投稿者 投稿日: カテゴリー AIニュース
独立系のAI評価企業Vals AIが、4000万ドルを調達しました。
TechCrunchが2026年9月19日に報じたところによると、AIモデルの性能を第三者として測定するVals AIが、Andreessen Horowitz主導で4000万ドルのシリーズAを実施し、評価額は4億ドルに達しました。注目すべきは調達額そのものより、この会社がテスト問題を公開しないという設計を採っている点です。AIベンチマークの数字が売り文句として使われるいま、EC事業者がAIツールを選ぶ側として何を見るべきかが、この一件にはっきり表れています。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
何が起きたか：AIベンチマークの独立系企業に4000万ドル
結論から言えば、AIベンチマークが「モデルを作る側の自己申告」から「第三者が有料で測る産業」へ移りつつあります。citybizによると、Vals AIは2026年8月18日に4000万ドルのシリーズAを発表し、評価額は4億ドル、既存投資家の8VC、Pear VC、Bloombergに加え、Hudson River TradingとNextLadder Venturesが新たに加わりました。リード投資家は2009年創業のAndreessen Horowitzです。
同社は2024年設立で、共同創業者兼CEOのRayan KrishnanはStanford大学で計算機科学を学び、同大の人工知能研究所で研究に携わった後、Palantir Technologiesに在籍した経歴を持ちます。TechCrunchによれば、年初に8人だった社員は25人まで増え、さらに10〜15人の採用を計画しています。売上は2025年通年の8倍に達し、顧客数はこの半年で倍増したと同社は説明しています。
設計上の特徴は2つあります。ひとつは、テスト問題の多くを非公開にしていることです。ベンチマークが公開されていると、モデル提供側がその問題を学習データに取り込んでしまい、試験前に答えを見た状態で受験するのと同じことが起こります。Krishnanは資金調達に関する発表で、モデルが数か月で古いベンチマークを踏破し、テストが学習コーパスに流出していると述べています（citybiz）。既存のベンチマークが実態を測れなくなっている問題は、MIT Technology Reviewも2026年3月に指摘していました。
もうひとつは、測る対象が一般知識ではなく職業上の実務である点です。法務、金融、コーディングといった領域で、弁護士や銀行員、エンジニアが実際に行う作業と同等の成果物を出せるかを評価します。加えて、GitHubリポジトリから独自のコーディング評価を作れるVals Smith、CoreWeaveと共同開発したRSI Index、Columbia大学やUC Berkeleyなどと作ったサイバーセキュリティ評価のReverseEngBenchを公開しており、米国立標準技術研究所（NIST）へのベンチマークデータ提供など政策領域にも広がっています。
日本のEC事業者にとっての論点：公開スコアは選定根拠にならない
日本のEC事業者にとっての実務的な含意は明確で、ベンダーが提示する「他社比で何%高精度」という公開スコアは、そのまま自社の判断根拠にはならないということです。理由は2つあります。第一に、公開ベンチマークは学習汚染のリスクを抱えており、高スコアが実力を意味するとは限りません。第二に、Vals AIが職業別の実務タスクへ舵を切ったこと自体が、汎用的な知識テストでは業務適性を測れないという業界側の認識を示しています。
この構図は、楽天市場やAmazon、Shopify、Yahoo!ショッピングの運営現場にそのまま当てはまります。商品説明文の自動生成、レビューの要約、問い合わせメールの下書き、商品画像のタグ付けといった作業は、いずれも「一般常識を知っているか」ではなく「自社の商材と表記ルールに沿った成果物を出せるか」で評価されるべきものです。たとえば薬機法や景品表示法に触れる表現を避けられるか、型番や容量の表記ゆれを揃えられるか、同梱物の説明を落とさないか。こうした観点は、どの公開ベンチマークにも載っていません。
もうひとつ見落とされがちなのが、失敗側の測定です。Krishnanは、良い結果だけでなく、モデルが世に放たれたときの負の影響も見ようとしていると語っています。EC運営に置き換えれば、生成した説明文に事実誤認が混ざる頻度、返信文が顧客の質問を取り違える頻度、在庫データを誤読する頻度にあたります。導入判断では平均的な出来のよさに目が向きがちですが、店舗の損失は往々にして残り数%の失敗から生まれます。
初動アクション：AI選定で見るべき3つの基準
まず取るべき初動は、自社の代表タスクを20〜30件集めた内製ベンチマークを作ることです。そのうえで、ツール選定では次の3基準で判断することをおすすめします。
第一に、評価の出どころが提供側かどうかを確認します。ベンダー自身が作り、自身で採点した数字なのか、第三者が非公開のテストで測った数字なのかで、信頼度はまったく異なります。営業資料にベンチマーク名が並んでいたら、そのテスト問題が公開されているかどうかを聞いてみてください。
第二に、測っているタスクが自社の業務に近いかを見ます。総合的な知能指標が高いモデルが、日本語の商品説明文で常に優れているとは限りません。翻訳、要約、分類、指示追従のどれが自社の中心業務かを言語化したうえで、その軸で比較します。
第三に、失敗率とその影響を測ります。正答率だけでなく、担当者が手直しに要した時間、公開前に差し戻した件数を記録します。20〜30件の自社タスクを同じ条件で複数モデルに通し、採用率と手戻り時間を並べれば、公開スコアより説得力のある比較表ができあがります。モデルを切り替えるたびに同じセットで再測定すれば、乗り換えの判断も数字で下せます。
この内製ベンチマークは、一度作れば資産になります。新しいモデルが出るたびにゼロから検証するコストがなくなり、社内で「なぜこのツールを選んだか」を説明できるようになります。Vals AIが企業から対価を得て評価を提供しているのは、まさにこの検証コストに値段がついているからです。自社で小さく作れば、その一部を内製化できます。
まとめ
AIベンチマークの独立性に4000万ドルの資金が集まったという事実は、提供側の自己申告スコアが信用されなくなってきたことの裏返しです。日本のEC事業者が取るべきスタンスは、公開スコアを参考値として扱い、自社の実務タスク20〜30件で測り直すこと。評価の出どころ、タスクの近さ、失敗率という3つの基準を持てば、AIツールの選定は感覚ではなく数字の議論になります。
参考文献
- TechCrunch・Vals, backed by Andreessen Horowitz, is looking to become the gold standard for AI benchmarking
- citybiz・Vals AI Raises $40M to Expand Independent AI Benchmarking
- Vals AI・Series A 発表ブログ
- MIT Technology Review・AI benchmarks are broken. Here’s what we need instead
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: TechCrunch
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
