TAM SAM SOMとは？市場規模の計算方法を数字で実演する

TAM/SAM/SOM は、事業が理論上獲得できる最大市場（TAM）、実際に営業できる範囲（SAM）、直近3〜5年で現実に取れる市場（SOM）を同心円で絞り込むフレームです。投資家は「TAM の数字」より「絞り込みの理由」と「現地感」を見ています。この記事では、日本の中小企業向け請求書 AI SaaS を題材に、中小企業庁の中小企業白書の357万社からトップダウンで TAM 4,284億円、SAM 720億円、SOM 7.2億円 ARR まで積み上げ、ボトムアップでは営業5名 × 月10社 × 成約率5% から3,600万円 → 3年累積で8,784万円 ARR まで実演します。

トップダウンとボトムアップに8倍のギャップが出るところが、投資家との対話の入り口になります。ChatGPT Deep Research や Perplexity の使い所と限界、SmartHR が労務管理でシェア12.77%を取ってからタレントマネジメントへ TAM を再定義した参考例、継続的なリサーチの伴走ツールとしてのSnorbeという新しい選択肢まで、事業企画・スタートアップ創業者・新規事業担当者向けに一次ソース付きで整理していきます。

TAM SAM SOMの定義と、投資家が本当に見ているもの

投資家との1on1で「うちのプロダクトの TAM は100兆円です」と切り出したベンチャーが、その瞬間に評価を下げられる場面を、私は何度か耳にしたことがあります。数字が大きすぎることが悪いのではありません。数字の裏側に積み上げの論理と現地感がないと、経験を積んだ投資家に見抜かれてしまうからです。

このセクションでは、TAM/SAM/SOM という3層フレームの定義を最短で確認し、投資家がその数字のどこを見ているのかを整理していきます。

TAM/SAM/SOM は「同心円で絞り込む」もの

まず定義を簡潔に押さえておきます。

• TAM（Total Addressable Market）は、事業が理論上獲得できる最大市場規模です。世界中の対象顧客が全員自社の顧客になったら売上はいくらか、という理論値になります。
• SAM（Serviceable Available Market）は、TAM のうち自社が実際に営業・提供できる範囲です。地域・言語・法規制・製品仕様といった条件で TAM を絞った結果です。
• SOM（Serviceable Obtainable Market）は、SAM のうち直近3〜5年で現実に獲得できる市場規模です。営業体制・競合状況・GTM プランを踏まえて絞り込みます（株式会社ゼンリンマーケティングソリューションズ、株式会社シナプス）。

TAM → SAM → SOM の関係は、大きな円の中に一段小さな円、その中にさらに小さな円が入っている同心円のイメージです。日本の中小企業向け請求書 AI SaaS を例にすると、「日本の全中小企業」が TAM の外側の円、「経理担当者がいる従業員5〜100名の SMB」が SAM の中間の円、「直近3年で自社が営業できる範囲」が SOM の内側の円になります。この絞り込みのロジックを起業家が自分の言葉で語れるかどうかが、投資家に対する最初の関門になります。

Airbnb は初期のピッチデックで、まさにこの絞り込みを実演しました。世界の旅行予約市場を TAM に取り、budget & online bookings に絞って SAM を出し、15%のシェアを仮定して SOM を84M件と示しています（Failory: The Pitch Deck Airbnb Used to Raise $600K）。旅行予約市場という広大な TAM から3ステップで数字を積み上げていく構造は、いまも投資家説明のお手本として引用されています。

投資家が本当に見ているのは「絞り込みの理由」

TAM の数字そのものより、絞り込みの各ステップに理由を書けているかどうかが評価の分かれ目になります。「なぜ従業員5〜100名なのか」「なぜ3年で1%のシェアを取れると考えたのか」に、事業と業界の理解が滲む形で答えられれば強い説明になります。

Uber の初期投資家である Benchmark Capital の Bill Gurley は、「多くのスタートアップが TAM の分析を重視しすぎている」と苦言を呈しました。Uber のシード期のピッチ資料に書かれた市場規模予測は、実際の取扱高のわずか15分の1だったそうです（原健一郎: スタートアップのマーケット論その1）。桁が違っていても、事業が本当に立ち上がれば市場は勝手に伸びる、というのが Gurley の言い分でした。

逆に、TAM を過剰に膨らませた提案書は、経験豊富な投資家に一瞬で見抜かれます。「うちのプロダクトは世界の広告市場70兆円を取りに行きます」と書いてあっても、「その70兆円のうち、あなたのプロダクトが本当に代替できる部分はどこですか」と即座に返されるだけです（norosi press: TAM SAM SOMの計算方法、株式会社シナプス）。TAM 100兆円と書いた瞬間、その事業計画は「関連性の薄い巨大数字を借りてきた文書」として扱われることになります。

シード期では、そもそも計算する意味があるのか

シード期の VC であるジェネシア・ベンチャーズは、「TAM/SAM/SOM の定義自体が曖昧で、シード期では使いづらい」とはっきり書いています（Genesia Ventures: シード期の市場規模）。同社は代替として「独占可能性」「拡張性の現実性」「経営チームの志」を重視する立場を取っており、TAM の絶対値そのものは判断材料の一部としてしか使わないという方針です。

