
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7回)(第Ⅵ部 Company 第6章 EQUESという企業システム――研究・人材・資本・知識をどう蓄積するか)
第Ⅵ部 Company
――研究・人材・資本・知識をどう蓄積するか
AI企業の競争力は、どこに蓄積されるのか。
Modelだけではない。
特定のAlgorithmだけでもない。
優秀なEngineerだけでもない。
AI Technologyは急速に変化する。昨日まで有力だったModelが新しいModelへ置き換わり、FrameworkやCloud Serviceも更新される。特定技術だけを企業の競争力と考えれば、その優位性は短期間で失われる可能性がある。
それでも企業には、時間とともに蓄積できるものがある。
Research Knowledge。
Engineering Capability。
Domain Knowledge。
Project Experience。
Customer Relationship。
Evaluation Method。
Data Handling Capability。
Human Network。
そして、失敗と成功から形成されるOrganizational Knowledgeである。
EQUESを長期的に理解するには、個々のAI Projectを見るだけでは足りない。
Projectから得られたKnowledgeを、次のProjectやProductへ再利用できるCompany Systemになっているか。
第Ⅵ部では、この問いを中心にEQUESという企業そのものを分析する。
⸻
AI Startupの資産は何か
Traditional Companyでは、Factory、Equipment、Store、Real EstateなどPhysical Assetが企業能力を支えることがある。
AI Startupでは構造が異なる。
ComputerやCloud Infrastructureは必要だが、それだけでは競争優位になりにくい。
重要なのは、
何を研究できるか。
何を実装できるか。
どのDomainを理解しているか。
どのProblemを経験したか。
どのように評価するか。
誰と共同開発できるか。
というCapabilityである。
つまりAI企業では、
AssetよりCapability
を見る必要がある。
⸻
少数精鋭という組織
EQUESは巨大なTechnology Companyではない。
若い研究者やEngineerを中心とした比較的小規模な研究開発型Startupとして成長してきた。
小さなOrganizationには制約がある。
同時に扱えるProject数には限界がある。
一人が複数Roleを担当する。
特定人材へのKnowledge集中も起こりやすい。
一方で強みもある。
Decisionが速い。
ResearchとDevelopmentの距離が近い。
Customer FeedbackをEngineerが直接受け取れる。
新しいTechnologyを迅速に試せる。
つまり少人数であることは単なる企業規模ではなく、Organization Architectureでもある。
⸻
ResearcherとEngineer
大学発AI StartupではResearchとEngineeringの境界が重要になる。
Researchは、
まだ解けていないProblemを扱う。
新しいMethodを試す。
Performanceを検証する。
一方Engineeringは、
安定して動かす。
既存Systemへ接続する。
Securityを確保する。
Userが利用できる形へする。
Maintenanceする。
必要なのはどちらか一方ではない。
Research Capability × Engineering Capability
である。
研究成果をProductionへ持っていく企業では、この二つを接続できる人材構造が競争力になる。
⸻
Domain Expertという第三の知識
さらにEQUESが製薬やEnergyへ進むほど、第三のKnowledgeが重要になる。
Domain Knowledgeである。
AI EngineerがGMPのすべてを知っているわけではない。
Machine Learning Researcherが原子力Facilityのすべてを理解しているわけでもない。
そこで、
Researcher
× Engineer
× Domain Expert
というTeamが必要になる。
第Ⅴ部で見たHuman & Organizationの構造は、顧客側だけではなくEQUES自身にも当てはまる。
⸻
CustomerはKnowledge Sourceでもある
B2BのAI Developmentでは、Customerは単なる売上のSourceではない。
Customerは現場のProblemを持っている。
Domain Knowledgeを持っている。
Dataを持っている。
既存Workflowを知っている。
Regulatory Constraintを知っている。
したがって共同開発では、
Customer → Requirement
だけではなく、
Customer → Knowledge
というFlowが生まれる。
もちろん顧客固有のConfidential Informationを他社へ流用することはできない。
重要なのは、個別情報ではなく、Projectを通じて得られた一般化可能なEngineering KnowledgeをOrganizationへ蓄積することである。
⸻
Projectは一回限りの仕事なのか
受託開発企業の長期的な課題の一つはここにある。
Project Aを行う。
終了する。
Project Bを行う。
終了する。
毎回ゼロから始めるなら、売上は増えてもTechnology CompanyとしてのLearningは十分に蓄積されない。
一方、
Architecture。
Evaluation Method。
Development Tool。
Security Pattern。
Domain Ontology。
Testing Procedure。
Project Management Method。
などを再利用できれば、Project Experienceが企業資産になる。
つまり、
Project → Reusable Capability
への変換が必要になる。
⸻
受託とProductは対立しない
Startupでは、
「受託開発かProduct Companyか」
という二択で語られることがある。
しかし高難度な産業AIでは、両者は必ずしも対立しない。
受託Projectによって現場Problemを理解する。
複数Projectに共通する構造を発見する。
再利用可能なTechnologyを作る。
Productへ変換する。
すると、
Project
→ Pattern
→ Platform / Product
という経路が成立する。
QAIのようなDomain Productを考えるうえでも重要な視点である。
⸻
Knowledge Compounding
このProcessを繰り返すと、Knowledgeが複利的に蓄積する可能性がある。
最初のProjectでは多くを学ぶ必要がある。
二つ目では一部を再利用できる。
三つ目ではEvaluation Methodも利用できる。
さらにProductやToolが生まれる。
次のProjectはより速くなる。
つまり、
Experience → Knowledge → Reuse → New Experience
という循環が形成される。
これを本書では、一般的な企業能力の形成としてKnowledge Compoundingの観点から読む。
⸻
ModelではなくSystem Knowledgeを蓄積する
AI Startupが特定Modelだけへ依存することにはRiskがある。
Foundation Modelは更新される。
Open Source Modelも進歩する。
API Costも変わる。
したがって長期的に蓄積しやすいのは、
どのModelを選ぶべきか。
どう評価するか。
Domainへどう適応するか。
どのDataを使うか。
どのようにHuman Reviewを設計するか。
Productionでどう監視するか。
というSystem Knowledgeである。
Model KnowledgeからImplementation Knowledgeへ。
EQUESの企業能力を評価するとき、この違いは重要になる。
⸻
公的研究開発支援
先端AIの研究開発にはCostがかかる。
Compute。
Researcher。
Experiment。
Robot。
Sensor。
実証Environment。
特にPhysical AIや高度な産業領域では、Startup単独ですべてを負担することは難しい場合がある。
そこで公的な研究開発Programや産学官連携が重要になる。
GENIACのようなAI開発支援、研究開発補助、産業政策との接続は、単なる資金調達とは異なる。
Private Capitalでは実行しにくい長期・高RiskなTechnology Developmentを可能にする仕組み
として見る必要がある。
⸻
Public FundingとMarket Discipline
ただし、公的支援を受けていること自体が企業競争力を証明するわけではない。
研究成果を作る。
技術的成果を評価する。
Productへ接続する。
Customer Valueを生む。
継続的なBusinessへ変える。
このProcessが必要になる。
したがって、
Public R&D Support → Technology → Commercialization
を区別して分析する。
本書では採択実績と事業成果を混同しない。
⸻
PartnershipによるCapability Extension
小規模なStartupがすべてのTechnologyを内部に持つことはできない。
Cloud。
Infrastructure。
Robot。
Sensor。
Domain Knowledge。
Research Facility。
Customer System。
それぞれ外部Organizationとの連携が必要になる。
そこでPartnershipは単なる営業関係ではなく、
Capability Extension
として機能する。
自社にないCapabilityをNetworkによって接続する。
⸻
Company Boundaryが変わる
この視点から見ると、企業の境界は社員数だけでは測れない。
EQUES内部のResearcherとEngineer。
CustomerのDomain Expert。
University Researcher。
Technology Partner。
Public Institution。
Cloud Provider。
共同開発先。
これらがProjectごとに接続する。
つまり実際のInnovation Capabilityは、
Internal Organization + External Network
によって形成される。
現代のDeep-tech Startupは、一社だけで完結した閉鎖Systemではない。
⸻
Capitalは何のために使うのか
Startupにとって資金調達は重要である。
しかし本質は調達額そのものではない。
Capitalを何へ変換するかである。
Researcherを採用する。
Engineerを増やす。
Computeを確保する。
Productを開発する。
新しいDomainへ進む。
営業・Support体制を整える。
つまり、
Capital → Capability
への変換が必要になる。
資金を企業能力へ変換できるかが成長の質を決める。
⸻
Human Capital
特にAI CompanyではHuman Capitalの比重が大きい。
高度なResearcher。
Productionを理解するEngineer。
Domainを翻訳できる人材。
Projectを統合できるManager。
CustomerとTechnology Teamをつなぐ人材。
彼らのKnowledgeはBalance Sheetへ直接現れない。
しかし実際には企業価値を大きく左右する。
だからこそ、
採用。
教育。
Knowledge Sharing。
Retention。
Career Development。
が重要になる。
⸻
Tacit KnowledgeをOrganizationへ移す
少人数Startupでは、Knowledgeが特定の人へ集中しやすい。
「あのProjectについてはAさんしか知らない」
「あのSystemはBさんしか直せない」
という状態である。
成長するためには、Tacit KnowledgeをOrganizationへ移す必要がある。
Documentation。
Code Review。
Design Review。
Shared Repository。
Internal Seminar。
Postmortem。
こうした仕組みによって、
Individual Knowledge → Organizational Knowledge
へ変換する。
⸻
Failureも資産になる
成功したProjectだけがKnowledgeではない。
PoCでAccuracyが出なかった。
Dataが不足していた。
Userが使わなかった。
Costが高すぎた。
Productionで想定外の問題が起きた。
こうしたFailureには、次のProjectを改善するInformationが含まれている。
失敗を隠すOrganizationではKnowledgeは蓄積しない。
Failure → Learning → Process Improvement
へ変換できるCultureが必要になる。
⸻
Evaluation Capability
AI Companyにとって重要な企業能力の一つがEvaluationである。
新しいModelが出た。
本当に優れているのか。
自社Domainでも使えるのか。
既存Modelより良いのか。
Costに見合うのか。
Riskは増えていないか。
これを自分たちで測定できる。
JPharmaBenchのようなBenchmarkへの取り組みは、単一のModel開発だけではなく、こうしたEvaluation Capabilityという観点からも読むことができる。
⸻
Evaluationは経営判断にもなる
Model EvaluationはTechnical Activityに見える。
しかし実際にはBusiness Decisionへ接続する。
新しいModelへ切り替えるか。
自社Modelを開発するか。
External APIを使うか。
Fine-tuningするか。
Local Deploymentするか。
Evaluationがなければ、これらを合理的に選択できない。
したがって、
Evaluation → Technology Strategy
となる。
⸻
Company Memory
Projectが増え、人材が増え、Domainが増えるほど、OrganizationにはMemoryが必要になる。
過去に何を試したか。
なぜそのArchitectureを選んだか。
どのModelが失敗したか。
どのCustomer Requirementが共通していたか。
どのSecurity Patternが有効だったか。
これを検索可能な形で保持する。
AI Company自身がAIを利用してCompany Memoryを構築することも可能になる。
⸻
Company MemoryからCompany Intelligenceへ
Memoryが蓄積されるだけでは十分ではない。
必要なときに取り出せる。
新しいProjectへ適用できる。
複数Projectの共通Patternを発見できる。
Decisionへ利用できる。
ここまで進むと、
Company Memory → Company Intelligence
となる。
AIを顧客へ提供する企業自身が、Knowledge-driven Organizationとして進化できるか。
これはEQUESの将来を考えるうえでも重要な論点になる。
⸻
Scaleとは人数を増やすことだけではない
Startupの成長は、社員数や売上だけで測られやすい。
しかしKnowledge Companyでは別のScaleもある。
一人のEngineerが扱えるProjectを増やす。
過去のComponentを再利用する。
Common Platformを作る。
Product化する。
AI AgentによってDevelopmentを高速化する。
KnowledgeをOrganization全体で共有する。
つまり、
Headcount Scaling
だけでなく、
Knowledge Scaling
がある。
少数精鋭のOrganizationにとって特に重要になる。
⸻
EQUESの企業システムを見る
ここまでの各部では、EQUESが何をしているのかを見てきた。
伴走型技術開発。
製薬AI。
高信頼AI。
Physical AI。
AI Education。
第Ⅵ部では問いを変える。
なぜ、それらを同じ企業が実行できるのか。
その背後にある、
人材。
Research Capability。
Engineering Capability。
Domain Knowledge。
Customer Relationship。
Capital。
Public Support。
Partnership。
Organizational Memory。
を分析する。
⸻
第Ⅵ部の中心構造
本部の最小構造は、
Project
→ Experience
→ Knowledge
→ Reuse
→ Capability
→ Product / New Project
である。
そして、この循環が繰り返されれば、
Capability → New Experience → Stronger Capability
という蓄積が始まる。
AI Startupの競争力を、最新Modelを持っているかだけで評価しない。
学習したことを企業の内部へ残し、次の価値へ変換できるか。
そこを見る。
⸻
第6章「EQUESという企業システム」では、少数精鋭の研究開発組織から始める。
研究者とEngineer。
顧客とDomain Expert。
公的研究開発支援。
共同研究とPartnership。
Projectから蓄積されるKnowledge。
それらを順番に接続し、最後に研究開発型AI企業の経営へ到達する。
EQUESの本当の企業規模は、社員数だけでは測れない。
どれだけのKnowledgeを接続し、再利用し、次のTechnologyとBusinessへ変換できるか。
第Ⅵ部では、その「見えない企業資産」を読み解いていく。
第6章 EQUESという企業システム
――研究・人材・資本・知識をどう蓄積するか
第1節 少数精鋭の研究開発組織
AI企業の規模を、従業員数だけで測ることは難しい。
特にEQUESのような研究開発型Startupでは、重要なのは「何人いるか」だけではなく、その人数でどこまで高度なProblemを扱えるかである。
Machine Learning。
Generative AI。
Domain-specific LLM。
数理最適化。
製薬。
Energy。
Physical AI。
Quantum Computing。
これらは、それぞれ独立した専門領域になり得る。それを比較的小規模なOrganizationが横断するには、大企業とは異なる組織設計が必要になる。
EQUESの特徴を理解する第一歩は、少数であることを単なる企業規模ではなく、Research、Engineering、Decision Makingを近接させるOrganization Architectureとして捉えることである。
⸻
小さいことと弱いことは同じではない
大規模Organizationには明確な強みがある。
大量の人材。
Capital。
Customer Base。
Sales Network。
Infrastructure。
蓄積されたDomain Knowledge。
一方、小規模なStartupは同じ方法では競争できない。
必要なのは、異なるCompetitive Logicである。
意思決定を速くする。
新しいTechnologyを早く試す。
ResearcherとCustomerの距離を短くする。
一人が複数の専門領域を接続する。
Projectから得たKnowledgeを次のProjectへ即座に移す。
つまり、
Scale Advantage
に対して、
Speed × Density × Adaptability
で競争する。
⸻
少数精鋭の本質はKnowledge Densityにある
単純に人数が少なければ少数精鋭になるわけではない。
重要なのは、一人ひとりが持つKnowledgeと、Organization内部で接続されるKnowledgeの密度である。
Machine Learningだけを理解する人。
Softwareだけを理解する人。
Businessだけを理解する人。
が完全に分離していれば、小規模OrganizationではCommunication Costが大きくなる。
反対に、一人のEngineerが、
AI。
Software。
Customer Requirement。
Domain。
