Hebbia Matrix Agent：文書レベルのリサーチ外注で、単一プロジェクト月収3万元

💰 収入

初級アナリスト1名を代替することを見積もりの基準とし、1プロジェクトあたり月約3万元で請求し、同時に3～5社を担当すれば月収は9万～15万元に達する。初期はまず2機関にサービスを提供して継続利用を検証し、その後は納品ページ数と抽出フィールド数に応じた追加課金を行う。常時サブスクリプション制にすれば、顧客1社あたり月1.5万～3万元の保守費を徴収でき、年間収入は36万～108万元の範囲で安定し、粗利率は約70％となる。

💸 コスト

OpenAIまたはClaude APIは月約3000～8000元、ベクトルデータベースとサーバーは約1000元、OCRとPDF解析は約500元。月間総コストは1万元以内に抑える。データの国外移転を避けるためにプライベートデプロイが必要な場合、GPUサーバーの購入は一時費用で約2万～5万元、月々の電気代と保守は別途約2000元かかる。

⏱ 時間投入

毎日3～5時間。うち1時間は顧客への納品と校正に充て、残りはエージェントログの監視、抽出ルールの修正、業界用語辞書の更新に使う。毎週さらに半日を使い、抽出精度を振り返って金融・法務用語表を拡充し、エージェント・マトリクスを継続的に賢くする。ナレッジベースが蓄積されるにつれ、1プロジェクトの納品時間は初月の20営業日から3か月目には5営業日まで短縮でき、より多くの顧客を受け入れる余裕が生まれる。

🔑 成功のカギ

• ✅ 垂直データ品質：金融・法務用語の抽出には専用NLPルールとフィールド構造定義が必要で、汎用RAGでは数十万件のPDFの中で重要条項を見落としやすい。シード顧客の業界知識ベースが、対象のヒット率と再利用性を左右する。
• ✅ 人的レビュー体制：エージェントの各回答には原文引用を必須とし、品質チェック後に納品する。数値の衝突や多義的な文については人が最終判断を行い、大規模モデルのハルシネーションが顧客の意思決定に直接影響するのを防ぐ。
• ✅ 成果報酬型の価格設定：削減できた工数を初級アナリストのコストと比較して価格のアンカーを形成し、納品ページ数とフィールド数に応じて追加課金する。顧客が予算項目上でROIを直接確認できるようにする。
• ✅ マトリクス・アーキテクチャは複製可能：単一プロジェクトを文書分割、要素抽出、成果物生成という3つの子エージェント・パイプラインに分解する。新規顧客では抽出ルールとナレッジベースを差し替えるだけでよく、既存顧客の知識蓄積が複利として積み上がり続ける。
• ✅ 納品フォーマットこそが参入障壁：索引と引用元を付けたExcelを生成することで、投資銀行や法律事務所の内部コンプライアンスとレビューの導線が円滑になり、単に答えを一段落で示すよりも実際のワークフローに即している。

⚠️ 风险

• ⚠️ 大手顧客はHebbiaなどの完成品を直接導入する可能性があり、個人の外注サービスは代替されやすい。中小機構をターゲットにし、特定業界のナレッジベースを上乗せして粘着性を形成すべき。例えば新エネルギーIPOやプライベート・エクイティ・ファンドのデューデリジェンスに特化する。
• ⚠️ データコンプライアンスリスク：顧客文書には未公開の決算情報やプライバシーデータが含まれる。個人サービス事業者は企業級のセキュリティ認証を欠いており、情報漏えいやデータの国外移転は契約紛争と法的責任を引き起こす。事前に秘密保持契約を締結し、ローカル環境でデプロイする必要がある。
• ⚠️ 技術スタックの更新リスク：LangChain、LlamaIndexなどのフレームワークは頻繁に更新され、大規模モデルAPIの価格と推論能力は四半期ごとに変化する。調整でつまずき続けると、サービスの安定性と粗利に影響する。
• ⚠️ 顧客依存度リスク：単発レポートだけを提供すると、顧客はすぐに内製化するか競合へ移る。エージェントの再利用とナレッジベース更新を常時サブスクリプション化する必要がある。そうしなければ継続率が低く、収入の変動が大きくなる。