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/

Transcript

1. @deskrex.ai
2. 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
3. 本日の構成 0 自己紹介と本日の趣旨 1 AIとヒューマノイドの現状と逆算 2 生成AIとAIエージェントの原理と限界から学ぶAI活用の技法 3 事業創造とAIとアフターAI 4 クロージング @deskrex.ai
4. 00 自己紹介と 本日の趣旨 @deskrex.ai
5. 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
6. 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
7. 著書 2025年12月17日にかんき出版さまから「知的生産でAIを使いこなす全技法」を刊行 @deskrex.ai
8. 01 AIとヒューマノイ ドの現状と逆算 @deskrex.ai
9. 1-1. 超知能時代の到来 AGIとは何か？いつ来るのか？ @deskrex.ai
10. Question AGI（汎用人工知能）とは どのようなものでしょうか？ 専門家によって定義は様々ですが、共通する考え方があります @deskrex.ai
11. 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
12. 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
13. 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
14. AGIはいつ頃実現すると思いますか？ AI研究の第一人者たちの予測を踏まえて考えてみましょう A 2025〜2027年（あと1〜2年） B 2028〜2030年（あと3〜5年） C 2031〜2040年（あと6〜15年） D 2041年以降（15年以上先） @deskrex.ai
15. 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
16. AI 2027のタイムライン 超人的プログラマーの登場からASI実現までの予測シナリオ 段階的に進化するAIの能力 AI 2027では、AIの進化が段階的に加速 し、2027年末までにASI（人工超知能） が実現すると予測。 この予測が正確かどうかより、AIによ る知的労働の変化が徐々に起き始めて いることを認識することが重要。 @deskrex.ai
17. 1-2. ヒューマノイドの台頭 物理世界への拡張〜ソフトとハードの臨界点 @deskrex.ai
18. AIの技術とスキル領域の広がり ソフトウェアのみならず、ハードウェアにおける生成AIの進歩も凄まじい @deskrex.ai
19. 中国ロボ：不気味の谷を超えた事例 逆チューリングテストの時代 人間と見分けがつかないレベル 中国のロボット技術が「不気味の谷」を超え、人 間と見分けがつかないレベルに達している事例。 逆チューリングテストが必要になる時代。 @deskrex.ai
20. ヒューマノイドロボットの大量生産はいつ始まる？ 著名人の予測を踏まえて考えてみましょう A 2026年（来年） B 2028〜2030年（3〜5年後） C 2031〜2040年（6〜15年後） D 2041年以降（15年以上先） @deskrex.ai
21. 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
22. 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
23. 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
24. 1-3. 我々はどこに張るべきか？ AIエージェントの直接雇用が始まる時代 @deskrex.ai
25. Question AIとロボットが普及した未来は どのようなものでしょうか？ 人間とAI・ロボットの関係性を考えてみて下さい。 @deskrex.ai
26. 超知能時代に表出する4つの働き方のパターン 人間とAI・ロボットの関係性を「誰が管理するか」で分類 あなたはどこにマッピングされそ う？ AIと人間の関係性は4つのパターンに分 かれる。 企業の独自データや専門性を持つAIエ ージェント開発と、AIと人間が協力で きる仕組みづくりに集中投資すること で、自らのエコシステムを育てること が最低条件となる。 @deskrex.ai
27. AIエージェントが破壊する既存の人材流通の仕組み 資金がAIエージェントにアウトソースされ、海外に流れていく構造 日本の労働市場への影響 この流れが全国の企業で同時に起きる と、日本の労働市場に流れるはずだっ た資金が海外のAI企業に大量に流出す る。 日本企業がAI時代の競争に勝ち残るた めには、AIとの協働スキルを持つ人材 の育成が不可欠。 @deskrex.ai
28. 歴史的な過渡期としての2025年 BMIが描く人間とAIのゴール像 BMI（脳機械インターフェース） 現在の「画面越しのAI協働」は技術発 展の初期段階に過ぎない。 将来的には脳に小さなチップを埋め込 むことで、思考だけでコンピューター を操作できる技術（BMI）により、考え ただけでAIに指示を出せるようにな る。 @deskrex.ai