まで一定範囲を理解できれば、複数Departmentを経由せずにProblemを処理できる。
これを、
Knowledge Density
として見ることができる。
⸻
ResearchとEngineeringの距離
大学やResearch Labでは、新しいAlgorithmやMethodの検証が重要になる。
企業では、それをProductionで安定して動かす必要がある。
通常、この二つの間には距離がある。
Research Prototypeは動く。
しかし、
Security。
Latency。
Cost。
Maintainability。
Monitoring。
User Interface。
既存SystemとのIntegration。
まで考えられているとは限らない。
EQUESのような研究開発型AI Startupでは、この距離を短くすること自体が企業能力になる。
Research → Engineering
をOrganization内部で高速に行えるかが重要である。
⸻
EngineerがResearchを理解する
Research Teamが論文を読み、Engineering TeamへSpecificationを渡す。
この分業はOrganizationが大きくなれば合理的である。
しかし少人数では、Engineer自身がResearch Paperを読み、Experimentし、Implementationへ移すことが求められる場合がある。
つまり、
Read → Reproduce → Evaluate → Implement
を一人または小さなTeamで回す。
これによって最新TechnologyをProduction候補へ変換する速度を高められる。
⸻
ResearcherもProductionを見る
反対方向も重要である。
ResearcherがBenchmarkだけを見ていると、現場のProblemとのGapが広がる。
Model Accuracyは高い。
しかしInference Costが高い。
Latencyが大きい。
Explainabilityが不足する。
Domain Dataでは性能が落ちる。
こうしたProduction ConstraintをResearch側が理解すれば、研究課題そのものが変わる。
つまり、
Production → Research Requirement
という逆方向のFlowが生まれる。
⸻
Full-cycleな人材
少人数Organizationでは、仕事を細かく分割しすぎるとHand-offが増える。
そこで一人の人材が、
Problem Understanding。
Research。
Prototype。
Implementation。
Evaluation。
Customer Feedback。
まで広い範囲へ関与することがある。
これをFull-cycleなEngineering Capabilityとして捉えられる。
すべてを一人で行うという意味ではない。
自分の専門領域の前後まで理解すること
が重要なのである。
⸻
若い人材が大きな責任を持つ
Startupでは、年齢や在籍年数よりCapabilityによって担当範囲が決まりやすい。
若いEngineerでも、
Customer Meetingへ参加する。
Architectureを設計する。
Researchを検証する。
Prototypeを作る。
Productionへ関与する。
という広い経験を得ることがある。
これは人材育成上、大きな特徴になる。
短期間で多くのDecisionを経験できるからである。
⸻
ResponsibilityがLearningを速める
LearningはTrainingだけでは起こらない。
実際に責任を持つ。
Decisionする。
失敗する。
修正する。
CustomerからFeedbackを受ける。
この経験によってKnowledgeが深くなる。
したがってStartupでは、
Responsibility → Experience → Learning
という人材成長のCycleが形成されやすい。
少数精鋭Organizationでは、一人のLearning Speedが企業全体の成長速度へ直結する。
⸻
ただし属人化のRiskがある
少数精鋭には明確な弱点もある。
重要なKnowledgeが一人へ集中しやすい。
あるModelはAさんしか分からない。
あるCustomerはBさんしか知らない。
あるInfrastructureはCさんしか変更できない。
この状態では、その人が離れるだけでOrganization Capabilityが失われる。
つまり、
High Individual Capability
が、
High Organizational Capability
と同義ではない。
⸻
Bus Factor
Software Engineeringでは、特定の少人数がいなくなるとProjectを維持できなくなるRiskをBus Factorとして表現することがある。
小規模Startupでは、このRiskが特に大きい。
したがって、
Documentation。
Code Review。
Pair Work。
Design Review。
Knowledge Sharing。
Testing。
を通じて、一人のKnowledgeをTeamへ移す必要がある。
少数精鋭だからこそ、Knowledge Sharingは重要になる。
⸻
Documentationは速度を遅くするのか
Startupでは、
「Documentを書く時間があるならCodeを書く」
という考え方が生まれやすい。
初期には合理的な場合もある。
しかしProject数が増えると、過去のDecisionを何度も説明するCostが大きくなる。
なぜこのArchitectureにしたのか。
なぜこのModelを採用しなかったのか。
どのExperimentが失敗したのか。
これを記録しておけば、将来のDecision Costを下げられる。
Documentationは単なる管理作業ではなく、
Future Search Costを下げるInvestment
である。
⸻
CodeそのものもKnowledgeである
AI CompanyではKnowledgeがDocumentだけに存在するわけではない。
Source Code。
Evaluation Script。
Prompt Template。
Data Pipeline。
Infrastructure Definition。
Test Case。
Benchmark。
これらもOrganization Knowledgeである。
再利用可能な形へ整理されれば、次のProjectを高速化できる。
つまり、
Code Base = Company Memoryの一部
である。
⸻
Evaluation Asset
特にAIではEvaluation資産が重要になる。
Dataset。
Benchmark。
Test Scenario。
Failure Case。
Human Evaluation Procedure。
これらが蓄積されると、新しいModelが登場したとき迅速に比較できる。
EQUESが製薬領域で評価基盤を整備してきたことを考えると、Modelだけでなく、
「何をもって良いAIと判断するか」を保持する能力
が重要になる。
⸻
Domain Knowledgeの蓄積
製薬Projectを経験すれば、単にAI Technologyだけが残るわけではない。
品質保証業務ではどのようなProblemが起こるのか。
どのDocumentが重要なのか。
どこにHuman Reviewが必要なのか。
どのようなData Handlingが求められるのか。
こうしたKnowledgeが蓄積する。
Energyでも同じである。
ただし顧客固有のConfidential Informationと、一般化可能なDomain Knowledgeは厳密に区別しなければならない。
⸻
Project Teamを小さく保つ意味
AI Projectでは人数を増やせば必ず速くなるわけではない。
Communication Pathが増えるからである。
少人数Teamなら、
Problemを共有する。
Architectureを決める。
実装する。
試す。
Customerへ見せる。
Feedbackを受ける。
というCycleを短くできる。
つまり、
Small Team → Short Feedback Loop
という利点がある。
⸻
Customerとの距離
少数精鋭型Organizationのもう一つの特徴は、EngineerとCustomerの距離を短くできることである。
SalesがRequirementを受ける。
Consultantが整理する。
Project Managerが伝える。
Engineerが実装する。
という多段構造を短縮できる。
Engineer自身が現場のProblemを聞けば、RequirementのTranslation Lossを減らせる。
これは伴走型開発との相性が良い。
⸻
Translation Lossを減らす
企業Projectでは、
Customerの言葉。
Businessの言葉。
Domainの言葉。
AIの言葉。
Softwareの言葉。
が異なる。
人を経由するたびに意味が変わる可能性がある。
少人数Teamでは、同じ人材が複数Languageを理解することで、
Translation Loss
を減らせる。
EQUESのようにResearchとIndustryを接続する企業では、このTranslation Capabilityが重要な競争力になる。
⸻
Decision Layerを短くする
大企業では新しいTechnologyの採用に複数のApprovalが必要になることがある。
Startupでは比較的短いDecision Chainを作れる。
新しいModelを試す。
Benchmarkする。
有望ならPrototypeへ入れる。
問題があれば戻す。
このSpeedは、Technologyの更新が速いAI分野では大きな意味を持つ。
ただしSpeedだけを優先してSafetyやSecurityを省略してはならない。
必要なのは、
Fast Decision + Appropriate Control
である。
⸻
高信頼産業との緊張関係
ここにはEQUES特有の難しさがある。
StartupはSpeedを求める。
製薬やEnergyはReliabilityを求める。
前者はExperimentを速く回したい。
後者はValidation、Documentation、Traceabilityを重視する。
つまり、
Startup Speed ⇄ Industrial Reliability
という緊張関係がある。
EQUESのOrganization Capabilityは、この二つをどう両立するかによって評価される。
⸻
Speedを工程省略と考えない
高信頼産業でのSpeedは、Checkを省略することではない。
Evaluationを自動化する。
Reusable Componentを持つ。
Testを標準化する。
Knowledgeを再利用する。
Communicationを短縮する。
つまり、
Process Elimination
ではなく、
Process Efficiency
によってSpeedを作る。
この違いは重要である。
⸻
StandardizationとExperimentation
Research Companyには自由なExperimentが必要である。
一方ProductionにはStandardizationが必要になる。
Experiment Environmentでは新しいModelを自由に試す。
ProductionではSecurity、Testing、ReviewのRuleを守る。
つまり、
Exploration
と、
Exploitation
を分けながら接続する。
少人数Organizationほど、この境界を意識的に設計する必要がある。
⸻
Hiringの難しさ
少数精鋭Organizationでは、一人の採用が企業Capabilityへ大きく影響する。
単にProgrammingができるだけではなく、
Researchを理解する。
未知のProblemを扱う。
Customerと話す。
自律的に学習する。
TeamでKnowledgeを共有する。
といった複数能力が求められる場合がある。
そのためHiring Barは高くなる。
⸻
専門性と横断性
しかし全員がGeneralistである必要もない。
高度なAI Research。
Software Infrastructure。
Optimization。
Robotics。
Domain Knowledge。
それぞれには深い専門性が必要になる。
したがって組織としては、
Deep Specialists × Cross-domain Translators
を組み合わせることが重要になる。
専門家だけでも、Generalistだけでも十分ではない。
⸻
Organization Designは成長とともに変わる
創業時には全員が多くの仕事を兼任できる。
しかしCompanyが成長すると、それだけでは限界が来る。
Research。
Product。
Engineering。
Sales。
Customer Success。
Corporate Function。
などRoleが分化していく。
重要なのは、分業を進めても創業期の短いFeedback Loopを失わないことである。
成長とは単純にOrganizationを大企業型へ変えることではない。
⸻
小さなTeamを複数持つ
一つの方法は、Company全体が大きくなってもExecution Unitを小さく保つことである。
Domainごと。
Productごと。
Projectごと。
小さなCross-functional Teamを形成する。
中央では、
Common Infrastructure。
Security。
Evaluation。
Knowledge。
を共有する。
すると、
Small Execution Units + Shared Platform
という構造が成立する。
これは将来的なScaleを考えるうえで重要なArchitectureになる。
⸻
AIがAI企業自身を変える
さらにAI Companyでは、自社のOrganizationにもAIを利用できる。
Coding。
Research Search。
Documentation。
Meeting Summary。
Knowledge Retrieval。
Testing。
Project Management。
AI Agent。
これらによって、一人当たりのProductivityを高められる可能性がある。
つまりAI Startupは、
AIを販売する企業
であると同時に、
AIによって自らのOrganizationを再設計できる企業
でもある。
⸻
HeadcountではなくCapabilityを見る
このため、AI時代にはCompany Sizeの意味も変わる可能性がある。
従業員100人の企業が、従業員1,000人の企業より高度なTechnologyを作ることもあり得る。
重要なのは、
Research Capability。
Engineering Capability。
Domain Capability。
AI-assisted Productivity。
External Network。
Reusable Knowledge。
である。
したがって、
Company Scale ≠ Headcount Alone
である。
⸻
少数精鋭を持続可能にする条件
ただし、一人ひとりへ過剰な負荷を集中させることを「少数精鋭」と呼ぶべきではない。
短期的には高いOutputが出ても、Knowledge LossやBurnoutにつながれば持続しない。
必要なのは、
Role Clarity。
Automation。
Reusable Tooling。
Knowledge Sharing。
Appropriate Management。
である。
少数精鋭とは人数を極限まで削ることではない。
少ないCommunication Costで高いCollective Capabilityを形成することである。
⸻
個人能力から組織能力へ
最終的な課題はここにある。
優秀なEngineerがいる。
優秀なResearcherがいる。
それだけでは企業能力は完成しない。
彼らのKnowledgeが、
Code。
Documentation。
Evaluation。
Process。
Training。
Shared Infrastructure。
へ変換される必要がある。
つまり、
Individual Capability
→ Shared Knowledge
→ Organizational Capability
である。
この変換ができれば、人が増えるほどKnowledgeも増える。
できなければ、Organizationが大きくなるほどCommunication Costだけが増える。
⸻
EQUESの少数精鋭性をどう評価するか
EQUESを見るとき、若い人材が多いことや小規模であること自体を価値として扱うべきではない。
検証すべきなのは、そのOrganization Structureが、
Researchを迅速に理解できるか。
高難度なDomain Problemへ適用できるか。
Productionまで実装できるか。
Customerから学習できるか。
Knowledgeを再利用できるか。
という結果へ結びついているかである。
少数精鋭は企業属性ではなく、実証されるべきCapabilityである。
⸻
最小構造
少数精鋭の研究開発組織を最小化すると、
Talent
→ Responsibility
→ Experience
→ Knowledge
→ Sharing
→ Reuse
→ Organizational Capability
となる。
そして再利用されたCapabilityによって、次のProjectをより速く、より高いQualityで実行できれば、Learningが蓄積する。
ここに研究開発型Startupの成長原理がある。
人数を増やすだけではない。
一人の経験を、会社全体が利用できるKnowledgeへ変える。
EQUESが製薬、Energy、Physical AI、さらに先端計算領域へ活動範囲を広げるほど、この変換能力は重要になる。
そして、その中心にいるのがResearcherとEngineerである。
次節では両者を単純な職種として分けるのではなく、ResearchとProductionを接続する企業能力という観点から、**「研究者とエンジニア」**の関係を分析する。
第2節 研究者とエンジニア
AI研究から産業価値が生まれるまでには、少なくとも二つの異なる仕事が存在する。
一つは、まだ十分に解かれていない問題へ向き合うことである。
もう一つは、得られた技術を現実の環境で安定して機能させることである。
前者を担う中心が研究者であり、後者を担う中心がエンジニアである。
しかしEQUESのような研究開発型AI企業では、この二者を完全に分離することは難しい。研究成果を論文やPrototypeの段階で終わらせず、製薬、エネルギー、企業業務、物理環境へ実装するためには、
Research ⇄ Engineering
という双方向の接続が必要になるからである。
⸻
研究者は未知を扱う
研究の出発点には、答えが存在しない。
既存手法では十分な性能が出ない。
利用できるDataが限られている。
新しいModelが特定Domainで機能するか分からない。
従来のAlgorithmでは計算量が大きすぎる。
このようなProblemに対して、
先行研究を調べる。
仮説を立てる。
Experimentを設計する。
結果を測る。
失敗を分析する。
新しいMethodを試す。
研究者の役割は、既知のProcedureを正確に実行することだけではない。
Uncertaintyの中から新しいKnowledgeを作ることにある。
⸻
エンジニアは再現可能性を作る
一方、産業Systemには別の条件がある。
一度動けばよいわけではない。
今日も動く。
明日も動く。
複数Userが使える。
Errorが起きても復旧できる。
Securityが保たれる。
変更履歴が残る。
必要なPerformanceが維持される。
研究で得られた「可能である」という結果を、
継続して利用できる状態
へ変える。
これがEngineeringの重要な役割である。
⸻
PrototypeとProductionの間
AI Startupが直面する大きなGapが、
Prototype → Production
である。
Notebookでは動く。
Demoでは良い結果が出る。
しかし本番Environmentでは、
Data Formatが違う。
Missing Dataがある。
Response Timeが長い。
APIが停止する。
Costが増える。
Userが想定外の入力をする。
Security Requirementが加わる。
AIの性能だけでは解決できない問題が大量に現れる。
ここでEngineeringが必要になる。
⸻
「精度が高い」だけでは採用できない
研究ではBenchmark Performanceが重要な指標になる。
しかし企業では、それだけでTechnologyを選べない。
Accuracy。
Latency。
Cost。
Availability。
