顧客からのAI相談は増えるのに、自社だけでは検査・OCR・エージェントの中身まで作り込めない——そんな場面でスタートアップのプロダクトを組み込む協業が現実解になりつつあります。何を自社で持ち、何を外に頼り、責任と保守をどう分けるか。押し売りではなく、単独では出せない提案をどう設計するかを両面から考えます。
基幹システムやWMSの導入・保守を担ってきたSIerや開発会社のもとに、既存顧客から「画像検査をAIでできないか」「伝票や現品票のOCRを自動化したい」「問い合わせ対応をエージェント化したい」といった相談が持ち込まれる場面が増えていると考えられます。背景には、製造・物流の現場を中心とした慢性的な人手不足、検査員や熟練者の高齢化、そして生成AI・VLM(視覚言語モデル)の実用化が同時に進んだことがあります。顧客にとってSIerは「システムのことなら相談できる相手」であり、AIも当然その延長で相談されます。
ところが、いざ受けようとすると壁にぶつかります。画像検査やOCRのコアは、モデルの選定・学習データの設計・照明や光学系の調整・現場の変動への耐性づくりといった、通常の業務システム開発とは異なる専門性の塊です。これを受託でゼロから作り切ろうとすると、工数もリスクも一気に膨らみ、しかも「作ってみないと精度が読めない」という不確実性を自社で丸ごと抱えることになります。
多くの現場で、選択肢が「自社で頑張って作る」か「案件を見送る」の二択になってしまいがちです。しかし実際には、その中間に「既に現場実装の実績を持つスタートアップのプロダクトを組み込み、業務適合と既存システム連携は自社が担う」という第三の道があります。顧客が本当に欲しいのは最新モデルそのものではなく、自分たちの業務が回ることです。そこにこそ、業務と現場を知るSIerの価値と、AIコアを持つスタートアップの価値を掛け合わせる余地があると考えます。
協業の可否を感覚で判断する前に、いくつかの論点を分けて考えると見通しが良くなります。ここを曖昧にしたまま提案に進むと、後工程で「思っていたのと違う」が噴出しやすいと考えられます。
自社が長年築いてきた強みが、業務知識・既存システム・顧客との信頼関係にあるのなら、AIモデルのコアまで内製化することが本当に競争力になるのかは冷静に問う価値があります。差別化の源泉でない領域を無理に抱えると、保守負債になりかねません。逆に、AIコアを外部に頼るからこそ、自社は業務適合と運用設計という得意領域に集中できるという整理もありうると考えます。
協業の正当性は、最終的に顧客への提供価値で決まります。SIer単独でもスタートアップ単独でも出せない提案——たとえば「現場の光学・照明まで含めた画像検査を、既存の生産管理システムと連携させ、運用と保守は身近なSIerが受ける」といった組み合わせが作れるかどうかが論点です。単に外注先を一つ増やすだけなら、顧客から見た価値は薄いままだと考えられます。技術そのものの見極め方は協業パートナー選定基準の観点も参考になります。
画像検査やエッジAIは、机上のデモと現場の稼働の間に大きな溝があります。照明の当て方、カメラの選定、設置スペース、ライン速度、環境変動——こうしたハードウェア統合の領域は、ソフトだけでは埋まりません。この現物リスクを誰がどこまで引き受けるのかを最初に握っておかないと、精度が出なかったときの責任の所在が曖昧になりがちです。
実務でよく機能する型の一つが、「既存システムへのAIアドオン」です。顧客の基幹システムやWMSはそのまま活かし、AIによる検査・OCR・判定の機能だけをアドオンとして接続する構成です。顧客は慣れたシステムを使い続けられ、投資も段階的に済み、SIerは自社の得意な連携・カスタマイズで価値を出せます。
たとえば物流現場で、入出荷の伝票や現品票の読み取りを自動化したいという要望があるとします。SIerが既存WMSの連携・画面・運用フローを設計し、OCRエンジンとしてスタートアップのプロダクトを組み込む。このとき、読み取り結果をどう受け渡し、例外(読めなかった品)をどう人手にエスカレーションするかまで含めて設計するのがSIerの腕の見せどころです。具体的な接続の考え方はWMSとOCRの連携で整理しています。
顧客との契約主体(プライム)を誰が担うかは、案件の性格で変わりうると考えます。既存顧客との関係が深く、業務全体の責任を持てるSIerがプライムを取り、スタートアップがAIコアのサブに入る形が自然な場合が多いでしょう。一方、AIが提案の主役で現物検証が価値の中心なら、スタートアップが前に出てSIerが実装・運用を支える形もありえます。どちらにせよ、顧客から見た窓口が一本化されていることが安心につながると考えられます。
技術を組み込む協業とは別に、顧客基盤や販路を持つ側と技術を持つ側が組む型もあります。商流を軸にした連携については商社との協業モデルで扱っていますが、SIerの場合は「業務理解×実装力」を軸にした技術協業のほうが噛み合いやすい傾向があると考えます。
協業がこじれる原因の多くは、能力不足ではなく境界の曖昧さにあると考えられます。提案・見積りの段階で、次の三点を文書に落としておくと後工程が安定します。
AIの判定精度そのものはスタートアップ側の領域、業務フローと既存システム連携の正常動作はSIer側の領域、といった線引きを明確にします。特に「精度が出なかった場合」の扱いは要注意です。精度は現物・現場に強く依存するため、「一定条件下での目標値」と「その条件が崩れた場合の再検証プロセス」を分けて合意しておくと、後の水掛け論を避けやすいと考えます。
