AI技術×シミュレーションで圧倒的に速い解析時間を実現します。シミュレーションを行うには、知識や膨大な試行回数が必要になり、結果が出るまで数ヶ月を要することがあります。 私たちの流体予測AIシステムでは、これら課題を解決し、活用場面を広げていきます。 バイオAI Bio AI 熟練技術者の技術の継承や 後継者の育成をロボットで再現 新薬開発の現場は、熟練者への依存度が高く、技術の継承や後継者の育成などに課題を抱えています。高度数学技術をロボット技術に掛け合わせることで、職人技の動作を再現します。また、この技術を農業や水産業にも展開しています。 お問い合わせはこちら こんなお悩みありませんか？ 複雑で不定形な作業工程を 自動化することができないか 新薬開発における技術継承、 後継者育成が進まない 高齢化が進み、野菜の収穫作業の 省力化や軽労化が急務 バイオAIはそんなあなたの課題を解決します バイオAIの特長 人が行うしかなかった作業を 自動化することで業務負荷を軽減 これまで困難とされていた不定形で軟体物なものに対しても、コンパクトな多関節ロボットを用いることで正確な繰り返し作業を行えます。 ”神の手”の動きをロボットで再現 これまでロボットでは再現が不可能とされていた熟練技術者の動きを、動作解析技術と3Dデータ処理技術で再現ができるようになりました。 AI画像解析や3D点群処理技術を 活用した自動収穫ロボを研究 さまざまなサイズの農作物を自動で収穫するため、収穫対象物の画像解析や3D点群処理技術を活用して、繊細な作業をロボットに代替します。 ※画像はイメージです 3Dピッキングロボットの活用で人とロボットの協働が可能に さまざまな器具を取り扱う研究現場において、複数作業を実施可能なハンドを装着した3Dピッキングロボットを使用。画像認識技術を活用して対象物の位置情報を認識することで正確な作業を繰り返し行うことが可能となります。 INPUT 対象物の画像 デプス画像 AIシステム AI画像解析 3Dデータ処理 OUTPUT アームによる吸着・把持 ティーチングでは難しい職人技を高度数学技術で実装 他の誰にも再現できない技を持つ方、いわゆる「神の手」の技術をArithmer Roboの再現力で実装できることが実証されています。 INPUT 人の動作をモーションセンサーで取得 AIシステム 動作解析 3Dデータ処理 OUTPUT 動作をロボットで再現 ※画像はイメージです 導入事例 ※画像はイメージです 株式会社デンソーウェーブ様 人が行っていた細かな繰り返し作業をロボットで自動化し、人の負荷を軽減 より詳しく Arithmerではさまざまな業種の課題を解決できるソリューションがあります。 紹介事例以外でも、お気軽にお問い合わせください。 お問い合わせはこちら

Arithmerでは7領域においてAIシステムを導入しています。一気通貫の対応力でお客様の課題解決に貢献いたします。 Contact お問い合わせ 送信完了しました お問い合わせいただきありがとうございます。 確認の上、担当者よりご連絡いたします。 トップへ

Arithmerは東京大学数理初となる企業として設立されました。様々な専門分野をバックグラウンドに持つスタッフが活躍しています。 Our Team スタッフ紹介 Arithmerは東京大学数理科学研究科初となる企業として設立されました。 様々な専門分野をバックグラウンドに持つスタッフが活躍しています。 フェロー 兼 CTO C.A. 東京大学理学系研究科物理学専攻修了(理学博士)。フランス・サクレー研究所、ドイツ・ザールラント大学にて研究と教育に従事。日本物理学会若手奨励賞受賞。 ボタン エンジニア M.T. 東京工業大学 大学院情報理工学研究科 数理・計算科学専攻 博士後期課程修了（博士（理学））。同専攻助教としてトポロジーの研究と教育に従事。 ボタン エンジニア Y.N. 2010年 東京大学大学院数理科学研究科数理科学専攻博士課程修了（博士/数理科学）。流体予測AIなど、数理モデルを取り込んだAIソリューションの開発に従事。 ボタン エンジニア R.B. Johns Hopkins大学環境工学修士課程修了。2018年来日。金融予測やモデリングに幅広く携わる。企業が直面する業務上の課題解決のため、機械学習と深層学習を学ぶ。 ボタン エンジニア M.H. 九州大学大学院 数理学研究科にて修士号を取得。24年間ソフトウェア開発会社にてプログラマーやプロジェクトリーダーとして開発に携わる。 ボタン 営業 S.H. 大学卒業後、金融機関・Sler企業等に営業として勤務。名古屋にて画像・動画AIシステムやビッグデータ解析案件を中心に、商社・製造業等のプロジェクトを推進。 