Security。
Explainability。
Maintainability。
Scalability。
これらを同時に考える必要がある。
例えばAccuracyがわずかに高いModelでも、Inference Costが極端に高ければProductionでは採用できない場合がある。
したがって、
Best Model ≠ Best Production System
である。
⸻
研究者が現場制約を知る
ここでResearchとEngineeringを接続する意味が生まれる。
ResearcherがProduction Constraintを理解すれば、研究課題の設定そのものが変わる。
「最高Accuracyを出すにはどうするか」
だけではなく、
「限られたComputeで必要Accuracyを実現できるか」
「根拠を確認可能にできるか」
「少量のDomain Dataで適応できるか」
「安全側へFailureできるか」
という問いになる。
つまり現場がResearch Agendaを変える。
Industry Requirement → Research Question
というFlowである。
⸻
エンジニアが研究を理解する
逆方向も必要になる。
EngineerがModelをBlack Boxとして扱うだけでは、高度なAI Systemを最適化することは難しい。
どのDataで学習されたのか。
どのTaskに強いのか。
どの条件で性能が落ちるのか。
Fine-tuningが必要か。
RAGで十分か。
Model Sizeを下げられるか。
評価結果をどう読むべきか。
Research Knowledgeを一定程度理解することで、Engineering Decisionの質が高まる。
⸻
PaperからProductionへ
研究開発型AI企業の重要なCapabilityの一つは、論文を読めることだけではない。
論文のMethodを再現する。
自社Dataで検証する。
Domain Benchmarkで比較する。
Systemへ組み込む。
Production Constraintを確認する。
必要なら改良する。
つまり、
Paper
→ Reproduction
→ Evaluation
→ Adaptation
→ Production
まで移せることが重要になる。
⸻
最新技術を使うこと自体は目的ではない
AI業界では新しいModelやMethodが次々に登場する。
しかし「最新」であることと「最適」であることは違う。
CustomerのProblemを解決するなら、既存のMachine Learningで十分な場合もある。
Rule-based Systemが適切な場合もある。
数理最適化が有効な場合もある。
生成AIが必要な場合もある。
したがって研究者とEngineerの役割は、常に最新Technologyを導入することではない。
Problemに対して最も合理的なTechnologyを選択すること
である。
⸻
BuildかBuyか
同じ判断はModel選択にも現れる。
自社でModelを開発する。
Open Source ModelをFine-tuningする。
Commercial APIを利用する。
RAGでDomain Knowledgeを追加する。
複数Modelを組み合わせる。
どれが最適かはProblemによって異なる。
研究力がある企業ほど、すべてを自作するのではなく、
何を自社で作るべきかを判断できること
が重要になる。
⸻
Domain-specific Modelを作る意味
JPharmatron-7BのようなDomain-specific Modelを考える場合も同じである。
重要なのは「独自LLMを持つこと」そのものではない。
General Modelではどの能力が不足するのか。
Domain-specific Dataによって何が改善するのか。
Local Environmentで動かす必要があるのか。
Security Requirementは何か。
Evaluation上の優位性はあるのか。
これらの条件によって、自社Model開発の合理性が決まる。
研究とEngineering、Business Requirementを同時に見る必要がある。
⸻
Evaluationが両者を接続する
ResearcherとEngineerの間に共通Languageを作るものがEvaluationである。
研究者はExperiment Resultを見る。
EngineerはProduction Performanceを見る。
Domain Expertは業務上のCorrectnessを見る。
これらを一つのEvaluation Frameworkへ接続する。
例えば、
Model Benchmark。
Domain Benchmark。
System Test。
Human Evaluation。
Operational Metric。
を階層化する。
すると、
Research Evaluation → System Evaluation → Business Evaluation
へ接続できる。
⸻
JPharmaBenchの位置
製薬領域に特化したBenchmarkを整備することには、この意味がある。
一般的なLLM Benchmarkで高得点でも、製薬・薬学領域で必要な能力が保証されるわけではない。
そこでDomain-specific Evaluationを置く。
すると、
Model Development。
Model Selection。
Fine-tuning。
Product Development。
を同じ評価基準の上で比較しやすくなる。
BenchmarkはRankingのためだけではない。
ResearchとProductを接続する測定基盤にもなる。
⸻
Failure Caseを共有する
研究者とEngineerの協働では、成功例よりFailure Caseが重要な場合がある。
特定の質問でHallucinationする。
長いDocumentでInformationを落とす。
特定条件でRetrievalが失敗する。
Production LoadでLatencyが急増する。
これらを共有する。
ResearcherはModel側の原因を調べる。
EngineerはSystem側でMitigationを考える。
Domain ExpertはRiskを評価する。
つまり、
Failure → Cross-functional Learning
が起こる。
⸻
Debuggingの境界が曖昧になる
Traditional Softwareでは、Bugの原因をCodeへ特定できる場合が多い。
AI Systemでは難しい。
Modelが悪いのか。
Promptが悪いのか。
Retrieved Documentが悪いのか。
Embeddingが悪いのか。
Input Dataが悪いのか。
Evaluation Methodが悪いのか。
原因が複数Layerにまたがる。
したがってAI DebuggingではResearchとEngineeringの境界が曖昧になる。
⸻
Observabilityが必要になる
Production AIでは、何が起きたのかを後から確認できなければならない。
Input。
Model Version。
Retrieved Context。
Output。
Latency。
Error。
Human Feedback。
これらを適切に記録する。
するとProductionで発生したProblemをResearch側へ戻せる。
つまりObservabilityは運用機能であるだけでなく、
ProductionからResearchへKnowledgeを返すInfrastructure
でもある。
⸻
MLOpsという接続層
Machine Learningを継続運用するためにMLOpsが重要になる。
Data。
Training。
Model Version。
Deployment。
Monitoring。
Evaluation。
Retraining。
を管理する。
MLOpsの本質は単なるAutomationではない。
Researchで作られたModelとProductionで使われるModelの間に、再現可能なConnectionを作ることにある。
Research Environment ⇄ Production Environment
を接続するEngineeringである。
⸻
LLMOpsへ広がる
生成AIではさらに管理対象が増える。
Prompt。
System Instruction。
RAG Configuration。
Knowledge Base。
Model Provider。
Guardrail。
Agent Tool。
Evaluation Dataset。
これらの変更がOutputへ影響する。
したがってModel Versionだけ管理しても十分ではない。
AI System全体のConfigurationをVersion管理すること
が必要になる。
⸻
高信頼産業ではTraceabilityが重要になる
製薬やEnergyでは、「今動いているからよい」では済まない。
なぜこのOutputになったのか。
どのVersionを使用したのか。
どのDataを参照したのか。
誰が承認したのか。
変更前後で性能はどう変わったのか。
こうしたTraceabilityが重要になる。
ここではResearchのExperiment ManagementとEngineeringのAuditabilityが接続する。
⸻
Research SpeedとValidation
Researchでは高速なExperimentが重要である。
しかしProductionでは慎重なValidationが必要になる。
この二つを同じEnvironmentで扱えば衝突する。
そこで、
Research。
Staging。
Production。
を分ける。
Researchでは自由に試す。
Stagingで評価する。
基準を満たしたものだけProductionへ移す。
つまり、
Fast Experimentation + Controlled Deployment
である。
⸻
ResearcherとEngineerの共通基盤
両者の協働を個人のCommunication能力だけに依存させてはいけない。
Shared Repository。
Experiment Tracking。
Common Benchmark。
Code Review。
Technical Documentation。
Architecture Decision Record。
Issue Tracking。
など、共通Infrastructureを持つ。
するとKnowledgeがConversationだけで消えず、Organizationへ残る。
⸻
Domain Expertを加える
産業AIでは、ResearcherとEngineerだけでも完結しない。
製薬なら品質保証担当者。
Energyなら設備・安全の専門家。
Physical AIならRobotや現場Operationの専門家。
が必要になる。
したがって実際の構造は、
Researcher
⇄ Engineer
⇄ Domain Expert
となる。
三者が異なる基準で同じSystemを見る。
⸻
三つの「正しさ」
Researcherにとっての正しさは、Scientific Validityである。
Engineerにとっての正しさは、System Reliabilityである。
Domain Expertにとっての正しさは、Operational Validityである。
どれか一つだけでは高信頼AIにならない。
必要なのは、
Scientific Validity
× Engineering Reliability
× Domain Validity
である。
EQUESのような産業AI企業では、この三つを接続する能力が重要になる。
⸻
Communication Costを下げる
異なる専門家が集まるほど、Communication Costは増える。
そこで共通Vocabularyを作る。
RequirementをDocument化する。
Evaluation Criteriaを明確にする。
Prototypeを早く見せる。
具体的なFailure Caseを共有する。
抽象的な議論だけでなく、実物を介してCommunicationする。
AI Developmentでは、
Working Prototypeそのものが共通Language
になることがある。
⸻
Research Managerという役割
Organizationが成長すると、個々の研究者とEngineerが直接すべてを調整することは難しくなる。
そこで、
Research Direction。
Business Requirement。
Resource Allocation。
Technical Risk。
を統合する役割が必要になる。
これはTraditionalなManagerともPure Researcherとも異なる。
Technologyを理解しながらProject全体を設計する人材である。
大学研究室からStartupへ移る過程では、このようなRoleの形成も重要になる。
⸻
Technical Leadership
AI Startupでは、経営とTechnology Strategyの距離も短い。
どのResearchへ投資するか。
どのModelを内製するか。
どのDomainへ進むか。
どのTechnologyをProduct化するか。
これらはTechnical Decisionであると同時にManagement Decisionである。
したがってResearcherやEngineerのKnowledgeが経営判断へ届く構造が必要になる。
⸻
Technology Debt
Speedを優先するStartupではTechnical Debtが蓄積しやすい。
Prototype CodeをそのままProductionへ使う。
Temporary Architectureが残る。
Testが不足する。
Documentationがない。
初期には合理的でも、ScaleするとDevelopment Speedを下げる。
Research PrototypeをProductへ変える段階で、
Experimental Code → Production-grade System
への再設計が必要になる。
⸻
Research Debt
同様にResearch Debtも考えられる。
なぜそのModelを選んだのか分からない。
Evaluation Datasetが不十分。
過去Experimentが再現できない。
Failure条件が記録されていない。
これでは新しいModelが出るたびに同じExperimentを繰り返す。
したがって、
Experiment Memory
を残すことも企業能力になる。
⸻
AIによってResearchとEngineering自身を加速する
生成AIは、AI企業自身のResearchとEngineeringにも利用できる。
Paper Search。
Code Generation。
Test Generation。
Data Analysis。
Documentation。
Experiment Design Support。
Debugging。
ただしAIが生成したCodeやResearch Summaryも検証が必要である。
ここでも、
AI-assisted Research + Human Verification
という構造になる。
⸻
一人当たりの研究開発能力
このようなToolが成熟すれば、小規模なResearch Teamでも従来より広い範囲を扱える可能性がある。
重要になるのはHeadcountそのものではなく、
Research Output per Person
と、
Engineering Output per Person
である。
しかし単純な生産量だけではなく、Quality、Safety、再利用性まで含めて評価する必要がある。
⸻
ResearchからProductへの変換率
研究開発型Startupを見る一つの指標として、
どれだけResearchをしたか
だけではなく、
ResearchがどれだけReusable TechnologyやProductへ変換されたか
を見ることができる。
すべてのResearchがProductになる必要はない。
失敗Researchにも価値がある。
しかし企業として持続するには、Research Knowledgeの一部がCustomer Valueへ変換される必要がある。
⸻
ProductからResearchへの変換
反対方向もある。
Productを使う。
CustomerからFeedbackが来る。
未知のFailureが見つかる。
既存Technologyでは解けない。
新しいResearch Questionになる。
つまり、
Product → Problem → Research
である。
ここまで成立するとResearchとBusinessは直線ではなく循環になる。
⸻
EQUES型Research-to-Production
EQUESの企業構造を理解するうえで重要なのは、研究者とEngineerを二つの独立Departmentとして見ることではない。
Researchが未知を開く。
Engineeringが利用可能にする。
Domain Expertが現場での妥当性を判断する。
CustomerがFeedbackを返す。
そのFeedbackが再びResearchへ戻る。
最小構造は、
Research
→ Prototype
→ Engineering
→ Production
→ Domain Evaluation
→ Feedback
→ Research
となる。
⸻
研究と実装の間に企業がある
大学ではResearch成果そのものが重要なOutputになる。
産業では、社会で利用されるSystemがOutputになる。
EQUESのような大学研究室を起点とするStartupが存在する意味は、この二つの間にある。
論文をProductへ単純変換するのではない。
Technologyを選び直す。
Domainへ適応する。
Systemへ統合する。
HumanとOrganizationへ導入する。
そして現場からResearchへ新しいQuestionを返す。
企業そのものがResearchとIndustryを接続する変換機構になる。
そしてこの変換は、研究者とEngineerだけでは成立しない。
産業側に存在する専門知識を持つ人々と接続して初めて、AIは実際の業務を理解できる。
次節ではEQUESの企業Systemをさらに外側へ広げ、研究開発組織と産業現場を接続する第三の主体として、**「顧客とDomain Expert」**を分析する。
第3節 顧客とDomain Expert
AI企業が産業の問題を解くとき、最も重要なKnowledgeがAI企業の内部に存在するとは限らない。
製薬会社には、医薬品製造と品質保証を長年経験してきた人がいる。
エネルギー企業には、設備、運転、保守、安全を理解する人がいる。
原子力分野には、放射線環境、遠隔作業、規制、安全管理を知る専門家がいる。
AI企業が持つのはMachine LearningやSoftware Engineeringの専門性である。一方、顧客企業が持つのは、長い業務経験によって形成されたDomain Knowledgeである。
産業AIは、この二つが接続された場所で初めて成立する。
AI Expertise × Domain Expertise
EQUESのように製薬やエネルギーなど高い信頼性が求められる領域へAIを実装する企業では、顧客は単なる「発注者」ではない。
顧客自身が、AI Systemを成立させるKnowledge Sourceなのである。
⸻
顧客はProblemを持っている
AI DevelopmentはTechnologyから始めると失敗しやすい。
「LLMを使いたい」
「AI Agentを導入したい」
「Physical AIを使いたい」
というTechnology起点の問いだけでは、本当に解決すべきProblemが曖昧だからである。
重要なのは、その前にある。
どの業務に時間がかかっているのか。
どこでErrorが発生するのか。
何を確認するためにHumanが大量のDocumentを読んでいるのか。
どの作業が危険なのか。
どのKnowledgeが特定の熟練者へ集中しているのか。
これらのProblemを最もよく知っているのは、多くの場合、現場で仕事をしている人である。
したがって、
Customer Problem → AI Requirement
という順序が必要になる。
⸻
表面的な要望と本当のProblem
ただし、顧客が最初に説明する要望が、そのまま最適なRequirementとは限らない。
「このDocumentをAIで作りたい」
という要望がある。
詳しく聞く。
すると本当のProblemは、Document作成そのものではなく、
複数SystemからInformationを集めること。
過去Documentを検索すること。
記載内容を確認すること。
承認者との往復。
にあるかもしれない。
この場合、単純な文章生成だけを実装しても全体の業務時間は大きく減らない。
必要なのは、
Request → Workflow Analysis → Root Problem