こうした立場を紹介しておくのは、読者に「じゃあ計算しなくていいのか」と思ってほしいからではありません。むしろ逆で、計算プロセスを踏むこと自体には意味がある、と言いたいからです。

私が実感しているのは、TAM/SAM/SOM の計算は投資家に見せるためだけでなく、起業家が事業と市場のズレに自分で気づくための思考の道具だということです。トップダウンとボトムアップの両方で数字を出してみて、両者に大きなギャップが出たら、そこが自社の営業戦略や GTM プランの弱点になっている可能性があります。ジェネシア・ベンチャーズが指摘するように「絶対値そのもの」は当てにならなくても、計算の過程で見えてくる論点は投資家との対話で必ず活きます。

この記事の実演の見取り図

ここから先のセクションでは、日本の中小企業向け請求書 AI SaaS「サンプル社」を題材に、TAM/SAM/SOM の計算を最初から最後まで実演していきます。想定価格は月1万円（年12万円）、プロダクトは請求書の PDF を読み込ませると仕訳の下書きまで作ってくれるサービスです。

セクション2ではトップダウンで、日本の中小企業357万社を起点にして TAM 4,284億円、SAM 720億円、SOM 7.2億円 ARR まで積み上げます。セクション3ではボトムアップで、営業5名の体制から3,600万円 ARR、3年累積で8,784万円 ARR を積みます。トップダウンの SOM とボトムアップの積み上げに大きなギャップが出ますが、そのギャップこそが投資家との対話の入り口になります。

セクション4では ChatGPT Deep Research と Perplexity Deep Research をどう使うか、どこから人間の仕事として引き取るかを整理します。セクション5では、TAM を膨らませすぎる、SAM の絞り込みが甘いなどの典型的な失敗パターン5つを潰し、SmartHR が労務管理から人材マネジメントへ TAM を再定義した参考例、そして継続的なリサーチの伴走ツールとして Snorbe を新しい選択肢に置いていきます。

トップダウン計算の実演｜請求書AI SaaSで357万社から7.2億円まで

このセクションでは、日本の中小企業向け請求書 AI SaaS「サンプル社」を題材に、政府統計から絞り込んでいくトップダウン計算を実演します。トップダウンは、業界のマクロデータから始めて対象顧客に絞り込むアプローチで、投資家が反論しづらい出典を組み込みやすいのが強みです。

題材：中小企業向け請求書AI SaaS「サンプル社」

想像してみてください。サンプル社は、請求書の PDF を読み込ませると仕訳の下書きまで作ってくれる中小企業向けの SaaS を提供しています。プランは月1万円のみのシンプルな料金体系で、年間契約に直すと1顧客あたり年12万円になります。

ターゲットは日本の中小企業。ただし、経理担当者がいて、月に10件以上の請求書を扱っている規模感の会社を想定しています。個人事業主や、経営者が経理も兼務している超零細企業は対象外です。

この事業設定で、トップダウン計算を回してみます。

STEP 1: 日本の中小企業357万社からTAMを出す

まず日本の中小企業の総数を調べます。中小企業庁が毎年発行している中小企業白書によると、日本の中小企業は約357万社です（中小企業庁: 中小企業白書）。

全社が顧客になったと仮定すると、TAM の計算は次のようになります。

• TAM = 357万社 × 年12万円 = 4,284億円

「日本の中小企業向け請求書 AI SaaS 市場は理論値で4,284億円」という数字が最初に置ける数字です。ここでのポイントは、TAM は「実際に売れる金額」ではなく「理論上の上限」だと明確に言い切ることです。全社がサンプル社の顧客になることは当然ありえませんが、市場の広さを最初に決めておかないと、そもそも事業の天井が見えません。

STEP 2: 従業員5〜100名のSMBに絞ってSAMを出す

357万社全部が現実の顧客候補ではないので、次に SAM の絞り込みに入ります。サンプル社が実際に営業できるのは、経理担当者がいて請求書を月10件以上扱うゾーンだと決めました。この条件だと、従業員5〜100名の中小企業がボリュームゾーンになります。

• 従業員1〜4名は経営者が経理も兼務することが多く、月契約1万円の SaaS を継続導入するモチベーションが薄い
• 従業員300名を超えると内部統制の要件でオンプレの会計システムと結合したくなるので、汎用の請求書 AI SaaS では要件が足りない
• 100〜300名は要件次第で入りますが、初期セグメントとしては読みが揺れるので保守的に外す

こうした条件で日本の中小企業を絞り込むと、総務省の経済センサスなどから約60万社と読める規模になります。

• SAM = 60万社 × 年12万円 = 720億円

TAM 4,284億円から SAM 720億円へ、約6分の1に絞り込みました。この絞り込みに理由を書けているかどうかが、投資家との対話で問われる部分です。「なぜ従業員5〜100名か」「なぜ100〜300名を外したか」に、具体的な根拠を答えられるように準備しておく必要があります。

STEP 3: 直近3年で1%獲得を目標にSOMを出す

最後に SOM です。直近3年で SAM の1%を取ると仮定します。1%という数字は「同カテゴリの先行 SaaS が3年で0.8〜1.2%程度を取っていた」といった実績値から選ぶのが定石です。競合の IR 資料や、業界メディアの導入社数記事から拾えます。