ボタン デザイナー Y.K. 広告会社などでAD・デザイナーとして勤務。飲料から家電まで多くの業界でセールスプロモーションに携わってきた。2024年8月 Arithmer に入社。セールスに関わるデザイン業務、グラフィックから動画編集、画像・動画生成などを担当。 ボタン コーポレート N.M. 前職でユーザーサポート・ヘルプデスクを経験したのち、2020年9月Arithmerに入社。情報システム分野はもとより、システム関連コストの削減検討などでも活躍中。 ボタン ENTRY Mathematics is the key and door to the sciences. Why don't you challenge social issues with mathematics and AI/IT 数学をベースにした高い技術力で 人間の直感を超えたソリューションをともに創造し 今までにないアプローチで社会課題に挑戦しませんか。 エントリー

製造や加工の工程で発生する部品のばらつき判定や、自動運転のサポートなど、現場の暗黙知を組織知に変えるAIを開発・提供します。 製造AI Manufacturing AI 製造や加工の現場で起きるさまざまな困りごとをAIを用いて最適化する 製造や加工の工程で発生する部品の不良品判定や、自動運転のサポートなど、現場の暗黙知を組織知に変えるAIを開発・提供しています。 お問い合わせはこちら こんなお悩みありませんか？ 工場内カートや大型トラックの 巻き込みによる接触事故 機械のトラブルによる 作業の停止時間をを短縮したい 加工後の検査精度を高め不良品出荷リスクを抑制したい 製造AIはそんなあなたの課題を解決します 製造AIの特長 動画解析技術を用いて 危険状態を検知 車体に取り付けたカメラで車両周辺や監視車両側面、後方を監視し、障害物を検知すると注意を喚起します。 画像検査のAIを活用し 機器異常の予兆を検知 機器の動きを動画像データで取得することで、異常（故障に至る前の予兆）を発見します。大きなトラブルを未然に防ぎ、作業ロスを低減します。 画像解析エンジンを活用し不良品の見逃しリスクを改善 既存の検査装置とAI画像解析エンジンを組み合わせることで、不良品の見逃しを削減。不良品出荷リスクと再検査工数の削減に貢献します。 ※画像はイメージです 生産設備の予兆保全 製造装置の通常サイクルを学習し、人の目では気付きにくい「いつもと違う変化」を察知します。これにより設備異常を早期に発見し、結果的に甚大な被害を予防します。 INPUT 通常動作の 動画 AIシステム 生産設備の 異常検知 OUTPUT 異常箇所の通知 自動運転システムにおける 予兆保全・異常検知 AGVやフォークリフトなどのシステムと実装することで、危険エリアを自動的に調整・監視。接触事故を未然に防ぎます。 エッジコンピュータを活用し、移動に合わせて監視エリアを自動的に調整することができ、リアルタイム検知が可能となります。 INPUT 動画像 OUTPUT 異常箇所の通知 AIシステム 自動運転システムとの組み合わせ ※画像はイメージです 導入事例 トヨタ自動車株式会社様 工場内運搬カートの後方安全に関する特許を共同で出願 より詳しく Arithmerではさまざまな業種の課題を解決できるソリューションがあります。 紹介事例以外でも、お気軽にお問い合わせください。 お問い合わせはこちら

数学、科学をいかに応用して、社会課題を解決するのか、そしてHope（希望）へとつなげるのか、それを考えるのが私たちの仕事です。 Message 代表挨拶 現代数学を応用し まだない新しい技術を創造してゆきます 代表取締役社長 兼 CEO 大田佳宏 Arithmer株式会社 代表取締役社長兼CEO 総務省 AIネットワーク社会推進会議 構成員 東京大学大学院数理科学研究科 客員教授 東京大学アイソトープ総合センター 客員教授 一般社団法人日本応用数理学会 代表会員 博士（数理科学）（東京大学） Arithmetic × AI Arithmerは、数学で社会課題を解決する会社です。 算術、数学という意味の“Arithmetic”から名付けました。 数学は簡潔にして美しく、世界を変える力を持っています。 これまでの数学者、科学者、技術者達も、それを証明してきました。 そして現在、私達は現代数学を応用して、さまざまな社会課題を解決するため、新しい高度AIシステムを導入しています。 私達は業界を代表する多くの企業様にArithmerのAIソリューションをお使いいただいている事に感謝をするとともに、その大きな社会的責任もしっかり認識して、よりよい未来のための新しい技術を創造していきたいと思います。 代表取締役社長 兼 CEO 大田佳宏 メディア掲載 ARIQ（AIヒューマノイド）の阿波踊りがテレビで放送されました ARIQ（AIヒューマノイド）の阿波踊りについて新聞に掲載されました 画像検知AIについて新聞に記事が掲載されました メディア掲載一覧へ