である。
⸻
Domain Expertは暗黙知を持っている
現場の専門家が持つKnowledgeのすべてがManualへ書かれているわけではない。
「この場合はここを確認する」
「この表現なら追加調査が必要になる」
「この値の組合せは通常と違う」
といった判断は、長いExperienceから形成されている。
これはTacit Knowledgeである。
AIを業務へ実装するには、このTacit Knowledgeの一部を、
Rule。
Example。
Evaluation Criteria。
Workflow。
Exception Pattern。
へ変換する必要がある。
つまり、
Tacit Knowledge → Explicit Knowledge
というKnowledge Engineeringが必要になる。
⸻
Domain Expertは教師ではない
ただし、Domain ExpertからKnowledgeを聞き出せばAIが完成するわけではない。
専門家自身も、自分がどのような判断Processを使っているか完全には説明できない場合がある。
さらに複数のExpertが異なる判断をすることもある。
そこで、
Interview。
Observation。
Document Analysis。
Historical Case。
Prototype Evaluation。
を組み合わせる。
AI EngineerがDomain Expertから一方向に教わるのではなく、共同で判断構造を明らかにしていく。
⸻
製薬ではDomain KnowledgeがSystem Requirementになる
製薬AIを考えると、この関係は明確である。
GMP。
品質保証。
逸脱管理。
変更管理。
年次照査。
Data Integrity。
こうした概念は、単なる背景Knowledgeではない。
AI SystemのRequirementそのものへ影響する。
どのInformationを扱えるか。
どのDocumentを参照するか。
どのOutputをHumanが確認するか。
どの履歴を保存するか。
どこにApprovalを置くか。
Domain RuleがSoftware Architectureへ入ってくる。
⸻
QAIを支えるのは業務理解である
QAI Generatorの価値を単純化すれば、生成AIによって品質関連Documentの作成を支援することである。
しかし、一般的なLLMへ「報告書を書いて」と指示するだけでは、産業Systemにはならない。
必要な項目。
Input Data。
Document Structure。
過去事例。
専門Vocabulary。
Human Review。
既存SystemとのData連携。
これらを設計する必要がある。
つまりProductの背後には、
Domain Knowledge → Workflow → Software
という翻訳が存在する。
⸻
Checkerでは「正しさ」を定義する必要がある
QAI CheckerのようにDocument間の齟齬を検出する場合は、さらにDomain Expertの役割が明確になる。
何を齟齬と呼ぶのか。
数字の不一致か。
日付の不一致か。
表現上の矛盾か。
因果関係の不整合か。
どの差異は許容されるのか。
AIが何かを「間違い」と判断するためには、その前にHuman側でCorrectnessの定義が必要になる。
したがって、
Domain Definition → Evaluation Criteria → AI Detection
という順序になる。
⸻
Ground Truthは自然に存在しない
Machine LearningではGround Truthという言葉が使われる。
しかし産業Problemでは、Ground Truthが最初から完全な形で存在するとは限らない。
複数のExpertが判断する。
意見が分かれる。
Regulationの解釈が必要になる。
Contextによって正解が変わる。
この場合、Datasetを作ること自体がDomain Workになる。
AI性能の上限は、Modelだけでなく、
Label Quality / Evaluation Quality
にも左右される。
⸻
Domain ExpertがEvaluationを作る
そこでDomain Expertは、AIの利用者であるだけでなくEvaluatorになる。
AI Outputを確認する。
Errorを分類する。
重大度を判断する。
Acceptableな範囲を決める。
Failure Caseを集める。
このFeedbackによって、ModelやSystemを改善できる。
つまり、
Domain Expert → Evaluation → AI Improvement
というLoopが成立する。
⸻
AI EngineerはDomain Translatorになる
反対にAI Engineerにも変化が必要になる。
Algorithmだけを説明するのではない。
顧客の言葉をTechnology Requirementへ翻訳する。
例えば、
「間違いを減らしたい」
を、
Precision。
Recall。
False Positive。
False Negative。
Human Review Rate。
へ変換する。
「安全に使いたい」
を、
Access Control。
Audit Log。
Data Isolation。
Human Approval。
へ変換する。
このTranslation Capabilityが産業AIでは極めて重要になる。
⸻
共通Languageを作る
Domain ExpertとAI Engineerは異なるLanguageを使う。
一方は、
GMP。
逸脱。
品質保証。
設備保全。
Safety。
を話す。
もう一方は、
LLM。
Embedding。
RAG。
Inference。
Latency。
API。
を話す。
そのままではCommunication Gapが生まれる。
そこでProjectの中で共通Vocabularyを作る。
Domain Language ⇄ Technical Language
を接続する。
このTranslationそのものが伴走型開発の重要な仕事になる。
⸻
Prototypeは会話の道具になる
言葉だけでRequirementを完全に定義することは難しい。
そこでPrototypeが有効になる。
小さく作る。
Domain Expertに使ってもらう。
「これは違う」
「ここは便利だ」
「このInformationも必要だ」
というFeedbackを得る。
Prototypeが具体物になることで、双方が同じ対象を見ながら議論できる。
つまりPoCには技術検証だけでなく、
Requirement Discovery
という役割もある。
⸻
顧客との共同開発
この状態になると、受託開発は単純な、
Customer → Specification → Vendor
ではなくなる。
むしろ、
Customer ⇄ EQUES
の間でRequirementそのものを作っていく。
顧客はDomain Knowledgeを提供する。
EQUESはAI Capabilityを提供する。
Prototypeを介して双方が学ぶ。
これがCo-developmentである。
⸻
Customer Feedbackは研究資源になる
顧客が実際にSystemを使うと、開発時には見えなかったProblemが現れる。
特定Caseで精度が落ちる。
Userが想定と違う使い方をする。
必要なInformationが不足する。
Human Reviewに時間がかかる。
このFeedbackは単なるSupport Ticketではない。
新しいTechnical Questionを含んでいる。
つまり、
Production Feedback → Engineering Question → Research Question
へ変換できる。
⸻
顧客は研究開発の外側ではない
ここまで進むと、顧客はResearch Pipelineの外側にいるとは言えない。
大学やAI企業でTechnologyが完成し、それを顧客へ届けるだけではない。
顧客のProblemがResearch Questionを生む。
現場DataがTechnologyを検証する。
Domain ExpertがEvaluationを作る。
Productionで新しいFailureが発見される。
したがって、
Research ⇄ Company ⇄ Customer
という双方向構造になる。
⸻
ただし顧客Knowledgeは共有資産ではない
ここで重要な境界がある。
顧客から学習したからといって、その顧客のDataやConfidential Informationを別の顧客へ利用してよいわけではない。
製薬のような産業では特に、
Confidentiality。
Access Control。
Data Governance。
Intellectual Property。
Contract。
を厳密に扱う必要がある。
企業が蓄積すべきなのは、顧客固有Dataそのものではなく、
一般化可能なEngineering Pattern
である。
⸻
Knowledgeを抽象化する
例えばあるProjectで、
大量DocumentからRelevant Informationを検索する必要があったとする。
顧客Documentそのものは再利用できない。
しかし、
Document Parsing。
Metadata Design。
Retrieval Architecture。
Evaluation Method。
Access Control Pattern。
は一般化できる可能性がある。
つまり、
Customer-specific Experience
→ Generalized Knowledge
へ変換する。
これがKnowledge Compoundingの重要な条件になる。
⸻
Domainごとの共通知識
複数の製薬企業とProjectを行えば、企業ごとの差だけでなく共通Problemも見えてくる可能性がある。
Document作成。
Consistency Check。
Knowledge Retrieval。
Auditability。
Human Approval。
共通構造が見つかれば、Reusable ComponentやProductへ変換できる。
このとき、
One Customer Solution → Domain Solution
への移行が始まる。
⸻
Productizationの起点
受託ProjectからProductが生まれる場合、その起点はTechnologyではなくRepeated Problemであることが多い。
一社だけが持つ特殊Problemなのか。
業界全体に存在するProblemなのか。
複数企業で同じWorkflowがあるのか。
標準化可能か。
これを判断する。
Repeated Problemが見つかれば、
Project → Pattern → Product
へ進める。
⸻
Domain Expertを社内に持つか
企業がDomain-specific AIへ深く進むと、顧客側のExpertだけに依存することにも限界がある。
毎回Domainの基本から学び直せばDevelopment Costが高い。
そこで、
社内にDomain Knowledgeを蓄積する。
専門人材を採用する。
Advisorと連携する。
顧客Expertとの共同Teamを作る。
といった選択肢が生まれる。
AI企業がDomain Companyへ近づく過程である。
⸻
Domain Teamという可能性
製薬。
Energy。
Physical AI。
それぞれの事業が成長すれば、
AI Engineerだけで構成された横断Organizationではなく、
Domain × AI
を単位としたTeamが合理的になる可能性がある。
例えば、
Pharmaceutical AI Team。
Energy AI Team。
Physical AI Team。
である。
その上で共通のAI PlatformやResearch Capabilityを共有する。
すると、
Domain Vertical + Technology Horizontal
というOrganization Structureになる。
⸻
Domain VerticalとTechnology Horizontal
この構造はEQUESの成長を考えるうえで重要である。
縦方向には、
製薬。
Energy。
その他の産業。
というDomainがある。
横方向には、
Machine Learning。
LLM。
Optimization。
Cloud。
Security。
Robotics。
Evaluation。
というTechnologyがある。
企業能力は、この縦横の交点で生まれる。
Domain × Technology = Industrial AI Solution
である。
⸻
顧客との距離とScaleの問題
伴走型開発では顧客との近さが強みになる。
しかし顧客数が増えるほど、一社ごとに深く対応するCostも増える。
したがって成長には、
個別対応すべき部分。
標準化できる部分。
Product化できる部分。
を分ける必要がある。
すべてをCustom DevelopmentにすればScaleしにくい。
すべてを標準ProductにすればDomain Realityから離れる。
このBalanceが重要になる。
⸻
80%と20%を分ける
概念的には、
共通する80%をPlatformやProductへ。
顧客固有の20%をConfigurationやIntegrationへ。
という設計が考えられる。
実際の比率はProjectによって異なるが、考え方は重要である。
Standard Core + Domain / Customer Adaptation
によって、伴走性とScalabilityを両立する。
⸻
Domain ExpertとAI Agent
AI Agentが高度化すると、Domain ExpertのKnowledgeをSystemへ組み込む方法も変わる。
AgentへToolを与える。
Internal KnowledgeへAccessさせる。
Ruleを設定する。
Human Approval Pointを置く。
するとDomain Expertは、毎回Taskを直接実行するだけではなく、
AIが仕事をするためのEnvironmentを設計する側
へ移る可能性がある。
⸻
Expert Knowledgeを消さない
ただし、KnowledgeをAIへ移したからといってHuman Expertを不要と考えるべきではない。
Regulationが変わる。
例外が起きる。
新しいProblemが現れる。
AIが未知のCaseへ遭遇する。
そのときSystemを更新するのはExpertである。
したがって、
Expert → AI → Expert Feedback
という循環を維持する必要がある。
⸻
Knowledge Succession
日本の製造業やInfrastructureでは、熟練人材の高齢化や人材不足が課題になる領域がある。
ここでAIは、Expert Knowledgeを記録し、検索し、次世代へ伝える支援Technologyになり得る。
過去Document。
Decision History。
Maintenance Record。
Expert Explanation。
をKnowledge Baseへ統合する。
AIが検索・整理を支援する。
これは単純なAutomationではない。
Knowledge Succession
である。
⸻
顧客企業も学習する
共同開発によって学ぶのはEQUESだけではない。
顧客側も、
AIの能力。
限界。
Evaluation。
Data Requirement。
System Design。
を理解する。
すると次のProjectでは、より高度なProblemを定義できる。
つまり、
EQUES Learning ⇄ Customer Learning
が起こる。
この相互学習が長期的なPartnershipを強くする。
⸻
Vendor RelationshipからLearning Relationshipへ
従来型のVendor Relationshipでは、
発注する。
納品する。
保守する。
という関係になりやすい。
先端AIではTechnology自体が変化し続けるため、それだけでは不十分になる。
新しいModelを評価する。
Workflowを更新する。
User Feedbackを分析する。
再設計する。
したがって関係も、
Vendor Relationship
から、
Continuous Learning Relationship
へ変化する可能性がある。
⸻
Trustは技術性能だけから生まれない
高信頼産業では、顧客がAI企業へ求めるものはModel Performanceだけではない。
Confidentialityを守る。
分からないことを分からないと言う。
Technical Limitationを説明する。
Failureを共有する。
Auditへ対応する。
長期的にSystemをSupportする。
こうした行動によってTrustが形成される。
Technical Trust + Organizational Trust
の双方が必要になる。
⸻
顧客基盤はKnowledge Networkでもある
複数のDomain Expert、企業、研究機関と継続的な関係を形成すれば、それ自体が企業Capabilityになる。
ただし個別顧客の情報を混ぜるのではない。
異なる現場から一般化可能なProblem Structureを学ぶ。
それによって、
「次にどのTechnologyが必要になるか」
を早く認識できる。
顧客NetworkはSales Channelであると同時に、Problem Discovery Networkにもなり得る。
⸻
顧客とDomain Expertの最小構造
ここまでを圧縮すると、
Customer Problem
→ Domain Knowledge
→ Requirement
→ Prototype
→ Domain Evaluation
→ Production
→ Feedback
→ Generalized Knowledge
となる。
そのGeneralized Knowledgeが次のProjectへ利用されれば、
Customer Experience → Company Capability
への変換が成立する。
ただし、その境界には常にConfidentiality、Governance、Intellectual Propertyが置かれる。
⸻
企業の外側まで含めてEQUESを見る
EQUESの企業能力は、EQUES内部のEmployeeだけから作られているわけではない。
研究者。
Engineer。
顧客。
Domain Expert。
大学。
Technology Partner。
公的機関。
複数の主体が接続されることで、高度なIndustrial AI Projectが成立する。
したがってCompanyを理解する単位も、
Organization
から、
Knowledge Network
へ広げる必要がある。
EQUESはそのNetworkの中で、Research KnowledgeとDomain Knowledgeを接続し、動くSystemへ変換する位置にいる。
そして、このような高難度の研究開発には、人材とKnowledgeだけでなく、Compute、実証環境、研究期間、設備、Capitalが必要になる。
市場からの売上だけでは、まだCommercializationされていない先端Technologyへの投資を十分に支えられない場合もある。
そこで次に現れるのが、国家の産業政策や研究開発支援との接点である。
次節では、GENIACをはじめとする制度的な支援を企業競争力そのものと混同せず、先端AI企業の研究開発を可能にする一つの外部Infrastructureとして、**「公的研究開発支援」**を分析する。
第4節 公的研究開発支援
研究開発型Startupが先端Technologyへ挑戦するとき、最初から十分な売上と利益があるとは限らない。
大規模なAI ModelをTrainingする。
Robotを開発する。
高Risk Environmentで実証する。
Quantum Computingを試す。
Domain-specific Datasetを構築する。
こうした活動には、Compute、Equipment、人材、研究期間が必要になる。
しかし、Commercial Marketがまだ成熟していない段階では、そのCostを民間企業だけで負担することが難しい場合がある。
そこで重要になるのが、公的研究開発支援である。
EQUESは、GENIAC、廃炉関連の公的研究開発支援、量子コンピューティング関連Programなど、複数の制度を通じて先端研究を進めてきた。
ただし、公的支援を受けていること自体を企業競争力と同一視してはいけない。
重要なのは、
Public Support → Research Capability → Technology → Industrial Value
という変換が成立するかである。
⸻
なぜ国家が研究開発を支援するのか
民間企業は通常、投資に対するReturnを求める。
しかし、先端研究には不確実性が大きい。
