医療AI承認数と日本市場の壁――需要は大きいがポテンシャルは小さい、という警告と、AIでは医療事故は減らないという結論

「日本には需要はある。だがポテンシャルはない」

スイス発の医療AIスタートアップによるピッチが終わったあと、この回は二段階で厳しさを増していく。第一段階は、日本市場に対する定量的な冷水である。「日本には高齢者が多いから需要は大きい」という参入の常套句に対し、日本側の参加者が示したのは承認済みAI医療機器の国際比較だった。米国が1,000件を超える一方で、日本は50件に満たない。需要は非常に大きいが、実際のポテンシャルは非常に小さい――この非対称性こそが、海外の医療AI企業が日本で軒並み失敗してきた理由だ、という指摘である。

第二段階は、より原理的な反論だった。医療にロボットやAIが導入されていけば医療事故は減るのか、という問いに対する回答が「全く減らない。減る理由がない」だったのである。理由は技術ではなく、入力にある。人間そのものが最大のエラー源であり、患者が申告する症状はそもそも正確でない。だとすれば、実行者の正確性が上がるほど、間違った情報を忠実に実行することになり、エラーは増幅されうる。

この二つは、表面的には別々の話に見える。しかし通底しているのは同じ命題である。すなわち、技術の性能は市場のボトルネックではないということだ。日本市場のボトルネックは承認プロセスであり、医療精度のボトルネックは入力情報の品質と、判断レベルを評価するシステムの不在である。どちらも、モデルを良くしても解けない。

承認数という定量指標――需要とポテンシャルは別物である

質疑の後半、日本側の参加者から出たのは助言の形をとった警告だった。日本市場については「需要のポテンシャルを全く別に考えなければならない」という前置きから始まる。世界中の医療スタートアップと話をしていると、彼らはみな「日本は需要が大きいから」という理由で日本に来ようとする。しかし実際のポテンシャルは非常に小さい。まずそこを説明しなければならない、という切り出しである。

根拠として示されたのが、AI医療機器に対する政府認証の件数だった。米国は既に1,000件を超えている。中国は500件、韓国は400件から300件。それに対して日本は50件未満――この数字の落差が、この回で最も強く記憶されるべき情報である。

そのうえで、日本には規制が非常に多く、市場そのものが強く制限されていること、そして医療システムを管理している側の人々が新しいシステムの導入に対して極めて保守的であることが指摘された。台湾をはじめとする他国の医療AIスタートアップも同じ理由で日本市場に入ろうとし、そして規制の問題で多くが失敗している、という観察が添えられている。

ピッチ側の反論――日本はパズルの一片にすぎない

この指摘に対するスイス側の回答は、防戦ではなく前提の置き直しだった。グローバルの視点から見れば、日本はパズルの一片にすぎない。まずスイス市場に集中するのは、そこで規制準拠を作り込めるからである、という論理である。

そのうえで、スイスの規制環境の厳しさが強調された。患者ケアとプライバシーに関して想像しうる限り最も厳格な部類の枠組みを持っており、すべてをローカルでホストする必要があり、患者データの処理に汎用LLMを使うことはできない。この厳格な基準に準拠して作り込んでいるものは、日本の基準にも適合するだろう、という主張である。「アメリカ向けに最初に作るのではなく、スイス向けに最初に作る。スイス人はアメリカ人とはデータ管理とデータプライバシーに対するアプローチがまったく違う」という言い方で、設計思想の違いが説明された。

日本については、ロードマップの一部として位置づけたい、という回答だった。アジアでの Medical AI OS 展開にはシンガポール、韓国、日本を含める。中国のような市場も魅力的だが、政府と直接組む必要があるため、さらに先の話になる。今後5〜10年のロードマップの中でより取りやすい市場が他にある、という現実的な整理である。

加えて、日本の投資家に対する配慮も明示された。日本の投資家の多くは、投資したものが何らかの形で日本市場へ、自国へ価値として還ってくることを重視する。それは非常に重要なことだと理解しているので、日本はリストに入っている――という締め方である。

「日本は最後にしろ」――主催者による実務的な助言

ゲストが退出したあと、主催者から出たのは繰り返し伝えているという定型の助言だった。本当にやるならヨーロッパでやり、次に韓国やシンガポールでやり、日本は最後にしておけ。最初に日本に来ても絶対に通らない。特にメディカル系は難しい――「マジで日本ほどマーケットが難しいところはない」という表現が使われた。台湾についても同様の助言をしているが、それでも来てしまう、という嘆きが添えられている。

日本のベンチャーキャピタルに声をかけても、おそらく来ない可能性が高い、という見立ても示された。理由は意思決定の遅さである。特にアーリーステージでは面倒だ、自分もあまりアプローチしたくない、と明言されている。一方で、この案件は資金調達自体がかなりスムーズに進んでいるように見えるため、日本をメインにやらなくても海外で十分リーチできる、という判断が示された。

登壇者本人の実力についても言及がある。相当量のリサーチをかけていることが読み取れる、ボードメンバーも強い、ヨーロッパで広げてその後に東南アジアという順序が見えている、シリコンバレーのベンチャーキャピタルからある程度の資金調達も立っている――だからアメリカでも展開できるとなれば一気にボリュームが変わるだろう、という評価だった。

倫理とゲートキーパー――「倫理から入るとビジネスができない」

参加者から、より原理的な問いが出た。AIと医療従事者が関わることでワンストップ化が進み、医療格差やアクセス格差はある程度是正されるだろう。しかし同時に、そのプラットフォームが医療に対するゲートキーパーの役割を担うことになる。この倫理的なリスクを将来的にどう設計しているのか、という問いである。

