AI・SaaSの用語

AIプロダクト・SaaS事業の売買に固有の用語。モデル/データ引継ぎ・API依存等。

AIエージェント（function calling）: AIが自律的に判断し、外部ツールやAPIを呼び出して（function calling）複数ステップのタスクを遂行する仕組みです。M&Aでは外部連携の依存関係が複雑になりやすく、連携先APIの仕様・規約の変更で動作が壊れる、ツール連携の認証情報を引き継げないといった点が事業の再現性を左右します。
AIプロダクト: AIプロダクトとは、機械学習モデルや生成AIを中核機能として組み込んだサービス・アプリケーションです。M&Aでは、モデルや学習データの引き継ぎ、外部AI APIへの依存度、利用規約・著作権の整理が固有の論点になります。
API依存: API依存とは、サービスの機能や収益が外部事業者の提供するAPIに強く依存している状態です。提供元の料金改定・仕様変更・提供終了が、そのまま事業の存続リスクとなるため、M&Aでは依存度の見極めが重要になります。
D-U-N-S番号: 企業を識別するために国際的に用いられる9桁の事業者識別コードです。一部のプラットフォームでは法人としての開発者登録やアプリ公開の前提として求められることがあります。デジタル事業M&Aでは、個人名義の事業を法人へ移す際や買主が法人として再登録する際に、取得や名義の整合が必要になるケースがあります。
Eval（評価データセット・評価ハーネス）: Eval（評価）とは、AIプロダクトの出力品質を測るためにあらかじめ用意した入力と期待される出力の組（評価データセット）と、それを自動で流して採点する仕組み（評価ハーネス）のことです。モデルの更新やプロンプトの変更で品質が落ちていないかを検知する唯一の手段であり、Evalが無い事業は買収後に品質を再現できません。
LLM（大規模言語モデル）: LLM（大規模言語モデル）は、大量のテキストで学習し、文章の生成・要約・分類・対話などを行うAIモデルの総称です。AIプロダクトの多くはLLMをAPI経由で呼び出しており、譲渡で引き継ぐのはモデルではなく依存の構造です。API契約の名義や推論コスト、モデルの廃止への備えが評価の論点になります。
MCP（Model Context Protocol）: AIモデルと外部ツールやデータソースを標準化された方法で接続するための連携プロトコルです。個別の独自実装を標準化し、外部機能の差し替えや拡張をしやすくします。M&Aでは標準への準拠度が移管性に影響すると考えられ、独自仕様の連携に深く依存しているとベンダーロックインを招きやすくなります。
MVP（実用最小限の製品）: 仮説検証のために必要最小限の機能だけを備えて素早く市場に出す製品で、Minimum Viable Productの略です。MVP段階の事業のM&Aでは、スケールを想定しない設計や技術的負債、収益の継続性が未実証である点に注意が要り、現状の実績と移管後の再現性に基づいて価格を見極める必要があります。
SaaS: SaaS（Software as a Service）とは、ソフトウェアをインターネット経由でサブスクリプション提供する形態です。継続課金による安定収益が特徴で、M&Aでは解約率や顧客維持の指標が価値を大きく左右します。
Vibe Coding（バイブコーディング）: 生成AIに自然言語で指示しながら、コードの詳細を細かく読まずに対話的にソフトウェアを作り上げる開発スタイルです。M&Aでは表面は動いても内部の品質が不透明になりやすく、全体設計を誰も把握していない、機密情報の直書き、依存ライブラリの脆弱性の放置といった技術的負債が、移管後の修正コストを押し上げます。
サブスクリプション: 利用者が月額・年額などの定額を継続的に支払うことでサービスを利用し続ける課金モデルです。解約されない限り収益が積み上がり、MRRやARRとして可視化されます。M&Aでは、解約率の高さ、有料転換の弱さ、少数の大口顧客への依存といった内実をデューデリジェンスで確認することが欠かせません。
スイッチングコスト・スティッキネス: 利用者が別のサービスへ乗り換える際に生じる手間・費用・心理的負担のことです。高いほど顧客が離れにくく、その定着性をスティッキネスと呼びます。SaaS・AIプロダクトのM&Aでは収益の継続性と防御力を裏づける要素で、解約率や継続率から読み取ります。高すぎる障壁が不満を招いていないかも確認します。
