SES × AI ─ 「表面上健全・水面下崩壊」の過渡期を数字で読む【決定版】

イントロ ─ 「表面上は健全、水面下で崩壊」のパラドックス

SES業界を外から眺めると、不安になる材料は多くない。国内民間企業のIT市場は、矢野経済研究所の予測で2025年度が16兆7,300億円（前年比5.8%増）、2026年度が17兆3,900億円（同3.9%増）と拡大が続く。情報サービス業の月次売上も、2026年2月に2兆9,350億円（前年同月比6.5%増）、従事者は143万6,200人（同2.2%増）と、数字だけを見れば堅調そのものだ。

業界調査でも、エンジニアの稼働率は約92%、待機率は改善傾向と報告されている。「人が足りない」「案件はある」という現場の実感とも矛盾しない。

それでも本稿は、現在のSES業界を「表面上は健全、水面下で崩壊が進む典型的な過渡期」と位置づける。理由は単純で、稼働率・市場規模・求人数といった「量」の指標は、AIが業界の収益構造に与える影響をまだ映していないからだ。影響は、案件の大きさ、単価の分布、商流の深さ、そして事業者の数という「構造」の側に先に現れる。

本稿のデータの扱い

本稿は公開されている調査記事・統計・報道8本を一次ソースとして整理した。編集部は、各ソースが実際に記載している数値と、他の資料から引かれた二次的な数値を区別して扱う。とくに、業界で流通している「稼働率92.1%」「情報サービス業売上18.9兆円」「SES関連は約4割」といった細かな数字には、今回確認した原典で裏付けを取れなかったものがある。そうした数字は確認できた範囲の表現（「約92%」など）に丸めるか、「未確認」と明記する。末尾の第13章に、数値ごとの確認状況を一覧にした。

また、「3名×6か月が1名×3週間になる」といった例は実在案件の統計ではなく、構造を理解するための編集部の仮定に基づく試算である。本文中でその都度示す。

現状の数字が隠す真実 ─ 稼働率92%の罠

稼働率は、SES企業にとって最も重要な経営指標のひとつだ。エンジニアを抱えるビジネスでは、稼働していない1か月は、そのまま固定費の垂れ流しになる。稼働率が約92%で、案件間の待機期間も短い（調査では待機の45%が1週間以内で解消）というのは、事業者にとって確かに良い状況である。

しかし、稼働率には構造的な死角がある。この指標が測っているのは「エンジニアが案件にアサインされているか」であって、「その案件がどれだけの価値と利益を生んでいるか」ではない。具体的には、次の4つが稼働率に表れない。

1. 単価の質 ─ 同じ「稼働」でも、月100万円の案件と月60万円の案件は別物だ。
2. 案件の寿命 ─ 長期契約の更新が「次は短期・少人数」に置き換わっても、稼働率は維持される。
3. 案件の中身 ─ 定型作業ばかりのアサインは、AIによる代替リスクを最も抱えている。
4. 人手不足の穴埋め ─ 慢性的な人材不足のなかでは、スキルが市場水準に届かない人材でも案件が付く。これは価値ではなく需給の逼迫が稼働率を支えている状態だ。

「人手不足」が構造変化を覆い隠す

IT人材不足は、ITサービス市場の拡大とともに今後も続くという見方が強い。調査によっては、人材不足は2026年の約30万人から2030年には50〜80万人に拡大するとされる。帝国データバンクの調査でも、情報サービス業で人手不足を感じる企業は72.2%と、全業種で最も高い。

この「慢性的な不足」が、実は構造変化の発見を遅らせている。需要が供給を上回る間は、ある領域の仕事が減っても、別の案件に人が吸収されるからだ。稼働率が高止まりするのは、構造が健全だからではなく、「買い手市場への移行」がまだ表に出ていないからという読み方ができる。

労務費の価格転嫁は、商流が深いほど進まない

もうひとつの見落とされがちな数字がある。労務費の引き上げ要請を取引先が受け入れた割合（受諾率）は、全体で67.4%とされる。ただし、この数字は商流が深いほど低下する傾向がある。つまり、エンジニアの賃金は上昇していても、三次請け以深の事業者は、そのコスト増を単価に転嫁しきれていない。需要が旺盛な市場でも、構造的に利益が薄くなる層が存在するのだ。

AIによる効率化は、この「すでに利益が薄い層」を最初に直撃する。稼働率が高いまま、利益率だけが静かに削られていく。それが「水面下の崩壊」の初期症状である。

稼働率の代わりに見るべき5つの指標

稼働率を否定する必要はない。ただし、単独で使うのではなく、構造変化の「先行指標」と組み合わせて見る必要がある。編集部は、SES事業者が自社の健全性を点検するときに、次の5つを併せて追うことを勧める。

