メインコンテンツへスキップ
見出し画像

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3回)(第Ⅱ部 Business 第2章 伴走型技術開発――研究と企業課題を接続する)

    第Ⅱ部 Business

    ――研究能力を企業価値へ変える

    研究から会社が生まれた。

    しかし、会社が生まれただけではBusinessは成立しない。

    優れた研究者がいる。

    高度なAI技術を理解できる。

    最新の論文を実装できる。

    それらは研究開発型Startupにとって重要な初期条件である。しかし顧客が購入するのは、研究能力そのものではない。

    顧客には顧客自身のProblemがある。

    業務を効率化したい。

    品質を高めたい。

    人手不足を補いたい。

    大量のDataを利用したい。

    これまで人間にしかできなかった判断を支援したい。

    新しいTechnologyが自社で本当に使えるのか確かめたい。

    研究開発型AI企業に求められるのは、このProblemとTechnologyを接続することである。

    第Ⅱ部では、EQUESがその接続をどのようにBusinessとして成立させているのかを見る。

    ⸻

    Technologyから始めない

    AI企業には、Technologyから自社を説明したくなる誘惑がある。

    Deep Learning。

    LLM。

    RAG。

    AI Agent。

    Optimization。

    Physical AI。

    しかし企業の現場では、Technologyそのものが目的ではない。

    「RAGを導入したい」という依頼の奥には、社内Knowledgeを検索できないというProblemがあるかもしれない。

    「生成AIを使いたい」という要求の奥には、Document作成へ膨大な時間を費やしているというProblemがあるかもしれない。

    「AI Agentを導入したい」という要求も、実際には複数SystemにまたがるWorkflowを効率化したいという課題かもしれない。

    したがって最初に必要なのは、

    Technology Selection

    ではなく、

    Problem Definition

    である。

    何が問題なのか。

    誰が困っているのか。

    現在どのように処理しているのか。

    どのDataがあるのか。

    何を改善できれば成功なのか。

    ここからAI Projectは始まる。

    ⸻

    Business ProblemをTechnical Problemへ変える

    顧客が提示するProblemは、そのままMachine Learning Problemになるわけではない。

    例えば、

    「品質管理を高度化したい」

    という要求だけではAIを開発できない。

    何を入力するのか。

    何を出力するのか。

    どの程度のAccuracyが必要なのか。

    Humanはどこで判断するのか。

    既存Systemとどう接続するのか。

    どのFailureが許容されないのか。

    これらを定義する必要がある。

    つまり、

    Business Problem → Requirement → Technical Problem

    という翻訳が必要になる。

    EQUESの伴走型技術開発を理解するうえで、この工程は中心的な意味を持つ。

    ⸻

    要件定義の前に、AIを使うべきかを問う

    さらに重要なのは、すべてのProblemをAI Problemへ変換しないことである。

    Rule-based Systemで十分かもしれない。

    Databaseを整理する方が先かもしれない。

    既存Softwareを導入した方が安いかもしれない。

    業務Processそのものを変更すれば解決する場合もある。

    AIを利用できることと、AIを利用すべきことは同じではない。

    したがって研究能力の高いAI企業ほど、本来は、

    Can we use AI?

    だけではなく、

    Should we use AI?

