なぜ化学産業は実は分子を売っていないのか？

分子は、いずれコモディティになるからである。

特許が失効した瞬間、その合成経路は公開される——誰でも、どこにいても、合法的にそれを入手できる。分子構造、試薬、触媒、収率——欠けている情報は何もない。

それでも20年後、その分子を実際に確実に製造できる企業の数は、依然としてごくわずかであることが多い。

分子そのものが希少でないとすれば、化学産業は一体何に対して対価を得ているのか。

他社が挑戦しなかったわけではない。多くの企業が公開された経路をそのまま実行し、製品を得た。ただし、それは信頼できる製品でも、安価な製品でも、その経路が謳う収率を実現したものでもなかった。

以下では、その能力のうち、お金では買えない部分がどこにあるのかを、4つの層に分けて辿っていく。

第一の層：経路は公開できても、プロセスは公開できない

多くの人がこの謎に対して最初に抱く反応は、誰かが意図的に何かを隠した、というものだ。しかし、実際の理由はもっと単純であることが多い——特許は、その方法がその分子を「製造できる」ことを証明すればよいだけであり、その方法がプラントで確実に稼働することまで証明する必要はない。

特許の法的要件はenablement（実施可能性）であって、商業化可能性ではない。生産run（生産バッチ）の成否を実際に左右する運用上の詳細——正確な添加順序、温度制御の幅、撹拌条件、後処理と単離の条件、設備洗浄バリデーション——は、通常、特許の実施例の中では大まかにしか記載されておらず、商業スケールの収率を再現するために必要な水準にはほど遠い[C]。業界では一般に、これを意図的な二層戦略として捉えている——特許は、権利化され、かつクレームされた経路の直接的な模倣を阻止するのに必要な最低限の情報だけを開示し、商業収率で実際に稼働させるための運用上の詳細は営業秘密として封じ込められたままになる[C]。

規制当局は、どんな競争戦略よりも直接的にこの点を突いている。医薬品開発に関するICHのQ8(R2)ガイドラインは明確である——デザインスペース、重要工程パラメータ、文書化された管理戦略など、自社の製造プロセスについてより深い理解を示せる企業は、製品が規格に適合していることしか示せない企業よりも、大きな規制上の柔軟性を得られる[B]。規制当局でさえ、「プロセスを理解していること」を、「その分子を製造できること」とは別個の、独立して審査されうる能力として扱っているのである。プロセスそのものが、規制の対象なのだ。

ここで話が終わるなら、本当の秘密は「プロセスを知っていること」だけになる。しかし、話はここで終わらない。

第二の層：プロセスを手にしても、スケールアップは失敗しうる

実験室は、ある反応が起こりうることを証明する。プラントは、それが毎日確実に起こることを証明する——そしてこのステップは、直感が示唆するようにはスケールしない。たとえ合法的にその経路をすべて手にしている企業であってもだ。

最も分かりやすい例は熱移動である。反応器の体積を同じ形状のまま1,000倍にスケールアップすると、その表面積——容器壁を通じて熱を逃がす能力——はわずか100倍にしか増えない[C]。発熱反応の場合、発熱量が反応器の放熱能力を上回ってしまい、これはまさに、実験室スケールの運転では見えてこない暴走反応リスクの条件である。

混合についても同じ論理が当てはまる。工業的な混合は、少なくとも3つの異なる、スケール依存的なメカニズムとして機能しており、化学工学者は少なくとも6つのスケールアップ基準を使い分けるが、それぞれが異なる答えを導きうる——実験室データからプラントスケールの挙動を確実に予測できる単一の公式など存在しない[C]。発泡、ファウリング、微量不純物の蓄積は、実験室ではきれいな結果が得られていたにもかかわらず、商業スケールで稼働して初めて表面化することが日常的に起きる[C]。

これは抽象的な工学上の論点ではない。ChemAboutは以前、OLEDリン光発光材料産業を取り上げた——その中核となる光物理学は20年以上前にNature誌に発表され、中核特許も長らくライセンス供与されてきた。それにもかかわらず、パネルメーカーのデバイス寿命認定を実際にクリアしてサプライチェーンに入り込める材料サプライヤーの数は、一桁台から低い二桁台にとどまり続けている[C]。経路もメカニズムも、20年以上前から公開されている。それでも、認定を通過できる企業の数はほとんど動いていない。

