
第1冊『株式会社EQUES』――松尾研発AIスタートアップは、研究・製薬・エネルギー・量子・フィジカルAIをどう社会実装するのか(第8回)(第Ⅶ部 2026 第7章 2026年のEQUES――AIスタートアップはどこへ向かうのか)
第Ⅶ部 2026
――AIスタートアップはどこへ向かうのか
2022年2月1日から2026年へ。
EQUESの企業史は、まだ約四年である。
百年以上の歴史を持つ企業から見れば、創業期にすぎない。事業構造も、組織も、Technologyも、今後大きく変わる可能性がある。
だからこそ、2026年という一点には意味がある。
完成した企業を評価する時点ではない。
創業時に持っていたResearch Capabilityが、どの方向へ展開し始めたのかを観測できる時点なのである。
⸻
四年間をどう読むか
企業史は通常、時間の順番に記述される。
2022年。
2023年。
2024年。
2025年。
2026年。
創業者が集まり、案件が生まれ、Technologyが蓄積され、Productが開発され、新しい事業領域へ進む。
これは重要なHistorical Analysisである。
しかし企業戦略を考える場合、もう一つの時間軸が必要になる。
2030年代の産業では何が必要になるのか。
そのために2026年には何を準備しておく必要があるのか。
未来のRequirementから現在のCapabilityを読み直す、
Strategic Backcasting
である。
第Ⅶ部では、この二つの視点を重ねる。
⸻
過去から見た2026年
創業時のEQUESは、大学研究室を起点とした小さなAI Startupだった。
そこから、
Machine Learning。
Deep Learning。
Generative AI。
数理最適化。
製薬AI。
Domain-specific LLM。
Energy。
Physical AI。
Quantum Computing。
へと活動領域が広がってきた。
重要なのはTechnologyの数ではない。
その拡張に一貫したCapabilityが存在するかである。
⸻
Research-to-Production
本書を通して見えてきた一つの軸が、
Research → Production
である。
論文を読む。
Experimentする。
Prototypeを作る。
Domainへ適応する。
Customerと検証する。
Productionへ実装する。
運用からFeedbackを得る。
この一連のProcessを企業内部に形成することが、EQUESの特徴を理解する鍵になる。
2026年は、この能力が複数Domainへ展開し始めた時点として読むことができる。
⸻
製薬からエネルギーへ
製薬とEnergyは、一見するとまったく異なる産業である。
しかしAI Systemの観点から見ると、共通点がある。
高いQuality。
専門的なDomain Knowledge。
厳格なOperation。
Humanによる確認。
Traceability。
Safety。
長期的なSystem Reliability。
つまり、EQUESが製薬で蓄積してきた高信頼AIの考え方には、別の規制・Infrastructure産業へ応用可能な部分がある。
これは単純な事業多角化とは異なる。
Capability Expansion
として分析する必要がある。
⸻
DocumentからPhysical Environmentへ
もう一つの大きな変化は、AIが扱う対象である。
製薬AIでは主に、
Document。
Knowledge。
Language。
Enterprise Workflow。
を扱う。
Physical AIでは、
Camera。
Sensor。
Robot。
Space。
Physical Environment。
へ対象が広がる。
つまり、
Digital Information → Physical Environment
への拡張である。
これはEQUESにとってTechnology Stackそのものを広げる可能性を持つ。
⸻
Softwareだけでは完結しない
Physical AIへ進めば、Model性能だけではSystemを設計できない。
Hardware。
Edge Computing。
Communication。
Latency。
Control。
Safety。
Human Operation。
が必要になる。
Software Companyとしての能力だけでなく、Cyber-Physical Systemを統合するEngineering Capabilityが問われる。
2026年以降のEQUESを見るうえで、これは重要な変化になる。
⸻
AIとAdvanced Computing
さらに数理最適化やQuantum Computingへの研究は、AIだけですべてのProblemを解こうとしない姿勢とも接続する。
あるProblemにはMachine Learningが適する。
あるProblemにはOptimizationが適する。
将来的にはQuantum Computingが意味を持つ領域もあり得る。
重要なのはTechnology名ではなく、
Problemに対して適切なComputational Methodを選択すること
である。
⸻
東京から北海道へ
企業の拡張はTechnologyだけではない。
地域的な活動範囲の拡張もある。
東京大学周辺を起点とするResearch Networkから、北海道を含む地域へ活動基盤を広げることには、人材、教育、産業、研究機関との新しい接続可能性がある。
ただし、拠点を設けること自体が成果ではない。
地域でどのようなTalentやProject、Partnershipが形成されるかによって意味が決まる。
⸻
地方拠点をNetwork Nodeとして見る
AI Companyでは、必ずしも巨大なFactoryを地域へ建設する必要はない。
重要なのはKnowledge Networkである。
University。
Technical Talent。
Local Company。
Government。
School。
Research Institution。
これらを接続できれば、地方拠点は単なるBranch Officeではなく、
Regional Knowledge Node
になり得る。
⸻
受託からProductへ
EQUESのもう一つの重要な論点が、受託開発とProductの関係である。
伴走型Projectで顧客Problemを理解する。
繰り返し現れるPatternを発見する。
Technologyを共通化する。
Productへ変える。
QAIの展開は、この方向を考える材料になる。
最小構造は、
Project → Pattern → Product
である。
⸻
Productから基盤へ
さらに複数ProductやProjectで共通するTechnologyが増えれば、
Data。
RAG。
Evaluation。
Security。
Human Approval。
Audit。
などを共通基盤化できる可能性がある。
すると、
Product → Platform Capability
へ進む。
ただしPlatformを先に作るのではない。
現場から繰り返し現れるRequirementを確認しながら共通化することが重要になる。
⸻
Modelを持つ会社からEvaluationできる会社へ
生成AIの進歩によって、高性能ModelへのAccess自体は広がっている。
その結果、差別化の場所も変わる。
Modelを持っているか。
だけではなく、
どのModelを選ぶか。
どのDomainへ適応するか。
どう評価するか。
どこまでAutomationするか。
どこへHuman Reviewを置くか。
が重要になる。
特に高信頼産業では、
Generation Capability + Evaluation Capability
の組合せが企業価値を左右する。
⸻
AI Agentの時代
生成AIがChat InterfaceからAgentへ進めば、企業導入の意味も変わる。
AIが文章を生成するだけではなく、
Informationを検索する。
Toolを呼ぶ。
Workflowを進める。
HumanへApprovalを要求する。
結果を記録する。
というSystemになる。
このときEQUESが蓄積してきたEnterprise Workflow、Domain Knowledge、Audit、Human Reviewの経験が重要になる可能性がある。
⸻
Physical AIの時代
AgentがDigital Environmentで行動するAIだとすれば、Physical AIは現実Environmentで行動するAIである。
Sensorで認識する。
Environmentを理解する。
Actionを計画する。
Robotを動かす。
結果を観測する。
再び判断する。
ここでは、
Perception → Decision → Action → Feedback
というLoopが成立する。
Software AIとRoboticsが接続する地点である。
⸻
高信頼AIという共通軸
製薬。
Energy。
原子力。
Physical AI。
これらを一つにまとめるなら、「AI」という語だけでは広すぎる。
むしろ共通しているのは、
高い信頼性が要求される環境へ先端Technologyを実装すること
である。
Accuracyだけではない。
Explainability。
Auditability。
Security。
Human Oversight。
Operational Reliability。
が必要になる。
この領域をEQUESがどこまで独自Capabilityとして確立できるかが、2026年以降の重要な論点になる。
⸻
小さな会社がどこまで広がるべきか
一方、事業領域の拡張にはRiskもある。
製薬。
Energy。
Physical AI。
Quantum。
Education。
すべてへ同時にResourceを投入すれば、Focusが失われる可能性がある。
したがって問うべきなのは、
「何領域へ進出したか」
ではない。
各領域が同じCore Capabilityを強化しているか
である。
⸻
共通Capabilityを抽出する
もし複数事業の背後に、
Research Capability。
Advanced Machine Learning。
Problem Formulation。
Domain Translation。
Evaluation。
High-reliability Engineering。
Research-to-Production。
という共通Coreが存在するなら、事業領域の拡張はKnowledge Compoundingを起こし得る。
反対に共通Coreがなければ、単なる事業分散になる。
2026年は、その分岐を観察する重要な時点でもある。
⸻
企業の四年間と技術の四年間
2022年から2026年までの四年間は、AI Technologyにとっても極めて大きな変化の期間だった。
生成AI。
Foundation Model。
RAG。
AI Agent。
Multimodal AI。
Physical AI。
Technology Environmentそのものが急速に変化している。
若いAI Startupは、企業自身の成長とTechnologyの急速な変化を同時に経験する。
したがって、創業時のBusiness Planをそのまま実行し続けることが必ずしも正解ではない。
⸻
Adaptation Capability
重要になるのは、
最初の計画を守る能力
だけではなく、
Environmentの変化に応じて企業自身を更新する能力
である。
Technologyを変える。
Productを変える。
Domainを変える。
Organizationを変える。
ただしMissionやCore Capabilityまで毎回失わない。
このBalanceがStartupのAdaptation Capabilityになる。
⸻
2026年を終点にしない
本書は2026年のEQUESを記述する。
しかし2026年を企業の完成形として描くわけではない。
むしろ、
2022–2026で形成されたCapabilityが、次の数年間に何を可能にするのか
を見るためのCurrent Stateとして扱う。
企業分析においてCurrent Stateは、単なる現在ではない。
過去の蓄積結果であり、未来のInitial Conditionでもある。
⸻
二方向から現在を見る
したがって第Ⅶ部では、2026年を二方向から読む。
一方には、
2022 → 2026
がある。
創業。
研究。
案件。
製薬。
Product。
Energy。
Physical AI。
という形成過程である。
もう一方には、
2030s Requirement → 2026
がある。
高信頼AI。
AI Agent。
Physical AI。
Human–AI Collaboration。
Advanced Computing。
社会InfrastructureのAutomation。
将来必要になり得るCapabilityから現在を見る。
⸻
Historical Analysis × Strategic Backcasting
この二つを重ねる。
Historical Analysis
によって、
「EQUESは何を蓄積してきたのか」
を確認する。
Strategic Backcasting
によって、
「その蓄積は将来必要になるCapabilityへ接続しているのか」
を検討する。
これによって、単なる企業史でも未来予測でもない分析が可能になる。
⸻
未来を事実として書かない
ただし、未来はまだFactではない。
Physical AI市場がどのように形成されるか。
Quantum Computingがどの段階で実用化されるか。
EQUESがどの事業を拡大するか。
現時点では確定していない。
したがって、
Fact / Current Direction / Strategic Possibility
を区別する。
未来への期待を、現在の実績として記述しない。
この境界を最後まで維持する。
⸻
第Ⅶ部の問い
第Ⅶ部では七つの角度から2026年を読む。
創業から四年。
製薬からEnergyへ。
SoftwareからPhysical AIへ。
東京から北海道へ。
受託からProduct・基盤へ。
そして、
過去から見た2026年と、未来から見た2026年。
最後に、それらを統合して「次のEQUES」を考える。
⸻
2026年という企業State
ここまでの本書を最小化すると、
Research
→ Technology
→ Project
→ Domain
→ Product
→ Organization
→ 2026
となる。
しかし、ここで止まらない。
2026年に形成されたCompany Capabilityは、次のResearch、Product、Domain、Partnershipを選択するInitial Stateになる。
したがって、
Past Experience → Current Capability → Future Option
という構造になる。
企業の未来は白紙ではない。
現在持っているCapabilityによって、実行可能な選択肢が変わるからである。
⸻
2022年2月1日に始まったEQUESは、四年間で何を得たのか。
それは単なる売上、案件数、Product数ではない。
Research Experience。
Domain Knowledge。
Engineering Capability。
Customer Relationship。
Evaluation Method。
Partnership Network。
Human Capital。
これらがどこまで一つのCompany Systemとして蓄積されたかを見る必要がある。
そして、その蓄積が次の四年、さらにその先の選択肢をどこまで広げるのか。
第Ⅶ部は、その境界に立つ。
最初に確認するのは、最も単純でありながら最も重要な事実である。
創業から四年。
次章では、2022年2月1日から2026年までのEQUESを一度時間軸の上へ戻し、この短い企業史の中で何が変わり、何が企業能力として残ったのかを読み直す。
第7章 2026年のEQUES
――AIスタートアップはどこへ向かうのか
第1節 創業から四年
2022年2月1日。
EQUESは、東京大学の松尾研究室を起点とするAI Startupとして設立された。
2026年。
創業から約四年が経過した。
企業史として見れば、まだ極めて短い。
上場企業の長期戦略や、数十年にわたる産業構造変化と比較すれば、EQUESは依然として形成途上にある。
しかしAI Startupにとって四年は短いだけではない。
この期間に、
生成AI。
Foundation Model。
RAG。
AI Agent。
Multimodal AI。
Physical AI。
量子Computing。
といったTechnology Environmentが大きく変化した。
EQUESは、自社の成長だけでなく、AI産業そのものの急激な変化を同時に経験してきた。
したがって2022年から2026年までを見るとき、単なる「会社の四年間」ではなく、
Company Evolution × Technology Evolution
として読む必要がある。
⸻
創業時のEQUES
創業時のEQUESを最小化すれば、中心にあったのはResearch Capabilityである。
大学でMachine Learningを研究する。
先端Technologyを理解する。
それを企業課題へ応用する。
この時点では、EQUESのIdentityは比較的明確だった。
Research-origin AI Company
である。
しかし、研究能力だけでは企業は成立しない。
Customer Problemを理解する。
Requirementを作る。
PoCを行う。
Softwareへ実装する。
Productionへ移す。
このProcessが必要になる。
創業後の四年間は、Research能力をBusiness Capabilityへ変換する期間だったと見ることができる。
⸻
大学から企業へ
大学研究と企業研究では、評価基準が異なる。
大学では、
新規性。
Scientific Contribution。
Experiment。
論文。
が重要になる。
企業では、
Customer Value。
Delivery。
Reliability。
Cost。
Operation。
が加わる。
したがってEQUESが企業として成立するためには、
Research Logic
だけでなく、
Business Logic
を獲得しなければならなかった。
この変換が、創業から四年の最初の大きな変化である。
⸻
技術力から問題解決力へ
研究室ではTechnologyそのものが中心になりやすい。
しかし企業では、CustomerはTechnologyを買うとは限らない。
Customerが欲しいのは、
業務時間を減らすこと。
品質を上げること。
Riskを下げること。
Knowledgeを活用すること。
危険作業を減らすこと。
である。
したがってEQUESに必要だったのは、
AIを作る能力
だけではなく、
AIでProblemを解く能力
である。
伴走型技術開発という事業モデルは、この転換から理解できる。
⸻
PoCを通じて現場を学ぶ
創業初期のAI Startupにとって、顧客案件は売上であると同時にLearning Opportunityでもある。
Customerと話す。
業務を理解する。
Dataを見る。
Prototypeを作る。
期待とRealityのGapを知る。
この経験によって、大学Researchだけでは得にくいKnowledgeが蓄積される。
例えば、
高AccuracyでもUserに使われない。
Data Integrationが大きなCostになる。
Security Requirementが想定以上に重い。
Human ReviewがBottleneckになる。
こうした知見である。
⸻
Research-to-ProductionというCapability
この四年間で形成された重要なCapabilityの一つが、
Research → Production
の距離を短くすることである。
新しいPaperを読む。
Implementationする。
PoCで検証する。
顧客Dataへ適応する。
Systemへ組み込む。
Productionで観測する。
この一連のProcessを繰り返す。
