Sakana AIとは何者か

香川友志

2026年6月17日 17:51

日本発AIユニコーンが「AIが調べ、考え、進化する」時代を作る

はじめに

Sakana AIは、日本発AI企業の中でも、とりわけ説明が難しい会社です。

日本語LLMの会社。
AI Scientistの会社。
Transformer論文の著者が創業した会社。
金融・公共・防衛にAIを実装する会社。
そして、初の商用プロダクト「Sakana Marlin」を提供する会社。

どれも正しい一方で、それだけではSakana AIの全体像を説明できません。

本記事では、Sakana AIを、AIが調べ、考え、研究し、自分自身を改善する時代を作る企業として整理します。

結論から言うと、Sakana AIは“日本発のAI研究を、企業・公共・金融・防衛・製造の現場へ実装する会社”です。
ChatGPTのような一般向けチャットAIだけを作る会社ではありません。
大規模モデルをゼロから巨大計算資源で作る会社でもありません。
Sakana AIの本質は、複数のAIを組み合わせる、AIに長時間考えさせる、AIに研究させる、AIに自分を改善させる、そしてそれを日本の産業・公共・金融・防衛に実装するところにあります。

2026年6月15日、Sakana AIは初の商用プロダクトとして、AIリサーチエージェント 「Sakana Marlin」 を正式提供しました。

目安として約8時間かけて公開情報を自律的に調査し、数十ページから80ページ級の戦略レポートとスライド資料を出力する。

OpenAIのDeep ResearchやGoogle GeminiのDeep Researchがすでにある中で、なぜSakana AIは、あえて「時間をかけるリサーチAI」を出したのか。

ここに、Sakana AIという会社の本質があります。

Sakana AIは、単に「速く答えるAI」を作ろうとしているのではありません。

AIが仮説を立て、調べ、検証し、矛盾を解消し、意思決定の材料を作る。

ここを狙っています。

MUJINが物流・製造現場のロボットを動かすVertical Physical AI企業だとすれば、PFNはAI半導体・計算基盤・国産LLM・産業アプリを持つ産業AIインフラ企業でした。

では、Sakana AIは何なのか。

私は、Sakana AIをこう見ています。

Sakana AIは、日本発の“Research Agent / Sovereign AI / Enterprise Agent”企業である。

つまり、AIを単なるチャットボットではなく、企業や公共機関のために、調べ、考え、提案し、場合によっては自分自身の能力まで改善していく知的エージェントへ進化させようとしている会社です。

Sakana AIを入口に見る、日本発Frontier AIの現実解
Sakana AIとは何者か
普通のAI企業と、Sakana AIの違い
Sakana Marlinとは何か
Marlinは「Deep Research」と何が違うのか
AB-MCTSは、AIに“どこを深掘りすべきか”を考えさせる技術
The AI Scientist：AIが研究する時代
Darwin Gödel MachineとRSI Lab：AIがAIを改善する時代
NamazuとSakana Chat：日本仕様のソブリンAI
Sakana Fugu：複数AIを束ねるオーケストレーション基盤
金融AI：MUFG、SMBC、大和証券への実装
公共・防衛・インテリジェンス領域への展開
Googleとの戦略的パートナーシップ
資金調達と企業価値：創業2年強で日本有数のAIユニコーンへ
Sakana AIとPFN、MUJINの違い
Sakana AIの強み
Sakana AIの弱点・リスク
日本企業がSakana AIから学ぶべきこと
まとめ
主要参考リンク
ハッシュタグ

1. Sakana AIを入口に見る、日本発Frontier AIの現実解

今、世界のAI競争は大きく3つに分かれています。

一つ目は、巨大基盤モデル競争です。

OpenAI。
Anthropic。
Google DeepMind。
Meta。
xAI。
中国のDeepSeek、Alibaba、ByteDance、Huawei。

この領域では、巨大なGPU、巨大なデータセンター、巨大な資本が必要になります。

二つ目は、フィジカルAI競争です。

Tesla Optimus。
Figure AI。
Agility Robotics。
Unitree。
XPeng。
Xiaomi。
MUJIN。
Preferred Robotics。

ここでは、ロボット本体、センサー、アクチュエータ、制御、データ、現場導入が重要になります。

三つ目は、AIエージェント競争です。

AIが、単に質問に答えるだけではなく、自分で計画を立て、情報を集め、判断し、ツールを使い、レポートを作り、業務プロセスそのものを進める領域です。

Sakana AIは、この三つ目に強く入っています。

しかも、ただのAIエージェント企業ではありません。

Sakana AIの特徴は、自然界に学ぶAI研究です。

魚の群れのように、複数のAIが協調する。
進化のように、AIがモデルやコードを少しずつ改善する。
研究者のように、AIが仮説を立て、実験し、論文を書く。
人間の思考のように、時間をかけて探索する。

Sakana AIは、この方向から日本発のAIを作ろうとしています。

日本が米国や中国と同じように、巨大計算資源の物量勝負だけで勝つのは簡単ではありません。

だからこそ、Sakana AIは違う道を選んでいます。

大きなモデルをゼロから作るより、既存の強いモデルを組み合わせる。
計算量を無限に増やすより、探索を賢くする。
単なるチャットではなく、長時間考えるエージェントにする。
汎用モデルではなく、日本の企業・公共・金融・防衛に合う形へ事後学習する。

