2026年2月、ソフトウェア業界に衝撃が走った。
AnthropicがAIエージェント「Claude Cowork」を発表したことを受け、主要SaaS企業の株価が一斉に下落したのだ。
「アンソロピック・ショック」と言われるこの現象では、セールスフォースが年初来▲25%、ハブスポットが▲36.2%、アドビが▲21%という下落を記録した。
日本勢も例外ではなく、マネーフォワードは▲29.5%、Sansanは▲35%に達した。
また、2024年12月のマイクロソフトCEO、サティア・ナデラが、「SaaS is dead（SaaSは死んだ）」とポッドキャストで発言したことも火種となっている。
この言葉が広まり、「SaaSの死」という言説に火がついた。そこへClaude Coworkの登場が重なり、懸念が一気に表面化した。
だが2026年の現時点、SaaSは死んでいない。問いは「SaaSかAIか」ではなく、「どのSaaS事業者がAIをどう取り込むか」という戦略の話に変わっていると考える。
SaaSを強くしていた3本の柱が、同時に侵食されている
「SaaSへの脅威」を語るとき、多くの論者が「内製化シフト」と「シート（ユーザー）数の減少」という2点に集約する。
この整理は間違っていないが、問題の本質は「何が脅かされているか」ではなく、「SaaSがなぜ強固なビジネスモデルだったのか」を先に解剖しなければ見えてこない。
SaaSが長年にわたって高い収益性と顧客定着率を維持できた理由は、以下の3つの「競争優位」を同時に持っていたからだ。
- 機能優位性
- スイッチングコスト
- UI習慣化
AIはこの3本を、正面からではなく側面から、同時に侵食しつつある。
①「機能優位性」がチェリーピッキングされる
SaaSの第一の強みは、多くの企業が月額・年額の利用料を払い続けることで、1社では到底投入できない規模の開発費をかけて作られた製品だ、ということにある。
自社でゼロから作るよりも、完成度も信頼性も高い。だからこそ企業は「買う」という判断をしてきた。
AIはこの前提をいきなり崩すわけではない。崩し方はより巧妙で、必要な機能だけを選んで自作する「チェリーピッキング」という形をとる。
例えば、あるCRMツールを使っている企業が、「商談履歴のサマリーを自動生成する」機能だけをAIで自前実装したとする。
それだけのために専門エンジニアを雇う必要はもはやない。AIを使えば、その機能単体は数日で動くものが作れる。完璧ではないにしても「80点」のものなら、バイブコーディングと呼ばれる自然言語ベースの開発で十分だ。
SaaSの全機能を内製する必要はない。しかし「この機能だけSaaSから切り出して自作する」というチェリーピッキングが積み重なれば、SaaSへの依存度は少しずつ下がっていく。
全面撤退ではなく、静かなダウングレードが起きる。これは売上データに表れにくいが、更新タイミングに「契約プランを下げたい」という形で突然可視化される。
②「乗り換えづらさ」の所在がSaaSからAIインフラへ移動する
SaaSの第二の、そして最も強力な競争優位は「乗り換えづらさ」だった。
データ移行の手間、従業員の再教育、ワークフローの再設計、これらのコストが壁になって、多少不満があってもユーザーは既存SaaSを使い続けた。
SaaSベンダーが享受してきた「惰性の収益」の正体は、この壁だ。
しかし①で見たように、チェリーピッキングによってSaaSへの依存度が少しずつ下がっていくと、この壁も同時に薄れていく。
さらに今度は、AIインフラの側に新たな壁が生まれる。企業がAIエージェントを業務に導入していくと、エージェントの側に固有の文脈が蓄積されていく。
「営業担当からの問い合わせにはこう答える」
「経費申請はこの承認フローで処理する」
「顧客データは社内システムを参照し、外部には渡さない」
こうした設定や記憶がAIインフラ側に積み上がっていく。
これを別のSaaSやAI基盤に乗り換えようとすれば、その蓄積をゼロから再構築しなければならない。
結果として、SaaSのデータ移行が壁だった時代から、AIインフラの設定・記憶の再構築が壁になる時代へと、乗り換えづらさの中身が変わりつつある。
この構造変化が意味することは明快だ。AIインフラ層を自社で持てるSaaS事業者は、この新しい「乗り換えづらさ」を自社の競争優位として取り込める。
逆に、AIインフラを外部に依存するSaaS事業者は、たとえ顧客がSaaSに慣れていても、その定着力を自社のものにできなくなる可能性が高まる。
乗り換えづらさをめぐる主戦場が、SaaSのデータ層からAIのインフラ層へと移っていると言える。
