エンタープライズAIにPLGは効くのか｜獲得ではなく「拡大」を自律化する

デモは完璧に動きました。全員がうなずいて、稟議も通ります。

ところが本番のデータに載せた瞬間、精度が落ちて誰も使わなくなる。

エンタープライズAIの導入では、これは珍しい失敗ではありません。

だから「製品が勝手に売れていく」やり方は、この領域では通用しない——そう結論づけたくなりますよね。

でも、その結論は半分だけ正しい、と私は考えています。

この記事の問いはひとつです。エンタープライズAIに、PLGは本当に効かないのか。

先に立場を言うと、答えは「獲得には効きにくいが、拡大には効く」です。

獲得と拡大を分けずに議論するから、効く・効かないの水掛け論になる。ここを分けるのが、この記事の主題です。

PLGの原義は、獲得・維持・拡大の全部を製品が担うこと

まず言葉から。PLG（Product-Led Growth、プロダクト主導成長）とは、製品の機能と利用そのものを、顧客の獲得・維持・拡大の主なドライバーにする売り方のことです。

この考え方を広めたのは米VCのOpenViewで、名付けたのはBlake Bartlett、2016年のことでした。

注目したいのは、原義がカバーする範囲です。OpenViewの定義は、獲得だけでなく維持と拡大まで——顧客ライフサイクルの三つの局面すべてを製品が担うという主張でした。

つまり本来のPLGは、入口から拡大まで一気通貫で製品が引っ張る、という理想像なのです。

ここにエンタープライズAIという現実をぶつけると、きれいに割れます。三局面のうち、製品だけで越えられる局面と、そうでない局面が、はっきり分かれるからです。

その割れ目を、獲得（LAND）と拡大（EXPAND）という古い営業用語で切ると、見通しがよくなります。

LANDは、最初の導入・最初の有償契約を取ること。EXPANDは、いちど入った顧客の中で席や利用量を増やし、売上を伸ばすことです。

land-and-expandは、まず小さく入って（LAND）、あとから社内へ広げていく（EXPAND）という、SaaSで長く使われてきた成長の型ですね。

この二つを、別々の力学として見ていきます。

獲得（LAND）は、製品だけでは越えられない

先ほどのデモ崩れの話に戻ります。あれが起きる理由は、モデルの賢さ不足ではありません。

本番の業務やデータに、AIをどう食い込ませるかという、実装と組織の問題です。

ここに、よく引かれる調査があります。MITのNANDAが2025年に出した報告（The GenAI Divide）は、企業の生成AIパイロットの約95%が、測定できるP&L（損益）へのインパクトに至っていない、と整理しました。

そして成功した約5%に共通するのは、モデルが特別だったことではなく、特定の業務フローに深く統合し、現場の摩擦に合わせて作り込んでいたことだ、というのです。

同じ報告では、社内で内製するより、ベンダーやパートナーと組んだほうが成功率が高い（約67%）とも報告されています（数値はFortune経由で確認）。

ここから読める含意は、はっきりしています。エンタープライズAIの失敗の多くは、賢さ不足ではなく、統合不足だということ。

だから最初の導入には、人が要ります。顧客の環境に入り込み、本番稼働まで伴走する技術者——いわゆるフォワードデプロイド・エンジニア（FDE）です。

FDEはもともとPalantirが広めた職種の考え方で、いまOpenAIやAnthropicなどのAI企業が採用を広げている役割として注目されています。

彼らがやるのは、デモと本番のあいだにある溝を、顧客ごとに埋める仕事です。ここは、無料トライアルとセルフサーブだけでは、原理的に越えられません。

つまり、獲得（LAND）を丸ごと自動化しようとするのは、この領域では筋が悪い。最初の一歩は、人が押すのが現実解です。

セルフサーブと営業の境界をどこに引くかという設計は、セルフサーブと営業を併走させる計測設計で別途くわしく扱っています。

拡大（EXPAND）は、製品の中で半分勝手に伸びる

ところが、いちど入ったあとの景色は逆になります。ここでPLGが効き始めるのです。

理由は、AIプロダクトの課金構造にあります。多くのAIプロダクトは、席数・利用回数・消費するトークン量に応じて課金される、使うほど支払いが増える設計になっています。

トークンとは、AIが文章を処理するときの細かな単位のことで、ざっくり言えば処理した量に比例して費用と課金が動く、と考えてください。

この構造だと、拡大は営業がゼロから作るものではなくなります。現場で使われ、便利だと感じた人が別の同僚を招き、用途が増え、消費量が伸びる——利用そのものが売上を押し上げるわけです。

