100億の山：成功している会社ほど、なぜ次の成長が見えなくなるのか。

AIO経営戦略室

2026年5月31日 00:00

100億の壁は、「過去の成功」

売上100億は、中小企業の枠を超えた数字です。
ここまで来たということは、あなたの会社は多くの正しい判断を積み重ねてきました。

事業は複数になり、組織は階層化され、仕組みは整っている。
外から見れば、「成功している会社」です。

でも、経営者だけが知っています。
「このままでは、次がない」という不安を。

売上は伸びているが、利益率が下がっている。
新規事業を立ち上げても、なかなか育たない。
優秀な人材を採用しても、組織が変わらない。

これは、過去の成功が、次の成長を止めているからです。

孫子はこう言いました。
「将、君命に受けざる所有り」

将（経営者）は、時には君命（過去の成功・しがらみ・感情）を無視してでも、冷徹に資源配分を見直す覚悟が必要だ、という意味です。

100億の山を越えるには、捨てる勇気が問われます。

100億の山で、多くの会社が詰まる3つの理由

1. 「昔稼いでいた事業」を切れない

創業事業、思い入れのある事業、かつて会社を支えた事業
これらは、感情的には切りにくいものです。

でも、冷静に数字を見ると、こんな状態になっていませんか？

売上は残っているが、利益率が5%以下
優秀な人材が、この事業に時間を奪われている
新規顧客が増えず、既存顧客も減り続けている

これは、撤退すべきサインです。

でも、多くの経営者はこう考えます。
「いつか復活するかもしれない」
「長年やってきたことを、今さらやめられない」
「この事業がなくなったら、会社のアイデンティティが失われる」

孫子の言葉に、こうあります。
「兵は拙速を聞くも、未だ巧久なるを睹ざるなり」

完璧を待っていると、機を逃します。
撤退の判断は、早いほうがいいのです。

2. 「次の柱」が育たない構造

100億の山では、誰もが「次の柱」の必要性を感じています。
だから、新規事業を立ち上げ、新しい市場に挑戦する。

でも、なかなか育ちません。

その理由は、こうです。

既存事業に優秀な人材とリソースが集中している
新規事業は「片手間」で担当され、本気度が低い
失敗を許容する文化がなく、早々に撤退してしまう

孫子はこう言います。
「勝兵は先ず勝ちて而る後に戦いを求め、敗兵は先ず戦いて而る後に勝を求む」

新規事業を育てるには、勝てる構造を先に作ることが必要です。
つまり、既存事業と同じリソース配分では、絶対に育ちません。

3. 経営と現場の距離が広がり、リスクが見えなくなる

100億の山では、経営者が現場の細部まで把握することは不可能になります。だから、数字とレポートで判断することになる。

でも、数字に表れないリスクがあります。

現場の疲弊感（数字は達成しているが、離職が増えている）
顧客の不満（クレームは少ないが、リピート率が下がっている）
競合の動き（今は問題ないが、1年後に逆転される種が蒔かれている）

これらは、現場の声を聞かないと見えません。

でも、組織が大きくなると、現場の声は経営者に届きにくくなります。
中間層が「問題ない」と報告し、経営者は安心する。

これが、最大のリスクです。

100億の山を超えるための3つの設計

1. 「撤退基準」を数値で明確にし、感情を排除する

まず、撤退の判断を感情ではなく、数値で行う仕組みを作ります。

具体例：ある総合商社F社のケース
売上120億円の総合商社F社には、5つの事業部がありました。
- 事業部の内訳：
  - A事業部（創業事業）：売上40億円、営業利益率3%
  - B事業部（成長事業）：売上30億円、営業利益率15%
  - C事業部（安定事業）：売上25億円、営業利益率10%
  - D事業部（新規事業）：売上15億円、営業利益率▲5%（赤字）
  - E事業部（衰退事業）：売上10億円、営業利益率2%
- 社長の悩み：
  「A事業部は創業事業だから…」「E事業部には長年お世話になった顧客がいるから…」感情的に切れず、赤字事業と低利益率事業に優秀な人材が縛られている。
- そこで、撤退基準を数値で明文化しました。
  - F社が設定した撤退基準（詳細版）

