DBC Tech Academy / AI事業 / 中級

Harvey の
ビジネスモデル法律事務所向け AI は何を売り、誰が払い、どこで儲けるのか

Harvey は、2022 年に米国サンフランシスコで創業した AI ソフトウェアの会社で、Harvey は社名であると同時に製品名です。自前で AI モデルを作る会社ではなく、OpenAI・Anthropic・Google のモデルの上に、法律事務所と企業の法務部門、税務や M&A を扱う専門サービス企業が使う作業環境を作っています。弁護士が契約書の山を読み、法律を調べ、文書を書く仕事の中に組み込まれています。この講座では、AI を取り除くと主要な提供価値が成立しない企業を AI ネイティブ (AI-native) 企業と呼び、Harvey を題材に、誰のどの仕事を変え、その価値を誰が支払い、継続する事業にするには何が必要かを読み解きます。法律の仕事を知らなくても読めるように、弁護士が一日に何をしているか、画面で何が起きるか、ChatGPT に書類を貼るのと何が違うかを先に説明します。

press releases / excerpt
$ cat allen-overy_2023-02-15.txt Allen & Overy 独占ローンチパートナーとして導入 弁護士 3,500 人以上(43 拠点) 質問件数 約 40,000 件(試行期間中) 用途 契約分析 / デューデリジェンス / 訴訟 / 規制対応 $ cat harvey_funding_2026.txt 2026-03 調達 2.0 億ドル 評価額 110 億ドル 2026-09 調達 5.5 億ドル 評価額 155 億ドル ARR 3.5 億ドル(2026-07) 顧客 2,400 以上 評価額 ÷ ARR = 約 44 倍

上段は導入元の発表、下段は資金調達の数字です。利用の広がりと投資家の期待を示す数字であって、利益や正答率を示す数字ではありません。この講座は、この数字の裏で何が売られ、誰が払い、何が残るかを読みます。

01 / Start here

Harvey は何を売っているのか

Harvey のビジネスモデルを評価する軸は 1 つです。専門家が確認して使える成果を継続して生み、その価値の一部を利用料として回収できるか。回答が自然かどうかではなく、根拠を原文で確認できるか、手直しがどれだけ必要か、次の工程にそのまま渡せるかを見ます。

売り物は
作業環境賢い AI そのものではない

先に、Harvey が使われる場面を 1 つだけ見ておきましょう。

ある会社が別の会社を買収する、いわゆる M&A の場面では、買う側の弁護士は、買われる側が結んでいる契約を一件ずつ読みます。数百件から数千件になることも珍しくありません。読む目的ははっきりしていて、たとえば「会社の持ち主が変わったら相手方が契約を解除できる、と書いてある契約はどれか」を全件について答えることです。買収後にその契約を失うと事業の価値が変わるからです。従来は弁護士が数人がかりで数週間かけて読み、表にまとめていました。

Harvey では、その契約の山をまとめてアップロードし、「支配権変更条項と解除権を含む契約を抽出して」と指示します。すると契約ごとに該当する条文を抜き出した表が返り、表の各項目には元の契約書のどこから取ったかを示す引用が付きます。弁護士は引用をクリックして原文を確かめ、表を直し、報告書の下書きに進みます。

ここから導ける分析は、Harvey が売っているのが「文章を生成する能力」ではなく、「専門家が案件を進めるための作業環境」だということです。

ただし、二つの採算は分けます。Harvey には利用料収入とサービス提供費用があり、導入企業には利用料の支払いと業務改善の効果があります。顧客の時間が減っても Harvey の利益率は分かりません。顧客が利用料を払っていても、顧客側が十分に回収できているとは限りません。

また、Harvey は専門サービスを支える製品の提供者であって、法律サービスの提供者ではありません。利用規約は、出力は調査用ツールの出力であり法律上の助言ではなく、誤りや不足を含み得ると説明しています。専門家の確認を残したうえで採算が合うかを考える必要があります。

02 / Legal work 101

弁護士の仕事

法律事務所や企業の法務部門の仕事は、ドラマで見る法廷の場面よりも、机の上の文書作業が大半を占めます。代表的な仕事を 4 つに分けて見てみましょう。Harvey が入るのはこのうち 3 つで、最後の 1 つには入りません。

読む

契約書を読んで、自社に不利な条件や抜けている条項を見つけます。買収の場面では、相手の会社が結んでいる契約を全件読んで、問題になりそうな条件を洗い出します。この作業をデューデリジェンス (due diligence) と呼びます。相手の会社は契約書や財務資料をバーチャルデータルーム (virtual data room / VDR) と呼ばれる閲覧専用のオンライン倉庫に置き、買う側の弁護士はそこから読みます。

調べる

「この状況で、この法律はどう適用されるか」を、法律の条文、過去の裁判の判断である判例、規制当局の指針にあたって確かめます。米国では判例が法の重要な部分を占めるので、判例データベースで調べる時間が長くなります。

書く

契約書、社内向けの通知、顧客向けの意見書、裁判所に出す書面を書きます。多くは白紙からではなく、事務所に蓄積された過去の文書である先例 (precedent) を土台にして、案件に合わせて直します。

判断する

読んだ内容と調べた結果をもとに、依頼者にどう助言するかを決めます。ここは資格を持つ弁護士の責任であり、最後まで人が担います。Harvey の機能はここに入りません。

「読む」「調べる」「書く」は、量が多く、時間がかかり、しかも見落としが許されない仕事です。若手の弁護士やパラリーガルと呼ばれる補助職が担い、上位の弁護士が確認します。Harvey が入るのはこの 3 つの工程です。

法律事務所のお金の流れ

法律事務所の多くは、弁護士が案件に使った時間に単価を掛けて請求するタイムチャージ (billable hours) を採っています。1 時間 5 万円の弁護士が 10 時間使えば 50 万円を請求する方式です。一方で、この仕事はいくら、と先に決める固定報酬の案件もあります。企業の法務部門は自社の社員なので、請求はせず、給与と外部の事務所への支払いが費用です。

どの方式かによって、作業時間が減ったときに誰が得をするかが変わります。この違いは07 導入する側の採算で数字にします。

3 つの立場と、時間が減ったときの向き

立場作業時間が減ると
タイムチャージの事務所請求できる時間も減ります。空いた時間に仕事が入るかが問題です。
固定報酬の事務所報酬を維持できれば、案件あたりの必要工数が減ります。
企業の法務部門処理できる仕事と対応速度が改善します。支出が減るかは別です。