    を判断できなければならない。

    これはTechnology ProviderからSolution Partnerへ移るための重要な境界である。

    ⸻

    PoCという境界

    AIで解く価値があると判断しても、直ちに大規模Systemを開発するとは限らない。

    そこでPoCが入る。

    少量のDataで試す。

    Modelを比較する。

    Accuracyを測る。

    Costを見積もる。

    Userへ触ってもらう。

    Riskを確認する。

    この段階では、成功だけが成果ではない。

    「この条件では実用化できない」

    と早期に判断することにも価値がある。

    PoCとは、

    小さな投資によって大きな意思決定の不確実性を減らすProcess

    である。

    EQUESが展開する「ココロミ」も、このResearchとBusinessの境界に位置づけて読むことができる。

    ⸻

    PoCで終わらない

    AI産業では長く「PoC止まり」が問題になってきた。

    Prototypeは動いた。

    Demoも成功した。

    しかしProductionへ入らない。

    原因はModelだけにあるとは限らない。

    既存Systemへ接続できない。

    Security Requirementを満たせない。

    Operation Costが高い。

    現場が利用しない。

    責任分界が曖昧である。

    Maintenanceの主体がいない。

    つまり、

    Technical Feasibility

    が確認されても、

    Operational Feasibility

    が確認されていない。

    研究成果をBusinessへ変えるためには、この距離を越えなければならない。

    ⸻

    Productionという現実

    Productionでは、AIは単独で動かない。

    Databaseがある。

    APIがある。

    Cloudがある。

    Authenticationがある。

    Access Controlがある。

    Monitoringがある。

    Human Interfaceがある。

    既存業務Systemがある。

    したがって、

    Model

    から、

    System

    へ視点を広げる必要がある。

    研究段階ではModel Performanceが中心になる。

    Productionでは、

    Reliability。

    Security。

    Latency。

    Cost。

    Maintainability。

    Auditability。

    Usability。

    まで評価対象になる。

    ここにAI社会実装企業としてのEngineering Capabilityが問われる。

    ⸻

    伴走するということ

    「伴走」という言葉は、企業向けTechnology Serviceで広く使われている。

    そのため、言葉そのものをEQUES固有の競争優位と考えるべきではない。

    見るべきなのは、その中身である。

    顧客のProblem Definitionから関与する。

    PoCを行う。

    必要ならResearchする。

    Systemを開発する。

    Productionへ移す。

    利用状況を見る。

    改善する。

    この連続性がどこまで実際に成立しているのか。

    本書では、

    Problem → Hypothesis → PoC → Development → Operation → Improvement

    というProcessとして検証する。

    ⸻

    顧客も開発主体になる

    Domain-specific AIでは、AI企業だけでSystemを作ることは難しい。

    顧客がKnowledgeを持っているからである。

    製薬会社は製薬を知っている。

    品質保証担当者はGMPや現場Workflowを知っている。

    Energy企業は設備やSafety Requirementを知っている。

    一方、AI企業はMachine LearningやSoftware Engineeringを知っている。

    したがって、

    Customer Domain Knowledge × EQUES AI Capability

    という共同設計になる。

    この関係では、顧客は完成品を受け取るだけのBuyerではない。

    AI Systemを成立させるKnowledge Providerでもある。

    ⸻

    受託開発をKnowledge Acquisitionとして読む

    伴走型開発には、受託Businessとしての側面がある。

    しかしEQUESの企業形成を考えるなら、それだけでは不十分である。

    Projectを行うことで、新しいDomain Knowledgeを得られる。

    現場固有のDataを理解する。

    どのAI Technologyが実際に機能するかを知る。

    どこでFailureするかを知る。

    Humanが何を要求するかを知る。

    つまりProjectは、

    Revenue Source

    であると同時に、

    Learning Source

    にもなり得る。

    ここから重要な問いが生まれる。

    そのKnowledgeは、案件終了後に会社へ残るのか。

    ⸻

    Projectから企業資産へ

    もしProjectごとのKnowledgeが担当Engineerだけに残れば、CompanyはScaleしにくい。

    そこで、

    Code。

    Architecture。

    Evaluation Method。

    Prompt。

    Dataset設計。

    Development Process。

    Domain Knowledge。

    Failure Pattern。

    などを再利用可能にする必要がある。

    すると、

    Project → Experience → Reusable Knowledge

    という蓄積が始まる。

    さらに複数案件で共通するProblemが見つかれば、

    Reusable Knowledge → Product

    へ進める可能性がある。

    後に扱う製薬AIは、この変化を検証する重要な領域になる。

    ⸻

    受託からProductへという単純な物語ではない

    ただし、

    受託開発は古い。

    Productは新しい。

    という単純な序列も置かない。

    高度な産業AIでは、CustomerごとのEnvironmentやRequirementが大きく異なる。

    標準化できる部分もあれば、個別Engineeringが必要な部分もある。

    したがって将来のBusiness Modelも、

    Product + Engineering + Domain Support

    の組み合わせになる可能性がある。

    重要なのは、受託かSaaSかという二択ではない。

    どの部分を共通化し、どの部分を顧客固有として残すか

    である。

    ⸻

    AI企業の本当の蓄積

    Software Companyでは、Codeが重要なAssetになる。

    しかし研究開発型AI企業では、それだけではない。

    Modelを選択するKnowledge。

    Dataを扱うKnowledge。

    EvaluationするKnowledge。

    Domainを理解するKnowledge。

    Productionへ移すKnowledge。

    HumanとAIの役割を設計するKnowledge。

    これらも蓄積される。

    したがってEQUESのBusinessを評価するとき、売上や案件数だけでなく、

    案件を重ねるほどCompany Capabilityが深くなる構造を持っているか

    を見る必要がある。

    これが本書でいうKnowledge Compoundingである。

    ⸻

    Businessが次のResearchを生む

    そして、Businessは研究成果を消費するだけではない。

    顧客現場には、研究室では見えなかったProblemが存在する。

    特殊なDocument。

    少量Data。

    Rare Case。

    厳しいLatency。

    説明可能性。

    Sensor Noise。

    Human JudgmentとのConflict。

    それらが新しいResearch Questionになる。

    したがって、

    Research → Business

    だけではなく、

    Business → Research

    が成立する。

    EQUESが本当に「研究と実践をつなぐ会社」になるためには、この逆方向が重要である。

    ⸻

    第Ⅱ部で見るもの

    第Ⅰ部では、

    Research → People → Company

    を追った。

    第Ⅱ部では、そのCompanyが顧客と出会う。

    そこで構造は、

    Company → Customer → Problem

    へ進む。

    Problemを定義する。

    Requirementへ変換する。

    PoCする。

    開発する。

    Productionへ移す。

    運用する。

    改善する。

    その過程でKnowledgeを蓄積する。

    すなわち、

    Problem → Hypothesis → PoC → Development → Operation → Improvement

    である。

    第2章「伴走型技術開発」では、この一連のProcessをEQUESのBusiness Modelとして読み解く。

    AI受託開発とは何か。

    課題設定と要件定義はなぜ重要なのか。

    「ココロミ」はどこに位置するのか。

    PoCから本番開発へ何が変わるのか。

    数理最適化やDeep Learningはどのように使い分けられるのか。

    Cloud、RAG、AI Agentは企業Systemへどう組み込まれるのか。

    そして、伴走型開発は一回限りのProjectから、継続的にKnowledgeを蓄積するBusiness Modelへ進めるのか。

    ここから分析対象は研究室を離れ、顧客企業の現場へ入る。

    研究能力がCompanyを生んだ。

    次に問われるのは、

    そのCompanyが研究能力を、どのように顧客価値へ変えるのか。

    第Ⅱ部は、EQUESのTechnologyではなく、そのTechnologyがBusinessになる瞬間を追う。
    第2章 伴走型技術開発

    ――研究と企業課題を接続する

    第1節 AI受託開発とは何か

    AI受託開発という言葉から、顧客の依頼に応じてAIシステムを作る事業を想像するのは自然である。

    顧客がRequirementを提示する。

    AI企業がModelやSoftwareを開発する。

    完成したSystemを納品する。

    一般的なSoftware受託開発に近い構造に見える。

    しかし、先端AIを扱う受託開発には一つの大きな違いがある。

    開発を始める時点で、技術的な答えが確定していないことが多い。

    どのModelが適切なのか。

    必要なAccuracyを達成できるのか。

    Dataは十分なのか。

    生成AIが安定して利用できるのか。

    Costは現実的なのか。

    Humanをどこまで置き換えられるのか。

    そもそもAIを使うべきProblemなのか。

    したがってAI受託開発は、完成した仕様をCodeへ変換するだけではない。

    ResearchとSoftware DevelopmentとConsultingが重なる領域として理解する必要がある。

    ⸻

    Software受託開発との違い

    従来型のSoftware Developmentでは、Requirementが比較的明確な場合がある。

    顧客管理Systemを作る。

    予約Systemを作る。

    Databaseを構築する。

    もちろん実際には不確実性が存在するが、入力、処理、出力を事前に定義しやすい。

    AIでは事情が異なる。

    例えば、

    「過去のDocumentから必要な情報を抽出する」

    というRequirementがあったとする。

    Rule-based Processingで十分なのか。

    Machine Learningが必要なのか。

    LLMを使うのか。

    RAGが必要なのか。

    Fine-tuningするのか。

    どの程度の誤りを許容できるのか。

    実際にDataを見てExperimentしなければ分からないことが多い。

    したがって、

    Specification → Development

    の前に、

    Hypothesis → Experiment → Evaluation

    が入る。

    ここにAI受託開発の研究的性格がある。

    ⸻

    顧客はAIを買いたいわけではない

    企業が本当に必要としているのはAIそのものではない。

    例えば、

    Document作成時間を減らしたい。

    検査精度を高めたい。

    需要を予測したい。

    設備Failureを早期に検知したい。

    熟練者のKnowledgeを組織へ残したい。

    人手不足を補いたい。

    こうしたBusiness Problemが先に存在する。

    したがってAI企業が最初に問うべきなのは、

    「どのModelを使うか」

    ではない。

    「何を改善するのか」

    である。

    構造としては、

    Business Problem → Requirement → Technical Problem → Technology

    になる。

    Technologyから始めると、この順序が逆転する。

    ⸻

    「生成AIを使いたい」を分解する

    2023年以降、多くの企業が生成AIの利用を検討するようになった。

    しかし、

    「生成AIを導入したい」

    という言葉はRequirementではない。

    何のために使うのか。

    社内検索なのか。

    Document Generationなのか。

    Customer Supportなのか。

    Analysisなのか。

    Software Developmentなのか。

    Workflow Automationなのか。

    用途によってArchitectureはまったく異なる。

    さらに、

    Data Confidentiality。

    Hallucination。

    Access Control。

    Human Review。

    Latency。

    Cost。

    などの条件も異なる。

    したがってAI受託企業には、顧客の「AIを使いたい」という要求を、実装可能なProblemへ分解する能力が必要になる。

    ⸻

    AIを使わないという解もある

    ここで重要なのは、AI企業だからといってすべてのProblemをAIで解こうとしないことである。

    Database設計を改善すればよい場合がある。

    Search Engineで十分な場合もある。

    Rule-based Systemの方が正確な場合もある。

    既存SaaSを導入した方が安い場合もある。

    業務Processそのものを変更する方が効果的な場合もある。

    高度なTechnologyを使うことと、良いSolutionを作ることは同じではない。

    したがって、

    AI Feasibility

    だけではなく、

    Business Suitability

    を判断する必要がある。

    これはAI受託企業に求められる重要な専門性である。

    ⸻

    EQUESの伴走型開発

    EQUESは企業向けAI開発において、企画・課題整理から技術検証、開発、導入・運用までを一気通貫で支援する姿勢を示している。

    ここで重要なのは「伴走」という言葉そのものではない。

    この表現はTechnology Industryで広く使われている。

    分析すべきなのは、そのProcessである。

    Problem Definition

    ↓

    Requirement Definition

    ↓

    Technical Verification

    ↓

    PoC

    ↓

    Production Development

    ↓

    Operation

    ↓

    Improvement

    EQUESのBusiness Modelを理解するには、この連続性がどこまで成立しているのかを見る必要がある。

    ⸻

    Requirement Definitionそのものが価値になる

    顧客は、自社の業務について詳しい。

    しかし、それをAI Problemへ変換するKnowledgeを持っているとは限らない。

    一方、AI EngineerはTechnologyを知っている。

    しかし顧客のIndustryを最初から完全に理解しているわけではない。

    そこで両者の間にTranslationが必要になる。

    顧客が、

    「この作業を自動化したい」

    と言う。

    AI EngineerがWorkflowを調べる。

    実際には完全自動化より、Human Decision Supportの方が適切だと分かる。

    必要なDataを確認する。

    成功条件をMetricへ変換する。

    この時点ですでに価値が生まれている。

    つまりAI受託開発では、

    Requirement Definition itself is Engineering.

    何を作るかを決めること自体が、重要な技術作業なのである。

    ⸻

    PoCという研究工程

    Problemが定義されても、すぐにProduction Systemを作るとは限らない。

    まずPoCを行う。

    小規模なDataを使う。

    複数のModelを比較する。

    Promptを試す。

    RAGを構築する。

    Accuracyを測る。

    Costを推定する。

    Humanによる評価を行う。

    ここで確認するのは、

    このTechnologyは、このProblemに対して実用化可能か

    という問いである。

    EQUESの「ココロミ」のようなPoC Serviceは、この不確実性を小さくする段階として位置づけられる。

    PoCの目的は、Demoを見せることではない。

    次に投資すべきか判断するEvidenceを得ることである。

    ⸻

    PoC成功とBusiness成功は違う

    AI Projectでは、PoCで高いAccuracyが出てもProductionへ進まないことがある。

    Modelは動く。

    しかしInference Costが高い。

    Responseが遅い。

    Security Policyを満たせない。

    既存Systemへ接続できない。

    現場が使わない。

    Maintenance Costが大きい。

    この場合、

    Technical Success ≠ Business Success

    である。

    したがって受託開発企業には、Model Performanceだけでなく、System全体を見る能力が必要になる。

    ⸻

    Research CodeからProduction Codeへ

    研究段階のCodeは、Experimentを高速に行うことを目的とする。

    Production Codeには別のRequirementがある。

    Reliability。

    Security。

    Scalability。

    Logging。

    Testing。

    Version Control。

    Monitoring。

    Maintainability。

    障害が起きても復旧できなければならない。

    誰がどのDataへAccessしたか記録する必要もある。

    つまり、

    Prototype → Production

    にはEngineering上の大きな距離がある。

    研究者だけでも、一般的なSoftware Engineerだけでも難しい領域が生まれる。

    AI ResearchとSoftware Engineeringを接続できるTeamが必要になる。

    ⸻

    Domain Knowledgeという第三の要素

    さらに高信頼産業では、もう一つ必要になる。

    Domain Knowledgeである。

    製薬ならGMPや品質保証。

    Energyなら設備、保守、安全。

    原子力ならさらに厳しいRegulationや現場条件がある。

    したがって、

    AI Technology × Software Engineering × Domain Knowledge

    の三つを接続しなければならない。

    EQUESが製薬やEnergyへ進むほど、単なるAI Development Companyでは説明できなくなる理由がここにある。

    ⸻

    Customerとの共同開発

    Domain Knowledgeを持つのは、多くの場合Customer側である。

    したがってAI受託開発は、

    「発注者が要求し、受注者が作る」

    という単純な関係では成立しにくい。

    Customerが業務を説明する。

    EngineerがTechnical Problemへ翻訳する。

    Prototypeを作る。

    Customerが評価する。

    Requirementを修正する。

    再び開発する。

    つまり、

    Customer ↔ AI Company

    の反復的な共同設計になる。

    ここで「伴走」というBusiness Modelの実質が見えてくる。

    ⸻

    Humanをどこに残すか

    生成AIの社会実装では、「どこまでAutomationするか」という問いも重要である。

    すべてをAIへ任せる必要はない。

    AIがDraftを作る。

    HumanがReviewする。

    AIが候補を提示する。

    HumanがDecisionする。

    AIが異常を検出する。

    Humanが最終判断する。

    特に製薬やEnergyのような高信頼領域では、

    Human-in-the-loop

    が重要になる。

    したがって受託開発ではModelだけではなく、

    HumanとAIの役割分担

    まで設計する必要がある。

    ⸻

    ProjectはKnowledge Acquisitionでもある

    EQUES側から見れば、受託Projectにはもう一つの意味がある。

    顧客からRevenueを得るだけではない。

    Industryを学ぶことができる。

    Dataを理解する。

    Workflowを理解する。

    Failure Patternを知る。

    本当に必要とされる機能を知る。

    つまり、

    Customer Project → Domain Learning

    が起きる。

    このKnowledgeがOrganizationへ残れば、次のProjectではより速くProblemを理解できる。

    ⸻

    受託の弱点

    一方、受託開発には明確な制約もある。

    Projectごとに人員が必要になる。

    売上がEngineerの稼働時間へ依存しやすい。

    Customer固有のRequirementが増える。

    Knowledgeが担当者へ閉じる可能性がある。

    案件が増えても利益率が上がらない場合がある。

    つまり、

    Revenue ∝ Human Resources

    になりやすい。

    Startupが大きくScaleするには、この制約をどこかで越える必要がある。

    ⸻

    受託をProductへの入口にできるか

    そこで重要になるのがKnowledgeの再利用である。

    複数のCustomerに共通するProblemを発見する。

    共通Architectureを抽出する。

    Reusable Componentを作る。

    Evaluation Methodを標準化する。

    Productへする。

    すると、

    Project → Reusable Knowledge → Product

    という経路が成立する。

    EQUESの製薬AIを考えるとき、この構造は重要になる。

    個別のAI開発から得たKnowledgeが、Domain-specific Productへ変換される可能性があるからである。

    ⸻

    「受託企業か、Product企業か」ではない

    EQUESを、

    受託開発会社なのか。

    SaaS企業なのか。

    という二択で分類する必要はない。

    研究開発型AI企業では、両者が循環する可能性がある。

    Project

    でProblemを知る。

    Research

    で解法を作る。

    Product

    として共通化する。

    Product導入で新しいDataやFeedbackを得る。

    そこから再びResearchする。

    つまり、

    Project → Research → Product → Operation → Feedback

    という循環である。

    この循環が形成されるなら、受託開発は単なる労働集約型Businessではなく、次のProductやResearchを生む探索機構になる。

    ⸻

    AI受託開発の本質

    では、AI受託開発とは何か。

    単純に言えば、顧客のためにAIを作るBusinessである。

    しかしEQUESのような研究開発型Startupを分析するには、もう一段深く見る必要がある。

    顧客の曖昧なProblemを理解する。

    Technical Problemへ翻訳する。

    最適なMethodを選ぶ。

    Experimentする。

    PoCで検証する。

    Production Systemへ実装する。

    Human Workflowへ組み込む。

    運用結果から改善する。

    そして、そのExperienceを次のProjectやProductへ蓄積する。

    したがって、その最小構造は、

    Problem → Hypothesis → PoC → Development → Operation → Learning

    になる。

    AI受託開発の競争力は、単に「AIを作れること」だけではない。

    まだ答えのない企業課題を、検証可能なProblemへ変え、実際に使えるSystemになるまで不確実性を一つずつ減らしていく能力にある。

    EQUESのBusinessを理解するために、次に見るべきなのは、このProcessの最初の部分である。

    顧客が持つ曖昧な課題を、どうやって開発可能なRequirementへ変えるのか。

    次節では、課題設定と要件定義へ進む。
    第2節 課題設定と要件定義

    AI開発の成否は、Modelを選ぶ前に大きく決まっている。

    企業が「生成AIを導入したい」「この業務を自動化したい」と考えたとき、すぐにLLMやRAG、AI Agentの選定へ進むことはできる。しかし、それが本当に解くべき課題なのかは別問題である。