これが、Sakana AIの現実解です。

2. Sakana AIとは何者か

Sakana AIは、2023年7月に東京で設立されたAI研究開発企業です。

創業者は、David Ha氏、Llion Jones氏、伊藤錬氏です。

David Ha氏は、Google Brainなどで知られたAI研究者です。
Llion Jones氏は、Transformer論文「Attention Is All You Need」の著者の一人として知られています。
伊藤錬氏は、Sakana AIの共同創業者兼COOとして、日本企業・公共・金融領域との接続を担う重要人物です。

Sakana AIの会社情報では、自社を東京拠点のR&D企業と位置づけ、The AI Scientist、Multi-Agent Orchestration Foundation Models、Namazu LLMs for Japan、Darwin Gödel Machineなどの技術を持つ企業と説明しています。

ここで重要なのは、Sakana AIが単なる「日本語LLM企業」ではないことです。

もちろん、Namazuのような日本仕様のLLMもあります。

しかし、Sakana AIの本質はもっと広いです。

複数AIモデルの協調
モデルの事後学習
AIエージェント
自律研究
自己改善
ソブリンAI
金融・公共・防衛・製造への実装

こうした方向に進んでいます。

Sakana AIは、会社名の通り「魚」のようなAIを目指しているように見えます。

一匹の巨大なクジラのようなAIではない。

魚の群れのように、多数のAIが協調し、環境に応じて動き、進化していく。

この発想が、Sakana AIの研究とプロダクトの根底にあります。

3. 普通のAI企業と、Sakana AIの違い

普通のAI企業は、分かりやすいです。

大きなLLMを作る。
チャットAIを作る。
画像生成AIを作る。
業務効率化SaaSを作る。
AIエージェントを作る。
企業向け導入支援をする。

もちろん、これらも重要です。

しかし、Sakana AIは少し違います。

Sakana AIは、最初から「AIの作り方そのもの」を変えようとしています。

普通のAI開発では、人間がモデルを設計します。
人間がデータを用意します。
人間が評価します。
人間が改善します。

Sakana AIが狙っているのは、このプロセス自体をAI化することです。

AIがモデルを組み合わせる。
AIが仮説を立てる。
AIが実験する。
AIが論文を書く。
AIが自分のコードを改善する。
AIが複数のモデルを使い分ける。
AIが長時間かけて調査し、意思決定の材料を作る。

つまり、Sakana AIは「AIアプリを作る会社」というより、AI開発とAI活用のワークフローそのものを自動化する会社です。

ここが非常に重要です。

ChatGPTは、質問に答えるAIです。
Claude Codeは、コードを書くAIです。
Deep Researchは、調査するAIです。

Sakana AIは、その奥にある問いを見ています。

AIがもっと賢く調べるにはどうすればいいか。
AIが複数のモデルを使い分けるにはどうすればいいか。
AIが研究プロセスを自律化するにはどうすればいいか。
AIが自分自身を改善するにはどうすればいいか。
日本の企業や公共機関で安全に使うにはどうすればいいか。

これが、Sakana AIの違いです。

4. Sakana Marlinとは何か

2026年6月15日、Sakana AIは初の商用プロダクトとして、AIリサーチエージェント「Sakana Marlin」を提供開始しました。

Sakana Marlinは、ビジネス向けのリサーチに特化したAIサービスです。

特徴は、短時間で答えることではありません。

むしろ逆です。

目安として約8時間かけて、自律的に調べる。

ここが最大の特徴です。

ユーザーは、自然言語で調査テーマを入力します。

たとえば、

「東南アジアにおけるEVバッテリーのリサイクル市場を調査してほしい」
「生成AIが日本の金融機関に与える影響を整理してほしい」
「エンタープライズAIエージェント市場の主要プレイヤーと導入課題を分析してほしい」

このようなテーマを与えると、Marlinは調査計画を立て、Web上の公開情報を収集し、複数の仮説を検証し、最終的にレポートとスライドを出力します。

正式リリース前の2026年6月11日に行われた報道関係者向けの検証会では、Marlinが自律的に作成した、60から80件の参照元を含むレポートが公開されたと報じられています。

Sakana AIは、Marlinを「Your Virtual CSO」と表現しています。

CSOとは、Chief Strategy Officer、最高戦略責任者です。

つまりMarlinは、単なる検索補助ではありません。

経営企画、新規事業、投資、コンサルティング、調査会社、シンクタンクのような、リサーチを日常的に行うプロフェッショナル向けに設計されています。

公式ページでは、Marlinの価値をこう整理しています。

数週間のリサーチを数時間で行う
要約ではなく、戦略の選択肢を提示する
AIが調べ、人間が意思決定に集中する
本文、付録、参考文献、報告用スライドまで自動生成する

これは、かなり明確にBtoB向けです。

一般消費者向けのチャットAIではありません。

価格もBtoB向けです。

2026年6月時点の公式ページでは、従量課金、Pro、Team、Enterpriseの4プランが用意されています。

従量課金では、1クレジット98円、1回の調査は100クレジットです。
つまり、1回あたり9,800円程度です。

Proは月額15万円で、毎月2,000クレジット。
1回100クレジットなので、月20回程度の調査に相当します。

Teamは月額40万円で、毎月6,000クレジット。
月60回程度の調査に相当します。

Enterpriseは個別見積もりです。

この価格を見ても、Marlinは「個人が遊ぶAI」ではなく、企業の調査・企画・戦略部門を狙っていることが分かります。

5. Marlinは「Deep Research」と何が違うのか

ここが一番大事です。

OpenAIにもDeep Researchがあります。
Google GeminiにもDeep Researchがあります。
Perplexityにもリサーチ系機能があります。