「プロセスを持っていること」と「確実に生産できること」の間には、工学分野そのものが丸ごと横たわっている。しかし、スケールアップを乗り越えた企業でさえ、さらに説明しづらい問題に直面する——同じ規格を満たす製品を売っている競合他社が、なぜそれでもより安く売れるのか、という問題である。

第三の層：スケールアップを終えても、なぜ競合の方が安いのか

これは、本稿全体の中で最も語られることが少なく、最も直感に反する層である。

23件の医薬品プロセス開発プロジェクトを対象とした研究によれば、効果的な学習の方法は、知識環境そのものによって異なる——基礎科学がよく理解されている化学ベースの医薬品プロセスでは、生産に踏み切る前に実験室での実験を重ねること（「行動する前に学ぶ」）が、より速い開発と結びついている。一方、技術が科学というより職人技に近いバイオテクノロジーベースのプロセスでは、実験室での実験を増やしても開発期間はまったく短縮されない——学習はプラントの現場で、実際の生産経験を通じてしか起こらない[A]。

より直接的な証拠は、37の化学製品を対象とした価格とコスト行動に関する先行研究から得られている。この研究は「強く一貫した学習効果」を発見した——製造コストは、単なる時間の関数としてではなく、累積生産量の関数として低下し、その効果の大きさは規模の経済の効果よりも大きかった。学習曲線の傾き——生産量が倍になるごとにコストがどれだけ速く下がるか——は、その製品がどれだけR&D集約的・資本集約的であるかによって異なった[A]。

プロセスは一度設計されて終わりではない。それはバッチを重ねる生産そのものを通じて、作り上げられていくものである。プロセスノウハウは、根本的には、累積生産によってしか育たない資産である——資金調達ラウンドでは買えず、初日から雇い入れることもできない。

規模の経済——より多く作れば、単位あたりのコストが下がる——は直感的であり、より大きなプラントを建設すれば再現できる。しかし、この研究結果はそれとは異なることを示している。同じ規模の2社を比べたとき、より早く始め、より長く稼働してきた企業の方が、規模だけでは説明できない分だけ、コストがより速く下がるのだ。その超過分の低下は、一回一回の生産runで解決されたあらゆる問題、調整されたあらゆるパラメータ、修正されたあらゆる異常の積み重ねから生まれる——そのどれ一つとして論文や特許に書き記されることはなく、すべてがその一社の内部の判断力の中に沈殿していく。

第四の層：AIは最初の3つの層を飛び越えられるか

最初の3つの層はすべて、同じことを語ってきた——経験である。プロセス開発は経験の上に成り立ち、スケールアップも経験の上に成り立ち、コスト低下も経験の上に成り立つ。ここで当然の疑問が浮かぶ——AIはそのすべてをショートカットできるのか。AIは経路を開示するために特許を必要とせず、すでに発表されたあらゆる論文を読むことができる。

答えはノーであり、その理由は、経営学者たちが何十年も使ってきた区別に行き着く——**形式知（codified knowledge）と暗黙知（tacit knowledge）**である。現在のAIが最も得意とするのは形式知——文書として書き記された知識——を学ぶことである。プラントが確実に、そして安価に稼働できるかどうかを左右しているのは、主に暗黙知——一度も文書化されたことのない知識——である。

AIが学べるものと、工場でしか学べないもの

McKinseyの化学産業に関する調査も、この見立てを裏付けている——生成AIは、多様なデータから仮説を生成し、個人の創造性を体系的なサポートで補強し、「暗黙知を組織的な優位性へと組み込む」ことによって、「競争環境を再構築している」と説明されている[C]。この言い回し自体が、暗黙知は依然として組み込まれる必要があるものであり、AIが単独で生成できるものではないことを暗に認めている。AIによる逆合成の研究も、化学者によるレビューを排除すべきステップとして扱うのではなく、化学者の判断力そのものをモデルに明示的に組み込む方向へと進んでいる[C]。先進的なコンピュータ支援合成計画ツールでさえ、査読を経て文書化された限界を抱えている——現在の逆合成モデルは、いくつかの実際の計画タスクに対しては「実用に耐えないほど遅い」[A]。

AIにできるのは、左側の列をより速く読むことだ。今のところ、右側の列を飛び越えられることを示唆するものは何もない。

4つの層を、端から端まで

公開された合成経路（特許失効とともに利用可能になる）
   ↓
プロセス開発（特許が決して明かさない部分）
   ↓
スケールアップ（独立した工学上の課題）
   ↓
暗黙的で累積的な組織の経験
   ↓
コスト、品質、信頼性——買い手が実際に感じる差

