Applied MaterialsのAI戦略、従業員数を倍増させずに売上倍増を目指す
Applied Materialsは今後数年で、従業員数を倍増させずに売上を2倍にする計画を掲げ、人工知能の活用に明確な数値目標を与えた。Applied MaterialsのAI戦略は、製品開発、工場運営、品質管理、サプライチェーン、コーポレート機能、顧客サービスを対象とする。
CEOのGary Dickersonは、カリフォルニア州Sunnyvaleに新設された半導体研究センターの10月12日の開所を前に、この計画を発表した。Appliedは7月下旬時点で約38,900人を雇用していたが、Dickersonは将来の人員数目標の提示を控えた。
この主張は、AIが従業員の生産性を高めるというおなじみの約束よりも具体的だ。Appliedは、ソフトウェア支援による業務を、装置出荷の増加、研究サイクルの短縮、顧客の歩留まり向上、利益率の改善へと結び付けなければならない。それを、半導体メーカーがますます複雑な製造システムを求める中で実現する必要がある。
同社は近年の自社の歩みとも対比される。Appliedは2025年に従業員の約4%を削減した一方、2026年度第3四半期には製造部門と顧客サポート部門で1,500人超を採用した。したがって、その戦略は単純な採用凍結ではない。選択的な採用とAIによる生産性向上によって、はるかに大きな売上を支えられるという賭けだ。
Applied MaterialsのAI戦略、生産性を売上目標へ転換
Applied Materialsは、自社のAIプログラムを明確な成果に結び付けた。売上は従業員数を大幅に上回るペースで成長すべきだというものだ。
DickersonはBloombergに対し、「今後数年で会社規模を2倍にしても、従業員数を2倍にすることはない」と語った。同社はこの目標について、正確な達成時期、売上の基準値、人員数の上限を示していない。
こうした情報の欠落は重要だが、この発言を空虚なものにするわけではない。Appliedはすでに、生産性向上がどこで現れると見込んでいるかを説明している。
同社は研究開発にAIを用い、技術データの分析、エンジニアリング業務の支援、製品開発スケジュールの短縮を進めている。運営面では、工場計画、サプライチェーン、従来はより多くの手作業による調整を要したワークフローに同技術を適用している。
AIは顧客施設内の業務も支援する。Appliedの装置は、先端チップの製造に必要な成膜、エッチング、検査、計測などの工程を担う。わずかな改善でも、ウエハー1枚当たりの使用可能なチップ数を増やしたり、工場を通過するウエハー数を日々増加させたりできる。
そのため、この業界では品質管理が異例の財務的重みを持つ。半導体の歩留まりとは、ウエハーから生産される使用可能なチップの割合を指す。歩留まりの改善により、顧客は新たな製造工場を建設せずに販売可能なチップを追加で生産できる。
Dickersonはその価値を端的にこう表現した。「より多くの良品チップは、当社の顧客にとって大きな価値がある」。Appliedによれば、同社の装置は顧客による良品チップの生産量と1日当たりのウエハー処理量の双方を高めることができる。
この戦略には、相互に結び付いた2つの売上エンジンがある。第一に、AI需要が半導体メーカーによる製造装置の購入を促す。第二に、Applied自身がAIを使い、そうした装置の設計、製造、設置、サポートをより効率的に行う。
この組み合わせにより、この計画は標準的なオフィス自動化プログラムとは一線を画す。AppliedはAIインフラの拡大局面に向けて装置を販売すると同時に、関連ソフトウェアで自社のコスト構造を変えようとしている。
同社は、2026年7月26日終了の2026年度第3四半期に、売上高91億ドルを計上した。その前四半期は79億ドルだった。同社の四半期提出書類にも、基盤となる事業の規模と複雑さが記されている。
この規模の企業を2倍にするには、管理業務を減らすだけでは足りない。Appliedには、持続的な装置需要、十分な製造能力、新製品の成功、最重要市場への継続的なアクセスが必要となる。
EPIC Centerが半導体研究の進め方を変える
新設されたEPIC Centerは、Appliedが掲げるソフトウェア主導の生産性向上という主張を物理的に支える存在だ。
Appliedは10月12日、売上と人員に関するDickersonの発言とともに、Sunnyvaleの施設を公開した。同社はEPIC Centerを、50億ドルの設備投資だと説明している。