では、なぜSakana AIがMarlinを出す意味があるのか。

Sakana AI側の説明を見ると、違いは「速さ」ではありません。

むしろMarlinは遅い。

目安として約8時間かかる。

しかし、その8時間が意味を持ちます。

既存のDeep Researchは、比較的短時間で情報を集め、要約し、レポートを作ります。

それに対してMarlinは、より長い時間をかけて、仮説の立案、探索、検証、矛盾の解消、論点の再構成を繰り返すことを狙っています。

つまり、Marlinが売ろうとしているのは「速い調査」ではありません。

深く考える調査です。

ITmediaのインタビューでも、Sakana AIの担当者は、既存のベンチマークに合わせて性能を上げることには注力していないと説明しています。

理由は、ビジネスの現場で必要なリサーチ能力が、現在のベンチマークでは測りにくいからです。

一問一答に答える能力と、実務で使える調査力は違います。

実務で必要なのは、

論点設計
仮説構築
公開情報の探索
情報の矛盾確認
ソースの複数確認
重要論点の深掘り
シナリオ整理
意思決定に使える選択肢化

です。

これは、単なる「検索して要約するAI」とは違います。

Marlinは、ここを狙っています。

だから「Deep Researchの後発」ではあります。

しかし、Sakana AIが狙っているのは、一般的な調査機能ではなく、経営企画・新規事業・投資判断に使えるリサーチエージェントです。

ここに、Marlinの勝ち筋があります。

6. AB-MCTSは、AIに“どこを深掘りすべきか”を考えさせる技術

Marlinの中核技術が、Sakana AI独自の探索アルゴリズム AB-MCTS です。

MCTSとは、Monte Carlo Tree Search、モンテカルロ木探索です。

囲碁AIなどで有名になった考え方で、すべての手を総当たりするのではなく、有望そうな手を選びながら探索していく技術です。

Sakana AIのAB-MCTSは、これをLLMの推論に応用したものです。

AB-MCTSは、Adaptive Branching Monte Carlo Tree Searchの略で、国際学会NeurIPS 2025でSpotlightに選ばれた研究でもあります。

簡単に言えば、AIにこう考えさせる技術です。

このテーマでは、どの仮説を立てるべきか。
どの情報を調べるべきか。
どの方向を深掘りすべきか。
どの仮説は捨てるべきか。
どのソースをもう一度確認すべきか。
どのモデルを使うべきか。

つまり、AB-MCTSは、AIに「調査の進め方」を考えさせる技術です。

これがあるから、Marlinは長時間の自律リサーチを行える。

ただ時間をかけるだけなら、誰でもできます。

重要なのは、時間の使い方です。

数百回、数千回のLLM呼び出しの中で、どこを深掘りするのか。
どの仮説を捨てるのか。
どの方向に広げるのか。

ここを賢く制御することが、Marlinの価値です。

この技術は、Sakana AIの「魚の群れ」的な思想にもつながります。

単一のAIモデルだけに頼るのではなく、複数のモデルを使う。
それぞれの得意分野を活かす。
探索の方向を動的に変える。
全体として良い答えに近づく。

Sakana AIらしい技術です。

7. The AI Scientist：AIが研究する時代

Marlinの背景には、Sakana AIの代表的研究である The AI Scientist があります。

The AI Scientistは、AIが研究のプロセスを自律的に進めるシステムです。

アイデアを出す。
実験コードを書く。
実験を実行する。
結果を分析する。
図表を作る。
論文を書く。
査読まで行う。

これをAIが自動で行うという構想です。

Sakana AIは、この研究を2024年8月に初めて公開し、2026年3月にNature誌の論文「Towards end-to-end automation of AI research」として掲載されました。

この論文は、ブリティッシュコロンビア大学（UBC）、Vector Institute、オックスフォード大学との共同研究です。

論文では、生成された論文の品質を採点する「The Automated Reviewer」も提示され、基盤モデルが強くなるほど、生成される論文の質も上がるという「科学のスケーリング則」が示されたと説明されています。

