Share
Embed
20260114_知的生産と事業創造でAIを使いこなす全技法_スライド
2026/01/14 知的生産と事業創造でAIを使いこなす全技法 イベントの登壇資料です。
・イベントの詳細
https://peatix.com/event/4745000
・会社概要
https://deskrex.ai/
・メディア
https://media.deskrex.ai/
Itaru Tomita
January 14, 2026
Transcript
140 slides
-
出版記念イベント×クロストーク×交流会 知的生産と事業創造で AIを使いこなす全技法 @ SAAI Wonder Working Community 株式会社Deskrex 冨田
到 / Itaru Tomita Deskrex.ai 2026年1月14日 @deskrex.ai -
代表者紹介 株式会社Deskrex 代表取締役 CEO 冨田 到 / Itaru Tomita @itarutomy
外資系セールスや大企業の新規事業開発支援、データサイエンス やブロックチェーン系のスタートアップでPOや事業開発を経験。 独立後、CVC支援やイノベーション領域の調査・コンサル、Web3 領域における海外人材採用プロダクトを開発を行う。 リサーチに特化した生成AIエージェントを提供する株式会社 Deskrexを創業。加えて調査代行、研修や受託開発も提供し、AI 活用の実践的支援に注力する。 『知的生産でAIを使いこなす全技法』 (かんき出版)を出版。 @deskrex.ai -
Deskrexの技術と提供サービスのスコープ プロダクト×人の二軸で、一般的〜専門的なAI活用まで一気通貫で支援しています。 システムで 変える s ⼀般的な AI 活⽤ 専⾨的な AI
活⽤ 研修・運⽤伴⾛ 実践的なAI⼈材の育成機会の提供 汎⽤的〜専⾨的な業務まで含めて、業務棚卸し→プロンプト設計 →運⽤定着までハンズオンで⽀援。 Snorbe アプリケーション 製造業の社内外の知識をグラフで統合して、研究開発や新規事業 のための未探索領域のアイデアレコメンドや知識の検索を⾃動化 するエージェンティックAI です。 Deskrex App アプリケーション 『Deskrex App 』は、5 つ以上AI モデルが連携して、最適な計画と ⼿段を24 時間⾃律的に考え、調査・分析を⾏い、リサーチを共 有してくれる市場調査に特化したAI エージェントです。 受託開発 カスタマイズされたAIシステムの提供 業務要件に合わせたAI システム・ワークフローを設計。PoC から 本番導⼊まで伴⾛。 コンサルティング・事業提携 新規事業の⼀体型の⽀援 社内公募型、専任者の企画ブラッシュアップ、プレイヤーとして の参画などの状況に合わせたAI× 新規事業の伴⾛を⾏います。 調査代⾏ 研究や新規事業に繋がる 市場・技術・特許など深いAI 調査を実施。⼀次情報の収集と⽰唆 出しまで⼀気通貫で納品。 ⼈で変わる Deskrex アプリケーションサービス Deskrex プロフェッショナルサービス @deskrex.ai -
AGI(汎用人工知能)の定義 専門家によって定義は様々。共通点もあれば、批判的な見方も Sam Altman 「多くの分野で、人間レベル で、より複雑な問題を扱えるシ ステム」 出典: Sam
Altman Blog Geoffrey Hinton 「人間がやる認知的なことのほ ぼ全てで、人間以上(少なくと も同等) 」 出典: Fast Company Elon Musk 「最も賢い人間より賢いAI」 出典: Reuters Dario Amodei 「AGIはマーケティング用語」 (力やリスクを喚起する言い方 に過ぎない) 出典: Business Insider @deskrex.ai -
OpenAI DevDayでのAGI議論 OpenAI社員が語るAGIの捉え方 「AGIは段階的な変化」 ジョン・キム:「サムも何度も言っています が、AGIは『ある一瞬』で訪れるものではな く、 段階的な変化。 『AGIを達成しました』と発 表されても、有用性をさらに高める余地が
ある」 ボニー:「AGIの 定義そのものが面白い。モデルがユニークな ことをやってのけたとき、鳥肌が立つ瞬間が ある」 @deskrex.ai -
AIの歴史:AlphaGoから10年 AI史は3つの波で語れる ブレークスルーの連鎖 ①ルールで賢くする(記号AI) :人が知識を ルール化 ②データから学ばせる(機械学習) :特徴量 +統計 ③大規模に学ばせる(深層学習→生成AI)