29. AIが埋め込まれたサイボーグの働き方の未来 BMI技術により人間がAIと融合した場合の働き方 人間×AIの4つの未来像 サイボーグが増えることで、法律や制 度の抜本的な見直し（プライバシー・ 責任・セキュリティ・教育・刑事罰 etc）が求められる。格差の固定化も深 刻な懸念として浮上してくる。人間・ サイボーグとAIの対等な協働の中でど う生き残れるのか？という選別が始ま る。 @deskrex.ai
30. 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
31. 知的労働の価値が根本から変わる 産業革命が肉体労働を機械に置き換えたのと同様の変化 変化のスピードが桁違いに速い リサーチ、データ分析、コンテンツ制 作、文書作成、ソフトウェア開発とい った知的労働を機械に置き換える流れ が起きている。 一人の人間が2〜3つの生成AIに同時に 依頼することで、同じ作業を並列で数 時間で終わらせることが可能に。 @deskrex.ai
32. 現在できる「疑似融合」を先取りする 8タイプのデータでAIへの供給路を整える AIとの疑似融合とは 「AIとの疑似融合」とは、脳への物理 的な統合はしていないものの、日々の 仕事や思考のデータを生成AIに継続的 に供給し、生成AIの処理能力を借りな がら知的生産を行う状態。 データは8タイプに分類される。 @deskrex.ai
33. 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
34. 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
35. 02 生成AIとAIエージ ェントの原理と 限界から学ぶ AI活用の技法 @deskrex.ai
36. 個人におけるAIエージェントの活用 LLMの仕組みと限界を理解し、正しく使いこなす @deskrex.ai
37. 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
38. 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
39. 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
40. 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
41. AIエージェントのツール一覧 入力欄横のアイコン群に注目 さまざまなツールが用意されている AIエージェントはいくつかの「ツール」を持 っている。 ChatGPTでは、エージェントモード、Deep Research、画像生成、ウェブ検索、ドキュ メント作成（Canvas）など様々なツールが 用意されている。 @deskrex.ai
42. デモ：Nano Banana Proのツール利用 例えば、画像を添付し、目的に沿ったストーリーボード生成を指示することで、動画の構成を検討 できる。 入力のポイント 目的（PR動画の構成）と使いたい素材 （添付画像）を明確に指示する。 さらにYAML形式や参照としたいストー リーの指定があるともっと精度が上が る。 出典: Gemini @deskrex.ai
43. 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
44. デモ：Sora2の利用（開始） ストーリーボードから動画生成を指示 入力のポイント ストーリーボードと目的を短く明示 し、用途やトーンを一言で添える。 これだけで初回の方向性がブレにく い。 @deskrex.ai
45. デモ：Sora2の利用（生成） 生成結果の品質チェックと再指示 出力の確認 メインビジュアルの印象、文字の可読 性、ブランド名表記をチェックする。 問題があれば修正点を具体的に伝えて 再生成する。 出典: Sora @deskrex.ai
46. 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
47. 量産時代の終わりと「本物」の価値 AIで誰でもコンテンツを作れる時代だからこそ、次に求められるものが変わる 玉屋2060%が語る「次に流行る曲」 AIで漫画や動画が量産できるようになった今、ア ンチテーゼとして「本物っぽさ」 「感情のリアリ ティ」が次に流行ると言われている。 ただ量産することに意味が出る時代は早々に終わ りそう。本物を研ぎ澄ませるためのAI活用に意義 を見出す必要がある。 @deskrex.ai
48. コンテキスト長とは「作業机の広さ」 生成AIが一度に参照できる情報の範囲 トークンという単位 コンテキスト長は「作業机の広さ」に例え られる。 単位は「トークン」で、約1〜3トークンが 日本語1文字に相当。 制限が10万トークンなら約3万〜10万文字分 の情報を一度に処理できる。 @deskrex.ai
49. デモ：ChatGPTのコンテキスト超過エラー 長文入力で上限を超えると送信できない エラー表示の確認 長文を一度に貼り付けると、赤いエラ ーバナーで「送信したメッセージは長 すぎます」と表示される。 この時点で送信は不可となるため、入 力量を減らす必要がある。 @deskrex.ai