EPICはEquipment and Process Innovation and Commercializationの略称だ。Appliedによると、600,000平方フィートの建物には、先端クリーンルームスペースが約4エーカー分含まれる。建設には600万時間超の作業時間を要した。
規模は重要だが、より重要なのは運営モデルだ。半導体メーカー、装置サプライヤー、システム企業、研究者、Appliedのエンジニアが、一つの施設内で相互に関係する技術課題に取り組める。
Appliedが創設顧客パートナーとして挙げるのは、TSMC、Intel、Samsung Electronics、Micron Technology、SK Hynixだ。パートナーの顔ぶれは、AIコンピューティングを背景に大規模投資を受ける先端ロジックとメモリー製造の両分野にまたがる。
Broadcom、Advantest、Besi、Kioxia、SCREENも追加の業界参加企業に含まれる。Stanford University、University of California at Berkeleyなどの学術機関もプログラムに参加している。
従来、新しい半導体プロセスは、顧客、サプライヤー、大学のそれぞれ別個の研究所を移動することがある。移管のたびに、スケジュールの遅延、装置差、データ境界、技術検証の再実施が生じる。
AppliedはEPICによってこうした引き継ぎを減らしたい考えだ。チームは、顧客が商業規模でプロセスを導入する前に、共有環境で材料、プロセス、デバイス、製造装置を開発できる。
AIツールは、実験と装置データを横断してパターンを見つけることで、このモデルを強化できる。また、膨大な数の材料・プロセス組み合わせから、有望な試験条件を研究者が選ぶ助けにもなる。
ただし、建物そのものが開発サイクルの短縮を保証するわけではない。パートナーは、データアクセス、知的財産保護、技術的優先順位、失敗した実験に対する責任について合意しなければならない。
この施設は大きな固定的コミットメントでもある。Appliedは、顧客プロジェクトの開始に合わせて設備投資を公表済みの投資額へ近づけていくとしている。この点から、パートナーの参加とプロジェクト処理量は重要な進捗指標となる。
したがってEPICは、単なる式典的な研究キャンパスではない。ここでAppliedのAI生産性に関する仮説は、半導体開発の運用上の現実と向き合うことになる。
エンジニアがより短時間でより多くの有用な実験を完了できれば、顧客は新しい製造システムをより早く導入できる。Appliedも、すべてのチームを同じ割合で拡大せずに、研究成果を装置売上へと転換できる。
反対の結果も明確に表れる。パートナーの受け入れが遅い、データ共有が限定される、認定スケジュールが長期化するといった状況は、ソフトウェアと協業で開発作業を圧縮できるという主張を弱めるだろう。
AI半導体製造は依然として物理的能力に依存する
AIは意思決定とワークフローを改善できるが、半導体製造装置を支える物理的な労働力、工場、供給網をなくすことはできない。
Appliedは半導体業界で最も複雑な生産システムの一部を製造している。これらの装置には、高精度チャンバー、ロボティクス、真空部品、センサー、ソフトウェア、特殊材料が組み込まれている。世界中の顧客工場で信頼性高く稼働しなければならない。
そのため、売上成長には物理的な責務が伴う。Appliedは部品を調達し、システムを組み立て、試験し、出荷し、設置し、保守しなければならない。顧客サポートチームは、しばしば製造工場内で直接業務を行う。
これが、同社が特定分野で採用を続ける理由を説明する。決算説明によると、Appliedは2026年度第3四半期に製造部門と顧客サポート部門で1,500人超を増員した。
この採用はDickersonの発言と矛盾しない。彼は、売上とともに人員数を倍増させないと述べたのであって、雇用の拡大を止めるとは言っていない。この違いは本質的だ。
Appliedは需要に応じて専門人材を増やしつつ、AIを活用して他部門の人員増加を抑えられる。コーポレートワークフロー、サプライチェーン計画、エンジニアリング分析、サービス診断は、現場での設置作業や先端ハードウェアの組み立てよりも自動化の機会が多い。
同社は以前、AIを活用した一部の運用で、生産性が約50%向上した事例があると述べた。この数値は特定の拠点または機能での改善を表すものであり、全社的に検証された改善ではない。
限定的な生産性の結果を、約39,000人の従業員全体に自動的に当てはめることはできない。職種ごとに、データ品質、安全要件、承認プロセス、ソフトウェアの誤りに対する許容度が異なる。