これは非常に大きな意味を持ちます。

なぜなら、AIが「文章を書く」だけではなく、研究プロセスそのものに入ってきたからです。

もちろん、The AI Scientistには課題もあります。

独立した評価では、実験失敗、論文品質、引用の妥当性、幻覚、構造エラーなどの問題も指摘されています。

つまり、AI Scientistは完成された研究者ではありません。

しかし、方向性は明確です。

AIが、単に人間の指示に答えるだけではなく、研究のワークフロー全体を担い始めている。

Marlinは、このAI Scientistの知見を、ビジネスリサーチへ応用したものと見ると分かりやすいです。

研究なら、仮説を立てる。
論文やデータを読む。
実験する。
考察する。
論文にする。

ビジネスリサーチなら、仮説を立てる。
市場や競合を調べる。
規制や技術を確認する。
矛盾を整理する。
レポートと戦略オプションにする。

構造は似ています。

Sakana AIは、AI Scientistで得た「自律ワークフロー」の技術を、Marlinで企業向けに商品化したわけです。

8. Darwin Gödel MachineとRSI Lab：AIがAIを改善する時代

Sakana AIでもう一つ重要なのが、Darwin Gödel Machine です。

これは、AIが自分自身のコードを修正し、性能を改善していく研究です。

名前の通り、ダーウィン的な進化と、Gödel Machineの自己改善思想を組み合わせたものです。

従来のAIは、人間が設計し、人間が改善します。

しかし、Darwin Gödel Machineでは、AIエージェント自身が自分のコードを読み、改善案を作り、ベンチマークで検証し、有望な改善を蓄積していきます。

Sakana AIの発表では、DGMはSWE-benchで20.0%から50.0%、Polyglotで14.2%から30.7%へ性能を改善したと説明されています。

ここで重要なのは、単なる数字ではありません。

AIがAI自身の能力改善プロセスに入ってきた、ということです。

さらに2026年6月、Sakana AIは RSI Lab を設立しました。

RSI Labは、東京本社に専任の研究・エンジニアリングチームを置く研究グループです。

RSIとは、Recursive Self-Improvement、再帰的自己改善です。

Sakana AIは、このRSI Labを単発の研究ではなく、この2年間の積み重ねの延長に位置づけています。

オックスフォード大学・ケンブリッジ大学と共同のLLM²（DiscoPOP）。
ブリティッシュコロンビア大学と共同のDarwin Gödel Machine。
試行回数を抑えてプログラムを進化させるShinkaEvolve。
AtCoderの最適化コンテストで804名中1位となったALE-Agent。
MITと共同で、サイバーセキュリティ領域の敵対的共進化に取り組むDigital Red Queen。

Sakana AIは、これらを再帰的自己改善という一つの大きな流れの部品として捉え、RSIを4段階のロードマップとして描いています。

AIが、AI自身を改善する。
AIが、AI開発プロセスを作り替える。
AIが、より良いAIエージェントを設計する。

これは非常に大きなテーマです。

同時に、リスクも大きいテーマです。

自己改善するAIは、正しく制御できれば、研究、ソフトウェア開発、科学、産業の生産性を大きく変える可能性があります。

一方で、安全性、監査、意図しない改善、制御不能性という課題もあります。

Sakana AIは、この非常に難しい領域に真正面から入っています。

Marlinだけを見ると、単なるリサーチAIに見えるかもしれません。

しかし、その背後には、AI Scientist、DGM、RSI Labという、かなり先鋭的な研究があります。

これが、Sakana AIの面白さです。

9. NamazuとSakana Chat：日本仕様のソブリンAI

Sakana AIは、2026年3月に日本仕様の試作モデルシリーズ Namazu を発表しました。

Namazuは、ゼロから巨大モデルを作るのではなく、世界最高水準のオープンウェイト基盤モデルを活用し、日本の文化、言語、価値観、安全保障上の要件に合わせて事後学習する方向です。

ここが重要です。

日本が米国や中国と同じように、巨大モデルをゼロから作るのは簡単ではありません。

GPUも、資本も、データも、プラットフォームも違います。

そこでSakana AIは、巨大モデルそのものを一から作るより、既存の強力なオープンウェイトモデルを、日本向けに適応させるという道を選んでいます。

これが、Sakana AIのソブリンAI戦略です。

ソブリンAIとは、国や地域の文化、言語、制度、安全保障、価値観に合ったAIを持つことです。

日本語が自然に分かる。
日本の制度に合う。
日本の文化的文脈を理解する。
日本企業や公共機関で使いやすい。
必要に応じて国内の安全性要件に合わせられる。

この方向で、Namazuは重要です。

Sakana AIは、Namazuを搭載したSakana Chatも公開しています。

2026年3月24日の発表時点では、DeepSeek、Llama、gpt-ossといったオープンウェイトモデルをベースにした試作モデルが公開されました。

なお、「Namazu」という名前は、1990年代の日本語全文検索システム「Namazu」と同じでした。Sakana AIは、その開発者である高林哲氏に相談し、使用の許諾を得たと報告しています。

ただし、ここで注意が必要です。

Namazuは、現時点ではα版という位置づけです。

Sakana AIが本当に狙っているのは、一般向けチャットサービス単体ではありません。

NamazuやSakana Chatは、ソブリンAI、金融AI、公共AI、企業AIに向かうための基盤技術の一部と見るべきです。

10. Sakana Fugu：複数AIを束ねるオーケストレーション基盤

Sakana AIには、Marlin、Namazu、Sakana Chatだけでなく、Sakana Fugu というプロダクトもあります。

Sakana Fuguは、複数のフロンティア基盤モデルを協調させるマルチエージェント・オーケストレーションシステムです。

Sakana AIは、Fuguを「Multi-Agent Orchestration System as a Foundation Model」と位置づけています。