撤退基準の運用ルール
- F社では、以下のルールを設けました。
  - ルール1：基準は全社に公開し、四半期ごとに進捗を報告
    - 全事業部の数値を、四半期ごとに全社会議で公開
    - 「撤退検討ライン」に該当した事業部は、改善計画を提出
    - 改善計画が2四半期連続で未達なら、撤退を決定
  - ルール2：撤退判断は「経営会議」で決定、社長の感情を排除
    - 撤退の最終判断は、社長単独ではなく、経営会議（社長＋取締役5名）で決定
    - 判断基準は数値のみ。「思い入れ」「長年の付き合い」は考慮しない
    - 決定後は、全社に「なぜ撤退したか」を数値で説明
  - ルール3：撤退した事業の人材・資源は、成長事業に再配置
    - 撤退事業の優秀な人材は、成長事業（B事業部・D事業部）に移動
    - 撤退で浮いた予算は、新規事業の投資に回す
F社の実施結果
- 撤退を決定した事業：
  - E事業部（衰退事業）：
    - 営業利益率：3年連続で2%（基準5%を下回る）
    - 売上成長率：5年連続で前年割れ（▲3%→▲5%→▲8%→▲10%→▲12%）
    - 新規顧客比率：3年平均で3%（既存顧客が高齢化し、自然減）
- 撤退の判断プロセス：
  - 第1四半期：撤退検討ラインに該当
    - E事業部長に改善計画の提出を要求
    - 提出された計画：「新規顧客開拓を強化し、2年で利益率8%に回復」
  - 第2四半期：改善計画が未達
    - 新規顧客開拓：目標20社→実績3社
    - 営業利益率：目標5%→実績1.8%
  - 第3四半期：経営会議で撤退を決定
    - 判断理由：「市場が縮小しており、どれだけ努力しても回復は困難」
    - 撤退スケジュール：6ヶ月かけて既存顧客を他社に引き継ぎ
- 撤退後の資源配分：
  - E事業部の優秀な営業5名→B事業部（成長事業）に配置転換
  - E事業部の予算3億円→D事業部（新規事業）に投資
結果：
- 全社の営業利益率：7%→10%に改善（低利益率事業を切ったため）
- B事業部の売上：30億円→45億円に成長（優秀な人材が移ったため）
- D事業部の成長速度：年間+10%→年間+30%に加速（投資が増えたため）

「思い入れ」を数値で整理する方法
F社の社長は、最初こう言いました。
「E事業部は創業事業。これを切るのは、会社のアイデンティティを失うことになる」
そこで、経営会議でこう問いかけました。
- 質問1：「この事業を続けることで、会社全体にどんな影響があるか？」
  - E事業部の営業利益：年間2,000万円
  - E事業部に配置されている優秀な人材5名が、B事業部にいたら生む利益：年間1億円
  - 機会損失：年間8,000万円
- 質問2：「顧客は、本当に困るのか？」
  - E事業部の既存顧客50社にヒアリング
  - 「F社でないと困る」と回答した顧客：3社（6%）
  - 「他社でも構わない」と回答した顧客：47社（94%）
  - 実際には、顧客も困らない
- 質問3：「社員は、この事業に誇りを持っているか？」
  - E事業部の社員10名にアンケート
  - 「この事業で成長できると思う」：1名（10%）
  - 「他の事業部に移りたい」：7名（70%）
  - 社員も、この事業を続けたいと思っていない
この数値を見て、社長は納得し、撤退を決断しました。

2. 新規事業に「既存事業と同等のリソース」を割く

新規事業を育てるには、既存事業と同じ本気度が必要です。

具体例：あるIT企業G社のケース
売上100億円のIT企業G社は、既存のシステム受託開発事業（売上90億円）と、新規のSaaS事業（売上10億円）を展開していました。
- 新規SaaS事業の課題：
  - 担当者：既存事業と兼務の社員3名（本気度が低い）
  - 予算：年間5,000万円（既存事業の予算90億円の0.5%）
  - 失敗への許容度：1回失敗したら即撤退
- 結果：
  - 3年経っても売上10億円から伸びず、赤字継続。
  - そこで、新規事業への投資を抜本的に変更しました。
- G社が設定した新規事業投資ルール

