ElevenLabs共同創業者ディープインタビュー：AIネイティブ企業のつくり方、そして顧客に向き合うFDEを「無料の研究開発ラボ」に変える方法
Mati StaniszewskiがElevenLabsのプロダクト戦略、組織マネジメント、エンタープライズ成長の手法を振り返る。Palantirから学んだFDE（現場配属エンジニア）のアプローチ——エンジニアを顧客の現場に送り込み、導入・運用の知見を汎用プロダクトへ還元する手法を重点的に解き明かす。
ビジネス系ポッドキャスト番組のホストであるDavid Senraが、ElevenLabsの共同創業者兼CEOであるMati Staniszewskiに71分間のディープインタビューを行った。Matiは、同社がいかにして数年で急速に台頭したのか、そしてその背後にある極めて実践的で硬派なビジネスロジック、プロダクト戦略、チームマネジメントの哲学を余すところなく語った。
その中で特に興味深いと感じたのは、データ大手Palantirから学んだ「現場配属エンジニア」の戦術だ。
- スーツ姿の営業を過信しない：Matiは以前、シリコンバレー屈指のビッグデータ企業Palantirに勤務していた。彼は古巣の戦術をそのまま持ち込んだ。ソフトウェアを売るために従来の営業部隊だけに頼るのではなく、「前線配属エンジニア」（Forward Deployed Engineer、FDE）を顧客のオフィスに直接送り込み、銀行や通信大手などのチームと共に現場の課題を解決していく手法だ。
- 大口顧客を「無料の研究開発ラボ」に変える：さらに決定的なのは、これらのFDEが営業チームではなく、プロダクトチームに所属している点だ。彼らは大企業の音声カスタマーサポートやシステム統合といった実問題を解決した後、再利用可能な業界の知見を社内に持ち帰り、ElevenLabsの汎用プロダクトへ組み込んでいく。これにより次の顧客はゼロから構築する必要がなくなり、実際のエンタープライズ現場が継続的にElevenLabsのプロダクトの欠陥や不足を洗い出す役割を果たすことになる。
Matiは、15年来の友人であるPiotr Dąbkowskiと共に2022年にElevenLabsを創業した。Piotrは以前Googleでテキストモデルの研究に携わり、それ以前にはコンピュータビジョンの研究も行っていた。一方のMatiは数学を専攻し、まずBlackRockでリスクモデルを手掛け、その後Palantirへと移って、英国のワクチン供給網や石油・ガス採掘現場といった現実の環境へ数理最適化モデルを導入してきた。一方が音声研究をフロンティアへと押し広げ、もう一方がモデルを顧客の実運用環境へと組み込むことに長けている。この役割分担が、のちのElevenLabsの基本構造となった。
フル吹き替えの挫折から、最初のプロダクトが見つかった
ElevenLabsの原点は、2人の創業者がポーランドで育った共通の記憶にある。現地で海外の映画やドラマを輸入放送する際、1人のナレーターが作品内のすべての登場人物のセリフを棒読みで読み上げる手法が長年定着していた。男性も女性も、高齢者も子供も同じ声で吹き替えられ、登場人物本来の感情やニュアンス、アイデンティティはほとんど失われてしまっていた。2021年、2人はこの体験が依然として変わっていないことに気づき、「コンテンツが言語の壁を越える際にも、元の声の特質や感情を保つことはできないだろうか？」と考えた。
ビジョン自体は「自動吹き替え」のように聞こえるが、エンジニアリングの観点から見れば、それは3つの技術が連なる長いパイプラインだった。まず音声をテキストに書き起こし、それを目的の言語に翻訳し、最後に別の言語で音声を再生成する。Matiの回想によれば、当時すでに音声認識にはNVIDIAなどの研究成果があり、DeepLやGoogleの翻訳もある程度実用的な水準に達していたものの、パイプライン全体としては到底成熟した状態ではなかった。特に音声生成に関しては、既存のソリューションは機械的であり、比較的品質の高いオープンソースプロジェクトであっても、生成速度が極めて遅く動作も不安定だった。
並行して、チームが吹き替えの構想を携えてクリエイターたちを訪ねたところ、得られたフィードバックは技術評価よりもはるかに切実で具体的なものだった。クリエイターはもちろん自身のコンテンツをより多くの言語圏に届けたいと望んでいたが、彼らの目の前にはより差し迫った課題があった。動画撮影で1文言い間違えた際に、その1文だけを修正できないか。撮影前に、まずスクリプトを読み上げさせてプレビューできないか。ナレーションを制作する際に、自然なAI音声を直接使えないか、といった声だ。