Applied自身の雇用の歩みも、別の複雑さを加える。2025年10月、同社は従業員の約4%、およそ1,400人に影響する人員削減を発表した。人員削減は、業務を簡素化し生産性を向上させる取り組みとして説明された。
この再編は、より厳格な輸出規則が中国関連事業を圧迫する中で行われた。Appliedは、これらの制限が2026年度の売上を押し下げると見込んでおり、人員判断が自動化だけでなく市場アクセスも反映することを示している。
現在のApplied Materialsの売上成長計画は、AIによって人間の専門知識が不要になった証拠として扱うべきではない。むしろ、異なる人員構成を示唆している。
定型的な調整業務は、総業務に占める比率を縮小できる。エンジニアは技術記録の検索や反復的な試験結果の確認に費やす時間を減らせる可能性がある。サプライチェーンチームは制約をより早期に把握でき、サービスチームは装置の問題をより正確に優先順位付けできる。
一方で、プロセスエンジニア、データ専門家、フィールド技術者、先端製造の作業者、AIが生成した推奨事項を検証できる従業員への需要は増える可能性がある。
これは難しい経営課題を生む。Appliedは、どの業務を安全にソフトウェアへ移せるか、どの業務に人間の承認が必要か、どこで追加の従業員が最も高いリターンを生むかを判断しなければならない。
同社の売上目標は、この配分を適切に行えるかにかかっている。過剰採用は約束した営業レバレッジを弱める。人員が不足すれば、装置の納入、研究プログラム、顧客サポートが遅れる可能性がある。
真の競争は売上成長と組織成長の対決
Appliedの中心的な課題は、より大きな事業に同じだけ大きな組織は必要ないことを証明することだ。
半導体製造装置企業は歴史的に、技術投資、製造拡張、顧客対応の人員を組み合わせて規模を拡大してきた。複雑な製品では、導入済み装置の基盤が拡大するにつれてサポート業務も増える。
AppliedはAIによってこの関係を変えようとしている。同社の決算説明によると、2026年5月までに、世界の従業員のうち35,000人超がすでにAIを利用していた。
同社は、科学研究、製品開発、サプライチェーン業務、工場作業、サービス、コーポレート業務の自動化を活用分野として挙げた。これは幅広い利用を示唆するが、ユーザー数だけでは活用の深さや財務への影響はほとんど分からない。
たまに文書を要約する従業員と、製品認定サイクルを短縮するエンジニアリングチームは、同じようには数えられない。Appliedは、基本的な導入と業務上の変化を区別できる成果指標を必要とする。
製品開発のスピードは、そのような指標の一つになり得る。先端ロジック、高帯域幅メモリ、複雑なチップパッケージングはいずれも、新たな材料と装置の組み合わせを必要とする。認定済み製品を早期に投入できれば、売上計上を前倒しし、Appliedの競争力を高められる可能性がある。
サービス生産性も別の指標となる。Appliedは、顧客工場内で稼働する大規模な装置基盤をサポートしている。AI支援の診断は、故障しつつある部品の特定、保守ニーズの予測、問題の切り分けにエンジニアが費やす時間の短縮に役立つ可能性がある。
工場とサプライチェーンのパフォーマンスは、第三の検証対象となる。予測精度の向上は不足を減らし、スケジューリングシステムは組立・試験工程における装置の流れを改善できる。こうした効果は、納期、在庫効率、利益率に表れるはずだ。
Appliedは、半導体製造の異なる領域でLam Research、KLA、Tokyo Electron、ASMLなどと競合している。その完全な製品ポートフォリオをそのまま模倣する競合企業は存在しない。
それでも、主要な装置サプライヤーはいずれも同じ大きな圧力に直面している。顧客は、より複雑なチップに対応しながら、歩留まり、エネルギー使用量、信頼性、工場の生産性を改善するシステムを求めている。
AIを活用した半導体製造が競争優位となるのは、こうした測定可能な成果を変えた場合に限られる。競合他社も同様のツールを購入できるため、チャットボットやコーディング支援ツールへの一般的なアクセスだけでは、持続的な差別化は生まれない。
Appliedが優位性を築くとすれば、それはモデルを独自のプロセス知識や装置データと組み合わせることによってだろう。数十年に及ぶ実験と生産記録は、汎用システムにはない文脈を提供できる。
このアプローチには制約もある。顧客データは機密性が高く、半導体研究は厳重に保護されており、不正確な推奨は高価な生産時間を浪費しかねない。そのため、データアクセスは管理された状態に保つ必要がある。