    EQUESのような伴走型AI開発企業にとって、最初の重要な仕事はCodeを書くことではない。

    何を解くべきなのかを定義することである。

    ⸻

    Problemは最初から明確ではない

    企業の現場で語られる課題は、多くの場合Business Languageで表現される。

    「作業に時間がかかる」

    「確認漏れを減らしたい」

    「熟練者が不足している」

    「大量のDocumentを処理できない」

    「設備の異常を早く発見したい」

    これらは重要なProblemだが、そのままではAIを設計できない。

    例えば「作業時間を減らす」という目的だけでも、

    Documentを生成するのか。

    情報を検索するのか。

    分類するのか。

    異常を検知するのか。

    Workflowを自動化するのか。

    によって必要なTechnologyは変わる。

    したがって最初に行うのは、

    Business Problem → Solvable Problem

    への変換である。

    ⸻

    課題設定とは境界を決めること

    良い課題設定とは、Problemを大きく語ることではない。

    むしろ境界を明確にすることである。

    誰のProblemなのか。

    どの業務を対象とするのか。

    現在どのようなProcessになっているのか。

    どこにBottleneckがあるのか。

    どのDataが存在するのか。

    どの部分ならAIが支援できるのか。

    何を改善すれば成功なのか。

    これらを整理すると、

    「会社全体をAI化する」

    という曖昧な構想が、

    「特定のDocument作成工程で、担当者が情報を整理しDraftを作る時間を削減する」

    という検証可能なProblemへ変わる。

    AI Projectでは、この具体化が極めて重要になる。

    ⸻

    現在のWorkflowを観察する

    課題設定では、理想のSystemを考える前に現在の業務を理解する必要がある。

    誰が作業するのか。

    どのSystemを使うのか。

    どこからDataを取得するのか。

    どこでHuman Judgmentが入るのか。

    どこで承認されるのか。

    どの作業に時間がかかるのか。

    どこでErrorが起きるのか。

    つまり、

    Current Workflow

    を可視化する。

    AI導入の目的は、AIを追加することではない。

    Workflow全体を改善することである。

    ⸻

    Root Causeを探す

    目に見えるProblemと、その原因が同じとは限らない。

    例えばDocument作成に時間がかかっている。

    しかし原因を調べると、文章を書くことではなく、

    必要な情報が複数Systemへ分散している。

    過去Documentを探すのに時間がかかる。

    Formatが統一されていない。

    承認Processが複雑である。

    という別のProblemが見つかるかもしれない。

    この場合、文章生成AIだけを導入しても根本的な改善にはならない。

    必要なのは、

    Search。

    Data Integration。

    Workflow Redesign。

    Document Generation。

    などの組み合わせかもしれない。

    課題設定とは、表面的な症状からRoot Causeへ降りていくProcessでもある。

    ⸻

    AIで解く部分を切り出す

    Problem全体をAIへ渡す必要はない。

    業務Processを分解すると、

    Ruleで処理できる部分。

    Databaseで処理する部分。

    Traditional Softwareが適切な部分。

    Machine Learningが適切な部分。

    LLMが適切な部分。

    Human Judgmentを残す部分。

    に分かれる。

    したがって実際のSystemは、

    Software + Data + AI + Human

    の組み合わせになることが多い。

    優れた要件定義とは、AIの利用範囲を最大化することではない。

    AIを使うべき境界を適切に決めることである。

    ⸻

    InputとOutputを定義する

    Problemが決まれば、次にAI SystemのInputとOutputを明確にする。

    例えばDocument Generationなら、

    Inputは何か。

    既存Documentなのか。

    Databaseなのか。

    Userが入力する情報なのか。

    外部Knowledgeなのか。

    Outputは何か。

    完成Documentなのか。

    Draftなのか。

    候補文なのか。

    不足情報の指摘なのか。

    さらにOutputを誰が利用するのかを定義する。

    AIが生成したDocumentをそのまま確定するのか。

    担当者が修正するのか。

    責任者が承認するのか。

    この違いによってSystem Requirementは大きく変わる。

    ⸻

    Accuracyを数字にする

    「高精度なAIを作る」というRequirementでは開発できない。

    何をもって高精度とするのかを決める必要がある。

    ClassificationならAccuracy、Precision、Recallなどが考えられる。

    Information RetrievalならRecallやRanking Qualityが重要になる。

    Generative AIなら、単一Metricだけでは評価できない場合がある。

    Factuality。

    Completeness。

    Consistency。

    Relevance。

    Format Compliance。

    Domain Expert Evaluation。

    など複数の軸が必要になる。

    つまり、

    Good AI

    という抽象表現を、

    Measurable Criteria

    へ変換する。

    この作業がEvaluation Designにつながる。

    ⸻

    Business KPIとModel Metricを分ける

    さらに重要なのは、Modelの性能とBusiness成果を区別することである。

    Model Accuracyが95%になった。

    それだけではProject成功とは言えない。

    Document作成時間は減ったのか。

    Review負担は減ったのか。

    Errorは減ったのか。

    利用者は継続して使っているのか。

    Costは削減されたのか。

    したがって、

    Model Metric

    と、

    Business KPI

    を分けて設定する必要がある。

    理想的には、

    Model Improvement → Workflow Improvement → Business Value

    という関係を確認できるようにする。

    ⸻

    高信頼産業では「許されない失敗」を定義する

    製薬やEnergyでは、平均的なAccuracyだけでは不十分である。

    重要なのは、

    どのFailureが許されないのか

    である。

    重要情報を見落とす。

    存在しない情報を生成する。

    異なるDocument間の矛盾を見逃す。

    権限のないDataへAccessする。

    Human Approvalなしに重要Actionを実行する。

    こうしたFailureは、一般的な文章生成の誤りとは意味が異なる。

    したがって要件定義には、

    Functional Requirement

    だけでなく、

    Safety / Reliability Requirement

    が入る。

    ⸻

    Data Requirement

    AI Projectでは、Dataが存在しなければModelだけを選んでも進まない。

    どのDataがあるのか。

    量は十分か。

    品質はどうか。

    Labelはあるか。

    個人情報を含むか。

    機密情報を含むか。

    利用権限はあるか。

    学習へ使えるか。

    外部Modelへ送信できるか。

    更新頻度はどの程度か。

    これらを確認する。

    特に製薬のような規制産業では、Data GovernanceそのものがArchitecture Requirementになる。

    したがって、

    AI Requirement Definition = Model Requirement + Data Requirement

    でもある。

    ⸻

    Non-functional Requirement

    Production Systemでは、機能以外のRequirementも重要になる。

    Response Time。

    Availability。

    Scalability。

    Security。

    Privacy。

    Maintainability。

    Auditability。

    Cost。

    Disaster Recovery。

    AIが正しいOutputを出しても、Responseに数分かかり業務に使えないなら価値は低い。

    Modelが高性能でも、機密Dataを安全に扱えなければ導入できない。

    AI社会実装では、

    Accuracyだけが品質ではない。

    System全体のQualityを定義する必要がある。

    ⸻

    Human Requirement

    もう一つ見落とされやすいのがHumanである。

    誰がAIを使うのか。

    どの程度AI Knowledgeを持っているのか。

    Outputをどう確認するのか。

    誤りを発見した場合どう修正するのか。

    誰が最終責任を持つのか。

    AIが判断できない場合、誰へEscalationするのか。

    これらもSystem Requirementである。

    つまりHumanはSystemの外部条件ではない。

    Human-in-the-loop Architectureの一Component

    として設計する必要がある。

    ⸻

    完全自動化を前提にしない

    AI導入ではAutomation Rateを高めることが目標になりやすい。

    しかし高信頼業務では、100%Automationが最適とは限らない。

    例えば、

    AIがDraftを生成する。

    Humanが確認する。

    AIが矛盾候補を抽出する。

    専門家が最終判断する。

    という分担の方が安全である場合がある。

    この場合の目的は、

    Human Replacement

    ではなく、

    Human Augmentation

    である。

    どこまでAIへ任せ、どこからHumanへ戻すか。

    この境界も要件定義で決めなければならない。

    ⸻

    Constraintを先に知る

    AI Projectでは、理想的なSolutionだけを設計するとProductionで失敗する。

    予算。

    Schedule。

    Compute Resource。

    Security Policy。

    Existing System。

    Regulation。

    Available Data。

    Human Resource。

    これらのConstraintがある。

    したがって、

    Best Possible Model

    ではなく、

    Best Deployable System

    を探す必要がある。

    研究では性能を最大化することが重要になる場合がある。

    Businessでは、性能、Cost、Risk、OperationのBalanceが必要になる。

    ⸻

    要件は一度で完成しない

    AI Developmentでは、要件定義を最初に完全固定することも難しい。

    Dataを調べると想定が変わる。

    Prototypeを作ると新しいProblemが見つかる。

    Userが触るとRequirementが変わる。

    Modelの限界が分かる。

    したがって、

    Requirement → Experiment → Feedback → Requirement Revision

    という反復が必要になる。

    これは要件定義が曖昧でよいという意味ではない。

    むしろ、仮説として明確に定義し、Evidenceによって更新するということである。

    ⸻

    顧客と共通言語をつくる

    AI Projectでは、CustomerとEngineerが異なるLanguageを使う。

    Customerは業務を語る。

    EngineerはModelやArchitectureを語る。

    Domain Expertは専門規則を語る。

    ManagementはCostやROIを語る。

    これらを接続しなければならない。

    そのため要件定義は、単なる仕様書作成ではない。

    異なる専門家が同じSystemについて意思決定できる共通言語をつくるProcessである。

    伴走型開発において、このTranslation Capabilityは重要な価値になる。

    ⸻

    Go / No-Goを決める

    要件定義の目的は、必ず開発へ進むことではない。

    場合によっては、

    Dataが不足している。

    期待Accuracyが現時点では達成できない。

    Costに見合わない。

    既存Technologyで十分である。

    という結論になる。

    その場合、

    No-Go

    を選択することも合理的である。

    良いAI Partnerとは、何でもAI化する企業ではない。

    AI化しない方がよいProblemを識別できる企業でもある。

    ⸻

    EQUES型社会実装の最初の工程

    EQUESの伴走型技術開発を分析するとき、課題設定と要件定義は単なる営業前工程ではない。

    Research CapabilityをBusinessへ接続する最初のEngineering Processとして位置づけられる。

    構造を最小化すれば、

    Business Problem

    ↓

    Current Workflow

    ↓

    Root Cause

    ↓

    AI Applicability

    ↓

    Requirement

    ↓

    Evaluation Criteria

    ↓

    PoC

    となる。

    この順序を飛ばしてTechnologyへ進めば、優れたAIを作っても利用されない可能性が高くなる。

    反対にProblemを正しく定義できれば、必要なTechnologyは絞られていく。

    ⸻

    良い問いが、良いAIをつくる

    AI Developmentでは、最新Modelへ注目が集まりやすい。

    しかし社会実装では、Modelの前にQuestionがある。

    何を解くのか。

    なぜ解くのか。

    誰のために解くのか。