• SOM = 720億円 × 1% = 7.2億円 ARR

サンプル社が3年目に到達したい ARR は7.2億円、と読み替えられます。投資家に見せるときは、「3年で ARR 7.2億円は、SAM 720億円のうち1%取る前提です」と絞り込みのロジックを最初に見せることで、数字を鵜呑みされる余地を減らせます。

絞り込みの理由を各ステップで書けていると、投資家からの問いに1問1答で返せる状態になります。「なぜ1%なのか」に対して、「同カテゴリの先行 SaaS が3年で0.8%取っていたから」「営業10名で年間300社の商談を積める前提だから」のように具体で答えられれば、市場の理解の深さが伝わります。

海外SaaSのトップダウン計算例

トップダウン計算は日本市場に限らず、海外 SaaS のピッチデックでも定番です。Waveup の分析では、世界の B2B SaaS 企業450,000社に年間契約 $24,000 を掛けて TAM $10.8B を出し、米国内85,000社に絞って SAM $2.04B、3年で2%獲得の SOM $40.8M という積み上げが紹介されています（Waveup: TAM, SAM, SOM 2026）。

構造は日本の SMB 事例と同じです。マクロの企業数 × 単価で TAM を出し、地域とセグメントで SAM を絞り込み、営業と競合の実態でシェア率を仮定して SOM を出す。桁は違っても、絞り込みの理由付けを1つずつ言葉にするという作業は同じです（ICanPitch: SaaS Market Size in Pitch Decks）。

トップダウンの強みと弱み

トップダウンの強みは、政府統計や業界レポートといった権威ある出典を組み込めることです。「日本の中小企業357万社」は中小企業庁のデータなので、投資家がその数字自体を疑うことはありません。マクロデータの信頼性を借りて、TAM の説得力を担保できます。

一方で、トップダウンには「事業実態からの乖離」という弱みがあります。たとえば「日本の広告市場は約7兆円だからうちの TAM は7兆円です」と書いても、投資家に響きません。特定業界のクリエイティブ検証ツールを作っている会社が、広告市場の7兆円全体を TAM に置いてしまうと、「その7兆円のうち、あなたのプロダクトが本当に代替できる部分はどこですか」と即座に返されるからです。

原健一郎氏の note に印象的な例が出ています。医療産業は日本で43兆円という巨大産業ですが、クリニック向け SaaS の実市場は「月1万円 × 10万施設で約120億円」だそうです（原健一郎: マーケット論）。同じ「医療 SaaS」でも、事業のビジネスモデルの取り方で市場規模が3〜4桁変わってしまうという実例です。TAM を膨らませたい誘惑の前に、こういう桁違いの例を思い出すと踏みとどまれます。

だからこそ、トップダウン単体で完結させるのは危険です。次のセクションでは、事業実態からの積み上げであるボトムアップ計算を並行して走らせて、両者を突き合わせる方法を実演します。

ボトムアップ計算の実演｜営業5名から3,600万円が積み上がるまで

トップダウンだけだと、事業の実態と数字が離れやすくなります。そこで並行してボトムアップも走らせます。ボトムアップは、営業チーム・成約率・単価といった事業の中身から積み上げる方法で、SAM と SOM のリアリティを担保する役割を持ちます。このセクションでは、サンプル社のボトムアップ計算を、営業5名の体制から3年後の ARR 8,784万円まで実演します。

ボトムアップの基本式

ボトムアップの基本式はシンプルです。エリマケ！の解説では、次の1行で表現されています（エリマケ！: TAM SAM SOM の計算方法）。

• TAM = 潜在顧客数 × 平均顧客単価

この式に対して、事業のフェーズに応じて「営業体制」「成約率」「継続率」を掛け合わせていくのがボトムアップの実践形です。SAM の絞り込みが妥当かどうかを事業の内側から検算できる、というのが本質的な価値になります。

サンプル社のボトムアップ計算：営業5名からスタート

サンプル社のシリーズ A 直前を想定して、営業チームは5名まで拡大したところだとします。1人あたり月10社にアプローチできて、成約率が5%と仮定します。この仮定に対して、平均契約単価は前セクションで置いた年12万円です。

• 5名 × 12ヶ月 × 10社/月 × 5%（成約率） = 300社/年（新規契約数）
• 300社 × 年12万円 = 3,600万円/年（新規 ARR）

営業体制から積み上げると、初年度の新規 ARR は3,600万円です。ここで注意したいのは、この3,600万円は「初年度に新規契約した顧客の年間 ARR」であって、事業全体の売上ではないことです。2年目に入れば、初年度に契約した顧客が継続してくれる分と、新しく契約する分の両方が積み上がります。

3年累積の計算：顧客残存率80%を仮定する

継続率を仮定して、3年目時点の ARR を積み上げてみます。SaaS 業界で健全とされる顧客残存率は年80%あたりが1つの基準になるので、この数字で計算します。

• 1年目末：初年度契約300社 → ARR 3,600万円
• 2年目末：初年度契約が80%残存（240社）+ 新規300社 = 540社 → ARR 6,480万円
• 3年目末：初年度残存192社（80%×80%）+ 2年目残存240社 + 新規300社 = 732社 → ARR 8,784万円