同社はまた、自動化によって技術的な誤りが見えなくなることも防がなければならない。もっともらしいソフトウェアの推奨は、検証済みのプロセス変更と同じではない。エンジニアには依然として、実験、統計的管理、顧客認定が必要だ。
こうした制約により、Applied MaterialsのAI戦略では、モデルと同じくらい組織面が重要になる。同社には、データガバナンス、人によるレビュー、セキュリティ、説明責任、プロセス検証のための仕組みが必要となる。
AIシステムが研究所の結果、サービス記録、エンジニアリング上の意思決定を参照する場合、ナレッジマネジメントが中心的な役割を果たす。チームには、信頼できる情報源、明確な権限管理、追跡可能な結論が必要だ。
同じ原則はチップ装置以外にも当てはまる。検索可能なエンジニアリング知識ベースは、チームが回答の出所を検証できる場合にのみ有用だ。
Appliedは、各社内システムを評価するのに十分な情報を開示していない。投資家と顧客は、ツール数ではなく事業成果に注目すべきだ。
「売上倍増」の約束がまだ証明していないこと
この売上目標は経営陣による予測であり、AIが成長を採用から切り離したという独立した証拠ではない。
最初の不確実性は基準値にある。「規模を倍にする」は売上を指すように見えるが、Appliedは達成に向けた正確な開始値や会計年度を示していない。
「今後数年」という柔軟な期間設定も、進捗の評価を難しくする。売上はある装置サイクルで急成長し、別のサイクルで停滞しても、その後に目標へ近づく可能性がある。
第二の不確実性は因果関係に関するものだ。Appliedは、先端ロジック、メモリ、パッケージング、関連する製造能力を含むAIインフラへの顧客支出から恩恵を受けている。
こうした外部需要は、社内AIツールが生み出す生産性向上が限定的であっても売上を押し上げ得る。逆に、顧客が設備投資を減らせば、社内生産性が大きく改善しても売上を倍増させることはできない。
したがって、読者は二つの異なるAI効果を分けて考えるべきだ。AIはAppliedの装置需要を生み出す一方、AIツールは追加採用を抑えながらAppliedがその需要に応える助けとなる可能性がある。
同社の直近の業績は、第一の効果の強さを示している。Appliedは会計年度第3四半期の売上高が過去最高となったと報告し、暦年2026年のSemiconductor Systems売上に関する見通しを引き上げた。
同社の公式な第3四半期決算では、非GAAP売上総利益率は50.4%、非GAAP営業利益は31億ドルと報告された。これらの指標は特定の項目を除外しており、GAAP業績と同等のものとして扱うべきではない。
社内生産性の効果を切り分けることはより難しい。Appliedは具体的な活用例を説明し、一部機能での改善を示しているが、全社的なAI投資利益率を公表してはいない。
第三の不確実性は景気循環性だ。半導体装置需要は、顧客投資、技術移行、工場稼働率、政府政策、将来のチップ需要に関する見通しによって変動する。
AIインフラ拡大が長期化すれば、Appliedの計画を支えることになる。資金調達の減速、エネルギー制約、部品不足、設備能力の調整は、顧客プロジェクトを遅らせる可能性がある。
Dickersonは、こうした短期的リスクのいくつかを認めた。彼は、資金調達、供給、エネルギー、生産能力を、AI拡大のペースを制約し得る要因として挙げた。
輸出政策も新たな圧力を加える。Appliedと米国の競合各社は、中国の顧客に対する特定の先端システムやサービスの販売制限に直面している。こうした制限は、社内生産性にかかわらず、対応可能な需要を減らし得る。
競争によって優位性が縮小する可能性もある。Lam Research、KLA、Tokyo Electronなどのサプライヤーは、データ分析、自動化、シミュレーション、AI支援サービスに投資している。
すべての主要サプライヤーが同程度の改善を達成すれば、AIは卓越した利益率の源泉ではなく、業界の必須要件となる。Appliedも恩恵を受けるだろうが、競合他社も同じ業務レバレッジを享受することになる。
人材面のリスクもある。従業員は「売上は倍増、従業員数は据え置き」という方針を、効率化によってキャリア機会が置き換えられる兆候と受け取るかもしれない。
Appliedは、仕事の進め方を変えながら、希少なプロセス、材料、装置に関する専門知識を維持しなければならない。管理の不十分な自動化は、人材流出を促したり、将来の技術リーダーを育てるメンタリングを弱めたりする可能性がある。
