が、ツールとモデルをつなぐ配線を共通化し、このパターンの普及を後押ししている。

Planning（計画） — タスクを分解してから動かす

Planning は、AI がタスクをいきなり実行するのではなく、複数ステップに分解し、手順を立ててから実行に移す設計である。Ng は、計画ステップを一段挟むだけで複雑なタスクの成功率が大きく上がると述べており、OpenAI o1 や DeepSeek-R1 といった Reasoning モデルの真価も、この計画能力にあると位置づける。

この型が効くのは、最終成果物までの道のりが長く、途中で判断が分岐する業務である。たとえば営業の提案書作成では、顧客分析から課題整理、解決策の提示、価格設計までを一気に書かせると論理が飛びやすいが、これらを段階に分けて順に詰めさせると、各ステップで前段の結論を踏まえた一貫性が保てる。複雑な調査タスクやマルチステップの業務自動化でも、最初に計画を固めることが、後戻りの少なさという形で効いてくる。

Multi-Agent Collaboration（多エージェント協働） — 役割を分けて並走させる

Multi-Agent Collaboration は、専門化した複数のエージェントが分担して一つのタスクを仕上げる設計で、全体を統括するリードエージェントの下に役割別のサブエージェントを置く構造を取る。Planning が一つの主体の中で手順を分けるのに対し、こちらは主体そのものを分け、それぞれに別の責務と判断基準を持たせる点が違う。

Ng は、AI Fund の医療診断や法務文書処理のプロジェクトを引き、こうした エージェントワークフローを採用するかどうかが、プロジェクトの成否を分ける と語る。Anthropic の Claude Managed Agents による Multi-Agent Orchestration や、NVIDIA の OpenClaw も同じ方向を向いている（Code w/ Claude 2026 サンフランシスコ徹底解説 / NVIDIA GTC 2026 徹底解説 参照）。

向く業務は、性質の異なる作業が連なり、一人（一エージェント）に全部を任せると判断がぶれるものだ。法務の契約レビューを例にとると、条項の機械的な抽出、リスクの重みづけ、修正案の起草はそれぞれ求められる慎重さも参照する知識も異なる。これらを別エージェントに分けると、各々が自分の責務に最適化でき、リスク評価の厳しさと修正案の作文の柔らかさを同じプロンプトに無理やり同居させずに済む。一方で、エージェント間の受け渡しや全体統括の設計を誤ると、かえって破綻が増える——役割分担は万能ではなく、業務の構造が本当に分業に適しているかの見極めが先に立つ。

2025年末総括「AI 産業時代の夜明け」— Ng の最新観察

2025年末の Ng の年末総括からは、推論モデルの実用化・経済構造の変化・人材獲得競争という3つの方向で、現状認識を読み取れる。

推論モデルが実用段階に入った

第一に、Reasoning モデルが研究のデモから実務の道具へと移った。o1-preview は GPT-4o より数学で43ポイント高いスコア を出し、競技プログラミングの Codeforces では 人間競技プログラマーの62パーセンタイルに達した。応用面でも、ロボット制御の ThinkAct が思考能力によって8%の性能向上を示し、AlphaEvolve は 行列乗算で1969年以来の最良アルゴリズム（4×4 行列を48回の乗算で実現し、Strassen の49回を更新）を発見 した。「考えてから答える」モデルが、数学・コード・制御・アルゴリズム探索という質の違う領域で同時に成果を出しているのが、この一年の特徴である。

AI 投資がマクロ経済を動かし始めた

第二に、AI 投資が一企業の設備投資の枠を超え、マクロ経済そのものを動かす規模に達した。Ng が引くデータでは、2025年上半期の米 GDP 成長のほぼ全てがデータセンター・AI 投資から生成 されている。主要4社の2025年インフラ投資は、Amazon が $125B、Meta が $72B、Microsoft が $80B、Alphabet が $93B にのぼり、McKinsey は 2030年までに合計 $5.2兆ドルの投資が必要 になると予測する。この桁の資本が動く層に、後発の事業会社が割って入る余地は乏しい。

人材獲得が桁外れの規模になった

第三に、トップ人材の獲得競争が常軌を逸した水準に達した。Meta は「Meta Superintelligence Labs」構築のために 数億ドル規模のパッケージ を提示し、Andrew Tulloch へのオファーには報道ベースで $1.5B のボーナス が含まれたとされる。OpenAI もこれに対抗して 株式ベース報酬と $1.5M までの留任ボーナス を用意した。資本だけでなく人材の面でも、最上流の競争は一握りのプレイヤーに集約されつつある。

これらの数字はいずれも、「電化製品層」で勝つことの戦略的重要性を裏側から裏づけている。第1〜3層への参入は、資本でも人材でも太刀打ちできず事実上不可能に近い。だからこそ、業界知識と AI 実装を掛け合わせて第4層で勝負するというのが、企業 AI 戦略の現実的な落としどころになる。これは「AI ツールを足す」発想から、自社のどの業務を AI に引き渡し、空いた人手をどこへ振り向けるかという引き算と再配置の発想へ重心を移すことでもある。

日本企業の AI 推進担当者への含意

自社の強みは「電化製品層」にある

日本企業の多くは、製造・金融・医療・小売・物流といった、強いドメイン知識を蓄えた業界で活動している。Andrew Ng の枠組みに照らせば、この業界知識こそが「電化製品層」での競争優位の源泉にほかならない。汎用的な AI モデルを自前で作ろうとする発想を手放し、業界知識と AI 実装の掛け合わせに資源を集中するほうが、はるかに現実的で勝率の高い戦略になる。業界別の具体的なアプローチは 製造業のAI活用近日公開 と 金融機関のAI活用近日公開 で論じている。