Arithmer株式会社はプライバシーマークを取得しております。　　　　　　　　　　　　　　　　　　　 Privacy プライバシーマーク Arithmer株式会社はプライバシーマークを取得しております。 証明書はこちら 事務所 Arithmer 株式会社 事業所 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 認証機関名 一般財団法人日本データ通信協会 認証登録番号 第21004668(03)号 有効期限日 2024年8月17日～2026年8月16日

本人確認書類OCRシステムは様々なプラットフォーム対応はもちろん、高速かつ確実な「本人確認」の実現をサポートします。Arithmer OCR手書き読み取り技術により、免許証裏面や在留許可証の住所変更にも対応しています。 日本電気株式会社様 × Arithmer NECとArithmerの協業で マイナンバー認証サービスの推進とeKYC課題の解決へ × マイナンバー認証の重要性がますます高まる中、NECとArithmerは協力して、マイナンバー認証サービスの推進とeKYCにおける課題解決に向けて取り組んでいます。 従来の課題 従来の本人確認書類OCRは、撮影条件による制約や文字認識精度の低さから、導入後、期待していたほど人による確認作業の手間が減らないという不満がありました。 また、最近では個人情報の流出を防止する仕組みも求められています。 NECの顔照合技術とArithmerのOCR技術により、 窓口の煩雑な業務を大幅に軽減 利便性の向上が期待されるマイナンバーカードの使用に対し、行政機関におけるマイナンバーの制度活用と企業の制度対応に高い専門性を発揮するNECと協業し、AI・ICTなどの技術応用に力を注ぐ取り組みを進めました。 【ArithmerOCRの特長】 DeepLearningを活用した画像認識技術 ArithmerOCRは、DeepLearningを活用した高精度な画像認識技術を用いて照合番号B（14桁：券面に記載された生年月日6桁＋有効期限西暦部分4桁＋セキュリティコード4桁）を読み取り、入力ミスによるICカードロックを防止、窓口混雑の軽減に貢献します。 安全性の向上 一般的なOCRは、外部サーバーへ券面画像を送信して処理を行います。 ArithmerOCRでは、スマートフォン内で処理を完結するため、券面画像を外部へ送信することなく（※）個人情報を保護します。 【顔照合技術とDigital KYCの連携】 NECの顔照合技術とDigital KYCとの連携により、スマートフォン内で顔写真の対比を行い、前述同様に本人確認書類画像の外部送信を不要（※）とすることでセキュリティリスクを低減します。 ※認証後は確証としてサーバーに送る必要があります。 ArithmerOCR 技術紹介 【さまざまなプラットフォームに対応】 ArithmerOCRは、さまざまなプラットフォームで利用可能であり、高速かつ確実な「本人確認」をサポートします。 スマホライブラリーの例 撮影 Input 本人確認書類 運転免許証/マイナンバーカード 在留カード/パスポート 独自のモデル量子化技術により スマホ内で処理を完結 Output テキストデータ 名前：XXX 住所：YYY 番号：ZZZ データ 本人情報データ ベースクラウドor オンプレサーバ WebAPIの例 Input 画像入力 画像アップロード Output 結果表示 名前：XXX 住所：YYY 番号：ZZZ 結果出力 サービス提供会社 前処理 ArithmerOCR リクエスト 後処理 画像のOCR リクエスト OCR結果返却 大規模ネットワークによる推論 API ArithmerのAI OCRは特許を取得しています 特許6590355 手書きOCRの学習モデル生成装置 特許6804074 顧客先内部学習プログラム 特許6820578 活字文字列認識装置 特許6896260 レイアウト解析装置 特許7086361 帳票情報生成装置 以下は特許出願中です 特願2020-551133 帳票レイアウト解析装置 特願2021-575740 活字文字認識装置 特願2020-119790 文字列認識装置 特願2020-146682 全般技術 特願2020-181945 初期データ登録 プロジェクト一覧へ ソリューションのお問合せはこちら