指標	何がわかるか	悪化のサイン
平均契約期間	案件の寿命と、顧客の発注姿勢	更新ごとに期間が短くなる
案件あたりの平均人数	小物化の進行度	3名体制が2名、1名へと縮む
更新時の単価改定率	価値が認められているか	据え置き、または減額での更新が増える
下流工程の売上比率	AIによる圧縮の影響を受ける売上の大きさ	売上の大半が実装・テスト・文書作成
エンド直・一次請け比率	商流の中での立ち位置	二次請け以深の比率が上昇する

この5つは、いずれも既存の契約・請求データから算出できる。稼働率が高いまま、ここに悪化が出ているなら、それが水面下の変化の最初の兆候である。

AIが起こしている構造変化 ─ 案件の「小物化」

AIの影響を語るとき、「AIがエンジニアの仕事を奪うのか」という二択になりがちだ。しかし、実際に起きているのは雇用の消失ではなく、案件の単位の縮小（小物化）である。

AIは「下流実装」から圧縮する

システム開発の全工数のうち、コーディング・単体テスト・ドキュメント作成といった下流工程が占める割合は、一般に3分の1から4分の1程度という見方がある（これは筆者の実務経験に基づく概算で、統計ではない）。AIコーディング支援は、まさにこの部分を最も得意とする。

AI側の進歩も速い。実際のソフトウェア修正課題を解く能力を測るベンチマークSWE-benchでは、2023年時点で4.4%だった解決率が、2024年には71.7%に急上昇し、最新の評価（SWE-bench Verified）では最先端モデルが80%を超えるスコアを記録したと報告されている。ただし、これは整った課題設定での成績であり、実際の業務ではAI出力に不満を持つ開発者も多い。Stack Overflowの2025年調査では、AIの出力が「正確ではない」と感じる開発者が66%、AI生成コードのデバッグに時間がかかると答えた割合が45.2%に上る。

つまりAIは「万能」ではないが、「定型的で、仕様が明確で、検証しやすい作業」については十分に実用水準に達している。SESが長年、主力としてきたのは、まさにこの種の作業だった。

小物化の算術 ─ 編集部の試算

人月モデルの収益は、人数 × 稼働月数 × 月額単価で決まる。下流工程をAIが圧縮すると、人数と期間の両方が同時に縮む。次の表は、構造を理解するための仮定に基づく試算である。実在案件の統計ではない。

項目	従来型の案件（仮定）	AI活用後の案件（仮定）
体制	3名	1名
期間	6か月	約3週間（0.7か月）
月額単価（仮定）	¥1,000,000	¥1,000,000
請求可能な工数	18人月	約0.7人月
売上（概算）	約1,800万円	約70万円

※極端なケースを示すための仮定であり、全案件がこの水準に縮むわけではない。単価が上がる場合や、要件定義・検証に別の工数が発生する場合は、この数字を下回る縮小幅になる。

ポイントは、単価を据え置いたままだと売上は工数に比例して縮むという点だ。逆に言えば、売上を維持するには、単価を工数の圧縮率以上に引き上げるか、まったく別の収益モデルに移る必要がある。これが第5章で扱う「人月モデルの自己矛盾」である。

「ダブルインパクト」─ 圧縮と内製化

SIer・SESへの影響は、工数の圧縮だけではない。ネットコマース株式会社の斎藤昌義氏は、これを「ダブルインパクト」と呼ぶ。

• インパクト1：工数の圧縮 ─ 同じ成果物に対して請求できる工数が減る。
• インパクト2：内製化の加速 ─ クラウドとAIツールの充実で、ユーザー企業が自前で開発するハードルが下がり、外部への発注そのものが減る。

この2つが同時に進むと、「開発の総量が増えても、SIerやSESへの発注は減る」という逆説が成り立つ。実際、大手SIerでも変化は急だ。同氏の記事が紹介するところでは、富士通は国内の総プロジェクト約2万件のうち約3割でAIを活用しており、2025年度末には5〜6割まで引き上げる方針を示している。楽天グループは自社のAI活用で、社内サービスの開発・運用コストを最大90%削減したと報告されている。

工程別に見るAIの影響（編集部の定性評価）

AIの影響は工程ごとに濃淡がある。次の表は、公開資料の論調を踏まえた編集部の定性的な整理であり、定量的な測定結果ではない。

工程	AIの影響度	理由
要件定義・顧客折衝	低〜中	曖昧さの解消と合意形成は人の責任。ただし議事録・整理はAIが担う
基本設計・アーキテクチャ	中	案の生成はAIが得意だが、制約の見極めと判断は人に残る
実装（コーディング）	高	仕様が明確なほど、AIの出力品質が高い
テスト	高	テストケース生成・自動化との相性が良い
ドキュメント作成	高	コードや議事から文書を生成できる
運用・障害対応	中	一次切り分けは自動化されるが、重大障害の判断は人が担う