    どこまで解けば価値があるのか。

    どのFailureを許さないのか。

    誰が最後に判断するのか。

    この問いが明確になって初めて、Technology Selectionに意味が生まれる。

    したがって、課題設定と要件定義の本質は、

    曖昧な企業課題を、検証可能で実装可能な問いへ変えること

    にある。

    そして問いが定義されても、まだ本番Systemを作る段階ではない。

    その仮説が本当にTechnologyとして成立するのかを、小さく、速く、測定可能な形で確かめる必要がある。

    そこで次に登場するのが、EQUESのPoC支援である。

    Problemを定義した次は、そのProblemが本当に解けるのかを試す。

    次節では、「ココロミ」とPoCを通じて、研究的Experimentがどのように企業の投資判断へ接続されるのかを見ていく。
    第3節 ココロミとPoC

    課題を定義した。

    要件を整理した。

    AIを利用する意味も確認した。

    それでも、まだ本格開発へ進むには早い。

    AIには、実際に試してみなければ分からない領域が大きいからである。

    想定したDataで十分な性能が出るのか。

    LLMは専門用語を正しく扱えるのか。

    RAGによって必要な情報を取得できるのか。

    既存業務に組み込めるResponse Timeになるのか。

    HumanがOutputを実用水準と評価するのか。

    これらを本番Systemへの大規模投資より前に検証する。

    そのための代表的な方法がPoC――Proof of Conceptである。

    EQUESが展開してきた生成AIのPoC支援「ココロミ」は、この研究と本番開発の間に位置する。

    ⸻

    PoCとは何を証明するのか

    PoCは日本語では「概念実証」と訳される。

    しかし重要なのは、AIが動くことを見せることではない。

    現在のTechnology、Data、Cost、業務条件のもとで、

    その構想を実際のSystemへ進める合理性があるか

    を検証することである。

    例えば企業が、

    「社内Documentを利用する生成AIを作りたい」

    と考えたとする。

    PoCでは、

    Documentを正しく読み込めるか。

    必要な情報を検索できるか。

    回答の根拠を提示できるか。

    誤回答はどの程度発生するか。

    既存手法より有効か。

    などを限定された条件で測定する。

    したがってPoCは、完成品の縮小版ではない。

    不確実性を減らすためのExperimentである。

    ⸻

    「ココロミ」という入口

    EQUESの「ココロミ」は、生成AIなどの導入可能性を検証するPoC支援として位置づけられる。

    企業側から見れば、本格的なAI System Developmentへ進む前に、

    自社Dataで使えるのか。

    自社業務に適合するのか。

    どのModelや構成が適切なのか。

    どの程度の成果が期待できるのか。

    を確認する入口になる。

    この意味で「ココロミ」は単なる小規模開発商品ではない。

    企業がAI投資の不確実性を管理するための境界工程

    として理解できる。

    ⸻

    大きく作る前に、小さく確かめる

    従来型System Developmentでは、Requirementを定義した後、大規模な設計と開発へ進むことができる場合がある。

    AIでは危険である。

    半年かけてSystemを作った後に、

    必要なAccuracyが出ない。

    Dataが不足している。

    Hallucinationを許容できない。

    Costが高すぎる。

    という事実が判明すれば、損失が大きい。

    そこで、

    Small Experiment → Evidence → Investment Decision

    という順序を取る。

    少額・短期間で重要な仮説を先に検証し、その結果を見て次の投資を決める。

    PoCはAI DevelopmentにおけるRisk Managementでもある。

    ⸻

    何を検証するかを絞る

    PoCを成功させるには、対象を限定する必要がある。

    すべてを同時に試そうとすると、PoC自体が本番開発に近づいてしまう。

    例えばDocument Generationなら、

    特定種類のDocumentだけを対象にする。

    限定されたDataを使う。

    一部のUserだけで試す。

    特定のEvaluation Metricを設定する。

    こうして、

    最も不確実で、意思決定に重要な仮説

    へExperimentを集中させる。

    PoCの価値は機能数ではない。

    どれだけ重要な不確実性を減らせたかで決まる。

    ⸻

    Modelを比較する

    AI Projectでは、最初から一つのModelへ固定する必要はない。

    複数のLLM。

    Embedding Model。

    Retrieval Method。

    Prompt。

    Fine-tuning。

    既存API。

    Open Model。

    などを比較できる。

    重要なのは、

    「最も新しいModel」

    を選ぶことではない。

    対象業務に対して、

    Performance。

    Latency。

    Cost。

    Security。

    Operation。

    を含めて最も適切な構成を探すことである。

    したがってPoCには、

    Technology Selection Experiment

    という役割もある。

    ⸻

    DataのRealityを知る

    PoCを始めると、Technologyより先にDataの問題が見つかることも多い。

    Document Formatが統一されていない。

    OCRが必要である。

    Metadataが不足している。

    過去Dataに誤りがある。

    同じ用語が部署ごとに違う意味で使われている。

    必要なDataがそもそも保存されていない。

    これは失敗ではない。

    むしろ重要な発見である。

    AI Projectでは、

    Data Readiness

    そのものを早期に確認する必要がある。

    PoCはModel Evaluationであると同時に、企業のData Environmentを診断する機会にもなる。

    ⸻

    DemoとPoCを区別する

    画面上で生成AIが動けば、印象的なDemoになる。

    しかしDemoとPoCは同じではない。

    Demoは、

    できるように見えること

    を示す。

    PoCは、

    条件を定義し、測定し、意思決定可能なEvidenceを得ること

    を目的とする。

    この違いは重要である。

    特に生成AIでは、数件の成功例だけを見れば高性能に見える。

    しかし大量のInputを与えるとFailureが増えるかもしれない。

    したがってPoCでは成功例だけでなく、Failure Caseも収集する必要がある。

    ⸻

    Failureから学ぶ

    AI PoCでは、失敗が重要な情報になる。

    どの質問でHallucinationするのか。

    どのDocumentを検索できないのか。

    どの専門用語を誤解するのか。

    どの条件でLatencyが増えるのか。

    HumanはどのOutputを信用しないのか。

    これらを記録する。

    すると、

    Failure → Cause → Requirement Revision

    が可能になる。

    研究的Experimentと同じように、仮説が否定されたこと自体がKnowledgeになる。

    PoCを「成功させるためのProject」にしてしまうと、この価値を失う。

    ⸻

    Human Evaluation

    生成AIでは、Automatic Metricだけでは評価しきれない場合がある。

    文章が自然でも内容が間違っていることがある。

    正しい情報でも、専門業務で必要な粒度を満たさない場合がある。

    そこでDomain ExpertによるEvaluationが必要になる。

    正しいか。

    不足していないか。

    実務で使えるか。

    修正にどの程度時間がかかるか。

    危険な誤りはないか。

    つまり、

    Machine Evaluation + Human Evaluation

    である。

    製薬のような専門領域へ進むほど、Human Evaluationの重要性は高まる。

    ⸻

    PoCの成果物はPrototypeだけではない

    PoCが終わったとき、目に見える成果はPrototypeかもしれない。

    しかし本当に重要な成果物は、それだけではない。

    利用可能なData。

    期待Performance。

    Failure Pattern。

    適切なModel。

    必要なArchitecture。

    Cost Estimate。

    Security Requirement。

    Human Workflow。

    本番化する場合の課題。

    つまり、

    Decision Knowledge

    が残る。

    このKnowledgeによって、経営側は本格投資するかどうかを判断できる。

    ⸻

    Go / Modify / No-Go

    PoCの終了時には、少なくとも三つの選択肢がある。

    Go

    本番開発へ進む。

    Modify

    Problem、Requirement、Technologyを変更して再検証する。

    No-Go

    現時点では実用化しない。

    No-Goも正当な成果である。

    数か月、数年規模の開発投資を行う前に「成立しない」と分かれば、そのPoCは企業に価値を与えている。

    PoCはAIを導入するためだけの制度ではない。

    導入しない判断を合理化する制度でもある。

    ⸻

    PoC止まりという問題

    しかしPoCには別の危険もある。

    PoCだけを繰り返し、本番へ進まない状態である。

    Prototypeは毎回作られる。

    評価も悪くない。

    しかしProduction Systemにはならない。

    原因は、PoCでModelだけを評価し、本番運用条件を考えていないことにある場合がある。

    Productionでは、

    Security。

    Authentication。

    Access Control。

    Logging。

    Monitoring。

    Existing System Integration。

    Maintenance。

    Human Approval。

    などが必要になる。

    したがってPoC段階から、

    If this works, how will it run in production?

    を考えておく必要がある。

    ⸻

    Productionを逆算するPoC

    良いPoCは、単にTechnologyの可能性を確認するだけではない。

    本番利用から逆算して設計される。

    誰が使うのか。

    どのSystemと接続するのか。

    どのDataを利用するのか。

    どのSecurity Levelが必要なのか。

    どの程度のLatencyが許容されるのか。

    誰がOutputを承認するのか。

    この条件をPoCへ可能な範囲で入れておく。

    すると、

    PoC → Production

    の距離を短くできる。

    EQUESの伴走型開発を評価するときも、この移行能力が重要になる。

    ⸻

    ココロミからKnowledgeへ

    EQUES側から見ると、PoCにはもう一つの価値がある。

    さまざまな企業のProblemに触れることで、

    どの課題がAIに適しているのか。

    どのTechnologyが有効なのか。

    どの部分で失敗しやすいのか。

    企業が何を不安視するのか。

    というKnowledgeが蓄積される。

    一つひとつのPoCが独立して終わるのではなく、

    PoC → Experience → Reusable Knowledge

    へ変われば、Company Capabilityが高まる。

    さらに複数企業で共通するProblemが見つかれば、

    Reusable Knowledge → Product

    へ進む可能性も生まれる。

    ⸻

    Researchとの接続

    PoCはBusiness Developmentであると同時に、Applied Researchに近い性格を持つ。

    仮説を立てる。

    Experimentを設計する。

    Dataを集める。

    比較する。

    評価する。

    結論を出す。

    つまり、

    Hypothesis → Experiment → Evaluation → Decision

    である。

    違うのは、そのDecisionが論文の結論ではなく、

    企業として次に投資するか

    へ接続されることである。

    研究方法が、経営判断のInfrastructureになる。

    ここにEQUESのような研究開発型AI企業の特徴が現れる。

    ⸻

    「試す」をBusiness Processへ変える

    「ココロミ」という名称が象徴するように、新しいTechnologyはまず試してみなければ分からない。

    しかし企業にとって重要なのは、無秩序に試すことではない。

    Problemを定義する。

    仮説を設定する。

    小さくExperimentする。

    測定する。

    Failureを分析する。

    次の投資を判断する。

    すなわち、

    Try → Measure → Learn → Decide

    である。

    PoCの本質は「試作品を作ること」ではない。

    試すという行為を、再現可能な意思決定Processへ変えることにある。

    そしてPoCで実現可能性が確認されれば、次の問題が現れる。

    Prototypeを、本当に企業が毎日利用できるSystemへどう変えるのか。

    Research CodeをProduction Codeへ。

    限定DataをEnterprise Dataへ。

    ExperimentをOperationへ。

    PoCで「できる」を確認した後には、「使い続けられる」へ移行しなければならない。

    次節では、その境界――実証から本番開発へ――を見ていく。
    第4節 実証から本番開発へ

    PoCによって、「技術的にできる」ことは確認できる。

    しかし、企業にとって本当に重要なのは、その先である。

    限定されたDataでPrototypeが動いた。一定のAccuracyが得られた。生成AIが期待した回答を返した。Domain Expertからも有用だと評価された。

    それでも、まだ社会実装ではない。

    実際の利用者が毎日使い、企業のDataを扱い、既存Systemと接続し、障害が起きても復旧でき、SecurityとGovernanceを満たしながら継続的に運用されて初めて、AIは企業Systemの一部になる。