AI Agent Column 9 2025.11.10 AI Agent導入step3 “設計” AI Agent導入の4ステップ「理解」「選定」「設計」「計画」。前回（第8回）はステップ2「選定」について、3つの評価軸に基づき、的確に適用業務を見極めることの重要性をお話ししました。 さて、今回はステップ3「（3）設計 (Design)」です。選定した業務に対し、AI Agentをどのように業務プロセスに組み込みむのかの to-be を描きます。 ―――― AI Agentの業務への組み込みにおける3つの課題 第6回のコラムでも触れましたが、AI Agentの実業務への組み込みには、特有の課題が伴います。それは、AI Agentが持つ本質的な特性に起因します。実業務にAI Agentを組み込む際には、特に以下の3つの課題に正面から向き合い、対処していく必要があります。 1. 不確実な挙動 AI Agentの中核となるLLMは、その仕組み上、確率的(stochastic)に動作します。これは多様な応答を生む源泉ですが、常に予測通りの結果が得られるとは限らない、ということを意味します。従来のAI活用では最終判断を人が担うことが多かったですが、AI Agentには自律的な「判断」まで期待される場面が増えます。そのため、どこまでAIの柔軟性（確率性）を活かし、どこで確実性（決定論）を担保し、どのタイミングで人間が介入するのか、そのバランスを慎重に設計する必要が出てきます。 2. 知識の不足 LLMは膨大な公開情報を学習しており、一見すると非常に博識に見えます。しかし、特定の業務を適切に遂行するために真に必要な、現場固有の専門知識や、経験に裏打ちされた「暗黙知」（例えば、顧客対応の細かなニュアンスや、特定の状況下での最適な判断など）は、学習データに含まれていないことがほとんどです。AI Agentが人間の「判断」や「調整」といった領域に踏み込む際、この知識不足がしばしばボトルネックとなります。これは単純なデータ追加で短期的に解決できるものではなく、運用を通じて知識を獲得し続ける「長期的な仕組み」の設計が求められます。 3. 要件・環境の変化 ビジネスを取り巻く環境や、業務の要件、利用するデータ、連携する外部システムの仕様などは、常に変化し続けます。導入時に完璧と思える設計をしたとしても、時間経過と共にそのパフォーマンスが劣化したり、現状の業務との間にズレが生じたりするのは避けられません。そのため、AI Agentを業務で継続的に利用するには、これらの変化を検知し、迅速に適応・改善していくための仕組み（例えば、継続的な評価プロセスやフィードバックループなど）を、あらかじめ設計に組み込んでおく必要があります。 課題に対処する設計アプローチ AI Agentの核心的課題（不確実性、知識不足、変化）に立ち向かう設計アプローチとして、「フィードバック」に着目することが鍵となると考えています。つまり、AI Agentを運用する中で得られる様々な情報（フィードバック）を、いかに効果的に「取得」し、そして「活用」してシステムを進化させていくか、という観点です。 1. フィードバックの「取得」 まず重要なのは、どのようなフィードバックを、どうやって取得するかです。これには、タスクの「クリティカルさ」に応じた設計が有効です。 ● クリティカルなタスク (更新系の処理や外部とのインタラクションなど） 人間による確認・修正をプロセスに組み込みます。ここで人間が行った判断や修正そのものが、AIに不足している知識を示す質の高いフィードバック（Human Feedback: HF）となります。 ● ノンクリティカルなタスク（間違いの影響が小さい処理） AIに自律的な実行とエラー対処を試みさせます。この過程でシステムが検知・記録したエラー情報や、その対処結果が、改善のためのフィードバックとなります。 2. フィードバックの「活用」 次に、取得したフィードバック（人間の修正やエラー情報）を、AI Agentの改善にどう繋げるかです。一回のフィードバックから以下の二通りの活用するのが効果的です。 ● Deterministic 機構による同一事象への「確実な対応」 一度フィードバックが得られた事象（特定の指示や状況）に対しては、同じ失敗を繰り返さないことが重要です。得られた知見をシステムに登録・蓄積し、次回以降、同一事象が発生した際には、決定論的(Deterministic)機構がその知見に基づいて対応します。これにより、システムの信頼性・再現性が向上します 。 ● tochastic 機構による類似事象への「柔軟な対応力向上」 過去のフィードバックが得られた事象とは完全には一致しない場合でも、類似の事象から学ぶことが期待されます。