大学発Startupの競争力は、大学からTechnologyを持ってきたことだけではない。
新しいResearchを継続的にProductionへ変換できるか
で決まる。
⸻
生成AIの急変
EQUES設立後、AI産業では生成AIが急速に普及した。
これにより、企業がAIへ期待する内容も変わった。
従来は、
Prediction。
Classification。
Optimization。
が中心だった。
そこへ、
Document Generation。
Knowledge Retrieval。
Question Answering。
AI Agent。
が加わった。
EQUESにとっても、この変化は事業機会であると同時に適応課題だった。
創業時のTechnology Portfolioを固定することはできなかった。
⸻
企業がTechnologyに合わせるのではない
Technologyが変わるたびに事業を全面変更すれば、会社のCoreは失われる。
そこで重要になるのは、
「何のTechnologyを使う会社か」
ではなく、
「何をする会社か」
を定義することである。
EQUESの場合、それは本書で一貫して見てきた、
先端Technologyを現実の産業Problemへ実装すること
に置くことができる。
Machine Learningでも。
LLMでも。
Physical AIでも。
Quantumでも。
Technologyが変わっても、Research-to-ImplementationというCoreは維持できる。
⸻
製薬というDomain
四年間の中で、EQUESにとって特に重要な展開の一つが製薬AIである。
製薬へ深く入ることによって、
General AI Company
から、
Domain-specific AI Company
としてのCapabilityが形成され始めた。
GMP。
品質保証。
Document。
Data Integrity。
Human Review。
汎用AIだけでは扱えないRequirementを学ぶ。
これは一つのMarketを獲得するだけではなく、高信頼AIを学習するProcessでもあった。
⸻
QAIというProduct
伴走型Projectだけではなく、QAI GeneratorやQAI CheckerのようなProductを持つことも、企業構造上の変化である。
Projectでは一社のProblemを解く。
Productでは、複数企業に共通するProblemを標準化する。
つまり、
Project → Product
への移行が始まる。
これはStartupのScaleを考えるうえで重要な境界である。
⸻
Model Developmentへ降りる
さらにJPharmatron-7Bによって、EQUESはApplicationだけでなくModel Layerへも入った。
External LLMを利用するだけではない。
Domain-specific Modelを作る。
ここには、
Data Curation。
Training。
Evaluation。
Deployment。
といった別のCapabilityが必要になる。
つまり、
Application Company
から、
Model Development Capabilityを持つCompany
へ一段深くなった。
⸻
Evaluationを持つ
そしてJPharmaBenchは、もう一つ重要な変化を示す。
Modelを作る。
Productを作る。
だけではなく、
Modelを測る
能力を持つ。
高信頼AIでは、Evaluation Capabilityが重要になる。
何が良いAIなのかを自分で定義できる企業は、Model ProviderのMarketingだけに依存せずTechnologyを選択できる。
このCapabilityは将来のModel Changeにも強い。
⸻
製薬からEnergyへ
2026年に向けて、EQUESの活動はEnergyへ広がった。
これは単なるMarket Expansionではない。
Document中心のAIから、
Sensor。
Infrastructure。
Physical Environment。
へ対象が変わる。
つまり、
Digital Domain → Physical Domain
への拡張である。
⸻
原子力という高い境界
福島第一原発の廃炉関連Technologyへ関与することは、AI社会実装の難易度をさらに上げる。
高線量Environment。
Remote Operation。
Robot。
Safety。
Explainability。
Audit。
ここではAIが間違ったときのConsequenceが大きい。
製薬で学んだ高信頼設計が、よりPhysicalなRiskへ拡張される。
⸻
Physical AIへの移行
Physical AIでは、AIのStructureが変わる。
従来は、
Input → Model → Output
だった。
Physical AIでは、
Environment → Sensor → AI → Action → Environment
になる。
AIが閉じたDigital Spaceから出て、現実世界とのFeedback Loopへ入る。
これはEQUESにとって新しいEngineering Capabilityを要求する。
⸻
Quantumという別のFrontier
さらにQuantum Computingを扱うことで、EQUESはAI SystemだけでなくComputational Methodそのものへ研究範囲を広げている。
Machine Learning。
Optimization。
Quantum。
これらを一つにまとめるなら、
どの計算方法で現実Problemを解くか
という問題になる。
ここでは「AI Company」という企業分類自体が少し狭くなり始める。
⸻
AI StartupからComputational Engineeringへ
2022年のEQUESを、
AI Startup
と呼ぶのは自然だった。
2026年には、
LLM。
Industrial AI。
Physical AI。
Optimization。
Quantum。
まで広がっている。
これを分析的に一段抽象化すると、
Advanced Computational Engineering Company
という方向が見えてくる。
もちろん、これは公式な企業分類ではない。
本書から抽出する企業能力上の分析である。
⸻
教育という別の展開
一方で、TechnologyだけではなくHuman側へも領域を広げてきた。
AI×DX寺子屋。
Learning。
学校・地域でのAI教育。
この活動は、Research CompanyのCoreから離れているように見える。
しかし社会実装という観点ではつながっている。
AIを作る。
AIを使う人を育てる。
AIからFeedbackを得る。
つまり、
Technology Implementation + Human Implementation
を両方扱う。
⸻
Startup自身も学習している
ここまでの変化を見ると、EQUES自身がLearning Organizationとして変化していることが分かる。
製薬から学ぶ。
顧客から学ぶ。
公的研究Programから学ぶ。
共同研究から学ぶ。
Physical Environmentから学ぶ。
そのKnowledgeが新しいBusinessやResearchへ戻る。
つまり、
Company Learning
が事業拡張を生んでいる。
⸻
四年間の企業資産
創業から四年で蓄積されたものを、売上や社員数だけで見るべきではない。
少なくとも本書の分析からは、
Research Capability。
Production Engineering。
Domain Knowledge。
Evaluation Capability。
Product。
Customer Relationship。
Partner Network。
Public R&D Experience。
Human Capital。
が重要になる。
これらはすべてBalance Sheetには直接現れにくい。
しかし次の事業を作るInitial Conditionになる。
⸻
短い歴史だからこそLearning Rateを見る
百年企業なら、蓄積されたブランドや資産を評価できる。
四年のStartupでは、絶対量はまだ小さい。
そこで重要になるのは、
Learning Rate
である。
一年でどれだけ新しいCapabilityを獲得したか。
案件をKnowledgeへ変えられたか。
Technology Changeに適応できたか。
新しいDomainへ移れるか。
若い会社では、現在のScaleよりChange Rateが将来を左右する。
⸻
急速な拡張のRisk
もちろん、四年間で多くの領域へ進んだことを無条件に肯定すべきではない。
製薬。
Energy。
Physical AI。
Quantum。
Education。
それぞれに専門人材とInvestmentが必要になる。
少人数Organizationでは、Focusが分散するRiskがある。
したがって2026年以降の重要な問いは、
広がった領域をどこまで共通Capabilityへ統合できるか
である。
⸻
一つのCoreを持てるか
もし各事業が、
Research-to-Production。
High-reliability AI。
Domain Translation。
Evaluation。
Human–AI Integration。
というCoreでつながるなら、広がりはStrengthになる。
逆に、それぞれが独立事業になりKnowledgeを共有できなければ、Complexityだけが増える。
つまり、
Diversification or Capability Compounding
の分岐がある。
⸻
2026年は分岐点である
創業初期は、何でも試すことに合理性がある。
Customerを知る。
Marketを知る。
Technologyを知る。
しかしCompanyが成長すれば、
何を続けるか。
何をやめるか。
どこへ集中するか。
を決めなければならない。
2026年は、探索だけでなく選択が重要になり始める時点として見ることができる。
⸻
ExplorationからSelective Scaleへ
創業期は、
Explore
する。
次の段階では、
Select
する。
その後、
Scale
する。
すべてを同時にScaleすることはできない。
QAIを広げるのか。
Energyへ大きく投資するのか。
Physical AIへ研究Resourceを置くのか。
Quantumを長期Researchとして維持するのか。
Portfolio Managementが重要になる。
⸻
組織も変わる
事業が増えると、創業期の全員がすべてを知るOrganizationでは維持できなくなる。
Domain Team。
Shared Research Team。
Platform Team。
Business Team。
など、Role分化が進む可能性がある。
しかし分業が進みすぎればResearchと現場の距離が再び広がる。
したがって、
Scale without losing Research-to-Field proximity
がOrganization Designの課題になる。
⸻
四年後の問い
2026年のEQUESに対する問いは、
「成功したか、失敗したか」
ではない。
まだ早すぎる。
より適切なのは、
どのCapabilityが形成されたか。
どの方向へ企業が進み始めたか。
その方向は持続可能か。
である。
Startupを完成形として評価しない。
Trajectory
を見る。
⸻
2022年から見た2026年
2022年から2026年を見ると、
Research Startup
が、
Industrial AI Company
へ進んだように見える。
Project。
Product。
Domain Model。
Benchmark。
Energy。
Physical AI。
Advanced Computing。
Human Development。
対象が広がった。
⸻
未来から見た2026年
一方、2030年代から現在を仮に逆算すれば、問われる内容が変わる。
高信頼AIが一般化するなら、Evaluation Capabilityは十分か。
Physical AIが広がるなら、Robotics、Edge、Safety Capabilityは十分か。
産業AIがVertical化するなら、Domain Knowledgeは十分か。
Agentが企業業務へ入るなら、GovernanceとWorkflow Integrationは十分か。
つまり2026年は、
Future Capability Formationの途中
として見える。
⸻
創業から四年を最小化する
EQUESの四年間を一つの構造へ圧縮すると、
Research
↓
Customer Problem
↓
PoC
↓
Production
↓
Domain Specialization
↓
Product / Model / Evaluation
↓
Physical & Computational Expansion
となる。
そして各段階から新しいKnowledgeがOrganizationへ戻る。
⸻
四年間で最も重要なもの
企業の四年間で最も価値があるものを一つ選ぶなら、特定のProductでもModelでもない。
新しいProblemを学習し、それをTechnologyへ翻訳する能力そのもの
である。
AI産業の変化が速いからである。
現在のModelは変わる。
現在のToolも変わる。
しかし、
Researchする。
試す。
評価する。
実装する。
現場から学ぶ。
というProcessは残る。
これがEQUESの四年間から抽出できる最も持続的な企業Capabilityである。
⸻
創業から四年。
EQUESはまだ完成した企業ではない。
むしろ、どの方向へ企業Identityを収束させるのかがこれから問われる段階にある。
その最初の変化はすでに明確である。
製薬という一つの高信頼Domainで得たKnowledgeを、別のCritical Infrastructureへ移そうとしている。
次節では、その最も重要な事業拡張の一つである、**「製薬からエネルギーへ」**を取り上げる。
第2節 製薬からエネルギーへ
EQUESの2022年から2026年までの事業展開を見ると、一つの明確な拡張がある。
製薬からエネルギーへ。
この二つは、一見するとまったく異なる産業である。
製薬では、GMP、品質保証、Document、薬学Knowledgeが中心になる。
エネルギーでは、設備、Sensor、Infrastructure、Maintenance、Safetyが中心になる。
しかし、AI社会実装という観点から見ると、両者には重要な共通点がある。
どちらも、
高い信頼性が要求される産業
である。
EQUESが製薬の次にエネルギーへ進む意味は、新しい市場へ横展開したというだけではない。
製薬で蓄積した高信頼AIの考え方を、よりPhysicalでMission-criticalな環境へ拡張することにある。
⸻
産業は違ってもRequirementは重なる
製薬とエネルギーでは、扱う対象は違う。
しかしAI Systemに求められる条件には重なる部分がある。
正確性。
Traceability。
Security。
Human Review。
Auditability。
Failure時の対応。
Domain Knowledge。
長期運用。
つまり、
Industry A ≠ Industry B
であっても、
Trusted AI Requirement A ≈ Trusted AI Requirement B
となる部分がある。
この共通部分が、Capability Transferを可能にする。
⸻
製薬で学んだこと
EQUESが製薬AIで扱ってきたのは、単なるText Generationではなかった。
AI OutputをHumanが確認する。
Domain-specificなEvaluationを行う。
企業Dataを安全に扱う。
既存Workflowへ組み込む。
Document間のConsistencyを確認する。
Audit可能な形で使う。
つまり、
Generate → Verify → Approve → Record
という高信頼Workflowである。
この構造は、Energyにも応用可能な部分を持つ。
⸻
エネルギーではInputが変わる
ただし、製薬からEnergyへ進むと大きく変わるものがある。
Inputである。
製薬では、
Text。
Document。
Knowledge。
が中心だった。
Energyでは、
Sensor Data。
Time-series Data。
Image。
Video。
Equipment State。
が加わる。
つまり、
Document Intelligence
から、
Physical State Intelligence
へ移る。
⸻
Outputも変わる
製薬では、AI Outputの多くは、
Draft。
Warning。
Comparison Result。
Recommendation。
である。
Energyでは、
Anomaly Alert。
Maintenance Recommendation。
Equipment State Estimation。
Operation Support。
さらにPhysical AIへ進めばRobot Actionへ接続する可能性もある。
つまり、
Information Output
から、
Operational Output
へ近づく。
その分、Errorの意味も重くなる。
⸻
Failure CostがPhysicalになる
製薬でもAI Errorは重大になり得る。
しかしEnergyでは、Systemの用途によってはEquipment OperationやSafetyへ影響する。
そのため、
Digital Error → Physical Consequence
というRiskが強くなる。
これによって、
Model Accuracyだけでなく、
Latency。
Robustness。
Fail-safe。
Redundancy。
Human Override。
が重要になる。
⸻
製薬でのVerificationがEnergyではSafetyへ広がる
製薬AIでは、
「このDocumentは正しいか」
を確認する。
Energy AIでは、
「この設備状態は本当に異常か」
を確認する。
さらにPhysical AIでは、
「このActionを実行して安全か」
を確認する。
つまりVerificationの対象が、
Document
から、
State
へ。
さらに、
Action
へ広がる。
ここに、製薬からEnergyへの構造的な連続性がある。
⸻
Domain Expertの役割はさらに大きくなる
製薬では、品質保証担当者や薬学Expertが重要だった。
Energyでは、
設備Engineer。
Maintenance Expert。
Safety Specialist。
Operator。
が重要になる。
AI Engineerだけでは、
どのSensor値が本当に危険なのか。
どの異常が重大なのか。
どのOperating Conditionなら許容できるのか。
を判断できない。
したがって、
AI Expert × Energy Domain Expert
という共同設計が必要になる。
⸻
Maintenanceという重要なUse Case
Energy InfrastructureでAIが価値を持ちやすい領域の一つがMaintenanceである。
設備は故障する。
しかし、すべてを短周期で交換すればCostが大きい。
そこで、
Sensor。
Inspection。
Historical Data。
を使い、Conditionを推定する。
異常兆候を早く見つける。
Maintenance Timingを最適化する。
つまり、
Preventive Maintenance
から、
Predictive / Condition-based Maintenance
へ進む可能性がある。
⸻
人材不足との接続
日本のInfrastructure産業では、人材不足や熟練者の高齢化が大きな課題になる可能性がある。
Humanがすべての設備を継続監視することは難しい。
そこでAIが、
大量Dataを監視する。
異常候補を抽出する。
過去事例を検索する。
Engineerへ判断材料を提示する。