③「UI習慣化」の競争優位に、新たな評価軸が加わる
第三の競争優位は、見落とされがちだが案外重要だ。
毎日ログインして使うことで生まれる「習慣化」と、それが生む「慣れを手放したがらない心理的な抵抗」だ。
人間は慣れ親しんだUIを手放したがらない。「いつものあの画面」への執着が解約率を下げてきた。
AIの登場によって、この構造が単純に崩れるわけではない。
ユーザーがこれまでの画面を使い続けながら、ClaudeやChatGPTからも操作できる状態を実現しているSaaSもある。
つまり、UI習慣化を守りながら、外部AIからの接触経路も広げるという両立は可能だ。
ただし、AIの普及によって競争優位の評価軸が一つ増えた。
従来は「ユーザーが使いやすいか」だけを問えばよかったのが、これからは「AIからも呼ばれやすいか（＝APIの質・データの整備度）」という軸が加わる。
SaaS事業者が問うべきは、この2つの軸にどう比重を置くかだ。自社画面へのAI組み込みを強化してユーザーの操作起点を自社に留めるか、外部AIからも呼ばれる基盤として接触経路を広げるか、あるいはその両方を追う前提でどの割合で追うか。
自社のユーザー行動、データの特性、収益モデルの設計などによって、最適な比重を事業者ごとに考える必要がある。
「サイレントキラー」としてのシート減少
以上の3つの競争優位の静かな崩壊が進む中で、シート数の減少は「サイレントキラー」として作用する。
AIエージェントが従業員の業務を代替すれば、従業員数が減り、シートが増えなくなる。これ自体は多くの論者が語る話だが、怖いのはその「静けさ」にある。
シートが減っても、システムはまだ動いている。AIエージェントがAPIを叩き続けているから、SaaSのAPIコール数は増えている。「使われている」という指標だけ見れば、問題は見えない。
しかし更新タイミングが来たとき、「10シートを3シートに減らしたい」という要求が突然やってくる。
SaaSコミュニティでは、ある大手CRMベンダーのAIエージェント機能を導入した企業からの「人間のアクセスは激減、APIコールは100倍」という報告を挙げている。（※）
AIエージェントが業務を代替するにつれて、人間がログインする回数は減り、代わりにAIがAPIを叩き続けるという構造だ。これはシートベース課金の末路を如実に示している。
重要なのは、この3つの構造変化が同時並行で進んでいるという点だ。
チェリーピッキングによってSaaSへの依存度が少しずつ下がり、乗り換えのコストも薄れていく。
また、UI習慣化だけに頼っていた事業者は、外部AIエージェントの普及で画面を開く機会が減ると、ユーザーが「なんとなく使い続ける」という惰性が失われ、改めて競合と比較され始める。
いずれも緩やかに進行するため、売上データには表れにくい。しかしシート更新のタイミングで「契約を縮小したい」という形で一気に可視化される。
SaaS事業者はこれら3つを個別の問題としてではなく、同時に進行する構造変化として把握しておく必要がある。
SaaS各社の「生き残り戦略」3類型
3本の競争優位が侵食される中で、AI連携をすでに進めているSaaS事業者は、それぞれの柱の立て直し方を模索している。
これらは、大きく3つのパターンに整理できる。
①「プラットフォーム化」―AIを自社基盤に内製する
一つ目が、乗り換えコストの主戦場がAIインフラ層に移る中で、AIエージェントの構築・運用を自社プラットフォーム内で完結させようとする戦略だ。
外部AIがSaaSを呼び出す構造では、AIの判断履歴・設定・文脈は外部AI側に蓄積される。これに対してAIエージェント基盤を自社内に持てば、そうした文脈・記憶も自社に留まり、新たな乗り換えづらさとして機能する。
つまり、SaaS事業者が長年蓄積してきた顧客データや業務データを、AIエージェントがそのまま参照して動ける設計だ。
AIが人間の代わりに業務を処理するようになると、「何人が使っているか」を基準にしたシート課金では収益が取れなくなる。
そこで大手事業者ではすでに、AIが処理した件数や成果を基準にした課金モデルへの移行が始まっている。
マーケティング系SaaS大手も自社AIエージェント群を全製品に統合し、顧客対応エージェントの課金を成果報酬型へ転換している事業者が現れ始めた。
このモデルの本質は「AIの仕事を引き受ける代わりに、料金の刻み方を変える」ことだ。シート数が減っても、AIが処理する件数ベースで収益を取り戻す構造への転換である。
②「MCP戦略」―外部AIへのデータ接続インターフェースを整備する