: ニューラルネット+GPU+大量データ 主要ブレークスルー:1956 AI誕生 → 1997 Deep Blue → 2012 AlexNet → 2016 AlphaGo → 2017 Transformers → 2022 ChatGPT → 2025 AGI? @deskrex.ai -
多くの専門家は2025〜2030年を予測 予測にはばらつきがあるが、10年以内という見方が主流 A 2025〜2027年:Sam Altman、孫正義などが予測 B 2028〜2030年:Ray Kurzweil(2029年)などが予測
C 2031〜2040年:Yann LeCun(10年以上)などが予測 D 2041年以降:Geoffrey Hinton(〜2045年)などが予測 解説: 実は全員正解。起業家〜研究者の属性によって予測は異なる傾向にある。もはやAGI占いである。 @deskrex.ai -
2026年が転換点という見方が主流 多くの著名人が「2026年にブレークスルー・大量生産開始」を予測 A 2026年:Elon Musk、Jensen Huangなどが予測 B 2028〜2030年:市場予測で年間数百万〜1000万台出荷
C 2031〜2040年:一部の慎重派が予測 D 2041年以降: 「20〜30年かかる」という声も 解説: これも全員正解。起業家は超楽観(A/B) 、一部研究者は慎重(C/D) 。共通するのは「確実に来る」という点。2050年までに 10億台稼働という市場予測も。 @deskrex.ai -
ヒューマノイドロボットの未来予測 著名な起業家・研究者の多くが「今後数年で実用化爆発」を予想 Elon Musk 2026年に大量生産開始。 Optimusが貧困を終わらせ、 Tesla価値の80%に 出典: X
(@elonmusk) Jensen Huang 次2〜3年で大きなブレークスル ー。ヒューマノイドは次なる多 兆ドル産業 出典: NVIDIA CEO発言 Demis Hassabis 次数年でヒューマノイドに 「wow moment」到来。基礎モ デルが信頼性向上 出典: Google DeepMind CEO発 言 Sam Altman 数億台生産が必要。最初の数百 万台がロボット供給チェーンを 自動化し急拡大 出典: OpenAI CEO発言 @deskrex.ai -
カンフー・格闘を行うロボット 中国のUnitreeは模倣学習を軸に格闘を行うデモを大量に出している。 Unitree H2 vs G1 格闘テスト Unitreeの1.8m H2ヒューマノイドロボットがボク シンググローブを装着し、G1と格闘スパーリン
グ。H2の膝蹴りでG1が宙に浮くレベルの衝撃。 ロボットの信頼性検証が目的だが、格闘ゲームの ような動きが現実に。 @deskrex.ai -
4つの要素で測る「AIとロボットと働く資格」 要素 説明 なぜ重要か 実践例 エッジへの投 資 AIが経験できない先端/極端な体験を 積極的に AIの平均出力に対し、人間独自の
視点を提供 商談の表情変化をメモしAIに共有 コネクション 能力 AIと人間社会を繋ぐコミュニケーショ ンと環境構築 人間の感情/創造性とAIの知性を結 合 AI出力を実務に適応させチームに共 有 データ供給の 習慣化 日々の思考、体験、データをAIに継 続的に共有 AIの出力品質を向上させ、疑似融 合を実現 会議録音を文字起こししてAIにアッ プロード 思考スピード の同期 AIの高速処理に合わせ、並列指示と 即時判断 AIの進化スピードに追いつき、知 的生産を加速 複数のAIを同時稼働させ、3時間で1 週間分の作業 @deskrex.ai -
バイブスでAIと働く新しいスタイル バイブコーディング(アンドレイ・カーパシー氏提唱) :直感やニュアンスだけでコードを生成 直感的な指示 ユーザーがログインしたら ダッシュボードを表示して → 1 瞬時に生成 数百行のコードが自動生成
2 感覚的フィードバック 「もっとカラフルに」 「棒グラフで」 3 結果を承認 プロセスは見ず、成果物を受け取る @deskrex.ai -
AIとの融合が目指すゴール AIとの融合が目指すのは、人間が本来時間を費やすべき活動に集中できる環境 フィジカルな体験 実際に足を運ぶ現場体験 五感で感じる情報収集 対面でのコミュニケーション 創造的な探求 新しいアイデアの発想