トークンコスト・API利用料: 生成AIのAPI利用で発生する費用で、入力・出力のトークン量に応じて課金される従量コストです。AIプロダクトの変動費（原価）の中心で、粗利を直接左右します。M&Aでは、無料プランのヘビーユーザーによる赤字、定額課金で利用量に上限がない構造、モデルの値上げによる採算悪化がないかを確認します。
ノーコード: プログラミングを書かず、画面上の操作や設定だけでアプリやWEBサービスを構築できる開発手法・ツール群です。M&Aでは基盤ツールへの依存（ベンダーロックイン）が最大の論点で、ツールの仕様変更・値上げ・サービス終了、アカウントを買主名義へ移せない、ロジックをエクスポートできないといった点を確認します。
フリーミアム: 基本機能を無料で提供し、上位機能や利用拡大に対して課金する事業モデルです。M&Aでは有料転換率とコスト構造の見極めが要点で、無料層がAPI等の変動費を消費して赤字を生んでいないかを確かめます。登録者数の見栄えと実質的な収益力は、分けて評価する必要があります。
プロンプト資産: AIプロダクトの中核として蓄積された、検証済みのプロンプト（指示文）やテンプレート群を資産として捉える概念です。同じ基盤モデルでも設計次第で出力品質が変わります。M&Aでは、体系化されず個人の頭の中にしか無い、モデルの仕様変更で出力が変わりやすいといった点から、移管後も品質を保てるかを精査します。
ベクトルDB・埋め込み（Embedding）: 埋め込み（Embedding）は文章や画像を数値のベクトルに変換したもの、ベクトルDBはそれを大量に保存して類似検索するデータベースで、RAG（検索拡張生成）の基盤になります。譲渡では元データ・埋め込みモデル・DBを揃えて引き継ぐ必要があり、価値はDBではなく元データとその整備の仕組みにあります。
ベンダーロックイン: 特定の事業者の製品・サービス・基盤に深く依存し、他社へ乗り換えるのが技術的・契約的に困難になった状態です。提供元の値上げ・規約変更・サービス終了に対して事業側が受け身になります。M&Aでは、依存先の数、代替可能性、契約を買主名義へ移管できるかの把握が、事業の安定性評価の核心です。
モデル引継ぎ・モデル廃止（サンセット）: AIプロダクトが依存する基盤モデルを、引き継ぎ後も同じ条件で使い続けられるか、提供元によるモデル廃止（サンセット）の影響を受けないかという論点です。サンセットが起きると出力傾向の変化やプロンプトの再調整が生じます。特定モデルへの過度な最適化や、契約を買主名義に移せないことも事業継続性のリスクです。
利用規約依存リスク: 事業が依存する外部プラットフォームやAPIの利用規約（ToS）の変更・解釈次第で、事業の存続や譲渡可否が左右されるリスクです。M&Aでは、アカウントや契約の第三者譲渡が規約で制限されている、自動化やスクレイピングが規約に抵触しているといった場合、引き継ぎ後に事業が継続できない恐れがあります。
学習データ・ファインチューニング: 学習データはAIモデルの学習に用いるデータ群、ファインチューニングは既存の基盤モデルを特定用途向けに追加学習させて精度を高める手法です。AIプロダクトのM&Aでは、データ取得元の利用許諾上の制約、個人情報の扱い、第三者APIの規約、再学習用データパイプラインの引継ぎ可否が事業の再現性を左右します。
座席課金（シート課金・SaaSの引き継ぎコスト）: 座席課金（シート課金）は、SaaSの利用料をユーザー数（席数）に応じて課金する方式で、監視・チャット・設計ツールなど運営に使うSaaSの多くが採用しています。事業を引き継ぐと契約が旧オーナーの名義と席数のまま残るため名義変更か再契約が必要で、買主側の人数によってコストが変わります。
従量課金: 利用量（API呼び出し回数・処理データ量・トークン消費など）に比例して料金が変動する課金モデルです。収益とコストがともに利用量に連動します。M&Aでは定額制より収益の予測が難しく、月ごとの売上変動、一部の大口利用者への偏り、料金単価と原価単価の差の薄さを確認することが欠かせません。
推論コスト（LLMのAPI費用）: 推論コストとは、学習済みのAIモデルを実際に動かして出力を得るためにかかる費用で、商用LLMでは入力と出力のトークン数に応じた従量課金として発生します。ユーザーが使うほど増える変動費であり、AIプロダクトの粗利率と、買収後に同じ収益を再現するためのコスト構造を決めます。