こうして、研究のボトルネックとユーザーの実需が同じ地点で重なり合った。Piotr率いる研究チームはまずテキスト読み上げ（Text-to-Speech、TTS）に集中し、プロダクト側ではクリエイターのナレーション生成、スクリプトのプレビュー、音声の修正を支援することから着手し、完全な多言語吹き替えの実現は一旦後回しにした。Matiの記憶によれば、2022年の第1世代モデルによって、声はようやく「本物の人間と聞き分けがつかない」品質ラインを越えた。より重要なビジネスロジックは、チームが壮大なビジョンを単なるスローガンに矮小化することなく、長いパイプラインの中から「独立して課題を解決でき、同時に基盤研究を前進させられる結節点」を見つけ出したことだった。
世間で言われる「ニッチな切り口」の多くは、単に市場が狭いだけである場合が少なくない。しかしElevenLabsの切り口は異なっていた。プロダクトの複雑さを下げると同時に、限られた研究リソースを吹き替えパイプライン全体の最も脆弱な箇所へと集中的に投じたのだ。音声生成の精度さえ向上すれば、ナレーションプロダクトは直ちに成立し、将来の吹き替えというビジョンもまた一歩前進することになる。
研究は音声だけに絞り、プロダクトは多様に展開する
その後、番組ホストを困惑させたのは、ElevenLabsにおいて「徹底したフォーカス」と「プロダクトの多様さ」が同居している点だった。同社はElevenReaderのような読書アプリを提供する一方で、コンテンツ制作、ローカライズ、エンタープライズ向けのカスタマーサポートやセールスエージェントまで幅広く手掛けている。だが、会社に対するMati自身の要約は一貫している。「研究とプロダクトデリバリー」である。
ホストはこれを本田宗一郎の「エンジン研究所」に例えた。ホンダは二輪車、四輪車、その他の汎用機器を製造できるが、共通する技術の中核はエンジンである。もし新しい製品にエンジンが不要であれば、ホンダが事業多角化のためだけにそこへ参入する必要はない。Matiもこの考え方に同意する。ElevenLabsの研究サイドは音声のみに特化し、プロダクトサイドではその音声をナレッジベース、大規模言語モデル、ブランドアセット、企業の業務システムと結びつけている。
ホストは続けて同社の構造を3層に整理し、Matiもそれに頷いた。最下層にあるのはTTS、音声認識（STT）、ローカライズ、対話オーケストレーションといった音声研究である。中間層にあるのは、ナレッジやブランド、外部システムを接続できるプラットフォームだ。そして最上位層に、ElevenReader、コンテンツ制作、カスタマーサポート、営業、運用といった具体的なアプリケーションが位置している。
この3層構造は、なぜ「プロダクト数が多いこと」が自動的に「焦点の喪失」を意味しないのかを説明している。新たな方向性を判断する際、同社は常に自問する。「音声はこの体験における決定的なボトルネックなのか？」「自社のモデルは独自の価値向上をもたらすことができるか？」もし成否を分ける主要因が映像や画像、あるいは汎用的な論理推論にあるのだとすれば、チームが自らゼロから開発する理由は存在しない。
デジタルヒューマンとリップシンク（口唇同期）は、Matiが挙げた分かりやすい反例だ。チームはかつて多言語音声とデジタルヒューマンの統合を検討したが、当時の全体体験を損なっていた主因は画面映像のクオリティにあった。どれほど優れた音声を当てたとしても、成果物全体の印象は動画モデルの粗さに引きずられてしまう。そのため、彼らは関連する投資を一時停止した。のちに外部の画像・動画生成モデルが向上したことで、ElevenLabsは広告ローカライズなどの複合プロダクトを再検討できるようになったが、依然として外部の映像能力を活用する道を選んでいる。自らは既存素材の音声、言語、部分修正にフォーカスし、テキストから動画を生成するような基盤モデル自体の学習には手を出さない。
この境界線は、汎用的なナレッジワークやコーディング向けモデルへの参入も同様に排除している。ElevenLabsが目指すのは「コミュニケーションプラットフォーム」だ。企業が自社のナレッジ、ブランド資産、システム統合をプラットフォームに持ち込み、マーケティング、営業、カスタマーサポート、運用に至る顧客体験の全体にわたって、一貫した音声と対話を配備できるようにする。同社が狙いを定めているのは、人間と企業が音声を通じてコンテンツ、知識、対話を伝達するそのレイヤーだけなのだ。
ドイツテレコムはどのようにして単一コンテンツから通信ネットワークへと至ったか
Deutsche Telekom（ドイツテレコム）とのパートナーシップは、このプラットフォームがいかにして大企業の中枢へと浸透していくのかを明確に示している。両社は、最も中核的でリスクの高いコールセンターの現場から着手したわけではなかった。2年前の時点では、音声エージェントはMatiの目から見ても十分な信頼性と応答速度を備えていなかった。ドイツテレコムはまずマーケティングやコンテンツ配信の領域でElevenLabsを採用した。Magentaアプリ内で日々のデイリー音声コンテンツを生成し、広告クリエイティブの制作にも活用した。
