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。
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。