これらのリスクはいずれも戦略を否定するものではない。戦略が成功したと見なす前に必要となる証拠を定義している。
最も強力な証拠は、持続的な売上成長、より緩やかな従業員数の伸び、安定したサービス品質、より速い製品開発、健全な利益率を組み合わせたものになる。一つの指標だけでは、別の説明が残る。
Applied Materialsの売上成長を検証する三つのシグナル
次の証拠は、順に財務実績、EPIC Centerの成果、人員構成から得られるはずだ。
最初のシグナルは、従業員数の伸びに対する売上成長である。Appliedは最終的に、複数四半期にわたって人員よりも明確に速いペースで売上が拡大していることを示すべきだ。
装置の納入は報告期間の間で変動し得るため、単一四半期では結論を出せない。投資家は、より長い期間にわたる売上、営業費用、利益率、従業員数の推移を比較すべきである。
人員増が緩やかな一方で売上が伸び続け、顧客サービスが安定していれば、Applied MaterialsのAI戦略の信頼性は高まる。需要が弱い時期の雇用減少では、はるかに説得力が弱い。
第二のシグナルは、EPIC Centerから生まれる商業的成果だ。Appliedとそのパートナーは、製造へ近づいたプロセスの進歩、認定済み装置、開発日程の短縮、顧客プログラムを特定すべきである。
参加者数は、完了した仕事ほど重要ではない。プロジェクトが孤立したままだったり、承認サイクルが長いままだったりすれば、活気ある施設であっても商業化を加速できない可能性がある。
EPICに結び付く具体的な製品投入は、Appliedの主張を強めるだろう。共同研究が重複実験を減らした、あるいは顧客認定を加速したという証拠は、一般的な協業の主張より価値が高い。
パートナー活動が限定的であれば、この論拠は弱まる。この施設の経済性は、顧客と研究者がそのクリーンルームを重要な開発プログラムに利用することに依存している。
第三のシグナルは、人員構成の変化である。Appliedはすでに、全体の従業員数の伸びが鈍化しても、対象を絞った採用が両立し得ることを示している。
今後の開示では、製造、フィールドサービス、技術職が引き続き拡大する一方、管理業務や反復的な業務では追加採用が少なくて済むかどうかが明らかになるはずだ。それは同社の選択的成長という説明を裏付けるだろう。
新たな大規模レイオフは慎重な解釈を要する。AIによる代替、半導体不況、輸出規制、事業再編、あるいは複数の要因を同時に反映している可能性がある。
Appliedは、品質が悪化していないことも示すべきだ。製品の信頼性が維持され、顧客が効果的なサポートを受けられる場合にのみ、エンジニアリング作業の高速化には意味がある。
この三つのシグナルは、実践的な検証を形作る。財務実績は事業モデルが拡張可能かを示す。EPICの成果は研究がより速く進むかを示す。人員構成はAIが実際にどこで労働需要を変えるかを示す。
この計画が持つ意味はApplied Materialsをはるかに超える。エンタープライズAIが単に新たなソフトウェア費用を加えるだけでなく、大規模な産業企業を変革できるかどうかを検証する、異例に具体的なテストとなる。
ナレッジワーカーは、どの仕事がなくなるかだけでなく、どのタスクが変化するかを注視すべきだ。エンジニアは機械が生成した選択肢をより多く検討するようになり、サービスチームはより早い警告を受け、管理職はより良い予測で生産能力を調整できるようになるかもしれない。
エンタープライズの購入担当者は、統合とガバナンスを注視すべきだ。Appliedの潜在的な優位性は、汎用モデルだけから生まれるものではない。AIを、信頼できる技術記録、物理的な装置、説明責任のある意思決定へ接続することから生まれる。
したがって、最も有用な問いはAppliedがAIを利用しているかどうかではない。すでに35,000人を超える社内ユーザーがいるため、その問いは狭すぎる。
問われるべきなのは、Appliedが組織の複雑性を倍増させることなく、これらのツールを商業的成果の倍増へ転換できるかどうかだ。売上、認定済みイノベーション、顧客の歩留まり、人員データが答えをもたらす。
これらの指標がともに動けば、AppliedはAI支援による業務レバレッジの最も明確な産業事例の一つを生み出すことになる。乖離すれば、自動化よりも需要成長が大きく評価されるべきかもしれない。
次の財務開示と、EPICから最初に生まれる商業プロジェクトに注目したい。それらは、Applied Materialsが売上倍増の約束を、測定可能で、再現可能かつ持続的なものにできるかを示すだろう。