Technologyが実用化できるか分からない。
Marketがいつ形成されるか分からない。
Infrastructure整備に時間がかかる。
社会全体には価値があっても、一社だけではInvestmentを回収しにくい場合がある。
このような領域では、国家や公的機関がRiskの一部を引き受ける意味がある。
つまり、
Private Riskだけでは進みにくいResearch
へ、
Public Risk Sharing
を加える。
⸻
AI開発とCompute
現代のAI Researchでは、Compute Resourceが重要な研究資源になっている。
Dataがある。
Algorithmがある。
Engineerがいる。
それでも、十分なGPUやTraining Environmentがなければ大規模Experimentを行えない場合がある。
特にDomain-specific LLMのDevelopmentでは、
Training。
Fine-tuning。
Evaluation。
Experiment Comparison。
にComputeが必要になる。
そこで公的ProgramによるCompute支援は、Startupが通常より大きなResearchへアクセスするためのInfrastructureになる。
⸻
GENIACの意味
EQUESがJPharmatron-7Bの開発で関与したGENIACは、日本国内の生成AI開発力を強化する政策的枠組みの一つとして位置づけられる。
ここで重要なのは、支援によって一つのModelを作ったという事実だけではない。
企業内部に、
Domain Datasetを扱う。
ModelをTrainingする。
Evaluationする。
公開する。
次のModel DevelopmentへKnowledgeを残す。
というCapabilityが蓄積される可能性があることである。
つまり、
Public Compute → Private Capability Formation
である。
⸻
補助金は成果ではない
ここには明確な境界が必要である。
採択された。
補助金を得た。
計算資源を使えた。
これらはInputである。
Outputではない。
最終的に評価すべきなのは、
Research Result。
Model。
Benchmark。
Patent。
Product。
Customer Value。
社会的Impact。
などである。
したがって、
Funding Received ≠ Innovation Achieved
である。
公的支援の価値は、企業がそのResourceを何へ変換したかで判断する必要がある。
⸻
Selection Signalという側面
一方で、採択には別の意味もある。
公的Programでは通常、
Research Theme。
Technical Plan。
Team Capability。
Expected Impact。
などが審査される。
したがって採択は、一定のExternal Evaluationを通過したSignalにはなる。
ただし、それは将来の成功保証ではない。
Selection Signal ≠ Commercial Validation
である。
ここを混同しないことが重要になる。
⸻
廃炉研究は市場だけでは進みにくい
福島第一原発の廃炉は、一般的なCommercial Marketとは異なる。
極めて長期的なProjectであり、
Safety。
Public Responsibility。
Energy Policy。
National Infrastructure。
と接続している。
そこで必要になるRobot、Remote Operation、AI、Radiation-resistant Technologyなどの研究開発を、通常のStartup Salesだけで支えることは難しい。
公的研究開発支援が重要になる理由がここにある。
⸻
Public MissionとStartup Speed
廃炉のような国家的・社会的Missionには、
長期性。
安全性。
Accountability。
が求められる。
一方Startupには、
Speed。
Experimentation。
Flexible Engineering。
という特性がある。
両者は性格が異なる。
しかし適切に接続されれば、
Public Mission × Startup Execution
という構造が生まれる。
公的機関がProblemとResearch Environmentを提供し、Startupが新しいTechnologyを迅速に実装する。
⸻
研究機関との役割分担
公的研究開発支援では、FundingだけでなくResearch Institutionとの連携も重要になる。
Specialized Facility。
Experimental Environment。
Domain Expert。
Long-term Data。
Safety Knowledge。
Startup単独では持ちにくいResourceを利用できる。
逆にStartupは、
AI Engineering。
Rapid Prototyping。
Software Development。
New Model Adoption。
などを提供できる。
つまり、
Public Research Capability × Startup Engineering Capability
である。
⸻
大学との接続
EQUESは大学研究室を起点とする企業である。
したがって公的支援は、企業と大学を再び接続する役割も持つ。
大学は基礎Researchを行う。
StartupがTechnologyを実装する。
企業がDomain Problemを持つ。
公的機関がResearch Programを設計する。
この構造は、
Academia → Startup → Industry
という一方向ではない。
各主体がFeedbackを返すNetworkになる。
⸻
産学官連携
これを一般化すると、
Academia + Industry + Government
という産学官連携になる。
AI Startupはその中央で重要な位置を取る可能性がある。
大学ほど長期Researchに特化していない。
大企業ほどOrganizationが大きくない。
政府ほど公共政策中心でもない。
その中間で、Researchを迅速にPrototypeし、Industrial Applicationへ移す。
StartupはTechnology Translation Layerとして機能できる。
⸻
公的支援と民間資本の違い
Public FundingとVenture Capitalは同じCapitalではない。
VCはCompany Value GrowthとExitを期待する。
公的Fundingは政策目的や社会的Research Goalを持つ。
したがって企業は、それぞれを異なる用途へ配置する必要がある。
例えば、
Public FundingでFrontier Research。
Private CapitalでProduct Development。
Customer RevenueでOperation。
という組合せも考えられる。
つまり、
Capital Source → Appropriate Risk Layer
を設計する。
⸻
Public MoneyにはAccountabilityがある
公的資金を利用する場合、当然ながら説明責任が伴う。
Research Goal。
Progress。
成果。
予算使用。
Public Benefit。
を示す必要がある。
これはStartupにとってAdministrative Costにもなる。
しかし同時に、
Project Management。
Documentation。
Evaluation。
を強化する機会にもなり得る。
高信頼産業で必要になるAccountability Capabilityと接続する部分もある。
⸻
Research Timelineを長くできる
民間Projectは短期間のROIを求められることがある。
しかしDeep-techでは、研究成果がProductになるまで数年を要することもある。
Public R&D Programは、この時間を確保する役割を持つ。
つまり、
Short-term Market Time
だけでなく、
Long-term Research Time
を企業へ与える。
若いStartupがFuture Capabilityを形成するうえで重要になる。
⸻
Quantum Computingと長期Research
量子コンピューティングは、この典型例である。
現在の市場で大規模Revenueを即座に生むTechnologyとは限らない。
HardwareもAlgorithmもApplicationも発展途上である。
だからこそ、企業が完全に自費だけで長期Researchを行うことにはRiskがある。
NEDOなどのProgramを活用することで、そのRiskを社会全体で分担できる。
⸻
ただしQuantumを目的化しない
公的ProgramがQuantumを支援しているからといって、無理にQuantumを使うべきではない。
重要なのは、
Classical Methodと比較する。
どのProblemにQuantumを使う意味があるか確認する。
Technology Readinessを評価する。
ことである。
Public FundingがTechnology-firstなResearchを誘発すれば、社会実装から離れる可能性もある。
したがって、
Policy Theme → Real Problem
への接続が必要になる。
⸻
Policy Risk
企業が公的支援へ過度に依存することにもRiskがある。
Policy Priorityは変わる。
Budgetも変わる。
Programは終了する。
採択されない年もある。
したがってPublic Fundingを恒常的Revenue Sourceとして依存しすぎるべきではない。
企業としては、
Public SupportをCapability Formationへ変換し、その後Marketへ接続する
必要がある。
⸻
補助金依存と研究開発活用は違う
重要なのは、この区別である。
補助金がなければ事業が存続できない状態と、
補助金を利用して高Risk Researchを行い、Technology Assetを形成する状態は違う。
前者はDependenceである。
後者はLeverageである。
EQUESを分析するときも、採択件数ではなく、
何が残ったか
を見る必要がある。
⸻
支援から残すべきもの
Public Project終了後に企業へ残るべきものは何か。
Research Knowledge。
Dataset。
Algorithm。
Evaluation Method。
Code。
Patent。
Domain Network。
Research Partner。
Engineer Experience。
Product Candidate。
これらである。
つまり、
Temporary Funding → Persistent Capability
への変換が重要になる。
⸻
JPharmatronで残るもの
JPharmatronの事例なら、Modelそのものだけではない。
Domain-specific LLM DevelopmentのKnowledge。
Data Curation。
Evaluation。
Compute Management。
Benchmark。
Open-source Publication。
これらが内部Capabilityとして残れば、次のModelへ再利用できる。
特定Modelの寿命より、Capabilityの寿命の方が長い可能性がある。
⸻
廃炉Projectで残るもの
廃炉関連Researchでも同様である。
Remote Robotics。
Physical AI。
Sensor Integration。
Safety。
Human–Machine Interface。
Edge Processing。
Extreme EnvironmentへのEngineering Knowledge。
これらが蓄積されれば、別のInfrastructureやDisaster Responseへ応用できる可能性がある。
つまり、
Mission-specific Research → Generalizable Capability
である。
⸻
Quantum Projectで残るもの
量子研究で残るものもQuantum Algorithmだけではない。
Combinatorial Problem Formulation。
Classical Baseline。
Hybrid Computing。
Optimization Design。
Simulation。
Domain Collaboration。
これらはClassical Computingにも応用可能なKnowledgeである。
したがって、Quantum Advantageが直ちに成立しなくても、Researchすべてが無価値になるわけではない。
⸻
Public ProjectはNetworkも作る
研究開発Programでは、多数の企業、大学、研究機関が接続される。
このNetwork自体が企業資産になる可能性がある。
新しいResearch Partner。
Domain Expert。
Future Customer。
Technology Provider。
Investor。
Knowledge Exchange。
ただしNetworkの広さより、実際に共同Projectへ変換できる関係の深さが重要になる。
⸻
Reputation Capital
公的Programへの採択や研究成果には、Reputationを形成する効果もある。
若いStartupにとって、
どのTechnologyを扱えるのか。
高難度Projectを遂行できるのか。
を外部へ示すことは重要である。
特に高信頼産業ではCustomerがVendor選定に慎重になるため、Research Track RecordはTrust Formationに寄与し得る。
ただし、ここでも採択実績と実際のDelivery Capabilityは区別すべきである。
⸻
Talent Attraction
高度な公的Research Projectは、人材獲得にも影響する。
通常の受託Projectだけでは経験できないProblemに挑戦できる。
独自LLM。
廃炉Robotics。
Quantum Computing。
こうしたResearch OpportunityはResearcherやEngineerを引きつける可能性がある。
つまり、
R&D Project → Talent Attraction
という効果も考えられる。
⸻
Talentが次のResearchを可能にする
優秀な人材が入る。
新しいResearchを行う。
成果が出る。
さらに難しいProjectへ採択される。
また人材が集まる。
すると、
Research Opportunity
→ Talent
→ Capability
→ New Research Opportunity
という正の循環が生まれる可能性がある。
若いDeep-tech Companyにとって重要な成長Mechanismである。
⸻
国家のAI政策と企業戦略
AIは現在、産業政策、安全保障、経済競争力、人材政策とも接続するTechnologyになっている。
国内Compute Infrastructure。
Foundation Model。
Semiconductor。
Robotics。
Quantum。
政策対象は広い。
Startupにとって重要なのは、政策に合わせて会社を変えることではない。
自社のMissionとTechnology Strategyに合致するPolicy Supportを選択的に利用することである。
⸻
Policy-driven Companyにならない
政策Programがあるから事業を作る。
補助金があるからResearch Themeを変える。
この状態が続けば、Company Strategyが外部政策へ依存する。
研究開発型企業に必要なのは逆である。
自社が解きたいProblemがある。
必要なResearchがある。
その一部を公的Programが支援できるなら利用する。
つまり、
Company Strategy → Funding Selection
であり、
Funding Availability → Company Strategy
ではない。
⸻
市場で逆検証する
公的支援を受けたResearchが企業能力になったかを最終的に確認する場所はMarketである。
Customerは使うか。
Productivityは上がるか。
Qualityは改善するか。
Safetyに寄与するか。
継続的に対価を払う価値があるか。
Research成果を産業へ出し、Market Feedbackを受ける。
つまり、
Public Research → Market Verification
が必要になる。
⸻
PublicとPrivateの循環
理想的には、
Public Supportで高Risk Researchを進める。
Private CompanyがTechnologyをImplementationする。
Customerが利用する。
Revenueが生まれる。
企業が次のResearchへ再投資する。
すると、
Public R&D
→ Private Capability
→ Market Value
→ Private Reinvestment
という循環が成立する。
長期的には公的支援へのDependencyを下げながら研究Capabilityを維持できる。
⸻
公的研究開発支援を企業システムへ組み込む
EQUESの企業Systemとして見るなら、公的支援は外部から与えられるMoneyではない。
適切に利用すれば、
Compute。
Research Time。
Experimental Environment。
Network。
Reputation。
Talent。
を企業Capabilityへ変換できる。
したがって、
Public Resource → Organizational Capability
というCapital Conversion Processとして分析する必要がある。
⸻
最小構造
公的研究開発支援の構造を圧縮すると、
Social / Strategic Problem
↓
Public R&D Program
↓
Funding / Compute / Research Environment
↓
Startup Research
↓
Technology / Knowledge / Talent
↓
Industrial Implementation
↓
Market / Social Evaluation
となる。
そして成果の一部が次のResearchへ戻れば、循環する。
⸻
EQUESが公的支援を活用してきた意味は、補助金を多く獲得したこと自体にはない。
通常の小規模Startupだけでは取り組みにくい研究Frontierへ入り、その経験を自社の持続的なCapabilityへ変換できるか。
そこが本質である。
そして高難度のResearchを企業Capabilityへ変えるためには、公的機関だけではなく、大学、研究機関、Cloud企業、System企業、Robot企業、顧客企業など、多様な主体との協働が不可欠になる。
次節では、EQUESが一社の境界を越えてどのようにCapabilityを拡張するのかを、共同研究とパートナーシップという観点から分析する。
第5節 共同研究とパートナーシップ
先端AI企業が、すべての能力を一社の内部だけで持つことは難しい。
製薬。
エネルギー。
原子力。
ロボティクス。
クラウド。
量子コンピューティング。
それぞれの領域には、異なる専門知識、設備、研究環境、データ、規制、顧客基盤が存在する。
EQUESのような比較的小規模な研究開発型Startupにとって重要なのは、すべてを自社保有することではない。
自社が持つAI・Software Engineering Capabilityを、外部組織が持つDomain Knowledge、Infrastructure、Hardware、Research Environmentと接続することである。
ここで共同研究とPartnershipが企業能力の一部になる。
⸻
一社完結ではなくNetworkで実装する
高難度の産業AIでは、一つのProjectに複数の専門性が必要になる。
例えば原子力施設向けのRemote Roboticsを考える。
AIだけでは足りない。
Robot Hardware。
Manipulator。
Camera。
Sensor。
Control。
Communication。
Safety。
Radiation Knowledge。
現場Operation。
これらが必要になる。
したがって、
AI Company + Robot Company + Research Institution + Domain Expert
という構造が自然になる。
重要なのは誰か一社がすべてを所有することではない。
必要なCapabilityをProject単位で統合できることである。
⸻
Partnershipは不足を埋めるだけではない