第1弾のアプリケーションが実際に本番配備され、目に見える価値を生み出したことを確認して初めて、連携はコールセンターへと駒を進めた。この段階になると、自然な音声は単なる最外層に過ぎない。エージェントはドイツテレコムのナレッジベースやCRMと接続し、製品情報、返金手続き、直近の請求明細を正確に理解しなければならない。出力側では、SIPトランキングやTwilioなどの通信インフラを含む電話システムと接続する必要がある。さらに業務部門は、「電話がつながった後にどのように応対すべきか」をエージェントが遵守できる業務フローへと落とし込まなければならなかった。
本番稼働の前には、両社でシミュレーションテストを実施し、通話ログを綿密に検証した上で、小規模なパイロット運用から開始した。本番ローンチ後も作業が完了するわけではなく、段階的にトラフィックを増やしながら、継続的な評価、監視、チューニングを重ねていった。さらにその先について、Matiによればドイツテレコムはエージェントを通信ネットワークそのものに配備する試みまで進めているという。T-Mobileのユーザーは通話中にエージェントを参加させ、飲食店の予約を代行させたり、リアルタイムの翻訳や通訳を行わせたりすることが可能になる。
この順序は、エンタープライズ向けアップセルの本質的な力学を浮き彫りにしている。まずリスクの低い領域でプロダクトの価値を実証し、次の業務ワークフローへと入り込む権利を獲得する。中核業務に近づけば近づくほど、モデル自体の外側にあるシステム統合、検証、運用の比重が重くなっていく。デモで見栄えのする音声インターフェースと、実際の請求や返金を処理できるエンタープライズのカスタマーサポートシステムとの間には、膨大なシステムエンジニアリングの隔たりが存在するのだ。
Matiが概念実証（PoC）と価値実証（PoV）を厳密に区別する理由もここにある。顧客が一度デモを見て納得したとしても、それは単に「技術として面白い」と証明されたに過ぎない。第1のユースケースが過酷な実運用環境で安定稼働して初めて、第2の協業へ進む正当な理由が生まれる。
ドイツテレコムでの展開経路
中核業務に近づくほど、必要なのは音声モデルだけではなくなる
段階を選び、価値の証明、システム連携、運用要件がどのように同時に深まるかを確認できます。
低リスクの入口
まず実環境で価値を生むことを証明する
- 実際の用途
- Magentaアプリの毎日の音声コンテンツと広告制作。
- 追加される要素
- 生成機能をコンテンツ制作フローへ接続する。
- 通過条件
- 「面白いデモ」から、最初の用途が本当に稼働する段階へ進む。
中核ワークフロー
音声を越え、企業システムと業務ルールを担う
- 実際の用途
- 音声エージェントが顧客対応電話に入り、製品、請求、返金の問い合わせを処理する。
- 追加される要素
- ナレッジベース、CRM、電話システム、業務ロジック、通信接続。
- 通過条件
- シミュレーション、通話記録の確認、小規模運用を経て、段階的に拡大し継続監視する。
ネットワーク級の能力
エージェントが通信プロセス自体の一部になる
- 実際の用途
- T-Mobile利用者の通話に参加し、予約、リアルタイム翻訳、吹き替えを支援する。
- 追加される要素
- 単一の企業フローから通信ネットワークへ進出する。
- 通過条件
- 前段の用途で価値を証明し、より成熟した連携・運用能力を構築している。
現在の見方：コンテンツ領域で価値を証明し、次のワークフローへ入る機会を得る。
FDEが果たすべき「2度のデリバリー」
デモ環境でどれほど本物の人間のように聞こえる音声モデルであっても、それがドイツテレコムの問い合わせ電話に対応できるようになるまでには、本番システムの壁が立ちはだかる。モデルは顧客データがどのCRMに格納されているかを知らず、返金や請求の例外ルールを自動的に理解することもない。ナレッジベースや電話網と接続され、企業のビジネスロジックに厳密に従って動作し、シミュレーションテスト、通話ログの照合、限定的なパイロット運用を経る必要がある。本番公開後も、チームは継続的な評価、監視、調整を行い続けなければならない。
この隔たりを埋める役割を担うのが、現場配属エンジニア（Forward Deployed Engineer、FDE）である。ドイツテレコムのプロジェクトにおいて、ElevenLabsのFDEはドイツ・ボンへ飛び、顧客のチームと肩を並べてシステム統合、テスト、本番配備をやり抜いた。ここでの「現場配属」とは単に物理的に常駐することを意味するのではない。より本質的なのは、エンジニアが「課題が発生している当事者の側」に立つことだ。営業、プロジェクトマネージャー、経営陣の伝言ゲームによって課題が歪められるのを待つのではなく、現実のシステムがどう動いており、プロダクトがどこでスタックしているのかを直接その目で見極める。