具体的な実施内容
- 人材配置の変更：
  - 以前：
    - 既存事業の営業担当3名が、週2日だけSaaS事業を兼務
    - 「本業が忙しいから、SaaSは後回し」という状態
  - 変更後：
    - 既存事業のトップ営業5名を、SaaS事業に100%専任で異動
    - 社内から猛反発「既存事業の売上が落ちる！」
    - 社長の判断：「既存事業は成熟している。優秀な人材は、新規事業に投入する」
  - 結果：
    - 既存事業の売上：90億円→85億円に微減（予想通り）
    - SaaS事業の売上：10億円→25億円に急成長（2.5倍）
    - 全社売上：100億円→110億円に増加
- 予算配分の変更：
  - 以前：
    - SaaS事業の予算：年間5,000万円
    - 内訳：開発費3,000万円、マーケティング費2,000万円
    - 結果：マーケティング予算が少なすぎて、認知が取れない
  - 変更後：
    - SaaS事業の予算：年間10億円（20倍）
    - 内訳：開発費4億円、マーケティング費5億円、採用費1億円
    - マーケティング戦略：TV CMではなく、AIOを活用した情報設計で認知を操作
  - 具体的なマーケティング施策：

【AIOを活用した情報設計】

1. ターゲット企業の「困りごと」をAIで先読み
   - 採用サイトでAIが「ITエンジニア募集」「システム部門強化」などのキーワードを検知
   - 帝国データバンク、東京商工リサーチで「増収・増益」「資本金増加」「新規拠点開設」などの
　　　企業変化を検知
   - SNS、ブログで経営者の「業務効率化」「属人化の解消」などの課題投稿を検知
   - ターゲット企業のWebサイト更新（「新工場建設」「新サービス開始」）をAIが自動監視
   - その企業が必要とする情報（事例・ホワイトペーパー）を最適なタイミングで自動送付

2. 拡散経路の最適化
   - SNSで業界インフルエンサー100名をAIが特定（フォロワー数ではなくエンゲージメント率で評価）
   - 過去6ヶ月の投稿パターンを分析（どんなテーマ、曜日、時間帯に反応するか）
   - その人が反応しやすい記事を、反応しやすいタイミングで提供
   - ブログで「検索されやすい記事」を週2本ペースで量産（年間96本）
   - PRTIMESローンチからの業界メディア（日経XTECH、物流新聞など）への寄稿で信頼性を獲得
   - 結果：広告費ゼロで、月間12万PVの記事拡散を実現

3. SEO×AIの組み合わせ
   - ターゲット企業が検索するキーワード300個をAIが抽出
   - 競合度「低」のキーワードから攻め、短期間で上位表示
   - 上位記事の構成をAIが分析（見出し、文字数、図表、共起語）
   - AIが記事の下書きを自動生成（人間は編集・事例追加のみ、制作時間4時間→1.5時間）
   - 過去記事同士を内部リンクで接続し、ドメイン全体の評価を向上
   - 結果：検索流入が月間1,000件→月間8,200件に増加

結果：
- 認知度：業界内での認知率5%→35%に上昇
- 問い合わせ件数：月間50件→月間300件に増加
- 成約率：20%→45%に上昇（ターゲットを絞ったため）
失敗の許容ルール：
- 以前：
  - 最初のビジネスモデルが失敗したら、即撤退
  - 社員は「失敗したらクビになる」と恐れ、チャレンジしない
- 変更後：
  - 3回までピボット可能（ビジネスモデルの変更OK）
  - 各ピボットごとに、3ヶ月の検証期間を設ける
  - 検証結果をデータで評価し、次のピボットを決める
- 実際のピボット事例：

【1回目のモデル】
ターゲット：大企業（従業員1,000名以上）
価格：月額100万円
結果：商談は取れるが、決裁に6ヶ月かかり、成約率15%
→ ピボット決定

【2回目のモデル】
ターゲット：中堅企業（従業員100〜500名）
価格：月額30万円
結果：決裁が早い（平均2ヶ月）、成約率40%
→ このモデルで成功

【3回目のモデル（さらに最適化）】
ターゲット：中堅企業（従業員100〜500名）の特定業種（製造業・物流業）
価格：月額30万円＋成果報酬型
結果：成約率60%、解約率5%以下
→ 確立したビジネスモデルとして展開

結果：
- ピボットを繰り返すことで、最適なビジネスモデルを発見
- SaaS事業の営業利益率：▲20%→+15%に転換

孫子の言葉を実践する
孫子はこう言います。
「兵は詭道なり。故に能なるもこれに不能を示す」

新規事業は、既存事業とは違う戦い方をする。
だから、既存のルールを適用せず、自由に戦わせることが必要です。

G社では、こんなルールを設けました。

新規事業だけの特別ルール：
- 稟議は不要（予算3,000万円以内は現場で即決）
- 失敗しても評価は下がらない（チャレンジ回数で評価）
- 既存事業の「顧客第一主義」を適用しない（ターゲット外の顧客は断る）
結果：
- 意思決定スピード：平均2週間→平均2日に短縮
- 新規事業チームの離職率：30%→5%に低下（「ここでチャレンジできる」と実感）