50. デモ：Google AI Studioのコンテキスト処理 Googleならうまくいく（長文でも処理可能） 100万トークンを活用 コンテキスト長が100万トークンあるた め、長文入力でも処理できる。 同じ素材でも、AI Studio側で扱えばエ ラー回避と品質担保がしやすい。 @deskrex.ai
51. 記憶システムの保存と呼び出しの仕組み 生成AIは外部データベースを使って長期記憶を実現 外部データベースへの保存 生成AIはデフォルトでは会話が終わる と記憶を保持しない（ステートレス） 。 しかし外部データベースを用いること で、過去のチャット履歴を保存・呼び 出しできる。 AI自体が学習しているのではなく、外 部DBから呼び出している。 @deskrex.ai
52. AIエージェントの記憶機能の仕組みとRAG RAG（Retrieval-Augmented Generation：検索拡張生成技術） 外部データベースから情報を検索 して組み合わせる RAGは、AIが学習済みデータだけでな く外部データベースから必要な情報を 検索して組み合わせる仕組み。 記憶の検索、ウェブ検索結果の参照、 長大なPDFのチャンク分割参照などに 使われる。 @deskrex.ai
53. デモ：AIエージェントの記憶の仕組み システムプロンプトと接続リソースの見える化 記憶に入る情報の具体例 基本方針（システムプロンプト）や、 接続できる外部リソースが明示され る。 「どの情報が参照されるか」が見える ことで、出力の理由や限界を説明しや すい。 @deskrex.ai
54. 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
55. デモ：長考モデルによる契約書レビュー 長文PDFを読み込み、リスクを抽出 長考の実務活用例 契約書PDFのリンクを渡し、著者側の リスクを抽出するデモ。 長考モードで論点整理と重要度の判断 をまとめて出力できる。 @deskrex.ai
56. コンテキストでAI出力が変わる仕組み 「注意（Attention） 」によって答えの出やすさが調整される 答えの出やすさを調整するスイッ チ 生成AIは「次に続く言葉の可能性リス ト」から確率的に選ぶ。 コンテキストがないと平均的なリスト から選ぶが、コンテキストを与えると 関連する言葉が出やすくなる。 @deskrex.ai
57. 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
58. 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
59. デモ：コンテキストエンジニアリングのウェブ検索 テンプレートからそのまま検索タスクへ 調査タスクの実行例 構造化された指示により、検索範囲・ 出力形式・追加条件が明確になる。 長文調査でもブレを抑えた結果が得や すい。 @deskrex.ai
60. デモ：NotebookLMへのナレッジ追加 調査結果をそのまま知識ベース化 ソースの集約 複数ソースを貼り付けてNotebookLMに 登録。 検索や要約の土台となるナレッジを短 時間で構築できる。 @deskrex.ai
61. デモ：NotebookLMによるスライド生成 集約したナレッジから即座に資料化 アウトプットの自動生成 登録したソースに基づいてスライドを 生成。 一次情報ベースの資料化が短時間で可 能になる。 出典: NotebookLM @deskrex.ai
62. データの2段階の保存先 サーバーへの保存とモデルへの学習は別の仕組み 混同しやすい2つの保存 ①サーバーへの保存：チャット履歴を短期〜 中期間保存。 オプトアウト後も最長72時間は保持。 ②モデルへの学習：統計的に反映されるが個 人特定できる形では保存されないケースが多 い。 @deskrex.ai
63. 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
64. 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
65. 組織におけるAIの活用 生成AIの出力を資産化する知識創造サイクル @deskrex.ai
66. Question 組織におけるAI活用で いちばん重要なポイントは何？ 技術・人材・プロセス・文化…様々な観点から考えてみてください @deskrex.ai
67. 組織の生存条件  シニアが前向きにデータを貯めない組織は死ぬ 中間管理職が肝。AIへの技術承継を進め、人間は新しい知恵を溜めまくる。マインドとしては すべてAIで初動することを制約にしなければならない。 @deskrex.ai
68. AIスロップの定義 無意味・無価値な情報量が増えると生産性は下がる Karpathyの問い：slopとは何か 定量的に測れる「slop index」を感じるが定義が 難しい、という問題提起。無意味・無価値な情報 が全体を埋めると意思決定が鈍る。 @deskrex.ai
69. ワークスロップの実態 AI成果物の品質が担保されないと組織が崩れる 若手が量産したAI成果物にマネージャーが 激怒 若手がAIで適当に作ったAI成果物が増え、レビュ ー負荷が爆増。品質の担保と責任設計がないと、 マネージャーがブチギレる。 @deskrex.ai
