ASML の強さを「暗黙知の独占」で説明する語り口は、かなり正しい。だが、それだけで止めると、AI 時代にいちばん重要な問いを落とす。暗黙知は本当に剥がされないのか。それとも、剥がされる暗黙知と剥がされにくい暗黙知に分かれるのか。
この記事の論点は後者です。ASML を、AI に剥がされにくい暗黙知の物理プロトタイプとして読む。境界線は「言語化されているか」ではなく、観察可能性、反復可能性、失敗コストの組み合わせにある。文章・コード・ラベル付けのような情報系の知識は、観察と反復を低コストで回せるから剥がされやすい。一方、EUV 装置の擦り合わせは、観察できる範囲が狭く、反復が遅く、失敗が物理的に高い。
暗黙知は一種類ではない
Works in Progress の ASML 解説は、ASML が光学、レーザー、精密機械、サプライヤー管理を長期に束ねてきた会社だと描く。ここで見えてくるのは、単なる特許や設計図ではない。Carl Zeiss、Trumpf、Cymer、顧客ファブとの継続的な調整を通じて、装置の外側にまで広がった運用知である。
この知識は「文書に書かれていないから強い」のではない。文書化されていても、再現するには部品、工場、測定器、人材、顧客現場での故障履歴が必要になるから強い。暗黙知の本体は、頭の中の勘ではなく、何十年もの失敗を吸った関係網に埋まっている。
ここを取り違えると、「AI がマニュアルを読めば ASML をコピーできる」という雑な楽観と、「暗黙知だから永遠にコピー不能」という雑な神話が同じところに落ちる。どちらも、知識が存在する場所を見誤っている。ASML の知識は文書の内側にもあるが、文書の外側、つまり装置を量産ラインに置いたあとに発生する調整の連鎖により多く宿っている。
剥がされる知識は、失敗が安い
AI が先に剥がしたのは、失敗が安く、試行回数を増やせる領域だった。文章生成、画像生成、コード補完、データ分類は、誤りを出しても即座にやり直せる。大量の入出力を観察し、モデルに戻し、再評価するサイクルが短い。だから「本人だけが分かっている」と思われていた書き味や判断癖の一部も、統計的には外部化されていった。
ASML 型の暗黙知は、ここが違う。EUV 装置は、失敗しても次のプロンプトでやり直す対象ではない。サプライヤーの工程、部品の公差、顧客ファブでの保守、量産ラインの停止リスクが全部つながっている。装置を一台観察しても、そこから四十年分の擦り合わせ履歴は抜けない。AI が強くなるほど剥がせる範囲は広がるが、失敗コストが下がらない領域では速度が鈍る。
Dholera は「剥がせる側」の移動を示す
その境界は、インドの Dholera ファブを見ると分かりやすい。ASML と Tata Electronics の 2026 年 5 月発表では、ASML が Dholera の 300mm ファブ立ち上げを支援し、Tata は PSMC との提携で 28nm、40nm、55nm、90nm、110nm の技術ポートフォリオにアクセスすると説明されている。計画投資額は 110 億ドルだ。
これは「インドが一気に EUV 最先端へ入る」話ではない。むしろ逆で、移動できるのはレガシーノード側だと示している。28nm から 110nm の世界では、装置、プロセス、教育、サプライチェーン支援を組み合わせれば地政学的な再配置が起きる。剥がせる側は動く。剥がせない側、つまり最先端 EUV と High-NA EUV の擦り合わせは、まだ ASML と既存顧客の関係網に残る。
規制が追うのは、物から関係性へ移る
対中規制の議論も同じ方向を向いている。SCMP が報じた MATCH Act を巡るオランダ側の反発では、オランダ政府が域外適用の側面に異議を示した。焦点は、装置の出荷だけではなく、既存装置へのサービスやアップグレードまで米国が縛ろうとすることにある。
ここで重要なのは、ASML が単に機械を売る会社ではない点だ。ASML 自身も、自社をハードウェア、ソフトウェア、サービスでチップメーカーを支える会社だと説明している。装置は入口で、価値は運用中の調整、保守、顧客との共進化に続く。だから規制が効く面も、物の輸出から、人材、サービス、顧客関係へ移っていく。コピー耐性の中核が関係性にあるなら、規制の戦場も関係性になる。
この点は、単なる地政学ではない。規制は計量可能なものを先に捕まえる。装置の型番、出荷先、保守契約、ソフトウェア更新は記録に残る。しかし、現場のサービスエンジニアが顧客と積み上げた調整履歴は、境界線が曖昧だ。ASML の moat が強いのは、規制対象としてもコピー対象としても、最後に残る部分がこの曖昧な関係性知だからである。
AI 企業も同じ問いに戻ってくる
この話は半導体だけで閉じない。AI 企業も、自分たちの堀がどこにあるかを同じ基準で問われている。モデル重みや出力は観察され、蒸留される。失敗コストが下がるほど、純粋情報としての堀は薄くなる。反対に、独自データ、推論インフラ、運用ノウハウ、顧客現場での継続改善は、ASML 型の関係性知に近づく。
Cowboy Space の記事では、デジタル企業の物語が物理インフラへ逃げる構造を読んだ。この記事では逆に、物理インフラの暗黙知が AI 経済へ折り返してくる構造を見ている。LCDD/SFT-Eraser の記事が示したように、モデル内部の振る舞いはキャリアとして局所化され、消される可能性がある。剥がせる堀と剥がせない堀の境界は、AI の側でも固定されていない。
結論——堀ではなく、剥がれる速度を見る
ASML の moat は強い。だが「強い」と「永続する」は別の命題だ。編集委員の読みでは、見るべきものは堀の有無ではなく、剥がれる速度である。観察でき、反復でき、失敗しても安い暗黙知は速く剥がれる。観察が難しく、反復が遅く、失敗が高い暗黙知は遅く剥がれる。素材性や関係性は、その速度差を生む代理変数である。
ASML はその遅い側の代表例だ。だからこそ、AI 時代の専門業にとって重要な教材になる。自分の仕事の堀は、文章にできないことにあるのか。それとも、失敗が高く、関係性を通じてしか再現できないことにあるのか。この問いを避けたまま「暗黙知だから大丈夫」と言うのは、ASML の強さを理解しているようで、実はもっとも大事な構造を見落としている。