外部連携を、
「自社にないものを外注する」
とだけ考えると意味を小さく捉えることになる。
優れたPartnershipでは、双方のCapabilityが組み合わさることで、単独では作れなかった新しいCapabilityが生まれる。
例えば、
AI Companyが持つModel Development能力。
Domain Companyが持つ業務Knowledge。
System Companyが持つExisting Workflow。
Cloud Providerが持つInfrastructure。
これらを接続すれば、
1 + 1 > 2
となる可能性がある。
PartnershipはResource Sharingだけでなく、Capability Creationでもある。
⸻
大学との共同研究
EQUESのOriginを考えれば、大学との関係は特に重要である。
大学には、
基礎Research。
専門研究者。
学生。
Research Equipment。
Long-term Scientific Knowledge。
が存在する。
Startupには、
Rapid Prototyping。
Software Engineering。
Customer Problem。
Production Requirement。
Commercialization。
がある。
両者を接続すると、
Scientific Question ⇄ Industrial Question
の往復が生まれる。
⸻
大学からTechnologyを受け取るだけではない
大学発Startupというと、
大学で生まれたTechnologyを企業へTransferする
という一方向の構図で説明されやすい。
しかし実際には逆方向も重要になる。
Industryで新しいFailureが起きる。
既存Algorithmでは解けない。
新しいResearch Questionが生まれる。
大学側へ戻る。
つまり、
Academia → Startup → Industry → New Question → Academia
という循環になる。
EQUESが長期的に研究室との接続を保持する意味は、この循環にある。
⸻
Research Institutionとの連携
原子力、Energy、Healthcareなどでは、通常の企業や大学だけでは持ちにくいSpecialized Facilityが必要になる場合がある。
高線量環境。
特殊なRobot Testbed。
Simulation Environment。
安全管理設備。
こうしたResearch Infrastructureを持つ公的研究機関との連携は重要になる。
StartupはSoftwareやAIを持ち込む。
Research Institutionは現場に近いEnvironmentを提供する。
そこで、
Lab AI → Field-like Validation
へ移行できる。
⸻
顧客企業との共同開発
B2B AIでは、顧客とのRelationship自体が共同研究に近づく場合がある。
顧客はProblemとDomain Knowledgeを持つ。
EQUESはAI Capabilityを持つ。
両者でUse Caseを定義する。
PoCする。
評価する。
Productionへ移す。
このProcessは単なる発注・納品関係ではない。
Co-development
である。
特に、まだStandard Solutionが存在しない先端AIでは重要になる。
⸻
Product Vendorとの連携
AI Productを既存のEnterprise Systemへ組み込む場合、System Vendorとの連携が必要になる。
製薬の品質管理System。
Document Management System。
ERP。
Manufacturing System。
AIが独立したApplicationとして存在するだけでは、HumanによるCopy & Pasteが残る。
そこで、
Existing System ⇄ AI Product
を接続する。
Data Integration。
Authentication。
Permission。
API。
Audit。
が重要になる。
⸻
Integration Partnershipの価値
こうしたPartnershipの価値は、単純な販売Channelではない。
AIが業務の外側にあるToolから、
Business Workflowの内部にある機能
へ変わることにある。
QAIのようなProductを考える場合にも、既存品質Systemとの連携が進めば、Customer側の導入Costを下げられる可能性がある。
つまり、
Partnership → Lower Integration Cost → Higher Adoption
という効果が考えられる。
⸻
Cloud Providerとの連携
AI Systemには大量のComputeとData Infrastructureが必要になる。
Cloud Providerは、
Compute。
Storage。
Database。
Network。
Security。
AI Platform。
Monitoring。
を提供する。
Startupがこれらをすべて自社構築することは合理的ではない。
したがって、
AI Application Company × Cloud Infrastructure
という分業が成立する。
⸻
Infrastructureは中立ではない
ただし、Cloudを選べばどこでも同じというわけでもない。
Price。
Region。
Security。
Available GPU。
Latency。
Managed Service。
Data Governance。
Customer Requirement。
によって適切なInfrastructureは異なる。
したがってPartnershipの目的は、特定Providerを無条件に使うことではない。
Customer Requirementに合わせて最適なInfrastructureを構成すること
である。
⸻
Physical AIではHardware Partnerが重要になる
Software AIでは、ApplicationとCloudだけでSystemを構築できる場合がある。
Physical AIではそうはいかない。
Robot。
Sensor。
Camera。
Edge Computer。
Manipulator。
Actuator。
Mechanical Structure。
などHardwareが必要になる。
したがって、
Software Partnership
から、
Cyber-Physical Partnership
へ広がる。
AI StartupがHardware Companyへ変わる必要はない。
しかしHardwareの制約を理解し、Systemとして統合する能力は必要になる。
⸻
HardwareをBlack Boxにしない
Robot HardwareをPartnerが提供するからといって、AI EngineerがHardwareを理解しなくてよいわけではない。
Sensor Frequency。
Latency。
Payload。
Joint Limit。
Compute Capacity。
Failure Mode。
これらはAI Architectureへ直接影響する。
逆にHardware側もAIのCompute RequirementやData Requirementを理解する必要がある。
つまり、
Software Team ⇄ Hardware Team
の共通理解が必要になる。
⸻
Extreme Environmentでの共同設計
福島第一原発のようなExtreme Environmentでは、この相互理解がさらに重要になる。
「高性能Cameraを付ければよい」
とは限らない。
放射線環境で使用できるか。
Cableは配置できるか。
Robot Weightは許容されるか。
通信は安定するか。
Maintenanceできるか。
Physical ConstraintがTechnology Choiceを決める。
したがって、
Environment → System Requirement
を複数Partnerが共有する必要がある。
⸻
量子コンピューティングではCompute Partnerが変わる
Quantum Computingでは、さらに異なるEcosystemが必要になる。
Quantum Hardware Provider。
Cloud Quantum Service。
Algorithm Researcher。
Optimization Expert。
Domain Expert。
Classical Computing Engineer。
一つのQuantum Processorを使えばProblemが自動的に解けるわけではない。
Problem FormulationからClassical Baselineまで含む共同設計が必要になる。
⸻
Hybrid ComputingはHybrid Organizationでもある
Classical ComputingとQuantum Computingを接続するなら、人材も複数Domainを跨ぐ。
Quantum Specialistだけでは現実Problemを理解できない。
Domain ExpertだけではQuantum Algorithmを設計できない。
したがって、
Hybrid Computing
の背後には、
Hybrid Team
が必要になる。
Technology ArchitectureとOrganization Architectureは対応している。
⸻
Partnerを増やせば強くなるわけではない
多くのPartner名を並べれば企業能力が高くなるわけではない。
重要なのはRelationshipの深さである。
Logo Partnership。
Joint Announcement。
PoC。
Joint Development。
Production Deployment。
Long-term Research。
同じ「提携」でも意味は大きく異なる。
したがってEQUESを分析するときも、
Number of Partnerships
より、
Depth of Collaboration
を見る必要がある。
⸻
Partnershipの成熟度
共同関係を概念的に段階化すると、
Information Exchange
↓
Technical Cooperation
↓
PoC
↓
Joint Development
↓
Production Integration
↓
Long-term Knowledge Sharing
となる。
下へ進むほど、単なる接点からCompany Capabilityへ近づく。
⸻
Partner Selection
誰と組むかも経営判断になる。
Technologyが優れているか。
Domain Knowledgeがあるか。
Decision Speedが合うか。
Security Requirementを満たすか。
Long-term Supportが可能か。
Intellectual Propertyの条件はどうか。
StartupにとってPartnershipは無料のCapabilityではない。
Coordination Costも発生する。
⸻
Make / Buy / Partner
企業が新しいCapabilityを必要とするとき、三つの選択肢がある。
Make
自社で構築する。
Buy
既存Productを購入する。
Partner
他社と共同で構築する。
研究開発型Startupでは、この選択が非常に重要になる。
すべてをMakeすれば速度が落ちる。
すべてをBuyすれば独自Capabilityが残らない。
適切な部分をPartnerへ開く必要がある。
⸻
Core Capabilityは内部に残す
Partnershipを多用しても、自社の中心能力まで外部化すれば企業の差別化が失われる。
EQUESの場合、本書の分析上のCoreは、
AI Research。
Problem Formulation。
Domain Translation。
Evaluation。
Production Engineering。
などにあると考えられる。
Cloud Hardwareそのものを所有する必要はない。
Robot Hardwareすべてを作る必要もない。
しかし、
どのTechnologyをどう組み合わせればProblemを解けるか
というSystem Design Capabilityは内部に残す必要がある。
⸻
Architectural Control
この考え方を一段一般化すると重要なのはArchitectural Controlである。
すべてのComponentを所有することではない。
System全体のRequirementを理解する。
Interfaceを定義する。
Componentを選択する。
Evaluationする。
統合する。
つまり、
Own the Architecture, not necessarily every Component.
という考え方である。
小規模Startupが大規模Systemへ関与するための重要な戦略になる。
⸻
InterfaceがPartnershipを可能にする
複数企業が共同開発する場合、Interfaceが曖昧だとIntegration Costが増える。
Data Format。
API。
Sensor Input。
Control Command。
Responsibility Boundary。
Test Procedure。
これらを明確にする。
Software ArchitectureにおけるInterface Designは、Organization間のCollaboration Designでもある。
⸻
Responsibility Boundary
高信頼Systemでは特に、
誰がどのComponentへ責任を持つか
を明確にする必要がある。
AI Model。
Sensor。
Robot Controller。
Cloud。
Human Operation。
Safety Layer。
問題が起きた場合に責任境界が不明なら、System全体のGovernanceが成立しない。
したがって、
Technical Interface + Accountability Interface
を同時に設計する。
⸻
Intellectual Property
共同研究ではIPも重要になる。
既存技術は誰のものか。
共同で生まれたTechnologyを誰が利用できるか。
Research Resultを公開できるか。
Productへ利用できるか。
Patentをどう扱うか。
StartupにとってIPはFuture Businessへ影響するため、研究開始時から設計する必要がある。
⸻
Open ResearchとProprietary Knowledge
AI ResearchではOpen Sourceや論文公開が重要である。
一方企業にはProprietary Knowledgeも必要になる。
Benchmarkを公開する。
Modelを公開する。
一部TechnologyをOpenにする。
その一方で、Customer-specific IntegrationやProduction Know-howは内部に保持する。
つまり、
Open Knowledge + Proprietary Capability
のBalanceを設計する。
⸻
公開することがCapabilityを高める場合
研究成果を公開すると、外部からFeedbackが得られる。
他Researcherが比較する。
新しいImprovementが生まれる。
Talentが企業を知る。
Reputationが形成される。
したがってOpen ResearchはKnowledgeを失うことだけではない。
External Learning Loopを作ること
にもなる。
⸻
Partnershipから採用へ
共同研究で出会ったResearcher。
University Student。
Engineer。
Domain Expert。
が将来EQUESへ参加する可能性もある。
つまりPartnershipは、
Capability Access
だけでなく、
Talent Pipeline
にもなり得る。
大学発Startupでは特に重要になる。
⸻
PartnershipからCustomerへ
Research Partnerが将来Customerになる場合もある。
逆にCustomerとのPoCからResearch Partnershipが生まれる場合もある。
境界は固定されていない。
Research Relationship ⇄ Business Relationship
が往復する。
先端Technologyでは、この曖昧さがInnovationを生むこともある。
⸻
Knowledge Spillover
一つの共同研究で得た一般化可能なKnowledgeが、別のDomainへ応用できることがある。
製薬で学んだHuman Review Architecture。
原子力で学んだFail-safe。
Cloud Projectで学んだAccess Control。
それらを別Projectへ応用する。
ただしCustomer Confidentialityを守りながら抽象化する。
これがKnowledge Spilloverである。
⸻
Network Effectとは異なる
Software PlatformではUserが増えるほど直接価値が増えるNetwork Effectがある。
EQUES型の共同研究Networkは、それとは少し違う。
Partnerが増えるほど、自動的にValueが上がるわけではない。
重要なのは、
Knowledge Diversity
と、
Integration Capability
である。
多様なPartner Knowledgeを組み合わせ、新しいSolutionへ変換できるか。
⸻
Ecosystem Orchestratorという可能性
もし企業が多数の専門Partnerを接続し、Project全体を設計できるようになると、その役割は単なるAI Vendorから変化する。
Customer Problemを理解する。
必要なTechnologyを選ぶ。
Partnerを組み合わせる。
System Architectureを定義する。
評価する。
Productionまで導く。
つまり、
Ecosystem Orchestration
である。
EQUESが将来的にどこまでこの役割を担えるかは重要な論点になる。
⸻
小さい会社が大きなProblemを扱う方法
福島第一原発の廃炉。
製薬の品質保証。
Advanced Computing。
こうしたProblemは、一Startupの社員数よりはるかに大きい。
それでもStartupが参加できるのは、
Company Size
ではなく、
Networked Capability
で考えられるからである。
自社のCore Capabilityを持つ。
足りないCapabilityはPartnerと接続する。
全体Architectureを統合する。
これが小規模Deep-tech Companyの拡張方法になる。
⸻
Partnershipの最小構造
共同研究とPartnershipを最小化すると、
Internal Capability
External Capability
↓
Joint Problem Definition
↓
Shared Research / Development
↓
Integration
↓
Evaluation
↓
New Knowledge
となる。
そしてNew Knowledgeの一部が各Organizationへ戻る。
つまりPartnershipは単発の取引ではなく、複数Organizationが同時にLearningする仕組みでもある。
⸻
Company Boundaryを越えるLearning
第Ⅵ部で見ているのは、EQUES内部にKnowledgeをどう蓄積するかという問題である。
しかし本節で分かるのは、KnowledgeのSourceはCompany Boundaryの外にも存在するということである。
大学。
顧客。
研究機関。
Technology Company。
Public Institution。
それぞれからKnowledgeが入る。
EQUES内部で統合される。
そして再び外部へTechnologyとして戻る。
したがって、
Company Learning = Internal Learning + Network Learning
である。
⸻
EQUESが研究開発型AI企業として成長するうえで、すべてを内製することは現実的でも合理的でもない。
重要なのは、自社のCore Capabilityを明確にし、その周囲へ異なる専門能力を持つPartnerを接続できることである。
しかしPartnerとの共同研究も、一つのProjectが終了すればKnowledgeが消えてしまうなら、企業能力として蓄積されない。
次に必要なのは、顧客案件、共同研究、失敗、Product Developmentから生まれた知見を、EQUES自身の再利用可能なKnowledgeへ変換することである。