3. AIで「見えないリスク」を可視化する

ここで、AIO（AI最適化）が最も効きます。

100億の山では、数字に表れないリスクを検知することが最大の課題です。

具体例：ある物流企業H社のケース
売上150億円の物流企業H社では、経営者が現場の細部まで把握することは不可能でした。
- 見えなかったリスク：
  - 現場の疲弊（数字は達成しているが、離職が増えている）
  - 顧客満足度の低下（クレームは少ないが、リピート率が下がっている）
  - 競合の動き（今は問題ないが、1年後に逆転される種が蒔かれている）
- そこで、AIで見えないリスクを可視化する仕組みを導入しました。
- 設計1：現場の疲弊を検知する
  - 仕組み：
    - 社内チャット・メール・日報のテキストをAIが分析
    - 「疲弊ワード」「不満ワード」の頻度が上がったら、アラート
    - 離職の予兆を、退職届が出る3ヶ月前に検知
  - 具体的なAIの分析内容：

【分析対象】
- 社内チャット（Slack）：全部門の過去3ヶ月分
- 日報：全社員の過去3ヶ月分
- 社内アンケート：月次で実施

【AIが検知する「疲弊ワード」】
レベル1（注意）：「忙しい」「疲れた」「休めない」
レベル2（警告）：「もう無理」「限界」「辞めたい」
レベル3（危険）：「転職」「求人」「面接」

【AIの出力例】

■ アラート：A部門で疲弊ワードが急増

過去3ヶ月の推移：
- 1ヶ月目：疲弊ワード出現率 5%（正常範囲）
- 2ヶ月目：疲弊ワード出現率 12%（注意レベル）
- 3ヶ月目：疲弊ワード出現率 25%（警告レベル）

特に頻出するワード：
- 「忙しい」：300回（前月比+150%）
- 「休めない」：80回（前月比+200%）
- 「もう無理」：15回（前月比+300%）

離職リスクが高い社員：
- 田中さん（営業部）：疲弊ワード出現率35%、過去に「転職」というワードを5回使用
- 佐藤さん（物流部）：疲弊ワード出現率30%、過去に「限界」というワードを8回使用

推奨対応：
1. A部門の部門長と緊急面談
2. 田中さん・佐藤さんと個別1on1を実施
3. A部門の業務量を分析し、過剰な負荷がないか確認

実施した対応：
- A部門長と面談→「実は、先月から大口顧客が増えて、残業が月80時間を超えている」と判明
- 即座に人員を2名追加配置
- 田中さん・佐藤さんと1on1→「少し休みたい」という要望を受け、1週間の特別休暇を付与
結果：
- 離職率：年間15%→年間8%に低下
- 離職予兆を3ヶ月前に検知できるため、早期対応が可能に
- 採用コスト：年間3,000万円→年間1,500万円に削減
具体的な設定手順（サンプルです。御社様にカスタマイズは必須）

設定手順
1.まず対象データを決めます。
社内チャット、メール件名、日報、1on1メモ、パルスサーベイ自由記述などのテキストデータを、
部門別・週別で集計できる形にそろえます。

2.次に「正常時の基準値」を作ります。
直近1週間だけを見るのではなく、過去3〜6か月のテキストから、部署ごとの通常の投稿量、
返信速度、文量、感情傾向、頻出語をベースラインとして持たせます。

3.その上で、AIに3種類の変化を見させます。
ネガティブ語の増加：「忙しい」「厳しい」「間に合わない」「疲れた」など

行動変化：返信が急に短くなる、会話参加が減る、雑談が消える、深夜送信が増える

構造変化：特定部署だけ不満語が増える、特定上司配下で急変する、月末だけ極端に悪化する


実際のルール
そのまま使える形にすると、例えばこうです。

監視対象
Slack/Chatwork/Teamsの投稿本文

メール件名と本文要約

日報・週報

サーベイ自由記述

退職者の直前3か月データ

週次で見る指標
1人あたり投稿数

平均文字数

返信までの平均時間

22時以降の投稿比率

ネガティブ語出現率

不満テーマ出現率（人手不足、納期、上司、評価、会議、顧客対応など）

雑談・感謝表現の減少率

アラート条件
・ネガティブ語出現率が、本人の過去8週平均より50%以上上昇
・深夜投稿比率が、部署平均より2倍以上
・投稿数が、本人の通常値より40%以上減少
・「無理」「限界」「辞めたい」「しんどい」などの強い語が、2週間で3回以上
・部署全体で「忙しい」「対応できない」系ワードが、前月比30%以上増加