SESが長年、主力としてきたのは、表の下半分にあたる「実装・テスト・ドキュメント」だ。影響度が高い工程に売上が集中している事業者ほど、小物化の影響を受けやすい。

単価の二極化 ─ AI/LLM領域と従来型

案件の小物化と同時に、単価の分布が変わりつつある。全体が一律に下がるのではなく、上がる領域と停滞する領域に分かれる二極化だ。

スキル別の月額単価レンジ

SES業界の2026年実態調査（ses-base）によるスキル別の月額単価レンジは次のとおりである。レンジの下限は経験の浅い層、上限は経験豊富な層を含む。

領域	月額単価レンジ	動向
AI/LLM関連	55〜150万円	前年比 約+20%
AWS/クラウド	50〜130万円	需要堅調
Python/データ分析	50〜120万円	需要堅調
Java/Spring（従来型）	45〜100万円	伸び悩み
レガシー/COBOL	40〜90万円	保守需要で下支え

出典：ses-base「【2026年版】SES業界の実態調査」を編集部が整理。レンジは経験年数により大きく変動する。

AI関連の求人と、単純実装の求人

求人の動きも対照的だ。業界予測レポート（hydy）は、AIコーディングツールの経験を求める求人が、2025年1月から2026年1月の1年間で340%増加した一方、純粋な実装業務の求人は17%減少したと伝えている（同資料には「AI案件の3年での伸び率340%」という記述もあり、期間の表記に揺れがある。本稿では、期間が明示された「1年間」の表記を採る）。

ここで重要なのは、求人が「減っている領域」と「増えている領域」が同時に存在することだ。全体の求人数や稼働率が維持されていても、中身は入れ替わっている。

AI活用プレミアムの拡大予測

同レポートは、AIを活用できるエンジニアの単価プレミアムが、現状の5〜15%から2030年には30〜50%に拡大すると予測する。また、AIツールの活用を前提とする案件の割合は、現在の15〜20%から2030年には60〜70%に達するとする。クラウド移行案件では、平均単価が月額で約12万円高いという指摘もある。これらはあくまで予測であり、確定した数字ではないが、「AIを使える／使えない」が単価の分岐点になるという方向性は、複数のソースで一致している。

本誌のAI普及で単価が上がる職種・下がる職種マッピングでも、職種別の影響を整理しているので、あわせて参照してほしい。

なぜ二極化するのか

単価の二極化には、需要側と供給側の両方の理由がある。

• 需要側 ─ AI活用の設計や、クラウド・データ基盤など、企業が競争力のために投資したい領域は、人材が足りず、高い単価を払ってでも確保したい。一方、既存システムの保守や定型実装は、「できるだけ安く」という圧力が強い。
• 供給側 ─ AI/LLMのように新しい領域は、経験者が少なく、希少性が単価に直結する。従来型の領域は、供給が多く、AIによる代替も加わって、単価が伸びにくい。

重要なのは、これが「スキルの種類」だけでなく「同じ技術でも、役割によって差がつく」という点だ。たとえばJavaの案件でも、単に仕様を実装する役割と、アーキテクチャ設計やAI活用の標準化を担う役割では、単価の水準が異なる。技術名ではなく、役割の質で見る必要がある。

人月モデルの自己矛盾 ─ 効率化すると売上が減る

AIが進歩しても、IT需要そのものは消えない。むしろ、DXやAI導入で開発したいものは増え続ける。それなのに、なぜSES各社は「忙しいのに利益が薄い」と感じるのか。答えは、収益モデルの数式に埋め込まれた矛盾にある。

人月モデルの売上は「人数 × 稼働月数 × 月額単価」である。この式では、エンジニアが速く正確に仕事をするほど、請求できる工数が減る。つまり、顧客にとっての価値（速く安く良く作る）と、SESにとっての収益（長く多く稼働する）が、最初から逆向きなのだ。

これまでは矛盾が表面化しなかった

この矛盾が長く問題にならなかったのは、「人手不足」と「作業の重さ」が、効率化の効果を吸収してきたからだ。ツールが進歩しても、顧客は「その分だけ別のものも作ってほしい」と案件を広げ、工数は減らなかった。しかしAIコーディングの影響は、これまでの生産性向上とは桁が違う。工数の圧縮幅が、案件の拡張による吸収を上回り始めると、矛盾は一気に表面化する。

多重商流が矛盾を増幅する

日本のSESは、元請けから一次、二次、三次…と商流が重なる。業界予測では、三次請け以深では各段階で10〜30%のマージンが抜かれ、末端のエンジニアには客先単価の50〜60%程度しか届かないとされる。多重商流の割合は現在、全体の60〜70%とされ、2030年には40〜50%に低下すると予測されている。

AIによる工数圧縮は、商流の各段階が抜いてきたマージンの総額を、同時に縮める。エンド企業に近い層は、内製化や直接契約という「逃げ道」を持つが、深い層ほど逃げ場がない。商流の再編は、単価の議論ではなく、「どの層が不要になるか」の議論に変わっていく。構造の詳細は、本誌のマージン構造の完全分解とSI業界の構造的縮小に譲る。