主催者の回答は率直だった。効率性が上がれば人は要らなくなるので、排除される人たちが出てくるのは産業として基本的なことだ。全員を守ると考えるならテクノロジーなど無い方がよい。逆に、そこに早くリーチした人たちが先行者として勝っていく。それが技術が発達することの醍醐味である――という整理である。

そのうえで、AI関連企業がみな言っていることとして、「倫理的なことまで考えたらビジネスなんかできない」という現実が引かれた。まず作ってみて、その後にどこに制限をかけるのかを考える方が重要である。いきなり倫理観の話から始めたらビジネスはほぼできなくなる。もっとも、それらしきことを標榜はする、という留保も付け加えられた。

医療従事者の教育と人員配置

別の参加者からは、システムを売ることのほかに、ネットワークに取り込んでいく医療従事者をどう教育しているのかが重要な視点ではないか、という問いが出た。買収して、そこにシステムを提供すれば格差が是正されるかというと、意外とそうでもない部分があるのではないか。人を逆に再配置するようなことも必要になるのではないか、という趣旨である。

これに対する回答は、ピッチの内容に立ち戻る形でなされた。最初のプレゼンテーションで説明されていたのは、プライマリケアサービスは人員が足りていないにもかかわらず儲かっていない、という問題だった。そのコスト削減のソリューションとして提示されている。したがって、どちらかというと人を排除するのではなく、人が足りないからこそ、人をいかに円滑に回すかにフォーカスしたサービスである――そう本人は説明していた、という整理である。足りないところをどう補うかをテクノロジーで解決する仕組みだ、という位置づけになる。

この文脈で出たのが、「配車アプリのドライバーのような医師になるのではないか」というイメージだった。グループに入った人たちに動いてもらう、拠点間で人が動くという運用が必要になるのではないか、という問題提起である。答えとしては、そこは先行者利益の話になる――先にテクノロジーにリーチした人たちが、使う側としても勝つ、という整理が示された。

また、ドイツに競合がいると表現されたということは、ドイツでは既に部分的にテストが始まっている状態だと読める、という指摘も出た。その地域のヒアリングはまだできていないため、後日確認するか、週末に会う予定の参加者に聞いてもらう、という宿題として残された。

「AIで医療事故は減らない」――人間そのものがエラーである

この回で最も鋭い応答が出たのが、講義開始直前のやり取りだった。医療にテクノロジー、ロボットやAIがどんどん導入されていけば、医療事故の確率は減ると思うか。この問いに対する回答は、間髪を入れず「全く減らないと思う」だった。しかも「減る理由がない」と続く。

理由は、人間が最大のエラー源だからである。情報そのものがほぼエラーだ、という言い方がされた。ここから導かれる帰結が重要で、実行する側の正確性が高まれば高まるほど、エラーのリスクも高まってしまう。間違った情報を、より忠実に実行してしまうからである。

具体例として挙げられたのが患者の主訴だった。肩こりと言われて、それは本当に肩こりなのか。めまいと言われて、それは本当にめまいなのか。よく聞くと、実際にはまったく違うことが非常に多い。患者が「めまい」と表現していても症状はまったく別物であり、その申告を信頼して処理したらすべて間違いになる。だから患者の言うことをそのまま聞いてはいけないし、患者の思い込みで表現されていることを信じてはいけない。100%信じない――むしろ信じない方が精度が上がる、というのが実務側の作法だと語られた。

ではどうするか――ジャッジシステムの不在

では精度を上げるにはどうするか。ここで持ち出されたのが投資の比喩である。投資判断をするときに、極めて優秀なトレーダー10人と、素人1万人を集めた場合、どちらの判断が正しくなるか。レベルによって話がまるで変わる。では医療従事者の判断レベルは、どうやってジャッジするのか。そのジャッジシステムはどこにあるのか――という問いが返された。

これが解消されない限り、精度を確実に上げるとは基本的に言えない、というのが理論的な結論である。同じ医療データや技術を使っても、「医療をやっている人だからいい」わけではない。相当に上位の人材を集めれば少しは減るかもしれないが、基本的に人間のエラーは入り込むので変わらない。

唯一の解として示されたのが、状況の限定である。ある程度状況を限定するしかない。状況を限定した場合の精度は異常に高くなるので、それをどう囲い込むかという設計になる。逆に、対象範囲が広くなればなるほど確実に精度は下がり、非常に難しくなる。つまり、ピッチされていた事業も、おそらくこの最適化を考えているはずだ、という読み方が示された。人手不足を解消するというアプローチでしか語られていなかったのは、そのためだろう、という解釈である。

この議論の最後には、こうした構造を理解せずに進めると、倫理の問題とはまた別の意味で危険かもしれない、という参加者の指摘があり、「全然違う方に行くと思う」という同意で締められた。

質疑応答

持ち帰るべき課題

1. 倫理設計についてのヒアリング。ゲートキーパー化に伴う倫理的リスクの将来設計について、登壇者本人に確認する（主催者が引き受け）。
2. ドイツ市場でのテスト状況の確認。競合がいるということは既に部分的にテストが始まっていると読める。週末に会う予定の参加者からヒアリングする。
3. 各国AI医療機器承認数の一次データ確認。米国FDA、中国NMPA、韓国MFDS、日本PMDAそれぞれの公表データで、集計基準をそろえたうえで再確認する。発言値と公開データに開きがある。
4. 「範囲を限定すれば精度は上がる」の定式化。医療AIのスコープ設計原理として、どこまで限定すれば実用精度に達するのかを、具体的な疾患領域で検証する。
5. 医療従事者の判断レベルを評価するシステムの有無を調べる。「ジャッジシステムがない」という指摘が正しいのか、既存の評価枠組みが何かあるのかを確認する。

このレポートに出てきた用語