こうした働き方に対するMatiの確信は、Palantirでの原体験に根ざしている。かつて勤務したBlackRockでは、コンプライアンスとセキュリティの厳格さゆえに、入社直後は社外へメール1本送信するのにもチームの事前承認が必要だった。ところがPalantirでは、新人研修を終えるや否やスコットランドのアバディーンへと派遣され、北海油田のオペレーション最前線にいるスタッフと向き合い、現場の実課題を解き明かして社内へ知見を持ち帰ることを求められた。この2つの極端な環境を経験したことで、彼は「問題から遠ざかれば遠ざかるほど、報告の過程で情報は美しく整えられ、結果として本質からかけ離れた要件定義書へと劣化してしまう」という現実に気づいた。
だが、「エンジニアが顧客のオフィスに赴く」という事実だけでは、FDEを正しく定義したことにはならない。システムインテグレーター（SIer）や導入コンサルタント、カスタマーサクセスエンジニアも同様に現場へ足を運ぶからだ。ElevenLabsのアプローチが真に決定的な違いを持つのは、FDEが組織上プロダクトチームに所属しており、GTM（営業・マーケティング）チームには属していない点、そしてプロダクトのロードマップを熟知している点にある。彼らは目の前の本番稼働という結果に責任を負うと同時に、現場で直面した課題が「プロダクトそのものをどう進化させるべきか」を判断する責務を負っている。
したがって、FDEは実質的に「2度のデリバリー」を完遂しなければならない。
第1のデリバリーは、目の前の顧客に対するものだ。実業務の中でエージェントを確実に稼働させることである。ドイツテレコムの事例で言えば、ナレッジベース、CRM、電話システムを統合し、複雑な業務ルールをエージェントが実行可能なプロセスへと落とし込み、通話結果を検証し、スモールスタートから正式稼働へと導くことだ。このステップを完了させることは、「モデルが流暢に喋れる」ことの証明ではなく、エンタープライズの既存の技術インフラと運用体制にこのシステムが耐えうることを証明することにほかならない。
第2のデリバリーは、ElevenLabsの汎用プロダクトに対するものだ。特定プロジェクトの現場で得られた知見を社内へ持ち帰ることである。新しく開発した接続方式は、他の顧客も利用できる標準インテグレーションに昇華できないか？ 医療や通信の現場で繰り返し求められるワークフローは、プロダクトの標準機能として組み込めないか？ ある不具合は特定顧客の特殊な環境に起因するものなのか、それとも多くの企業が共通して直面するプロダクトの欠陥を浮き彫りにしたものなのか？ FDEがロードマップを熟知しているのは、まさにこれらの論点をプロダクトチームへフィードバックするためであり、単に「目の前の個別案件をなんとか動かすための場当たり的なパッチ」を放置して終わらせないためなのだ。
FDEが行う2度のデリバリー
1度目で顧客を稼働させ、2度目でプロダクトを汎用化する
2つの結果を切り替え、同じ顧客導入が会社をどこへ導くかを確認できます。
CRM、電話システム、知識、業務ルールが複雑に絡み合う。
顧客と並走して連携、テスト、本番稼働を行い、その後も観察する。
どの知見を汎用連携やプロダクト体験へ変えられるかを判断する。
成果が専用設定とパッチに留まり、顧客が増えるほど導入・保守の重複負担も増える。
繰り返す課題が標準連携や既定フローになり、新しい案件は同じ道を歩まずに済む。
現在の結果：現場の知見が汎用プロダクトへ入り、次の顧客はゼロから始めずに済む。
成果が一社の設定とパッチだけに留まるならサービスであり、汎用プロダクトを改善するなら顧客現場は研究開発の加速装置になる。
第2のデリバリーが正しく行われたかどうかは、次に訪れる同業他社の顧客を見れば一目瞭然となる。もしチームが再び似たような連携コードを書き直し、同じ仕様の穴埋めに追われているとすれば、前回のプロジェクトが残したものは単なる「個人の経験則」に過ぎなかったことになる。しかし、既存の連携モジュールがそのまま再利用でき、プロダクトのデフォルト設定が前回の導入現場で得た教訓をすでに吸収していれば、新しい顧客はゼロから始める必要がなくなる。これこそが真の「知見の還元（ナレッジループ）」であり、振り返りミーティングを開いて議事録をドキュメントに残すこととは本質的に異なる。