    ここには、

    PoC → Production

    という大きな境界がある。

    EQUESの「伴走型技術開発」を評価するうえで重要なのは、Experimentを成功させる能力だけではない。

    実証されたTechnologyを、運用可能なSystemへ変換する能力である。

    ⸻

    「動く」と「使える」は違う

    PoCでは、条件を限定できる。

    対象Userを少なくする。

    Dataを選別する。

    一部機能だけを実装する。

    Engineerが直接Systemを操作する。

    問題が起きれば、その場で修正する。

    Productionでは、この前提がなくなる。

    多数のUserが利用する。

    予想していなかったInputが入る。

    Data量が増える。

    Modelや外部APIが変化する。

    Network Failureが起こる。

    担当Engineerがその場にいない。

    つまり、

    Works in Experiment ≠ Works in Operation

    である。

    この差を埋めるのがProduction Engineeringになる。

    ⸻

    Prototypeを捨てることもある

    PoCで作ったPrototypeを、そのまま本番Systemへ拡張できるとは限らない。

    PoCでは速度を優先し、最小限のCodeで仮説を検証することが合理的である。

    一方、本番では、

    Reliability。

    Security。

    Maintainability。

    Scalability。

    Testability。

    Observability。

    が必要になる。

    そのため、PoCで採用したArchitectureを見直したり、Codeを書き直したりすることもある。

    PoCの目的は完成品を先に作ることではない。

    何を本番で作るべきかを学ぶことだからである。

    ⸻

    Architectureを設計し直す

    Productionへ進むと、AI ModelはSystem全体の一Componentになる。

    例えばEnterprise向け生成AIなら、

    User Interface。

    Authentication。

    Application Server。

    Database。

    Document Storage。

    Vector Database。

    Retrieval。

    LLM。

    Logging。

    Monitoring。

    Human Review。

    といった複数のLayerが必要になる。

    構造は単純な、

    Input → Model → Output

    ではなく、

    User → Application → Data → AI → Verification → Workflow

    へ広がる。

    AI社会実装とは、ModelをDeployすることではない。

    AIを含むSoftware Architectureを構築することである。

    ⸻

    Enterprise Dataへ接続する

    PoCでは、整理されたSample Dataを利用できる場合がある。

    Productionでは実際のEnterprise Dataを扱う。

    Document。

    Database。

    File Server。

    Business System。

    Sensor Data。

    Historical Records。

    それらは異なるFormatやAccess Ruleを持つ。

    そこで、

    Data Ingestion。

    Data Cleaning。

    Metadata Management。

    Indexing。

    Access Control。

    Update Processing。

    などが必要になる。

    生成AIであればRAGの性能も、LLMだけではなく、このData Pipelineに大きく依存する。

    Production AIはData Engineeringなしには成立しない。

    ⸻

    Securityは後付けできない

    企業Systemでは、Dataを誰が見られるかが重要になる。

    特に製薬やEnergyのような領域では、機密性の高い情報を扱う可能性がある。

    誰がLoginしたのか。

    どのDataへAccessできるのか。

    AIへ何を送信したのか。

    外部ServiceへDataが出るのか。

    Outputはどこへ保存されるのか。

    これらを設計する必要がある。

    つまり、

    Authentication → Authorization → Data Access → Audit

    というSecurity Architectureが必要になる。

    PoC終了後にSecurityを追加するのでは遅い場合がある。

    本番利用を想定するなら、PoC段階からDataの扱い方を考えておく必要がある。

    ⸻

    AI特有のFailureを扱う

    一般的なSoftwareは、同じInputに同じ処理を適用すれば、基本的には同じOutputを期待できる。

    生成AIはより確率的である。

    もっともらしい誤情報を生成する。

    Instructionを誤解する。

    必要な情報をRetrievalできない。

    Formatを守らない。

    Model Updateによって挙動が変わる。

    したがってProductionでは、

    AI Failureを前提としたSystem Design

    が必要になる。

    Validation。

    Grounding。

    Citation。

    Rule Check。

    Fallback。

    Human Review。

    などを組み合わせる。

    重要なのは、AIを「絶対に間違えないSystem」にすることではない。

    間違いが起こり得ることを前提に、安全に扱えるSystemへすることである。

    ⸻

    Human Approvalを組み込む

    高信頼業務では、AIのOutputをそのまま確定結果にしない設計が重要になる場合がある。

    AIがDraftを生成する。

    Humanが確認する。

    AIが矛盾候補を示す。

    専門家が判断する。

    AIがRecommendationを出す。

    権限を持つ人間が承認する。

    ここではHumanは「AIが未熟だから仕方なく残す存在」ではない。

    責任、専門判断、例外処理を担うSystem Componentである。

    したがって、

    AI → Human Review → Approval → Action

    までをWorkflowとして設計する。

    製薬AIでは特に、この境界が重要になる。

    ⸻

    LoggingとAudit

    Productionでは、「何が起きたか」を後から確認できなければならない。

    誰が利用したのか。

    どのInputだったのか。

    どのDataを参照したのか。

    どのModel Versionを使ったのか。

    何を生成したのか。

    Humanが何を修正したのか。

    誰が承認したのか。

    こうした情報を記録する。

    AI Systemでは、

    Output

    だけでなく、

    Process

    を残すことが重要になる。

    高信頼産業へ進むほど、Auditabilityは付加機能ではなくSystem Requirementになる。

    ⸻

    PerformanceだけでなくReliabilityを見る

    PoCではModel Accuracyへ注目しやすい。

    Productionでは評価軸が増える。

    Accuracy。

    Latency。

    Availability。

    Error Rate。

    Cost。

    Security Incident。

    User Adoption。

    Human Correction Rate。

    これらを継続的に観測する。

    例えば高性能なLLMでも、Inference Costが業務価値を上回れば継続利用できない。

    精度が高くてもResponseが遅すぎれば現場に定着しない。

    したがって、

    Best Model

    ではなく、

    Best Operational System

    を目指す必要がある。

    ⸻

    MonitoringからObservabilityへ

    Systemが動き始めると、新しい問題が発生する。

    ModelのOutput Qualityが低下していないか。

    Retrievalが失敗していないか。

    Costが急増していないか。

    利用されなくなっていないか。

    特定のInputでErrorが集中していないか。

    これらを観測する。

    AIではInfrastructure Monitoringだけでなく、

    Model Behavior

    まで見る必要がある。

    Production AIは、Deployした瞬間に完成するのではない。

    Deployした瞬間から、新しいEvaluationが始まる。

    ⸻

    Modelは変化する

    生成AIのTechnology Stackは速く変化する。

    新しいModelが登場する。

    API仕様が変わる。

    Model Versionが更新される。

    Costが変わる。

    より小型で高性能なModelが利用可能になる。

    したがってProduction Architectureを特定Modelへ過度に固定すると、Technology Changeへ対応しにくい。

    Modelを交換できる。

    Evaluationを再実行できる。

    Versionを管理できる。

    必要ならRollbackできる。

    こうした設計が重要になる。

    つまり、

    AI Systemは変化することを前提に作る

    必要がある。

    ⸻

    Operation Teamへ渡す

    PoCでは開発者自身がSystemを扱うことが多い。

    Productionでは利用主体が変わる。

    Business User。

    System Administrator。

    Domain Expert。

    Security Team。

    Management。

    などが関与する。

    そのため、

    Documentation。

    Training。

    Support。

    Incident Response。

    Change Management。

    が必要になる。

    Technologyを導入するだけではなく、

    Organizationが運用できる状態へ移す

    ことが本番化の一部になる。

    ⸻

    現場定着という最後の壁

    本番SystemをDeployしても、利用されなければ価値は生まれない。

    Userが従来手順の方を好む。

    AI Outputを信用しない。

    操作が複雑である。

    確認作業が逆に増える。

    こうした問題はTechnologyだけでは解決できない。

    UIを改善する。

    Workflowを変更する。

    Trainingを行う。

    HumanとAIの役割を調整する。

    つまり、

    System Deployment → Organizational Adoption

    というもう一つの移行が必要になる。

    EQUESが技術開発だけでなく教育や現場定着を重視する理由も、この構造から理解できる。

    ⸻

    PoCからProductionへの判断

    本番化にはCostがかかる。

    したがってPoC終了時には、単にAccuracyを見るのではなく、

    Technical Feasibility。

    Business Value。

    Implementation Cost。

    Operational Cost。

    Security Risk。

    Human Acceptance。

    を総合して判断する必要がある。

    構造としては、

    PoC Evidence → Production Decision

    である。

    ここで初めてExperimentがInvestment Decisionへ変わる。

    ⸻

    本番開発で初めて見えるProblem

    Productionへ進むと、PoCでは存在しなかったProblemが現れる。

    大量利用時のLatency。

    Unexpected Input。

    UserごとのAccess Permission。

    Model Cost。

    Data Update。

    Operation Failure。

    Human Error。

    これらは、単なる障害ではない。

    次の改善へ使えるKnowledgeでもある。

    したがって、

    Production → Operational Data → Learning

    という新しいLoopが始まる。

    研究室で得られなかったKnowledgeが、実際の利用環境から生成される。

    ⸻

    本番化は終点ではない

    従来のSystem Developmentでは、「納品」がProjectの終了点になる場合があった。

    AIでは、その考え方だけでは不十分である。

    Dataが変わる。

    Modelが変わる。

    業務が変わる。

    User Requirementが変わる。

    したがって、

    Deploy → Observe → Evaluate → Improve → Deploy

    という継続的なProcessが必要になる。

    AI Systemは完成品というより、運用を通じて改善されるSystemである。

    ⸻

    実証から社会実装へ

    EQUESの伴走型技術開発を構造化すると、PoCから本番化への移行は次のようになる。

    Prototype

    ↓

    Evaluation

    ↓

    Production Architecture

    ↓

    Data / Security Integration

    ↓

    Human Workflow

    ↓

    Deployment

    ↓

    Operation

    ↓

    Continuous Improvement

    ここで初めて、

    「AIが動いた」

    が、

    「AIが企業の中で機能している」

    へ変わる。

    PoCは可能性を確認する場所だった。

    Productionは、その可能性に責任を持つ場所である。

    Accuracyだけでなく、Security、Reliability、Cost、Human、Operationまで引き受けなければならない。

    だからこそ、研究と社会実装の距離はModel Performanceだけでは測れない。

    Researchを社会へ移す最後の難所は、Technologyを作ることではなく、Technologyが継続して機能するSystemを作ることにある。

    そして本番Systemを作るためには、LLMだけを知っていても足りない。

    課題によっては、予測、分類、画像認識、数理最適化など、異なる技術を組み合わせる必要がある。

    次節では、EQUESの技術的基盤をより広く捉え、数理最適化とDeep Learningが企業課題に対してどのように使い分けられ、接続されるのかを見ていく。
    第5節 数理最適化とDeep Learning

