⚡ LAGLESS PORTAL🗽 アメリカ最前線 ①2026-09-11 (金)バックナンバー
🗽 アメリカ最前線 ①

英国で苦情2.7倍、米国で5倍。AIが代筆した申請が、役所の窓口に押し寄せている

きょうの結論

増えているのはスパムではなく、本来もらえるはずだった人の正当な申請。書類の壁がAIで消えた結果、同じ予算で5倍を捌く側の仕組みが作り直しを迫られている。

TOPIC 1

「行政負担」という壁が、AIで消えた

同じ人数が、同じ制度に、届くようになっただけ これまで 受給資格のある人 窓口に届く数は、ごくわずか 灰色の柱 ＝ 行政負担の壁（書類の複雑さ・様式・要件）。ここで本来の受給者が脱落していた いま 受給資格のある人 窓口に、そのまま届く 通知書を撮って投げれば回答が返る ＝ 壁が消えた。受け手の予算と人員は、増えていない
研究者 Chris Schmitz 氏はこれを Agentic Flooding（エージェントによる洪水）と名付けた。
2.7倍英国・住宅オンブズマンへの苦情（2,600件→7,000件超）
5倍米国CFPBへの苦情（同期間）
84事例11の法域で確認された同じカーブ

84事例のほとんどで、申請件数は2022年まで横ばい、その後は加速度的に増えています。しかも多くで鈍化しておらず、数年続くと見られています。論文は来月の AI Ethics and Society 会議で発表予定です。

行政負担 = 書類を揃え、要件を読み解き、正しい様式で出す労力のこと。これが大きすぎて、本来の受給者が諦めてしまう現象を指す政策用語。
TOPIC 2

日本は「申請主義」の国だから、同じ洪水が必ず来る

事業機会は、洪水の「両岸」にある 市民側：申請支援エージェント 自治体側：受付・トリアージAI 通知書を読み取る もらえる制度を提示する 様式に沿った書類を作る AIが書いた申請を要件と照合 不備の差し戻しを自動化 優先度をつけて並べ替える 推定TAM 約250億円 推定TAM 約350億円 申請 参入時に押さえるのは行政書士法・弁護士法との線引き。「代理」ではなく「作成支援」に徹する設計にする
合計およそ600億円。参入難易度は星3つで、技術より制度設計が勝負。

日本の生活保護の捕捉率は2割前後と推計され、高額療養費や各種補助金の申請漏れは慢性的な問題です。書類の複雑さと窓口の心理的ハードルが、まさに行政負担として機能してきました。

自治体職員は約280万人で人手不足はすでに深刻。デジタル庁のガバメントクラウド移行と自治体システム標準化は2025年度末で一巡し、2026年度からは「入口（申請）側」への投資フェーズに入ります。タイミングとしては、まさに今です。

TOPIC 3

Salesforceが、ARRの67倍で買おうとしている会社

署名済みの資金調達を撤回してまで、話が進んでいる $30M $1.5B $2B ARR Series C の評価額 （署名後に撤回） Salesforce との買収交渉額 ＝ ARRの67倍 2023年創業。顧客に Microsoft・Canva・Anthropic・Sweetgreen。当事者ですら「高すぎる」と判断する可能性がある水準
Listen Labs は、音声AIが顧客インタビューを設計・実施し、レポートやスライドにまとめる会社。

この領域は2つの流派が並走しています。実在の人にAIがインタビューする型（Listen Labs）と、誰にも聞かずにAIが反応を予測する型（合成被験者）。後者では Simile が7月に$200M（評価額$2B）、Aaru も$1Bの評価額を付けています。

TOPIC 4

7,000億円の市場調査市場に、AIインタビュアーがいない

日本の定性調査は、いまだに1件数十万円・納期数週間 いまの工程 モデレーター確保 会場の手配 書き起こし 分析 数週間 AIが入ると 設計・実施・書き起こし・分析をひと続きで 数時間
日本語音声AIの品質は2026年に実用域へ達している。被験者の供給は、既存パネル会社との提携で解ける。

マクロミル、インテージ、クロス・マーケティングが定量のパネル調査で市場を築いてきた一方、定性調査だけが人手の工程のまま残っています。消費財・製薬・自動車ではグローバル本社がすでに使い始めていて、日本法人から「日本語版はないのか」という逆需要が発生しやすい構造です。

推定TAMは定性調査とCX調査のAI代替分で約1,500億円。技術の壁は下がっているので、誰が日本のリサーチ部門に売り込むかという営業の勝負になります。

TOPIC 5

Harveyは、顧客データを使わずに自前モデルを作った

学習データを「待つ」のではなく「製造した」 ふつうのやり方 顧客の利用履歴が溜まるのを、何年も待つ → 顧客データの利用許諾も要る Harveyのやり方 約1,750の「法務タスク環境」を自分で作る → 顧客データは1件も使わない 1つの「タスク環境」の中身 パートナーが振る案件を模した書類 使えるツール一式 専門家が定めた評価基準（平均50個） × 1,750件
ベースはオープンウェイトの Kimi K3。推論プロバイダーの Fireworks と組み、法務データでポストトレーニングした。

9月9日、Harvey は$550Mの追加調達と評価額$15.5Bを発表しました。3月の$11Bから9か月でほぼ2倍です。ただし注目すべきは金額より、その2週間前に出した自社モデル「Harvey Tenet」のほうです。

同じ週、a16zのSeema Amble氏が「The Incumbents Are Coming」を公開し、垂直AIが勝つ条件は「仕事そのものの学習ループを持つこと」だと結論づけました。契約書は法務案件そのものではなく、チケットは顧客の解決そのものではない。だから既存SaaSは自分のレコードの周辺しか自動化できません。

日本の LegalOn、GVA TECH、MNTSQ はいずれも外部LLMのAPIを利用する形で、自前モデルを持っていません。判例・通達・会計基準が国内固有で、英語圏で学習されたモデルの知識が薄い——つまりポストトレーニングの効果が最も出やすい領域です。弁護士4.6万人、税理士8.1万人、公認会計士4.2万人という専門家プールもあります。推定TAM約2,000億円、参入難易度は星4つ。

🔒 この回の元レポート全文を読む

図解版はこのとおり公開しています。もとになった元レポートの全文と ラボの実況が、月額750円の会員向けです。

会員について見る →

すでに会員の方は 📄 この回の元レポート全文を読む →