03 / Inside the product

Harvey で何ができるか

先に製品の形を押さえておきます。Harvey はブラウザで開く Web アプリケーションで、スマートフォン向けアプリ、Microsoft Word と Outlook の中で動く追加機能、事務所の文書管理システムとの接続を持ちます。AI モデルそのものは OpenAI・Anthropic・Google のものを使い、Harvey が作っているのはその上で法律の文書と手順を扱う部分です。以下、買収案件の流れを一件追います。黄色の番号は、Harvey ではなく人が行う工程です。

  1. 契約の山を Vault に入れるVault

    Vault は案件ごとに文書をまとめて置く場所で、一つの Vault に最大 100,000 ファイルを保存できます。データルームの中身を丸ごと取り込む使い方が想定されています。事務所が普段使っている文書管理システム (DMS / Document Management System) である iManage や SharePoint、Google Drive から直接つなぐこともできます。

  2. 一つの指示で全件を調べる

    たとえば「支配権変更条項と解除権を含む契約を抽出して」と指示します。支配権変更条項 (change of control) とは、契約の相手方の持ち主が変わったときに、契約を解除したり条件を変えたりできると定めた条項です。買収では、この条項がある契約を買収前に把握しておく必要があります。Harvey は全件を読み、該当する契約を抜き出します。

  3. 結果が表で返るReview Table

    Vault にはレビューテーブル (review table) という機能があり、数千件の文書から指定した項目を抜き出して、契約ごとに 1 行、項目ごとに 1 列の表にします。列には「契約の相手方」「支配権変更条項の有無」「解除の条件」「契約の更新期限」のような項目を指定します。Harvey の用途紹介では、M&A 案件で数千件の契約から条項の出現頻度、更新期限、支配権変更条項の範囲を抽出する例が挙げられています。

  4. 引用で原文に戻るCitation

    表の各項目には、元の契約書のどの箇所から取ったかを示す引用 (citation) が付きます。弁護士は引用から原文を開き、抜き出しが正しいか、文脈を取り違えていないかを確かめます。Harvey は、引用がすべて出典まで辿れることを製品の特徴として打ち出しています。専門家の確認がここで行われ、確認を経た表が成果物になります。

  5. 法律の問いは Assistant と Knowledge で調べるAssistant / Knowledge

    表を見て「この州の法律では、この解除条項は有効か」という疑問が出たら、Assistant に自然文で質問します。Assistant は引用付きの回答を返し、引用は法律や判例の出典にリンクします。Knowledge は Assistant が参照する情報源の集まりで、Harvey は 500 以上の情報源に接続していると説明しています。米国の判例と法令については、法律データベース大手の LexisNexis と連携しています。

  6. 報告書と契約書を Word で書くHarvey for Word

    Harvey for Word は Microsoft Word の中で動く追加機能で、事務所の先例や書き方の基準をもとに、条項の生成や契約書全体の下書きを行います。修正は変更履歴として残るので、上位の弁護士が何を AI が書き、何を人が直したかを追えます。Outlook でのメール対応にも対応しています。

  7. 繰り返す仕事はワークフローにするWorkflow Builder

    ワークフロー (workflow) は、目的に向けた一連の業務手順です。Harvey の Workflow Builder では、「案件の訴状をアップロードする」「保全すべき文書の種類を特定する」「関係者への通知文を事務所の書式で作る」のような手順を組み立てて、次の案件でもそのまま使えます。Harvey が推奨例に挙げるワークフローには、先例をもとに文書を書く「Writing from Precedent」、交渉中の契約案を自社の望ましい条件と表で比べる「Analyze Draft DPA and Compare against Preferred Terms」、買い手の交渉力の強弱で提案内容を分岐させる「Make Supply Agreement More Favorable to Buyer」があります。顧客が作ったワークフローは 25,000 件を超えています。

  8. 多段階の処理は Agents に任せるAgents

    Agents は複数の工程を続けて実行する機能です。実行前に計画を見せて承認を求め、判断が必要な箇所では人に確認を求めてから続行し、各工程の記録と引用を残します。

  9. 上位の弁護士が確認し、依頼者へ提出する

    確認を経た表と報告書が、依頼者に渡る成果物になります。

抜き出しの精度、所要時間、権限の適用範囲は、対象業務と契約する機能で確かめます。

5 つの機能はどの工程を担うか

機能担う工程入れるもの返るもの
Vault読む案件の契約書・資料(最大 100,000 ファイル)指定した項目を契約ごとに並べた表と、引用付きの報告
Assistant調べる、書く自然文の質問、添付した文書引用付きの回答、分析、下書き
Knowledge調べる自然文の法律の質問法令・判例・規制の出典にリンクした回答
Workflow Builder / Agents読む・調べる・書くの組み合わせ事務所固有の手順と、その手順に流す文書手順どおりの成果物(チェックリスト、要約、比較表、通知文)
Harvey for Word書く先例、書き方の基準、編集中の文書条項や契約書全体の下書き(変更履歴つき)

「判断する」の列がないことが、この表の要点です。Harvey の機能はすべて、弁護士が判断するための材料を早く、漏れなくそろえる位置にあります。

ChatGPT に書類を貼るのと何が違うか

読者の多くは、ChatGPT のような対話型 AI に PDF を添付して質問した経験があるはずです。Harvey がそれと違う点は 4 つあります。

量が違う

対話型 AI に一度に渡せる文書には限りがあり、数千件の契約を一つの質問で扱うことはできません。Vault は一つの案件で最大 100,000 ファイルを対象に、一つの指示で全件を調べます。

根拠の示し方が違う

対話型 AI の回答は、どの文書のどの箇所から来たかを示さないことが多く、専門家は結局すべてを読み直します。Harvey は表の各項目と回答の各主張に引用を付け、原文に戻れるようにしています。専門家の確認時間を左右するのはこの点です。

情報の扱いが違う

Harvey は、入力・出力・アップロードした文書を基盤となるモデルの学習に使わないこと、モデル提供元にデータを保持させないことを契約で保証しています。加えて、利用者ごとの閲覧権限の管理、事務所内で案件ごとに情報を隔てるエシカルウォール (ethical wall) との同期、監査ログ、保存期間の設定、処理する地域の選択(EU・スイス、米国、豪州)を備え、SOC 2 Type II、ISO 27001、ISO 27701、ISO 42001 の認証を取得しています。