このステップは、企業が「スケーラブルなソフトウェアプロダクト」を提供しているのか、それとも徐々に「個別受託開発」の泥沼へと転落していくのかを決定づける分岐点となる。大口顧客が1社増えるたびに新たな部隊を編成してシステムをゼロから組み上げ、専用パッチの保守に追われるようになれば、売上の拡大はそれと比例したデリバリーの重荷をもたらし続ける。現場プロジェクトが増えれば増えるほど、プロダクトは断片化していく。だがFDEが共通の課題をプラットフォームへと昇華させることができれば、先行顧客がコストを支払い共に創り上げた現場実装が、後続顧客の導入負荷を劇的に引き下げる。顧客の現場は、単なるプロダクトの「納品先」にとどまらず、汎用プロダクトの欠陥を発見するための「実験場」となるのだ。
本稿のタイトルにある「無料の研究開発ラボ」とは、顧客の人員やリソースを文字通り無償で利用できるという意味ではない。ElevenLabsが密室に閉じこもり、「エンタープライズはどのような課題に直面するのか」を当て推量する必要がないという意味で「無料」なのだ。ドイツテレコム固有の料金プランや請求ロジック、運用ノウハウは当然ながら同社独自のドメイン知識であり、市場での競争力の源泉である。ElevenLabsがそこから持ち帰ることができるのは、「ソフトウェアはそうした業務知識をどのように受け止めるべきか」という抽象化された知見だ——どのような接続仕様が必要か、プロダクトフローをどう設計すべきか、どのような機能をプラットフォームの標準部品とすべきか。顧客独自のコア業務を汎用テンプレートにすることはできないが、そうした業務を受け止めるソフトウェア側のアーキテクチャは抽象化できる。
ゆえにFDEとは、営業と開発の間に新たな肩書を1つ増設したものではない。両者の間に強固なフィードバックループを構築する仕掛けなのだ。片側の端線ではプロダクトを最も過酷な現実環境へ送り込み、もう片側の端線ではその環境が浮き彫りにした課題をプロダクトへ送り返す。このサイクルを成立させるには、FDEが顧客の現場に深く入り込み、プロダクトチームに所属し、ロードマップを熟知していなければならない。そして後方の開発チームもまた、最前線から送られてくるシグナルを十全に受け止め、処理できる体制を備えている必要がある。課題は必然的に、「いかにエンジニアを現場へ送り出すか」から、「現場で得た情報をいかに組織の階層構造の中で埋もれさせずに活用するか」へと移っていく。
AIネイティブ組織とは、まず第一に情報伝達の仕組みである
FDEが現場から大量の一次情報を持ち帰ったとしても、組織の内側にそれを受け止める能力がなければ意味をなさない。ElevenLabsのフラットな組織運営は、単に「管理職の数を減らした」だけで実現しているのではなく、Matiが語るように相互に依存し合う複数のメカニズムによって支えられている。
同社には従来の肩書が存在せず、組織の階層の深さは最大でも5層程度に抑えられている。個々のプロダクトおよびデリバリーチームは極めて小さく、5人規模でも比較的大きなチームとみなされる。さらにMatiによれば、社内には10人前後の直属の部下を持つマネージャーが多数存在する。小規模なチームには強い裁量が与えられ、広い管理スパン（スパン・オブ・コントロール）によって中間管理層が削減されているが、これは新たな困難も生み出す。1人のマネージャーが、これほど多くのチームで何が起きているのかをどうやって把握し続けるのか？
彼の答えは、「課題の最も近くにいる人間から直接情報を吸い上げる」ことだ。プロダクト責任者は現場の開発エンジニアの状況を直接把握できるべきであり、顧客に関する情報も多層にわたって要約・加工されたレポートではなく、生の対話記録を可能な限り残すべきだと考えている。Matiの説明によると、同社はドキュメントの透明性を極めて高く保っており、ほぼ全社員が社内ドキュメントへ自由にアクセスできる。そしてAIがその膨大なログの中から「どのような手法が有効だったか」「どこにボトルネックが発生しているか」を自動で要約し、マネージャーが介入すべきポイントを能動的に発見できるように支援している。
これは、AIが組織内で果たす極めて具体的な役割を示している。マネージャーが直接読み取れる生の一次情報の守備範囲を拡張し、広い管理スパンを機能させ続けるための補助輪となるのだ。ただし、この仕組みが機能するかどうかは、ドキュメントの網羅性、チームが記録を残す意欲、そしてアクセス権限の適切な設計にかかっており、AIによる要約が自動的に正しい意思決定を生み出してくれるわけではない。
もう1つの特徴的な選択は、非エンジニアリング部門にもエンジニアリング能力を分散配置している点だ。採用、オペレーション、法務といったチームの内部にもエンジニアを配属し、定型業務の自動化や、ビジネス職のメンバーがAIを使いこなす能力の底上げを支援させている。これにより、新たなツールの導入や業務改善は小規模チームの内部からボトムアップで自発的に発生し、経営陣の一括指示や中央の情シス部門による段階的な全社展開を待つ必要がなくなる。