    2020年代半ばのAIを語るとき、LLMや生成AIへ議論が集中しやすい。

    しかし企業が抱える問題のすべてが、「文章を生成する問題」ではない。

    限られた人員をどう配置するか。

    複数の設備をどの順序で稼働させるか。

    配送経路をどう組み合わせるか。

    需要をどう予測するか。

    画像や信号から状態をどう識別するか。

    多数の制約の中から、どの選択肢を採用するか。

    こうした問題に対しては、Deep Learningだけでなく、数理最適化、統計、探索、Simulationなど、異なる計算手法が必要になる。

    EQUESを「生成AI企業」とだけ捉えると、この技術的な幅を見失う。

    重要なのは特定のTechnologyを売ることではない。

    Problemの構造に応じて、適切な計算手法を選択することである。

    ⸻

    数理最適化とは何か

    数理最適化は、与えられた条件の中から、目的を最もよく満たす解を求める方法である。

    基本構造は、

    Decision Variables + Objective Function + Constraints

    として表現できる。

    何を決めるのか。

    何を最大化・最小化するのか。

    どの条件を守らなければならないのか。

    例えば物流なら、

    配送Costを最小化する。

    納期を守る。

    車両Capacityを超えない。

    必要な地点をすべて訪問する。

    といった形でProblemを定義できる。

    ここでは「過去DataからPatternを学習する」ことより、条件の中で最良のDecisionを探索することが中心になる。

    ⸻

    Deep Learningとは何が違うのか

    Deep Learningは大量のDataから複雑なPatternやRepresentationを学習することを得意とする。

    Imageを分類する。

    音声を認識する。

    文章を理解・生成する。

    Sensor Dataから異常を検出する。

    つまり、

    Data → Learned Model → Prediction / Generation

    という構造を持つ。

    一方、数理最適化では、

    Objective + Constraints → Optimization → Decision

    となる。

    前者は主として「学習する」。

    後者は主として「選択する」。

    この違いを理解すると、企業AIに必要なのが一種類のAlgorithmではないことが分かる。

    ⸻

    PredictionとDecisionを分ける

    企業Systemでは、この二つが連続することがある。

    例えば需要予測を考える。

    Deep Learningや統計Modelによって、翌日の需要を予測する。

    しかし企業が本当に必要なのは予測値だけではない。

    その予測に基づいて、

    どれだけ生産するか。

    在庫をどこへ配置するか。

    人員をどう配置するか。

    を決めなければならない。

    つまり、

    Data → Prediction → Optimization → Decision

    となる。

    AIが未来を予測し、OptimizationがActionを選ぶ。

    ここにMachine LearningとOperations Researchの接続点がある。

    ⸻

    「最も高性能なAI」を探さない

    企業課題に対して、最新のDeep Learning Modelを利用することが常に最適とは限らない。

    Data量が少ない。

    Ruleが明確である。

    Constraintを厳密に守る必要がある。

    結果の理由を説明する必要がある。

    こうした場合には、従来型Machine Learningや数理最適化の方が適していることがある。

    逆に、画像、文章、音声など、Ruleとして記述することが難しいDataではDeep Learningが強い。

    したがって重要なのは、

    Technology-first

    ではなく、

    Problem-first

    である。

    Problemを見てからTechnologyを選ぶ。

    これは前節まで見てきたEQUESの伴走型開発とも整合する。

    ⸻

    Constraintを明示できる強さ

    数理最適化の重要な特徴は、Constraintを明示的に扱えることである。

    予算を超えない。

    必要人数を確保する。

    設備Capacityを超えない。

    特定条件を必ず満たす。

    こうした条件を数式としてSystemへ組み込める。

    企業活動には多数のConstraintがあるため、この性質は重要である。

    AIが「もっともらしい答え」を生成することと、

    条件を満たす実行可能な解を求めること

    は異なる問題なのである。

    ⸻

    Deep Learningは複雑な世界を圧縮する

    一方、現実世界のすべてを明示的なRuleへ変換することはできない。

    画像の中に何が写っているのか。

    文章が何を意味しているのか。

    音声の内容は何か。

    Sensor Patternが異常を示しているのか。

    こうしたProblemでは、HumanがすべてのRuleを書くことは難しい。

    Deep Learningは大量のDataからRepresentationを獲得し、複雑なPatternを扱える。

    したがって、

    明示的に記述できない世界をDataから学習する

    ことに強みがある。

    ⸻

    生成AIもDeep Learningの延長にある

    LLMや生成AIも、このDeep Learningの発展上に位置する。

    大量のTextやその他のDataからPatternを学習し、新しいOutputを生成する。

    しかし、LLMが高度になったからといって、Optimization ProblemまでLLMだけで解く必要はない。

    LLMは自然言語を理解する。

    Requirementを構造化する。

    Toolを呼び出す。

    Optimization Solverが解を求める。

    LLMが結果をHumanへ説明する。

    という役割分担も可能になる。

    つまり、

    LLM × Optimization

    である。

    生成AIの価値は、既存の計算技術を置き換えることだけではなく、それらへのInterfaceになることにもある。

    ⸻

    AI Agentとの接続

    この構造はAI Agentへ進むとさらに明確になる。

    AgentがUserの目的を理解する。

    必要なDataを取得する。

    Prediction Modelを呼ぶ。

    Optimization Solverを実行する。

    結果を比較する。

    HumanへRecommendationを提示する。

    すると、

    Language → Tool Use → Computation → Decision Support

    というSystemが成立する。

    ここではLLMはすべての計算を内部で行う必要がない。

    むしろ、専門的なAlgorithmを適切に呼び出すOrchestratorとして機能できる。

    企業AIは、一つの巨大Modelから、複数の専門Systemを接続するArchitectureへ進む可能性がある。

    ⸻

    数理最適化と高信頼AI

    高信頼産業では、Constraintを明確に扱えることが特に重要になる。

    AIが提案したActionが、

    Safety Requirementを満たしているか。

    Operation Ruleを守っているか。

    Resource Constraintを超えていないか。

    を確認しなければならない。

    このとき、

    Machine LearningによるPrediction

    と、

    Constraintに基づくOptimizationやValidation

    を分離することには意味がある。

    AIにすべてを任せるのではなく、

    Learned Intelligence + Explicit Rules

    を組み合わせる。

    これは高信頼AIを設計する基本的な方向の一つである。

    ⸻

    繊維識別の事例が示すもの

    EQUESは製薬やEnergyだけでなく、ニッセンケン品質評価センターとの技術検証など、異なる産業課題にもAI技術を適用してきた。

    こうした事例から重要なのは、「繊維もAIで扱える」という個別事実だけではない。

    現実の産業Problemでは、

    測定。

    Chemical Analysis。

    Data Processing。

    Deep Learning。

    Domain ExpertによるEvaluation。

    など、複数のKnowledgeを組み合わせる必要があるということである。

    つまり社会実装では、

    AI単体の性能より、異なる技術をProblemへ合わせて統合する能力

    が重要になる。

    ⸻

    Domainごとに最適解は変わる

    製薬。

    Energy。

    Manufacturing。

    Logistics。

    Infrastructure。

    それぞれProblem Structureは異なる。

    製薬DocumentではLanguage Processingが中心になる場合がある。

    設備監視ではTime-seriesやSensor Processingが重要になる。

    RobotではVision、Control、Planningが必要になる。

    SchedulingではOptimizationが中心になる。

    したがって一つのModelを横展開するだけでは、多様な産業課題へ対応できない。

    必要なのは、

    Domain → Problem Structure → Method Selection

    という順序である。

    ⸻

    Hybrid Systemという現実

    実際のEnterprise AIは、複数の手法を組み合わせるHybrid Systemになることが多い。

    例えば、

    LLMがDocumentを読む。

    Machine Learning ModelがRiskを推定する。

    Optimization Engineが候補を計算する。

    Rule EngineがConstraintを確認する。

    Humanが最終判断する。

    というSystemである。

    構造化すると、

    **Generative AI

    * Predictive AI
    * Optimization
    * Rules
    * Human Judgment**

    となる。

    どれか一つを「最終的なAI」と考える必要はない。

    それぞれが得意な処理を担当すればよい。

    ⸻

    Explainabilityとの関係

    Optimization Modelは、目的関数やConstraintを明示できるため、Decision Structureを比較的説明しやすい場合がある。

    一方、Deep Neural Networkは内部表現が複雑で、判断根拠を直接理解することが難しい場合がある。

    ただし、

    「Optimizationなら必ず説明可能」

    「Deep Learningなら説明不能」

    という単純な区分ではない。

    大規模Optimizationも複雑になり得るし、Machine LearningにもExplainabilityの手法がある。

    重要なのは、Domainが必要とする説明水準に合わせて、

    Model Choice + Explanation Method + Human Review

    を設計することである。

    ⸻

    Research Capabilityの意味

    ここで第Ⅰ部の議論へ戻る。

    研究開発型AI企業に必要なのは、特定Frameworkの使い方だけではない。

    新しいProblemに対して、

    Problemを形式化する。

    関連研究を調べる。

    複数手法を比較する。

    Experimentする。

    Evaluationする。

    適切なMethodを選ぶ。

    という能力である。

    つまりResearch Capabilityは、

    最新AIを知っていること

    ではなく、

    未知のProblemに対して適切な解法を探索できること

    にある。

    数理最適化とDeep Learningの双方を視野に入れることは、その姿勢を象徴している。

    ⸻

    Toolを選ぶ会社へ

    AI産業ではTechnology Trendが高速に変わる。

    Deep Learning。

    Transformer。

    Generative AI。

    AI Agent。

    Physical AI。

    新しい概念が次々に登場する。

    しかし企業課題の側から見れば、Technologyは目的ではなくToolである。

    重要なのは、

    このProblemには何が必要か

    を判断できることである。

    場合によってはLLM。

    場合によってはDeep Learning。

    場合によってはOptimization。

    場合によってはTraditional Software。

    そして多くの場合、それらの組み合わせになる。

    EQUESの伴走型技術開発を技術面から理解するなら、ここが重要な境界になる。

    ⸻

    PredictionからDecisionへ

    AIの社会実装を一段抽象化すると、企業が求めているのは「認識」や「予測」だけではない。

    最終的にはDecisionやActionへつなげたい。

    したがって、

    Observe → Predict → Optimize → Decide → Act

    という流れが必要になる。

    Deep LearningはObserveやPredictを強化する。

    数理最適化はOptimizeを担う。

    HumanやEnterprise SystemがDecideとActを担う場合もある。

    AI AgentやRobotがその一部を自動化する場合もある。

    こうして個別Technologyが、一つのBusiness Systemへ接続される。

    ⸻

    数理最適化とDeep Learningを接続する

    本節の結論は、どちらが優れているかではない。

    両者は異なるProblemを解く。

    Deep Learningは、複雑なDataからPatternを学ぶ。

    数理最適化は、目的と制約の中からDecisionを探索する。

    そして産業現場では、その二つが接続される。

    Data → Learning → Prediction → Optimization → Decision

    さらに生成AIやAI Agentが加われば、

    Human Language → AI Agent → Model / Solver → Enterprise Action

    へ広がる。

    この構造こそ、先端AIを企業課題へ実装するときの現実的な姿である。

    EQUESの競争力を考えるうえでも、重要なのは特定のAI Technologyへの固定ではない。

    Problemに応じて異なる計算技術を選び、それらを一つのSystemとして接続できるか。

    そして複数のAlgorithmが使えるようになれば、次の課題は、それらを企業のDataとSystemの中で安全かつ継続的に動かすことである。

    Modelだけでは企業AIは完成しない。

    Database、Retrieval、Application、Compute Infrastructureが必要になる。

    次節では、伴走型技術開発を支える実装基盤として、Cloud・RAG・AI Agentへ進む。
    第6節 Cloud・RAG・AI Agent

    AIを企業へ実装するとき、ModelだけではSystemにならない。

    LLMが高性能でも、企業の最新情報を知らなければ業務には使いにくい。社内Documentへ安全にAccessできなければならない。Userごとの権限を守り、既存Systemと接続し、利用状況を記録し、必要な処理を実行できなければならない。

    そこで重要になるのが、

    Cloud

    RAG

    AI Agent

    である。

    三つは同じTechnologyではない。

    CloudはAIを動かすInfrastructureを提供する。

    RAGは外部KnowledgeとModelを接続する。

    AI AgentはModelをToolやWorkflowへ接続する。

    この三層を組み合わせることで、AIは単なる「回答するModel」から、企業の情報を参照し、必要な処理を実行するEnterprise Systemへ近づいていく。

    ⸻

    Modelは企業の現在を知らない

    LLMは大量のDataから学習している。

    しかし、ある企業の内部情報を自動的に知っているわけではない。

    社内規程。

    製品仕様。

    品質Document。

    Project情報。

    顧客情報。

    最新の業務Data。

    これらは通常、Modelの学習Dataには含まれていない。

    また、含めるべきでもない機密情報が多い。

    そこで必要になるのが、

    ModelとEnterprise Knowledgeの分離

    である。

    ModelそのものへすべてのKnowledgeを記憶させるのではなく、必要なときに必要な情報へAccessさせる。

    この考え方がRAGへつながる。

    ⸻

    RAGという外部Knowledge接続

    RAG――Retrieval-Augmented Generationでは、UserからQuestionを受け取ったとき、関連する外部情報を検索し、その情報をContextとしてLLMへ与える。

    最小化すれば、

    Question → Retrieval → Relevant Knowledge → LLM → Answer

    となる。

    例えば企業内に数万件のDocumentがあるとする。

    すべてをPromptへ入れることはできない。

    そこでQuestionに関連するDocumentやSectionを検索し、必要な部分だけをModelへ渡す。

    これによってLLMは、自分の内部Knowledgeだけで回答するのではなく、企業が管理するKnowledgeを参照して回答できる。

    ⸻

    RAGは「検索を付ければ完成」ではない

    RAGの性能はLLMだけでは決まらない。

    Documentをどの単位へ分割するか。

    Metadataをどう付けるか。

    どのEmbedding Modelを使うか。

    どの検索方式を使うか。

    何件取得するか。

    Rankingをどう行うか。

    どの情報をPromptへ渡すか。

    これらによって結果が変わる。

    つまり、

    Retrieval Quality → Context Quality → Generation Quality

    という依存関係がある。

    LLMが誤答したように見えても、実際には必要なDocumentを検索できていなかったという場合もある。

    Enterprise RAGでは、Model EvaluationだけでなくRetrieval Evaluationが必要になる。

    ⸻

    Sourceを示す

    高信頼業務では、回答だけでなく根拠が重要になる。

    AIが、

    「この規程ではこうなっています」

    と回答したとき、Userは、

    どのDocumentを参照したのか。

    どのSectionに書かれているのか。

    最新版なのか。

    を確認できる必要がある。

    そこで、

    Answer + Source

    という構造を作る。

    これはHallucinationを完全に防ぐものではない。

    しかしHumanがOutputを検証するための重要なInterfaceになる。

    製薬のようにDocumentの正確性が重要な領域では、このTraceabilityが特に意味を持つ。

    ⸻

    CloudはAIの実行基盤になる

    RAGを企業規模で運用するには、複数のInfrastructureが必要になる。

    Application Server。

    Database。

    Object Storage。

    Vector Database。

    Model Endpoint。

    Authentication。

    Logging。

    Monitoring。

    Backup。

    Network。

    これらを組み合わせる基盤の一つがCloudである。

    Cloudの価値は、単にServerを借りられることではない。

    需要に応じてCompute Resourceを変更し、複数Serviceを接続し、SecurityやOperationを含めてSystemを構築できることにある。