という役割を担う。
つまり、
AI Monitoring + Human Judgment
である。
⸻
製薬と同じくHumanを残す
ここでも、完全自動化だけを目標にする必要はない。
AIが異常を検出する。
Humanが確認する。
必要ならMaintenanceを実行する。
この構造は、製薬のQAI Checkerと似ている。
対象が、
Document discrepancy
から、
Equipment anomaly
へ変わっただけである。
⸻
AIによる熟練知の補助
さらにEnergyでは、熟練者のKnowledgeをAIへ接続する価値もある。
Inspection Record。
Maintenance History。
Manual。
Incident Report。
これらをKnowledge Baseへ蓄積する。
LLMやRAGで検索する。
Sensor AIのDetectionと組み合わせる。
すると、
Physical Data + Historical Knowledge
によるDecision Supportが可能になる。
ここで、製薬で蓄積したKnowledge AIのCapabilityが再利用できる。
⸻
Sensor AIとLLMの統合
例えばSensorが異常を検出する。
AIが、
「このEquipmentの温度Patternが通常と異なる」
と判断する。
その後LLMが、
過去の同様Case。
Manual。
Maintenance Procedure。
を検索し、Engineerへ提示する。
すると、
Sensor Intelligence + Language Intelligence
が接続する。
これはEQUESの複数Technology領域が一つのIndustrial Workflowへ統合される可能性を示す。
⸻
Multimodal化
Energy EnvironmentではDataが複数Modalitiesにまたがる。
Visual Image。
Thermal Image。
Sound。
Vibration。
Time-series Sensor。
Text Record。
これらを統合できれば、単一Dataだけでは見えないStateを把握できる可能性がある。
つまり、
Multimodal Industrial AI
への発展である。
⸻
原子力というより厳しい領域
Energyの中でも、原子力はさらに高い信頼性を要求する。
Safety。
Regulation。
Human Exposure。
Long-term Operation。
そして廃炉ではRemote Roboticsが必要になる。
EQUESが福島第一原発の廃炉関連Technologyへ関与することは、この意味で象徴的である。
AIが企業SoftwareからCritical Infrastructureへ近づくからである。
⸻
DocumentからRobotへ
製薬AIを起点にすると、EQUESの対象は次のように拡張している。
Document
↓
Knowledge
↓
Sensor
↓
Infrastructure
↓
Robot
↓
Physical Environment
これは単なるTechnology Diversificationではない。
AIが扱う現実の範囲が広がっている。
⸻
高信頼AIの一般化
ここで製薬からEnergyへの移行を一段抽象化できる。
製薬では、
Quality Assurance。
Energyでは、
Operational Reliability。
原子力では、
Safety Assurance。
言葉は違う。
しかし共通するのは、
AIをそのまま信頼しないこと
である。
測る。
確認する。
記録する。
Humanが監督する。
Failureを扱う。
このCapabilityがEQUESの共通Coreになり得る。
⸻
Trusted Industrial AIという方向
もし製薬とEnergyの両方でこのCapabilityを蓄積できれば、EQUESの企業Identityは一つのDomainに限定されなくなる。
製薬AI企業。
Energy AI企業。
という分類の奥に、
Trusted Industrial AI Company
という方向が見えてくる。
これは現時点の公式な企業分類ではない。
本書から抽出する分析である。
⸻
Domainごとの違いを消してはいけない
ただし、共通Coreがあるからといって、製薬とEnergyを同じSystemとして扱うことはできない。
製薬にはGMPがある。
Energyには設備特性がある。
原子力にはSafety Requirementがある。
つまり、
Common Core + Domain-specific Layer
という構造が必要になる。
共通部分だけを標準化し、Domain固有部分は専門的に設計する。
⸻
Capability TransferにはTranslationが必要になる
製薬でHuman Reviewを使ったから、Energyでも同じ画面を使えばよい、ということではない。
共通するPrincipleを抽出する。
新しいDomainに合わせて再設計する。
つまり、
Capability Transfer ≠ Copy
である。
必要なのは、
Abstract → Translate → Re-implement
というProcessである。
⸻
製薬からEnergyへ進む経営上の意味
経営面では、この移行には大きな意味がある。
一つのVertical Marketへ依存しすぎない。
新しいCustomer Baseを得る。
高信頼AIという共通Capabilityを広げる。
Physical AIへ入る。
一方でRiskもある。
Sales Cycleが違う。
Domain Expertが必要になる。
Hardwareや現場Integrationが増える。
Project Complexityが高まる。
したがって新領域への進出は、Growth Opportunityであると同時にManagement Challengeでもある。
⸻
Revenue Modelも変わる可能性がある
製薬ではSaaSとしてProduct化しやすい領域がある。
EnergyやPhysical AIでは、Customer-specificなSystem Integrationや共同研究の比重が大きくなる可能性がある。
つまり、
SaaS / Product
と、
Project / Engineering
のBalanceがDomainによって変わる。
企業全体として、複数Business Modelをどう統合するかが課題になる。
⸻
Energyは長期関係になりやすい
Infrastructure Systemは一度導入すれば長期間使われることが多い。
そのため、
Initial Developmentだけでなく、
Maintenance。
Monitoring。
Model Update。
Security Update。
Operation Support。
が必要になる。
つまり、
Project Revenue
から、
Long-term Operational Relationship
へ進む可能性がある。
⸻
Trustの蓄積が重要になる
Energyや原子力では、Startupが高CriticalityなSystemへ最初から大きく入れるとは限らない。
小さなUse Case。
Research Project。
PoC。
限定的なOperation Support。
から始める。
実績を積む。
その後より重要な領域へ進む。
つまり、
Small Responsibility → Proven Trust → Larger Responsibility
という成長経路になる。
⸻
Partnershipの重要性が高まる
Physical Industryでは一社完結がさらに難しくなる。
Robot Company。
Sensor Company。
Energy Company。
Research Institution。
Public Agency。
AI Company。
を接続する必要がある。
したがって、製薬からEnergyへ進むことはTechnology Capabilityだけでなく、
Ecosystem Orchestration Capability
を要求する。
⸻
Public R&Dとの接続
特に廃炉やAdvanced Infrastructure Technologyでは、公的研究開発支援との関係も強くなる。
市場だけでは取りにくいResearch Riskを公的Programが分担する。
StartupがEngineeringを担う。
Research InstitutionがTest Environmentを提供する。
この構造は、第Ⅵ部で見た企業Systemそのものでもある。
⸻
東京から地域へ
Energy Infrastructureは東京だけに存在するわけではない。
発電設備。
Industrial Facility。
地域Infrastructure。
地方自治体。
Technologyの需要は日本各地にある。
したがってEnergy事業の拡大は、EQUESの地域展開とも接続する可能性がある。
北海道拠点の意味も、Human Resourceだけでなく地域産業との接続という観点から見る必要がある。
⸻
Energyからさらに先へ
もしEQUESが、
Sensor。
Multimodal Perception。
Remote Robotics。
High-reliability AI。
を蓄積すれば、そのCapabilityはEnergyだけに閉じない。
Infrastructure Inspection。
Disaster Response。
Manufacturing。
Construction。
Space。
などへ接続する可能性がある。
ただし、これは将来可能性である。
現在の事業実績と区別して扱う必要がある。
⸻
2026年に見えるTrajectory
2022年から見ると、EQUESはAI受託Startupとして始まった。
2026年には、
製薬でVertical AIを作り、
EnergyでPhysical Infrastructureへ進み、
原子力で高信頼性をさらに要求される領域へ入っている。
そのTrajectoryは、
General AI
→ Domain AI
→ Trusted AI
→ Physical AI
として整理できる。
⸻
未来から見る意味
2030年代に、
労働力不足。
Infrastructure Aging。
Remote Maintenance。
Robotics。
Physical AI。
が重要になると仮定するなら、Energy事業は2026年の単なる新規事業以上の意味を持つ。
将来必要になるPhysical AI Capabilityを、現在から蓄積する場になる可能性がある。
つまり、
Future Physical AI Requirement → Present Energy R&D
というStrategic Backcastingで見ることができる。
⸻
ただし未来を確定しない
Physical AIがどの速度で普及するか。
どのRobot Architectureが主流になるか。
EQUESがどこまで市場を取るか。
まだ確定していない。
したがってEnergy事業を「将来の成功が約束された分野」として描くべきではない。
評価すべきなのは、
現在のResearchとBusinessが、将来選択肢をどれだけ増やしているか
である。
⸻
製薬からエネルギーへ
この移行を最小化すると、
Pharmaceutical AI
では、
Document
→ AI
→ Verification
→ Human
だった。
Energy AIでは、
Infrastructure
→ Sensor
→ AI
→ Verification
→ Human / Operation
になる。
そしてPhysical AIでは、
Environment
→ Sensor
→ AI
→ Safety
→ Robot
→ Environment
へ進む。
つまり、同じ高信頼AIの設計原則が、よりPhysicalな世界へ拡張していく。
⸻
EQUESにとって製薬からEnergyへの展開は、別の業界へ進むだけの事業拡大ではない。
AIが扱う対象を、DocumentとKnowledgeからInfrastructureとPhysical Environmentへ広げる企業変化である。
そしてこの変化が本格化すれば、EQUESに必要になるCapabilityも根本的に変わる。
Cloud上で動くSoftwareだけでは足りない。
Sensor。
Edge。
Robot。
Latency。
Control。
Safety。
Hardware。
が必要になる。
次節では、この境界をさらに明確にする。
「ソフトウェアからフィジカルAIへ」。
2026年のEQUESに現れ始めた、最も大きなTechnology Transitionの一つを見ていく。
第3節 ソフトウェアからフィジカルAIへ
EQUESの2026年を考えるうえで、最も大きなTechnology Transitionの一つが、
Software AIからPhysical AIへの拡張
である。
これまで同社が扱ってきたAIの多くは、Digital Environmentの中で価値を生んできた。
Documentを生成する。
Knowledgeを検索する。
複数Documentを比較する。
業務SystemへAIを組み込む。
こうした仕事では、InputもOutputも主としてDigital Informationである。
しかしPhysical AIでは、AIが扱う対象が変わる。
Camera。
Sensor。
Machine。
Robot。
Infrastructure。
Space。
そしてPhysical EnvironmentそのものがAI Systemの一部になる。
AIは、画面の中で答えを生成するTechnologyから、
Realityを観測し、現実のActionへ接続するTechnology
へ近づいていく。
⸻
Software AIの基本構造
従来のAI Applicationでは、基本構造は比較的単純だった。
Dataを入力する。
Modelが処理する。
Outputを返す。
例えば、
Document → LLM → Draft
である。
この場合、Outputに問題があっても、Humanが修正してから利用できる。
Systemが失敗しても、その影響をDigital Layerの中で止められる場合が多い。
つまり、
Input → Intelligence → Information Output
という構造である。
⸻
Physical AIではLoopが閉じる
Physical AIでは、Systemの構造が変わる。
Physical EnvironmentからSensor Dataを取得する。
AIがStateを理解する。
Actionを決める。
RobotやMachineが動く。
Environmentが変化する。
再びSensorが観測する。
つまり、
Environment
→ Sensor
→ AI
→ Action
→ Environment
というClosed Loopになる。
AIのOutputが、現実を変える。
この違いは大きい。
⸻
Outputの失敗がPhysicalになる
生成AIが誤った文章を出した場合、Humanが削除できることがある。
しかしRobotが誤って動けば、物体へ接触する可能性がある。
設備を誤って操作すれば、Physical Consequenceが発生する可能性がある。
したがって、
Digital Error
が、
Physical Consequence
へ変わる。
Physical AIでは、この瞬間からAI Engineeringだけでは足りなくなる。
⸻
AccuracyからSystem Reliabilityへ
Software AIでは、Model Accuracyが重要な評価指標になる。
Physical AIではそれに加えて、
Latency。
Sensor Reliability。
Communication Stability。
Control Stability。
Fail-safe。
Human Override。
Hardware Reliability。
が必要になる。
つまり評価対象が、
Model Performance
から、
Whole-system Reliability
へ広がる。
高性能なAI Modelがあっても、Systemとして安全でなければ使えない。
⸻
Sensorが新しいInput Layerになる
Physical AIにおいて、AIはRealityを直接見るわけではない。
Camera。
LiDAR。
Force Sensor。
Temperature Sensor。
Position Sensor。
などによってRealityがMeasurementへ変換される。
したがって、
Reality → Sensor → Data → AI
というInput Chainが存在する。
Sensorが間違えば、AIも間違う。
このため、Sensor CalibrationやNoise、Missing Dataまで含めて設計する必要がある。
⸻
Sensor Fusion
現実世界は一つのSensorだけでは十分に表現できない。
Cameraでは見えるがDepthが分かりにくい。
LiDARではDistanceは分かるがTextureが分からない。
Force Sensorは接触状態を示す。
複数のSensorを統合することで、Environmentをより豊かに理解できる。
つまり、
Camera + Depth + Force + State
によるSensor Fusionである。
ここからMultimodal Physical AIが形成される。
⸻
Environment Representation
Sensor Dataをその場で処理するだけでは、高度なActionは難しい。
AIは、
自分はどこにいるのか。
周囲に何があるのか。
どのObjectが動いているのか。
何が危険なのか。
を継続的に把握する必要がある。
そこでEnvironmentの内部Representationが必要になる。
Map。
Object State。
Robot State。
Task State。
このRepresentationがPhysical AIの判断基盤になる。
⸻
World Modelへの接続
さらに進めば、
「このActionを取ったら、次に何が起こるか」
を予測する必要がある。
Objectを押したらどう動くか。
Robot Armを動かしたらCollisionするか。
このRouteを選んだら到達できるか。
つまり、
Current State + Action → Next State
を予測する。
Physical AIではWorld Modelの考え方が、現実のAction Planningへ直接つながる。
⸻
PlanningとControlを分ける
AIが何をすべきかを決めることと、Machineを安定して動かすことは同じではない。
High-levelでは、
どのTaskを実行するか。
どのRouteを取るか。
どのObjectを操作するか。
をPlanningする。
Low-levelでは、
Motorをどう動かすか。
Positionをどう制御するか。
Forceをどう調整するか。
をControlする。
したがって、
AI Planning + Classical Control
というHybrid Systemが重要になる。
⸻
Robot Learning
Physical AIが高度化すると、Robot自身が経験からTaskを学習する方向へ進む。
Demonstrationから学ぶ。
Simulationで学ぶ。
Human Operationから学ぶ。
複数RobotのDataを集める。
ただし、現場で無制限にFailureを経験させることはできない。
特に原子力やInfrastructureでは、TrainingとProductionを分ける必要がある。
⸻
Simulationの役割
そこでSimulationが重要になる。
Digital Environment内で、
Robotを動かす。
失敗する。
Obstacleを変える。
Rare Eventを作る。
AIを評価する。
つまり、
ExperienceをDigital側で生成する
のである。
Physical AIでは、SimulationがResearch、Training、Verificationの共通基盤になる。
