最強知能を業務価値に変える設計とは何か（モデル性能競争の先にある業務構造化と知能運用設計）

最強知能を業務価値に変える設計とは何か（モデル性能競争の先にある業務構造化と知能運用設計）

2026年10月6日にクラウドマネージメント協会 2026年全国大会で行った基調講演の資料です。

・（主催）クラウドマネージメント協会
https://cms-jp.com/

・当社の会社概要
https://deskrex.ai/

Transcript

1. AI構造化＆ものづくり戦略 最強知能を業務価値に変える設計とは何か モデル性能競争の先にある業務構造化と知能運用設計 Deskrex 冨田到 / Itaru Tomita クラウドマネージメント協会 2026年全国大会 2026年10月6日 deskrex.ai
2. Deskrex 04 自己紹介 SE L F I N T RO DUC T I O N 08 AIの天才が見据える最先端 AI P I O NE E RS A ND TH E F RO NT IE R CONTENTS 15 最前線の知能をどう組み立てるか EN G I NE E RI NG TH E FR O NT I E R 22 特許分析から、ものづくりの 研究開発にAIを適用する FR O M PAT E NT ANA LY S IS TO R &D 2
3. PART 01 自己紹介 冨田到｜AIエージェントの実務と執筆 01 株式会社Deskrex代表取締役CEO 3
4. 冨田到｜AIエージェントの実務と執筆 株式会社Deskrex代表取締役CEO 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。 リサーチAIエージェントを提供する株式会社Deskrexを創業。 調査代行、研修、受託開発、AI活用支援を提供。 Google Antigravity／Skills実務書を技術評論社より刊行予定。 著書『知的生産でAIを使いこなす全技法』（かんき出版） 4
5. 新刊を絶賛校正中 刊行予定の書籍と、制作中の校正紙 Google Antigravity AIエージェント 業務改善の教科書 絶賛校正中 刊行予定 2027年1月15日（予定） 5
6. Deskrexは人とシステムの両面でAI活用を支援する 一般的なAI活用から専門業務まで、人・組織とシステムの両面を対象にする。 一般的なAI活用 システムを 育てる 人・組織の 判断力を育てる 専門的なAI活用 業務実装 専門基盤 AI活用・受託開発 Snorbe 業務自動化、PoC、社内ツールの開発 知識グラフ統合・技術継承 設計から実装・運用までを伴走 専門業務のAI実行基盤 組織定着 専門伴走 研修・運用伴走 調査代行 コンサル・顧問 市場・技術・特許を深掘り AI活用方針・企画・事業化を 業務棚卸しから活用方針を設計 実務で使い続けられる状態まで支援 顧問として継続伴走 4つの悩み領域を、プロダクトと専門サービスで一気通貫に支援 6
7. Deskrexの強みは、AIエージェントを仕事として制御する設計力 タスク、資源、状態、実行、介入、評価を接続し、高品質な仕事を繰り返せる仕組みへ変える。 設計領域 能力・サービス・価値への変換 タスク定義 制御設計 目的・対象範囲・入力／成果物・完了条件・出力形式・保存先 目的に応じて資源、状態、実行条件、介入地点を構成 実行資源 状態・知識管理 AIモデル・データ・リファレンス・アセット コンテキスト・メモリ・中間成果物 Skill・ツール・API・スクリプト 出典・来歴・データ関係・スキーマ オーケストレーション・実行制御 実行環境・ガバナンス プラン・タスク分解・並列実行・サブエージェント 手動・定期・イベント起動／クラウド・外部接続 状態遷移・フック・ルール・機械検査 権限・セキュリティ・予算上限・ログ 再試行・停止条件・Skillの組み合わせ 人間の承認・介入 AIエージェントの実行能力 多数のAIエージェントによる並列・長時間実行 中間記録、再開、検査、出典管理による再現性 提供サービス 自社アプリケーション・実行基盤：AIが業務工程を実行 調査代行・開発・顧問：設計・実装・運用を伴走 提供価値 高品質なAI業務を、再現可能にする 評価 品質・完了時間・実行コスト・人間の確認量・タスク成功率・事業成果・Return on Tokens 品質／完了時間／費用／人間の確認量／事業成果 提供結果を評価し、サービス・制御条件へ反映 7
8. PART 02 AIの天才が見据える最先端 世界のAIラボを率いる人物は、知能の先をどう描くか 02 研究開発・自己改善・世界モデル・現実世界の行動を俯瞰する 8