70. AIハルシネーションの実害 法務・規制領域での誤情報は致命傷になる 法律界で増える架空判例と誤引用 裁判書類や準備書面に架空の判例や誤引用が混入 する問題が拡大。AIスロップは法務リスクとして 顕在化している。 @deskrex.ai
71. 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
72. コンウェイの法則と逆コンウェイの法則 仕組みと設計でAIネイティブな働き方に変える コンウェイの法則 組織のシステムは、その組織の情報の流れ方と同じ形 になってしまう。現状の組織構造がシステムに反映さ れる。  逆コンウェイの法則 AIネイティブな情報設計を先に行うことで、個人の生 産性や組織の働き方も矯正できる。  @deskrex.ai
73. 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
74. AIエージェントのファイル検索の手法 2つのパターンで検索を行う キーワードマッチと意味的関連性 ①キーワードの一致でフォルダやファイルを 検索 ②ファイル内容のテキストまで検索し て意味的な関連性を考慮（ 「企画書」で「提 案書」も発見） 。 多くのサービスは①がメイン。 @deskrex.ai
75. タスクフォルダごとのインストラクション管理 「_INSTRUCTION_PROMPT.docx」でAIの基本設定を格納 プロンプトファイルの階層管理 各タスクのフォルダに 「_INSTRUCTION_PROMPT.md」を置き、 システムメッセージ全文を保存。 タスクを始めるときはこのファイルをチャ ットへ添付し、関連ファイルをアップロー ド。 @deskrex.ai
76. 今日から始めるAIネイティブなディレクトリ設計 個人レベルから始められる3つのステップ 小さな成功体験を積み重ねる ステップ1：基本のディレクトリ構造を整え る ステップ2：よく使うタスクでプロンプトを ためる ステップ3：少しずつ全体を整理する @deskrex.ai
77. プロンプトと結果の保存サイクル 週2回以上行う作業から始める 使ったプロンプトを改善し続ける 作業するたびにプロンプトと結果を「日付_ プロンプト_リサーチ.docx」のような名前で 保存。 2-3回繰り返すとタスクに合ったプロンプト がたまる。 @deskrex.ai
78. SECIモデルとは 2つの異なる種類の知識が相互に変換される理論 知識創造プロセスのスパイラル 暗黙知：言葉で表現しにくい知識（ベテラ ンの直感、熟練者の感覚） 形式知：言葉や数値で明確に表現された知 識（マニュアル、レポート） @deskrex.ai
79. AI時代のSECIモデル AIエージェントが知識変換を大幅に高速化 AIと人間の協働でスパイラルを循環 AIが「表出化」 （暗黙知を言葉に変換）と 「連結化」 （形式知を組み合わせ）を高速 化。 効率化された時間や高品質化された成果物 を人間同士の対話や実践に再投資すること が重要。 @deskrex.ai
80. 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
81. 03 事業創造とAIと アフターAI @deskrex.ai
82. 事業創造でのAI活用 0→1（検証）から1→100（スケール）まで、産業・職能 を横断して活用する @deskrex.ai
83. 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
84. Question みなさんは事業創造のどんなことに AIを使っていますか？ 特に起業・新規事業・経営まわりで @deskrex.ai
85. 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
86. エンジニアリング・アズ・マーケティング プロダクトそのものが成長エンジンになる 作ることで市場を生み出す 広告よりも、ユーザーの小さな課題を解く無料ツ ールや体験が成長の起点になる。 また、動画やテキストのコンテンツの作成と量産 も容易になってきているため、デジタルマーケの チャネル構築が安くなってきている。 @deskrex.ai
87. 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
88. 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
89. 権威の本質とAI時代の組織論 縦の命令系統から、個がAIで横に繋がるアメーバ型へ 権威の構造が不要になる時代 権威の本質は「指示を遂行する人間を束ねるこ と」だった。伝達→理解→実行のコストを組織構 造で最適化していた。 しかしAIが遂行側を代替すると、この構造自体が 不要になる。 残るのは意思決定できる個人と、それを繋ぐAIの ネットワーク。縦の命令系統より、個がAIで横に 繋がったアメーバ型が勝つ時代。 @deskrex.ai
90. Question 人間にはできない AIの強みってなんだと思いますか？ 人間とAIの構造的な違いを考えてみてください @deskrex.ai
91. 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