定型実装の需要縮小、上流・AI設計の需要拡大

業界予測では、定型的な実装業務の需要は今後15〜25%縮小する一方、上流工程やAI活用の設計に関する需要は40〜60%増加すると見込まれている。縮む領域と伸びる領域が同時にあるという図式は、前章の求人動向と整合する。注意すべきは、伸びる領域には、これまでの下流中心のSESが持っていない能力（要件整理、設計判断、顧客との合意形成）が要求されることだ。

「準委任」という契約形態が持つ構造

SESの多くは、成果物の完成ではなく、一定期間の業務遂行に対して対価を受け取る準委任契約（またはそれに近い形態）で提供される。この契約は、顧客にとっては「必要な期間だけ専門人材を確保できる」柔軟さがあり、事業者にとっては「完成責任を負わない」安定さがある。

ところがAI時代には、この安定さが弱点に変わる。顧客は「時間」ではなく「成果」にお金を払いたくなるからだ。AIで同じ成果物が数分の一の時間で作れるなら、顧客は当然、時間単価ではなく成果への価格を要求する。準委任のままでは、効率化の利益は顧客に流れ、事業者に残らない。

契約形態	対価の基準	AIによる効率化の利益	事業者のリスク
準委任（時間ベース）	稼働した時間	顧客に流れやすい（工数減＝売上減）	売上の縮小
請負（成果物ベース）	完成した成果物	事業者に残る（工数減＝利益増）	品質・納期・瑕疵の責任
成果報酬・共同事業	顧客の事業成果	事業者と顧客で分け合う	成果が出ないと収益がゼロに近づく

つまり、人月モデルから離れることは、責任とリスクを引き受ける代わりに、効率化の利益を自社に取り込むことを意味する。これは、第9章で扱う高付加価値化の核心でもある。同時に、請負や成果型へ移行するには、見積もりの精度、要件の合意、品質保証の仕組みという、これまで顧客側が担ってきた機能を自社で持つ必要がある。準備なく契約形態だけを変えると、利益ではなく赤字を抱える点に注意したい。

業界再編の加速 ─ 倒産とM&A

構造変化は、すでに企業の淘汰として現れ始めている。ここでは、確認できる事実を整理する。

ソフトウェア業の倒産は過去10年で初めて200件超

帝国データバンクの調査によると、2024年度のソフトウェア業の倒産は220件で、前年度の154件から約1.4倍に増えた。過去10年間で初めて200件を超え、3年連続の増加となった。倒産企業の8割超が従業員10人未満の小規模事業者で、最大の要因は、システムエンジニア不足による人件費の高騰だ。情報サービス業の月額賃金は平均37万4,377円と、全国平均の26万2,325円を大きく上回る。

この数字の読み方は、2つの面で重要だ。第一に、倒産の主因が「仕事がない」ではなく「人件費高騰を単価に転嫁できない」ことである点。需要があっても、小規模事業者はコスト増に耐えきれない。第二に、これがAIの影響が本格化する前の2024年度の数字である点だ。今後、AIによる工数圧縮が重なれば、同じ圧力がさらに強まる。

M&A ─ テクノプロのTOB

大手でも再編は動いている。報道によれば、技術者派遣大手のテクノプロ・ホールディングスに対し、約5,074億円規模のTOB（株式公開買い付け）が実施された（2025年8月・Reuters報道。買い手は投資ファンドのブラックストーンとされる）。事業の安定性とキャッシュ創出力が評価される一方、ファンドが投資する前提には、人材サービス事業の再編・高付加価値化への期待があると読める。

上場7社の見方 ─ 投資家向けの視点

本誌が継続して追う上場関連7社（TWOSTONE&Sons、クラウドワークス、ギークス、ランサーズ、INTLOOP、みらいワークス、パーソルHD）は、事業モデルも会計期も異なるが、上の構造変化を考える材料になる。たとえばINTLOOPは2026年6月に通期予想を下方修正し、売上高400億円・営業利益14億円とした。SES・準委任型の事業にとって、案件の質と単価の維持が利益に直結することを示す例だ。各社の数値は、本誌の上場企業分析と月次レポートで更新している。

投資家の視点で見るべきは、①売上の成長率ではなく営業利益率の推移、②プライム案件（エンド直）の比率、③AI活用による1人当たり売上・粗利の変化、④内製化やコンサル型への移行を示す新規事業の比率、の4点だ。売上が伸びていても、利益率が低下している企業は、水面下で構造変化の影響を受けている可能性がある。

小規模事業者の倒産が増える構造

帝国データバンクの数字を使って、小規模事業者が置かれた状況を整理してみよう。情報サービス業の平均月額賃金は37万4,377円で、全国平均の26万2,325円の約1.4倍だ。この賃金水準を維持するための人件費は、エンジニアを雇用して案件に出すSESにとって、売上の大部分を占める。