依頼者の機密を扱う法律事務所が、社員が個人で契約した AI を業務に使えない理由がここにあり、Harvey はその条件を満たす形で組織に売っています。

仕事道具の中にある

弁護士の仕事は文書管理システムと Word とメールの中で進みます。Harvey はその 3 つにつながっているので、別の画面に文書をコピーして貼る往復がありません。

まとめると、Harvey は「賢い AI」を売っているのではなく、「法律事務所が機密文書を大量に安全に扱い、結果を原文で確かめ、普段の道具の中で使える環境」を売っています。01 Harvey は何を売っているのかの評価軸「専門家が確認して使える成果」は、この 4 つの違いに対応しています。

04 / Founding & go-to-market

創業と、顧客の増やし方

Harvey には価格表も無料試用もありません。最低 20〜50 席の年契約を、法律事務所の経営層に直接売る企業向け営業です。この売り方は、03 Harvey で何ができるかの「情報の扱い」で見た要件の裏返しです。依頼者の機密を扱う組織は、社員が個人で試して広める形では契約できず、セキュリティ審査と契約交渉を経て組織として導入します。売り方が製品の要件から決まっている例です。

創業者と創業資金

Harvey は 2022 年にサンフランシスコで創業しました。創業者は 2 人で、CEO の Winston Weinberg は大手法律事務所で証券・独占禁止法を扱っていた弁護士、Gabriel Pereyra は DeepMind、Google Brain、Meta AI で研究していた AI 研究者です。専門領域を知る人と AI を作れる人の組み合わせで、2022 年 11 月に OpenAI のスタートアップ向けファンドが 500 万ドルの創業資金を出しました。この関係で、GPT-4 が一般公開される前から法律業務での使い方を試せたと報じられています。

ここから読める事業上の分析は 2 つです。一つは、専門領域に特化する AI ネイティブ企業は、領域の専門家と AI の技術者の両方を創業時に持つ必要があることです。専門家がいなければ02 弁護士の仕事の 4 工程のどこに何を差し込むかが決まらず、技術者がいなければ引用や権限の仕組みを作れません。もう一つは、モデル提供元との近さが初期の時間差を生んだことです。ただし Harvey は 2025 年 5 月に OpenAI 以外のモデルも採用しており、この近さは永続する強みではなく、立ち上がりを早めた要因として扱います。

企業評価額の推移

時期評価額
2025 年 2 月30 億ドル
2025 年 5 月50 億ドル
2025 年 12 月80 億ドル
2026 年 3 月110 億ドル
2026 年 9 月155 億ドル

創業から 4 年、直近の 1 年半で 5 倍です。

誰が使い、誰が払うのか

顧客群利用者と仕事支払判断につながる価値確かめたい指標
法律事務所弁護士とパラリーガルが調査、契約確認、文書作成に使います。同じ人数で扱える案件や、一つの案件で読める範囲を増やせます。確認後の工数、案件別の採算、追加受注を見ます。
企業の法務部門社内の担当者が、営業や購買から持ち込まれる契約の確認と法務相談を処理します。依頼への対応を早め、外部の事務所への委託や残業の必要性を減らせます。滞留件数、回答までの日数、実際に減った外注費を見ます。
税務・M&A などの専門サービス企業専門家が資料を分析し、顧客向けの報告書を作ります。自社の業務手順をワークフローとして繰り返し使い、顧客向けの商品として提供にも展開できます。確認を含む案件工数と、外部への提供実績を見ます。

Harvey は 2026 年 3 月の資金調達発表で、60 か国以上の 1,300 以上の組織、100,000 人以上の弁護士、500 以上の企業法務部門、50 の資産運用会社が利用していると発表しました。2026 年 9 月には 70 か国以上の 2,400 以上の法律事務所・企業法務部門、200,000 人以上の専門家に広がっています。一組織あたり平均で 80 人前後の利用者がいる計算です。顧客の中心は、米国の大手法律事務所上位 100 社を指す Am Law 100(75 社以上が利用)と、大企業の法務部門です。

弁護士数人の小規模事務所は、この顧客に入っていません。個人でのサインアップも無料試用もなく、最低 20 席の年契約を営業担当との商談で結ぶ形なので、定価なら 1,200 ドル × 20 席 × 12 か月 = 年約 29 万ドル(約 4,600 万円)が入口です。小規模向けに月 400 ドル前後の安い枠があるとも報じられていますが、それでも 20 席分で年約 10 万ドルです。小規模事務所は、Thomson Reuters の CoCounsel(月 75〜500 ドル、最低席数なし)、Word の中で契約を起案する Spellbook(月 99 ドル〜)、案件管理ソフトに付く Clio Duo(月 50 ドル前後の追加)、あるいは ChatGPT や Claude をそのまま使っています。Clio の 2026 年の調査では、個人事務所の 71%、小規模事務所の 75% が AI を使っています。

つまり小規模事務所は、Harvey の空白ではなく、別の売り手の市場です。Thomson Reuters は Westlaw の契約者、Clio は案件管理の利用者という販路を最初から持っていて、日常の道具に AI を足すだけで届きます。数人の事務所の仕事は調査・起案・依頼者対応が中心で、10 万ファイルのデューデリジェンスや案件ごとの情報の隔離は要りません。小規模事務所に残っている問題は道具ではなく回収です。同じ調査で、AI を使っても料金体系を変えていない事務所が 8 割を超え、収入が増えたのは 3 割にとどまります。07 導入する側の採算 で見るタイムチャージの問題が、小規模ほど強く出ています。

最大手から順に顧客を増やす

  1. Allen & Overy(A&O)が「独占ローンチパートナー」として導入を発表A&O はロンドンに本拠を置く世界最大級の法律事務所で、2024 年に米国の Shearman & Sterling と合併して現在は A&O Shearman です。世界最大級の事務所が実務で使ったという事実が、同業への信用になりました。
  2. PwC が提携を発表会計・税務の専門サービスにも通用するという信用と、PwC の顧客への経路を得ました。
  3. LexisNexis と提携判例データベース大手の米国判例・法令と引用検証機能を Harvey に組み込むと発表。法律調査の信頼性を大手の内容で裏付け、LexisNexis の契約者に対する接点にもなりました。
  4. Am Law 100 の過半が利用上位事務所の中で「入れていない側」が少数になりました。
  5. Am Law 100 の 75 社以上が利用大手事務所の新規獲得は上限に近づき、成長の重心が企業法務、海外、法務以外、既存顧客内の拡大へ移ります。