⸻
Sim-to-Real
しかしSimulationで成功しても、Realityで成功するとは限らない。
Lighting。
Friction。
Noise。
Object Position。
Machine Condition。
現実にはSimulationにない差が存在する。
この差がSim-to-Real Gapである。
最終的にはReal-world Testが必要になる。
したがって、
Simulation → Real Verification
という二段階が必要になる。
⸻
Edge AI
Physical Systemでは、すべての処理をCloudへ送ることが適切とは限らない。
RobotがObstacleへ接近した。
CloudへImageを送り、Responseを待つ。
これでは間に合わない場合がある。
そこで、
Immediate Decision → Edge
Heavy Computation → Cloud
という分業が必要になる。
⸻
CloudとEdgeの二層化
例えば、
Edgeでは、
Object Detection。
Collision Avoidance。
Emergency Response。
を行う。
Cloudでは、
Large Model。
Long-term Analysis。
Model Training。
Fleet Learning。
を行う。
つまり、
Cloud ⇄ Edge ⇄ Robot
というArchitectureになる。
Physical AIはDistributed Systemでもある。
⸻
Network Failureを前提にする
Cloud依存SystemではNetwork FailureがRiskになる。
通信が切れた。
Latencyが増えた。
Packet Lossが発生した。
このときRobotが危険な状態へ進まないようにする。
つまり、
Network Failure → Safe State
が必要になる。
Physical AIではNetwork DesignもSafety Engineeringの一部になる。
⸻
Fail-safe
SystemはFailureする。
Sensorが壊れる。
Modelが誤る。
Communicationが切れる。
Motorが故障する。
重要なのはFailureをゼロにすると言うことではない。
Failureしたとき、
停止できる。
安全側へ移る。
Humanへ戻せる。
ことが重要になる。
つまり、
Fail-safe by Design
である。
⸻
Redundancy
高Risk Systemでは、一つのComponentだけに依存しない。
複数Sensor。
複数Safety Check。
Rule-based Constraint。
Human Override。
Emergency Stop。
これらを重ねる。
つまり、
AI ModelをSafetyそのものにしない。
AIはSafety Architectureの一部として置く。
⸻
Physical AIではHumanの位置も変わる
Remote OperationではHumanがMachineを直接操作する。
AI-assisted OperationではAIがPerceptionを支援する。
Shared AutonomyではAIが一部のActionを自動化する。
より高度なAutonomyではHumanは全体を監視する。
つまり、
Operator → Supervisor
へHuman Roleが変化する可能性がある。
⸻
最大自律化ではなく適切な自律化
Physical AIの価値を、
「どこまでHumanを外せるか」
だけで測る必要はない。
あるTaskではHuman Operationが最適。
別のTaskではShared Autonomyが最適。
Routine Taskだけ自律化する。
Risk LevelによってAutomationを変える。
重要なのは、
Maximum Autonomy
ではなく、
Appropriate Autonomy
である。
⸻
原子力ではHumanを危険から離す
EQUESが関与する廃炉関連の研究開発を考えると、この意味はさらに明確になる。
Robot導入の目的は単なる人員削減ではない。
人間が直接入りにくいEnvironmentでMachineを使う。
つまり、
Automation for Safety
である。
Physical AIはHumanを消すTechnologyではなく、Human Capabilityを危険区域の外側から拡張するTechnologyにもなる。
⸻
Hardwareを理解するAI企業へ
Software中心のAI Companyでは、
Model。
API。
Cloud。
Database。
が主要なTechnology Stackになる。
Physical AIへ進むと、
Sensor。
Embedded Computer。
Robot。
Motor。
Battery。
Communication。
Mechanical Constraint。
まで理解する必要がある。
これはEQUESのEngineering Capabilityを大きく広げる。
⸻
Hardwareを全部作る必要はない
ただし、EQUES自身がすべてのHardwareを開発する必要はない。
Robot企業。
Sensor企業。
大学。
研究機関。
とのPartnershipを利用できる。
重要なのは、
Hardwareを所有すること
ではなく、
Hardware Constraintを理解し、AI Systemとして統合できること
である。
⸻
Cyber-Physical Partnership
Physical AIではPartnershipの性格も変わる。
Software APIを接続するだけではない。
Hardware Interface。
Control Interface。
Safety Boundary。
Responsibility Boundary。
まで共同設計する必要がある。
つまり、
Software Partnership → Cyber-Physical Partnership
である。
⸻
SecurityもPhysicalになる
Physical MachineがNetworkへ接続されれば、Cyber AttackがPhysical Actionへ影響する可能性がある。
不正Command。
Sensor Manipulation。
Unauthorized Access。
したがって、
CybersecurityとPhysical Safetyを分離できない。
Cyber Security → Physical Safety
という関係になる。
⸻
Software Updateも慎重になる
Web Applicationなら、毎日Updateできる場合がある。
Physical AIでは、Model UpdateによってRobot Behaviorが変わる。
したがって、
Modelを更新する。
再評価する。
SimulationでTestする。
必要ならField Testする。
その後Deployする。
という慎重なProcessが必要になる。
⸻
Continuous Learningにも境界がある
AIはContinuous Learningすればよい、という単純な考え方もPhysical AIでは危険である。
Production中にModelが自由に変化すれば、Validation済みのBehaviorから逸脱する可能性がある。
したがって、
Learn Continuously, Deploy Carefully
が重要になる。
学習は継続する。
しかしProduction UpdateはControlledに行う。
⸻
Physical AIとEQUESの強み
EQUESがここへ進む際、製薬で蓄積したCapabilityには再利用可能なものがある。
Evaluation。
Human Review。
Explainability。
Audit。
Security。
Domain Translation。
これらはPhysical AIでも必要になる。
つまり、
Trusted Software AI → Trusted Physical AI
というCapability Transferが考えられる。
⸻
ただし新しい能力も必要になる
一方、Physical AIには製薬AIだけでは得られないCapabilityが必要になる。
Robotics。
Control。
Sensor Fusion。
Edge Computing。
Simulation。
Hardware Integration。
Safety Engineering。
これらを内部人材、共同研究、Partnershipによって獲得しなければならない。
つまり、
Existing Capability + New Physical Capability
である。
⸻
経営上の負荷も大きくなる
Software Productは比較的低いMarginal CostでScaleできる場合がある。
Physical AIは異なる。
Hardware Cost。
Field Test。
Installation。
Maintenance。
On-site Support。
が増える。
そのため、
Business Model。
Capital Requirement。
Partner Strategy。
も変わる。
Technology Transitionは同時にBusiness Transitionでもある。
⸻
SaaSとPhysical AIの違い
QAIのようなSaaSでは、一つのSoftwareを多数のCustomerへ展開しやすい。
Physical AIではSiteごとの条件差が大きい。
Facility Layout。
Robot Hardware。
Sensor。
Safety Requirement。
したがって初期にはCustom Engineeringの比重が大きくなる可能性がある。
ScaleにはStandard InterfaceやReusable Platformが必要になる。
⸻
Physical AI Platformへの可能性
複数Projectから共通する部分が見つかれば、
Perception。
Robot Interface。
Simulation。
Safety Monitoring。
Audit。
を共通化できる可能性がある。
すると、
Custom Physical AI Project → Reusable Physical AI Platform
へ進むことができる。
ただし、これは将来可能性であり、現時点のEQUESに完成済みPlatformがあるという意味ではない。
⸻
SoftwareとPhysicalを統合する
重要なのは、Software AIからPhysical AIへ「乗り換える」ことではない。
むしろ両者を接続することである。
LLMがManualを読む。
RAGが過去事例を検索する。
Sensor AIが現在状態を認識する。
OptimizationがActionを比較する。
Robotが実行する。
Humanが監督する。
つまり、
Digital Intelligence + Physical Intelligence
である。
⸻
AI Agentとの接続
Digital AI AgentはSoftware EnvironmentでToolを使う。
Physical AI AgentはMachineを通じてRealityへActionする。
将来的には、
Enterprise Agentが作業指示を理解する。
Physical Agentが現場Taskを実行する。
Humanが両者を監督する。
という接続も考えられる。
ただし、自律性が高まるほどGovernanceとSafety Requirementも高くなる。
⸻
2026年という境界
2022年のEQUESにとって、AIは主としてSoftware Engineeringの対象だった。
2026年には、その対象がPhysical Worldへ広がり始めている。
この変化は、
Text → Sensor
Cloud → Edge
Output → Action
Software Reliability → Physical Safety
という複数のTransitionを伴う。
⸻
Future Capabilityという視点
もし2030年代にPhysical AIがInfrastructure Maintenance、Manufacturing、Disaster Responseなどへ広がるなら、現在の廃炉・Energy分野で得るExperienceは将来Capability形成の意味を持つ。
Extreme Environmentで、
Robustness。
Safety。
Remote Operation。
Human–Robot Collaboration。
を学ぶ。
これはより一般的なPhysical AIへ応用可能なKnowledgeになり得る。
⸻
ただしTrajectoryを成功と混同しない
EQUESがPhysical AIへ進み始めたことと、その事業が将来大規模な市場成功を収めることは同じではない。
必要になるのは、
Technology Validation。
Field Performance。
Customer Adoption。
Business Economics。
Partner Network。
である。
したがって2026年時点では、
Completed Transition
ではなく、
Strategic Transition in Progress
として見るのが適切である。
⸻
ソフトウェアからフィジカルAIへ
この変化を最小化すると、
Software AI
Data → Model → Information
から、
Physical AI
Environment → Sensor → Model → Action → Environment
への拡張である。
しかし、その本質は「Robotを扱い始めた」という一点だけにはない。
AI企業が、
現実世界のConstraintをEngineeringの内部へ受け入れること
にある。
重力。
時間。
距離。
Latency。
Failure。
Human Safety。
Softwareだけでは無視できた条件が、すべてSystem Requirementになる。
⸻
EQUESがこの境界を越えるなら、企業Identityも変わる。
AI Softwareを開発する会社から、
AI・Software・Hardware・Human・Physical Environmentを接続する産業Engineering企業
へ近づく。
それは大きな可能性を持つ一方、Organization、Capital、Partnership、Safety、Operationという新しい負荷も伴う。
そしてこの拡張は、Technologyだけでなく企業の地理的なNetworkにも現れ始めている。
次節では視点を東京から外へ移し、EQUESの北海道拠点を手掛かりに、**「東京から北海道へ」**という地域展開を、人材、研究、地域産業、Knowledge Networkの形成という観点から読み解く。
第4節 東京から北海道へ
EQUESは東京大学を起点として生まれた。
本社を置く東京・本郷は、そのOriginを象徴する場所である。
大学。
研究室。
研究者。
学生。
AI Startup。
Technology Company。
Capital。
顧客企業。
東京には、AI企業を成立させる多くのResourceが高密度に集積している。
しかし、AIを社会へ実装するという目的を考えれば、活動範囲が東京だけで完結するとは限らない。
2026年のEQUESを考えるうえで注目すべき変化の一つが、北海道・札幌への展開である。
これは単なるOfficeの増設としてではなく、
東京に集中していたKnowledge Networkを、別の地域へ拡張する試み
として読むことができる。
⸻
東京という出発点
大学発AI Startupにとって東京は非常に強いLocationである。
東京大学をはじめとする研究機関。
AI Engineer。
Startup Ecosystem。
大企業。
Investor。
Government。
Technology Partner。
これらが比較的近い範囲に存在する。
創業初期には、この密度が大きなAdvantageになる。
人と会う。
研究者を採用する。
CustomerとPoCする。
Partnerを探す。
資金を調達する。
Company Formationの速度を高めることができる。
⸻
しかし産業現場は東京だけにはない
EQUESが製薬、Energy、Infrastructureへ進むほど、重要な現場は全国へ広がる。
Factory。
Power Infrastructure。
Research Facility。
Hospital。
University。
Local Company。
これらは東京だけに集中していない。
つまり、
AI Knowledgeは都市へ集中していても、AIが解くべきProblemは全国に分散している。
ここに地域展開の意味がある。
⸻
地方拠点を支店としてだけ見ない
従来型企業の地域拠点には、
営業所。
支店。
Local Sales。
という意味が強かった。
しかしKnowledge Companyでは、別の役割を持たせることができる。
Talentを発見する。
Universityと共同研究する。
地域企業のProblemを知る。
教育活動を行う。
地域の産業Networkへ入る。
つまり、
Branch Office
ではなく、
Knowledge Node
として設計できる。
⸻
北海道という異なるEnvironment
北海道は東京とは異なる産業構造を持つ。
広い地理。
Energy。
Agriculture。
Food。
Healthcare。
Infrastructure。
観光。
地域交通。
寒冷Environment。
人口構造。
こうした条件は、東京とは異なるAI Use Caseを生み得る。
したがって北海道への展開には、単に東京のBusinessをそのまま持ち込むのではなく、
地域固有のProblemを観測する
意味がある。
⸻
地域差はAIの研究対象にもなる
AI Systemは、Environmentから独立して動くわけではない。
都市部で成立するSystemが、そのまま地方で成立するとは限らない。
通信環境。
移動距離。
人材配置。
設備条件。
業務慣行。
Cost Structure。
これらが異なる。
Physical AIへ進むほど、この地域差は重要になる。
現実Environmentの違いがSystem Requirementを変えるからである。
⸻
Physical AIと北海道
例えば広域InfrastructureのInspectionを考える。
Humanが長距離を移動して確認する。
冬季には条件が厳しくなる。
人材不足が進む。
こうしたEnvironmentでは、
Remote Monitoring。
Sensor。
Drone。
Robot。
AI。
の価値が高まる可能性がある。
これはEQUESのEnergy・Physical AIという方向とも接続可能である。
ただし、具体的な事業化については実績と将来可能性を区別して考える必要がある。
⸻
Energyとの接続可能性
北海道はEnergy Transformationを考えるうえでも重要な地域である。
再生可能Energy。
Grid。
Storage。
地域Infrastructure。
これらが高度化すれば、DataとAIの利用領域も広がる。
Demand Forecast。
Equipment Monitoring。
Optimization。
Maintenance。
AIが関与できるProblemは多い。
EQUESのEnergy AI Capabilityにとって、地域との接続は新しいProblem Discoveryの機会になり得る。
⸻
地域を実証環境としてだけ扱わない
一方、地方を「東京のTechnologyを試す場所」とだけ見ることには注意が必要である。
地域には地域自身のKnowledgeがある。
Local Company。
Engineer。
自治体。
University。
Resident。
現場を最も理解しているのは、その地域で活動する人々である。
したがって、
Tokyo Technology → Local Field