9. 主要人物は、知能の先を異なる循環で描く 縦は人物、横は各人が重視する発展方向。公開発言と複数資料から構想を一列に整理した。 人物 本人発言を基にした進行方向 Sam Altman OpenAI Dario Amodei Anthropic Demis Hassabis Google DeepMind Elon Musk xAI・Tesla Yann LeCun AMI Labs 梁文鋒 DeepSeek 楊植麟 Moonshot AI 認知労働の エージェント 読み方 新しい知見の 発見 現実世界の ロボット AIによる AI研究支援 ロボットによる 製造 発見から現実世界へ 多数の自律 エージェント 科学・AI研究の 加速 次世代AIの 設計・訓練支援 制御と 社会実装 多数の知能を研究へ 高次元の現象を 学習 世界モデル・ シミュレーション 予測・探索・ 検証 科学の発見・ 現実世界での行動 高次元の問題を探索 Optimusが 製造を担う デジタルから製造へ Grokの推論・ エージェント 次世代Grokの 開発支援 Digital Optimusで PC上の仕事 GrokがOptimus群を 統括 世界モデル 周囲を見て 状況をつかむ こう動いたら 何が起きるか予測 目的に近づく 行動を選ぶ 実行 結果から学ぶ 世界モデルで未来を予測して動く 思考連鎖 エージェント 継続学習 AIの自己反復 次世代AI 開発支援 身体を持つAI 思考から現実世界へ 長文脈 長い思考・ 推論時の計算 ツールを使う エージェント 異なる仕事への 一般化 AIを活用した AIの訓練 長文脈から一般化へ 共通の一本道ではなく、知能・研究開発・物理世界という異なる循環を見分ける 9
10. OpenAIは、1万のエージェントで未解決問題へ挑んだ 探索はAstraより高性能な未公開社内モデル、最終検証はGPT-6 Astraが担った。 モデルの役割と運用構造 OPENAI RESEARCH CASE 約1万 同時稼働したエージェント 約88時間 探索・証明｜未公開社内モデル（Astraより大幅に高性能） 形式化・検証｜Astra＋Lean 01 02 03 04 05 問題を分ける 並列で探索する 知見を共有する 有望案へ集中する 形式的に検証する 異なる定式化を 別々のグループへ 未公開社内モデルで 多様な解法を探索 Codexが途中結果を 統合して再投入 結果を見ながら 計算資源を再配分 GPT-6 AstraとLeanで 追加17時間の検証 最初の起動から解法到達まで 約1300億 出力トークン 最先端は、モデル単体ではなく「探索・共有・選択・検証」の運用構造を競っている 10
11. Anthropicは、DNAの異常から未知の酵素系を見つけた AIが候補を調べ、研究者が短いRNAの生成を実験で確かめた。機能は未解明。 探索と検証の流れ ANTHROPIC RESEARCH CASE 研究者が実験 AIがデータを探索し、仮説を記録 119 探索タスク 949 01 02 03 04 05 配列を調べる 異常を見つける 反復を見つける 根拠を照合する 実験で確かめる 大量のDNAから 逆転写酵素を探す 珍しい酵素と 周辺配列に着目 一定間隔で並ぶ DNA配列を発見 構造と文献を調べ 研究者へ報告 短いRNAの生成を 研究者が確認 エージェントの実行セッション 21.5時間 探索にかかった実時間 探索の速度は上がった。機能の解明と再現性の確認はこれから。 11
12. 判断の高速化はじまりとしてのJev Jevは、分類・経路選択・継続判断を型と確率で素早く返す。 公式発表 判断を高速化する流れ（Jevの例） 01 判断条件を渡す INPUT 02 型付きで素早く返す Jev 03 出典：TypeSafe AI公式ドキュメント Choice・Score・Noul（Yes／No）＋確率 次の処理へ進む US E Jevは型付きの判断をソフトウェアへ返す 業務の状態＋型付き質問 分類・経路選択・採点・継続／停止 出力候補と構造を先に決め、結果を後段のコードが直接使う 小さな判断を型付きで高速に返し、エージェントの処理を前へ進める 12
13. モデルの進化を待たず、知能の一部はシステムで先回りできる AIが容易に解ける課題は、競合や顧客にもすぐ再現される。自社領域の未解決へ挑み続ける。 目指す能力 現在の外部実装 まだ残る限界 01 大量並列 サブエージェント／スウォーム 重複、統合、費用、誤りの相関 02 高速判断 ルーター／分類器／閾値判定 判断項目と校正を先に定義する 03 自律反復 生成→評価→修正→再試行 重みを改善する完全なRSIではない 04 高次元探索 シミュレーター／グラフ／探索木 学習された世界モデルとは異なる 05 経験の蓄積 RAG／長期メモリ／実行履歴 継続学習や重み更新ではない AIによるAI監督 査読／評価器／仲裁／監視 独立性、人間への昇格、監査が必要 06 AIが簡単に解ける問題では差は残らない。自社の事業領域で、未解決へ挑み続ける 13