顧客の現物画像・伝票データは機微情報であり、学習に使ってよいか、誰が保持し、成果物としてのモデルや調整済みパラメータの権利が誰に帰属するかは、早い段階で三者(顧客・SIer・スタートアップ)で合意すべき論点です。ここは契約・法務の領域に踏み込むため、一般論として整理したうえで、具体的な条項は専門家および最新の公式情報の確認を推奨します。
「初期の現物検証(PoV)」「本開発・実装」「ライセンス/利用料」「保守」を最初から分けて見積もると、顧客も投資判断がしやすくなります。とりわけ検証フェーズを小さく切り出しておくことは、精度の不確実性を抱えたまま大型契約に進むリスクを、三者いずれにとっても下げる効果があると考えられます。
AIを組み込んだシステムは、納品して終わりではありません。現場の商材が変わり、季節で照明条件が変わり、新しい伝票様式が増える——こうした変化に追従できるかどうかで、顧客満足は大きく変わります。この継続的な改善ループを協業のどちら側がどう回すかを、運用設計の中心に据えるべきだと考えます。
顧客からの問い合わせやトラブルの一次受けは、業務を理解し関係が近いSIerが担うのが現実的な場合が多いでしょう。そのうえで、モデルの再学習やチューニングが必要な事象はスタートアップに連携する、という二層の体制が機能しやすいと考えられます。ここで大切なのは、現場で起きた「見えなかった事例」がスタートアップ側にきちんと戻る仕組み——エスカレーションの経路とデータの受け渡しルール——を作っておくことです。
AIは100%ではありません。読めない・判断が割れる事例が一定割合で出ることを前提に、人が確認・修正するフローを最初から組み込むほうが、現場は安定します。この「AIと人の分担」の設計こそ、業務を知るSIerが最も価値を出せる部分だと考えます。完璧な自動化を約束するより、例外を織り込んだ現実的な運用を提示するほうが、結果として顧客の信頼を得やすいと考えられます。
実際に協業を進めるなかで繰り返し観測される、つまずきの型をいくつか挙げます。事前に知っておくだけでも回避しやすくなると考えます。
協業を検討するとき、いきなり座組みや契約から入るとかえって重くなります。順序としては、まず顧客の困りごとと現物を起点に、小さく検証してから設計を固めるのが堅実だと考えます。
(1)顧客の業務課題と、対象となる現物(画像・伝票・データ)を特定する。(2)その現物で「どこまで見えるか/読めるか」を小規模に検証する(PoV)。(3)結果をもとに責任分界点・データ扱い・見積り構造を三者で言語化する。(4)既存システムへのアドオンとして実装し、例外処理と保守体制を組み込む。(5)稼働後の改善ループを回す。——この流れなら、不確実性の高い部分を早い段階で潰しながら進められると考えられます。
最後に両面性の観点を。Nsight自身もスタートアップとして大手企業や商社との共同出展・オフライン勉強会などを通じて協業を実践する立場から言えば、組みやすいと感じるSIerには共通点があります。業務と現場を深く理解している、責任分界点やデータ扱いを最初から具体的に詰めてくれる、そしてデモではなく現物検証から入ることに前向きである——こうした相手とは、たとえ最初の案件が小さくても長く続く関係になりやすいと感じています。逆に「とりあえず何ができるか全部教えて」から入る相手とは、噛み合うまでに時間がかかる傾向があります。まずは一つの現物で一緒に検証してみることが、相性を測る最も確かな方法だと考えます。ご関心があれば、相談するところから始めていただけます。
差別化の源泉がどこにあるかで判断するのが一つの目安だと考えます。強みが業務理解や既存システム連携にあるなら、AIコアまで抱えると保守負債になりかねません。既に現場実装の実績を持つプロダクトを組み込み、自社は業務適合と運用に集中する方が現実的な場合が多いと考えられます。まずは小さな現物検証で見極めることを推奨します。
一律には決まらず、事前の合意で線引きするものだと考えます。AI判定精度はスタートアップ側、業務フローや連携の動作はSIer側といった分担が一般的ですが、精度は現物・現場条件に強く依存するため、「一定条件下の目標値」と「条件が崩れた際の再検証プロセス」を分けて文書化しておくことが、後の水掛け論を避ける助けになると考えられます。
顧客・SIer・スタートアップの三者で早期に合意すべき論点です。データ利用範囲、保持者、調整済みモデルやパラメータの帰属を曖昧にすると、横展開や拡販の段階で揉めやすくなります。これは契約・法務に関わるため、一般論の理解に留め、具体的な条項は弁護士など専門家および最新の公式情報の確認を推奨します。
多くの場合、入れ替えずにAI機能をアドオンとして接続する構成が可能だと考えられます。既存システムはそのまま活かし、検査やOCRの結果を受け渡す形にすれば、投資も段階的に済みます。ただし連携方式や例外処理の設計は現場ごとに異なるため、実際のデータとフローでの検証を前提に設計することを推奨します。
スタートアップに大手SI並みのサポート体制を期待するのではなく、一次窓口や運用・保守の厚みをSIer側が担い、モデル改善など専門領域をスタートアップが担う二層体制にすると噛み合いやすいと考えます。エスカレーション経路と現場事例の共有ルールを最初に決めておくことが、体制の弱さを補完し合う鍵になると考えられます。
協業の相性や技術力は、資料や面談だけでは測りきれないものだと考えます。顧客の現物データで「どこまで見えるか・読めるか」を小さく確かめるところから始めれば、責任分界点も座組みも自然と具体化していきます。元キーエンス画像処理事業部の現場知見×VLM×エッジ実装の観点から、まずは検証をご一緒します。
技術協業について相談する