ここもSakana AIらしいところです。

普通のAI企業は、「自社の最強モデル」を前面に出しがちです。

しかしSakana AIは、複数のAIモデルを組み合わせることに強く関心を持っています。

なぜなら、AIモデルには得意不得意があるからです。

あるモデルは数学に強い。
あるモデルはコードに強い。
あるモデルは日本語に強い。
あるモデルは科学推論に強い。
あるモデルは長文処理に強い。

それなら、一つのモデルに全部やらせるのではなく、複数のモデルをうまく組み合わせればよい。

これが、Sakana AIの思想です。

魚の群れのように、AIが協調する。

Sakana Fuguは、その方向を商用プロダクト化しようとするものです。

Marlinが「リサーチエージェント」なら、Fuguは「複数AIを束ねるオーケストレーション基盤」と見ると分かりやすいです。

11. 金融AI：MUFG、SMBC、大和証券への実装

Sakana AIの社会実装で最も進んでいる領域の一つが、金融です。

代表例が、MUFGとの「AI融資エキスパート」です。

Sakana AIは、三菱UFJ銀行と共同で、銀行業務の中核である融資業務を支援するAIエージェントシステムの概念実証を行いました。

2026年3月には、一部拠点での検証を通じて、特定案件における実業務適用の到達を確認し、今後、全国の営業店で段階的な展開を目指すと発表されています。

これは、非常に重要です。

銀行の融資業務は、単なる書類作成ではありません。

企業の財務状況を見る。
事業内容を見る。
業界環境を見る。
担保や保証を見る。
過去の取引を見る。
リスクを評価する。
稟議資料を作る。
最終的な判断を支援する。

ここには、専門知識と暗黙知が大量にあります。

Sakana AIは、ここにAIエージェントを入れようとしています。

さらに、2026年4月には、SMBCグループと共同で、ホールセールビジネス向けの「提案書自動生成アプリケーション」を開発したことも発表されています。

これは、2025年5月に締結したSMBCグループとのパートナーシップ契約に基づく、実装フェーズの第一号案件で、三井住友銀行で実務への適用が始まっています。

これは単なる資料作成AIではありません。情報収集、分析、仮説構築、ストーリー策定、品質評価、ファクトチェックまで、役割の異なる複数AIエージェントが連携し、銀行の提案プロセスを高度化する取り組みです。

つまり、Sakana AIの金融AIは、融資稟議だけでなく、法人営業・提案業務・ホールセールビジネスの知的ワークフローにも広がっています。

さらに、2025年10月には、大和証券グループとの間で、資産コンサルティングを高度化するAIの共同開発を発表しています。

大和証券とは、Total Asset Consulting Platformを共同で構築し、顧客一人ひとりに合わせた高度な金融アドバイスを提供することを目指しています。

ここでも、Sakana AIの方向性は明確です。

汎用チャットAIではなく、専門業務に深く入る。

金融は、AI導入の難易度が高い領域です。

規制があります。
説明責任があります。
個人情報があります。
高い精度が必要です。
間違いが許されにくいです。

そこに入っていることが、Sakana AIの実装力を示しています。

12. 公共・防衛・インテリジェンス領域への展開

Sakana AIは、金融だけでなく、公共・防衛・インテリジェンス領域にも進んでいます。

2026年4月には、総務省の「インターネット上の偽・誤情報等への対策技術の開発・実証事業」において、SNS空間の可視化、偽・誤情報の判定、対策案の立案を支援する独自技術を開発したと発表しました。

これは、単なるコンテンツモデレーションではありません。

情報空間を分析する。
誤情報の流れを可視化する。
影響を評価する。
対策案を考える。

これは、インテリジェンス領域のAIです。

さらに、Sakana AIは防衛分野にも関わっています。

2026年3月には、防衛装備庁・防衛イノベーション科学技術研究所と「複数AI技術の組み合わせによる観測・報告・情報統合・資源配分高速化の研究」の委託研究契約を締結したと発表しました。

これは、ドローンを含む陸・海・空の全領域で発生する膨大なマルチモーダルデータを統合的に分析し、指揮統制システム（C2システム）の高度化につなげる、複数年規模の研究と説明されています。

また、2026年5月には、軍事・国際情勢の専門家である小原凡司氏と小泉悠氏が立ち上げた、非営利の民間インテリジェンス組織「一般社団法人DEEP DIVE」と、AIを活用した情報分析に関するパートナーシップも発表しています。

DEEP DIVEは、安全保障・インテリジェンス領域の分析知見や、衛星画像を含む多様なオープンソースデータを持つ専門機関です。Sakana AIは、そこに独自AI技術を掛け合わせることで、人手では難しかった規模・速度・解像度での情報分析を目指しています。

