物流の電話を肩代わりして評価額1,880億円 ― 跳ねたのは倍率ではなく売上だった

1本の通話の裏で、6種類のモデルが直列に走っている

技術の中身に入る。音声で業務を回すエージェントは、文字で対話する仕組みとは制約が根本的に違う。相手が待ってくれないためである。

処理は6段に分かれる。まず波形から人が話しているかを判定し、次に逐次で文字に起こす。三段目で相手が話し終えたかを判定し、四段目の大規模言語モデルが応答を決める。必要なら基幹システムを照会したり通話を転送したりする道具を呼び、最後に音声へ合成して返す。同社はこのうち音声合成や発話終了の判定を自社で持ち、他の部分は供給元を差し替えられる作りにしている。品質差が耳に直接届く部分だけを内製する、という切り分けである。

この6段が、人が不自然だと感じない時間内に収まらなければならない。人どうしの会話で相手が話し終えてから次が話し始めるまでの間は、言語を問わずおおむね0.2秒に集まる。機械の場合、0.4秒未満なら自然に聞こえ、0.4秒から0.8秒なら気づくが我慢され、0.8秒を超えると相手は通話が切れたと考えて話し直す。

問題は、この予算の取り合いが最初の段階で起きることである。無音が何秒続いたら発話終了と見なすか、という待ち時間を0.8秒に置くと、それだけで許容量を使い切る。文字起こしにも推論にも合成にも、まだ一度も時間を配っていない段階で、である。かといって待ち時間を短くすれば、今度は相手が考えている最中に割り込む。エージェントの性能の大半がモデルの外側の設計で決まるという構図は、エージェントの器の設計を扱った過去の分析で見た通りで、音声ではその割合がさらに高い。

この6段のうち最も外から見えにくく、それでいて体験を決めるのが三段目である。発話終了の検出は、無音の長さだけで切る方式は、人が考えながら話す場面で必ず破綻するためである。

「積み地は名古屋で、荷降ろしが…」で止まったとき、文はまだ閉じていない。ここで応答を始めれば相手の言葉を踏む。一方「積み地は名古屋、荷降ろしは仙台です」なら、無音が短くても待つ必要がない。同じ0.5秒の沈黙でも、切ってよい場所かどうかは意味の側で決まる。そこで、途中まで書き起こされた文を読んで完結しているかを判定する別のモデルを置く方式が使われる。無音を待たずに応答を始められるため、体感速度がそのまま上がる。

現場の通話には、業界固有の略語、車両番号、地名、強い訛り、走行中の風切り音、無線の被りが同時に入る。一般会話で訓練した書き起こしはこの条件で語を落とし、落ちた語は発話終了の判定にも推論にも波及する。同社が音声認識を業界語彙で追加学習しているのはこのためで、参入の壁は基盤モデルの側ではなく、この現場データの側にある。OpenAI や Anthropic が提供する言語モデルは誰でも呼べるが、深夜の高速道路から掛かってくる電話の音声は買えない。

通話が終わった後の採点も自動化されている。割り込みの回数と遅延で音声体験を、交代の比率と感情の推定で対話の流れを、人への転送率で自律の度合いを、道具の選択精度で情報の正確さを、解決率で業務の成果を測る。この5軸が、次の反復で何を直すかの入力になる。

売れた後に始まる工程が、この事業の本体である

初回のエージェントが動き出すまで4週から12週。ここで終わらないのが、この事業の形である。以後も反復ごとに稼働中のものを直し、新しいものを足していく。売り切りではなく常駐に近い。

導入が長引く原因は、モデルの性能ではないところにある。接続先の運行管理の仕組みは会社ごとに違い、外から呼べる窓口が用意されていないことも多い。どこまで機械に決めさせ、どこから人へ渡すか、誤りの責任が誰に残るかという線引きは、技術ではなく合意形成の時間を食う。同じ意味の言葉が会社ごとに違うという問題は、稼働させて初めて表に出る。最初の1体が必ず作り直しになるのは、この順序が避けられないためである。

主導した投資会社が「欠けていた環」と呼んだのは、この部分を成立させる層のことである。権限の管理、人が触る画面、業務の文脈を渡す仕組み。1つの作業をこなすエージェントを作ること自体はもう難しくないが、複数の工程にまたがる業務へ置くのは別の難しさになる。従業員に新しい操作を覚えさせずに済むことが、投資対効果が出る条件になっている。拠点を2か所から8か所へ広げたのは、この手数を現地に置く必要があるからである。

数字の側からも確かめられる。公表された量的な手がかりは、ある顧客が月28,000時間の業務を自動化しているという1点しかない。月160時間で割れば約175人分になる。米国の物流事務職の時給を25ドルと置けば月70万ドル、年に直すと約840万ドルの人件費が、この1社の中だけで動いていることになる。