従業員が10人未満の事業者は、①営業・管理を担う人員が少なく、単価交渉の力が弱い、②特定の顧客・商流に依存しやすい、③資金の余裕が薄く、稼働の空白に耐えにくい、という弱点を持つ。賃金が上がる局面では、これらの事業者から順に、コストを単価に転嫁できなくなる。ここにAIによる工数の圧縮が加われば、売上が減りコストが増える、という二重の圧力になる。

倒産件数220件のうち8割超が従業員10人未満という事実は、この構造と一致する。AIの影響が本格化する前の時点で、すでにこの水準にある点に、注意が必要だ。

残る価値／失われる価値 ─ T字型人材論

では、AI時代にSESとエンジニアに残る価値は何か。複数の資料が一致して指摘するのは、「作業量」から「判断と合意」への価値の移動である。

それを裏づけるのが、企業の採用ニーズだ。レバテックの「IT人材白書2026」によると、企業が採用で注力するポジションの首位は「現場リーダー」で42.3%に上る。「書ける人」より「現場をまとめて前に進められる人」への需要が最も強い。

AIに代替されにくい価値	急速に代替される価値
顧客要件の真意の確認（曖昧さの解消）	定型的なCRUD実装
部門間の調整、受け入れの合意取得	テスト・ドキュメントなど自動化可能な作業
セキュリティに関する判断	「指示どおりに書く」だけのコーディング
業務ドメインの知識	仕様が固まった上での単純な移植・改修
「この人に頼みたい」という指名の信頼関係	定型的な問い合わせ対応・ETL処理
現場リーダー、プロジェクトマネジメント

T字型の再定義

「T字型人材」は以前から語られてきたが、AI時代にはTの形が変わる。横棒（幅広い知識）は、AIが補完してくれる。重要になるのは、縦棒（どの領域で顧客の判断を預けられるか）の深さと、横の関係者を動かす力である。技術の深さは「実装できる」ことではなく、「AIの出力の良し悪しを判断できる」ことへ意味が変わる。なお、AI出力の検証には時間がかかる（デバッグ時間が増えたと答える開発者が45.2%）ことは、判断できる人材の価値が上がることの裏返しでもある。

「指名される信頼関係」の意味

残る価値のなかで、最も定量化しにくいが、最も強いのが「この人に頼みたい」という指名の関係だ。AIが作業を代替できるほど、顧客は「作業者」ではなく「判断を預けられる相手」を探すようになる。

指名される人には共通点がある。①顧客の事業と言葉を理解している、②悪い情報を早く正直に伝える、③AIを含む道具の使い方を自分で説明できる、④判断の根拠を記録し、再現できる。いずれも技術力そのものではなく、信頼を積み上げる行動だ。SES企業の側にとっても、エンジニア個人の信頼を、会社の資産として蓄積し、次の案件につなげられるかが、差別化の鍵になる。

地域格差の鮮明化 ─ 首都圏の高単価と地方の延命

AIの影響は、地域によっても異なる形で現れる。複数の論者が指摘するのが、首都圏と地方の「二層構造」だ。

• 首都圏 ─ 高度な案件が集中し、AIとデザインを組み合わせたチームによる、コンサル型の高単価案件が増える。
• 地方 ─ DXの浸透が遅い業界を中心に、VBAや、COBOLなどのレガシー言語の保守という、AIが入りにくい領域で需要が続く。

この構図は、地方のSESに「安泰」を意味しない。レガシー保守は、需要が確実にある代わりに、案件の単価が伸びにくく、担い手も高齢化するという弱点を持つ。また、保守対象のシステムが刷新されれば需要は消える。さらに、2027年のSAP ECC 6.0のサポート終了（延長で2030年）のように、時限的な需要の山が来ることは、一時的な追い風になる一方で、その後の反動も意味する。

リモートワークの普及は、この格差を縮める要因にも広げる要因にもなりうる。リモートで首都圏の高単価案件に参画できる地方エンジニアが増える一方、案件の取り合いも全国規模になるからだ。リモート環境での単価や契約の違いは、本誌の海外リモート案件ガイドも参考になる。

生き残り戦略の3類型

SES事業者が取りうる選択肢は、大きく3つに整理できる。重要なのは、どれが正解かではなく、自社の資源でどれが実行可能かである。

類型	内容	必要な条件	主なリスク
A. 高付加価値化	プライム（エンド直）比率の向上、AI駆動開発の標準化、コンサル型・成果型への移行	上流人材、顧客との直接関係、投資余力	移行期の収益低下、人材の再教育コスト
B. M&A・資本提携	他社との統合、ファンド・大手の傘下入り、事業譲渡	買い手に評価される顧客基盤・人材	統合の摩擦、独立性の喪失
C. 小物案件の数追い	小規模案件を大量にこなし、薄利多売で稼働を維持	営業力と運用の効率化	消耗戦、AIによる工数圧縮の直撃