一つの組織の中では、少数の部門や案件から入り、ワークフローを事務所の手順に合わせて作り込みながら席数を広げます。Harvey が顧客とワークフローを共同で作ると説明しているのは、製品開発であると同時に、席数を増やすための営業活動です。一つの組織に入ってから席数を広げる進め方は、「月間の利用率 92%」(08 強みとリスク)と、A&O が 3,500 人規模で導入した事実に表れています。

海外展開は、ロンドンに 75 人以上の拠点を置き、70 か国以上、50 以上の言語と法体系に対応しています。米国の判例に依存しない契約確認やデューデリジェンスは国をまたいで同じ形なので、Vault とワークフローが海外展開の中心になります。

日本では、2024 年 7 月に四大法律事務所の一つである森・濱田松本法律事務所が、Harvey にとって日本で最初の、アジアに本拠を置く最初の提携先として導入を発表しました。Harvey の CEO は、この提携を日本とアジア太平洋への展開の一歩と位置づけています。同事務所はアジア各拠点で Harvey を使い、海外投資案件の分析結果を Harvey で日本語に翻訳して日本語話者が確認してから依頼者に送る、といった使い方を事例に挙げています。日本語での利用は翻訳と要約が中心で、日本の判例・法令データベースとの連携はありません。日本の法律事務所や企業法務部門も契約できますが、Harvey は日本に拠点を持たず、価格と日本語対応の範囲は個別の契約で決まります。

この順序は、専門家市場に特化する AI ネイティブ企業に共通します。専門家は同業の評判で道具を選ぶので、最初の顧客は売上のためではなく、次の顧客への信用のために取ります。自社の事業を考えるときは、「最初の 1 社を誰にするか」を、契約額ではなく、その業界で誰の名前が信用として通用するかで決めてみましょう。

PwC は顧客であり販売経路でもある

PwC は会計・税務・経営助言を世界で提供する専門サービス企業です。2023 年 3 月に Harvey との提携を発表し、生成された出力を PwC の専門家が確認すると説明しました。2025 年 7 月には、共同開発した M&A 関連の製品・サービスについて、顧客が直接利用できるようライセンス提供を広げたと発表しています。

現場での使い方は、PwC Germany の M&A 部門の責任者が Harvey のインタビューで具体的に語っています。データルームの中身を丸ごと Vault に取り込み、買収対象の会社が結んでいる顧客契約を全件分析します。たとえば、原材料費が上がったときに値上げを顧客に転嫁できると定めた条項がどれだけの契約にあるかを数え、「20 件を確認した、証拠はこれです」と根拠付きで報告します。従来は期限の中では手が回らなかった分析です。

ここで注目したいのは、専門サービス企業の知識を、繰り返し使う製品に組み込めることです。PwC には専門知識と顧客との関係があり、Harvey にはそれを AI で扱うための製品があります。提携は、社内の作業を速くする用途から、顧客への提供方法を変える用途へ広がっています。

Harvey AI プラットフォーム PwC 専門知識・業務手順・顧客関係 共同製品 M&A 向けサービス 顧客 契約に基づく対価

この提携が Harvey の売上に占める割合は、最大級の顧客でも年数百万ドルから 1,000 万ドル程度と考えると、ARR 3.5 億ドルの 1〜3% で、売上の柱というより顧客への提供経路を広げる先行事例です。

05 / Market & competition

市場の大きさと競合

Harvey の売上を市場の大きさと並べると、成長の余地と限界の両方が見えます。

市場規模の目安Harvey の位置
世界の法律サービス(法律事務所の売上)年 1 兆ドル前後(2025 年)ARR 3.5 億ドルはその 0.03% です。
米国の法律サービス年 3,000 億〜3,900 億ドル(2025 年)主要顧客の市場です。
世界のリーガルテック(法律業務向けソフトウェア)年 330 億ドル前後(2025 年)ARR 3.5 億ドルはその約 1% です。

読み方は次のとおりです。Harvey の売上は、弁護士が受け取る報酬の 1 万分の 3 にすぎません。評価額 155 億ドルが前提にしているのは、リーガルテックの中で伸びることではなく、弁護士の作業時間そのものの一部がソフトウェアの売上に置き換わることです。弁護士の時間単価は高く、1 人あたり年 1 万ドル台の利用料は請求額の数% です。この差が、投資家が 44 倍の評価額を付ける根拠です。ただし、04 創業と、顧客の増やし方 で見たとおり法律事務所の大多数を占める小規模事務所は Harvey の顧客になれないので、1 兆ドルのうち Harvey が実際に狙えるのは大手・中堅事務所と企業法務部門の分に限られます。余地は数字より小さく見るのが実態に近いところです。

一方で、最も買う力のある Am Law 100 の 4 分の 3 以上にすでに入っていることは、大手事務所の新規獲得では今後の成長を説明できないことを意味します。Harvey は 2026 年 3 月の資金調達発表で「法律事務所と企業」向けにエージェントを広げると述べ、資産運用会社 50 社を顧客として挙げています。2026 年には 4 社を買収し、9 月には AI エージェントの安全性評価を手がける Guardrails AI を買収しました。企業法務、金融、税務のように専門家の確認が残る隣接領域へ広げることが、評価額に見合う成長の条件です。

競合:3 種類

  • 同じ AI ネイティブの専門製品。代表はスウェーデン発の Legora で、2026 年 6 月に ARR 1.5 億ドル、1,000 以上の顧客、評価額 56 億ドルと報じられています。欧州の事務所と Microsoft 365 の中での共同作業に強く、2026 年に米国へ本格展開しました。Harvey の半分の売上規模で、同じ大手事務所を取り合っています。
  • 判例データベースを持つ既存大手。Thomson Reuters は Westlaw と組み合わせた CoCounsel を、LexisNexis は Protégé を提供しています。両社は弁護士が毎日使う調査データを握っており、Harvey はそのうち一社と提携しています。提携先は、同時に競合でもあります。
  • 汎用 AI そのもの。OpenAI、Anthropic、Google のモデルは、Harvey の部品であると同時に、文書を添付して質問する使い方では直接の代替です。03 Harvey で何ができるかの 4 つの違いのうち「量」と「根拠の示し方」は、汎用 AI の進歩で縮まり得る差です。