14. AIは時間と状態変化を扱う領域へ広がっている 複数の変数が絡む、自社の課題を見つける 時間 今の答えだけでなく、先の変化 状態 途中の結果で次の行動が変わる 自社の複雑な課題 場所 現場や環境によって条件が違う 単独の質問ではなく、 条件が絡み合う問題 相互関係 複数の変数が互いに影響する 変数が絡む課題を、優位性のある事業の種として持つ 14
15. PART 03 最前線の知能をどう組み立てるか 5つのエンジニアリングを、探索・検証の事例で読む 03 仕事の分解、並列実行、記録、検証、人間の判断へ 15
16. AIエージェントは、5段階のエンジニアリングで高度化する PromptからGraphまでを接続し、高品質・再現性から長時間・大量実行へ拡張する。 構造化した知識を次のContextへ再投入 01 02 03 04 05 Prompt Context Harness Loop Graph モデルへ渡す指示を設計 必要な文脈を設計 実行要素を組み合わせる 反復実行を制御 知識構造と関係を設計 目的／役割 情報／制約 モデル／Skill／メモリ 状態遷移／プラン／フック メダリオン／データ関係 出力条件／形式 履歴／参照範囲 ツール／サブエージェント ルール／再試行／停止 スキーマ／工程間の受け渡し 制御設計によって得られる実行特性 文脈に沿った実行 高品質・再現性 長時間・大量実行 目的、情報、制約を維持 同じ基準と構成で繰り返せる 再開、並列化、知識再利用に対応 モデル単体ではなく、5領域の接続設計が品質と実行規模を左右する 16
17. AIエージェントは、複数を並列で動かす使い方へ AIエージェントのトレンド：仕事を分けて動かし、効果を測って改善する エージェント 仕事を分ける エージェント 独立した単位へ 結果を集める 品質・時間・費用を測る エージェント 効果を見て、分け方と実行数を調整 並列に動かし、トークンや費用に対する成果を測って改善する 17
18. 長時間動かすほど、途中の記録と確認が重要になる 中間成果を残せば、確認して途中から再開できる 実行 保存 検証 再開 工程ごとに進める 条件・中間成果を残す 基準との違いを確認 必要な工程から戻る 入力・生成条件 中間成果 検証結果 再開地点・停止条件 長く動かす前に、記録・再開・停止を設計する 18
19. 人間の仕事は、実行から設計・監督へ移る 任せる範囲と、人間が介入する地点を決める 準備 実行中 完了時 人間 目的・制約を決める 重要な判断で確認 成果を確認 AI 調べる 作る 確かめる 任せる範囲と、介入する地点を設計する 19
20. AIの仕事をトークン×単価で計測して管理する 使った費用と得られた成果を対応付け、次の配分に使う 費用を計測する 使ったトークン量 × モデルの単価 ＝ AIの費用 AIの費用 ＝ Return on Token 同じトークン量でもモデル単価で費用は変わる。入力・出力は別々に計算する 成果を評価する 仕事で得た成果価値 ÷ ここではモデルごとの単価差を反映し、AI費用当たりの成果価値で比べる 費用と成果を同じ仕事に結び付け、次のモデルと実行量を決める 20
21. モデル×ハーネス×タスクで、Return on Tokenは変わる 漫画制作を例に、扱う変数の絡み合いに合わせてモデルを配分する 講演用の設計例。「次元」は同時に扱う条件の絡み合い。少・中・多は相対的な目安 順番 01 02 03 04 タスク 進行 少 事前調査 テーマ 台本・ネーム設計 個別素材を定義 素材候補を生成 次元・変数 中 展開・人物 多 人物・姿勢・背景 中 参照・構図 中 05 候補選定・改稿 候補差・前後整合 06 組版・文字入れ 配置・文字・遮蔽 多 モデル ハーネス 小型 Skill：参考作品の調査 中型＋人 Skill：台本・ネーム設計 Hook：出典・対象確認 Hook：因果・読順確認 工程別の成果 採用した調査結果 作品全体の成果 公開後に評価する成果 作品の販売 承認済みネーム 読者の継続購入 完成ページの品質 大型 Skill：素材の分解 Hook：必須要素を照合 中型 Skill：画像の探索生成 中型＋人 Skill：候補選定・改稿 Hook：生成条件を記録 採用された素材仕様 ÷ 制作全体のAI費用 合格した未加工素材 販売だけで判断せず、 人が読順や画質を検収 大型 Hook：未加工画像を確認 Skill：Compositor組版 Hook：保存画像を目視確認 改稿後の承認ネーム 検収済み完成ページ 文章はトークン費、画像は生成・GPU費を計上。Return on Token＝確認済み成果÷工程のAI費用。 扱う変数の絡み合いでモデルを選び、成果と費用で配分を直す 21