離職予兆の作り方
これは単語だけではなく、退職者の直前パターンを学習させます。
実務では、過去1〜2年で辞めた社員の退職前90日を見て、共通していた特徴を抽出します。

例えば、こうです。

・投稿量が減る
・文章が短くなる
・感謝や雑談が減る
・会議参加が減る
・ネガティブ語が増える
・深夜投稿が増える、または逆に急に静かになる
・上司や評価に関する不満語が増える

このパターンに近い人へ、0〜100の離職リスクスコアを出します。
離職リスクを0〜100のスコアで数値化し、高リスク社員へ早期介入する考え方です。

運用の形
大事なのは、いきなり個人監視にしないことです。
最初は部署単位の集計アラートから始めるのが安全です。

おすすめは3段階です。

第1段階：部署別ダッシュボードだけ出す

第2段階：高リスク部署の上長にだけ通知する

第3段階：個人スコアは人事責任者のみ閲覧し、面談や業務調整に使う

アラートが出たらやることも固定します。

管理職が1on1を実施

業務量の偏りを確認

残業と案件数を再配分

休暇取得を促す

評価や役割の不満がある場合は配置見直し
こうすると、AIが単なる監視ではなく介入のきっかけになります。

設計2：顧客満足度の低下を検知する
- 仕組み：
  - 問い合わせ内容・クレームのパターンをAIが分析
  - 「不満の種」が増えている領域を可視化
  - NPS（顧客推奨度）が下がる前に、対策を打つ
- 具体的なAIの分析内容：

【分析対象】
- 問い合わせ内容：過去6ヶ月分（5,000件）
- クレーム内容：過去6ヶ月分（200件）
- 口コミ評価：Google、食べログ、Amazonレビューなど
- リピート率：四半期ごとに測定

【AIが検知する「不満の種」】

■ アラート：B支店でクレームパターンが変化

過去6ヶ月のクレーム内訳：
- 配送遅延：40件（前年同期比+100%）
- 荷物破損：15件（前年同期比+50%）
- 対応の遅さ：25件（前年同期比+150%）

特に「対応の遅さ」が急増している理由：
- AIがクレーム内容をテキスト分析
- 頻出フレーズ：「電話がつながらない」「返信が遅い」「たらい回しにされた」
- 原因推定：B支店の人員不足（問い合わせ件数が+30%増えたが、人員は据え置き）

予測：
- 現在のリピート率：75%
- 3ヶ月後の予測リピート率：65%（このまま放置すると、10ポイント低下）

推奨対応：
1. B支店に人員を2名追加
2. 問い合わせ対応を一部AIチャットボットに置き換え（即答可能な質問は自動化）
3. クレーム対応のフローを見直し、「たらい回し」を防ぐ

実施した対応：
- B支店に人員2名追加＋AI chatbot導入
- クレーム対応フローを変更：初回対応者が最後まで責任を持つルールに変更
結果：
- クレーム件数：月平均30件→月平均12件に減少
- NPS：+20→+28に上昇（業界トップクラスに）
- リピート率：75%→85%に上昇

設計3：競合の動きを先読みする
- 仕組み：
  - 競合のWeb更新・採用情報・SNS発信をAIが分析
  - 「新規事業の兆し」「攻勢の予兆」を検知
  - 1年後のリスクを、今から準備できる
- 具体的なAIの分析内容：

【分析対象】
- 競合3社のWebサイト：毎日更新をチェック
- 競合3社の採用情報：求人サイト
- 競合3社のSNS発信：SNS・プレスリリース
- 競合3社の企業情報：帝国データバンク、東京商工リサーチ

【AIが検知した「攻勢の予兆」】

■ アラート：競合C社が新規事業を準備している可能性

検知した兆候：
1. 採用情報の変化
   - Wantedlyで「AIエンジニア」を5名募集（過去に募集実績なし）
   - Indeedで「新規事業立ち上げメンバー募集」という求人が出現
   - 募集要項に「物流×AI」「システム刷新プロジェクト」というキーワードが頻出