92. 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
93. 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
94. 3-2. AIの限界と機会 技術的な理解から予測する @deskrex.ai
95. Question AIの限界って なんだと感じていますか？ 技術的・社会的・倫理的…様々な観点から @deskrex.ai
96. イリヤ・サツケバーの予測 OpenAI共同創業者の見解 Haiderによるイリヤの予測まとめ スーパーインテリジェンスは早ければ5年、 遅くても20年以内に登場するとされ、現状 のスケーリングによる進歩は停滞しつつある ため新しい機械学習のパラダイムが必要と考 えられています。 本当の超知能は極めて速く学習する存在で あり、現行モデルは一般化が難しいのが大 きな課題です。 @deskrex.ai
97. LLMの今後のテーマ 多様性と深化が次の進化軸になる ビジネスAGIは実現可能 仕事・知性に限ればLLMで十分に到達可能。個 性・重みづけ・外れ値の多様性こそが、今後の伸 びしろ。 @deskrex.ai
98. ニューラルネットを模倣したLLMは意識があるか？ LLMは注意機構に着目したスケーリングによる実現だが、メタ認知できていないのでは？ シームレスマインドアップローディング 渡辺正峰らの2023年論文では、AIの意識を検証 する手段として「シームレス」マインドアップロ ーディングを提案。 スプリットブレイン研究に基づき片半球をAIで置 換し、統合された視覚が成立すればAIにクオリア があると判定する。アップローディングは3ステ ップで、全脳コネクトームを模したSNNとBMIで 脳の再現・記憶転送・同期を行う。 @deskrex.ai
99. AIが学習をガイドする未来 コンテキストを与えれば、AIが教師になる Markdownで授業するAI 適切な文脈さえあれば、わざマシンのようにタス クや複雑な業務を自立実行する仕組みになる。 @deskrex.ai
100. AIの能力を拡張するモジュールとしてのスキルの流行 Claude Codeの機能を専門知識パッケージで拡張する スキルによる自律的なタスク実行 エージェントスキルは、Claudeが特定の状況下で 自律的に判断して実行できる専門知識パッケー ジ。 code-reviewer、git-helper、pdf-processorなど、 用途に応じたスキルを組み合わせることで、反復 作業の削減や複雑なワークフローの自動化を実現 する。 @deskrex.ai
101. プロセス・スキップ・エコノミー AIエージェントに求めるのは成果であってプロセスではない。人間は「自分なりのやり方」へのこ だわりを捨てられないが、AIは最短距離で成果だけを持ってくる。 @deskrex.ai
102. 記憶能力の限界 完全記憶や人間のような連続的記憶はまだ未実現 メモリーレイヤー研究マップ トークン/パラメトリック/潜在メモリな ど層別の研究が進行中。実運用では長 期記憶・想起の安定性が課題。 また、パラメトリックな確率変数部分 の事後学習の民主化はまだまだこれか ら。 出典: Href @deskrex.ai
103. ワールドモデルを構築することでAIに身体性をつける Fei-Fei Liが提唱する空間認識の新アプローチ 空間知能と物理世界の理解 AIが物理世界を理解するための新しいアプロー チ。 2D画像から3D空間を理解し、物体間の関係性や 物理法則を学習する技術が発展している。 AIに物理的理解や経験的理解からの人間に近い知 識を提供する。 @deskrex.ai
104. 3-2b. ヒューマノイドの限界と機会 Physical AIと実世界への適応 @deskrex.ai
105. Question ヒューマノイドの現状の限界って 何だと思いますか？ なぜまだ家庭用ロボットは普及していないのか @deskrex.ai
106. 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
107. 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
108. 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
109. 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
110. 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
111. 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
112. 3-3a. アフターAIと日本の未来 富裕層移民の可能性とAI導入の現実 @deskrex.ai
113. Question （日本に）フォーカスしたときに どのようにAIを活用すべきか？ 日本の強み・弱みを踏まえて考えてみてください @deskrex.ai
114. 日本の未来：富裕層移民の黄金期 日本の強みを活かした新しい可能性 日本が選ばれる理由 治安、文化、食、医療など日本の強みが海外富裕 層に評価されている。この流れをどう活かすか が、日本の未来を左右する可能性がある。 @deskrex.ai