    したがって、

    AI Model + Data Infrastructure + Application Infrastructure

    を統合する場所としてCloudを見ることができる。

    ⸻

    Cloudと機密Data

    一方、高信頼産業では「Cloudを使えばよい」と単純には言えない。

    どのDataをCloudへ置けるのか。

    どのRegionで処理するのか。

    外部LLM APIへ送信できるのか。

    Dataは保存されるのか。

    誰がAccessできるのか。

    Encryptionはどうするのか。

    Audit Logは残るのか。

    こうした条件を確認する必要がある。

    そのためArchitectureは、

    Public Cloud。

    Private Environment。

    On-premises。

    Local Model。

    複数環境を組み合わせた構成。

    などから、Requirementに応じて選択することになる。

    重要なのはCloudを使うことではなく、

    Data Riskに適合したInfrastructureを選ぶこと

    である。

    ⸻

    AI Agentは回答から実行へ進む

    RAGによって、AIは企業Knowledgeを参照できる。

    しかし、それだけなら主なOutputは情報や文章である。

    次に現れるのがAI Agentである。

    AI Agentという言葉には幅広い定義があるが、企業実装では、

    目的に応じてModelがToolやSystemを利用し、複数Stepの処理を進める仕組み

    として捉えると分かりやすい。

    例えば、

    Documentを検索する。

    Databaseを照会する。

    計算Toolを呼び出す。

    別Systemから情報を取得する。

    Draftを生成する。

    HumanへApprovalを依頼する。

    承認後に次の処理へ進む。

    こうしてLLMは、

    Answer Generator

    から、

    Workflow Participant

    へ変化する。

    ⸻

    Tool Use

    AI Agentの重要な能力がTool Useである。

    LLM自身にすべてを計算させる必要はない。

    正確な計算はCalculatorへ渡す。

    Database QueryはDatabaseへ渡す。

    OptimizationはSolverへ渡す。

    社内検索はRetrieval Systemへ渡す。

    業務処理は既存APIへ渡す。

    すると、

    LLM → Tool Selection → Tool Execution → Result → LLM

    という構造ができる。

    前節で見た数理最適化も、このArchitectureへ接続できる。

    LLMがOptimizationを「想像して答える」のではなく、実際のSolverを呼び出せばよい。

    ⸻

    AI AgentとWorkflow Automation

    企業には多数のWorkflowが存在する。

    情報を取得する。

    確認する。

    Documentを作る。

    別の担当者へ渡す。

    承認する。

    Systemへ登録する。

    従来はHumanが複数のApplicationを行き来していた。

    AI Agentは、その一部を接続できる可能性がある。

    例えば、

    Request
    → Information Retrieval
    → Analysis
    → Draft Generation
    → Human Review
    → Approval
    → System Update

    という流れである。

    重要なのは、Humanを完全に消すことではない。

    どのStepをAIへ任せ、どのStepをHumanへ残すかを設計することである。

    ⸻

    Agentには権限が必要になる

    AIが文章を生成するだけなら、Failureの影響は比較的限定しやすい。

    しかしAgentがToolを使って実際のSystemを操作するようになると、Riskは変わる。

    Databaseを書き換える。

    Messageを送信する。

    Documentを登録する。

    EquipmentへCommandを送る。

    こうしたActionにはPermissionが必要になる。

    したがって、

    Identity → Permission → Action

    を設計しなければならない。

    AI Agentへ「何でもできる権限」を与えることは危険である。

    必要最小限の権限だけを付与する。

    重要ActionにはHuman Approvalを要求する。

    すべてのActionをLogへ残す。

    Enterprise Agentでは、このGovernanceが不可欠になる。

    ⸻

    AutonomousよりControlled

    AI Agentは「自律型AI」と表現されることがある。

    しかし高信頼産業では、自律性を最大化すること自体が目的ではない。

    重要なのは、

    必要な範囲だけを自動化し、制御可能であること

    である。

    低Riskな情報検索は自動実行する。

    Document Draftも自動生成する。

    しかし重要な変更はHuman Approvalを要求する。

    さらに高RiskなActionはAIから直接実行できないようにする。

    つまり、

    Autonomy LevelをRiskに応じて設計する

    必要がある。

    ⸻

    Cloud・RAG・Agentを接続する

    ここまでの三つを統合すると、Enterprise AIの基本Architectureが見えてくる。

    CloudがComputeとData Infrastructureを提供する。

    RAGがEnterprise Knowledgeを取得する。

    LLMが情報を理解し、ReasoningやGenerationを行う。

    Agentが必要なToolを選択する。

    Enterprise Systemが処理を実行する。

    Humanが重要なDecisionを確認する。

    構造としては、

    User
    → Cloud Application
    → RAG / Enterprise Data
    → LLM
    → Agent / Tool
    → Human Approval
    → Enterprise Action

    となる。

    ここまで進むと、AIは単独のModelではない。

    企業のDigital Infrastructureの一部になる。

    ⸻

    ArchitectureはDomainによって変わる

    ただし、この構造をすべての企業へ同じ形で適用することはできない。

    製薬ではDocument Traceabilityが重要になる。

    EnergyではSensorや設備Systemとの接続が必要になる場合がある。

    Customer SupportではResponse Speedが重要になる。

    Research支援では大量のDocument Retrievalが中心になるかもしれない。

    したがって、

    Common Architecture + Domain-specific Requirement

    という設計になる。

    EQUESの伴走型開発に求められるのは、共通Technologyを持ちながら、DomainごとにArchitectureを調整する能力である。

    ⸻

    Infrastructure Partnerとの接続

    AI StartupがInfrastructureのすべてを自社開発する必要はない。

    Cloud Provider。

    Compute Provider。

    Database。

    Model Provider。

    Security Service。

    既存Enterprise Software。

    それぞれを組み合わせる。

    EQUESが外部Infrastructure企業との連携を進めていることも、この観点から理解できる。

    競争力はInfrastructureを一から所有することではなく、

    適切なInfrastructureを選択し、顧客Requirementへ統合する能力

    にも存在する。

    ⸻

    CostもArchitectureである

    生成AIではInference Costを無視できない。

    高性能ModelをすべてのRequestで利用すれば、Costが増える。

    そこで、

    小型Modelで十分な処理は小型Modelへ。

    Retrievalだけで解決できるQuestionは検索へ。

    複雑なReasoningだけ高性能Modelへ。

    といった設計が可能になる。

    つまり、

    Model Routing

    によってPerformanceとCostをBalanceする。

    Productionでは、最高性能のModelを選ぶことより、継続利用可能なCost Structureを作ることが重要になる。

    ⸻

    Vendor Lock-inを考える

    AI Technologyは変化が速い。

    現在最良のModelが数年後も最良とは限らない。

    そこでSystem全体を特定ModelやProviderへ強く依存させると、将来の変更Costが大きくなる。

    Model Layerを交換可能にする。

    Dataを独立して管理する。

    Evaluation Frameworkを保持する。

    API Interfaceを抽象化する。

    こうしたArchitectureによってTechnology Changeへ対応しやすくなる。

    研究開発型AI企業にとって、

    最新Technologyを導入する能力

    だけでなく、

    次のTechnologyへ交換できる能力

    も重要になる。

    ⸻

    RAGからOrganizational Memoryへ

    RAGをさらに企業経営の視点から見ると、単なる検索技術以上の意味を持つ。

    企業には大量のKnowledgeが蓄積される。

    過去Project。

    Report。

    Manual。

    Research Result。

    Customer Interaction。

    Failure Record。

    これらを検索可能にすれば、過去のKnowledgeを現在のDecisionへ利用できる。

    つまりRAGは、

    Enterprise Knowledge → Accessible Organizational Memory

    へ変換するInfrastructureにもなり得る。

    EQUES自身にとっても、Project ExperienceをKnowledgeとして蓄積するうえで同じ考え方が使える。

    ⸻

    Agentから企業Processへ

    AI Agentも単なるChatbotの高度化ではない。

    企業のKnowledgeを取得し、

    Toolを利用し、

    Humanと協働し、

    Workflowへ参加する。

    この方向へ進めば、

    AI Interface

    から、

    AI-enabled Business Process

    へ変化する。

    しかしActionを持つほどRiskも増える。

    だからこそ、Security、Permission、Audit、Human Approvalを同時に設計しなければならない。

    AIの能力向上とGovernanceは別々の問題ではない。

    能力が高くなるほど、制御Architectureの重要性も高くなる。

    ⸻

    ModelからEnterprise Systemへ

    Cloud、RAG、AI Agentを一つの流れへまとめると、EQUESの伴走型開発が扱う対象の拡張が見えてくる。

    最初は、

    Model

    だった。

    そこへ、

    Data

    が接続される。

    さらに、

    Knowledge

    が接続される。

    ToolとWorkflowが接続される。

    Humanが接続される。

    最終的には、

    Enterprise System

    になる。

    その構造は、

    Model → RAG → Agent → Workflow → Human → Operation

    である。

    Cloudは、その全体を動かすInfrastructureになる。

    ⸻

    AIを企業の中で動かす

    企業AIの本質は、最も賢いModelを所有することではない。

    必要なKnowledgeへAccessできる。

    適切なToolを利用できる。

    権限の範囲内でActionできる。

    Humanが確認できる。

    何が起きたか追跡できる。

    そして継続的に運用できる。

    この条件が揃って初めて、AIは企業の中で機能する。

    したがって、

    Cloud × RAG × AI Agent

    は三つの流行語を並べたものではない。

    それぞれ、

    Infrastructure

    Knowledge

    Action

    を担う。

    そしてHumanとGovernanceを加えることで、

    Infrastructure → Knowledge → Intelligence → Action → Human Control

    というEnterprise AI Systemが形成される。

    ここまで来ると、EQUESの伴走型技術開発の意味もより明確になる。

    顧客へModelを納品することが目的ではない。

    Problemを定義し、Technologyを検証し、DataとSystemへ接続し、Humanが利用できる形でProductionへ移す。

    研究成果を企業の実行可能なSystemへ変える。

    次節では第Ⅱ部を総括し、この一連のProcessがEQUESにとってどのようなBusiness Modelになるのか――伴走型開発という事業モデルを整理する。
    第7節 伴走型開発という事業モデル