という一方向ではなく、
Tokyo Knowledge ⇄ Local Knowledge
という双方向関係が必要になる。
⸻
地域のDomain Expert
例えばInfrastructure Maintenanceでは、長年現場を担当してきたLocal Engineerが重要なKnowledgeを持っている。
どこが故障しやすいか。
冬に何が起きるか。
どのOperationが難しいか。
Manualには書かれていないTacit Knowledgeがある。
AI企業が地域へ入る意味は、そのKnowledgeへ接続することでもある。
⸻
大学との接続
地方拠点をKnowledge Nodeにするなら、大学との関係は重要になる。
地域大学には、
Researcher。
Student。
Specialized Laboratory。
地域産業とのNetwork。
がある。
東京大学だけをTalent Sourceとするのではなく、複数大学へResearch Networkを広げれば、企業のKnowledge Diversityも高まる。
つまり、
Single-university Origin → Multi-university Network
への発展である。
⸻
Talentの地理的制約を下げる
Software Developmentは、必ずしも全員が東京へ移住しなければ成立しない。
Remote Work。
Cloud Development。
Online Collaboration。
によって、TalentのLocation Constraintは以前より小さくなっている。
地方に住みながら高度なAI ResearchやSoftware Developmentへ参加できる。
この変化は、Startupの採用市場を広げる。
⸻
東京へ移動しない選択肢
従来は、高度なTechnology Careerを求める人材が東京へ移ることが多かった。
地域にAI企業の拠点があれば、
地域に住みながらFrontier Technologyへ関与する
という選択肢が増える。
これは企業側にとってTalent Acquisitionであり、地域側にとってHuman Capital Retentionにもなり得る。
⸻
採用だけで終わらせない
ただし、地方で採用できれば地域展開が成功したということではない。
重要なのは、その人材が東京本社の補助作業をするだけではなく、
Research。
Product Development。
Project Leadership。
Customer Engagement。
へ参加できるかである。
つまり、
Distributed Location
と、
Distributed Capability
を一致させる必要がある。
⸻
Distributed R&D
これが進めば、EQUESは一つのOfficeにResearch Capabilityを集中させる会社から、
Distributed R&D Organization
へ進むことができる。
東京。
北海道。
さらに将来的には他地域。
各拠点が異なるKnowledgeとNetworkを持ち、それをCompany-wideに共有する。
このStructureはAI企業との相性がよい。
⸻
しかし分散にはCostもある
Organizationを地理的に分散すれば、Communication Costが増える。
Knowledgeが拠点ごとに分断される。
Cultureが分かれる。
Decision Speedが落ちる。
同じResearchを重複する。
こうしたRiskもある。
したがって、拠点を増やすこと自体を成長と考えてはいけない。
⸻
One Companyとして接続する
必要なのは、
Common Repository。
Research Sharing。
Documentation。
Online Meeting。
Project Rotation。
Shared Evaluation。
共通Technology Platform。
である。
つまり地理的には分散していても、
Knowledge Systemとしては一つ
である必要がある。
⸻
Company Memoryが地域を接続する
前章で見たCompany Memoryは、ここでも重要になる。
東京で学んだKnowledgeを北海道から検索できる。
北海道で得たExperienceを東京のEngineerが利用できる。
Project History。
Code。
Architecture。
Evaluation。
Research Note。
を共有する。
すると、
Geographic Distribution ≠ Knowledge Fragmentation
にできる。
⸻
AI自身が分散Organizationを支援する
興味深いのは、AI企業自身がAIを使ってDistributed Workを支援できることである。
Meetingを要約する。
Research Documentを検索する。
過去Projectを探す。
Codeを説明する。
Internal Knowledgeへ質問する。
つまり、
AI for Customers
だけではなく、
AI for EQUES
である。
AIによって地域間のInformation Gapを縮めることができる。
⸻
教育事業との接続
北海道展開は、AI×DX寺子屋のような教育活動とも接続できる。
企業向けTraining。
Student Education。
Local Workshop。
AI Literacy。
こうした活動は短期的Salesだけでは測れない。
地域のAI Userを増やす。
Future Talentを育てる。
企業との接点を作る。
つまり、
Education → Community → Talent / Customer / Partner
という長期的Network Formationにつながる可能性がある。
⸻
地域企業との共同開発
地域には大企業だけではなく、中小企業も多い。
これらの企業は、
AIを導入したい。
しかし専任AI Teamを持てない。
Data整理から必要になる。
という場合がある。
EQUESの伴走型開発は、このような企業とも相性を持ち得る。
ただし、個別受託だけではCostが合わない場合もある。
⸻
地域AIのScale
そこで、
共通Problemを見つける。
Template化する。
TrainingとToolを組み合わせる。
複数企業へ展開する。
という方法が考えられる。
つまり、
One Company DX
ではなく、
Regional Shared Capability
を形成する。
これは将来的な事業可能性として検討できる。
⸻
Startupと自治体
地域AIでは自治体との接続も考えられる。
Administrative Process。
Infrastructure。
Education。
Disaster Prevention。
Regional Industry。
自治体は多くの社会ProblemとDataを持つ。
一方でAI導入にはProcurement、Security、Accountabilityなど独自のConstraintがある。
ここでも高信頼AIとHuman-centered Implementationの経験が重要になる。
⸻
北海道拠点の評価方法
地域拠点の成果を、
Officeを作った。
社員が増えた。
という指標だけで評価するべきではない。
見るべきなのは、
何人のTalentが参加したか。
どのResearchが生まれたか。
どのCustomer Problemを発見したか。
どのPartnershipが形成されたか。
東京側へどのKnowledgeが戻ったか。
である。
つまり、
Location → Knowledge Flow
を見る。
⸻
東京と北海道を競合させない
東京本社と北海道拠点を独立したProfit Centerとして早期から競わせれば、Knowledge Sharingが弱くなる可能性がある。
むしろ初期には、
東京が持つResearch Network。
北海道が持つRegional Network。
を相互補完させる方が合理的である。
Tokyo Capability + Hokkaido Capability
を一つのCompany Capabilityへ変換する。
⸻
二つの異なるKnowledge Density
東京にはResearch、Capital、Corporate Headquartersが高密度に集まる。
北海道には広域産業、地域Infrastructure、異なるEnvironment、Local Knowledgeがある。
両者は同じではない。
だから価値がある。
同じ拠点を複製するのではなく、
異なるKnowledgeを接続する
ことが地域展開の意味になる。
⸻
東京一極集中というRisk
企業Capabilityを東京だけへ集中すると、Talent SourceもCustomer Networkも偏る。
同じUniversity。
同じCommunity。
同じBusiness Network。
から人とInformationが集まる。
これは効率的である一方、視点が均質化する可能性がある。
地域展開はKnowledge Diversityを増やす手段にもなる。
⸻
DiversityはInnovationへつながるか
ただし異なる人を集めるだけでInnovationが起きるわけではない。
異なるKnowledgeを接続するMechanismが必要になる。
Joint Project。
Research Meeting。
Cross-location Team。
Shared Platform。
これらによって、
Diversity → Interaction → New Knowledge
へ変換する。
⸻
地域から全国へ
北海道で地域展開のModelを形成できれば、そのKnowledgeを他地域へ応用できる可能性もある。
ただし地域ごとの産業構造は異なる。
北海道で成功した方法を、そのまま九州や東北へCopyできるとは限らない。
ここでも、
Common Architecture + Local Adaptation
が必要になる。
⸻
日本全体をKnowledge Networkとして見る
この考え方をさらに広げると、AI Startupの拠点戦略そのものが変わる。
東京本社から全国へServiceを販売するだけではない。
各地域からProblemとKnowledgeを取得する。
地域大学とResearchする。
地域Talentが開発する。
Company全体へKnowledgeを戻す。
つまり、
Centralized Company
から、
Networked Company
への変化である。
⸻
Physical AIは地域展開をさらに重要にする
Software AIなら、東京からRemoteで導入できる場合が多い。
Physical AIでは現場が重要になる。
Robotを動かす。
Sensorを設置する。
Equipmentを見る。
Environmentを測る。
Field Testする。
つまりPhysical AIへ進むほど、
Place
の意味が再び大きくなる。
Digital Technologyが進歩した結果、Locationが不要になるのではない。
Physical AIでは逆に、地域EnvironmentそのものがResearch対象になる。
⸻
DigitalとPhysicalで拠点の意味が変わる
Software時代には、
Work can move to the Network.
Physical AI時代には、
AI must move to the Field.
この違いがある。
EQUESがSoftwareからPhysical AIへ広がるなら、東京以外の拠点を持つ意味も変わる。
Officeではなく、現実Environmentへ接続する入口になる。
⸻
地域拠点から得るもの
最終的に地域展開によって得るべきものは、不動産でも所在地でもない。
Talent。
Problem。
Domain Knowledge。
Partner。
Data。
Research Theme。
Customer。
である。
つまり、
Regional Presence → Organizational Capability
への変換が必要になる。
⸻
東京から北海道へ
この変化を最小化すると、
Tokyo
では、
University / Research / Startup / Capital
というKnowledge Clusterを利用する。
そこから北海道へ進み、
Regional Industry / Talent / University / Field
へ接続する。
そして北海道で得たKnowledgeを再びCompany全体へ戻す。
構造は、
Tokyo Knowledge
⇄ Hokkaido Knowledge
である。
⸻
地理的拡張ではなくKnowledge Networkの拡張
したがって「東京から北海道へ」という変化の本質は、会社の地図上に新しい点を置くことではない。
EQUESが接続できるKnowledge Sourceを増やすこと
にある。
大学発Startupとして東京の高密度なResearch Ecosystemから始まり、そのCapabilityを異なる地域Environmentへ接続する。
そこで新しいProblemを学ぶ。
新しいTalentと出会う。
新しいPartnerを得る。
そのKnowledgeを再びCompany Systemへ統合する。
この循環が成立したとき、地域拠点は初めて企業Capabilityになる。
⸻
2026年のEQUESには、Technologyだけでなく、Company Boundaryそのものを広げようとする動きが見える。
研究室から企業へ。
東京から北海道へ。
DigitalからPhysicalへ。
個別Projectからより再利用可能なCapabilityへ。
これらは別々の変化ではない。
すべて、
限られた人数のStartupが、自社のResearchとEngineeringをどこまでScaleできるか
という一つの経営課題へつながっている。
その次に問われるのは、最も重要なScaleの方法である。
一件ごとの伴走型開発で得たKnowledgeを、一件ごとの売上で終わらせず、複数の顧客へ繰り返し提供できるProductや共通Infrastructureへ変換できるか。
次節では、EQUESの企業構造におけるもう一つの転換を、**「受託からプロダクト・基盤へ」**という視点から分析する。
第5節 受託からプロダクト・基盤へ
EQUESの2026年を考えるうえで、もう一つ重要な変化がある。
それは、
受託開発だけではなく、Productと共通基盤を持つ企業へ進めるか
という問題である。
伴走型技術開発には大きな強みがある。
顧客のProblemを深く理解できる。
Domain Knowledgeを獲得できる。
新しいTechnologyを試せる。
現場から直接Feedbackを得られる。
しかし一件ごとのCustom Developmentだけでは、成長が人員数へ強く依存しやすい。
Engineerが増えなければ案件数も増やしにくい。
そこで必要になるのが、
Projectで得たKnowledgeを再利用可能なProductやInfrastructureへ変換すること
である。
EQUESにとってQAIは、この変化を考える重要な事例になる。
⸻
受託は弱いBusiness Modelなのか
Startupの議論では、受託開発が低く評価されることがある。
人月型になる。
Scaleしにくい。
Customer-specificな仕事が増える。
Product Companyになりにくい。
確かに、そのRiskはある。
しかし高難度な産業AIでは、最初から完成したProductだけを作ることも難しい。
CustomerのWorkflowを知らない。
どのProblemが本当に重要か分からない。
どのAccuracyが必要か分からない。
どのIntegrationが必要か分からない。
そこで受託ProjectがMarket ResearchとTechnology Researchを兼ねる。
つまり、
Project = Revenue + Learning
として見る必要がある。
⸻
案件からRepeated Problemを探す
Product化の起点は、「良いTechnologyを作ったから売る」ことではない。
同じProblemが複数のCustomerで繰り返されていることを発見することである。
例えば、
品質保証Documentの作成に時間がかかる。
複数Documentの整合性確認が重い。
過去Informationを探しにくい。
Human Reviewへ多くの時間がかかる。
こうしたProblemが複数企業に共通するなら、
One-off Problem
ではなく、
Market-level Problem
になる。
ここからProduct化の可能性が生まれる。
⸻
ProjectからProductへ
受託開発では、
Customer Aに合わせて作る。
Productでは、
複数Customerが利用できる共通構造を作る。
したがって、
Customer-specific Solution
から、
Reusable Solution
へ抽象化する必要がある。
これが、
Project → Pattern → Product
である。
QAI GeneratorやQAI Checkerは、この方向を示している。
⸻
Product化とは機能をコピーすることではない
一社向けに作ったSystemを、そのまま別企業へ販売すればProductになるわけではない。
Customerごとに、
System。
Document Format。
Permission。
Workflow。
Master Data。
が異なる。
そこで、
共通部分をCoreへする。
差分をConfigurationへする。
Integration Layerを分離する。
つまり、
Standard Core + Configurable Edge
を設計する。
これがVertical SaaSの重要なArchitectureになる。
⸻
SaaSがもたらすScale
Productが複数Customerへ提供できれば、同じSoftware Assetから繰り返しRevenueを生み出せる。
一人のEngineerが一社だけを支援する構造から、
一つのProduct Teamが多数Customerを支援する構造へ進む。
つまり、
Labor Leverage
から、
Software Leverage
へ移る。
これはStartupのScaleにとって重要である。
⸻
ただし製薬SaaSは簡単ではない
一般Consumer SaaSと、高信頼産業向けSaaSは同じではない。
Security。
Data Isolation。
Audit。
Validation。
System Integration。
Human Approval。
Customer-specific Rule。
が必要になる。
そのため、
「一度作れば誰にでもそのまま売れる」
とは限らない。
Vertical SaaSでは、
StandardizationとDomain AdaptationのBalance
が重要になる。
⸻
ProductがDomain Knowledgeを固定する
Product化にはもう一つの意味がある。
案件で得たDomain KnowledgeをSoftwareへ埋め込めることである。
どの項目が必要か。
どこを確認するか。
どのWorkflowで使うか。
こうしたKnowledgeがProduct Designとして蓄積する。
つまり、
Tacit Domain Knowledge → Product Logic
へ変わる。
ProductそのものがCompany Memoryの一部になる。
⸻
ProductからDataが戻る
受託案件では、利用期間が限定される場合がある。
Productでは継続利用される。
すると、
どの機能が使われたか。
どこでHumanが修正したか。
どのTaskで時間がかかるか。
というUsage Feedbackを継続的に得られる。
もちろん顧客DataのPrivacyと契約を厳密に守る必要がある。
そのうえで一般化可能な利用傾向を得られれば、
Product Usage → Product Improvement
というLoopが形成される。
⸻
Productは研究課題も生む
QAI Checkerで特定のDocument Patternに弱い。