競合が多いことは、席単価が下がる向きに働きます。中堅事務所で月 1,000〜2,000 ドル、大手で 100〜200 ドルという幅は、すでに価格交渉が働いている表れと読めます。読者が自社の事業を考えるときは、「競合がいないか」ではなく、「顧客が自社を選ぶ理由が、汎用 AI の進歩で消えないか」を確かめてみましょう。

06 / Revenue & costs

売上と費用

Harvey に価格表はなく、料金は契約ごとに決まります。それでも、報道と資金調達の数字を合わせると、事業の桁は見えます。

項目目安
課金の単位利用者一人あたりの席数課金、年契約
席単価月 1,200 ドル前後。中堅事務所で 1,000〜2,000 ドル、大手事務所は大量契約の割引で 100〜200 ドル
最低席数20〜50 席
一契約の年額5 万〜30 万ドル超(約 800 万円〜4,800 万円超)
ARR2025 年 8 月に 1 億ドル、2025 年末に 1.95 億ドル、2026 年 7 月に 3.5 億ドル。ARR (Annual Recurring Revenue) は、その時点の月次売上を 12 倍した年換算の売上
顧客数2026 年 3 月に 1,300、6 月に 1,500、9 月に 2,400 以上の法律事務所・企業法務部門
一組織あたりの年間売上15 万ドル前後(3.5 億ドル ÷ 2,400 組織、約 2,400 万円)。大手数十社が大きく、多数の中小顧客が小さい分布
企業評価額2026 年 3 月に 110 億ドル、2026 年 9 月に 155 億ドル
資金調達2026 年 3 月に 2 億ドル、2026 年 9 月に 5.5 億ドル。累計 15 億ドル超
従業員数約 1,300 人(2026 年)

一組織あたり年間 15 万ドル前後という数字は、席単価と最低席数の相場と整合します。安い契約で年 5 万ドル(約 800 万円)、中堅の法律事務所が定価で最低席数の 20 席を契約すると年 29 万ドル(約 4,600 万円)、大手事務所が数千席を割引単価で契約しても同じ桁に収まります。Harvey の売上は、こうした年 1,000 万円前後から数千万円の契約が 2,400 件ほど積み上がった形です。

成長の経路は、新しい組織を獲得すること、既存顧客の中で席数と対象業務を増やすこと、専門サービス企業と組んで顧客向け製品を展開することの 3 つです。ARR は 2025 年末の 1.95 億ドルから 2026 年 7 月の 3.5 億ドルへ 7 か月で 8 割増え、顧客数も 2026 年 3 月の 1,300 から 9 月の 2,400 へ半年で 8 割増えています。売上と顧客数がほぼ同じ速さで伸びているので、成長の半分以上は新しい組織の獲得によるものと読めます。増えた顧客の多くは企業法務部門で、法律事務所より席数が少ないため、一組織あたりの平均は下がる向きに働きます。

費用と利益

費用の側は、従業員約 1,300 人の人件費が、米国のソフトウェア企業の一人あたり年間費用を 20 万〜30 万ドルと置くと年間 2.5 億〜4 億ドルになり、ARR の 3.5 億ドルと同じ桁です。これに、AI モデルの利用料、営業と導入支援、セキュリティ認証の維持が加わります。2026 年時点の Harvey は売上を成長に再投資しており、利益は出ていないはずです。累計 15 億ドル超の資金調達は、この差を埋めるための原資です。

粗利率、つまり売上から顧客一件ごとに直接かかる費用(AI モデルの利用料、文書の保存と処理、導入支援)を引いた割合は、従来型の企業向けソフトウェアで 70〜80%、AI モデルの利用料が大きい AI 応用企業で 50〜70% が相場で、Harvey もその範囲でしょう。数千件の契約を一つの指示で読む Vault の処理は、件数 × 項目の回数だけ生成が走るので、質問一つに答える Assistant より桁違いにモデル利用料がかかります。Vault の利用が増えるほど粗利率は下がる向きに働きます。

AI モデルに依存する事業の強みと弱み

この構成では、AI の分析・生成能力が使い物にならなければ、文書から論点を抽出して下書きを作るという主要な価値が失われます。AI の性能改善が、扱える業務の拡大や確認工数の削減につながり得る点が、Harvey を AI ネイティブ企業として扱う理由です。

一方、強みを特定の AI モデルだけに求めると実態を読み違えます。Harvey は 2025 年 5 月 13 日、既存の OpenAI のモデルに加えて、Anthropic と Google のモデルを組み込みました。同社は、モデルごとに得意な法律業務が違うと説明し、契約の起案に強いモデルが証拠規則を扱う裁判準備では弱いという例を挙げています。標準では業務に応じて Harvey がモデルを自動で選び、利用者が指定することもできます。

競争する場所は、モデル単体の能力に加えて、専門知識の利用、業務ごとの評価、処理の組み合わせにもあります。評価では、モデル名を聞くだけでなく、同じ資料・同じ確認基準で、完成までの工数を比較してみましょう。

07 導入する側の採算の試算で使う前提

導入側の採算は、この節の目安をそのまま初期値にします。

  • 席単価 月 1,200 ドル
  • 席数 20 席(最低席数の目安)
  • 為替 1 ドル 160 円(仮定)
  • 利用料 20 × 1,200 × 160 = 月 384 万円
  • 付帯費用 研修・管理・初期導入費の月割りで月 70 万円(仮定)

提供側の費用は入れず、顧客側の採算だけを扱います。

07 / Unit economics

導入する側の採算

時間を減らせる商品でも、確認に時間がかかる、実際には使われない、契約額が大きいという条件が重なると導入効果は小さくなります。 席数・利用率・確認工数を動かして、この分かれ目を確かめてみましょう。対象は、担当者 20 人の企業法務部門が毎月繰り返す契約確認の仕事とします。営業部門から「この取引先と結ぶ契約案を確認してほしい」と持ち込まれ、法務の担当者が読んで、直すべき箇所を営業に返す仕事です。

契約額を、人ひとりの人件費と比べる

年 800 万円から 4,800 万円という契約額は、法律事務所にとっては人ひとり分の費用です。米国のパラリーガルの年収は中央値で 6 万ドル強、福利厚生を含めた事務所の負担は 8 万〜9 万ドル(約 1,300 万〜1,400 万円)。大手事務所の 1 年目弁護士は基本給 22.5 万ドルで、負担は 30 万ドル前後(約 4,800 万円)です。