値付けが2階建てになっている理由もここから見える。開発者向けには通話時間で課金しており、これは試すための入り口であると同時に、競合と単価を直接比べられる領域でもある。音声は文字と違って無言の時間にも計算機が動くため、この階で戦えば原価が推論費に引きずられる。法人向けは基幹システムへ何本つなぎ、どの業務を任せるかで契約が決まる。単価の比較が成り立たなくなり、解約の障壁は連携の本数そのものになる。推論の量がそのまま原価になる構造は、エージェント経済の推論負荷を扱った分析で見た通りで、通話が集中しても後から計算機を足すのでは間に合わないため、NVIDIA の演算装置を平時から余らせて確保しておくことになる。この余剰は原価に乗る。

仲介業者は、自分の粗利の源を薄くする道具を買っている

ここに、あまり指摘されていない構図がある。

物流の仲介業者の粗利は、荷主と運送会社が互いを探す手間を代行することで生まれてきた。空車を見つけ、価格を決め、進捗を確かめ、支払いを起こす。この往復が高くつくからこそ、代行に金が払われる。そして往復を安くする技術を最初に買うのは、往復で稼いでいる当の仲介業者である。

短期には辻褄が合う。人件費が減り、1人あたりが扱える件数が増える。同社が公表している運用部門の処理量10倍という数字は、この効き方を指している。手が回らずに放置されていた経路から営業の売上が5倍になったという数字も、同じ理屈で説明がつく。

中期の筋道は3つに割れる。価格の決め方と与信、事故が起きたときの責任は自動化しにくいため、連絡だけが安くなって判断の対価が残る筋。大口の荷主が自前でエージェントを持ち、運送会社と直接つながって仲介が小口と突発だけに残る筋。そして両端の通話と履歴が1つの基盤にたまり、誰と誰がいくらで、どれだけ滞ったかを最もよく知るのが道具の提供者になる筋である。3つ目が起きた場合、連絡の代行という事業は需給の把握という別の事業に化ける。

今回の株主の顔ぶれは、この構図と無関係ではない。通信事業者が2社入り、素材とエネルギーを自ら扱う米国の非公開の巨大企業の投資部門が加わっている。技術への投資というより、自社の調整業務を先に押さえる動きに近い。買い手が株主を兼ねる構図は、値付けの自由度にも、どの業種から順に広げるかの順序にも効いてくる。

日本で同じ商売をしていた会社は、上場をやめて非公開になった

日本側の事情は、米国とは違う形で切迫している。国の試算では、対策を打たなかった場合の営業用トラックの輸送能力は2024年に14.2%、2030年に34.1%不足しうる。人を増やして埋める道が残っていない以上、1件あたりの調整にかかる人の時間を削るしかない。

そして日本には、まさにこの事業をしていた会社があった。荷物と空車を電話で突き合わせる求貨求車で国内シェアは8割から9割とされ、全国50か所の情報センターに人を置き、約13,000社の提携先へ掛け続ける形で規模を作ってきた。事業の中身は、今回の会社が自動化しようとしている作業とほぼ重なる。その会社は2024年問題への対応を理由に投資会社と組み、2025年1月15日に上場を廃止した。買付価格は1株10,300円で、公表前日の終値7,330円に対して約4割の上乗せだった。

情報センターの人員構成を作り替える工程は、四半期ごとの説明と相性が悪い。市場を離れれば、短期の利益を落としてでも作り替えられる。投資家の側から見れば、この転換を公開市場で観察できる対象が1つ消えたことになる。

日本語で同じ品質を出すには、追加の困難がある。敬語と含みのある言い回しは発話終了の判定を難しくする。「ちょっと厳しいかもしれません」が断りなのか交渉の余地なのかは、語彙の学習だけでは分かれない。応対業務向けの音声認識ではアドバンスト・メディア(3773)が国内の主軸を占め、通話中の要約や話題の分類まで機能を広げている。対話の自動化ではPKSHA Technology(3993)、音声処理の基盤研究ではNTT(9432)、応対自動化に特化した層ではモビルス(4370)が並ぶ(銘柄の一覧)。ただし日本勢は認識や合成といった部品の提供に寄っており、基幹システムへ入り込んで業務そのものを引き受ける層は薄い。今回1.5億ドルが投じられたのは、まさにその薄い層である。

人が減ることを前提にした設計が、雇用のどの階層に効くのかという論点も残る。調整業務は、日本の情報関連の人材が実際には不足ではなく配置の問題として積み上がってきた構造と同じ場所にある。電話を掛ける仕事が消えるのではなく、電話を掛けさせる設計をする仕事へ移る。移れる人と移れない人がどこで分かれるかは、初級の職務が先に代替されるという実験結果が示した通り、業種ではなく職務の粒度で決まっている。