二つ目が、UI習慣化が外部AIの普及によって薄れていく中で、ユーザーの操作画面としてのSaaSにこだわるのではなく、AIから呼ばれるデータ・API層として存在感を維持しようとする戦略だ。
大手ほどの開発リソースを持たないSaaS事業者の間で台頭しており、外部の主要AIサービスと自社データをつなぐMCP（Model Context Protocol）を活用する。
MCPは複数の主要AI開発企業が採用した業界標準仕様で、SDKの月間ダウンロード数はすでに9700万件を超えている。
SaaS事業者がMCPサーバーを実装すれば、ユーザーはAIアシスタント経由で自社SaaSのデータを参照・操作できるようになる。
画面を使われなくてもデータ層として存在し続けられるため、プロジェクト管理・コラボレーション系SaaSを中心に対応を進める事業者が急増している。
この戦略の本質は「使われ続けること」だ。ユーザーインターフェイスとしてのSaaSアプリが使われなくなっても、データ層・実行層として機能し続けることができる。
つまり、「画面は使われなくてもいい、APIは呼ばれ続ければいい」という発想の転換である。
ただしこの戦略が収益に結びつくには、シートベース課金からAPI利用量ベースの課金モデルへの転換がセットで必要になる。
「使われ続けること」と「収益につなげること」は、別の問題として設計しなければならない。
③「バーティカル深化」―業種特有のデータで差別化する
三つ目が、機能優位性がチェリーピッキングによって侵食される中で、汎業種固有の深い機能・データに特化することで、機能優位性を守り抜こうとする戦略だ。
一つ目と二つ目は、はいずれも多業種に横断的に展開するSaaS事業者の戦略であった。
一方、業種に特化したSaaSには、異なる勝ち筋があると考える。
①のプラットフォーム化と同様にAIエージェントを自社に組み込む戦略だが、差別化の源泉が異なる。
プラットフォーム化が「誰でも使えるAI基盤を自社に持つ」のに対し、業界特化型は「この業種にしか通用しないが、この業種では圧倒的に強い」という方向性だ。
医療・建設・製造・法務といった領域では、業界固有の専門データや規制知識の蓄積がなければ、どれだけ高性能なAIでも正しく動かすことができない。
つまり参入障壁の本質はAIの性能ではなく、長年かけて積み上げたデータと業種知識にある。この「深さ」は短期間で模倣できない。
業種特化型SaaSの勝ち筋は、自社が持つ業種固有のデータと知識をAIに組み込み、「この業種ならこのSaaS」という代替困難な存在になることだ。
データガバナンスと整備が、次の競争を決める
前章で見てきたいずれの戦略をとるにしても、AIエージェントが業務を処理するには、データへのアクセスが不可欠だ。
そのため、SaaS事業者が顧客に提供すべき次の価値として、データガバナンスが重要視され始めている。
問題の深刻さは「シャドーAI」の蔓延に表れている。
従業員が会社の情報を個人アカウントのAIサービスに入力したり、IT部門の承認を得ないままAIツールが社内で稼働したりする事例が広く報告されており、企業のデータが意図せず外部に渡るリスクが常態化しつつある。
Gartnerは「2027年までにAI関連データ侵害の40%以上は、生成AIの不適切な越境利用から発生する」と警告しており、AIガバナンス関連支出は2026年に4億9200万ドル、2030年には10億ドルを超える見通しだ。（※）
規制面でも、EUが制定したAI規制法「EU AI Act」の主要要件が2026年8月に施行され、データの管理・透明性・リスク管理に関する義務が課される。
こうした中、技術的な整備は進んでいる。
データをAIに渡す際の有効なアーキテクチャとして、現在は「RAG（検索拡張生成）」が主流だ。社内文書を「丸ごと学習させる」のではなく、検索時に必要な断片だけを渡す方式で、プライバシーとユーティリティのバランスが最も取りやすい。
機密性の高い処理はオンプレミスまたはプライベートクラウドのSLM（小規模言語モデル）で行い、複雑な推論が必要な場合のみ外部LLMに渡す「ハイブリッドデプロイ」も、エンタープライズでは標準化しつつある。
ただし、ガバナンスを整備する目的は規制対応だけではない。
AIエージェントが真に機能するには、処理対象のデータが「一貫性があり、アクセス可能で、文脈が付与されている」必要がある。
エージェントが賢くなることよりも、エージェントが参照するデータが整っていることの方が、実用上の成果に対してはるかに大きな影響を持つ。
データ基盤なき自動化は、賢いエンジンに粗悪な燃料を入れるようなものだ。