事務所の側から見ると、判断は「新人を 1 人採るか、その費用で全員に道具を持たせるか」です。読む・調べる・書くの工程を担ってきたのがパラリーガルと若手弁護士なので、Harvey が置き換えるのはこの層の時間です。ただし、置き換えが費用の減少になるのは、採用を 1 人減らすか、空いた時間で案件を増やせたときだけです。時間が空いただけでは給与は変わりません。この分かれ目を、次の試算で確かめます。

日本の相場に置き換えると、パラリーガルが年 400 万〜500 万円、若手弁護士が年 600 万〜1,000 万円なので、最低構成の 4,600 万円は若手弁護士 5〜7 人分になります。日本の事務所にとって Harvey の定価が重く見えるのは、この差です。

契約額と、相当する人件費

契約年額相当する人件費
安い契約5 万ドル(約 800 万円)パラリーガル 1 人の 6 割
定価の最低構成(20 席)29 万ドル(約 4,600 万円)大手の 1 年目弁護士 1 人
大手の 1,000 席(割引単価)120 万〜240 万ドル1 年目弁護士 4〜8 人

人件費は米国の統計と大手の給与水準、日本は求人相場の目安です。

利用率と確認工数で試算する

-月額の総費用
-削減工数の換算額
-換算額から総費用を引いた差額
-回収に必要な利用率

初期値での計算

月額の総費用 = 20 席 × 1,200 ドル × 160 円 + 700,000 円 = 4,540,000 円 AI 利用件数 = 1,000 件 × 60% = 600 件 1 件の削減工数 = 3 − 0.5 − 1 = 1.5 時間 月の削減工数 = 600 件 × 1.5 時間 = 900 時間 換算額 = 900 時間 × 8,000 円 = 7,200,000 円 差額 = 7,200,000 − 4,540,000 = 2,660,000 円 必要な利用率 = 4,540,000 ÷(1,000 件 × 1.5 時間 × 8,000 円) = 37.8%

契約

仕事

為替は 1 ドル 160 円で固定しています。人件費換算単価は、社内の担当者の 1 時間を給与と諸費用から金額に置き換えた値で、顧客への請求単価ではありません。

金額はすべて仮定です。実物では、利用実績、確認・修正時間、実際に減る支出、契約額を測ります。品質が従来と同等以上に達しない条件は、差額が正でも採用候補から外します。

動かすと見えること

利用率を下げると、差額が先に消えます。契約した席数が多くても、対象案件で使われなければ回収できません。利用率 30% では換算額が 360 万円で、総費用に届きません。利用率を改善する際は、ログイン回数だけを追わず、対象業務のうち何件で使い、完成まで進んだかを見ます。

確認・修正工数を増やすと、1 件の削減が縮みます。確認が 2 時間に増えると 1 件の削減は 0.5 時間で、月 300 時間、換算額 240 万円となり、差額はマイナス 214 万円になります。初期値の条件で回収できる確認工数の上限は 1 件約 1.55 時間、約 93 分です。確認を省いてこの値に収めるのではなく、資料や対象業務を見直して、品質を維持したまま下げられるかを試します。03 Harvey で何ができるかで見た引用の仕組みは、この確認時間を左右する機能です。引用から原文に一手で戻れるか、それとも文書を開いて探し直すかで、1 件の確認時間は大きく変わります。

席数を増やしても、対象件数が増えなければ費用だけが増えます。最低席数で契約すると月額は数百万円になるので、席を埋めるだけでは足りず、対象案件で実際に使われることが採算の前提です。

法律事務所では請求方法で採算が変わる

ここまでの試算は、社内の担当者の工数の価値を測るものです。法律事務所のように顧客に請求する仕事では、さらに料金の決まり方を確認します。02 弁護士の仕事で見たタイムチャージと固定報酬の違いが、ここで効きます。

たとえば 1 時間 3 万円で 10 時間を請求していた案件を、同じ単価で 6 時間として請求するなら、売上は 30 万円から 18 万円になります。空いた 4 時間に仕事が入らなければ、時間短縮だけで売上は増えません。一方、30 万円の固定報酬なら売上を維持しながら 4 時間を別案件に使えます。ただし、固定給の社員の時間が空いただけでは給与支出は減らないため、案件別の工数改善と会社全体の現金収支は分けます。

この違いが、Harvey の価値を売る難しさでもあります。顧客にとって高価値な仕事でも、その価値を顧客自身が回収できなければ、利用料を上げたり契約を拡大したりする根拠は弱くなります。逆に言えば、Harvey の営業は「速くなります」ではなく、「これまで期限内に読めなかった契約を全件読めます」のように、従来できなかった仕事を売り物にする必要があります。PwC Germany の事例で語られた「従来は手が回らなかった分析」は、まさにこの形です。

請求方法と、採算を判断するための確認

請求方法作業時間が減ったとき確認すること
固定報酬報酬を維持できれば、案件あたりの必要工数が減ります。値下げや追加作業も含め、報酬から実際の費用を引いて比べます。
タイムチャージ請求できる時間も減る場合があります。空いた時間に追加受注できるか、請求額の減少を補えるかを見ます。
社内部門処理できる仕事や対応速度を改善できます。外注費・残業などの支出が実際に減るかを見ます。

08 / Moat & risks

強みとリスク

著名な顧客がいることと、顧客が使い続けていることは別です。事業としての強さは、特定業務で継続して使われる割合、確認後に採用された成果物、契約更新、利用範囲の拡大で確かめます。

業務への定着は、導入社数と分けて見る

A&O の初期導入(43 拠点、弁護士 3,500 人以上)は、大規模な専門家集団の実務で利用された事例です。ただし、質問件数だけでは、回答が何件採用されたか、何時間減ったか、契約更新につながったかは分かりません。

Harvey の数字でこれに最も近いのは、用途紹介にある「月間の利用率 92%」です。契約更新率の代わりに、06 売上と費用の売上と顧客数が同じ速さで伸びていることを、大量の解約と並立しにくい形として読みます。

専門知識を使う仕組みは、学習データの蓄積と分ける

AI 事業の強みとして「顧客が増えるほどデータが集まり、AI が賢くなる」という説明をよく耳にします。Harvey には当てはまりません。Harvey は、入力・出力・アップロード文書を基盤となるモデルの学習に使わないと契約で保証し、依頼者の機密を預かる法律事務所は、それを条件に契約しています。

