「法律と医療は保守的だからAI導入が遅い」。みんなそう言っていました。ところがa16zが実売上データで検証してみたら正反対で、テックの次が法律、その次が医療だったんです。 エンジニアよりも先に弁護士のほうがAIにお金を払っているという話です。
なぜこれが意外なのか
従来のSaaS営業サイクルを見れば答えが出ます。法律と医療は、ソフトウェア会社にとって長らく「墓場」でした。 導入決定が遅く、コンプライアンス審査が長く、技術リテラシーの高いバイヤーが少ない。医療はEpicなどのEHRが市場を抑え込んでいて、新しいSaaSが入る余地がほとんどなかったんです。
ところがAIの時代になって、その風景がひっくり返りました。a16zはFortune 500とGlobal 2000の実際の契約・売上データを集計したのですが、テックに次いで売上モメンタムが大きいのが法律、その次が医療でした。 アンケートベースのリポートではなく、実売上ベースの数字なので意味が違います。
Harveyは60ヶ国・1,300組織・10万人を超える弁護士に使われていて、米国AmLaw 100の多くが顧客です。 Abridgeは米国の大型医療機関150以上の医師が使っていて、2026年第1四半期時点でARR1億1,700万ドルに到達しました。
なぜ規制が負担じゃなくブースターなのか
ここで核心となる洞察が出てきます。通念が間違っていた理由はシンプルです。規制業界こそ、AIのROIを証明するのに最も向いているんです。一般のSaaSは「これを使えば少し楽になりますよ」というレベルの価値を売らなければいけません。規制業界はその真逆です。
| 比較ポイント | 一般業界 | 規制業界(法律・医療) |
|---|---|---|
| コア業務の性格 | 定型ワークフロー、会議 | 大量テキスト分析・推論・要約・起案 |
| 業務の単価 | 時間あたり数千〜数万円 | 時間あたり数万〜数十万円 |
| 文書レビュー量 | 週に数十件 | 1件あたり数百〜数千ページ |
| 削減効果 | そこそこ | 1件あたり数十万〜数百万円 |
| ROI証明の難易度 | 「ちょっと速くなった」レベル | 「3時間→30分、即座に定量化」 |
弁護士が1,000ページの判決文をレビューするのに通常は数日かかります。韓国のLBOX AIはこれを2分で終わらせます。 時間あたり5万円超の弁護士が何日もかけていた仕事が分単位に縮まれば、ROIの計算は子供でもできるレベルです。
規制そのものが「構造化データ」を生み出している
法律・医療がAIに合うもう一つの理由は、規制業界は強制的にすべてを文書として残すという点です。判例、契約書、診療記録、保険請求書 — すべて定型化されたテキストコーパスなんですよね。AIが学習・推論するのに最も理想的なデータセットです。非規制業界はむしろデータが散らかっていますが、規制があったおかげでデータが整理されていた、というわけです。
Harvey・Abridge・LBOXの共通パターンは何か
米国と韓国の事例を並べて見ると、パターンがくっきり見えてきます。
- 「既存システムの置き換え」ではなく「横に貼り付ける」
Abridgeが急成長した理由は、Epic EHRを置き換えずに、診療会話を診療記録に変換するという単一タスクに絞ったからです。 Harveyも同じで、既存のロー会社のケース管理システムをひっくり返しません。弁護士の横で文書分析と起案だけを手伝います。 - 「判断」ではなく「準備作業」を自動化
AIが診断を下したり弁論を決めたりはしません。それは医師・弁護士の仕事のままです。代わりに、その判断に必要な情報を集めて整理する時間(通常業務の70〜80%)を圧縮します。責任の所在も自動的にきれいに保てます。 - ドメイン特化データで武装
韓国のLBOXは弁護士4,500人以上が使う圧倒的な判例データ、Casenoteは30万件以上の判決文データで差別化しています。 一般のChatGPTでは「韓国大法院2023年の判例を正確に引用する」ということができないんです。 - インセンティブが揃っている
ロー会社は時間単位で課金しますが、AIを使えば同じ時間でより多くのケースを処理できます。Eve(米国の原告側弁護士特化AI)は、「ケース数=売上」となるplaintiff lawを狙って1年でユニコーンになりました。 AIが直接売上を作る構造です。
核心だけ整理:始め方
このデータから経営者・CIO・起業家が持ち帰れる実践的な示唆を整理しました。
- 「うちの業界は保守的だから」という言い訳を疑う
保守的だから導入が遅いのではありません。保守的な業界は「リスク回避=高い人件費を払って正確に処理」という構造で、AIがその費用を真正面から削ります。自分の業界がまだ動いていないなら、それは警告ではなくチャンスです。 - 「全自動化」ではなく「準備作業の自動化」から
判断・決定・責任は人にそのまま残します。AIにはその前段の情報収集・整理・起案だけを任せましょう。導入抵抗が最も小さく、責任問題もきれいです。 - EHR・基幹システムには触らない
AbridgeがEpicを置き換えずに横に貼り付いたように、自社のERP・CRM・基幹を置き換えようとすると導入サイクルが1〜2年になります。横に貼り付いて、単一ワークフローを圧縮するツールから始めてください。 - 「時間単価が高い職務」から検討する
法律・医療・会計・コンサルティングのように時間単価が高い職務でAI ROIが最も速く出ます。自社で人件費が一番高い作業の中で、テキストベースの繰り返し作業がどれかをまず書き出してみてください。 - ドメインデータを集められるかが堀
起業家へ — 一般LLMにはできない「ドメイン特化データ」を誰が持てるかが核心です。日本語の法律・医療・税務データはグローバル巨大テック企業が入って来れない領域です。そこにチャンスがあります。
韓国は弁護士会のような職能団体規制が別の変数
韓国のLawTalk騒動が示したように、韓国の法律・医療市場は弁護士会・医師会のような職能団体の規制が別の変数として効いてきます。Super LawyerもLBOXも「専門家が直接使う補助ツール」とポジショニングして迂回しています。 規制業界AIをアジアで展開するなら、職能団体との対立構図を最初から設計しておく必要があります。
もっと深く知りたい方へ
Where Enterprises are Actually Adopting AI a16z 原文 — 業界・ユースケース別の売上モメンタムとGDPvalオーバーレイ a16z.com
Harvey Raises at $11B Valuation Harvey 公式発表 — AmLaw 100・1,300組織・10万弁護士の利用データ harvey.ai
Abridge doubles valuation to $5.3B TechCrunch — AbridgeのARRとEpic統合戦略 techcrunch.com
韓国リーガルテックの競争構図 韓国経済 — LBOX・LawCompany・LexisNexisの競合分析 hankyung.com
AI Automation for Regulated Industries Domino — 規制業界AIのガバナンス・監査・再現性要件 domino.ai
LBOX-Casenote統合がもたらす韓国リーガルテック Law School Times — LBOX弁護士4,500人ユーザー基盤とCasenote統合の意義 lawschooltimes.com