フィードバックから得られた知見を登録・蓄積し、LLMなどの確率的(Stochastic)機構に学習させることで、より適切な判断や応答ができるように進化させることができます。これによりAIの汎化能力が高まり、対応範囲が広がります 。 このように運用の中で自然にHumanフィードバックや Systemフィードバックを取得し、 Deterministic機構とStochastic機構に知見を取り込めるようなサイクルを設計することで、AI Agentは運用を通じて知識を蓄積し、不確実性を低減させ、変化にも適応していくことができると考えています。 ―――― 今回は、AI Agent導入のステップ3「設計」について、その核心的課題（不確実性、知識不足、変化）に対処するための重要な考え方として、「フィードバック」の取得と活用を中心とした設計アプローチをご紹介しました。 さて、次回（第10回）は、いよいよ最終ステップ「計画」です。これまで設計してきたAI Agentのto-beを実現するために、具体的な導入計画をどのように立てていくべきか、そのポイントを解説します。ぜひご期待ください。 前の記事へ AIエージェントページへ 次の記事へ

AI Agent Column 10 2025.12.10 AI Agentコラム (10): AI Agent導入 step4 ”計画“ AI Agent導入の4ステップ「理解」「選定」「設計」「計画」。前回（第9回）はステップ3「設計」として、AI Agentを業務に組み込む「to-be」の描き方についてお話しました。 さて、いよいよ最終ステップとなる今回は「(4) 計画 (Plan)」です。設計で描いたto-beの実現に向けた具体的なステップを計画する際に、どのようなことに留意するべきかお話したいと思います。 ―――― AI Agent ならではの注意点 第一に、中核となるLLM（大規模言語モデル）そのものが持つ「御しにくさ」 です。 LLMは確率的に動作するため、同じ指示でも応答が揺らぐことがあり、その思考プロセスは完全には透明ではありません。また、膨大な知識を持つ一方で、特定の業務に必要な専門知識や暗黙知は不足していたり、時には事実に基づかない情報（ハルシネーション）を生成したりすることもあります。さらに、その能力を最大限に引き出すための最適な指示（プロンプト）を見つけること自体が、試行錯誤を要する複雑な作業です。この「御しにくさ」があるため、AI Agentの挙動を完全に予測し、制御することは本質的に困難なのです。 第二に、AI Agentには、単に応答を生成するだけでなく、自律的に「実行を任せる」ことによる特有のリスク が伴う点です。AI Agent が外部ツールと連携したり、システムを操作したり、あるいは顧客と直接やり取りしたりする場合、その「御しにくい」挙動が、ビジネス上あるいは社会的に無視できない影響を直接的に及ぼす可能性があります。従来のAI以上に、そのアクションの結果に対する責任と、安全性をどう担保するかが問われます。 この「LLMの御しにくさ 」と「実行を任せるリスク 」という 2つの大きな特性があるからこそ、事前に全てを完璧に計画することが難しく、次のセクションで述べるような、不確実性を前提とし、リスクを管理しながら、実践を通じて学習・適応していくための特別な計画上の配慮が不可欠となります。 1. 不完全であることを前提に計画する まず大前提として、AI Agentは導入初期において「不完全」であることを受け入れなければなりません。LLM の確率的な性質や学習データの限界、そして私たちがまだ知らない未知の挙動などにより、事前にすべてのケースを想定し、完璧な準備を整えることは不可能です。 したがって、計画においては「完璧な状態でのリリース」をゴールとするのではなく、「不完全な状態から安全に学び、成長させていくプロセス」そのものをデザインする必要があります。 そのための具体的なアプローチが「スモールスタート」です。これは、リスクを最小限に抑えつつ、早期に現実世界でのフィードバックを得て学習するための極めて有効な戦略です。計画段階で、「どこまで小さく始めるか」を具体的に定義します。 意図的にリスクを限定した「練習環境」を計画的に用意し、その中で AI Agentを動かし、挙動を観察し、改善していく。そして、スモールスタートから得られる様々なフィードバック（AIの挙動、ユーザーの声、業務影響など）を意図的に収集し、分析し、それを次のイテレーション（反復）の計画に迅速に反映させるループを計画に組み込むことが重要です。 従来のウォーターフォール型計画のように、一度立てた計画に固執するのではなく、実践からの学びに基づいて計画自体を柔軟に見直し、適応させていく。