    ここまで見てきたEQUESの伴走型技術開発を、一つの事業モデルとして捉え直してみよう。

    課題設定と要件定義。

    PoC。

    本番開発。

    数理最適化やDeep Learning。

    Cloud、RAG、AI Agent。

    これらは個別のServiceやTechnologyとして存在するだけではない。

    一つの連続したProcessを形成している。

    Problem → Requirement → PoC → Development → Production → Operation → Improvement

    この連続性こそ、伴走型開発の中心にある。

    顧客から仕様書を受け取り、その仕様どおりにSoftwareを作るだけではない。

    まだ十分に定義されていない企業課題へ入り、技術的可能性を検証し、実際に利用できるSystemへ変換する。

    EQUESの事業を理解するには、「何を開発しているか」だけでなく、企業の不確実性をどの段階から引き受けているかを見る必要がある。

    ⸻

    完成した市場を取りに行くのではない

    一般的なSoftware Productでは、解くべきProblemがすでに広く認識されていることがある。

    会計。

    顧客管理。

    勤怠。

    Communication。

    市場が成立し、必要な機能もある程度標準化されている。

    一方、先端AIではそうとは限らない。

    生成AIを品質保証業務へどう使えるのか。

    専門Documentをどこまで自動処理できるのか。

    AI Agentをどこまで企業Workflowへ入れられるのか。

    Physical AIを高Riskな現場でどこまで利用できるのか。

    Technologyそのものが変化しているため、Customerも完成したRequirementを持っていない。

    つまりEQUESが入るのは、

    Solutionが確定している市場

    だけではなく、

    Solutionそのものを探索しなければならない市場

    である。

    ⸻

    不確実性を段階的に減らす

    このBusinessでは、最初から大規模Systemを販売することは難しい。

    そこで不確実性を段階的に減らす。

    最初にProblemを理解する。

    次にTechnical Feasibilityを確認する。

    PoCで小さく試す。

    Business Valueを評価する。

    Production Architectureを設計する。

    本番運用へ移す。

    つまり顧客企業から見れば、

    Unknown → Hypothesis → Evidence → Investment → Operation

    というProcessになる。

    伴走型開発とは、AIを売るBusinessであると同時に、AI投資の不確実性を管理するBusinessでもある。

    ⸻

    ConsultingとEngineeringの境界

    課題設定だけならConsultingに近い。

    Prototypeを作ればResearch Developmentに近い。

    Production Systemを構築すればSoftware Engineeringに近い。

    運用改善まで入ればSystem IntegrationやManaged Serviceにも近づく。

    EQUES型の伴走開発は、これらの境界を横断する。

    Consulting
    → Research
    → Engineering
    → Integration
    → Operation

    この構造には利点がある。

    課題を理解したTeamがPoCへ進み、PoCで得たKnowledgeを本番Architectureへ反映できるからである。

    各工程が完全に分断されるより、Knowledge Lossを小さくできる可能性がある。

    ⸻

    顧客との距離が近い

    伴走型開発ではCustomerとのInteractionが多くなる。

    Business担当者。

    現場担当者。

    Domain Expert。

    Information System部門。

    Security担当者。

    Management。

    複数のStakeholderと接続する。

    AI企業側は、Technologyだけでなく、

    業務。

    Organization。

    Data。

    Risk。

    Investment。

    を理解する必要がある。

    この距離の近さは、受託型BusinessのCostでもある。

    しかし同時に、Product企業だけでは得にくいKnowledge Sourceにもなる。

    顧客の現場には、公開DatasetにもResearch Paperにも書かれていないProblemが存在するからである。

    ⸻

    Projectが市場調査になる

    通常、市場調査ではCustomerへQuestionする。

    伴走型開発では、実際にCustomerとSystemを作る。

    そのため、より深い情報が得られる。

    何に時間がかかっているのか。

    どのDataが不足しているのか。

    どこでAIが失敗するのか。

    Humanは何を信用するのか。

    どこまでならAutomationを受け入れるのか。

    どの機能には対価を払うのか。

    つまりProjectそのものが、

    Deep Market Discovery

    になる。

    これは研究開発型Startupにとって重要な意味を持つ。

    ⸻

    受託開発の構造的限界

    一方で、このBusiness Modelには明確な限界がある。

    顧客が増えるほどProjectが増える。

    Projectが増えるほどEngineerが必要になる。

    Customer-specific Developmentが増えれば、CodeやOperationも複雑になる。

    したがって単純な受託構造では、

    Revenue ≈ People × Utilization

    になりやすい。

    急速にScaleするSoftware Productとは経済構造が異なる。

    さらに優秀なAI Engineerは希少であり、人員増加だけで成長を続けることにも限界がある。

    EQUESがStartupとして成長するなら、この構造をどう越えるかが重要になる。

    ⸻

    Knowledge Compounding

    その一つの答えが、Projectから得たKnowledgeを再利用することである。

    例えば一つのProjectで、

    Document Processingの方法を確立する。

    Evaluation Methodを作る。

    RAG Architectureを改善する。

    Security Patternを整理する。

    Domain-specific Promptを蓄積する。

    Human Review Processを設計する。

    これらが次のProjectでも使えるなら、ゼロから開発する必要はなくなる。

    構造は、

    Project₁ → Knowledge₁

    Project₂ → Knowledge₁ + Knowledge₂

    Project₃ → Knowledge₁ + Knowledge₂ + Knowledge₃

    となる。

    案件数が増えるほど、Company Knowledgeが増える。

    これがKnowledge Compoundingである。

    ⸻

    個人Knowledgeから組織Knowledgeへ

    ただし、経験しただけではKnowledge Compoundingは起きない。

    Engineer個人の頭の中にKnowledgeが残るだけなら、その人が異動・退職したときに失われる。

    そこで、

    Code。

    Library。

    Architecture Pattern。

    Evaluation Dataset。

    Benchmark。

    Documentation。

    Failure Case。

    Development Process。

    Domain Ontology。

    などへ外部化する必要がある。

    つまり、

    Individual Experience → Organizational Knowledge

    への変換である。

    研究開発型企業にとって、この変換能力は重要な経営能力になる。

    ⸻

    Reusable Componentへ変える

    Knowledgeが蓄積されると、一部をSoftware Componentとして共通化できる。

    Authentication。

    Document Parser。

    Retrieval Pipeline。

    Evaluation Framework。

    Agent Runtime。

    Logging。

    Human Approval Interface。

    すべてをCustomerごとに作り直す必要はない。

    すると、

    Custom Development

    の内部に、

    Reusable Platform

    が形成される。

    表面上は受託開発でも、内部Architectureの共通化が進めば、ProjectごとのMarginal Costを下げられる可能性がある。

    ⸻

    Productが生まれる境界

    さらに同じProblemが複数Customerで繰り返し現れれば、Product化の可能性が生まれる。

    特定企業だけのProblemではない。

    Industry全体に共通する。

    Requirementも似ている。

    Workflowも一定程度標準化できる。

    この条件が揃えば、

    Project → Common Problem → Standardized Solution → Product

    へ移行できる。

    EQUESの製薬領域を考えるとき、この構造は特に重要になる。

    個別企業へのAI Developmentで得られたKnowledgeを、より広い製薬Industry向けのAI Productへ変換できれば、Business Modelは変化する。

    ⸻

    QAIへの接続

    この観点から見ると、QAI GeneratorやQAI Checkerは単なる「新製品」としてだけではなく、EQUESの事業構造上の重要な転換として分析できる。

    個別課題を解く。

    共通Problemを発見する。

    Domain Knowledgeを蓄積する。

    Systemを標準化する。

    Productへする。

    すなわち、

    Project → Domain Knowledge → Product

    である。

    次章で扱う製薬AIは、伴走型開発とProduct Businessがどのように接続し得るかを見るための重要なCaseになる。

    ⸻

    Product化しても伴走は消えない

    しかしProductができれば、受託や伴走が不要になるとは限らない。

    特に製薬やEnergyのような高度なDomainでは、

    Customer Data。

    Existing System。

    Security Policy。

    Workflow。

    Regulationへの対応。

    が企業ごとに異なる。

    したがって実際には、

    Product + Integration + Domain Support

    という形になる可能性が高い。

    完全なStandardizationでも、完全なCustomizationでもない。

    共通化できる部分と個別化すべき部分を分離すること

    が重要になる。

    ⸻

    Domain Specializationという戦略

    伴走型開発をあらゆるIndustryへ無制限に広げれば、Knowledgeが分散する。

    一方、特定Domainへ集中すれば、案件を重ねるほど専門Knowledgeが深くなる。

    製薬であれば、

    GMP。

    品質保証。

    専門Document。

    Data Integrity。

    Regulatory Requirement。

    といったKnowledgeが蓄積される。

    すると次のCustomerに対して、単なるAI Engineerではなく、

    AI Technology + Domain Knowledge

    を持つPartnerとして入れる。

    Domain Specializationは、Knowledge Compoundingを強化する戦略になる。

    ⸻

    高信頼産業という共通軸

    製薬とEnergyは、一見すると異なるIndustryである。

    しかし共通する条件もある。

    Failure Costが高い。

    Safetyが重要である。

    DocumentやEvidenceが重要になる。

    Human Expertiseが必要である。

    Auditabilityが求められる。

    長期運用が前提になる。

    この共通性から見ると、EQUESの事業領域は単なるIndustry Diversificationではなく、

    High-Reliability AI

    というCapabilityで接続できる可能性がある。

    もしこのCapabilityを共通Architectureとして蓄積できれば、製薬で得たKnowledgeの一部をEnergyやInfrastructureへ移せる。

    ⸻

    Revenueだけでは測れない初期企業

    2022年設立のEQUESのような若いStartupを分析するとき、現在の売上構成だけで企業の将来像を決めることはできない。

    重要なのは、

    どのCustomer Problemへ接触しているか。

    どのDomain Knowledgeを蓄積しているか。

    どのTechnologyを再利用可能にしているか。

    どの部分がProductへ移行しているか。

    どのResearch Questionが生まれているか。

    である。

    Startup初期には、現在のRevenueと同時に、

    Future Capability Formation

    を見る必要がある。

    ⸻

    BusinessからResearchへ戻る

    伴走型開発のもう一つの特徴は、現場のProblemがResearchへ戻ることである。

    既存Modelでは精度が足りない。

    専門Knowledgeを扱えない。

    説明可能性が不足している。

    少量Dataでは学習できない。

    Robotが未知環境へ対応できない。

    こうしたProblemは、単なるCustomer Requestを超えてResearch Questionになり得る。

    したがって、

    Research → Project → Production → New Problem → Research

    というLoopが形成される。

    大学発AI Startupにとって、この循環は特に重要である。

    ResearchとBusinessが一方向ではなくなるからである。

    ⸻

    人材育成も循環に入る

    ProjectはEngineer自身を育てる。

    研究だけでは得られないProduction Knowledge。

    Customer Communication。

    Domain Understanding。

    Security。

    Operation。

    Failure Handling。

    これらを経験する。

    すると、

    Project → Engineer Learning → Organizational Capability

    という循環も生まれる。

    さらに後に見るAI×DX寺子屋のような教育活動まで含めれば、Knowledgeは社内だけでなくCustomerや社会へも移転する。

    伴走型開発は、Technology TransferだけでなくHuman Capability Developmentとも接続していく。

    ⸻

    EQUESの事業モデルを最小化する

    ここまでを一つの構造へ圧縮すると、EQUESの伴走型技術開発は次のように整理できる。

    Customer Problem

    ↓

    Requirement Definition

    ↓

    Research / Technology Selection

    ↓

    PoC

    ↓

    Production Development

    ↓

    Operation

    ↓

    Feedback

    ↓

    Reusable Knowledge

    ↓

    Product / Next Project / Next Research

    これは単純な受託開発の直線ではない。

    最後のKnowledgeが次のProjectへ戻ることで循環する。

    ⸻

    伴走型開発の競争力

    このBusiness Modelの競争力を決めるのは、単純なEngineer数ではない。

    Problem Definitionの精度。

    Research Capability。

    PoCの速度。

    Production Engineering。

    Domain Knowledge。

    SecurityとReliability。

    Customerとの共同設計能力。

    そして何より、

    一つのProjectから得たKnowledgeを、次のProjectへどれだけ再利用できるか

    である。

    もし毎回ゼロから始めるなら、伴走型開発は労働集約的な受託Businessに留まる。

    しかしExperienceがArchitecture、Dataset、Benchmark、Productへ変換されるなら、案件を重ねるほど企業能力が高まる。

    ここが大きな分岐点になる。

    ⸻

    研究と企業課題を接続する

    第Ⅱ部で見てきたのは、一つのTechnologyではなかった。

    課題設定。

    要件定義。

    PoC。

    Production。

    Optimization。

    Deep Learning。

    Cloud。

    RAG。

    AI Agent。

    それらを貫いていたのは、

    研究能力を企業の具体的なProblemへ接続するProcess

    である。

    研究だけなら、新しいMethodを作ることができる。

    企業だけなら、解決すべきProblemを持っている。

    しかし両者は自然には接続しない。

    その間には、

    Translation。

    Experiment。

    Engineering。

    Operation。

    が必要になる。

    EQUESの伴走型開発は、この中間領域をBusinessにしていると捉えることができる。

    ⸻

    第Ⅱ部から第Ⅲ部へ

    そして、このBusiness Modelが最も具体的な形を取り始めている領域の一つが製薬である。

    伴走型Projectで企業課題へ入り込む。

    品質保証という専門Domainを理解する。

    生成AIを試す。

    評価方法を作る。

    Systemへ実装する。

    共通Problemを抽出する。

    QAI GeneratorやQAI CheckerのようなProductへ接続する。

    さらにDomain-specific LLMやBenchmarkへ進む。

    ここでは、

    Service → Knowledge → Model → Evaluation → Product

    という、より深い垂直構造が見えてくる。

    つまり製薬AIは、EQUESにとって単なる一事業領域ではない。

    伴走型開発によって得た研究能力と産業Knowledgeを、再利用可能なAI Productへ変換できるかを検証する場所でもある。

    第Ⅱ部で、

    Research → Customer Problem → Implementation

    まで進んだ。

    次の第Ⅲ部では、その接続が一つのIndustryの内部でどこまで深くなるのかを見る。

    舞台は、AIに高い性能だけでなく、品質、記録、確認、信頼性を要求する産業――製薬へ移る。

    愛と敬意を込めてmandala

    この記事はnoteマネーにピックアップされました

    noteマネー 今週の特集「新体制のエヌビディア決算、AI株は持ち直す?」
     
     
    宇宙・地球・生命・知性をつなぎ、哲学・宗教・芸術から政治・法・外交、経済・金融・経営、AI・医療・暮らしまでを統合。独自の数理理論と工学体系を、証明・検証・コード・社会実装へ展開し、人と生態系が共に未来を生み、更新し続ける文明を構想する。

    あなたへのおすすめ