特許は、いずれ公開される。分子は、いずれ理解し尽くされる。合成経路は、いずれ模倣される。

構築に本当に10年、20年とかかっていたのは、分子そのものではなかった。

その分子を工業製品へと変える能力である。

ChemAbout Insight

ChemAboutが関心を持っているのは、ある化学物質が「何であるか」だけではない。

なぜ、それを何年にもわたって確実に作り続けられる企業がごく一握りしかいないのか、である。

特定のCAS番号の同義語、仕様、既知のサプライヤーを調べるには、ChemAboutの化合物データベースを直接検索できる。

Evidence Notes｜証拠ノート

[A] Academic（学術） 査読付き文献 · [B] Regulatory（規制） 公的な規制・標準ガイダンス · [C] Industry（業界） 業界紙、企業開示情報、コンサルティング・ベンダー分析。

Academic（学術）

• Pisano, G.P., "Knowledge, Integration, and the Locus of Learning: An Empirical Analysis of Process Development," Strategic Management Journal, 15 (Winter 1994): 85–100 — 23件の医薬品プロセス開発プロジェクトを対象とした研究。この知見は複数の独立した二次的要約によって裏付けられているが、原著論文はペイウォールの内側にあり、逐語的には確認していないため、本稿はこれを直接引用するのではなく要約にとどめている[A]。
• Lieberman, M.B., "The Learning Curve and Pricing in the Chemical Processing Industries," RAND Journal of Economics, 15(2), Summer 1984: 213–228 — 37の化学製品を対象とした研究。報告された知見は、同じ研究を要約したStanford GSBのワーキングペーパーによって確認された[A]。
• 現行の逆合成／コンピュータ支援合成計画モデルの実務上の速度制約について：PMC, "Investigations into the Efficiency of Computer-Aided Synthesis Planning"（検索要約により確認）[A]。

Regulatory（規制）

• ICH, "Q8(R2) Pharmaceutical Development" — EMAの科学的ガイドラインページから直接取得。ガイドラインのPDF全文は個別に解析していないため、直接引用する前に、正確な文言をICH原文と照合すべきである[B]。

Industry（業界）

• Tangibly、Mondaq（IP専門の業界・法務系メディア）——化学産業のIP戦略における特許と営業秘密の使い分けについて[C]。
• The Chemical Engineer（IChemE）, "Rules of Thumb: Scale-up" — 直接取得。熱移動面積のスケーリングの数値、および複数の、時に矛盾しあうスケールアップ基準についての記述の出典[C]。
• ChemAbout, "Why Can Only a Handful of Companies Make Top-Tier OLED Emitter Materials?" — リン光エレクトロルミネセンスが1998年にNature誌で発表されたこと、中核特許がPrinceton／USCチームを通じてライセンス供与されたこと、そして複数年に及ぶデバイス寿命認定がサプライヤー数を少数にとどめている理由であることは、いずれもその記事内ですでに検証済みの事実である。ここでは分野横断的な例として引用している[C]。
• McKinsey & Company, "How AI enables new possibilities in chemicals" — この引用は複数の独立した検索ソースにわたって一貫して裏付けられている。McKinsey自身のページはこの調査過程で直接取得できなかったため、最終公開前に再確認すべきである[C]。
• Microsoft Research, "Incorporating chemists' insight with AI models for single-step retrosynthesis prediction" — 現行のAIによる逆合成アプローチが、化学者の判断を迂回するのではなく、それを組み込むように設計されている理由について[C]。

本稿があえて主張していないこと

• 製造プロセスの違いだけに起因すると言える具体的な価格倍率について、検証可能な出典は見つからなかった。本稿ではそのような数値を一切引用していない。
• AI／デジタルツインベンダーのブログに見られる収率・効率の数値は、手法が非公開のマーケティング上の主張であり、本稿では引用していない。

本稿は2026年7月に調査・執筆された。上記で確度に関する留保が付されている出典（Pisano 1994、逆合成の効率に関する論文、McKinseyのAI記事）は、原文全体の直接確認ではなく、一貫した二次的要約を通じて検証されたものであり、逐語的に引用する前に一次資料と再照合すべきである。