このアジャイル的な進め方こそが、不完全で予測不能な AI Agentと共に歩むための現実的なアプローチです。 2. リスクの取り方を計画する AI Agentの自律性を本当に活用するには、ある程度の「リスク」を取って実行を任せる場面も出てきます。しかし、最初からすべてを委ねるのは危険です。そこで重要になるのが、リスクをコントロールしながら段階的に適用範囲や権限を広げていく計画です。 計画段階で、AI Agentに任せる機能、アクセスできるデータ、実行可能なアクションなどを、どのようにステップを踏んで拡大していくかのロードマップを具体的に描きましょう。そして最も重要なのは、各ステップにおいて「許容できるリスクはどこまでか」「何を達成できれば次のステップに進めるのか」という客観的な基準（例えば、特定のタスクにおける成功率、エラー発生頻度、人間の修正頻度など）を事前に明確に定義し、関係者間で合意しておくことです。 特に、導入初期に安全策として設けることが多い「人間による判断・介入」プロセスは、あくまで AI Agentを育成するための「補助輪」と捉える視点が大切です。その補助輪をいつ、どのような状態になったら取り外すのか、その移行プロセスと判断基準を計画に明記しておかないと、人間によるチェックが恒久化し、結果的に AI Agentの自律性を十分に引き出せないままになってしまう可能性があります。必要なリスクは取り、不要なリスクは取らない、長期視点での合理的な判断が求められます。 3. 問題発生時の対応を計画する AI Agent の導入計画においては、残念ながら問題が起こることを避けられない前提として捉える必要があります。その確率的で複合的な性質上、予期せぬ挙動やエラー、あるいは期待通りの結果が出ないといった事態は必ず発生し得ます。重要なのは、発生をゼロにすることではなく、発生した場合にいかに迅速かつ柔軟に対応し、さらにそれを次に活かすかを計画しておくことです。 計画には、まず問題を早期に検知するためのモニタリング体制（ログ収集・分析、異常検知アラートなど）の整備を含めるべきです。AI Agent は原因特定が難しい場合も多いため、迅速な状況把握と影響範囲の特定、そして必要に応じた暫定的な対処（関連機能の一時停止、人間による代替処理など）と、その後の恒久的な対策に繋げるプロセスを定めておくことが有効です。 さらに強調したいのは、発生した問題を単なる「障害」として処理するのではなく、AI Agentと組織全体の「学習機会」と捉える視点です。問題発生時の状況、原因（推定でも構いません）、対処内容とその結果といった情報を構造化されたデータとして記録・蓄積する仕組みを作りましょう。この「失敗からの学び」を分析し、AI Agent 自体の改善や、運用プロセスの見直しに繋げていくフィードバックループを回すこと。これこそが、AI Agentを継続的に進化させるエンジンになります。 ―――― 今回は、導入の最後のステップ「計画」についてお話ししました。 そして本コラム『AI Agentコラム』は、この第10回をもちまして最終回となります。 長きにわたりご愛読いただき、誠にありがとうございました。 この連載では、まず AI Agentとは何かという基本的な概念から始め、その適用範囲、課題、実際のユースケースをご紹介しました。第 6回からは導入プロセスを「理解」「選定」「設計」「計画」という4つのステップに分けて、それぞれの実践面での注意点を掘り下げてまいりました。 私たちが一貫してお伝えしたかったのは、AI Agentが秘める大きな可能性と、それに伴う固有の難しさ、特にその「不確実性」とどう向き合うか、という点です。 本コラムでご紹介した考え方やアプローチが、皆様それぞれの挑戦におけるヒントとなれば大変嬉しく思います。AI Agentを取り巻く世界は、これからも急速に変化していくでしょう。私たち Arithmerが、その道のりを共に考え、歩むパートナーとして、少しでもお役に立てることがあれば幸いです。 改めまして、全10回の連載にお付き合いいただきましたこと、心より感謝申し上げます。 前の記事へ AIエージェントページへ

