Clay社はなぜ評価額$3.1Bに到達したのか -- GTMエンジニアリングという市場を作った企業の戦略分析
GTMエンジニアリングという概念を生み出し、Series Cで$100M調達・評価額$3.1Bに到達したClay社。Waterfall enrichmentの技術的革新、AI Research Agent、そして「市場そのものを定義する」戦略を技術者視点で分析する。
Clay社はなぜ評価額$3.1Bに到達したのか -- GTMエンジニアリングという市場を作った企業の戦略分析
Clayとは何か
Clay社は2023年に「GTMエンジニア」という職種概念を生み出した企業だ。BtoBのセールス・マーケティングチームが使うデータエンリッチメント・ワークフロー自動化プラットフォームを提供している。
2025年8月のSeries Cで$100M（約150億円）を調達し、評価額は$3.1B（約4,600億円）に到達した。主要顧客にはOpenAI、Anthropic、Cursor、Canva、Intercom、Ripplingが名を連ねる。
この記事では、Clayの技術的な設計思想と「市場そのものを定義する」戦略を、エンジニアの視点で分析する。
資金調達の推移
| ラウンド | 時期 | 調達額 | 評価額 | リード |
|---|---|---|---|---|
| Series A | 2022年 | $8M | - | - |
| Series B | 2024年 | $46M | $500M+ | - |
| Series C | 2025年8月 | $100M | $3.1B | Sequoia Capital |
1年強で評価額が6倍以上になった。ツールとして売れたというより、GTMエンジニアリングという新しい市場カテゴリを創出したことが大きい。
技術的革新: Waterfall Enrichment
従来のデータエンリッチメント
従来のツール（ZoomInfo, Clearbit等）では、リードデータのエンリッチメントは「1つのデータソースに問い合わせて結果を返す」という設計だった。
リードのメールアドレス → ZoomInfo API → 会社名・役職・電話番号
この方式の問題:
- 単一ソースの限界: 1つのDBにない情報は取得できない
- データ鮮度のばらつき: ソースによって更新頻度が異なる
- コスト非効率: 高額なソースに毎回問い合わせる
ClayのWaterfall Enrichment
Clayは複数のデータソースを優先順位付きのフォールバックチェーンとして構成する。
リードのメールアドレス
→ ソースA（無料/安価） → ヒットしたら採用
→ ソースB（中程度） → ヒットしたら採用
→ ソースC（高額） → 最後の手段
→ AI Research Agent → 非構造データから推定
エンジニアの視点で見ると、これはサーキットブレーカー＋フォールバックパターンのセールスデータ版だ。マイクロサービスアーキテクチャでAPIの障害に備えてフォールバック先を用意するのと同じ設計思想が、データエンリッチメントに適用されている。自分がこれを初めて見たとき、「なぜ今まで誰もやらなかったのか」と思った。
技術的なポイント
- 75以上のデータプロバイダーを統合。各プロバイダーのAPI仕様の違いを吸収
- リアルタイム実行: バッチ処理ではなく、リードが入った瞬間にWaterfallが走る
- コスト最適化: 安価なソースから順に試すことで、1リードあたりのエンリッチメントコストを最小化
- カスタムWaterfall: ユーザーがソースの優先順位と条件分岐を自由に設計できる
AI Research Agent
ClayのAI Research Agentは、構造化されたデータベースだけでなく、ウェブ上の非構造データからも情報を抽出する。
従来のエンリッチメント:
「この会社のCEOは誰か？」→ データベース検索 → 結果 or Not Found
AI Research Agent:
「この会社は最近AIに投資しているか？」
→ 会社のブログ、プレスリリース、SNS投稿、採用ページを分析
→ 「はい。2026年2月にAI部門を新設し、エンジニアを15名採用中」
自然言語で問い合わせて、自然言語で回答が返る。これはリードのインテントデータ（購買意思のシグナル）の収集を大きく変えた。
SLGでの活用例
SLGの文脈では、AI Research Agentは以下のように使われる:
- 商談前リサーチの自動化: ターゲット企業のIR資料、ニュースリリース、技術ブログを自動収集・要約
- トリガーイベント検知: 資金調達、経営者交代、新製品発表等の「今アプローチすべき理由」を自動検出
- パーソナライゼーション: 企業ごとの課題仮説を自動生成し、営業のアウトリーチ文面に反映
営業担当が1社のリサーチに3時間かけていた作業が、15分で完了する。数字として見るとシンプルだが、これを実際に使っている企業の営業担当は、かなり仕事の感覚が変わるはずだ。
「市場を定義する」戦略
Clayの最大の成功要因は、技術的な優位性だけではない。GTMエンジニアという職種・市場カテゴリ自体を作り出したことにある。
やったことを順番に追うと、まず「GTMエンジニア」という職種名を2023年に提唱した。次にGTMエンジニア向けのイベント、Slack、ニュースレターを運営してコミュニティを作った。State of GTM Engineeringを年次で発行し、市場の「公式データ」を提供した。GTMエンジニアのスキルセット、年収水準、キャリアパスを整理し、Offersのような転職サービスに職種カテゴリを追加させた。
ツールを売るのではなく、職種を売る。その職種が必要とするツールとして自社プロダクトが自然に選ばれる。GTMエンジニアの84%がClayを使っているのは、ツールの性能だけでなく、Clayが市場そのものを定義しているからだ。
Clayの顧客から見えるGTMエンジニアリングの適用範囲
主要顧客の業種を見ると、OpenAI/Anthropicはエンタープライズセールスのリードスコアリング、CursorはデベロッパーターゲットのICP特定、Canvaはチーム版へのアップセル対象企業の発見、といった使い方が推測できる。
注目すべきは、顧客の多くがSaaS/テック企業であること。GTMエンジニアリングは現状、テック企業のSLGに最も適合している。
日本のBtoB企業への示唆
Clayが日本市場で使いにくい理由
率直に書くと、日本市場でClayをそのまま使うのは難しい。Clay/Apollo/ZoomInfoの主要データソースは英語圏中心で、日本企業データのカバレッジが薄い。AI Research Agentの日本語対応も限定的だ。加えて、日本のBtoBセールスはメールよりも電話・訪問が主流の業界が多く、商習慣の前提が違う。
ただ、だからこそGTMエンジニアの価値がある、とも言える。
だからこそGTMエンジニアの価値がある
Clayの設計思想（Waterfall enrichment、AI Research Agent、ワークフロー自動化）を日本のデータソースとツールで再現することには大きな価値がある。
具体的には:
- データ収集: 帝国データバンクAPI、SPEEDA、各社IRページスクレイピング → MCPサーバーで統合
- AI処理: Claude API + 日本語プロンプト → リサーチ自動化
- CRM統合: HubSpot/Salesforce（日本法人あり）→ n8nでワークフロー構築
この「日本版GTMエンジニアリングスタック」の構築は、次の記事以降で具体的に実装していく。
次の記事ではPalantir FDSEの働き方を分析し、SLG文脈でのGTMエンジニアの原型を掘り下げる。