今後は、SaaS事業者が「安全かつ適切なデータの渡し方」を設計して顧客に提供できるかどうかが、次の競争における重要な差別化要素になるだろう。
※出典：Gartner Predicts 40% of AI Data Breaches Will Arise from Cross-Border GenAI Misuse by 2027
ビジネスモデルの大転換、「シート単価」から「成果単価」へ
次に、ビジネスモデルに関して整理する。
ここまでで、シートベース課金からの脱却、API利用量ベースへの転換の必要性に触れた。
では課金モデルの転換には、どんな落とし穴があるのか。
IDCは「2028年までに70%のソフトウェアベンダーが料金体系を再設計する」と予測しているが（※1）、単に課金方法を変えれば済む話ではない。
まず現状を正直に見ると、AIとSaaSの連携による自動化は「始まっている」が「完成してはいない」と見る。
成果が目立ち始めているのは、カスタマーサポートの一次対応自動化、マーケティングコンテンツ生成、コードレビュー支援など、繰り返しが多く判断軸が明確な領域だ。
一方でMcKinseyやBCGの調査によれば、実際の経済的インパクトを出しているパイロット運用はごく少数にとどまるという。（※2）
こうした現状で成果報酬型課金に移行した瞬間、SaaS事業者は初めて「本当に成果を出したか」を問われる立場になる。顧客側もROIを精緻に計算できるようになり、シート課金時代には問われてこなかった問いを突きつけられる。
2026年現在、市場では3つの課金モデルが混在している。
APIコール数や処理量で課金する「使用量ベース」、成果単位で課金する「成果報酬型」、そして基本料金＋従量課金の「ハイブリッド」だ。
移行期にある今はハイブリッドが最も多いが、AIエージェントの活用が進むにつれて成果報酬型への圧力は強まる一方だ。
ここで見落とされがちなリスクがある。成果報酬型課金が普及すると、「1件解決いくら」という価格が市場に出回り、同じ成果をより安く出せる競合が現れた瞬間に価格競争が始まる。
AIの効率が上がるほどコストは下がり、値下げ圧力は止まらない。成果報酬型への移行を急ぎすぎると、自ら最安値競争の土俵に上がることになりかねない。
この競争で生き残るのは、価格を下げることではなく「自社だけが出せる成果」を持つ事業者だ。
そのためには、何をもって成果とするかを自社で定義し、成果を継続的に計測・改善できるデータ基盤が必要になる。課金モデルの変更は、その基盤なしには機能しないということだ。
出典、※1：Is SaaS Dead? Rethinking the Future of Software in the Age of AI
※2：The Widening AI Value Gap
The state of AI: How organizations are rewiring to capture value
SaaS事業者が今すぐ問うべき3つの問い
総じて、SaaS事業者が今直面している問いはシンプルだ。
① 自社のデータは「AIが使える状態」になっているか？
AIエージェントが正しく動くためのデータ整備つまり、統一フォーマット、アクセス制御、メタデータ付与、ガバナンス設計などは、技術的な問題であると同時に組織的な問題でもある。
エージェントが賢くなると同時に、エージェントが参照するデータが整っていることも、実用上の成果に対して大きな影響を持つ。ここへの先行投資が、競争力の源泉になる。
② シート数が減っても収益を維持できるモデルを設計できているか？
「何シート売るか」ではなく「何件解決するか」「どれだけの成果を出すか」という問いに答えられるモデルへの移行を、今から設計すべきだ。
ただし成果報酬型への移行は、価格競争に巻き込まれるリスクも伴う。「自社だけが出せる成果」を定義できているかどうかが、移行の成否を分ける。
③ 自社の画面とAPIの両軸で、どう存在感を維持するか？
ユーザーが自社の画面を使い続ける習慣を守ることと、外部AIからも呼ばれるデータ・API層として機能することは、二者択一ではなく両立を目指すべき問いだ。
自社のユーザー行動、データの特性、収益モデルの設計に応じて、この2つの軸にどう比重を置くかを明確にすることが戦略の出発点になる。
まとめ
「SaaSの死」という言説は、正確には「AIを使いこなせないSaaSが、AIを使いこなすSaaSに淘汰される」ということだ。
先を読んだ事業者たちは、すでに走り始めている。
共存戦争はすでに始まっている。勝者は、データを制した者だ。