既存の枠を超える思考 直感を形にするプロセス 人間同士の深いつなが り 信頼関係の構築 感情を伴う対話 共感と協調の場づくり @deskrex.ai -
AIの理解度のチェック ざっくりでも人に聞かれて説明できるものに手を挙げてください。 1 生成AI(ChatGPT、Midjourney、Sora)は何が新しい? 2 大規模言語モデル/LLM(GPT-4、Claude、Gemini)の仕組みは? 3 AIエージェント(Devin、Claude
Code)の定義と仕組みは? 4 AIエージェントのツール(Function Calling、MCP)を使う方法は? 5 AIモデルのコンテキスト長(128k、200k)に応じたタスクごとの使い分けは? 6 AIエージェントの記憶(メモリ機能、プロジェクト機能)はどう保存されどこまで覚えている? 7 長考モデル(o1、Extended Thinking)はどんなときに使うべき? 8 プロンプトエンジニアリング(CoT、Few-shot)はどんなものがありどんなときに有効? 9 コンテキストエンジニアリング(インストラクション、ナレッジ)とは?どんなときに有効? 6個以上:上級者 / 3〜5個:中級者 / 0〜2個:初心者 @deskrex.ai -
生成AIの特徴と違い 機械学習の分野でよく知られている判別・予測系と生成系を比べることで、その違いをわかりやす く説明できます。 目的とアプローチの違い 判別・予測系AI: 「これは何?」 「次はどう なる?」という問いに答える。与信審査、 需要予測、スパム判定など。 生成AI:
「新しいものを作って」という問い に応える。テキスト、画像、音声、動画、コ ードなど多様な出力を生成。 @deskrex.ai -
大規模言語モデルの仕組み 生成AIの一部である大規模言語モデルは、膨大なデータの学習と確率的な次語予測による文章生成 を行っています。 今⽇の天気は 平均的な答えの傾向 (統計的に平均的な確率分布) 晴れ 曇り ⾬ 40%
30% 30% 今⽇の天気は晴れです。 学習データの全体的傾向から予測 ※ 数値はイメージです。実際の⽣成AI (⼤規模⾔語モデルの確率)とは異なります。 学習と生成の2つのフェーズ 学習(Training) :膨大なテキストデータか ら「次に続く単語の確率」を統計的に学 習。GPT-4で約13兆トークン、Claudeで約 10兆トークンを学習。 生成(Inference) :入力されたプロンプトに 対して、文脈的に最も確からしい「次の単 語」を確率的に予測し続けることで文章を 生成する。 @deskrex.ai -
生成AIとAIエージェントの仕組みの違い AIエージェントはユーザーの入力に対して自律的に判断を行いタスクを遂行する 期待と結果の乖離をなくす AIエージェントの仕組みがわからない と、 「リサーチしてほしいのに独自のア イデアを出してきた」 「分析してほしい のに変な画像を出してきた」といった 乖離が生まれる。
仕組みを理解すれば、この乖離をなく し、さらに優れた結果を出すことが可 能に。 @deskrex.ai -
デモ:Nano Banana Proのツール利用で生成された画像 生成されたストーリーボード案を確認して保存しておく。 出力の確認 ストーリー構成の流れ、画面構成、コ ピーの整合性を確認する。 必要に応じて「強調点」 「尺」 「トーン」
を追加指示してリファインする。 出典: Gemini @deskrex.ai -
2025年のアニメ生成ワークフロー みんなが使えるツールの組み合わせでプロ品質のアニメを制作。アニメの民主化が進む。 npaka氏のアニメ生成技術 (1) シナリオ作成 (ChatGPT) (2) ストーリーボード生成 (Banana) (3)
漫画生成 (Banana) (4) アニメフレーム生成 (Banana) (5) アニメ生成 (Grok + Gemini TTS) 誰でも使えるツールの組み合わせで、プロ品 質のアニメーションを制作できる時代が到 来。 @deskrex.ai -
長考モデルの仕組み 思考を連鎖させてから回答する 代表的な長考モデル • OpenAI GPT-5シリーズ • Google Gemini 3.0シリーズ
• Anthropic Claude 4シリーズ • xAI Grok 4シリーズ 思考してから回答するので、質問をよ く理解した回答を出すことができる。 @deskrex.ai -
コンテキストエンジニアリングの対象と流れ すべてが「コンテキスト」として統合されAIの振る舞いを決定 コンテキストエンジニアリングの本質 「インストラクション」 「ユーザープロンプ ト」 「ナレッジ」 「ツールの指定」 「出力形式 の指定」のすべてがコンテキストとして統合