A. 高付加価値化 ─ 「工数の提供」から「成果の提供」へ

SIer向けの論考が提言する転換先は、アーキテクチャ設計力、AIオーケストレーション（複数のAIとツールを組み合わせて成果を出す力）、ドメイン知識とビジネス翻訳力、セキュリティ・コンプライアンス設計の4つだ。いずれも、AIが苦手とし、顧客が責任を預けたい領域である。契約形態も、時間課金の準委任から、成果報酬や固定価格、顧客との共同事業へと動くことになる。

実務上の最初の一歩は、自社が売っているものを工程別に分解することだ。売上のうち、AIで圧縮されやすい下流工程が何割を占めるかを把握するだけで、優先順位が見える。AI活用を前提とした見積もりや提案書の標準化、エンジニアへのAIツール教育は、早く始めるほど差がつく。海外のFDE（顧客に埋め込まれて成果に責任を持つエンジニア）の仕組みは、この方向性の極端な形といえる。詳細はFDE vs SESで比較している。

B. M&A・資本提携 ─ 「売る」も戦略

前章のとおり、再編の波はすでに動いている。M&Aは、買う側にとっては人材とプライム顧客の確保、売る側にとっては事業の継続と従業員の雇用維持の手段になりうる。ただし、買い手に評価されるのは、AIの影響を受けにくい顧客基盤と人材を持つ企業であり、構造変化が顕在化してから動くほど、評価は下がりやすい。「いつか考える」ではなく、評価が高いうちに選択肢として検討しておく意味がある。

C. 小物案件の数追い ─ 最も苦しい選択

小規模案件を数でこなす戦略は、短期的には稼働率を維持できる。しかし、小物化の算術（第3章）を思い出してほしい。案件の単位が小さくなるのは、AIが工数を圧縮しているからである。圧縮される領域で数を追うことは、AIとの価格競争に入ることを意味する。営業・管理コストの比率も高くなり、利益が残りにくい。資金に余裕がない事業者ほど、この選択肢に流れやすいが、最も消耗が激しい。

高付加価値化の実装ステップ ─ 3つの段階

高付加価値化は、一気に進めるものではない。編集部は、事業者の規模を問わず、次の3段階で考えるのが現実的だと見ている。

1. 第1段階：可視化と標準化（0〜6か月） ─ 売上を工程別に分解し、AIで圧縮されやすい領域を特定する。あわせて、AIツールの利用ルール（セキュリティ・情報管理・出力の検証手順）を整備し、全エンジニアに展開する。
2. 第2段階：提案の型を変える（6〜18か月） ─ 既存顧客に対し、「人員の提供」ではなく「課題の解決」の形で提案を行う。まずは小さな請負や、期間・成果を区切った準委任から始め、見積もりと品質管理の経験を積む。
3. 第3段階：収益モデルの転換（18か月〜） ─ 成果報酬、保守・運用のサブスクリプション、自社プロダクトなど、工数に依存しない収益の比率を引き上げる。

各段階で追うべきKPIは、第1段階が「下流工程の売上比率」、第2段階が「請負・成果型案件の比率と粗利率」、第3段階が「工数非依存の売上比率」になる。重要なのは、稼働率を犠牲にしてでも、収益の質を上げる局面があると経営陣が合意しておくことだ。この合意がないと、短期の稼働率の低下に耐えきれず、元の人月モデルに戻ってしまう。

過渡期の最後の余裕 ─ 経営判断の時間軸

ここまでの整理を、時間軸に置き直してみる。業界予測が示す2030年は、あと数年だ。経営判断に使える時間は、思ったより長くない。

指標	現在	2030年予測
AI活用プレミアム（単価上乗せ）	+5〜15%	+30〜50%
多重商流の割合	60〜70%	40〜50%
SES会社数	約2万社	約1.5万社（約25%減）
情報開示を行う企業の割合	5〜10%	30〜40%
AI活用を前提とする案件の割合	15〜20%	60〜70%
IT人材不足	約30万人（2026年）	50〜80万人

出典：hydy「SES×AIの将来性【2026年版】」ほか。すべて予測値であり、確定した数字ではない。

「過渡期の余裕」の正体

この表で最も意味が大きいのは、人材不足の拡大と、SES会社数の減少が同時に起こるという点だ。人材が足りないのに事業者が減る。これは、「誰でも案件が付く時代」が終わり、選ばれる事業者とそうでない事業者が分かれる時代に入ることを示唆している。 今の余裕は、人手不足という追い風と、AIの影響がまだ限定的であることの2つに支えられている。どちらも、いずれ弱まる。経営者が問うべきは、「いつ崩れるか」ではなく、「余裕があるうちに、何を実行に移せるか」だ。