一方で、全社で集中的に構築すべき機能も明確に残している。Matiは法務とレベニューエンジニアリング（Revenue Engineering）をその好例として挙げる。前者は複雑なプロダクトを各地域のチームがどのように販売すべきかを中央から集中的に支援し、後者は通話中のプロンプト提示、文字起こし、CRMフィールドの自動補完ツールなどを開発し、営業と顧客の対話から得られる知見を漏らさず保存する。さらに中央チームが「AI SDR（AIインサイドセールス担当）」を開発し、各地域のチームへ渡してローカル向けの微調整を行わせている。
公式サイトに設置されたAI SDRは、「自社のドッグフードを食べる」ことがいかに新たな知見を生むかを如実に物語っている。見込み客はプルダウン形式のWebフォームに入力することもできれば、音声エージェントと直接会話することもできる。Matiによると、音声での対話を選択した顧客の方がよりリラックスしており、フォーム入力に比べて残される質問や想定ユースケースがはるかに豊かであることが判明したという。ここにおいて音声プロダクトは、単なる営業窓口であると同時に、極めて強力なユーザーリサーチツールとして機能しているのだ。
階層の削減、少人数チーム、ドキュメントの透明性、AI要約、そして各職能へのエンジニア配置——これらは決して独立した5つの管理テクニックではない。それらはすべて、「現場のシグナルを可能な限り劣化させずに意思決定者へ届け、その判断を即座にツールやプロダクトへと具現化する」という単一の課題を解決するために連動している。
モデルの優位性はいずれ縮まる、プロダクトとエコシステムが第2走者として引き継ぐ
現場で得た知見はプロダクトの汎用性を高める原動力となるが、基盤モデルの優位性が永遠に続くことを保証するものではない。Matiは長期的に見れば、ElevenLabsの純粋な基礎研究におけるリードは現在ほど圧倒的なものではなくなる可能性があると分析している。だからこそ、プラットフォームの利便性、ブランドへの信頼、そしてクリエイターエコシステムによって強固な防衛線を築いておかなければならない。
その試みの1つが「音声マーケットプレイス（Voice Marketplace）」だ。ボイスクリエイターや声優は自身のAI音声を登録・認証でき、他のユーザーがその音声を利用するたびに権利者へ報酬が支払われる。Matiがインタビューで語ったところによると、プラットフォーム上には当時約2万種類もの音声が存在しており、ElevenLabsは特定の言語、アクセント、年齢層、スタイルに不足が生じると、能動的に新たなパートナーを開拓しているという。ホストがElevenReaderで「George」という名前の音声を利用する際にも、その背後にいる声優へ利用実績に応じたレベニューシェアが支払われている。
この事例は、「モデルが音声を生成する」という技術的機能を、全く別のプロダクト関係性へと昇華させた。プラットフォームは識別性の高い魅力的な音声アセットを継続的に獲得する必要があり、クリエイター側は正当な認証、流通、収益還元の仕組みを求めている。研究開発モデルは声が高精度に再現できるかどうかを決定づけるが、誰が自らの声をプラットフォームに預けたいと思うか、そしてユーザーがなぜ次回もここに戻ってくるのかを決定づけるのは、市場メカニズムの設計なのだ。
プロダクトレイヤーの分化も進んでいる。Matiは当時の事業を、3つの主力製品ラインと、3つのインキュベーション段階の領域、そしてその傘下に広がる20〜30種類の具体的なツール群として説明している。ElevenReaderはテキスト文書を聞くコンテンツへと変換し、Eleven Productionsは自動化パイプラインの中に人間の監修・修正とローカライズを組み込む。そしてクリエイター向けツールとエンタープライズ向けエージェントが、彼が言うところの同社の2大収益源を形成している。ここでの一貫性は、すべてのプロダクトの見た目が似ていることではなく、基盤となる音声技術と「コミュニケーションのシナリオ」という共通項から生まれている。
どの業界が音声エージェントを先行導入したかが示す、社会実装の前提条件
Matiによれば、当時のElevenLabsの収益の大半はクリエイター向け製品とエンタープライズ向けエージェントが占めており、特に音声エージェントの導入事例は急激な伸びを見せていた。
業界ごとの導入スピードについて、彼はフィンテックを筆頭に挙げ、Revolut、Klarna、PagBankなどの名前を出した。それにヘルスケアと通信が続き、小売やEコマースでもインタビューが行われた年あたりから本格的な導入が始まっていた。ただし彼は、地域ごとに規制環境が大きく異なるため、これらの企業を一概にテクノロジーへの積極性だけで比較することはできないとも釘を刺している。