される。 単なる「質問と回答」ではなく、AIが最適な 判断を下せるようにする。 @deskrex.ai -
デモ:コンテキストエンジニアリングのテンプレート メタプロンプティングで指示構造を固定化 テンプレート化の効用 instruction / knowledge / tool / output_format
/ user_prompt の枠組みで 入力を整理。 再現性の高い出力を作り、チームで共 通運用しやすくする。 出典: ChatGPT @deskrex.ai -
医療データは別格でセンシティブ 医療情報は個人情報よりさらに取り扱いが厳格。クラウド汎用AIでの利用はガイドライン遵守上ほ ぼ困難。 個人情報保護法 ・ 「委託」扱いで整理可能 ・海外事業者も対応可能 整理可能 医療情報ガイドライン
・厳格な契約・セキュリティ要件 ・監査・責任分界点の明確化必須 別格の厳格さ @deskrex.ai -
ローカルLLMという解決策も増えている 製造業・医療などの産業は、実務上ローカルLLMが前提になりやすい パブリッククラウドLLM ローカルLLM Public Cloud LLM Local LLM 知的財産保護
高リスク データが外部で処理される。機密情報の漏洩リスクあり。 最高レベル データは組織内に留まる。法的保護要件を満たしやすい。 EU AI Act準拠 困難 データ主権や監査証跡の証明が難しい。 準拠可能 完全な監査証跡を提供。規制対応の基盤になる。 運用技術のセキュリティ 脆弱 IT/OT境界に攻撃経路を作る。Zero Trust原則(何も信頼せず都度 検証する前提)に反する。 堅牢 ネットワーク分離を強化。物理的な安全設計と整合。 データ主権 プロバイダー依存 データの保存・処理場所を完全に制御できない。 完全な自律性 組織がデータとモデルを100%管理できる。 @deskrex.ai -
技術承継の課題と解決 シニア層の暗黙知を若手やAIに承継していく仕組み シニア層 深い暗黙知・業界勘がある AIに慣れていない 部下を動かす側で手を動かす時間がない 若手 手は動かせる
仮説・視点の引き出しがない 経験値が足りない 解決策:AIへの技術承継 シニアの暗黙知をAIに蓄積・形式知化 中間管理職が橋渡し役として肝 ナレッジを組織資産として継承 @deskrex.ai -
なぜディレクトリ設計が重要なのか コンテキストや成果物の再利用のために ! 無秩序なデータ管理 データ作成やプロンプトの使い捨て コンテキストや成果物の再利用が困難 知識の積み上げができない 戦略的なディレクトリ設計
過去のアウトプットをベースに発展 生成AIならではの知的生産と知識創造 AIエージェント時代の必須スキル @deskrex.ai -
組織におけるAI活用のレベル 指示と実行の 自由度が高い 自律性 ワークフロー の実行 タスクを自動化するAIワークフロー n8n、dify、プログラムによる小規模システム ex:記事作成の自動化、社内QAボット、検索AI 業務を自動化するAIエージェント
フロントやバックエンドをカスタムした自律システム ex:エクセル自動作成、自動見積システム +付加価値・自動化のエージェンティックAI 特化ツールやプロンプトチューンされた群システム ex:社内DB連携RAG、マルチモーダルエージェント 少ないツールや簡単なUIUX 実行性能 たくさんのツールや複雑なUIUX @deskrex.ai -
検証サイクルの高速化 生成AIで「1回あたりのコスト・時間」を下げ、試行回数を最大化する 成功確率 = 仮説の質 × 試行回数 0→1 アイデア・検証
1→10 MVP・PMF 次の0→1 横展開・新規 10→100 スケール 各フェーズの学習が次のサイクルの質を上げる @deskrex.ai -
0→1:アイデア着想〜検証準備 職能ごとにタスク自動化→ワークフロー自動化→売上創出へ段階的に活用 営業マーケ R&D・現場 バックオフィス 売上創出 •
LP・クリエイティブの高速 生成 • 事業計画とLTVの推定 • 仕様書からプロトタイプ生 成 • 3D/CADモデルの自動生成 • 投資家向けピッチ資料生成 • シナリオ別財務予測 ワークフロー • 広告バナー大量生成→ABテ スト • 顧客インタビュー分析 • コード・設計の反復生成 • シミュレーション自動化 • 事業計画書のドラフト生成 • 契約書ひな形作成 タスク • 競合LP・広告のリサーチ • ペルソナ仮説の言語化 • 技術実現性の調査 • 類似製品・特許の分析 • 市場規模・競合調査 • 法規制・許認可リサーチ @deskrex.ai -