情報開示という差別化

同じ予測のなかで、情報開示を行う企業の割合が現在の5〜10%から30〜40%に増えるとされている点も見逃せない。マージン率、エンジニア還元率、案件単価の透明性は、エンジニアが事業者を選ぶ際の判断材料になる。AIで市場が不透明になるほど、開示している事業者への信頼が相対的に価値を持つ。本誌が各社を公開データで横並びに評価しているのも、この流れを背景にしている。

2030年に向けた3つのシナリオ（編集部の整理）

上の予測値を前提に、編集部は業界の進み方を3つのシナリオに整理した。これは予測ではなく、どの条件が変われば、どの方向に進むかを考えるための枠組みである。

シナリオ	前提となる条件	業界の姿
① 緩やかな移行	AIの進歩が現在のペースで推移。ユーザー企業の内製化は一部にとどまる	下流の縮小は穏やかで、淘汰は小規模事業者が中心。多くの事業者が移行の時間を確保できる
② 急速な再編	AIエージェントの実用化が加速し、ユーザー企業の内製化も進む	下流中心の事業者は急速に縮小。M&Aと倒産が増え、会社数の減少が予測を上回る
③ 需要の拡張	AIで開発コストが下がり、ITに投資する企業が大幅に増える	案件の総量が拡大し、小物化を吸収する。ただし単価の二極化は進む

どのシナリオになるかは、現時点では誰にもわからない。だが、どのシナリオでも共通して「下流中心・時間課金・深い商流」の事業者が最も不利になる。逆に、上流・成果型・エンド直に近い事業者は、①でも②でも③でも比較的有利な位置にいる。この共通項が、準備を始める根拠になる。

エンジニアキャリアへの示唆

ここからは、SES事業者ではなく、現場で働くエンジニアの視点で整理する。結論を先に言えば、「SESで働くこと」自体が問題ではなく、「どの案件で何を積み上げるか」が問題になる。

1. 案件の中身を点検する

いま担当している業務のうち、定型的で、仕様が固まっていて、検証しやすい作業の比率を、棚卸ししてみてほしい。その比率が高いほど、数年以内に工数が圧縮される可能性が高い。逆に、顧客との調整、設計判断、障害対応の意思決定など、人と責任が絡む業務が含まれているなら、その経験は将来も価値を持つ。

2. AIを「使う側」に回る

AI活用の単価プレミアムは、使いこなせる人に付く。AIコーディングツールの経験を求める求人が増えているのは、前述のとおりだ。重要なのは、ツールの操作を覚えることではなく、AIの出力を評価し、品質を担保できることだ。そのためには、AIが書いたコードのレビューや、テスト設計、セキュリティの観点を身につけることが近道になる。AIツールの比較は、本誌のCopilot・Cursor・Claude Code比較が参考になる。

3. 契約と商流を見る

同じ作業でも、商流が深いほど手取りは減り、案件の裁量も小さくなる。エンド直に近い案件や、フリーランス・直接契約といった選択肢は、AI時代には「単価」だけでなく、顧客に近い場所で上流の経験を積めるという意味でも価値がある。選択肢の整理はエンド直と二次請けの比較を参照してほしい。

4. 成長支援の「ギャップ」を見逃さない

ses-baseの調査では、エンジニアがキャリアアップ支援を重要と答えた割合は71%だが、満足している割合は43%にとどまる。業界で最も大きな需給ギャップだ。会社が成長を支援してくれるかどうかは、AI時代には、福利厚生ではなく生存条件になる。面接や面談で、AIツールの利用方針、研修、案件選択の自由度を具体的に聞くことを勧める。

経験年数別の動き方

同じ「AI時代」でも、取るべき動きは経験によって異なる。編集部は、次のように整理している。

経験	最大のリスク	優先したいこと
若手（〜3年）	定型の下流作業ばかりを担当し、判断の経験を積めない	AIを使い倒して生産性を上げつつ、テスト設計・レビュー・要件の確認に関われる案件を選ぶ
中堅（3〜8年）	「指示どおりに書く」役割で固定され、単価が伸びない	設計と顧客調整の比重を増やし、現場リーダーや技術リードの経験を取りにいく
シニア（8年〜）	経験が「古い技術」に偏り、AI活用の物差しを持てない	AIの出力を評価する立場に回り、ドメインと設計判断を軸に上流へ。直接契約も選択肢に

経験が長いほど安泰とは限らない点が、この変化の特徴だ。シニア層のキャリアと単価については、本誌のシニアエンジニアのパラドックスで別途論じている。

結論 ─ 「量」の指標から「構造」の指標へ

本稿の要点を整理する。

1. 市場は拡大し、稼働率も高いが、それは構造の健全さを意味しない。稼働率は価値と利益を測らず、慢性的な人手不足が構造変化を覆い隠している。
2. AIの影響は、雇用の消失ではなく、案件の小物化として現れる。下流実装が圧縮され、案件の人数と期間が縮む。
3. 人月モデルは、効率化すると売上が減るという自己矛盾を抱える。解決には、契約の単位を時間から成果へ動かす経営判断が必要になる。
4. 単価は二極化する。AI・クラウド・上流は上がり、従来型の定型実装は伸び悩む。
5. 再編はすでに始まっている。ソフトウェア業の倒産は過去10年で初めて200件を超え、大手でもM&Aが動く。
6. 残る価値は「判断と合意」にある。現場リーダーが採用ニーズの首位（42.3%）であることが、それを裏づける。