3年目の ARR は約8,784万円、社数で約732社という積み上げになります。式で書くと次のようになります。

• 3年目 ARR = 3,600万円 × (1 + 0.8 + 0.8²) = 3,600万円 × 2.44 ≒ 8,784万円

営業5名という現実的な体制からスタートして、3年目に ARR 8,784万円まで積める、というのがボトムアップの計算結果です。

トップダウンSOMとの8倍ギャップは対話の入り口

前セクションのトップダウン計算では、SOM を7.2億円と置きました。今回のボトムアップの積み上げは8,784万円です。両者には約8倍のギャップがあります。

このギャップこそが、投資家との対話の入り口になります。投資家の立場からすると、次のような問いが自然に生まれます。

• ボトムアップの積み上げに対して SOM が8倍あるということは、営業組織を10倍に拡大する前提ですか
• それとも、インバウンドマーケティングで営業効率を10倍にする施策を持っていますか
• パートナー経由で商談を増やす戦略があるなら、そのパイプラインは組めていますか

サンプル社の起業家がここに答えられれば、投資家との対話は前に進みます。答えられないと、SOM 7.2億円という数字が「絵に描いた餅」として扱われることになります。

私が実感しているのは、ボトムアップとトップダウンにギャップが出るのは自然だということです。両者が一致していると、逆に「都合よく調整した数字だな」と勘ぐられます。ギャップがあるからこそ、そのギャップを埋める戦略について投資家と議論できるわけです。

海外SaaSのボトムアップSOM例

海外 SaaS でも、ボトムアップの SOM 計算は同じ構造で書かれています。Waveup のブログでは、次のような例が紹介されています（Waveup: TAM, SAM, SOM 2026）。

• 営業5人 × 各15件/年 × ACV $60,000 = ARR $4.5M

営業体制、1人あたりの成約数、年間契約単価の3つを掛け合わせるという構造は、サンプル社の計算と同じです。数字の桁は違っても、事業の内側から積み上げるという考え方は変わりません。

トップダウン×ボトムアップの併用が定石

VC 説明の資料としては、トップダウンで「業界のマクロデータをちゃんと理解している」ことを示し、ボトムアップで「事業を回す実感を持っている」ことを同時に示すのが定石になります（ICanPitch: SaaS Market Size in Pitch Decks）。

具体的にはピッチ資料の見せ方として、次のような順序が読みやすいと言われています。

1. TAM をマクロデータから提示（357万社×12万円=4,284億円）
2. SAM を絞り込みロジック付きで提示（60万社×12万円=720億円）
3. SOM をトップダウンとボトムアップの2枚並べて提示（7.2億円 vs 8,784万円）
4. 両者のギャップを埋める戦略を1枚で説明（営業拡大 or インバウンド強化）

この構成にすると、「TAM の絶対値」ではなく「絞り込みの論理と現地感」が主役になります。投資家が本当に見たいのはこちらなので、資料の見せ方でもトップダウンとボトムアップを並列に置くのが有効です。

ボトムアップの弱み：潜在顧客数の推定が甘いと崩れる

ボトムアップの弱みは、営業体制や成約率の仮定がずれると、積み上げ全体が崩れることです。「成約率5%」は事業実態からの仮定ですが、まだプロダクトを売っていないシード期の会社では、この数字自体が仮説になります。

サンプル社のケースでも、成約率5%が仮に3%になれば新規 ARR は2,160万円、逆に7%なら5,040万円になります。営業組織の生産性は経験を積んで初めて実データが取れるので、シリーズ A 前のフェーズではボトムアップの数字も「幅を持たせて」提示する方が誠実です。

私がおすすめするのは、営業組織の指標を「保守・標準・強気」の3パターンで並べて出すことです。保守シナリオで成約率3%・アプローチ月8社、強気シナリオで成約率7%・月12社、といった形でレンジを見せると、投資家が事業の勝ち筋を評価しやすくなります。

次のセクションでは、こうした計算を AI Deep Research にどこまで手伝ってもらえるのか、どこから人間の仕事として残るのかを整理していきます。

AIに手伝ってもらうワークフロー｜ChatGPT・Perplexity・Deep Researchの役割分担

TAM/SAM/SOM の計算は、生成 AI の Deep Research 機能が普及した2025〜2026年に、リサーチ工程だけを見れば劇的に短縮できるようになりました。ジュニアアナリストが2〜3日かけていた作業を、ChatGPT の Deep Research が2〜5分で下書きしてくれます（SaaS Hackers: How to Use ChatGPT Deep Research for Market Sizing）。このセクションでは、AI にどこまで手伝ってもらって、どこから人間の仕事として引き取るかを実演ベースで整理します。

Deep Researchで一次案を作る流れ

私が使っているのは、ChatGPT Deep Research と Gemini Deep Research、そして Perplexity Deep Research の3つです。それぞれ得意領域は少しずつ違いますが、TAM/SAM/SOM の一次案を作らせるという用途では、どれも似た使い方ができます（株式会社WeBridge: Deep Research とは、マネーフォワードクラウド: ChatGPT Deep Research）。

Deep Research の共通の特徴は次の3点です。

• 複数の Web ソースを横断的に読んで、市場規模・成長率・主要プレイヤー・価格帯を同時に洗い出せる
• 政府統計や業界レポートの引用元候補まで、レポートに脚注として付けてくれる
• ターゲット顧客の粒度を細かく指定すると、その粒度に合わせて一次案を作ってくれる