次節では、第Ⅵ部の核心となる**「案件から知識を蓄積する」**へ進む。
第6節 案件から知識を蓄積する
研究開発型AI企業にとって、案件は売上を生むだけの単位ではない。
顧客のProblemを知る。
Domain Knowledgeを得る。
新しいTechnologyを試す。
Failure Caseを経験する。
Productionでしか見えない課題を発見する。
この一つひとつが、次の案件やProductへ利用可能なKnowledgeになる。
しかし、そのKnowledgeが個人のMemoryに留まれば、企業能力にはならない。
EQUESのような少数精鋭組織にとって重要なのは、
Project Experienceを、再利用可能なOrganizational Knowledgeへ変換すること
である。
⸻
案件は一回限りの仕事ではない
受託開発を単純に見ると、
案件を獲得する。
開発する。
納品する。
終了する。
という直線になる。
しかし、この構造では次の案件でも再びゼロから始める。
企業として学習しているとは言いにくい。
一方、Projectで得た知見を蓄積できれば、
Project₁ → Knowledge₁
Project₂ → Knowledge₁ + Knowledge₂
Project₃ → Knowledge₁ + Knowledge₂ + Knowledge₃
となる。
案件数の増加が、そのままKnowledge Baseの増加へつながる。
⸻
ExperienceとKnowledgeは違う
経験しただけではKnowledgeは蓄積されない。
一人のEngineerが、
「以前似たProblemをやったことがある」
と覚えている。
これはIndividual Experienceである。
しかし、その人しか知らなければOrganizationは再利用できない。
必要なのは、
何がProblemだったのか。
何を試したのか。
何が成功したのか。
何が失敗したのか。
なぜそのArchitectureを選んだのか。
を外部化することである。
Experience → Explicit Knowledge
への変換が必要になる。
⸻
Failureを記録する
成功したSolutionは記録されやすい。
しかし、より価値が高いのがFailure Caseであることも多い。
このModelでは性能が出なかった。
このRAG構成では検索精度が不足した。
このPromptではHallucinationが増えた。
このWorkflowではHuman Reviewが重くなった。
このArchitectureではCostが高すぎた。
これらを残す。
すると次のProjectで同じ失敗を繰り返さずに済む。
つまり、
Failure → Organizational Learning
である。
⸻
Postmortem
案件終了時に、単に成果物を納品するだけでなく、
何を学んだか。
どこで詰まったか。
次回は何を変えるか。
再利用できるものは何か。
を整理する。
Software EngineeringではPostmortemやRetrospectiveに近い。
重要なのは犯人探しではない。
Systemとして何を改善するかを見る。
⸻
Codeを資産へ変える
案件ごとにCodeを書く。
そのままCustomer-specific Repositoryへ閉じる。
これだけでは再利用性は低い。
一方、
共通化できるFunction。
Library。
Data Pipeline。
Evaluation Tool。
Infrastructure Template。
Agent Component。
を抽出できれば、次のProjectで再利用できる。
つまり、
Project Code → Reusable Component
へ変換する。
⸻
Reusable Component
例えば、
Document Parsing。
Embedding Pipeline。
Vector Search。
Authentication。
Audit Logging。
Model Evaluation。
Human Approval Interface。
こうした部分は、複数Projectで共通する可能性がある。
共通Componentを持てば、
一から実装する時間を減らす。
Qualityを安定させる。
Security Designを再利用する。
Testingを標準化する。
ことができる。
⸻
Architecture Pattern
Codeよりさらに抽象度を上げると、Architecture Patternが残る。
例えば、
LLM + RAG + Human Review
というPattern。
Sensor + Edge AI + Cloud Monitoring
というPattern。
Generation + Verification + Approval
というPattern。
ProjectごとのImplementationは違っても、構造が共通している場合がある。
このPatternを蓄積すると、Problemを見た時点で設計候補を早く出せる。
⸻
Domain Pattern
さらにDomain固有のPatternもある。
製薬では、
Document Traceability。
GMP Workflow。
Quality Review。
Energyでは、
Sensor Monitoring。
Anomaly Detection。
Maintenance Workflow。
Domainごとに繰り返し現れる構造を発見する。
すると、
Customer-specific Problem
から、
Domain-common Problem
へ抽象化できる。
⸻
Knowledgeの抽象度が重要になる
顧客固有情報をそのまま保存・再利用してはいけない。
必要なのは、
Specific Case → General Principle
への変換である。
例えば、
「A社のこのDocument Format」
ではなく、
「複数VersionのDocumentを比較する際に必要なMetadata設計」
として残す。
この抽象化によってConfidentialityを守りながら再利用できる。
⸻
Domain Ontology
案件を重ねると、同じConceptが繰り返し現れる。
製品。
工程。
設備。
Document。
Approval。
Risk。
これらの関係を整理するとDomain OntologyのようなKnowledge Structureを構築できる。
Ontologyがあれば、
Data Model。
RAG。
Knowledge Graph。
Agent Tool Design。
へ再利用できる可能性がある。
⸻
Evaluation Dataset
AI企業にとって特に価値が高いのがEvaluation Dataである。
Modelを変更した。
新しいPromptを導入した。
RAGを改善した。
本当に性能が良くなったのか。
それを確認するためにはTest Caseが必要になる。
過去案件のFailure Patternを、権利や機密性へ配慮した形で一般化し、
Evaluation Dataset
へ変換できれば強い。
⸻
Regression Test
AI SystemもUpdateすると性能が下がることがある。
新しいModelは平均性能が高い。
しかし特定の重要Taskで悪化する。
そこで過去のFailure CaseをTestとして残す。
Model Updateのたびに再実行する。
つまり、
Experience → Regression Test
である。
これによって過去の学びを未来のSystemへ埋め込める。
⸻
Benchmarkへ進む
Evaluation Caseが十分に蓄積されると、Benchmarkへ発展できる。
JPharmaBenchは、その典型的な方向を示している。
個別Projectだけで使うTestではなく、
Domain全体でAI能力を比較する基準へ変える。
つまり、
Project Evaluation → Domain Benchmark
である。
ここまで進めばKnowledgeは企業内部だけでなくResearch Assetにもなる。
⸻
DocumentもCompany Memoryになる
KnowledgeをCodeだけへ閉じる必要はない。
Requirement。
Architecture Decision。
Experiment Result。
Customer Feedback。
Failure Analysis。
運用上の注意。
こうしたDocumentもCompany Memoryになる。
ただし、書くだけでは使われない。
検索可能であること。
更新されること。
必要な人がAccessできること。
が重要になる。
⸻
AIでKnowledgeを検索する
EQUES自身がRAGやLLMを扱う企業であるなら、自社のCompany MemoryへAIを利用することも合理的である。
過去Projectを検索する。
類似Problemを探す。
Architecture Decisionを確認する。
Failure Caseを検索する。
すると、
Internal Knowledge Base + AI Retrieval
によって、過去の経験を現在のEngineerが利用しやすくなる。
⸻
Company MemoryからCompany Intelligenceへ
Memoryは保存だけでは足りない。
次のProjectへ使う必要がある。
「似たProblemを過去に解いていないか」
「このTechnologyは以前どこで失敗したか」
「このDomainでは何が重要だったか」
をAIやHumanが検索し、Decisionへ使う。
ここで、
Memory → Decision Support
へ変わる。
これがCompany Intelligenceである。
⸻
Knowledge Owner
Knowledge Baseは自然には更新されない。
誰が責任を持つのか。
どのInformationを残すのか。
何をArchiveするのか。
古いKnowledgeをどう扱うのか。
を決める必要がある。
Knowledge ManagementにもOwnershipが必要になる。
⸻
古いKnowledgeはRiskにもなる
AI Technologyは変化が速い。
二年前に最適だったArchitectureが現在は最適でない可能性がある。
古いModel情報。
Deprecated API。
古いSecurity Practice。
これをそのまま再利用すると逆効果になる。
したがってKnowledge Baseには、
Version。
Date。
Validity。
を持たせる必要がある。
⸻
Knowledgeを固定化しすぎない
標準化は効率を高める。
しかし標準化しすぎると、新しいTechnologyを試さなくなるRiskもある。
「いつもこのArchitectureだから」
という思考停止が起こる。
したがって、
Reuse + Re-evaluation
が必要になる。
過去のPatternを利用する。
しかし今も最適かを確認する。
⸻
ExplorationとExploitation
これは企業経営でいうExplorationとExploitationの問題でもある。
過去Knowledgeを再利用する。
これはExploitation。
新しいTechnologyを試す。
これはExploration。
両方が必要になる。
Reuse what works, explore what may work better.
Research Startupでは特に重要なBalanceである。
⸻
Productization
同じComponentやWorkflowが何度も使われれば、Product化の候補になる。
ProjectごとにCustom Developmentしていた機能を、
Standard Productとして切り出す。
QAIのようなVertical Productは、この構造から理解できる。
Repeated Project Pattern → Product
である。
⸻
Platform化
さらに共通Componentが増えれば、Platformへ進む可能性がある。
Authentication。
Data Connector。
RAG。
Evaluation。
Human Approval。
Audit。
Model Routing。
こうした共通Infrastructureを一つにまとめる。
すると新しいAI Applicationをより速く作れる。
つまり、
Projects → Components → Platform
という進化が可能になる。
⸻
Platformを目的化しない
ただし、最初から巨大な共通Platformを作ることにはRiskもある。
顧客Needがまだ分からない。
使われない機能を作る。
Architectureを早く固定しすぎる。
だからこそ案件から共通部分を発見する。
Reality First, Platform Later
という順序が合理的になる。
⸻
Knowledge Compounding
ここまでのProcessを一つにまとめると、Knowledge Compoundingが見える。
一件目で学ぶ。
二件目では一件目のKnowledgeを使う。
二件目から新しいKnowledgeを得る。
三件目では両方を使う。
さらにComponentやProductが生まれる。
すると、
Project Nの価値 = Revenue + New Knowledge
になる。
案件の価値を売上だけで評価しない理由がここにある。
⸻
Learning Rate
研究開発企業の競争力を考えるなら、売上成長率だけでなくLearning Rateも重要になる。
一つのProjectからどれだけ学べるか。
そのKnowledgeをどれだけ早く再利用できるか。
Failureをどれだけ短期間で改善へ変えられるか。
つまり、
Company Learning Rate
である。
若いStartupにとっては、現在のAsset規模よりLearning Rateが将来Capabilityを大きく左右する。
⸻
Knowledge Flywheel
案件がKnowledgeを生む。
KnowledgeがDevelopment Speedを上げる。
Speedがより多くの案件を可能にする。
案件がさらにKnowledgeを生む。
すると、
Project
→ Knowledge
→ Better Delivery
→ More Projects
→ More Knowledge
というFlywheelが形成される。
ただし、案件量だけを増やしてDocumentationや抽象化が追いつかなければFlywheelは回らない。
⸻
Product Flywheel
Productを持つと、さらに別のLoopが生まれる。
Productを使うCustomerが増える。
Usage DataやFeedbackが増える。
Productが改善される。
価値が上がる。
Customerが増える。
つまり、
Product → Usage → Feedback → Improvement → Product
である。
伴走型ProjectとProductの両方を持つ企業は、この二つのLearning Loopを接続できる可能性がある。
⸻
Research Flywheel
Researchも接続する。
案件で未知のProblemを発見する。
研究する。
新しいMethodができる。
ProductやProjectへ実装する。
さらに新しいProblemが見つかる。
Industry Problem → Research → Technology → Industry
である。
EQUESの大学発というOriginは、このLoopを回せるかどうかに意味がある。
⸻
三つのFlywheel
最終的には、
Project Flywheel
Product Flywheel
Research Flywheel
が接続する。
ProjectからDomain Knowledgeを得る。
Productへ標準化する。
ResearchでTechnologyを改善する。
改善したTechnologyを再びProjectとProductへ戻す。
この構造が形成されれば、EQUESは単なる受託企業でも、単一Product企業でもない研究開発型企業へ近づく。
⸻
人材にもKnowledgeが戻る
KnowledgeはSystemへ蓄積されるだけではない。
Engineerが学ぶ。
Researcherが新しいDomainを理解する。
Project Managerが難しい導入を経験する。
その人材が次のProjectをより高度に実行する。
つまり、
Project → Human Capital
でもある。
Company KnowledgeとHuman Capitalは同時に成長する。
⸻
新人の立ち上がりを速くする
Knowledge Baseが整備されていれば、新しく参加した人材も過去の経験へAccessできる。
過去Project。
Architecture。
Failure。
Domain Basics。
Evaluation。
を短期間で学ぶ。
つまり、
Organizational Memory → Faster Onboarding
となる。
少数精鋭OrganizationがScaleするうえで重要になる。
⸻
KnowledgeとCulture
何をKnowledgeとして残すかはCultureにも依存する。
成功だけを評価するCultureではFailureは共有されにくい。
個人のHeroic Effortを称賛しすぎれば、Knowledgeが属人化する。
再利用やDocumentationを価値として評価する必要がある。
つまりKnowledge ManagementはToolだけでなく、Management Systemでもある。
⸻
Confidentialityとの境界
案件Knowledgeを蓄積するとき、最も慎重であるべきなのが顧客情報である。
顧客Data。
Confidential Document。
個別System情報。
Contract上の機密。
これらをCompany-wide Knowledgeへ混在させてはならない。
必要なのは、
Protected Customer Data
と、
Generalized Organizational Knowledge
の明確な分離である。
⸻
Knowledge Governance
誰がどの情報へAccessできるか。
Customer-specific Dataはどこに保存するか。
一般化したKnowledgeは誰が確認するか。
どの情報をAI検索へ入れてよいか。
このGovernanceが必要になる。
AI企業自身のKnowledge Managementにも、AI Governanceと同じ考え方が適用される。
⸻
案件から知識を蓄積する企業
ここまでを最小化すると、
Project
↓
Experience
↓
Extraction
↓
Generalization
↓
Documentation / Code / Evaluation
↓
Reuse
↓
Product / Platform / New Research
となる。
そして次のProjectから新しいExperienceを得る。
つまり、
Project → Knowledge → Project
という循環である。
⸻
EQUESのような若いAI Startupにとって、四年間の企業史は長くない。
だからこそ重要なのは、歴史の長さではなく、その短い期間に得た経験をどれだけ圧縮し、再利用可能な企業能力へ変えられるかである。
一件一件の案件を独立した売上として終わらせるのか。
それとも、
Research Asset、Engineering Asset、Domain Asset、Product Assetへ変換するのか。
その差が、数年後の企業能力を大きく分ける。
そして、このKnowledge Compoundingを成立させるためには、Project Managementだけでなく、採用、資本配分、Research Investment、Product Strategy、Partnershipを一つの企業Systemとして統合しなければならない。
次節では第Ⅵ部を総括し、EQUESがどのように「研究開発を行う組織」から「研究開発そのものを継続的な企業能力へ変換する組織」へ進めるのかを、研究開発型AI企業の経営という観点から整理する。
第7節 研究開発型AI企業の経営
AI企業を経営するとは、何を経営することなのか。
売上。
利益。
人材。
顧客。
資金。
当然、これらは重要である。
しかしEQUESのような研究開発型AI企業では、もう一つの経営対象が存在する。
Knowledgeである。
どのResearchへ投資するのか。
どのTechnologyを自社Capabilityとして持つのか。
どのDomainへ深く入るのか。
どの案件をProductへ変えるのか。
何をPartnerと共同開発するのか。
どの経験をOrganizationへ残すのか。
研究開発型AI企業の経営とは、限られた人材・Capital・時間を使って、未来の企業Capabilityを形成することである。
⸻
売上と研究は異なる時間を持つ
受託案件は比較的短い時間でRevenueへ接続できる。
Productは開発と市場形成に時間がかかる。
