2023年11月、Olive AIは全事業を停止しました。7年かけて築いてきた組織が解体され、顧客病院との契約は終了し、累計$858Mの資金が消えました。ピーク時の評価額は$4B。それだけの規模を持つ会社が、資金不足でも市場消滅でもなく、「現場の複雑さ」によって潰れました。
病院の事務・請求業務をAIで自動化するという構想は、今も正しいものです。アメリカの病院が抱えるバックオフィスの非効率は本物の問題で、需要も技術も資金も、当時のOliveには揃っていました。それでも会社は消えました。
何が起きたのかを時系列で追い、なぜそうなったのかを構造的に分解します。
$400M調達から全事業停止まで
Olive AIは2012年にオハイオ州で創業しました。病院の反復的な事務処理、診療報酬請求の確認、保険審査への対応、患者情報の転記といった業務をRPA（ロボティック・プロセス・オートメーション）で自動化するサービスを主力としていました。
転換点は2021年です。この年、Oliveは$400Mの資金調達を完了し、評価額を$4Bに引き上げました。ヘルスケアテックとして異例の規模で、業界メディアはこぞって「医療AIのユニコーン」と紹介しました。顧客病院数は急拡大し、従業員は1,000人を超えました。
しかし2022年以降、状況は急速に悪化します。顧客の解約が増え始め、同年後半には大規模なレイオフを実施しました。2023年8月に事業縮小と製品整理を発表し、同年11月に全事業を停止しました。残余事業の一部は売却されましたが、Olive AIとしての組織はそこで終わりました。
$858Mという調達総額は、ヘルスケアスタートアップとしても突出した規模でした。その資金が、事業化できないまま消えました。
実装の現場で明らかになった三つの構造的問題
Olive AIの失敗は、単一の原因で説明できません。少なくとも三つの構造的な問題が重なり、互いを増幅するかたちで事業を崩していきました。
第一は、医療インフラの多様性でした。Oliveが提供しようとした自動化は、病院のITシステムに接続して処理を実行するものです。しかしアメリカの病院は、EHR（電子カルテ）だけでもEpics、Cerner、Meditech、AllScriptsなど複数のシステムが並存しており、同じ「請求確認」という業務でも操作するシステムが施設ごとに異なります。請求ワークフローのルール、保険会社ごとの審査フォーマット、ドキュメントの保存形式、すべてがばらばらです。一部の病院システムはAPIが存在せず、画面スクレイピングでしか操作できない箇所もありました。
これが何を意味するかというと、Oliveの製品は「汎用ソフトウェア」として機能しなかったということです。顧客病院に導入するたびに、接続先システムの調査、スクリプトの作成、病院IT部門との調整、動作検証というサイクルを繰り返す必要があり、実質的にカスタム開発に近い工数を要しました。スケールするほどコストが膨らむ構造で、「SaaSとして売っているがサービス業として機能している」状態になっていました。医療は特にITレガシーが深い業界で、この問題の深さを事前に見誤っていた部分が大きかったはずです。
第二は、ROIの可視化問題でした。病院のCFOや購買担当が高額な自動化ツールへの投資を更新するには、「この導入でいくら削減できたか」という数字が必要です。Oliveは「事務コストを削減できる」と約束して顧客を獲得しましたが、その効果を定量的に示すには導入前の業務コストのベースラインデータが不可欠です。それを体系的に管理している病院は少なかったのです。
ROIが見えなければ、更新交渉は「なんとなく便利になった」という感覚論になります。感覚だけで年間数千万円の予算を通せる財務担当者は多くありません。景気が悪くなれば、ROIが証明できていない支出は真っ先にカットされます。顧客解約の増加は、この構造から来ていました。
第三は、セールス速度と実装能力のミスマッチでした。2021年の大型調達の後、Oliveはセールス体制を急拡大しました。投資家に見せる成長指標のためにも、顧客獲得数を伸ばし続ける必要があったからです。新規顧客は次々に獲得されましたが、実装チームの能力はそのペースに追いつきませんでした。