サンプル社の例で言えば、「日本の中小企業向け請求書 AI SaaS の TAM/SAM/SOM を、従業員規模別に分けて算出してください」と投げると、5分ほどで357万社の内訳や、既存の会計ソフト市場との比較まで拾ってきてくれます。

プロンプトの型：3つの要素を必ず入れる

Deep Research にきちんと働いてもらうには、プロンプトの構造化が効きます。私が使っているのは次の3要素を毎回入れる型です。

• ターゲット顧客のプロファイル（企業規模・業種・地理）
• 価格モデルの仮定（月額・年額・単価レンジ）
• データソース・仮定・計算結果を段階別に提示せよ、という指示

たとえばサンプル社の TAM 一次案を作るなら、こんな形になります。

「2026年の日本における中小企業向け請求書 AI SaaS の市場規模について、TAM/SAM/SOM を段階別に算出してください。ターゲットは従業員5〜100名の中小企業、想定単価は月1万円です。データソースを明示し、仮定と計算結果を分けて提示してください。」

このプロンプトを投げると、政府統計や業界レポートの引用付きで、TAM・SAM・SOM が段階別に返ってきます。私が実際に試した範囲では、Deep Research の返してくる TAM の桁は、自分で計算した4,284億円とほぼ同じレンジでした。桁を大きく外すことは少ない印象です。

3要素のうち、特に効くのが「段階別提示」の指示です。これを入れないと、AI が最終数字だけを断定的に返してきて、途中の仮定が見えなくなります。段階別で出してもらうと、AI が置いた仮定を人間が1つずつ検証できるので、レポートの使い勝手が大きく変わります。

AIレポートを受け取ったあと、人間が引き取るべき3つの領域

Deep Research の返してきたレポートは一次案としては優秀ですが、そのまま投資家に見せる資料に転用するのは危険です。人間が引き取らないといけない領域が3つあります。

領域1: 引用ハルシネーションの検証

Deep Research 系の AI は、まだ引用ハルシネーションを完全には潰せていません。SaaS Hackers の解説記事でも、「Deep Research の出力は必ず全出典を独立に検証せよ」と釘を刺されています（SaaS Hackers: How to Use ChatGPT Deep Research for Market Sizing）。

私自身も何度か経験がありますが、AI が返してきたレポートの脚注リンクを開いてみたら、該当データがそのページに存在しない、というケースはいまでも起きます。特に、業界レポートの数字を引用しているように見えて、実は関連するブログ記事へのリンクだけが貼られていて、その記事にはその数字が書かれていない、というパターンが多いです。

対策はシンプルで、レポートに書かれた数字は、脚注リンクを1つずつクリックして人間が確認する、というルールを決めておくことです。10個の脚注があれば10回クリックします。これを面倒がると、投資家に指摘されて信頼を失う場面につながります。

領域2: ペイウォール裏のデータ

矢野経済研究所や富士キメラ総研の有償レポート、Gartner や Forrester のペイウォール裏のデータには、AI は基本的にアクセスできません。日本市場の細かいセグメント別データが必要な事業では、これが致命的なギャップになることがあります。

有償レポートは1本1〜10万円台と決して安くはありませんが、投資家に効くカードとして買う価値はあります。特に、業界特化型の SaaS を作っている会社なら、対象業界のフルレポートは持っていて損はしません。矢野経済研究所や富士キメラ総研のレポートを引用元に置くと、投資家が「業界を理解している」と受け取ってくれる効果もあります。

有償レポートを買わない選択をするなら、代わりに一次情報にあたる姿勢を強めにする必要があります。中小企業庁の白書、e-Stat の経済センサス、業界団体のプレスリリース、上場企業の IR 資料など、無料で手に入る一次情報を徹底的に拾うことで、AI レポートの弱みを補完できます。

領域3: SOMのリアリティ判定

3つの中で最も重要なのが、SOM のリアリティ判定です。SOM は「自社が3年で取れる」の見立てなので、営業チームの規模、パイプライン、競合との差別化、意思決定者との現地感が前提になります。AI はここに触れることができません。

前セクションで作ったサンプル社のボトムアップ計算（営業5名 × 月10社 × 成約率5%）が妥当かどうかは、その業界を歩いてきた起業家自身にしか判断できません。同じ「中小企業向け SaaS」でも、経理領域と人事領域では意思決定者が違い、商談サイクルも違います。「営業5名で年間300社の商談を積める」という仮定の妥当性は、実際に営業を回している人間だけが答えられる問いです。

私が起業家仲間と話していて感じるのは、AI Deep Research を使いこなしている人ほど、SOM のリアリティ判定に自分の時間を集中させているということです。トップダウンの数字集めは AI に任せて、SOM の仮説を磨く時間を確保する、というのがいまの標準的な使い方になっている気がします。