Domain ModelがあるQuestionに弱い。
Human Reviewが重い。
Productを運用することでResearch Questionが見える。
つまり、
Product → Failure Case → Research
である。
Research-origin Companyにとって、ProductはCommercializationの終点ではない。
次のResearch Sourceでもある。
⸻
複数Productの共通部分
Productが一つなら、そのProduct専用Architectureでよい。
しかし複数Productを持つと共通部分が見えてくる。
Authentication。
Authorization。
Document Processing。
RAG。
Model Access。
Evaluation。
Logging。
Human Approval。
これをProductごとに毎回作れば重複する。
そこで、
Shared Infrastructure
が必要になる。
⸻
Productから基盤へ
この段階で、
Product → Platform / Common Foundation
という変化が起こる。
例えば、
Document AI基盤。
Knowledge Retrieval基盤。
Model Evaluation基盤。
Security / Audit基盤。
こうした共通Layerを持つ。
その上にQAI Generator、QAI Checker、将来の別Applicationを載せる。
すると新Productを作る速度を高められる。
⸻
基盤とは巨大Platformを作ることではない
ただし、「Platformを作る」という言葉は危険でもある。
Customer Needが十分に分かっていない段階で巨大な共通基盤を作ると、使われない機能が増える。
必要なのは、
案件とProductからRepeated Requirementを確認し、
実際に繰り返し使われる部分だけを共通化すること
である。
つまり、
Reality-driven Platformization
である。
⸻
Data Layer
共通基盤の一つがData Layerである。
Relational Data。
Document。
Vector Database。
Metadata。
Knowledge Base。
AI ProductごとにData Structureを独立させると、Integrationが複雑になる。
共通のData GovernanceとInterfaceを持てば、複数Applicationが同じKnowledgeへ安全にAccessできる。
⸻
Model Layer
次にModel Layerがある。
Commercial LLM。
Open Model。
JPharmatronのようなDomain Model。
Taskによって最適Modelは異なる。
そこでApplicationからModelを分離し、
Model Routing / Model Abstraction
を行う。
Modelが変わってもProduct全体を書き直さずに済む。
AI Technologyの更新速度が速いほど重要になる。
⸻
Evaluation Layer
さらにEQUESらしい共通基盤になり得るのがEvaluationである。
新しいModelを採用する。
Promptを変更する。
RAGを変える。
そのたびに、
Accuracy。
Consistency。
Latency。
Cost。
Domain Performance。
を評価する。
JPharmaBenchで蓄積した考え方をSystem-wideなEvaluation Capabilityへ広げられれば、
AI Change → Automatic Evaluation → Controlled Release
という運用へ近づく。
⸻
Security / Governance Layer
高信頼AIでは、Securityも各Productで別々に設計すべきではない部分がある。
Identity。
Permission。
Audit Log。
Data Access。
Encryption。
Retention。
共通Policyを基盤Layerとして持てば、Product Teamが毎回ゼロから設計する必要を減らせる。
つまり、
Trusted Infrastructure by Default
である。
⸻
Human Approval Layer
Human Reviewも共通化できる可能性がある。
AIがOutputを生成する。
Evidenceを提示する。
Reviewerが確認する。
Approve / Rejectする。
履歴を残す。
このWorkflow Engineが共通化されれば、製薬だけでなく他の高信頼AI Applicationにも利用できる。
ここに、
Trusted AI Platform
という方向が見えてくる。
⸻
Domain Layerは分離して残す
一方、すべてを共通化してはいけない。
製薬には製薬のRuleがある。
EnergyにはEnergyのRuleがある。
Physical AIにはPhysical AIのSafety Requirementがある。
したがって、
Common Trusted Core + Domain-specific Layer
というArchitectureが合理的になる。
これなら共通Technologyを再利用しながら、Domainの違いを保持できる。
⸻
受託・Product・基盤は三者択一ではない
ここで重要なのは、
受託をやめてProductへ。
ProductをやめてPlatformへ。
という単純な段階論ではない。
三つは同時に存在できる。
Project
で新しいProblemを知る。
Product
でRepeated ProblemをScaleする。
Platform
で共通Technologyを再利用する。
この三つを循環させる。
⸻
三層Business Model
EQUESの将来構造を一般化すれば、
Layer 1:Project / Co-development
未知のProblemを解く。
Layer 2:Vertical Product
Repeated ProblemをStandardizeする。
Layer 3:Shared Technology Foundation
複数Product・Projectで共通Technologyを利用する。
という三層が考えられる。
これは将来Architectureとしての分析であり、すべてが現時点で完成していることを意味しない。
⸻
ProjectがFrontierを開く
Productだけに集中すると、現在のMarket Needを効率的にScaleできる。
しかし新しいDomainやTechnology Frontierへ入りにくくなる場合もある。
Projectはその逆である。
新しいCustomer Problemを知る。
新しいTechnologyを試す。
したがってProjectは、
Exploration Engine
として残せる。
⸻
ProductがScaleを作る
Productは、
Exploitation Engine
として機能する。
既に有効性が分かったProblemをStandardized Softwareで解く。
Productivityを高める。
Revenueを積み上げる。
ここでResearch Startupの短期収益性を支える可能性もある。
⸻
PlatformがLeverageを作る
Platform / Shared Infrastructureは、
Leverage Engine
になる。
新しいProjectを速くする。
Product Developmentを速くする。
SecurityやEvaluationを共通化する。
つまり、
Project = Learn
Product = Scale
Platform = Leverage
という役割分担ができる。
⸻
Organizationも変わる
この三層を運営するならOrganization Designも変わる。
Project Team。
Product Team。
Core Platform / Research Team。
それぞれ異なる時間軸を持つ。
ProjectはCustomer Deadlineを見る。
ProductはRoadmapを見る。
ResearchはTechnology Frontierを見る。
これらを接続するProduct / Technical Leadershipが必要になる。
⸻
案件部門とProduct部門を分断しない
Project Teamが現場で学んだことがProduct Teamへ戻らなければ、ProductはCustomer Realityから離れる。
Product Teamが蓄積したTechnologyがProject Teamへ戻らなければ、案件開発は毎回一からになる。
したがって、
Project ⇄ Product ⇄ Platform
というKnowledge Flowを設計する必要がある。
⸻
売上構造も変化する
受託中心では、RevenueはProject Completionに依存する。
SaaSではRecurring Revenueが生まれる。
Platform Capabilityが成熟すれば、新しいProductのDevelopment Costを下げられる。
したがって、
Project Revenue + Recurring Product Revenue
を組み合わせることで、研究開発Investmentを支える構造を作れる可能性がある。
⸻
顧客との関係も変わる
受託ではCustomerごとに深く関わる。
Productでは多くのCustomerへ同じCoreを提供する。
しかし高信頼Vertical SaaSでは、完全Self-serviceよりCustomer SuccessやIntegration支援が重要になる。
つまりProduct化しても、伴走性が完全に消えるわけではない。
Product + Expert Support
という形が合理的な場合がある。
⸻
Productized Serviceという中間形
受託とSaaSの間にはProductized Serviceもある。
共通TechnologyとMethodを持つ。
しかしCustomerごとに一定のCustomizationとExpert Supportを提供する。
高難度AIでは、この中間形が有効な場合がある。
完全Customでも完全Standardでもない。
⸻
Physical AIではProduct化の形も変わる
Software ProductはCloudで一括提供しやすい。
Physical AIはSite Conditionが異なる。
Robot。
Sensor。
Environment。
Safety Requirement。
そのため、Software SaaSと同じ形ではScaleしにくい。
ここでは、
Common Software Stack。
Simulation。
Perception Module。
Safety Monitoring。
を共通化し、現場固有部分をIntegrationする方法が考えられる。
⸻
DomainごとにScale Mechanismが異なる
製薬ではVertical SaaS。
EnergyではMonitoring Platform。
Physical AIではReusable Robotics Software。
QuantumではOptimization MethodやResearch Capability。
同じ「Product化」でも形は異なる。
したがって経営として重要なのは、全事業を一つのBusiness Modelへ押し込むことではない。
各Domainに適したScale Mechanismを見つけること
である。
⸻
Product化がResearchを弱めるRisk
Product Businessが成長すると、Customer RequestやShort-term RoadmapへResourceが集中しやすい。
するとFrontier Researchが弱くなる可能性がある。
EQUESのOriginを維持するには、
Product Revenueを作りながら、
Research Timeを確保する。
公的R&Dを活用する。
大学との接続を保つ。
必要がある。
⸻
研究だけに戻るRisk
反対に、Frontier Technologyへの興味が強すぎるとProduct Focusが失われる。
新しいModel。
新しいAgent。
新しいQuantum Algorithm。
を追い続けても、Customer ValueにつながらなければBusinessは成長しない。
したがって、
Research Pull
と、
Market Pull
の双方を見る必要がある。
⸻
Product Market FitとResearch Fit
ProductにはProduct Market Fitが必要になる。
Researchにも、
「その研究は企業のCore Capabilityと合っているか」
というResearch Fitが必要になる。
そして両者が重なる領域へInvestmentする。
つまり、
Market Relevance × Technical Differentiation
である。
⸻
基盤がMoatになり得るか
Foundation Modelそのものは大手Technology CompanyやOpen SourceによってCommodity化する可能性がある。
その場合、EQUESの差別化は、
Domain Knowledge。
Evaluation。
Workflow。
Trusted Infrastructure。
Integration。
へ移る。
これらを共通基盤として蓄積できれば、Modelが変わっても利用できる。
つまり、
Model-independent Capability
を企業資産にする。
⸻
QAIから見える次の段階
QAI Generator。
QAI Checker。
JPharmatron。
JPharmaBench。
これらを別々に見るのではなく接続すると、
Generation。
Verification。
Domain Model。
Evaluation。
というLayerがある。
ここへData、Security、Human Approvalを加えれば、一つの製薬AI基盤としての方向が見えてくる。
ただし、これは現時点で完成した統合Platformと断定するのではなく、Product群から読み取れるArchitecture上の可能性として区別する必要がある。
⸻
受託からプロダクト・基盤へ
この変化を最小化すると、
Project
で、
Problemを発見する。
↓
Knowledge
として一般化する。
↓
Product
でRepeated Problemを標準化する。
↓
Platform / Foundation
で共通Technologyを再利用する。
そして新しいProjectへ戻る。
つまり、
Project
→ Knowledge
→ Product
→ Platform
→ New Project
という循環である。
⸻
2026年の問い
2026年のEQUESにとって重要なのは、「受託企業かProduct企業か」を二択で決めることではない。
むしろ、
受託のLearning能力を失わず、ProductのScale能力を獲得し、共通基盤によって両者の生産性を上げられるか
である。
これが成立すれば、一件ごとの案件がその一件だけで終わらなくなる。
ProjectはKnowledgeを残す。
KnowledgeはProductになる。
ProductはUsage Feedbackを返す。
Platformは次のDevelopmentを速くする。
Researchはその全体を更新する。
若い研究開発型AI企業がScaleするための一つの形が、ここに見える。
⸻
そして、この変化を正確に評価するには、過去から現在を見るだけでは足りない。
2022年から2026年までに何を蓄積したか。
それは重要である。
しかし同時に、2030年代に産業AIへ必要となる可能性の高いCapabilityから、2026年を逆に読むこともできる。
高信頼AI。
Vertical AI。
AI Agent。
Physical AI。
Evaluation。
Human–AI Collaboration。
その未来条件に対して、現在のEQUESは何を持ち、何がまだ不足しているのか。
次節では、本書で意図的に保持してきた二方向の企業時間を明示的に重ねる。
**「過去から見た2026年、未来から見た2026年」**である。
第6節 過去から見た2026年、未来から見た2026年
2026年という現在は、一つの方向からだけ見ることはできない。
過去から見れば、2026年は創業後四年間の蓄積結果である。
未来から見れば、2026年はこれから必要になるCapabilityを準備している途中である。
企業史と企業戦略は、同じ現在を異なる向きから読む。
Historical Analysis
と、
Strategic Backcasting
である。
EQUESの2026年を理解するには、この二つを重ねる必要がある。
⸻
過去から見た2026年
まず、2022年から2026年へ進む。
創業。
AI受託開発。
PoC。
製薬AI。
QAI。
JPharmatron。
JPharmaBench。
Energy。
Physical AI。
Quantum Computing。
教育。
北海道。
この順序で見ると、EQUESの2026年は過去四年間の選択と学習の結果である。
つまり、
Past Decisions → Current Capability
である。
⸻
創業時の資産はResearchだった
2022年のEQUESが持っていた中心資産は、巨大な顧客基盤でもProduct Portfolioでもなかった。
大学研究を通じて形成された、
Machine Learning。
AI Research。
Software Engineering。
若いTechnical Talent。
である。
そこから企業として必要なCapabilityを後付けしてきた。
Customer Development。
Domain Understanding。
Product Development。
Production Engineering。
Organization Building。
つまり2026年は、
Research CapabilityがCompany Capabilityへ変換された途中経過
として見ることができる。
⸻
案件が企業を作った
創業後の案件は単なるRevenueではなかった。
顧客からProblemを学ぶ。
実Dataを見る。
現場Requirementを知る。
PoCとProductionの差を経験する。
失敗する。
修正する。
この繰り返しによって、EQUESは「AIを知っている組織」から「AIを実装できる組織」へ近づいた。
したがって、
Project History = Capability Formation History
でもある。
⸻
製薬が企業Identityを深くした
製薬AIへの進出は、単なる新規業界開拓ではなかった。
製薬に入ることで、
Domain Knowledge。
品質保証。
規制。
Human Review。
Evaluation。
Traceability。
を学ぶ。
この結果、EQUESはGeneral AIの導入会社から、
高信頼Domain AIを扱う会社
へ一段深くなった。
過去から見れば、この変化は企業Capabilityの専門化である。
⸻
Model・Benchmark・Product
さらに、
QAI。
JPharmatron。
JPharmaBench。
を接続すると、
Product。
Model。
Evaluation。
という三つのLayerが見える。
2022年時点では存在しなかったこの構造が、2026年には一つのDomain内で形成され始めている。
これは、
Project Delivery
だけでなく、
Reusable Technology Asset
を持つ企業へ移行していることを示す。
⸻
Energyへの展開
過去から見れば、Energy事業は次の拡張である。
製薬で得た高信頼AIの経験を、別のCritical Industryへ広げる。
対象も、
Text。
Document。
Knowledge。
から、
Sensor。