この情報の価値は、永続的な業界ランキングを提示することにあるのではない。音声エージェントの普及スピードが、複数の前提条件の掛け合わせによって決まることを示している点にある。顧客との接触頻度が十分に高いか、企業のデジタル化がすでに完了しているか、社内システムとの接続が可能か、そして組織がテストや継続的な運用負荷を進んで引き受ける覚悟があるか、といった条件だ。ドイツテレコムの事例が示した通り、ニーズが明白であったとしても、基幹業務に近ければ近いほど、より段階的で慎重な導入アプローチが採られることになる。
インタビュー終盤における業界カンファレンスに関する議論も、エンタープライズ成長の別の一面を補足している。Matiは創業初期、成熟したプロダクトを持たずにカンファレンスへ参加した際には、徒労感と非効率さしか感じられなかったと語る。しかし現在、彼は毎四半期2〜3回のペースで参加し、事前の綿密なスケジュール調整によって1対1のミーティングを詰め込み、多くの顧客やパートナーが一堂に会する場を「強制的な結集メカニズム」として活用している。カンファレンス自体が突如として価値を持ったわけではない。自社が何を売るべきか、誰と会うべきか、そして一度の対面が既存の協業を単一ユースケースからいかに横展開させるかを、会社が明確に把握できるようになったからこそ生じた変化なのだ。
音声は科学の問いであると同時に、センスの問いでもある
ElevenLabsが音声研究のみに特化しているからといって、それが単一の客観的指標で容易に測れる技術であることを意味しない。Matiは、声とは科学と芸術の境界線上に位置するものだと考えている。モデルにはデータ、計算資源、優れたアーキテクチャが必要だが、生成される結果は極めて主観的な受容を伴う。すべての声は異なり、同じ声であっても聞き手によって全く異なる評価を受けるため、テキスト読み上げモデル同士の客観的なベンチマークテストは極めて困難を極める。
プロダクトが企業のブランド領域に足を踏み入れると、問いは「本物の人間に似ているか」から、「この声は果たして自社らしさを表現できているか」へと深化する。声のトーン、リズム、感情、スタイルは、すべて美意識やセンス（品性）の領域に関わってくる。Matiの回想によれば、Palantirの社内にはかつて「アーティストのコロニー」という表現が存在したという。ElevenLabsに来て初めて、彼はアートとエンジニアリングがなぜ共存しなければならないのかを、より具体的に肌身で理解した。同社ではかつて「Forward Deployed Creative（現場配属クリエイター）」——FDEと同様に顧客の現場へ赴き、技術的なポテンシャルを適切なブランド表現へと翻訳する専門職の構想すら検討されたほどだ。
音声エージェントの開発におけるある試行錯誤は、この主観性の本質をさらによく物語っている。チームは当初、一切の無駄や欠点のない完璧なエージェントを作ろうとしたが、出来上がったものはかえって人間離れして聞こえてしまった。そこで「ええと」「あの」といった相槌や思考のための間（ポーズ）を取り入れたところ、Matiの観察では対話の質が劇的に改善し、ユーザーがより自然に会話を続けようとするようになったという。デザインの勘所は、形式的に口癖を増やすことにあるのではなく、沈黙、躊躇、感情の揺らぎを、生身の人間の対話のリズムに調和させることにある。
声は文字を伝えるだけでなく、その人のアイデンティティをも宿す
番組ホストは、ポッドキャストと読書の体験を比較した。たとえある作家の本を熱烈に愛読していたとしても、聞き慣れたポッドキャスターの声に対して抱く感情的なつながりの方が、はるかに強く感じられることがある。これを受けてMatiは、声には文字と異なり、イントネーション、間、感情、そして人間らしい不完全さが含まれていると指摘した。聞き覚えのある声を耳にした瞬間、人間は相手が誰であるかを瞬時に特定できる。
この「アイデンティティ」という属性こそが、音声技術を単なるコンテンツ制作ツールの枠組みから解き放つ。Matiはインタビューの中で、ElevenLabsがこれまでに1万人以上の声を再現・復元し、約800の機関や団体と連携してきた実績を明かした。声を失った後に昔のバンド仲間と再結成してツアーを再開したミュージシャン、AI音声を用いて英国議会で演説を行った女性議員、ALS（筋萎縮性側索硬化症）で発声能力を失いながらも復元された声でポッドキャストを配信し続ける元NFL選手兼作家のTim Green。さらにホストは、結婚式の直前に声を失い、のちに復元された声で誓いの言葉を読み上げた女性のエピソードも紹介した。
声を奪われた人々にとって、この技術の価値は単に「耳で聞こえるテキスト」を再び手に入れることにとどまらない。家族や友人に自分だと認識してもらえる、自身のこれまでの人生と分かちがたく結びついた「声というアイデンティティ」を取り戻すことにあるのだ。