AIレポートを一次案として受け取り、投資家資料に育てる流れ

サンプル社の例で、実際のワークフローを整理してみます。

1. Deep Research に「日本の中小企業向け請求書 AI SaaS の TAM/SAM/SOM を段階別に算出してください」と投げる
2. 返ってきたレポートの脚注を1つずつ確認し、リンク切れ・データ不一致がないかチェック
3. TAM と SAM の数字を、中小企業庁の白書や e-Stat の経済センサスから自分でも独立に計算して突き合わせる
4. SOM のリアリティ判定は AI レポートを参考にせず、自社の営業体制・パイプライン・競合状況から独立に組み立てる
5. トップダウンとボトムアップの両方の数字を、ギャップの説明と一緒に投資家資料に落とし込む

この流れで進めると、Deep Research が2〜5分で下書きしてくれる部分と、人間が数日かけて磨く部分がきれいに分かれます。以前は全部を人間がやっていたので、市場調査だけで週単位の時間がかかっていましたが、いまは半分以下の時間で同じかそれ以上の質のレポートを出せる感覚があります。

こうして数字は出せるようになりました。しかし、その数字を投資家の前でどう説明するかは AI が教えてくれない領域として残っています。次のセクションでは、投資家に評価を下げられる典型的な失敗パターン5つを見ながら、TAM/SAM/SOM の使い方を仕上げていきます。

よくある失敗5パターン・SmartHRのTAM拡張・Snorbeという新しい選択肢

ここまでトップダウンとボトムアップの実演、AI Deep Research との役割分担を見てきました。最後のセクションでは、投資家に評価を下げられる典型的な失敗パターンを5つ潰し、TAM を「固定値」ではなく「拡張していく仮説」として扱う SmartHR の事例、そして継続的なリサーチの伴走ツールとして Snorbe を新しい選択肢に置いていきます。

失敗1: TAMを膨らませすぎる

一番よく見るのが、TAM の桁を膨らませすぎるパターンです。「世界の広告市場70兆円が TAM です」「日本の医療産業43兆円が TAM です」と書いてある提案書は、経験豊富な投資家に一瞬で見抜かれます。「その70兆円のうち、あなたのプロダクトが本当に代替できる部分はどこですか」と即座に返されるだけで、その事業計画は「関連性の薄い巨大数字を借りてきた文書」として扱われることになります（norosi press: TAM SAM SOMの計算方法、株式会社シナプス: TAM・SAM・SOM とは）。

原健一郎氏の note に印象的な例が挙がっています。医療産業は日本で43兆円という巨大産業ですが、クリニック向け SaaS の実市場は月1万円 × 10万施設で約120億円だそうです（原健一郎: スタートアップのマーケット論その1）。桁が3〜4個違います。事業のビジネスモデルの取り方で市場規模がこれだけ変わるという事実は、TAM を膨らませたい誘惑の前に思い出したい話です。

対策は、TAM を「自社のプロダクトが代替する既存業務の総額」に置き換えることです。「日本の広告市場70兆円」ではなく「日本の広告代理店が提案書作成に投じている人件費の総額」のように、自社が本当に代替する範囲に絞ると、桁は下がりますが説得力が上がります。

失敗2: SAMの絞り込みが甘い

2つ目は、SAM の絞り込みが甘いパターンです。「うちのプロダクトは全業種に売れます」と書いてしまうと、SAM が TAM とほぼ同じ数字になり、絞り込みの意思が読み取れません。事業初期の SAM は思い切って狭く取ったほうが、投資家との対話が深くなります。

サンプル社の例で言えば、「日本の全中小企業357万社」を SAM にしてしまうと、TAM = SAM = 4,284億円になります。これは絞り込みができていない状態です。「従業員5〜100名で経理担当者がいる会社」に絞って60万社まで下げることで、初めて SAM としての意味を持ちます。

絞り込みの基準としてよく使われるのは、地域・言語・業種・企業規模・意思決定サイクルの5つです。少なくとも1つは強く絞る、というルールを自分に課すと、SAM が TAM と同じ大きさになる事故を避けられます。

失敗3: 二重カウント

3つ目は、複数の市場カテゴリで同じ顧客を計上してしまう二重カウントです。BPO 市場とバックオフィス SaaS 市場のような、対象顧客が重複している市場カテゴリを単純合算すると、TAM が実態以上に膨らみます（norosi press）。

AI Deep Research が下書きしたレポートに複数市場が並んでいるときは、特にこの二重カウントに気をつけたほうがいいです。AI は「関連する市場を全部集めてきて合算する」動きをすることがあり、その合算結果を人間が確認せずに使うと、桁が膨らんだ状態のまま投資家に見せる事故につながります。

対策は、レポート上の「複数市場の合算」に対して、「同じ顧客が両方でカウントされていないか」を必ずチェックすることです。BPO と SaaS のような重複領域では、代表企業を10社ほど挙げて、そのうち何社が両方の市場に含まれているかを目視で確認する、というのが実務的な方法です。

失敗4: SOMの楽観設定

4つ目は、SOM の楽観設定です。「3年で市場シェア10%獲得」といった根拠のない目標は、投資家に非現実的と判断されます。Waveup の分析では、成功した SaaS でも5〜7年で市場の1〜5%を取るのが現実的だと指摘されています（Waveup: TAM, SAM, SOM 2026）。

サンプル社の例では、SOM を「3年で SAM の1%」と置きました。1%という数字は「同カテゴリの先行 SaaS の実績値から選んでいる」という根拠がある数字です。ここを何の根拠もなく5%や10%に上げると、SOM 36億円などの数字が出てきますが、投資家に「どうやってそのシェアを取るのですか」と聞かれた瞬間に答えられなくなります。