Infrastructure。
Robot。
へ変わる。
つまり過去四年間のTrajectoryとしては、
General AI
→ Domain AI
→ Trusted AI
→ Physical AI
という流れが見える。
⸻
北海道への展開
地域的にも、
東京大学周辺のKnowledge Clusterから、
北海道を含む別のRegional Networkへ接続し始めた。
過去から見れば、これはCompany Boundaryの拡張である。
人材。
University。
地域企業。
新しいProblem。
接続可能なKnowledge Sourceが増えている。
⸻
過去から見た2026年の結論
Historical Analysisだけでまとめれば、2026年のEQUESは、
Research-origin Startupが、複数の産業とTechnologyへ社会実装能力を拡張してきた状態
である。
重要なのは現在の規模以上に、
四年間で何を学習できたか
である。
⸻
しかし過去だけでは戦略にならない
企業は、自分ができることだけを続ければよいわけではない。
現在のCapabilityが、今後のIndustry Requirementと一致するとは限らない。
そこで視点を反転させる。
2030年代の産業では、どのようなAI Capabilityが必要になるのか。
そこから2026年を見る。
⸻
未来から見た2026年
未来を事実として予言することはできない。
しかし構造的な変化を仮定し、必要Capabilityを逆算することはできる。
例えば、
AIが企業Workflowへ深く組み込まれる。
AgentがToolを操作する。
Physical AIがIndustrial Siteへ入る。
労働力不足によってAutomation需要が高まる。
高Risk DomainほどAI Governanceが重くなる。
ModelがCommodity化し、Domain KnowledgeとIntegrationが差別化になる。
こうした可能性を前提に2026年を見る。
これがStrategic Backcastingである。
⸻
未来の産業AIに必要なもの
将来のIndustrial AIが高度化すると仮定すれば、少なくとも次のCapabilityが重要になる。
Domain Knowledge。
Evaluation。
Security。
Auditability。
Human–AI Workflow。
Edge / Cloud。
Physical AI。
Model Selection。
Continuous Improvement。
つまり、単体ModelよりSystem Integration Capabilityが重要になる可能性が高い。
⸻
Modelを持つだけでは足りない未来
Foundation Modelは今後も進化する。
より高性能になる。
より安価になる。
Open Modelも増える。
その場合、Modelそのものだけで長期的な差別化を作ることは難しくなる可能性がある。
未来から2026年を見ると、重要なのは、
どのModelを使うか
より、
どのDomainへ、どのように、安全に、継続運用するか
になる。
ここでEQUESのDomain AIやEvaluationへの取り組みには意味が出る。
⸻
JPharmaBenchを未来から見る
過去から見れば、JPharmaBenchは製薬AIの評価Benchmarkである。
未来から見ると、
Evaluation Capabilityを企業内部に持つための初期資産
として読むことができる。
Modelが次々に変わるなら、毎回自分で測れる企業が強い。
つまり、特定Modelより、
Model-independent Evaluation Capability
が長期資産になる。
⸻
QAIを未来から見る
過去から見れば、QAIは製薬品質業務向けProductである。
未来から見ると、
AIがEnterprise Workflowへ深く組み込まれる時代の先行事例と考えることができる。
AIがDraftする。
HumanがReviewする。
AIがConsistencyを確認する。
履歴を残す。
この構造は、将来のAI Agent型Enterprise Systemにもつながる。
⸻
Human Approvalを未来から見る
現在はHuman Reviewが手間に見える場合もある。
しかしAIがより多くのTaskを自動化するほど、
誰が承認するのか。
何を自動化してよいか。
どこで停止するか。
が重要になる。
未来から見ると、Human Approvalは暫定的な制約ではなく、
Autonomous System Governanceの基礎Capability
として位置づけられる。
⸻
Physical AIを未来から見る
もし2030年代にIndustrial RobotやAutonomous Systemが拡大するなら、
Sensor。
Edge AI。
Simulation。
Remote Operation。
Safety。
Robotics。
は重要なCapabilityになる。
2026年のEnergy・廃炉関連Researchは、そのFuture Capabilityを学習する場として見ることができる。
つまり、
Future Physical AI → Present Extreme-environment R&D
というBackcastingになる。
⸻
Extreme Environmentで先に学ぶ
原子力廃炉のようなEnvironmentは、Physical AIにとって極端な条件を持つ。
通信制約。
Human Safety。
Unknown Environment。
Robot Reliability。
高いFailure Cost。
このような場所で学んだSafetyやRemote OperationのKnowledgeが一般的なInfrastructureへ応用可能であれば、現在のResearchが将来選択肢を増やす。
ただし、応用可能性と実用化実績は区別する必要がある。
⸻
Quantumを未来から見る
量子コンピューティングも同様である。
現在のMainstream Computingを即座に置き換えるものではない。
しかし将来、特定Optimization Problemで有効な計算資源になる可能性はある。
その場合、2026年に必要なのは大規模Commercial Revenueではなく、
Problem Formulation。
Algorithm Understanding。
Hybrid Computing。
Benchmarking。
といったLearning Capabilityである。
⸻
未来から見れば研究Portfolioになる
過去から見ると、
製薬。
Energy。
Quantum。
は事業多角化に見える。
未来から見ると、
Domain AI。
Physical AI。
Advanced Computing。
という異なるFuture Technology Optionへ小さなPositionを取っているとも読める。
つまり、
Current Business Portfolio
と同時に、
Future Capability Portfolio
である。
⸻
Optionalityという企業価値
Startupは未来を完全に予測できない。
だから一つの未来だけへ賭ける必要もない。
複数のCapabilityを小さく獲得し、
市場が形成された方向へScaleする。
これはStrategic Optionalityである。
ただしOptionを増やしすぎればResourceが分散する。
したがって、
Optionality × Focus
のBalanceが必要になる。
⸻
何を残し、何を選ぶか
2022〜2026年はExplorationの期間だったと見ることができる。
次の段階では、
製薬をどこまでScaleするか。
Energyへどこまで投資するか。
Physical AIをどこまでCoreへするか。
Quantumをどの程度長期Researchとして保持するか。
選択が重要になる。
未来から見た2026年とは、
Option CreationからOption Selectionへ移る境界
でもある。
⸻
未来が現在を決定するわけではない
Strategic Backcastingは未来予言ではない。
2030年にこうなるから2026年にこれをしなければならない、という確定論でもない。
複数のFuture Scenarioを置く。
それぞれで必要Capabilityを考える。
共通して必要になるものへ優先的に投資する。
つまり、
Scenario → Requirement → Robust Present Action
を考える方法である。
⸻
Robust Capability
例えばFuture Scenarioが違っても、
Evaluation。
Security。
Domain Translation。
Software Engineering。
Human–AI Collaboration。
は広く利用できる可能性がある。
こうしたCapabilityは、一つのFuture Predictionに依存しにくい。
したがって、
Robust Capability
として優先Investmentの候補になる。
⸻
高信頼AIはRobust Coreになり得る
製薬。
Energy。
Physical AI。
どの方向へ進んでも、
Evaluation。
Traceability。
Human Oversight。
Security。
Failure Handling。
は必要になる。
そのため高信頼AIは、EQUESの複数のFuture Optionを接続する共通Coreになり得る。
これが未来から見た2026年の重要な読み方である。
⸻
過去から見ると多角化、未来から見ると統合可能性
同じ現在でも、見方が変わる。
過去から見る。
事業が増えた。
Technologyが増えた。
多角化した。
未来から見る。
複数のFuture Capabilityが一つのTrusted Industrial AI Coreへ統合できる可能性がある。
つまり、
Past View = Expansion
Future View = Possible Integration
である。
⸻
逆に統合できなければ分散になる
ただし、共通Coreが実際に形成されなければ、この読みは成立しない。
製薬TeamとEnergy TeamがKnowledgeを共有しない。
Physical AIとSoftware AIのTechnology Baseが完全に分断される。
Quantumが独立Researchとして企業Strategyと接続しない。
その場合は単なるResource Dispersionになる。
したがって2026年以降の実行が重要になる。
⸻
Company Architectureが必要になる
複数事業を統合するためには、
Shared Research。
Common Evaluation。
Security Infrastructure。
Company Memory。
Reusable Components。
共通Engineering Standard。
が必要になる。
つまりBusiness Portfolioだけでなく、
Company Architecture
を作らなければならない。
未来から見た2026年は、その共通基盤を構築すべき時点でもある。
⸻
Human Capitalを未来から見る
人材も同じである。
現在案件に必要な人だけを採用する。
これが過去・現在中心のStaffingである。
未来から見ると、
Physical AIが重要になるならRobotics人材。
Vertical AIが重要ならDomain Translator。
高信頼AIが重要ならEvaluation / Safety人材。
が必要になる。
つまり、
Future Capability → Talent Strategy
となる。
⸻
Partnershipも先に形成する
Technologyが成熟してからPartnerを探すのでは遅い場合もある。
Robot Company。
University。
Research Institution。
Regional Partner。
将来必要になるNetworkを現在から形成する。
これもBackcastingである。
Partnershipは現在の案件だけではなく、未来CapabilityへのInvestmentになる。
⸻
北海道も二方向から読める
過去から見ると、北海道は東京からの地域展開である。
未来から見ると、
地域Talent。
Energy。
Physical Infrastructure。
異なるField Environment。
へ接続するNodeになり得る。
同じ事実でも意味が変わる。
これが二方向から現在を見る効果である。
⸻
受託も二方向から読める
過去から見れば、受託は創業期のRevenueとExperienceを支えた。
未来から見れば、受託は新しいProblemを探索するSensorになる。
Product化されていないProblemを発見する。
新しいTechnologyを試す。
つまり、
Past Role = Survival / Learning
から、
Future Role = Exploration Engine
へ意味を変えられる。
⸻
Productも二方向から読める
過去から見れば、QAIは案件KnowledgeのProduct化である。
未来から見れば、Productは継続的なUsage Feedbackを得るPlatformになる。
User Behavior。
Failure Case。
Domain Requirement。
を継続観測できる。
それがResearchや次Productへ戻る。
⸻
2026年の現在地
二つの方向を重ねると、2026年のEQUESは、
完成した会社でも、
ゼロから始める会社でもない。
Accumulated Capability + Future Optionality
を持つStateにある。
過去から得たものがある。
同時に、その資産をどの方向へ集中するかはまだ決まっていない。
⸻
過去の成功に固定されない
製薬AIで成果が出たから、永遠に製薬だけへ集中する。
それが唯一の合理的選択とは限らない。
しかし新Technologyが面白いから毎年Domainを変えるのも危険である。
必要なのは、
Evidence from the Past
と、
Requirement from the Future
の双方で選択することである。
⸻
二つの時間を企業戦略へ翻訳する
この構造を最小化すると、
一つ目は、
Past → Present
である。
Experience。
Knowledge。
Capability。
現在は過去の蓄積結果である。
二つ目は、
Future → Present
である。
Scenario。
Requirement。
Investment。
現在はFuture Capabilityを準備する場所でもある。
企業戦略では、この二つを同時に持つ。
⸻
Historical Analysis × Strategic Backcasting
式として整理すれば、
**Current Strategy
= Historical Evidence
* Future Requirement
* Present Constraint**
となる。
過去から何を学んだか。
未来に何が必要か。
現在どれだけのResourceがあるか。
三つを合わせてDecisionする。
⸻
2026年は交差点である
EQUESにとって2026年は、
2022年からの企業形成時間と、
2030年代へ向けたCapability形成時間が交わる点である。
一方には、
Research。
PoC。
製薬。
QAI。
という過去の蓄積がある。
他方には、
Agent。
Physical AI。
Trusted Industrial AI。
Advanced Computing。
という未来可能性がある。
その中央に2026年がある。
⸻
未来から見ても重要なのは「学習能力」
どのFuture Scenarioが現実になるかは分からない。
だから最終的に最も重要なのは、一つのTechnologyを当てる能力ではない。
変化を観測する。
研究する。
試す。
評価する。
顧客へ実装する。
Feedbackを得る。
会社を更新する。
という、
Organizational Learning Capability
である。
Future Predictionが外れても、学習能力があれば方向を変えられる。
⸻
2026年を最小化する
過去から見た2026年は、
Accumulation
である。
未来から見た2026年は、
Preparation
である。
二つを合わせると、
2026 = Accumulated Capability + Future Preparation
となる。
これが本節の中心である。
⸻
2026年のEQUESを、過去四年間の成果一覧として終わらせる必要はない。
同時に、将来の成功を先取りして描く必要もない。
見るべきなのは、
過去の経験がどのCapabilityとして現在に残り、そのCapabilityが将来のどの選択肢を開いているのか。
そこに企業の現在地がある。
EQUESはまだ若い。
だから未来の形は固定されていない。
しかし完全な白紙でもない。
製薬。
高信頼AI。
Evaluation。
Energy。
Physical AI。
Advanced Computing。
Human & Organization。
すでに複数のCapabilityが形成され始めている。
次に問われるのは、それらをどのように選び、統合し、企業として次の段階へ進むのかである。
次節では第7章を締めくくり、2026年という交差点から見える**「次のEQUES」**を、確定した未来ではなく、現在のCapabilityから開かれている戦略的選択肢として整理する。
第7節 次のEQUES
2026年のEQUESは、完成した企業ではない。
むしろ、複数のCapabilityが揃い始め、次にどこへ集中するかを選べる段階へ入った企業である。
Research。
Domain AI。
Product。
Evaluation。
Energy。
Physical AI。
Advanced Computing。
Human Development。
これらはまだ一つの巨大な事業へ統合されたわけではない。
しかし、個別の取り組みの背後には、共通する方向が見える。
先端Technologyを、信頼性が求められる現実の産業Problemへ実装すること。
次のEQUESを考えるとき、最も重要なのは新しいTechnologyをさらに増やすことではない。
これまで獲得したCapabilityを、どのようなCompany Architectureへ統合するかである。
⸻
次の段階は「拡張」より「統合」である
創業から四年間は、探索の時間だった。
新しいCustomer。
新しいDomain。
新しいModel。
新しいProduct。
新しいResearch Theme。
Startupとして合理的な動きである。
しかし探索だけを続ければ、事業は分散する。
次の段階では、
何を共通Coreとするのか。
どこをVerticalに深掘るのか。
どこをPlatform化するのか。
どこをResearchとして残すのか。
を明確にする必要がある。
つまり、
Explore → Integrate → Scale
へ進む。
⸻
Core Capabilityを定義する
EQUESを「何でもできるAI企業」と定義することは、長期的には弱い。
より重要なのは、
何を他社より高いQualityで繰り返し実行できるのか
である。
本書の分析から候補を挙げるなら、
Research-to-Production。
Domain Translation。
Evaluation。
High-reliability AI。
Human-in-the-loop Design。
Advanced Computational Engineering。
である。
これらを企業の共通Coreとして明確化できれば、異なる事業が一つの体系へ接続する。
⸻
Trusted Industrial AIという統合軸
製薬。
Energy。
Physical AI。
これらはMarketとしては異なる。
しかし、
高いReliability。
専門Knowledge。
Human Review。
Traceability。
Safety。
というRequirementでつながる。