最後に、本稿の限界も記しておく。ここに挙げた2030年の数字は予測であり、AIの進歩の速度や規制、景気によって大きく変わりうる。また、本稿は「SESは消える」と主張するものではない。消えるのは「時間を売るだけの事業」であって、顧客の課題に責任を持つ事業者と、判断できるエンジニアの需要は、むしろ高まるというのが、複数の資料を通じた編集部の読みである。

数字が健全なときほど、構造を見る意味がある。「表面上は健全」な今は、変化に備えられる最後の余裕かもしれない。

よくある疑問

Q1. 結局、SESはなくなるのか？
なくならない。ただし、事業の中身が変わる。時間を売るだけの事業は縮小し、顧客の課題に責任を持つ事業と、判断できるエンジニアの需要は残る。「SES」という看板が残るかどうかと、事業が成立するかどうかは別の問題だ。

Q2. 稼働率が高いうちは、様子見でよいのでは？
稼働率は構造変化の先行指標ではない。第2章で示した5つの指標（契約期間・案件人数・更新時の単価・下流売上比率・商流の位置）に悪化がないかを、いま点検することを勧める。

Q3. エンジニアは、AIに仕事を奪われないために何をすべきか？
AIを使う側に回り、出力を評価・検証できること、そして顧客との合意形成や設計判断に関わる経験を積むこと。この2点が、複数の資料に共通する提言だ。

Q4. 投資家は、何を見ればよいのか？
売上成長率より営業利益率の推移、エンド直比率、1人当たり粗利の変化、工数非依存の売上比率。上場企業の個別の数値は、本誌の上場企業分析で継続して更新している。

データの確認状況と一次ソース

本稿で用いた主要な数値について、今回の確認作業での状況を示す。「原典で確認」は、記事執筆時点で原典の記載を読んで確認できたもの、「未確認」は、流通している数字ではあるが今回の原典では裏付けが取れなかったものである。

数値	確認状況	本稿での扱い
IT市場 2025年度16.73兆円／2026年度17.39兆円	原典で確認（矢野経済研究所の予測を引用した記事）	そのまま使用
ソフトウェア業倒産 220件（前年度154件）	原典で確認（帝国データバンク）	そのまま使用
現場リーダー 42.3%	原典で確認（レバテック調査を引用した記事）	そのまま使用
スキル別単価レンジ・AI/LLM約+20%	原典で確認（ses-base）	レンジ全体で使用
AI求人+340%、実装求人▲17%	原典で確認（期間は「1年間」の記載。「3年」の記載も混在）	1年間の表記を採用
2030年予測（プレミアム・商流・社数ほか）	原典で確認（予測値）	予測と明記
稼働率92.1%、待機率7.9%（4年連続改善）	未確認（原典は「約92%」「改善傾向」）	「約92%」に丸めた
情報サービス業売上18.9兆円、SES約4割（約7.5兆円）	未確認	使用せず。確認できた月次統計を使用
シニア単価 AI/LLM 100〜150万円など	原典のレンジの上限側と一致	全体レンジを併記して注記
AIが代替しやすい工数「3〜4割」	原典は「コーディング等が3分の1〜4分の1（筆者経験）」	筆者の概算として表記
「3名×6か月→1名×3週間」	統計ではない	編集部の仮定の試算と明記

参照した一次ソース

1. arpable「SESはAIでどうなるのか｜案件小物化と人月モデル崩壊の構造を読む」
2. hydy「SES×AIの将来性【2026年版】｜生き残るエンジニアと淘汰されるSES企業の違い」
3. ses-base「【2026年版】SES業界の実態調査｜単価・稼働率・満足度を徹底分析」
4. note（knsket）「AI時代と『エンジニア人月商売』の行方」
5. note（maco0411）「2026年SES事業の最新トレンドと成功戦略」
6. note（merry_lupine226）「AIによってSESビジネスはどう変わるか」
7. ネットコマース「AIがコードを書く時代に、SIerとエンジニアは何者になるべきか」（2026年4月25日）
8. kaichitsukai「2026年版：日本のSIer・SES業界における『人月商売モデル』の現在地と今後」（2026年4月27日）
9. 帝国データバンク「ソフトウェア業の倒産、過去10年で最多 前年度の1.4倍に増加」（プレスリリース）

本稿は特定企業の投資判断を推奨するものではなく、公開情報の整理である。引用した数値は各ソースの記載に基づき、編集部独自の表現で再構成している。