対策は、SOM の目標シェアに対して「同カテゴリの先行 SaaS が同じフェーズで取っていた実績値」を引用することです。競合の IR 資料、業界メディアの導入社数記事、上場企業の四半期報告書などから拾える数字を根拠にすると、シェア目標に厚みが出ます。

失敗5: 精緻に計算して間違える

5つ目は、精緻に計算しすぎて逆に大きく間違えるパターンです。原健一郎氏の note でも取り上げられていますが、McKinsey が1980年代に AT&T と行った携帯電話市場予測は「1999年末に90万台」でした。実際の1999年末の台数は「1億900万台」だったそうです（原健一郎: スタートアップのマーケット論その1）。約120倍の外し方です。

このエピソードから読み取れるのは、市場規模の予測は「ざっくり正しい」の解像度でよくて、そこから先の時間は事業の勝ち筋を磨くほうに使うべきだ、という示唆です。TAM の小数点第一位まで詰める作業に何日も使うより、SOM のリアリティ判定と GTM プランに時間を投じるほうが投資家との対話は前に進みます。

私自身も、初めて TAM/SAM/SOM を計算したときは Excel で細かい数字を詰めることに時間を使いすぎました。振り返って思うのは、投資家との実際の議論で使われるのは「桁の大きさ」と「絞り込みの理由」で、小数点以下の精度はほとんど使われないということです。McKinsey の例は、その事実を鮮明に思い出させてくれます。

参考例：SmartHRが示した「TAMは自分で拡張していくもの」

失敗パターンを潰したうえで、もう1つ持っておきたい視点があります。TAM を固定値と考えるのをやめると、投資家との会話が変わります。

SmartHR は初期に「日本の中小企業向け労務管理クラウド」の TAM で戦い、そこでシェア No.1（2018年から7年連続、2025年時点で登録7万社超）を取りました（SmartHR プレスリリース 2025年4月18日）。労務管理システム市場は SaaS 型で2023年時点約3,769億円、2025年予測5,119億円と2桁成長中で、SmartHR はこの分野で12.77%のシェアを持っています（BOXIL: 労務管理システムのシェア・市場規模）。

面白いのはここからです。SmartHR は労務管理でシェア No.1 を取ったあと、タレントマネジメントなど隣接領域に拡張して TAM を再定義していきました（Coral Capital: SmartHR ARR1000億円の勝ち筋）。労務管理という TAM の中でシェアを積んで、そのユーザー基盤を武器に隣接領域の TAM を新しく取りに行く、というマルチプロダクト戦略です。

ここから学べるのは、TAM は「調べて出す固定数字」ではなく、「事業が育ったときに再定義していく仮説」だということです。初期の TAM を控えめに書いても、隣接領域への拡張ストーリーを添えて出せば、投資家との対話は前向きになります。「今の TAM は720億円ですが、労務管理からタレントマネジメントへ拡張する経路が見えたら TAM は3倍に伸びます」といった書き方ができれば、成長性の見せ方が一段深くなります。

Snorbeという新しい選択肢：継続リサーチの伴走ツール

TAM/SAM/SOM の計算は、事業が動くたびに書き換わります。競合が現れたり、規制が変わったり、AI で価格が10分の1になったり。都度リサーチを回して、市場規模を積み直す作業が発生します。

ここで、私がSnorbeというリサーチエージェントを新しい選択肢として持っています。ChatGPT Deep Research や Gemini Deep Research が「一発でレポートを返す」タイプのAIだとすると、Snorbe は過去のリサーチを記憶して、次のリサーチに継承していくタイプのエージェントです。

Deep Research 系との使い分けは、こんなイメージで整理しています。

• 単発の一次リサーチ（今すぐ TAM の一次案が欲しい）→ ChatGPT Deep Research や Perplexity Deep Research
• 事業の全体マップ（複数四半期をまたいで市場を追いかけたい）→ Snorbe
• 隣接領域の継続ウォッチ（SmartHR 的な拡張戦略の下準備）→ Snorbe

Snorbe を長期の思考パートナーとして横に置いておくと、以前の仮定と今回の仮定のズレに気づけたり、隣接市場を継続的にウォッチできたりします。市場規模を積む作業は、ワンショットのリサーチで終わらず、事業の成長に合わせて繰り返し積み直すものです。ここに、Deep Research 系とは別軸の武器を1本持っておくと、事業運営のリズムが変わってきます。

具体的には、初回のリサーチで作った TAM/SAM/SOM の前提を Snorbe に食わせておくと、次回のリサーチでは「前回の前提との差分」を優先して調べてくれます。「あのとき720億円で置いた SAM は、いま800億円になっていないか」「競合の新規参入で SOM のシェア想定は変わっていないか」といった継続的な問いに、ナレッジグラフを更新しながら答えてくれるイメージです。