115. AIエージェント導入の構造的な壁 AX・DXのジレンマとして、中小企業は地縁や競争の薄さからDXをしにくい構造にある。 @deskrex.ai
116. アフターAIのテーマ 人間らしさではなく“超人”を前提に考える “人間らしさ”に期待しない AIやロボットは人間のように振る舞うとは限らな い。むしろ“人間らしさ”を超えた能力が重要にな る。 @deskrex.ai
117. 人間らしさをブーストするAI assistant/companion ではなく sidekick AIの新しい方向性 AIは人間の代わりではなく、人間らしさをブース トする存在。assistant/companionではなく sidekickとしての役割が注目されている。 @deskrex.ai
118. 箱の中のミニ工場 大量生産大量消費じゃない、高付加価値の少量生産 製造業のさらなる民主化が起きる可能性 24時間365日稼働 – 価格$5,000 – ツールは交換可能 – 自分で電子機器を組み立てる @deskrex.ai
119. 3-3b. ポストAI経済と人間の役割 資本主義の終焉と、アート・研究への回帰 @deskrex.ai
120. Question とはいえAIとロボが普及し終わったら みなさん何しますか？ 仕事がなくなった世界で、人間は何に価値を見出すのか @deskrex.ai
121. 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
122. クリエイターとして生き残るには アートと研究以外なくなる中で、クリエイティブになりたいなら？ AIとロボットを部下にする財力 多くの人間はAI・ロボよりも生産性が低くなる。 BI到達後もクリエイターやっていたいなら、ロボ ットとAIを金の力で部下にできる財力が求められ る。 @deskrex.ai
123. 科学の穴とイノベーター理論 長年解決されていない問題を見つけたら、それはチャンス なぜ誰も手をつけないのか？ 長年解決されていない問題があれば、①不可能 か、②時間やインセンティブがなくて誰も手をつ けないかのどちらか。後者ならチャンス。 @deskrex.ai
124. 研究者のグローバル移動 中国→米国へのキャリアパスが可視化される AI研究者のキャリアパス 人材の流動が研究力の差を拡大する。どの国・組 織が人材と資本を引き寄せるかが鍵。 @deskrex.ai
125. AIサイエンティストの台頭 研究開発の生産性が桁違いに上がる Kosmos AI Scientist 論文の大量読解とコード生成を短期間で実行する AIが登場。研究チームの役割と速度が再定義され る。 @deskrex.ai
126. AIラボの現在地 計算機からエージェント科学へ 実験室がツールユース化 人間が決めたゴールに対して、AIが仮説立案・実 験・検証を回す方向へ。研究の中核が“エージェ ント化”していく。 @deskrex.ai
127. ネクロボティクス 死んだ蜘蛛をグリッパーとして使う研究 Rice大学の研究 生物の構造を活用した新しいロボティクスの形。 従来の発想にとらわれない、ユニークなアプロー チが研究されている。 @deskrex.ai
128. 3-3c. 事業選定とPace Layering思考 変化速度の異なるレイヤーに応じた事業設計 @deskrex.ai
129. Question みなさんがAI時代に事業選定で 大事にしていることはなんですか？ PER・長期性・社会的意義…何を重視しますか @deskrex.ai
130. 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
131. ベースレイヤーの作られ方 産業のレイヤー構造を国策で設計する強さ 中国の都市別・産業特化のレイヤー 特定製品に特化した都市が多数存在し、レイヤー 構造を国家規模で作り込む例。技術・供給・人材 の層が重なって強みになる。 @deskrex.ai
132. 地場に根付く事業の例 うどんを生み出す価値を他地域への持ち込む 食やエンタメの生み出す事例 Pace Layeringの下層レイヤーに位置する地場事 業。 最高に美味しいうどんは武器になっている。 地方の伝統や突出がグローバルで高い評価を浴び る。 @deskrex.ai
133. ガーナにおける養鶏事業 未活用の土地の余白が大きく、一次産業に再現性の高い機会がある 広大な土地に人影が少ない現実 写真の通り、広い土地に人も動物も少ない。こう した地域では、鶏などの普遍的な食需要に直結す る養鶏は、雇用と食料供給を同時に生む地場型ビ ジネスになりやすい。 @deskrex.ai
134. 夫婦ダルマ 縁起物が、結婚式の体験価値として再定義される 結婚式の新しい縁起アイテム 高崎のダルマに世界が価値を見つける。商売繁盛 のイメージが強いダルマを、夫婦の節目や結婚式 の儀礼へ転用。 七転び八起きの象徴として、共同体験と記念品の 両方の価値を持つ。 @deskrex.ai
135. ご清聴ありがとうございました 引き続きクロストークをお楽しみください @deskrex.ai
136. @deskrex.ai
137. @deskrex.ai
138. @deskrex.ai
139. @deskrex.ai
140. @deskrex.ai