4つの設計型を業務企画の出発点に置く

Reflection・Tool Use・Planning・Multi-Agent Collaboration の4つは、業務を AI 化するときの設計テンプレートとして強力である。新規プロジェクトの企画段階で、対象業務にどの型が最も合うかを最初に見立てておくと、後工程の試行錯誤が減り、実装効率が上がる。AIエージェント業務導入の設計論 で論じた5レイヤー設計と、この4つの型を組み合わせて使うことを勧めたい。

「$5M のチャンス」を現場から拾い上げる

「ほとんどの産業は $5M のチャンスで溢れている」という Ng の言葉は、社内のボトムアップな AI プロジェクト発掘を促すメッセージでもある。経営層が大上段の巨大プロジェクトを企画するより、現場の業務担当者が「自分の業務に AI を使ってみる」プロトタイプを手元で作れる体制のほうが、こうした小さな機会を取りこぼさない。この発想は AI予算計画と社内稟議の通し方 と AI CoE 組成と運用 で論じた組織設計とつながる。

AI Fund モデルが示す「顧客起点の起業」

Ng の AI Fund は、AES / HP / Mitsubishi といった大企業の課題から起業ネタを引き出すモデルで知られる。これは日本の大企業とスタートアップの提携にも示唆を与える。自社の課題を外に提示し、外部の AI スタートアップと共同開発するというアプローチは、内製化（AI内製化 vs 外注 参照）と並ぶ有力な選択肢である。

AI 教育・リテラシー投資を止めない

教育プラットフォーム（Coursera / DeepLearning.AI）を運営する立場から、Ng は継続的な AI 教育投資の重要性を一貫して強調している。彼が指摘するのは、「経験豊富な AI 開発者のコミュニティに既に属していない限り、基礎を理解せずに始めると車輪の再発明をしがちだ」という落とし穴である。これは AI時代の人材戦略 で論じたリスキリング戦略と整合する。経営層への AI 投資の説明設計は 経営層をAIに本気にさせる説得フレームワーク近日公開 も参照されたい。

反論・限界 — Ng のフレームをどこまで適用するか

「電化製品層」も寡占化しうる Ng がアプリケーション層を「競争が比較的少なく機会が豊富」と語る一方で、Salesforce、Microsoft、Workday といった既存 SaaS プレイヤーが AI 機能を巻き取る速度は加速している。業界横断の SaaS が電化製品層までも寡占化していく可能性は、Ng のフレームでは十分に扱われていない。第4層を「安全地帯」と読み違えると、足元を SaaS にすくわれかねない。

型を知ることと動かせることの落差 4つの設計型そのものは単純だが、本番運用に耐える質との間には大きな隔たりがある。Reflection の評価基準をどう設計するか、Tool Use のセキュリティをどう担保するか、Planning のコストをどう抑えるか、Multi-Agent をどうオーケストレーションするか——いずれにも高度な実装スキルが要る。「パターンを知っている」状態と「現場で安定して動かせる」状態の差は大きい（AI PoC止まり脱出フレームワーク 参照）。

チャンスを見つける目が要る ほとんどの企業は、自社の業務のどこに「$5M のチャンス」が眠っているかを見抜く目を持っていない。この発見能力そのものが、AI 投資に着手する前段階として育てておくべき組織能力である。

Ng は「電気の発明者」ではなく作り手の立場で語る このフレームは強力だが、Ng 自身が電気の発明者ではなく電化製品メーカーの立場から語っている点は押さえておきたい。第1〜3層で決定的な革新（LeCun の World Model 等）が起きれば、フレームの前提そのものを再評価する必要が出てくる。

日本企業の「内製化 vs 外注」文脈への翻訳 Ng は AI Fund モデルで顧客起点の起業を奨励するが、日本企業の意思決定文化では、自社内製化や既存ベンダー（NRI / NEC / 富士通等）への委託が伝統的に根強い。Ng のモデルをそのまま輸入するのではなく、日本固有の文脈に翻訳して取り入れる必要がある。

まとめ — 「電化製品層」で勝つための実装フレーム

Andrew Ng の「AI is the New Electricity」論は、「モデルを作る側ではなく、AI を業務に組み込む側」 の視点を提供する貴重なフレームである。第1〜3層（ハードウェア / クラウド / モデル）は資本集約的・寡占的で、ほとんどの企業は競争に参加できない。「電化製品層」（アプリケーション / 業務実装）で、業界知識 × AI 実装 で勝負するのが、企業 AI 戦略の現実的な選択肢である。

実装の出発点としては、Reflection で出力を自己レビューさせ、Tool Use で外部の能力を呼びに行かせ、Planning で手順を分解し、Multi-Agent で役割を分けて並走させる——この4つの設計型を、業務設計のテンプレートとして使い分けることを勧めたい。そして電化製品層で勝つということは、結局のところ「どの業務を AI に引き渡し、そこで空いた人手をどの価値ある仕事へ振り向けるか」という引き算と再配置の問いに行き着く。型の選択は、その手段である。

AX Boost は、FDE型コンサルティング として、業界知識と AI 実装の両側を現場常駐で並走支援している。「電化製品層」での具体的な実装プロジェクトを進める上でのご相談は、AX Boost とは と AX支援サービスの選び方 もあわせて参照されたい。

主要参考資料