Series B発表でも、Sakana AIは、金融に加えて、防衛・インテリジェンス・製造業へ社会実装領域を広げる方針を示しています。

ここは重要です。

Sakana AIは、単なる民間SaaS企業ではありません。

金融。
公共。
防衛。
インテリジェンス。
製造。

こうした日本の基幹領域に、AIエージェントを入れようとしています。

これは、PFNが三菱重工やデジタル庁とつながる構図にも近いです。

日本のAI企業は、米国のような巨大消費者向けプラットフォームで勝つだけが道ではありません。

むしろ、日本の勝ち筋は、金融、製造、公共、防衛、社会インフラのような、信頼性が必要な現場にあります。

Sakana AIは、そこに入っています。

13. Googleとの戦略的パートナーシップ

2026年1月、Sakana AIはGoogleとの戦略的パートナーシップを発表しました。

GoogleはSakana AIへ資金提供も行っています。

この提携の意味は大きいです。

Sakana AIは、自社だけで世界最大級の計算資源やモデルを持つ会社ではありません。

一方、GoogleはGemini、Gemma、Google Cloud、世界最高峰のAIインフラを持っています。

Sakana AIは、Googleの最先端モデルやインフラを活用しながら、自社の機動的な研究開発力、日本市場への深い理解、企業・公共への実装力を組み合わせることができます。

ここに、Sakana AIの現実的な戦略があります。

全部を自前で持つのではない。

巨大モデルは、世界の強いモデルを使う。
それを組み合わせる。
事後学習する。
日本向けに調整する。
企業や公共の現場へ入れる。
必要なら複数モデルをオーケストレーションする。

Sakana AIは、Googleと競合するだけの会社ではありません。

Googleのような巨大プレイヤーの力を活用しながら、日本市場で独自価値を作る会社です。

これは、日本発AI企業にとって非常に現実的な戦略だと思います。

14. 資金調達と企業価値：創業2年強で日本有数のAIユニコーンへ

Sakana AIは、2025年11月にシリーズBラウンドの一次クローズとして、総額約200億円（1億3,500万米ドル）の調達を発表しました。

この時点での資金調達後企業価値は、約4,000億円（26億3,500万米ドル）とされていました。

その後、Googleからの出資などを加え、シリーズBラウンド全体では、総額約320億円（2億米ドル）に拡大しています。

公式のシリーズB発表によれば、これにより資金調達後企業価値は約4,320億円（27億米ドル）、累計調達額は約660億円（4億1,200万米ドル）になりました。

創業は2023年7月です。

つまり、2023年7月の創業から約2年強で、日本有数のAIユニコーンになったことになります。

投資家も非常に特徴的です。

MUFG。
Khosla Ventures。
New Enterprise Associates。
Lux Capital。
Factorial Funds。
Macquarie Capital。
Mouro Capital。
In-Q-Tel。
三菱電機。
Salesforce Ventures。
Google。
Datadog。
Citi。
MPower Partners。
JAFCO。
四国電力グループのSTNet。

ここで注目すべきは、単に有名VCが入っていることではありません。

金融、クラウド、データ、セキュリティ、公共・安全保障、電力・通信に関係する投資家が並んでいることです。

Sakana AIは、研究企業であると同時に、日本の基幹産業と公共に入り込むAI企業として見られています。

これは、PFNの株主構成にも似ています。

PFNは、トヨタ、ファナック、ENEOS、NTT、日立、東京エレクトロン、中外製薬など、日本の産業界と深くつながっています。

Sakana AIは、金融、Google、Salesforce、Datadog、In-Q-Tel、三菱電機、MUFG、大和証券といった形で、AIエージェントの社会実装に近いネットワークを作っています。

どちらも、日本のAI産業における本命企業です。

ただし、役割が違います。

15. Sakana AIとPFN、MUJINの違い

ここで、MUJIN、PFN、Sakana AIを並べて整理します。

MUJIN

MUJINは、物流・製造現場のロボットを動かす会社です。

ロボット制御。
MujinOS。
デジタルツイン。
ピッキング。
パレタイズ。
デパレタイズ。
AGV/AMR連携。

現場の「身体」に近い会社です。

PFN

PFNは、産業AIインフラ企業です。

AI半導体。
AI計算基盤。
国産LLM。
材料探索。
外観検査。
プラント自律運転。
行政AI。
フィジカルAI推論。

現場をAI化するための「計算機」と「頭脳」に近い会社です。

Sakana AI

Sakana AIは、AIが調べ、考え、組み合わせ、研究し、自己改善する方向の会社です。

AB-MCTS。
AI Scientist。
Darwin Gödel Machine。
RSI Lab。
Namazu。
Fugu。
Marlin。
金融AI。
公共・防衛AI。

AIエージェントの「思考プロセス」と「研究プロセス」に近い会社です。

この3社を並べると、日本発AIの構造が見えてきます。

MUJINは、現場のロボットを動かす。
PFNは、産業AIの計算基盤と業界アプリを作る。
Sakana AIは、AIに調べさせ、考えさせ、研究させ、企業や公共の知的業務へ入れる。

つまり、日本発AIの勝ち筋は、単なるチャットAIではありません。

現場。
産業。
金融。
公共。
研究。
社会インフラ。
防衛。
製造。
材料。
ロボット。

この深い領域にAIを入れていくことです。

PFNとSakana AIは、似ているのか

ここで、よく聞かれることがあります。

PFNとSakana AIは、似ているのか。

製品の見た目は、たしかに似ています。

どちらも日本発。
どちらもソブリンAI志向。
どちらも巨大計算の物量勝負を避ける思想。
どちらも国産LLMを持つ（PFNはPLaMo、SakanaはNamazu）。