Frontier Researchはさらに長い時間を必要とすることがある。
したがって一つの企業内部に、
Project Time
Product Time
Research Time
という異なる時間が存在する。
経営には、この三つを同時に扱う能力が必要になる。
⸻
今日の売上と明日のCapability
短期Revenueだけを優先すれば、研究開発への投資が不足する。
反対にResearchだけを優先すれば、Businessとして持続できない。
必要なのは、
Current Revenue ⇄ Future Capability
のBalanceである。
現在の案件によってCash Flowを形成しながら、その一部を将来のTechnology、Product、人材へ再投資する。
研究開発型企業では、このCapital Allocationが経営の中心になる。
⸻
受託開発をどう位置づけるか
受託開発は、Product Companyへなるまでの一時的な仕事とは限らない。
高難度な産業AIでは、受託Projectそのものが重要なLearning Mechanismになる。
顧客のProblemを知る。
Domainを理解する。
Technologyを検証する。
Production Constraintを経験する。
ここから共通Patternを抽出できれば、
Project → Knowledge → Product
へ進める。
したがって重要なのは、受託を続けるかやめるかではない。
受託から何を蓄積できるかである。
⸻
Product化するものを選ぶ
すべての案件をProductへ変えることもできない。
顧客固有性が高いProblem。
市場規模が小さいProblem。
標準化しにくいWorkflow。
これらはCustom Developmentの方が合理的な場合がある。
一方、
複数顧客で繰り返し現れる。
業界共通のPain Pointがある。
標準化できる。
継続利用される。
というProblemはProduct候補になる。
経営には、
Custom Solution / Reusable Component / Product
を見分ける能力が必要になる。
⸻
Vertical AIという選択
EQUESが製薬へ深く入ることには、Horizontalな汎用AI企業とは異なる意味がある。
製薬には、
専門Vocabulary。
Regulation。
Workflow。
Document。
Quality Requirement。
が存在する。
このDomain KnowledgeをTechnologyと統合すれば、General-purpose AIだけでは作りにくいValueを形成できる。
つまり、
General AI × Deep Domain Knowledge
によるVertical AIである。
⸻
Domainを増やしすぎるRisk
一方で、製薬、Energy、Physical AI、Quantumと領域が広がれば、Focusが失われるRiskもある。
それぞれに異なるCustomer。
Sales Cycle。
Regulation。
Technology。
Expertise。
が必要だからである。
若い企業にとってResourceは有限である。
したがって新領域への進出では、
「Technologyとして面白いか」
だけではなく、
「既存Capabilityを再利用できるか」
を見る必要がある。
⸻
Capability Adjacency
新しい事業へ進むとき、既存能力との隣接性を見る。
例えば高信頼AI。
Explainability。
Evaluation。
Human Approval。
Security。
これらは製薬だけでなくEnergyにも必要になる。
その場合、
Existing Capability → Adjacent Domain
への展開が可能になる。
完全に無関係な新規事業より、Knowledgeを再利用しやすい。
⸻
共通Coreを見つける
表面的には、
製薬Document AI。
Energy AI。
Physical AI。
Quantum Computing。
は異なる。
しかし企業として共通するCoreがあるなら、事業Portfolioは統合できる。
例えば、
Complex Problem Formulation。
Advanced Machine Learning。
Evaluation。
High-reliability Engineering。
Domain Translation。
Research-to-Production。
である。
EQUESの経営では、個々のTechnologyよりも、この共通Capabilityをどこまで明確化できるかが重要になる。
⸻
Technology Portfolioを管理する
AI分野ではTechnologyの寿命が短い。
LLM。
RAG。
Agent。
VLA。
Edge AI。
Quantum Algorithm。
すべてが同じ成熟度ではない。
したがって経営はTechnologyを一括して扱わず、
Production-ready。
Emerging。
Experimental。
Long-term Research。
などに分けて考える必要がある。
Technology Readiness × Business Relevance
によってInvestment Priorityを決める。
⸻
最新Technologyを追うだけでは経営にならない
新しいTechnologyは次々に登場する。
すべてを追えばResourceが分散する。
重要なのは、
顧客Problemと接続するか。
自社Capabilityを強化するか。
将来の市場形成につながるか。
を判断することである。
Research Curiosityは必要である。
しかし企業では、
Research Selection
も必要になる。
⸻
Research Portfolio
研究テーマもPortfolioとして考えられる。
短期的にProductへ入るResearch。
中期的なCompetitive Advantageを作るResearch。
長期的なFrontier Research。
この三層を持つ。
例えば概念的には、
Near-term
Mid-term
Long-term
という時間軸でResourceを配分する。
これによって短期Businessと長期Technologyを同時に保持できる。
⸻
未来から現在の投資を考える
企業戦略では、過去の実績だけから次の投資を決める必要はない。
2030年代に製薬、Energy、InfrastructureでどのCapabilityが必要になるのか。
そこから現在へ戻り、
2026年に何を研究すべきか。
誰を採用すべきか。
どのPartnerと関係を作るべきか。
を考えることもできる。
これは一般的なStrategic Backcastingである。
Future Requirement → Present Investment
という経営である。
⸻
過去から見る時間も必要である
しかし未来構想だけでは企業は経営できない。
2022年から何を学んだのか。
どの案件でCapabilityが形成されたのか。
どのProductが市場で評価されたのか。
どのResearchが実装へつながらなかったのか。
過去のEvidenceも必要になる。
つまり、
Historical Evidence × Strategic Backcasting
を同時に使う。
未来だけでも、過去だけでもない。
⸻
人材への投資
研究開発型AI企業の最大のCapitalはHuman Capitalである。
Researcher。
Engineer。
Domain Translator。
Product Manager。
Technical Leader。
一人の採用が複数年のCapabilityへ影響する。
したがって採用は単なるHeadcount Planningではない。
Capability Acquisition
である。
⸻
採用だけではCapabilityにならない
優秀な人を採用しても、そのKnowledgeが個人へ閉じれば企業資産にはならない。
必要なのは、
Team。
Documentation。
Code Review。
Research Sharing。
Mentoring。
Evaluation Infrastructure。
である。
つまり、
Talent → Team Knowledge → Organizational Capability
への変換が必要になる。
⸻
若い人材とSenior Expertise
若い研究者やEngineerにはSpeed、Learning Capacity、新しいTechnologyへの適応力がある。
一方、高信頼産業では長期のDomain Experienceも重要になる。
したがってOrganizationには、
Young Technical Talent × Experienced Domain Expertise
という組合せが必要になる。
年齢ではなく、異なる種類のKnowledgeを統合することが重要である。
⸻
Cultureも経営資産になる
研究開発企業では、何を評価するかが行動を変える。
短期Outputだけを評価すればDocumentationが減る。
成功だけを評価すればFailureが共有されない。
個人成果だけを評価すればKnowledge Sharingが弱くなる。
したがって、
Research。
Delivery。
Reuse。
Learning。
Collaboration。
をどう評価するかがCultureを形成する。
⸻
失敗できる範囲を設計する
ResearchにはFailureが不可避である。
しかし製薬やEnergyのProductionではFailure Costが大きい。
この矛盾を解くには、
Research Environmentでは大胆にExperimentする。
Production Environmentでは厳格にControlする。
という境界を設ける。
Safe-to-fail Research / Fail-safe Production
である。
研究開発型AI企業の経営は、Riskを消すのではなく、Riskを置く場所を設計する。
⸻
Qualityは経営課題である
高信頼AIではQualityをEngineerだけへ任せることはできない。
どの水準をRelease条件にするのか。
Human Reviewをどこへ置くのか。
重大なFailureをどう扱うのか。
どこまでAutomationするのか。
これはBusiness Decisionでもある。
短期的なDevelopment SpeedよりQualityを優先すべき局面がある。
⸻
Trustを蓄積する
製薬やEnergyでは、CustomerがStartupへCritical Workflowを任せるにはTrustが必要になる。
Trustは広告だけでは形成されない。
小さなPoCを成功させる。
約束したQualityを守る。
Limitationを説明する。
Securityを守る。
長期的にSupportする。
こうした行動の蓄積によって形成される。
つまり、
Delivery → Trust → Larger Responsibility
という成長経路がある。
⸻
Reputationと実力を区別する
大学発。
公的Program採択。
著名企業との共同研究。
これらは企業のCredibilityを高める。
しかし、ReputationとCapabilityは同じではない。
最終的には、
Technologyが動くか。
Customer Valueを生むか。
Productionを維持できるか。
で評価される。
研究開発型Startupほど、この区別を明確にする必要がある。
⸻
CapitalをCapabilityへ変換する
資金調達や公的支援によってCapitalを得る。
重要なのは、その次である。
Computeへ使う。
Talentへ使う。
Productへ使う。
Researchへ使う。
Infrastructureへ使う。
Capitalそのものは競争力ではない。
Capital → Capability
へのConversion Efficiencyが重要になる。
⸻
CapabilityをRevenueへ変換する
逆方向も必要である。
研究Capabilityが高くても、Businessへ変換できなければ企業として継続できない。
Research。
Prototype。
Product。
Sales。
Deployment。
Support。
まで接続する。
つまり、
Capability → Customer Value → Revenue
である。
このRevenueが次のResearchを支える。
⸻
ResearchとBusinessの循環
ここで研究と経営が一つにつながる。
ResearchがTechnologyを生む。
TechnologyがProductを生む。
ProductがCustomer Valueを生む。
CustomerからRevenueとFeedbackを得る。
RevenueをResearchへ再投資する。
Feedbackから新しいResearch Questionが生まれる。
したがって、
Research
→ Technology
→ Product
→ Customer
→ Revenue / Feedback
→ Research
という循環になる。
⸻
Public Fundingも循環へ入る
前節で見たPublic R&D Supportも、このSystemの一部である。
高Risk Researchへ公的Resourceを利用する。
Capabilityを形成する。
Industrial Applicationへ移す。
Marketで検証する。
Revenueを生む。
次のResearchへ再投資する。
公的支援を一時的Inputとして利用しながら、企業内部にPersistent Capabilityを残す。
⸻
Partnershipで企業境界を拡張する
すべてのCapabilityを内部保有する必要はない。
University。
Research Institution。
Cloud Provider。
Hardware Company。
Customer。
Domain Expert。
を接続する。
すると企業の実効Capabilityは社員数以上に広がる。
経営者に必要なのは、
Organization Management
だけではなく、
Ecosystem Management
でもある。
⸻
Make・Buy・Partner
新しいTechnologyが必要になったとき、
自社開発する。
購入する。
共同開発する。
この三つを選ぶ。
Core DifferentiationになるTechnologyは内部へ。
Commodity化したInfrastructureは外部へ。
高度な補完能力はPartnerへ。
こうして限られたResourceを集中する。
⸻
Architectural Controlを保持する
Componentを外部へ依存しても、System全体の理解まで外部化してはいけない。
どのProblemを解くのか。
どのComponentが必要か。
どのInterfaceで接続するか。
どうEvaluationするか。
どこにRiskがあるか。
を自社で理解する。
つまり、
Component OwnershipよりArchitectural Capability
が重要になる。
⸻
Organization Memoryを経営する
人材が増え、案件が増えるほど、Knowledge Managementは経営課題になる。
過去のExperiment。
Architecture Decision。
Customer Problem。
Failure。
Evaluation。
これらをCompany Memoryへ蓄積する。
AIを使って検索可能にすることもできる。
すると経営判断も過去Knowledgeを利用できる。
⸻
Management Dashboardも変わる
通常のStartup Dashboardには、
Revenue。
Cash。
Pipeline。
Headcount。
Customer。
などが並ぶ。
研究開発型AI企業なら、さらに、
Research Progress。
Evaluation Performance。
Reusable Components。
Product Adoption。
Production Reliability。
Knowledge Reuse。
なども重要になる。
Financial MetricだけではFuture Capabilityを十分に測れないからである。
⸻
何を測るかが会社を変える
測定されるものはManagement Attentionを集める。
案件売上だけを測れば、短期案件が優先される。
Research成果だけを測れば、Commercializationが弱くなる。
必要なのはBalanced Measurementである。
Business Performance × Technical Capability × Learning
を同時に見る。
⸻
Scaleの意味
研究開発型AI企業のScaleは、単純な人数増加ではない。
同じ人数でより高度なProblemを扱える。
Reusable ComponentによってDevelopmentが速くなる。
Productによって一つのTechnologyを複数Customerへ届けられる。
Partnershipによって外部Capabilityを利用できる。
AIによって内部Productivityが上がる。
つまり、
Scale = Headcount + Knowledge Leverage + Software Leverage + Network Leverage
である。
⸻
受託企業から研究開発Platformへ
案件ごとに人月を販売するだけなら、成長はHeadcountに制約されやすい。
しかし、
案件からKnowledgeを抽出する。
Component化する。
Product化する。
Researchへ戻す。
共通Infrastructureを形成する。
まで進めば、企業構造が変わる。
Project Company → Knowledge Company
への移行である。
⸻
EQUESの経営をどう評価するか
EQUESは2022年設立の若い企業である。
したがって完成したBusiness Modelを前提として評価するのは適切ではない。
重要なのは方向と変換能力である。
研究をTechnologyへ変えられるか。
TechnologyをProductへ変えられるか。
案件をKnowledgeへ変えられるか。
CapitalをCapabilityへ変えられるか。
PartnershipをNetwork Capabilityへ変えられるか。
そしてCustomer Feedbackを次のResearchへ戻せるか。
ここに研究開発型AI企業としての経営能力が現れる。
⸻
第Ⅵ部の統合
第Ⅵ部では、企業を構成する見えにくい資産を見てきた。
少数精鋭のOrganization。
ResearcherとEngineer。
CustomerとDomain Expert。
Public R&D Support。
Joint ResearchとPartnership。
Projectから蓄積されるKnowledge。
これらは独立していない。
接続すると、
Talent
→ Research
→ Project
→ Domain Experience
→ Knowledge
→ Product / Technology
→ Customer Value
→ Capital / Feedback
→ Talent & Research
という企業Systemになる。
⸻
研究開発型AI企業の最小経営モデル
さらに圧縮すれば、
Capital
→ Talent
→ Knowledge
→ Technology
→ Implementation
→ Customer Value
→ Revenue / Feedback
→ Reinvestment
となる。
ここで重要なのは、最後が終点ではないことである。
Revenueは次のResearchへ戻る。
Feedbackは次のProblemへ変わる。
ExperienceはCompany Memoryへ残る。
そして企業Capabilityが更新される。
⸻
研究開発型AI企業の価値は、現在持っているTechnologyだけでは決まらない。
AI Technologyそのものが急速に変化する以上、特定ModelやFrameworkの優位性は永続しない。
より長く残るのは、
新しいTechnologyを理解し、Domainへ翻訳し、Productionへ実装し、現場から学び、再び自らを更新できる能力
である。
EQUESという企業システムの核心も、そこに置いて読むことができる。
2022年に生まれた若いStartupが、2026年までの約四年間で何を蓄積し、どこまで事業領域を拡張してきたのか。
そして、その蓄積は次の数年間に何を可能にするのか。
次の第Ⅶ部では企業内部の構造から再び時間軸へ視点を戻し、創業から四年という現在地点を、過去の形成過程と将来必要となるCapabilityの双方から読み解く。
2026年のEQUESである。
愛と敬意を込めてmandala