拡大の効き具合を測る指標が、NRR（Net Revenue Retention、売上継続率）です。既存顧客だけを見て、解約や減額を差し引き、増額を足したうえで、去年の売上が今年いくらになったかを比率で見ます。

NRRが100%を超えるとは、新規を一件も取らなくても、既存顧客の中だけで売上が育っている状態を意味します。

米VCのBessemerがよく使う目安では、Good=100%、Better=110%、Best=120%とされています。同社の整理では、クラウド企業のなかでNRRが100%を下回るのは、下位4分の1だけだ、ともされています。

そしてエンタープライズ（大口）は、SMB（中小）よりNRRが高い傾向にある、とも整理されています。顧客の寿命が長く、land-and-expandが効きやすいからですね。

大口顧客ほどNRRが高いという傾向は、この記事の主張とよくかみ合います。触れば価値がわかり、使うほど消費が増える製品ほど、拡大は製品の中で自律するからです。

数字で感触をつかんでおきましょう。以下はすべて説明用の仮の例です。

# 拡大（EXPAND）がどう積み上がるか　※数値はすべて仮の例

初年度の既存顧客売上（合計）        1,000
  ├ 解約による減少                  -80    （▲8%）
  ├ 減額（席・利用の縮小）          -40    （▲4%）
  └ 増額（席追加・消費量の増加）    +260   （+26%）

翌年の同じ顧客からの売上           1,140

NRR = 1,140 / 1,000 = 114%
→ 新規をゼロと仮定しても、売上は14%成長する

新規獲得を一件も足していないのに、売上が14%伸びている点に注目してください。これがEXPANDの自律性です。

獲得のエンジンが止まっても、拡大のエンジンだけで前へ進める。エンタープライズAIでPLGが効くのは、まさにこの部分だと私は考えています。

製品の中で利用が広がっていく過程そのものを測る話は、機能の定着（アダプション）を測るにまとめました。

データと制約：効きやすい、でも万能ではない

ここまでの型を、実際の分布データと、見落としがちな制約の両面から点検します。理想論で終わらせないためです。

効きやすさ：AIアプリ支出の4分の1がPLG経由

まず追い風のデータから見ます。米VCのMenlo Venturesが2025年に出したレポートによれば、企業のAIアプリ支出のうち27%がPLG経由で、これは従来型ソフトの約7%の、およそ4倍にあたります。

同レポートでは、AI案件の成約率は47%で、従来型SaaSのおよそ2倍にあたるとも報告されています。さらに、コード補完のCursorが、専任のエンタープライズ営業をほぼ持たないまま2億ドル規模の売上に到達した例も紹介されています。

つまり、AIではPLGが従来の数倍効きやすい。ここは素直に追い風です。

でも、数字をひっくり返して読むのが大事です。PLG経由が27%ということは、残りの7割超は依然として非PLG、つまり人が介在する売り方だ、ということでもあります。

だから「AIだから全部セルフサーブでいける」は、データの上でも言い過ぎです。効きやすくなったのは事実、でも支配的ではない。

この二つを同時に持てるかどうかが、地に足のついた設計と、流行りに乗っただけの設計の分かれ目になります。

制約：拡大しても、粗利はSaaS並みには乗らない

もうひとつ、EXPANDを喜ぶ前に見ておくべき制約が粗利です。消費量で課金が伸びるのは良いのですが、その裏で費用も一緒に伸びるのがAIの厄介なところです。

推論コスト、つまりAIが一回答えるたびに発生する計算費用が、クエリのたびにかかります。使われるほど、クラウドへの支払いが積み上がっていくわけです。

a16z（Andreessen Horowitz）の整理では、AI企業の粗利はおおむね50〜60%で、伝統的SaaSの60〜80%＋より低い、とされています。

同社は理由として、売上の約25%超がクラウド費用に消え、データのラベリングやモデル保守に10〜15%、さらに人手（human-in-the-loop）の要素が残る点を挙げ、AIは純ソフトとサービス業の中間だ、と表現しました。