したがって、強みになり得るのは、機密資料の蓄積ではなく、顧客が許可した情報を適切に使う仕組み、専門家が改善する業務手順、現場の評価を製品へ反映する能力です。顧客が作った 25,000 件を超えるワークフローは、Harvey のモデルを賢くしているのではなく、各顧客の中で Harvey を手放しにくくしています。

切り替えの負担は、実測して初めて競争優位になる

組織固有の手順を作り、従業員が使い方を覚え、文書管理システムとの連携が進めば、別製品へ移る際に再設定や再評価が必要になります。この切り替えに必要な費用や手間をスイッチングコスト (switching costs) と呼びます。

Harvey には、Workflow Builder による組織固有の手順作成があります。切り替えの負担を調べるなら、代表的な手順を他製品で再現する時間、出力の品質差、移行後の研修負担を見ます。単にデータ量が多いだけで、長期の競争優位が確立したとは判断しません。

AI の進歩は、価値を増やすと同時に競争条件も変える

モデルの性能が上がれば、Harvey が扱える業務も広がり得ます。同時に、他の製品でも同様の作業ができる可能性があります。03 Harvey で何ができるかの 4 つの違いのうち、「量」と「根拠の示し方」は汎用 AI の進歩で縮まり得る差です。一方、「情報の扱い」と「仕事道具の中にあること」は、法律事務所の要件と道具に合わせて作り込む必要があり、モデルの進歩だけでは埋まりません。

同じ対象業務で、汎用 AI、既存の業務製品、自社開発の仕組みと比べ、最終確認までの時間、管理要件を満たす費用、業務変更への追従を評価します。

Harvey の事業のリスク

Harvey の事業が崩れる経路を、影響の大きい順に整理します。

  1. モデル提供元が同じ市場に降りてくる OpenAI、Anthropic、Google は、Harvey の部品の供給者であると同時に、法律事務所へ直接売る力を持ちます。Harvey の CEO は、最大の競合は間接的には OpenAI だと述べ、モデル開発企業が競合になることを前提に会社を作ってきたと語っています。防ぐ手段は、03 Harvey で何ができるかの「情報の扱い」と「仕事道具の中にあること」の 2 つ、つまりモデルの進歩では埋まらない部分に価値を置くことです。
  2. 誤った出力が依頼者の損害につながる 法律の仕事では、存在しない判例を引用する、条項を見落とす、といった誤りが依頼者の損失と事務所の責任に直結します。Harvey の規約は出力を法律上の助言ではないと定めていますが、事故が起きれば業界全体の信用が下がります。引用で原文に戻れる仕組みと、Guardrails AI の買収で強化するとされるエージェントの評価は、このリスクへの投資です。
  3. 機密情報が漏えいする 依頼者の機密を預かる以上、一度の事故で顧客の大半を失い得ます。03 Harvey で何ができるかで見たセキュリティの認証と権限の仕組みは、この一点のための費用です。
  4. 競合で価格が下がる Legora をはじめ、同じ顧客を取り合う相手が増えれば席単価は下がります。売上の成長が席数の拡大で支えられている間は、単価の下落が成長を相殺します。
  5. 大手事務所が飽和する Am Law 100 の 4 分の 3 以上に入った後は、企業法務、海外、法務以外への展開が成長を担います。いずれも法律事務所とは買い方が異なり、営業の作り直しが必要です。

自社で 4 週間の評価を組む

Harvey に限らず使える評価手順です。

  1. 1 週目。繰り返し発生する業務を一つ選び、完成条件を決めます。根拠の記載、重要項目の見落とし、確認者の承認など、速さ以外の条件もそろえます。
  2. 2 週目。利用を許可された資料で従来の方法と AI を使う方法を比較します。担当者の経験差や同じ資料を二度読む効果が混ざらないように、案件を難易度別に振り分けます。機密資料を入力する前に、組織の許可と対象環境の権限・保存条件を確かめます。
  3. 3 週目。準備、操作、確認、修正の人の時間と、完成までの経過時間を分けて測ります。失敗した案件や使われなかった案件も記録します。
  4. 4 週目。実際の利用料と運用費を入れて試算します。品質基準を満たし、外注費の減少、追加案件への対応、滞留の解消など、何に転換できるかを確認して継続範囲を決めます。

この手順で得るのは、Harvey 全般の優劣ではなく、自社の対象業務と条件における判断です。他の AI ネイティブ企業を評価するときも、商品が生む成果と、確認・運用に残る仕事を同じように測れます。

09 / Read the symptom

成果が出ないとき

導入しても成果が出ないと持ち込まれる 3 つの状況です。いずれも理解のための架空の状況で、どれも製品そのものの限界ではなく、測り方と使い方で直せます。原因がどこにあるかを考えてみましょう。

10 / Myth vs. reality

よくある勘違い

どれも一見もっともらしく、数字を並べれば逆の結論が出ます。

MISCONCEPTION 01

「AI ネイティブ企業なら、業務から人がいなくなる」

AI が主要な価値を生むことと、専門家の確認が不要になることは別です。Harvey の公開規約は出力に誤りがあり得ると説明し、PwC も専門家による確認を明示しています。Harvey の機能が「判断する」工程に入っていないことは03 Harvey で何ができるかの表で見たとおりです。確認を含めて価値が出るなら、人が残る事業でも AI ネイティブ企業として成立します。

MISCONCEPTION 02

「専門家の時間単価が高ければ、高い利用料を払ってもらえる」

専門家の時間単価は、価値の大きさを考える材料です。しかし、実際に使われる頻度、確認工数、空いた時間の用途によって回収できる価値は変わります。請求単価をそのまま削減時間に掛けると、失われる請求額を利益として数えてしまう場合もあります。07 導入する側の採算のように、人件費換算、実際の支出削減、追加売上を分けて計算し、同じ時間を重複計上しないようにします。

MISCONCEPTION 03

「資金調達額や評価額が大きければ、ビジネスモデルは実証済み」

資金調達は開発や販売に使える資金を増やしますが、顧客からの売上でも利益でもありません。Harvey の評価額 155 億ドルは ARR 3.5 億ドルの約 44 倍です。従来型の企業向けソフトウェア企業の株式市場での評価が売上の 5〜15 倍程度であることと比べると、投資家は現在の売上ではなく、この先数年の成長を買っています。評価額は成長が続くという予想の表れであり、利用が継続するか、提供にどれだけ費用がかかるかの証拠ではありません。