声が再構築できるということは、同時に声が成りすましに悪用されうることも意味する。Matiはアクセシビリティの支援事例を語る際、表裏一体であるセキュリティの重要性についても自発的に言及した。音声生成の精度が高まれば高まるほど、本人確認、なりすまし防止、利用権限の厳格な管理プロトコルを歩調を合わせて構築していかなければならない。
声は重要なインターフェースになる、だがElevenLabsは「バベルの魚」をつくる気はない
Matiが下している長期的な事業機会の判断は、機械の知能が今後も向上し続けるにつれて、「人間がいかに知能と意思疎通を図るか」が新たなボトルネックになるというものだ。過去数十年にわたり、人間はキーボード、ディスプレイ、プログラミング言語を習得し、機械の側に歩み寄って適応してきた。だが音声エージェントが目指す地平は、人間が生まれながらにして身につけている自然なコミュニケーション様式を、テクノロジーの側に理解させることにある。
彼が描く未来のシステムは、知識と感情、すなわちインタビュー内で語られた「IQとEQ」を同時に処理できるものだ。話し手が何を知っており、何を達成したいのかを理解すると同時に、感情の機微を察知し、適切に沈黙し、思考し、最善のタイミングで対話に復帰する。Matiの構想において、音声は将来最も支配的なインターフェースの1つとなり、人々は今のように四六時中スマートフォンを凝視し続ける必要から解放され、画面はより多くの時間をポケットの中で過ごすことになる。
創業初期、2人の創業者が作成したスライドには『銀河ヒッチハイク・ガイド』に登場する「バベルの魚」が描かれていた。耳の中に入れるだけで、あらゆる言語を瞬時に理解できるようになる架空の生物だ。だがElevenLabsの目指す北極星は、自社で独自のハードウェアを製造することではなく、リアルタイムの音声対話と多言語理解の能力を、人々がすでに利用している既存のデバイス、生活シーン、業務ワークフローの中へと届けることにある。この思想は、自社のプラットフォーム戦略とも完全に合致している。音声の能力を他社のエコシステムへ深く組み込むことを選び、ユーザー接点のパイプライン全体を自社で独占しようとはしない。
ElevenLabsはまた、買収提案を拒否し続ける姿勢によっても、この長期的な覚悟を示してきた。Matiによれば、同社はこれまで3〜4回にわたり極めて真剣で具体的な買収提案を受けており、直近では収録のおよそ1年前にあたる6月にも提案があったが、チームはすべて断ったという。彼が語った理由は極めて明快だ。AIがもたらす未来のシナリオはまだ何一つ確定しておらず、自分自身、Piotr、そして研究チームはまさにこの難問を解くのにふさわしいスキルセットを備え、かつ得難い歴史のタイムウィンドウに居合わせている。彼らにとって、事業を売却してエグジットすることよりも、自らの手で未来を作り続けることの方が、はるかに魅力的だったのだ。
ElevenLabsが真に再現しようとしているのは、「課題がプロダクトへと変わるスピード」だ
ElevenLabsのアプローチは、同時に成立していなければならないいくつかの力学の均衡の上に成り立っている。
音声生成という根源的な技術的ボトルネックを打ち破るには、研究は極限まで集中していなければならない。一方で、どの研究成果を真っ先に実用ツールへと転換すべきかを見極めるには、プロダクトは誰よりもユーザーの近くになければならない。エンタープライズ領域に足を踏み入れた後、FDEは現場での確実なデリバリーを完遂しつつ、その知見を汎用プラットフォームへと持ち帰らなければならず、それができなければ組織の拡大は単なる受託業務の増殖に終わってしまう。組織の階層を浅く保ち小規模チームを維持するためには、一次情報の徹底した透明性を確保し、真に業務プロセスの変革を必要としている現場の職能へエンジニアリング能力を分散配備しなければならない。
音声マーケットプレイス、ブランドの表現力、人間らしい不完全さを備えたエージェント、声のアクセシビリティ復元、そして「バベルの魚」——これらは一見すると別々のトピックのように思えるが、その根底ではすべて同一の真実を指し示している。声が伝えるものは、単なる文字情報ではない。そこにはアイデンティティ、感情、呼吸のリズム、そして人間関係が宿っており、だからこそ莫大なビジネスチャンスと同時に、繊細なデザインの難問と重いセキュリティの責任を同時にもたらすのだ。
ElevenLabsが今後直面する最大の難題は、研究の先進性、エンタープライズへの泥臭い現場配備、そして汎用プロダクトへの知見還元の三者間で、いかに長期的な均衡を保ち続けられるかにある。彼らの賭けの道筋はすでに定まっている。音声領域に持てるリソースを集中させ、モデルを過酷な現実環境へと送り込み、その環境が突きつけてきた課題を、世界中の誰もが使える次なるバージョンのプロダクトへと、誰よりも速く昇華させ続けることだ。