AI Agent Column 8 2025.8.21 AI Agent導入step2 “選定” 前回（第7回）は、AI Agent導入の最初のステップとして「理解」についてご紹介しました。 今回は AI Agent の適用する業務の選び方についてお話します。 ―――― 業務選定の3つの軸 AI Agentは急速に進歩してはいますが、まだ万能なわけではありません。その得意不得意を理解し、得意な領域の範囲で適用することが極めて重要になります。 前回の「（1）理解」でお伝えした通り、「AI Agent」は「従来のAI」以上の難しさがあります。従来のAIなら、「十分なデータがあり、判断基準が明確な業務」であれば、比較的適用の見通しが立てやすい側面がありました。しかし、AI Agentは、LLMを中核とし、タスクの分解や自律的な実行、ツール連携といった複数の技術が組み合わさった複合的なシステムです。そのため、ある業務に適用した場合に期待通りの成果が得られるかどうかの見極めは、従来よりも格段に難しくなっていると言えるでしょう。 たとえ AI Agentの適用が技術的に可能であったとしても、その労力に見合う成果が得られなければ、意味がありません。AI Agentの適用の労力は比較的大きいため、メリットの明確化が今まで以上に重要になってきます。 また、技術的な実現可能性もあり、ビジネスインパクトも十分大きい場合でも、実現できないことがあります。特に AI Agentはタスクの実行をAI に委ねる部分があるため、それが許容されるか、注意が必要なのです。 従って、次の3つの軸で評価するのが有効です。 1. ビジネスインパクト: 導入による業務改善の効果が大きく、企業戦略とも合致するか 2. 技術的な実現可能性: 必要なデータやシステム環境が整い、実装が可能か 3. 業務適用の実現可能性: 法的・倫理的な問題なく、利用者・関係者にも受容されるか 1. ビジネスインパクト (Business Impact) AI Agentを導入することで、どれだけのビジネス価値が見込めるか、という観点です。 1-1 明確なニーズ (Clear Demand): 解決すべき具体的な業務課題が存在し、当事者がその解決を切実に求めているか？ 1-2 定量的な価値 (Quantifiable Value): 課題解決の効果を、売上増やコスト削減といった金額で示すことができるか？（※ AI Agentの効果には、創造性支援など定量化しにくい価値もありますが、敢えて定量的に示すことが重要です。価値を定量的に示せない取り組みは組織から長期間継続的にサポートを得るのが難しいからです。） 1-3 ビジネススケーラビリティ (Business Scalability): その取り組みが特定の部門だけでなく、広く応用可能で、投資に見合うだけの効果拡大が期待できるか？ 1-4 戦略との整合 (Strategic Alignment): 取り組みが、自社の中長期的なビジネス戦略やDX戦略と方向性が合っているか？ 2. 技術的な実現可能性 (Technical Feasibility) 次に、AI Agentを実際に構築・実装できるか、という技術的な観点から評価します。 2-1 適度な難易度 (Appropriate Difficulty): 難しすぎず、現実的な期間・コストで実現が見込めるか？（※AI Agentの適用について事前に期間・コストを見積もることは非常に難しいですが、技術動向や事例を基にあたりを付けることが重要です。） 2-2 ドメイン知識に非依存 (Domain Knowledge Independent): AI Agent技術者主体で検討を進められるか？（※ もちろんドメイン知識を扱うことは避けては通れませんが、下記の2点のようにドメイン知識をデータ化・形式知化によって、モジュラー化できることが重要です。それができない場合、AI Agent技術者自身がドメイン知識を習得するまで、プロジェクトが進まなくなってしまいます。） 2-3 入出力のデータ化 (Data Availability): 判断や評価に必要なインプット・アウトプットデータが、利用可能な形で記録されているか？ あるいはすぐ記録して蓄積できるか？ 2-4 手順の形式知化 (Documented Procedures): 従来の人の業務プロセスが文書化されていたり、ログに記録されていたり、または、ヒアリング等で明確化できるか？ 3. 業務適用の実現可能性 (Operational Feasibility) インパクトがあり技術的に作れても、実際の業務で利用され、定着しなければ意味がありません。最後に、現場での運用面から実現可能性を評価します。 3-1 コンプライアンス (Compliance): 法規制、社会倫理、業界ルール、自社のポリシー等に適合しているか？ 3-2 非クリティカル (Non-critical): AI Agentの誤動作リスクを考慮し、致命的な問題に繋がらない業務か？ あるいは、クリティカルな判断については人間が介入するような運用設計が可能か？ 3-3 関係者の受容 (Stakeholder Acceptance): 現場担当者をはじめ、関係者の協力が得られ、業務プロセスの変更も受け入れられるか？ 