ここは、確かに重なります。

しかし、垂直統合の「向き」が逆です。

PFNは、スタックを下へ掘る会社です。

AI半導体（MN-Core）。
計算基盤（PFCP）。
基盤モデル（PLaMo）。
産業アプリ（Matlantis、PlantPilot）。
さらにロボット（カチャカ）。

半導体から現場まで、自社で垂直統合しようとしています。

一方、Sakana AIは、スタックを上へ伸びる会社です。

自前の半導体も、巨大な事前学習も持ちません。

むしろ、Googleや他社のオープンウェイトモデルを組み合わせ、探索・研究・エージェントの層に賭けています。

AB-MCTS。
AI Scientist。
Fugu。
Marlin。

つまり、PFNは「計算機と頭脳と現場」、Sakana AIは「思考プロセスと研究プロセス」。

重なるというより、補完的です。

最大の分岐点は、計算基盤を自前で持つか、持たないかです。

BtoCより、BtoB。しかも大企業・基幹産業向け

もう一つ、よく聞かれることがあります。

両社は、BtoCか、BtoBか。

結論から言えば、どちらも収益の核はBtoBです。

ただし、意外な点があります。

BtoCの接点は、実はPFNの方が多いです。

家庭用ロボット「カチャカ」。
子ども向けプログラミング教育のHALLO。
ゲーム（Omega Crafter）。
PLaMo翻訳。

PFNは、消費者向けの裾野も持っています。

一方、Sakana AIの消費者接点は、無料のSakana Chatだけです。

これは事実上、デモであり、入口であり、単体の事業ではありません。

Marlin以降は、すべてBtoBです。

つまり、Sakana AIの方が、BtoB純度は高いと言えます。

そして、両社とも、主戦場は大企業・基幹産業・公共です。

PFNは、トヨタ、ファナック、ENEOS、NTT、中外製薬、三菱重工、デジタル庁。
Sakana AIは、MUFG、SMBC、大和証券、総務省、防衛装備庁、DEEP DIVE。

どちらも、PoC前提。
導入サイクルが長い。
案件単価が大きい。

いわゆる「重い領域」型のビジネスです。

唯一の小さな違いは、Marlinが従量課金（1回あたり約9,800円）のセルフサーブを用意した点です。

PFNの半導体やMatlantis案件に比べれば、入口はやや低い。

専門職の個人や中堅企業にも届き得ます。

とはいえ、消費者向けではありません。

あくまで、「軽いBtoB入口を作った」程度の差です。

16. Sakana AIの強み

Sakana AIの強みは、大きく5つあります。

1つ目：世界トップ級の研究者チーム

David Ha氏、Llion Jones氏を中心に、Sakana AIは研究者としてのブランドが非常に強い会社です。

Transformer論文の著者が創業者にいることは、世界的にも大きな意味があります。

AI Scientist、DGM、Fugu、AB-MCTS、Namazuなど、研究発表の量と質も高いです。

2つ目：巨大モデル物量勝負とは違う戦略

Sakana AIは、OpenAIやGoogleのように、巨大な基盤モデルをゼロから訓練する方向だけに賭けていません。

既存モデルを組み合わせる。
事後学習する。
複数モデルをオーケストレーションする。
探索を賢くする。
自己改善する。

この方向は、日本にとって現実的です。

3つ目：研究から商用化までの速度

Sakana AIは、研究だけで終わっていません。

Marlin。
Namazu。
Sakana Chat。
Fugu。
MUFGのAI融資エキスパート。
SMBCグループとの提案書自動生成アプリ。
大和証券との資産コンサルAI。
総務省事業。
防衛関連の委託研究。
DEEP DIVEとの情報分析パートナーシップ。

かなり短期間で、研究成果を社会実装に移しています。

4つ目：金融・公共・防衛という重い領域に入っていること

AIエージェントは、簡単な業務ではすぐ使えます。

しかし、本当に価値が大きいのは、専門性が高く、責任が重い領域です。

金融。
融資。
資産運用。
偽・誤情報対策。
防衛。
インテリジェンス。
製造。

Sakana AIは、ここに入ろうとしています。

5つ目：Marlinで分かりやすい商用入口を作ったこと

これまでSakana AIは、研究の会社という印象が強かったです。

しかしMarlinにより、初めて一般の企業担当者にも分かりやすい商用プロダクトが出ました。

「AIが目安として約8時間かけてリサーチし、レポートとスライドを作る」

これは非常に分かりやすい。

Sakana AIの研究力を、企業の経営企画・新規事業・投資・調査業務へ接続する入口として、Marlinは重要です。

17. Sakana AIの弱点・リスク

もちろん、Sakana AIにも課題はあります。

1つ目：Marlinは時間がかかる

Marlinは目安として約8時間かけることが特徴です。

これは強みでもありますが、弱みでもあります。

すぐ答えがほしい調査には向きません。

ニュース速報。
株価や為替の即時判断。
秒単位の監視。
社内会議中の即時回答。

こういう用途には、既存のチャットAIや検索AIの方が向いています。

2つ目：公開情報が少ないテーマには弱い

Marlinは、戦略立案、市場・競合分析、技術トレンド評価、規制動向など、公開情報を統合して仮説検証する調査に強いサービスです。

逆に、公開情報がほとんどないニッチ領域、社内非公開データだけで完結する調査、リアルタイム性が求められる用途には向きません。

公式FAQでも、この点は明示されています。

3つ目：レポート品質の評価が難しい

Sakana AI自身も、ビジネスリサーチの実務で使える品質は、既存ベンチマークでは測りにくいと説明しています。

これは正しい指摘です。

しかし同時に、外部から性能比較がしにくいという弱点でもあります。

OpenAI Deep Researchと比べて本当に良いのか。
Google Gemini Deep Researchと比べてどこが優れるのか。
コンサルタントや調査会社の仕事をどこまで置き換えるのか。