含意はこうです。EXPANDを消費課金で自律的に伸ばせても、その売上に乗る利益は、従来SaaSほど厚くないのです。

ここで一点、公平のために添えます。a16zのこの整理は2020年ごろのもので、その後の推論単価は下落傾向にあります（いわゆるLLMflation）。

ですから50〜60%という数字を、そのまま2026年の自社に当てはめるのは危険です。方向感（AIは純ソフトより粗利が薄くなりがち）は今も有効、具体値は各社で測り直す、というのが正しい構えでしょう。

拡大が伸びるほど費用も伸びる構造が、営業投資の設計をどう縛るのかは、姉妹記事の推論コストがGTMを変えるで掘り下げています。

設計に落とす：LANDとEXPANDで、測る指標を分ける

では、この型を実務にどう落とすか。いちばん効くのは、LANDとEXPANDを別々のダッシュボードで見ることです。

同じ会議で混ぜて話すと、必ず噛み合いません。担当も、打ち手も、効く指標も違うからです。

分けて並べると、こういう形になります。

局面	主に動かすのは	自律度	中心に見る指標
獲得（LAND）	営業＋FDEの伴走	低い（人が押す）	成約率、本番稼働までの日数
拡大（EXPAND）	製品の利用そのもの	高い（半自律）	NRR、席・消費量の伸び

表の上下で、追う数字がまるで違う点に注目してください。LANDは人の生産性を、EXPANDは製品内の利用を見ています。

そして、この二つを地続きで測るには、計測の置き場所を分ける必要があります。

ログイン前のサイト側では、どの流入からデモや問い合わせに至ったか。ログイン後のプロダクト内では、誰がどの機能をどれだけ使い、席や消費が増えたか。

前者はLANDの入口を、後者はEXPANDの本体を映します。両方を共通のアカウントIDでつなぐ設計にしておくと、あとで数字が合わないという事故が減ります。

拡大の兆しは、集計できる形まで書き切っておくのがコツです。たとえば、こんな粒度で先に決めておきます。

直近30日で、席の追加が発生したアカウント数
直近30日で、消費量が前月比で一定以上伸びたアカウント数
コア機能の利用が、二つ目・三つ目の部署へ広がったアカウント数

これらは営業が作る数字ではなく、製品の中で起きる出来事です。人が押すLANDの指標とは、はっきり分けて置きましょう。

なお、ログイン前のサイト側の行動を、個人を特定せずに測る層としては、Strideのようなプライバシーファーストのウェブ解析が使えます。MCPに対応しているので、先月デモに至った流入元の内訳を、といった集計をClaudeなどのAIから自然言語で呼ぶこともできます。

ただしEXPANDの本体、つまりログイン後の利用と課金は、プロダクトのイベント計測と課金基盤の担当です。どの数字をどこから取るかを最初に線引きしておくのが、遠回りに見えて近道になります。

まとめ：獲得ではなく、拡大を自律化する

長くなったので、要点を畳みます。

エンタープライズAIにPLGが効くか、という問いは、獲得と拡大を分けると答えが変わりました。

獲得（LAND）は、実装と組織の溝が深いこの領域では、営業とFDEの伴走が支配的です。ここを丸ごと自動化しようとするのは筋が悪い。

拡大（EXPAND）は、使うほど課金が伸びる構造ゆえ、製品の中で半分勝手に伸びます。PLGが本当に効くのは、この拡大の局面でした。

ただし、留保が二つあります。ひとつ、AIでPLGは4倍効きやすくても、大宗はまだ非PLGだということ。

ふたつ、拡大しても、粗利はSaaS並みには乗りにくいということ。この二点は、忘れないでください。

だから目指すべきは、獲得を自律化することではありません。獲得は人が押し、拡大を製品が引き取る——この役割分担を、指標とダッシュボードのレベルまで下ろすことです。

あなたのプロダクトで、いま人が押しているのはどこまでで、製品が引き取れているのはどこからでしょうか。まずはその境界を、一枚の表に書き出すところから始めてみてください。

参考にした情報源

この記事の事実確認に使った一次情報は、以下のとおりです。

Inventing Product-Led Growth（OpenView） — PLGの命名と定義
MIT report: 95% of generative AI pilots are failing（Fortune／MIT NANDAの報道） — 実装ギャップ
2025: The State of Generative AI in the Enterprise（Menlo Ventures） — PLG経由27%・成約率
Scaling to $100 Million（Bessemer） — NRRの目安
The New Business of AI（a16z） — 粗利50〜60%という整理
How AI-Native Companies Are Scaling on a Direct Enterprise Sales Motion（The GTM Newsletter） — 直販＋FDEの分析