11 / Under the hood

Harvey の中身:
RAG とロングコンテキスト

ここからは技術の話です。LLM に文書をもとに答えさせる方式は 2 つあります。文書を丸ごとプロンプトに載せるロングコンテキスト (Long Context) と、質問に関係する箇所だけを検索で取り出してから渡す RAG (Retrieval-Augmented Generation) です。Harvey は内部構成を公開していませんが、扱う規模と引用の形から、機能ごとに次のように使い分けていると読めます。

機能方式そう読める理由
VaultRAG10 万ファイルは、契約 1 通を 1 万トークンとしても 10 億トークンで、どのモデルのコンテキストウィンドウにも載りません。指示に関係する箇所を検索で絞ってからモデルに渡す以外に成立しません。表の各欄の引用が原文の特定の段落を指すのも、検索で取り出したチャンク (chunk) をそのまま根拠として返す RAG の形です。
KnowledgeRAGLexisNexis など外部の判例・法令データベースへの検索です。回答に付く出典リンクは、検索で当たった文献そのものです。
Assistant / Harvey for Wordロングコンテキスト契約 1 通や添付数件に質問する場面は、文書を丸ごと渡すほうが速く、検索で落とす心配もありません。
Workflow Builder / Agents組み合わせ工程ごとに上の 2 つを呼び分けます。数千件を読む工程は RAG、1 通を起案する工程はロングコンテキストです。

権限が検索に効いているのが、業務用 RAG の要点です。03 Harvey で何ができるかの「情報の扱い」で見た、閲覧権限やエシカルウォールが検索結果にも反映されるという性質は、検索の段階でメタデータフィルタ (metadata filtering) を掛けていることを意味します。文書ごとの権限をチャンクに持たせ、権限のない文書を候補から外します。これがないと、別の案件の機密文書が引用に混ざります。

モデルの切り替えは、RAG の「生成」の部分だけを差し替えています。業務ごとに OpenAI・Anthropic・Google のモデルを選んでも、検索と引用の仕組みは Harvey が自前で持っているので変わりません。08 強みとリスクで見たモデル提供元との競争で、Harvey の側に残るのはこの検索と権限の部分です。

費用の構造もここで決まります。レビューテーブルは、契約の件数 × 抜き出す項目の数だけ生成が走ります。1,000 件 × 10 項目なら 1 万回です。06 売上と費用で「Vault の利用が増えるほど粗利率が下がる」と書いたのは、この回数のことです。

4 つの違いを、技術の言葉で言い直すと

  • 量が違う は、RAG で全件を検索の対象にできることです。
  • 根拠の示し方が違う は、検索で取り出したチャンクの位置を引用として返すことです。
  • 情報の扱いが違う は、権限のメタデータフィルタと、モデル提供元に学習・保持させない契約です。
  • 仕事道具の中にある は、Word・Outlook・文書管理システムとの接続です。

方式の決め方はRAG とロングコンテキストの使い分け、組み方は社内文書の RAG を組むで扱っています。

ここまで見たとおり、Harvey の技術は法律に固有のものではありません。文書の集合に対する RAG、引用、権限フィルタ、Word 連携、モデルの切り替えは、どの会社の事務にも同じ悩みがあり、同じ作りで応えられます。それでも Harvey が汎用の文書 AI として売らないのは、その市場では値段が取れないからです。企業向けの文書検索 AI は Microsoft Copilot が月 30 ドルで束ね、Glean や各クラウドベンダーがひしめいています。席あたり月 1,200 ドルが成立するのは、弁護士の 1 時間が数百ドルで、誤りの損害が大きく、依頼者の機密を扱い、買い手が Am Law 100 という 100 社に集中している領域だからです。

逆に言えば、技術が汎用であることは 08 強みとリスク の第一のリスクそのものです。汎用ベンダーが「量」と「根拠」の差を埋めたとき、Harvey に残るのは、業務ごとの評価、25,000 件のワークフロー、LexisNexis のデータ、弁護士が作った会社という信用、A&O 以来の顧客の名前といった、法律の領域に張り付いた資産だけです。汎用の RAG は商品になりません。文書が高く、誤りが高くつき、買い手が集中している領域を選んだから商品になりました。Harvey が税務や資産運用へ広げているのも、同じ条件を満たす隣の領域を順に取っている動きです。

12 / Knowledge check

理解度チェック

答えを当てるだけでなく、なぜそう判断できるのかを説明できれば合格です。

YOUR PROGRESS 01 / 11

選択肢を1つ選んでください。

Take it home

他の企業にも使える見方

対象業務を決める誰のどの工程に入るかを、工程の名前で言う
AI と専門家の分担を見る確認が残る位置と、そこに要る根拠の形
最初の顧客を決める契約額ではなく、誰の名前が信用になるか
工数と利用率で試算する確認後の工数と、対象案件で使われた割合
競合・市場・費用を見る選ばれる理由が汎用 AI の進歩で消えないか

Harvey から学べるのは、専門家の知識と AI を組み合わせ、日常業務で使える製品として提供する事業の作り方です。売り物は賢い AI そのものではなく、大量の機密文書を安全に扱い、結果を原文で確かめ、普段の道具の中で使える環境でした。技術そのものは汎用の文書 RAG であり、商品になったのは、文書が高く、誤りが高くつき、買い手が集中している領域を選んだからです。創業時に専門家と AI 技術者の両方を持ち、業界最大手を最初の顧客にして信用を借り、一つの組織の中で席数を広げる順序は、他の専門家市場にもそのまま当てはまります。

他の AI ネイティブ企業を見るときも、同じ 4 つの数字を同じ順に並べてみましょう。顧客が払う額(Harvey なら 1 席あたり月 1,000 ドル台)、会社に入る額(2,400 組織で年 3.5 億ドル)、投資家が付けた額(その約 44 倍)、出ていく額(人件費が売上と同じ桁で、利益はまだ)。4 つがそろうと、その会社がいまどの段階にいるかが読めます。

一方で、専門業務の単価の高さや著名な顧客だけでは、採算は決まりません。専門家の確認を含めて成果が出ること、実務で繰り返し使われること、顧客が価値を回収できること、提供側にも利益が残ることを分けて確かめます。この順序は、医療、会計、建築のように専門家の確認が残る他の業界に特化する AI ネイティブ企業のケーススタディにも使えます。

ほかの講座を見る

自社の専門業務で AI の対象範囲やデータの整備、導入効果の測り方を検討する際は、お問い合わせフォームよりご相談ください。