Deep Research 系のAIとは競合ではなく、別軸の武器として使い分けるのが実践的です。

締め：TAM SAM SOMは事業と市場の対話ツール

TAM/SAM/SOM の計算は、Excel を叩くだけの作業ではありません。事業と市場の接点を、起業家が自分の言葉で語れるようにするための思考の道具です。

投資家に「うちの TAM は100兆円です」と言えば通用しなくなった時代に、必要になったのは「357万社を60万社に絞る理由」と「営業5名で年間300社を回せる根拠」を積み上げていく作業です。トップダウンとボトムアップの両方を実際に手を動かして計算してみて、8倍のギャップに気づいたら、そこが投資家との対話の入り口になります。

もし「AI が返してきた数字をコピペで貼っていた」段階で止まっているなら、まず1事業だけでいいので、トップダウンとボトムアップの両方を自分の手で計算してみてください。事業と市場のズレが見えたら、それを埋める戦略を Snorbe のようなツールに継続的に追いかけてもらう。そういう組み合わせが、いまの市場規模の積み上げの現実的な運用になっている気がします。

よくある質問

Q1. TAM/SAM/SOM のどれから計算し始めればいいですか？

トップダウンで TAM から入り、SAM に絞り込んで、そこからボトムアップで SOM を積み上げるのが基本形です。TAM を先に置くと市場の天井が見えて、SAM に絞り込むときの理由付けの深さが決まります。ボトムアップは営業体制や成約率という事業の内側からの積み上げなので、SAM の妥当性を検算する役割を持ちます。両方を出したうえで、トップダウンの SOM とボトムアップの積み上げの差分を投資家との対話の起点にします。

Q2. AI Deep Research が出した TAM の数字は信じて使っていいですか？

一次案としては使えますが、そのまま投資家資料に転用するのは危険です。SaaS Hackers の解説でも「Deep Research の出力は必ず全出典を独立に検証せよ」と釘を刺されています。私自身、脚注リンクを開いたら該当データがそのページに存在しないケースを何度も経験しています。数字は脚注リンクを1つずつクリックして人間が確認する、というルールを決めておくのが安全です。加えて、矢野経済研究所や富士キメラ総研のペイウォール裏データには AI はアクセスできないので、細かいセグメント別データが必要な事業では有償レポートを買う判断も必要になります。

Q3. ジェネシア・ベンチャーズが「シード期では使いづらい」と言うのに、なぜ計算するのですか？

投資家に見せる数字としての価値は限定的ですが、起業家が事業と市場のズレに気づくための思考の道具としては意味があります。ジェネシア・ベンチャーズは代替として「独占可能性」「拡張性の現実性」「経営チームの志」を挙げていますが、これらは TAM/SAM/SOM を実際に計算してみたあとに、より深く答えられるようになる問いでもあります。計算プロセスを踏まないと、事業と市場のズレを起業家自身が気づけないので、投資家に見せる目的でなくとも自分のために計算する価値があります。

Q4. SAM の絞り込みが甘いと言われたとき、どこから直せばいいですか？

地域・言語・業種・企業規模・意思決定サイクルの5つのうち、少なくとも1つを強く絞ることから始めます。「うちのプロダクトは全業種に売れます」型は、SAM が TAM と同じ大きさになってしまい、絞り込みの意思が読み取れません。事業初期は思い切って狭く取ったほうが、投資家との対話は深くなります。サンプル社の例で言えば、「日本の全中小企業357万社」ではなく「従業員5〜100名で経理担当者がいる60万社」に絞ることで、営業体制や意思決定サイクルの議論につながっていきます。

Q5. トップダウンとボトムアップに大きなギャップが出たら、どちらを採用しますか？

「どちらか」を選ぶのではなく、両方の数字を並べて投資家に見せるのが定石です。私が実感しているのは、ギャップがあることそのものは自然で、むしろ両者が一致していると「都合よく調整した数字だな」と勘ぐられることです。8倍のギャップがあるなら「営業組織を10倍に拡大する前提ですか、それともインバウンドで営業効率を10倍にする施策を持っていますか」という投資家との対話の入り口になります。ギャップを埋める戦略が語れれば、両方の数字を提示して構いません。

Q6. 有償の市場レポート（矢野経済研究所など）は買うべきですか？

業界特化型の SaaS を作っている会社なら、対象業界のフルレポートは持っていて損はしません。1本1〜10万円台と決して安くはありませんが、AI がアクセスできないペイウォール裏のデータを使えるのは実務上の強みになります。矢野経済研究所や富士キメラ総研のレポートを引用元に置くと、投資家に「業界を理解している」と受け取ってもらえる効果もあります。買わない選択をするなら、代わりに中小企業庁の白書やe-Stat の経済センサス、業界団体のプレスリリース、上場企業の IR 資料などの一次情報を徹底的に拾う姿勢が必要です。

Q7. Snorbe と ChatGPT Deep Research は何が違うのですか？

ChatGPT Deep Research は「一発でレポートを返す」タイプのAIで、単発の一次リサーチに向いています。Snorbeは、過去のリサーチを記憶して次のリサーチに継承していくタイプのエージェントで、事業の全体マップを継続的に育てる用途に向いています。市場規模の計算は、初回で完成するものではなく、事業が動くたびに書き換わるものなので、Snorbe のように前回の前提との差分を優先して調べてくれるツールを長期の思考パートナーとして横に置いておくと便利です。両者は競合ではなく、単発リサーチはChatGPTやPerplexity、事業の全体マップは Snorbe、という別軸の武器として使い分けるイメージです。