導入プロジェクトが積み上がると、既存顧客へのサポート品質が下がります。サポートが薄くなるとROIの証明はさらに難しくなり、解約が増えます。解約を新規獲得で補おうとするとセールスがさらに走り、実装の負債がさらに膨らみます。このサイクルをOliveは止められませんでした。2022年のレイオフは実装コスト削減が目的でしたが、サポート品質をさらに下げる結果になりました。
「AIで自動化できます」という約束が崩れるパターン
Olive AIは「技術が足りなかった」から失敗したのではありません。医療業務の自動化技術は実在し、競合他社の中には同じ市場で事業を続けている会社もあります。
失敗の本質は、エンタープライズAI製品が持つ構造的なリスクの話です。投資家向けのピッチでは「AIがXを自動化する」という命題は成立します。スライドで見れば整合性があります。しかし実際の病院に入ると、「X」の定義が施設ごとに違うことがわかります。「自動化」が「半自動化＋人間の確認」になることがわかります。ROIを計算するためのベースラインデータが、そもそも存在しないことがわかります。
このギャップを事前に把握し、それでも価値を提供できる製品設計と顧客オンボーディングを構築できるかどうかが、持続できる事業と崩れる事業の分岐点になります。Oliveはこのギャップを大量の資金と実装工数で埋めようとしましたが、医療インフラの多様性は資金で解決できる問題ではありませんでした。
法律文書の自動化、財務レポートの生成、採用スクリーニング。プロセスが標準化されていない業界に「AI自動化」を持ち込む場合、Oliveが直面した問題はどこでも起きえます。
Olive AIの失敗を判断基準として使う
この失敗の構造を整理すると、エンタープライズAI製品を評価するときの問いとして転用できます。
まず「顧客のシステム環境の多様性をどこまで把握しているか」という問いです。導入コストが顧客ごとにどれだけ変動するかを把握していなければ、単価設計も採算計算も成立しません。「標準的な顧客」を前提にした製品設計が、実際の顧客にどれだけ当てはまるかは、事前調査の密度に比例します。
次に「ROIを定量化するデータを誰が持っているか」という問いです。効果測定のベースラインが顧客側にない場合、そのデータをどう調達・整備するかを製品設計の段階で考えておく必要があります。顧客に任せるのか、製品に計測機能を組み込むのか。ここを曖昧にしたまま売ると、Oliveと同じ「感覚論の更新交渉」になります。
三つ目は「セールス速度と実装体制が乖離するタイミングはどこか」という問いです。新規獲得を優先するモードに入ったとき、実装チームが処理できる上限はどこにあるか。その上限を超えたときに何が起きるかを事前にシミュレーションできているかどうかが、持続的な成長と自壊の分岐点になります。
最初の一歩として実践的なのは、既存顧客の一社に「この自動化で何がどう変わったか、数字で教えてもらえますか」と直接聞いてみることです。答えが出てこないなら、ROI可視化の問題はすでに起きています。
$4Bの評価と$858Mの資金があっても防げなかった失敗です。「AIで自動化できます」という言葉を聞いたとき、その約束の根拠を問う習慣は、投資家にも、使う側の組織にも、作る側にも必要だと思います。
AI編集部コメント
Olive AIの失敗を「特殊な話」として距離を置くのは簡単ですが、エンタープライズAI製品に関わるすべての人に共通する構造だと思って書きました。特に「ROI可視化の問題」は、医療に限らずB2B向けSaaSが避けて通れない課題です。
調べていく中で驚いたのは、アメリカの病院ITインフラの多様さです。EHRシステムが数十種類並存し、中には20年前のレガシーシステムが今も現役で動いている施設があります。そこに「汎用的なAI自動化ツール」を接続しようとするのが、どれだけ困難か。Oliveがそれを事前に十分把握できていたかどうかは、外から見ると疑問が残ります。
「AIで自動化できます」という言葉を聞いたとき、まず「どのプロセスが標準化されているか」を問う癖をつけることが、この事例から持ち帰れる一番実用的な教訓だと思っています。