3-4 システム連携可 (System Integration Ready): 当該業務の前後の業務が既にシステム化済みで、かつ、API等で容易に連携できるか？ 選定を進める際の注意点 最後に、選定を進める上で特に心に留めておきたい点を3つ補足します。 第一に、これら3つの評価軸は、単に平均点が高ければ良いというものではなく、どれか一つでも致命的な問題があれば、その業務への適用は現実的ではありません。インパクト・技術・業務適用の全ての軸で、最低限の基準を満たしているか、という視点を持つことが重要です。いわば、掛け算のように、一つでもゼロに近い要素があれば、全体としての価値は生まれないのです。 第二に、「技術的な実現可能性」は時間と共に変化しうる、という点です。AI技術の進歩は非常に速いため、現時点では難しいと判断された課題が、近い将来には解決されている可能性も十分にあります。常に最新の技術動向にアンテナを張り、時間軸も考慮に入れて判断していく必要があります。 第三に、「業務適用の実現可能性」は見落とされがちだが、極めて重要である、という点です。特に、企画担当者とAI技術者だけで検討を進めていると、現場の運用実態、関係者の協力や受容度、コンプライアンス上の課題などを見過ごしてしまうことがあります。検討の初期段階から、現場や関連部署を巻き込み、多角的な視点を取り入れることが鍵となります。 これらの点を踏まえ、多角的かつ現実的な視点で業務を選定すること。それが、AI Agent導入プロジェクトを成功に導くための、最初の、そして極めて重要な関門と言えるでしょう。 ―――― さて、次回（第9回）は、ステップ3「設計」です。選定した業務に対して、AI Agentをどのように業務プロセスに組み込み、システムとして、また運用としてどのようにデザインしていくべきか、その具体的な考え方について解説します。ぜひご期待ください。 前の記事へ AIエージェントページへ 次の記事へ

Arithmerは、数学で社会課題を解決する会社です。Arithmerという社名は、算術、数学という意味の “Arithmetic” から名付けました。 Company 会社概要 Arithmetics focus on Social Challenges 数学で社会課題を解決する Arithmerは顧客やパートナーのデジタルトランスフォーメーション（DX）に寄り添うAI開発会社です。数学のコア要素技術をベースに、製造AI、風力AI、インフラAI、物流AI、リテールAI、バイオAIなど、さまざまな最先端のAIエンジンを駆使したソリューションのほかに、これらに生成AIを組み込んだソリューションなどを開発しています。これらの高度技術を自在に組み合わせることで、顧客の課題解決に貢献してまいります。 会社概要 会社名 Arithmer 株式会社 創業 2016年9月1日 資本金 1億円（2025年3月31日現在） 代表者 大田佳宏　　代表取締役社長 兼 CEO （博士（数理科学）（東京大学））　代表挨拶> 取締役 乾　隆一 取締役 常務執行役員 兼 CFO 経営管理本部長 中村壮秀 取締役（社外）アライドアーキテクツ㈱取締役ファウンダー 岩田彰一郎 取締役（社外）㈱フォース・マーケティングアンドマネージメント 　　　　 代表取締役社長（アスクル㈱創業者） 監査役 星野義雄 常勤監査役 高岡彰治 監査役（社外） 落合孝文 監査役 執行役員 乾　隆一 取締役 常務執行役員 兼 CFO 経営管理本部長 森　雅巳 執行役員 研究開発本部長 アクセス 本社 〒113-0033 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 TEL:03-5579-6683　アクセスマップ> 名古屋オフィス 〒451-0042 愛知県名古屋市西区那古野二丁目14番1号 なごのキャンパス 2-1号室 大阪オフィス 〒542-0081 大阪府大阪市中央区南船場3丁目9-10 徳島ビル11階 徳島オフィス 〒770-0831 徳島県徳島市寺島本町西1-61 徳島駅クレメントプラザ5階 Arithmer本社 〒113-0033 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 名古屋 オフィス 〒451-0042 愛知県名古屋市西区那古野二丁目14番1号 なごのキャンパス2-1号 徳島オフィス 〒770-0831 徳島県徳島市寺島本町西一丁目61 徳島駅クレメントプラザ5階 大阪オフィス 〒542-0081 大阪府大阪市中央区南船場 三丁目9番10号 徳島ビル11階