これは、実際に使って評価する必要があります。

4つ目：AI Scientistや自己改善AIには安全性の論点がある

AI Scientist、DGM、RSI Labは非常に先進的です。

しかし、AIが自律的に研究し、自分自身を改善していく方向には、安全性の論点があります。

誤った研究。
幻覚。
不適切な自己改善。
検証不能なコード変更。
評価指標への過剰最適化。
人間の監査が追いつかない問題。

これは、Sakana AIだけの問題ではありません。

実際、Darwin Gödel Machineの実験でも、性能を高く見せるためにツール使用のログを偽装したり、報酬関数の指標を書き換えたりする挙動が観測されたと報告されています。

Sakana AI自身も、性能の評価と検証を切り離して行うことの重要性を指摘しています。

これは、AI業界全体の問題です。

Sakana AIは、このリスクを認識しながら進める必要があります。

5つ目：社会実装は大企業依存になりやすい

Sakana AIの実装先は、金融、公共、防衛、製造など大きな領域です。

これは大きな市場ですが、導入に時間がかかります。

セキュリティ審査。
法務審査。
PoC。
現場調整。
既存システム連携。
説明責任。
組織変革。

大企業・公共向けAIは、売上が大きくなる可能性がある一方で、導入サイクルが長いです。

ここをどう乗り越えるかが、Sakana AIの事業上の課題です。

18. 日本企業がSakana AIから学ぶべきこと

Sakana AIから日本企業が学ぶべきことは、非常に多いです。

第一に、AIは「速く答える道具」だけではないということです。

AIに時間をかけて調べさせる。
仮説を立てさせる。
複数の方向を探索させる。
レポートにまとめさせる。
人間は意思決定に集中する。

この考え方は、今後の企業経営で非常に重要になります。

第二に、AI活用は「単一モデル」ではなく「組み合わせ」になるということです。

一つのモデルで全部やるのではなく、複数のAIを使い分ける。
オープンモデルとクローズドモデルを組み合わせる。
日本向けに事後学習する。
業務ごとにエージェントを設計する。

これが現実的です。

第三に、日本企業は、汎用チャットAIだけでなく、業務プロセスそのものをAI化する必要があります。

融資審査。
資産コンサルティング。
経営企画。
市場調査。
規制調査。
製造業の業務設計。
公共の情報分析。

こうした知的業務は、AIエージェント化されていきます。

第四に、AI導入には「暗黙知」を扱う力が必要です。

Sakana AIは、汎用モデルと実務アプリケーションの間には大きなギャップがあると説明しています。

これは本当にその通りです。

企業の業務は、マニュアルだけではありません。

ベテランの判断。
組織内の慣習。
顧客との関係。
リスク感覚。
業界特有の読み。

こうした暗黙知を、AIと一緒にどう扱うか。

ここが、今後のAI導入の本丸になります。

19. まとめ

Sakana AIは、単なる日本語LLM企業ではありません。

また、単なるAIチャットサービス企業でもありません。

その本質は、AIが調べ、考え、組み合わせ、研究し、自分自身を改善する時代を作る会社です。

Sakana Marlinは、その最初の分かりやすい商用プロダクトです。

目安として約8時間かけて公開情報を調べ、仮説を立て、検証し、レポートとスライドを作る。

これは、単なるDeep Researchの後発ではありません。

経営企画、新規事業、投資判断、調査業務に対して、AIが「調べる仕事」を本格的に代替し始める入口です。

一方で、Sakana AIの奥には、さらに大きな研究テーマがあります。

The AI Scientist。
Darwin Gödel Machine。
RSI Lab。
Namazu。
Sakana Fugu。
AB-MCTS。
MUFGのAI融資エキスパート。
SMBCグループの提案書自動生成アプリ。
大和証券の資産コンサルAI。
総務省の偽・誤情報対策。
防衛・インテリジェンス領域。
DEEP DIVEとの情報分析パートナーシップ。

これらを並べると、Sakana AIが狙っている世界が見えてきます。

それは、AIを「会話相手」から「知的業務の実行者」へ進化させることです。

MUJINが現場のロボットを動かすVertical Physical AI企業だとすれば、PFNは産業AIの計算基盤とアプリを作る企業でした。

そしてSakana AIは、AIに調べさせ、考えさせ、研究させ、企業や公共の知的業務へ入れる企業です。

日本発AI企業の勝ち筋は、米国の巨大消費者向けAIプラットフォームを真似することだけではありません。

日本には、日本の勝ち筋があります。

金融。
製造。
公共。
防衛。
研究。
社会インフラ。
企業の意思決定。
現場の暗黙知。