したがって、次のEQUESの一つの可能性は、
Trusted Industrial AI
を共通軸に置くことである。
特定IndustryのAIだけではなく、
高信頼産業へAIを実装するCapability
を企業Coreにする。
⸻
製薬はDepthを作る
その中で製薬は重要なVerticalになり得る。
QAI。
JPharmatron。
JPharmaBench。
一つのDomain内に、
Product。
Model。
Evaluation。
が存在する。
この構造を深めれば、
単なる製薬向けAI Toolではなく、
Pharmaceutical AI System
としてのDepthを作れる。
次の課題は、個々のAssetをどこまで統合できるかである。
⸻
Product群をSystemへ変える
Generator。
Checker。
Domain Model。
Benchmark。
これらを別々にDevelopmentするだけではなく、
Data。
Knowledge。
Security。
Audit。
Human Approval。
と接続する。
すると、
Model → Evaluation → Product → Workflow
という一つのSystemになる。
製薬VerticalでこのSystem Architectureを確立できれば、他Domainへの移転可能性も高まる。
⸻
EnergyはBreadthを作る
一方、Energyは企業CapabilityのBreadthを広げる。
DocumentではなくSensorを扱う。
SoftwareだけでなくInfrastructureを扱う。
Human WorkflowだけでなくPhysical Operationを扱う。
ここで、
Trusted Digital AI → Trusted Physical AI
へのTransitionが起こる。
製薬がDepthなら、EnergyはPhysical方向へのBreadthを作る。
⸻
Physical AIは新しい会社能力を要求する
Physical AIをCoreへするなら、追加投資が必要になる。
Robotics。
Control。
Edge Computing。
Simulation。
Sensor Integration。
Safety Engineering。
Hardware Partnership。
これらはSoftware AI Companyだけでは十分に持っていないCapabilityである。
したがって、Physical AIを次のGrowth Engineにするなら、
Talent Strategy + Partnership Strategy + Capital Strategy
を同時に設計する必要がある。
⸻
量子は長期Optionとして扱う
Quantum Computingは、製薬SaaSやEnergy AIと同じ成熟度ではない。
だからこそ、同じBusiness KPIで評価すべきではない。
短期Revenueを求める領域。
中期Productを作る領域。
長期Researchを行う領域。
を分ける。
Quantumは、
Long-term Computational Option
として保持する方が合理的な可能性がある。
重要なのは、研究を継続すること自体ではなく、どのProblemへ接続するかを明確にすることである。
⸻
Portfolioを時間軸で管理する
次のEQUESでは、Technology Portfolioを一つの時間軸で見る必要がある。
Now
現在RevenueとCustomer Valueを作る。
Next
数年以内にScaleできるProductやDomainを作る。
Later
将来必要になる可能性のあるResearch Capabilityを形成する。
この三層を分ければ、短期BusinessとFrontier Researchを対立させずに済む。
⸻
受託を探索Engineとして残す
次のEQUESがProduct Companyへ進むとしても、伴走型技術開発を完全に捨てる必要はない。
受託Projectは、
新しいProblem。
新しいDomain。
新しいData。
新しいFailure。
へ接続する。
つまり、
Project = Exploration Engine
として機能する。
重要なのは、案件を増やすことより、案件から何を抽出するかである。
⸻
ProductをScale Engineにする
一方、Repeated ProblemはProductへ変える。
Productは、
一つのKnowledge Assetを多数Customerへ提供できる。
Usage Feedbackを継続的に得られる。
Recurring Revenueを形成できる。
したがって、
Product = Scale Engine
になる。
受託とProductは対立ではなく、探索とScaleの役割分担として設計できる。
⸻
共通基盤をLeverage Engineにする
さらに複数ProjectとProductで共通するものを基盤化する。
Identity。
Security。
RAG。
Evaluation。
Audit。
Human Approval。
Model Routing。
これらを共通化できれば、次のDevelopment Costを下げられる。
つまり、
Shared Foundation = Leverage Engine
である。
⸻
三つのEngine
ここまでを整理すると、次のEQUESには三つのEngineが見える。
Project
未知のProblemを発見する。
Product
解けるProblemをScaleする。
Platform / Shared Foundation
Company-wideな再利用性を高める。
そしてその上にResearchがある。
Research
まだ解けないProblemを解けるProblemへ変える。
⸻
Researchはすべての上流にある
EQUESが大学発Startupである意味は、単に研究室出身者が多いことではない。
Businessで未知のProblemへ遭遇したとき、外部Technologyが成熟するまで待たず、自分たちでResearchできることにある。
つまり、
Unknown Problem → Research → New Capability
という道を持つ。
この能力をProduct Growthの中で失わないことが重要になる。
⸻
ResearchとBusinessを分離しすぎない
Organizationが成長すると、Research部門とBusiness部門が離れやすい。
Researchは論文を見る。
BusinessはCustomerを見る。
両者が分断される。
次のEQUESでは、
Customer Failure。
Product Data。
Domain Question。
をResearch Agendaへ戻す必要がある。
つまり、
Market → Research
のFlowを維持する。
⸻
EvaluationをCompany-wide Capabilityへ
次のEQUESで特に重要になり得るのがEvaluationである。
Modelが高速に更新される時代では、
新しいModelが本当に良いのか。
自社Domainで使えるのか。
Costに見合うのか。
安全性は十分か。
を継続的に評価しなければならない。
JPharmaBenchの考え方を広げれば、
Evaluation as a Core Company Capability
という方向が見える。
⸻
Model CompanyではなくEvaluation-capable Company
自社でFoundation Modelを持っていなくても、優れたEvaluation CapabilityがあればTechnology選択で優位に立てる。
逆に独自Modelを持っていても、自分で評価できなければ改善できない。
したがって次のEQUESでは、
Build AI
だけでなく、
Measure AI
をCoreにする意味がある。
⸻
SafetyとGovernanceを後付けにしない
製薬やEnergyへ深く入るほど、
Security。
Permission。
Audit。
Human Approval。
Failure Handling。
が重要になる。
これらを案件ごとに後付けするのではなく、Company Standardとして共通化する。
つまり、
Trusted by Default
なEngineering Cultureを作る。
高信頼産業をCoreにするなら、これ自体が競争力になる。
⸻
Humanは次のEQUESにも残る
AI AgentやPhysical AIが高度化しても、Humanの役割は消えない。
むしろ変化する。
User。
Reviewer。
Approver。
Operator。
Supervisor。
Domain Expert。
AIがActionできる範囲が広がるほど、Human側のResponsibility Designが重要になる。
EQUESの教育事業とHuman & Organizationの経験は、ここへ接続する。
⸻
EducationをAdoption Infrastructureへ
AI×DX寺子屋を単独のEducation Businessとして見るだけではなく、
Product Adoption。
Customer Capability Building。
AI Governance。
Use Case Discovery。
へ接続する。
すると、
Education → Adoption → Feedback → Product Improvement
というLoopを作れる。
TechnologyとHuman Developmentが企業Systemとして接続する。
⸻
顧客をLearning Partnerへ
次のEQUESでは、顧客との関係も変わり得る。
Vendorとして納品するだけではない。
新しいUse Caseを共同で発見する。
Productを共同で改善する。
Industry Requirementを共有する。
長期的にSystemをUpdateする。
つまり、
Customer → Learning Partner
へ関係を深める。
⸻
顧客集中とDomain Depth
ただし、すべてのIndustryへ同じ深さで入ることはできない。
どのDomainでDeep Knowledgeを形成するのか。
どこではHorizontal Technology Providerとして関与するのか。
を分ける必要がある。
製薬のようにProduct・Model・Benchmarkまで持つDomainと、共同研究中心のDomainではStrategyが異なる。
⸻
Domain Portfolioを明確にする
将来的にはDomainを、
Core Vertical
深く投資する。
Strategic Adjacency
共通Capabilityを広げる。
Experimental Domain
将来可能性を検証する。
に分けることができる。
これによってResource Allocationを明確にできる。
⸻
地理的にもNetwork Companyへ
東京と北海道の関係も、単なる本社と支社で終わらせない。
東京のResearch Network。
北海道のTalentとRegional Industry。
それぞれの強みを接続する。
さらにUniversityやPartnerを含め、
Distributed Knowledge Network
としてCompanyを作る。
AI企業ではKnowledge Flowの速さが地理的距離以上に重要になる。
⸻
Company Memoryを実装する
Network Companyになれば、Knowledge FragmentationのRiskが高まる。
そこで、
Research Note。
Architecture。
Project History。
Failure Case。
Evaluation。
Domain Knowledge。
をCompany Memoryへ残す。
AIによって検索できるようにする。
次のEQUES自身が、AI-nativeなKnowledge Organizationになる可能性がある。
⸻
AI-native Company
EQUESが顧客へAIを実装するなら、自社内部でもAIを最大限利用できる。
Research。
Coding。
Evaluation。
Documentation。
Internal Search。
Project Management。
Knowledge Sharing。
これによって少人数組織のLeverageを高める。
つまり、
AI Company → AI-native Company
へ進む。
⸻
少数精鋭を人数削減と混同しない
AI-native化の目的は、人を最小化することではない。
Routine TaskをAIへ移し、
ResearcherがResearchへ。
EngineerがArchitectureへ。
Domain Expertが判断へ。
時間を集中できるようにする。
つまり、
Human Time Allocationの最適化
である。
⸻
Talent Densityを維持する
Companyが成長しても、初期のKnowledge Densityを失わないことが重要になる。
採用数を増やす。
しかしQualityを落とさない。
専門性を深める。
同時にCross-domain Communicationを維持する。
そのためには、
Hiring。
Education。
Mentoring。
Shared Research。
が必要になる。
⸻
Technical Leadershipの重要性
複数のTechnologyとDomainを統合するには、Technical Leadershipが必要になる。
何をCoreにするか。
どのArchitectureを共通化するか。
どのResearchへ投資するか。
どこでStandardizationし、どこを自由にするか。
こうしたDecisionを継続的に行う。
Company Architectureは自然には形成されない。
⸻
Capital AllocationがStrategyを決める
すべてのOptionへ同じInvestmentはできない。
人材。
Compute。
Product。
Field Test。
Research。
どこへ資金を配分するか。
それが実質的な企業戦略になる。
次のEQUESは、Technology Choiceだけでなく、
Capital Allocation Company
として成熟する必要がある。
⸻
Public Supportの位置も変える
創業期には、公的研究開発支援がFrontier Researchを可能にする。
次の段階では、そのResearchから形成されたCapabilityをMarketへ変換する必要がある。
Public Funding。
Private Capital。
Customer Revenue。
それぞれを適切なRisk Layerへ配置する。
長期的には、
Publicly enabled Research → Privately sustainable Capability
へ進むことが望ましい。
⸻
海外への可能性
EQUESが製薬AI、高信頼AI、Physical AIでCapabilityを蓄積すれば、将来的には海外展開の可能性もある。
しかし日本で成功したProductを翻訳するだけでは十分ではない。
Regulation。
Language。
Workflow。
Data Governance。
Industry Structure。
が異なる。
したがって、
Technology Export
ではなく、
Domain Re-localization
が必要になる。
これは将来選択肢であり、現時点の確定した事業として扱うべきではない。
⸻
日本で深く学ぶ価値
一方、日本にはEQUESにとって重要なLearning Environmentがある。
製薬。
原子力。
Infrastructure。
人口減少。
熟練者不足。
地域格差。
これらは高信頼AI、Physical AI、Human–AI Collaborationを検証する強いProblemを持つ。
日本で得たKnowledgeが一般化できれば、海外にも価値を持つ可能性がある。
⸻
Problem ExportではなくCapability Export
海外展開で輸出できるものは、日本固有Problemそのものではない。
問題を理解するMethod。
高信頼AI Architecture。
Evaluation。
Human Review。
Research-to-Production。
こうしたCapabilityである。
つまり、
Local Learning → General Capability → Global Adaptation
である。
⸻
2030年へ向けた問い
次のEQUESを考えるうえで、未来を一点へ固定する必要はない。
むしろ複数Scenarioへ共通するCapabilityを作る。
AI Agentが伸びても使える。
Physical AIが伸びても使える。
ModelがCommodity化しても使える。
製薬がCoreでもEnergyがCoreでも使える。
それが、
Evaluation。
Domain Translation。
High-reliability Engineering。
Human–AI Integration。
である。
⸻
TechnologyではなくLearning SystemをCoreにする
最終的に、最も長く残るCapabilityは、特定Technologyではない可能性が高い。
新しいTechnologyを理解する。
Problemに適合するか評価する。
Domainへ翻訳する。
Productionへ実装する。
運用から学ぶ。
次のResearchへ戻す。
つまり、
Learning System
である。
⸻
次のEQUESの最小構造
ここまでを最小化すると、
Research
↓
Domain Problem
↓
Project
↓
Knowledge
↓
Product / Platform
↓
Operation
↓
Evaluation / Feedback
↓
Research
という循環になる。
その周囲を、
Human。
Organization。
Partner。
Capital。
Governance。
が支える。
⸻
「大きい会社」ではなく「強い会社」へ
EQUESが次に目指すものを、単純なHeadcount Expansionとして考える必要はない。
研究力が高い。
ProductがScaleする。
Domain Knowledgeが深い。
Knowledgeが再利用される。
Partner Networkが広い。
一人当たりのCapabilityが高い。
これらを組み合わせる。
つまり、
Scale by Leverage
である。
⸻
次のEQUES
次のEQUESは、まだ決まっていない。
製薬AI企業として深くなる可能性もある。
Trusted Industrial AIへ広がる可能性もある。
Physical AIを新しい柱にする可能性もある。
Advanced Computingを長期Researchとして育てる可能性もある。
重要なのは、未来を一つに固定することではない。
現在までに形成したCapabilityを失わず、次の選択肢を増やしながら、必要な時点で集中できることである。
⸻
2022年2月1日に始まったEQUESは、2026年までにResearchからProductへ、製薬からEnergyへ、DigitalからPhysicalへと境界を広げてきた。
しかし、企業の次の成長を決めるのは、さらに多くの境界を越えることだけではない。
越えてきた境界の間に共通構造を見つけ、それを再利用可能な企業能力へ変えること。
そこに次のEQUESがある。
そして本書の最後に残る問いも、EQUESだけに向けられたものではない。
大学で生まれた研究は、どのように社会へ届くのか。
Startupは、どのように先端Technologyと現場の間をつなぐのか。
社会で得られたFailureとKnowledgeは、どのように次のResearchへ戻るのか。
終章では、創業、製薬、Energy、Physical AI、Human、Organizationまで追ってきた本書全体を再び一つに結ぶ。
研究と社会をつなぐ会社。
その意味を最後に整理する。
愛と敬意を込めてmandala