1→100:PMF後のスケール 生成AIで量産・横展開を加速し、人的リソースを高付加価値業務へ集中 営業マーケ R&D・現場 バックオフィス 売上創出 •
提案書・資料の自動生成 • 動画生成でチャネル構築 • 製品マニュアル自動生成 • 設計バリエーション展開 • 経営レポート・分析資料生 成 • IR資料の自動作成 ワークフロー • 見積もりの自動生成 • SNS・広告コピー量産 • コードレビュー・リファク タ • 検査レポート自動生成 • 契約書レビュー・修正案生 成 • 社内FAQ自動応答 タスク • 営業日報・週報の自動作成 • 問い合わせ返信の下書き • 技術ドキュメント翻訳 • 不具合報告の要約・分類 • 議事録・メモの自動作成 • 定型文書・通知の生成 @deskrex.ai -
スケールを支えるアンビエントエージェント 定型タスクを自動化し、人間の集中力を高付加価値業務へ集中させる 集中力の配分がAI時代の勝敗を決める 論文チェック、ニュース収集、メール返信、 SNS投稿...定型タスクをGitHub Actionsで自 動化。 タスクをCSVでキューして定期実行させれ ば、人間が寝ている間もエージェントが働 く。
バイブコーディングで1つ30分。アンビエン トエージェントを10個持てば、集中力を10 倍レバレッジできる。 @deskrex.ai -
人間にはできないAIの強み AIネイティブなサービス化やスケールをAIに任せるポイントを見極める 無限インターン 1万ページも100ページと同じ感覚で処理 24時間365日稼働 夜中も休日も同じ品質で動き続ける 一人ひとりに最適化
100万人に100万通りの対応を同時に 超並列の仮説検証 数百万パターンを同時に試して絞り込む 調べて終わりじゃなく実行 情報収集から成果の納品まで一気通貫 サービスの標準化 人によるバラつきを減らしコストも下げる オンデマンド調査 速度と品質のトレードオフを壊す 仮想ユーザーでテスト 大量の仮想ペルソナで事前検証 共感対応の大量化 人間らしい対応を低コストで量産 知的労働の越境 言語や地域の壁を越えて知識が流れる @deskrex.ai -
AIの「物理法則」である3つの特徴 人間に対するAIの構造的優位性は、この3つの特性に集約される。 超認知性 (Super- cognition) 人間が一生かかっても処理できな い情報量から、パターンを抜き出 し判断する能力。 無身体性
(Disembodiment) 時間・場所・肉体的疲労の制約を 受けない、ソフトウェアとしての 存在。 無意志性 (Will-lessness) 主観的な感情や欲求を持たず、与え られた目的関数にのみ忠実であり 続ける能力。 @deskrex.ai -
AIにしかできない3つのアドバンテージ 人間もこのフローを回すが、AIは「空間・母数・時間」の3軸を同時に桁違いにスケー ルさせる点で、全くの別物となる。 ① 超探索 結果を観測し、学習・改善を続ける [Dimension: 時間]
候補を大量に生成する [Dimension: 空間] ③ 無限ループ 相手に合わせて最適案を提案する [Dimension: 母数] ② 超個別化 各ステップのスケールが現実的なコストや時間で不可能なレベルに達した瞬 間に、 「AIにしかできない価値」に変わる。 @deskrex.ai -
Physical AIにおけるテックスタックの現状 Physical AIのスケーリングには、従来のロボットプラットフォームとは根本的に異な る、5つのレイヤーで構成される新しい技術スタックが必要となっている。 5. アプリケーション エンドユーザーとのインタラクションを担うAPIや直感的なHMI。
4. シミュレーション/トレーニン グ 合成データ生成やデジタルツインを活用し、正確な「Sim-to-Real」転送を実 現する仮想環境。 3. オペレーティングシステム ハードウェアの抽象化とプロセス協調を管理するバックボーン(例:ROS) 。 2. エッジハードウェア リアルタイムのAI推論とセンサーフュージョンを可能にするオンデバイスプロ セッサ。 1. ロボットハードウェア アクチュエータ、センサー、ビジョンシステムなど、ロボットの物理的基盤。 モデルとアプリケーションについては、米中の優勢となっているが、ハードウェアの精密機械は日本の強みがまだあると言われている (FANUC・安川電機など) 。 @deskrex.ai -