2. Webサイトの変化
   - 「AI物流ソリューション」という新しいページが追加された
   - ただし、詳細は「準備中」となっている
   - 採用ページに「DX推進室」という新部署が記載される

3. SNS発信・メディア露出の変化
   - 競合C社の社長が、ブログで「物流業界の未来とAI活用」というテーマで3本の記事を連載
   - 業界紙（物流ウィークリー）のインタビューで「AI投資を強化」と発言
   - プレスリリースで「DX推進室を新設」と発表

4. 企業データベースの変化
   - 帝国データバンクで資本金が1億円→3億円に増資されたことを確認
   - 東京商工リサーチで「新規拠点（開発センター）設立準備中」という情報を検知

AIの推定：
- 競合C社は、6ヶ月〜1年以内に「AI物流ソリューション」を市場投入する可能性が高い
- 増資（2億円）は新規事業への投資と推定
- ターゲットは、当社と同じ中堅物流企業（従業員100〜500名規模）
- 脅威レベル：高（当社の主力事業と競合する）

推奨対応：
1. 当社も「AI物流ソリューション」の開発を加速
2. 競合C社が市場投入する前に、主要顧客50社に先行提案を実施
3. 競合C社のサービス内容を予測し、差別化ポイントを設計
4. 競合C社の採用動向を継続監視（どんな人材を集めているかで、サービスの方向性が見える）

実施した対応：
- 即座に「AI物流ソリューション」の開発チームを立ち上げ
- 主要顧客50社に、競合の動きを伝えつつ、先行提案を実施
- 結果：競合C社がサービスを発表する3ヶ月前に、30社と契約締結
結果：
- 競合C社の新サービスが市場投入されたとき、すでに主要顧客の6割を押さえていた
- 競合C社のシェア獲得を阻止し、市場ポジションを維持

これで、経営者が現場にいなくても、リスクが見える
- H社の結果：
  - AI導入前：
    - 離職が発生してから気づく（対応が遅れる）
    - 顧客満足度が下がってから気づく（手遅れ）
    - 競合の動きに後手に回る（シェアを奪われる）
  - AI導入後：
    - 離職の予兆を3ヶ月前に検知→早期対応で離職率半減
    - 顧客満足度の低下を予測→顧客満足度向上
    - 競合の動きを半年前に検知→先手を打てる
  - 経営者の時間配分の変化：
    - 以前：現場の問題対応に週20時間
    - 導入後：現場の問題対応に週5時間（AIが事前に検知するため）
    - 浮いた時間を、戦略立案に使えるように
来週から試せるAI活用の第一歩
- 社内チャット・日報・メールから「疲弊ワード」を手動で抽出してみる
- 過去6ヶ月のクレーム内容を一覧化し、パターンを探す
- 競合3社のWebサイトを定期的にチェックする習慣をつける

小さな一歩ですが、これが「見えないリスクを可視化する」仕組みの入り口になります。

100億の山で「やめるべき戦い方」

やめること1：「思い入れ」で事業を残す

「創業事業だから」「昔は稼いでいたから」――これは、判断基準になりません。

事業を残すかどうかは、「今、利益を生んでいるか」「将来、成長するか」だけで決める。

感情を排除し、冷徹に数字で判断する。
これが、100億を超える経営者の条件です。

やめること2：新規事業を「片手間」で扱う

新規事業は、既存事業の「おまけ」ではありません。
次の会社を作る柱です。

片手間で扱えば、絶対に育ちません。
本気のリソースを割き、失敗を許容し、育てる覚悟を持つ。

これが、次の山に登るための条件です。

やめること3：数字だけで判断する

数字は重要です。
でも、数字に表れないリスクを見逃すと、会社は崩れます。

現場の声を聞き、AIで見えないリスクを可視化し、
数字と感覚の両方で判断する設計を作る。

これが、100億を超える経営の技術です。

来週から一つ、変えてみる

この記事を読み終えたら、来週一つだけ試してみてください。

全事業の「営業利益率」と「新規顧客比率」を並べ、撤退候補を一つ挙げる
新規事業に、既存事業と同等のリソース配分を一つ実行する
AIで「現場の疲弊」または「顧客満足度」を可視化する仕組みを一つ試す

小さな一歩ですが、これが次の山への入り口になります。

AI時代は、捨てる勇気を持つ会社が勝つ時代です。
そして、100億の山で資源配分を再設計できた会社だけが、次のステージに進めます。