かつてのロボット学習を阻んだ「2つの壁」 従来手法では、どちらも実用的なロボット学習の障壁となっていた 強化学習の壁 強化学習 (RL): ゼロからの学習は、1つのタスク習得に 膨大な試行錯誤(数百万回)を要し、現実的ではなか った。 膨大な試行錯誤・数百万回の試行
模倣学習の壁 従来の模倣学習 (Traditional IL): デモをなぞるだけで、 少しでも環境が変化すると性能が急落する「分布シフ ト」問題に脆弱だった。 デモにない状況で破綻 @deskrex.ai -
模倣学習の潜在能力を解放した2つのアーキテクチャ 近年の技術革新により、模倣学習の限界を突破するアプローチが登場 自然で滑らかな動作を生成 Noise (初期状態) Coalescing (収束過程)
Clean Trajectory (生成動作) Diffusion Models(例: Diffusion Policy) 人間の多様なデモ(多峰性)を平均化せず、一つの自然な動作を生成。ノ イズの多い不完全なデータからも学習でき、高速なサンプリングでリアル タイム制御に適応。 長期的な文脈を理解し、スケールする Long Sequence (長期入力) Transformer Block Future Action (未来動作) Transformers(例: ACT, RTシリーズ) 長期的な動作シーケンスを安定して学習。そのスケーラビリティが、後 述する大規模事前学習と「スケーリング則」の鍵となる。 @deskrex.ai -
基盤モデルを事前学習し、個別タスクに高速適応させる 大規模ロボット データセット (Open X-
Embodimentなど) 1M+ episodes ロボット基盤 モデル OpenVLA, RDT-1B, OCTO FTによる 高速適応 デモデータで事前学習、未知のタスクにも高速にFTできるようになった。 @deskrex.ai -
理論から現実へ:Unitree G1の超絶技巧を支える新パラダ イム Unitree公式:「virtually any movement(ほぼどんな動きでも学習・実行可能) 」 模倣学習 (Imitation Learning):
人間のモーションキャプチャデー タから、カンフーや太極拳の複雑 な動作シーケンスを学習。 汎用ポリシー (Generalist Policy): 1つの動きを学ぶと、その構成要素 (キック、回転、重心移動)を応 用し、似た多様な動き(スピンキ ックなど)をこなせる。 強化学習 (Reinforcement Learning): シミュレーションで訓練され、突 かれても倒れないバランス維持能 力や、転倒からの回復能力を獲 得。 @deskrex.ai -
実用化を阻む3つの現実的な壁 VLA(模倣学習+RL)は革新的だが、事前訓練のシーケンスを大きく超える状況への適応には依然 として課題がある。 自律性と実世界対応 デモは理想環境が中心。実際の複 雑な地形や階段では転倒リスクあ り。障害物検知は可能だが、訓練 外の状況では適応が困難。 限定的な実用タスク
「クールだが、何に使うの?」が 共通の問い。家事や仕事の代替は まだ遠い。公式も「限界を理解し て購入を」と注意喚起。 耐久性とメンテナンス バッテリー駆動は1〜2時間程度。 転倒による部品交換や修理は代理 店経由となり、連続運用のハード ルが高い。 @deskrex.ai -
資本の増減ゲームが終わった世界で何をするか? LLM周りの上澄み数十人を除いて、全ての人類は資本主義と無縁になる可能性がある。起業の時代 が終わったと気づいた先に残るもの。 アート 人間の感性・美意識・創造性が価値を生む領域。AIが 効率化できない「意味」と「美」の追求。 表現・美学・感性の探求 研究 未知への探求と知の最前線を切り開く領域。AIサイエ
ンティストと協働しながら、新しい問いを立てる。 科学・哲学・未知への挑戦 @deskrex.ai -
Pace Layering思考と事業選定 変化速度の違うレイヤーに応じた事業設計 どのレイヤーに張るか Fashion → Commerce → Infrastructure →
Governance → Culture → Natureの順で変化速度が 違う。 テックスタートアップは上層、地場に根付く事業 は下層レイヤー。 自然や文化に根付くものの価値がグローバルでは 評価されまくっている。 @deskrex.ai