22. PART 04 04 特許分析から、ものづくりの 研究開発にAIを適用する 競合の技術と自社の強みを、研究仮説と実験へつなぐ 競合特許→自社の強み→研究仮説→次の実験 22
23. 特許分析の実践を、目的・組み立て・創発と発見で見る ハーネス・ループ・グラフは、同じ仕事を支える三つの設計 ① 目的と評価 実務の組み立て ⑤ 創発と発見 何を判断するための仕事か 誰に任せ、どう確かめるか 知識をつなぎ、何が見えるか 競合の特許網を読み解き、 自社の特許網構築を考える。 ② ハーネス 発見 仕事の完了条件 技術の重なりと違いが分かる 結論から原典へ戻れる モデル・Skill・ツール・参照情報 技術の配置・共通点・違いを捉える ③ ループ 創発 計画・状態・検証・差し戻し 異なる知見から、新しい問いを作る ④ グラフ 原典・技術・比較結果・判断根拠 次の研究への展開 自社の強みと重ねて仮説を作る 次に確認する論点が残る 原典を読む → 比較する → 検証する → 統合する 実験で確かめ、成果と費用を見る 目的を決め、仕事を組み立て、知識の接続から次の問いを生む 23
24. 五つのエンジニアリングで、特許網の分析をつなぐ 公報の読解から競合の技術配置までを、原典の根拠でたどる 問い・比較基準を更新 Prompt 何を比べ、何を決めるか 競合の特許網と自社の強み 研究する場所・不足領域を問う 根拠を確かめ、訂正する Harness 読解・比較・検証を分担 公報と関連情報を揃える 独立判定と原典を照合 入力・基準を直して再判定 未確認から次の探索を選ぶ 入力 比較と根拠を保存 Graph 原典・関連情報を次の入力へ 実行結果 PDF画像化・OCR・図面読解 請求項・出願関係を比較 モデル・Skill・ツールを割当 Context 請求項・出願系列・技術用途 PDF図面・実験・OCR本文 Loop 依頼・基準 訂正・未確認を反映 特許・技術・根拠をつなぐ 出願関係／請求範囲／技術の関係と原典の根拠を分けて記録 公報の読解を特許網の比較につなぎ、次の研究判断へ進める 24
25. PROMPT / CONTEXT 04-01 研究開発への適用 目的と評価 研究と事業のゴールを決める 調査の完了と、研究開発・事業の成果を分けて設計する 25
26. 研究開発と事業成長にAIを役立てる 事業と研究開発のゴールから、AIに任せる仕事を決める 目的と評価 目指す成果 自社技術が採用され、事業の成長につながる 技術・製造の優位性 ＋ 強みを守る特許網 そのために、何を判断するか 人が行う判断 AIに任せる仕事 どの研究領域に 投資するか 競合技術と自社の強みを比較 違い・未確認の論点を整理 どの技術を 特許で守るか 競合の特許網を分析 技術・用途・出願を対応づけ AIの成果は、判断に必要な根拠と論点が揃ったかで評価する 26
27. 研究開発のゴールを分解し、各項目でAIの費用対効果を見る 売上につながる研究開発と特許の課題に、AIの仕事とReturn on Tokenを対応させる 目的と評価｜研究開発への適用例 新しい製品・技術を 実用化する 実用化した技術・製品数 研究開発による 売上への貢献 関連製品の売上・貢献額 実用化までの 期間を短縮する 開発期間の短縮 技術の優位性を 特許で守る 重要技術・用途の保護状況 特許網と自社技術から研究テーマを選ぶ 成果：採択された研究テーマ数 技術候補を探し、性能・製造条件を確かめる 成果：目標を達成した技術候補数 既存の特許・研究結果を再利用する 成果：削減できた重複研究・実験 仮説を比較し、次の実験を選ぶ 成果：不確実性を解消するまでの期間 基盤・周辺技術・用途の特許網を補う 成果：不足領域を補う出願・権利化 競合の請求項を比較し、代替技術を探る 成果：検証で確保できた開発の選択肢 研究開発の各課題にAIを適用し、成果と費用から配分を変える 27
28. HARNESS 04-02 研究開発への適用 ハーネス 判断できる仕事へ組み立てる 原典と比較基準を揃え、担当ごとの入力と完了条件を決める 28
29. ハーネスは、モデルを仕事へ接続する実行の仕組み モデルの周囲にある指示・ツール・状態管理・制約・検査を含む ハーネスの定義 User Harness｜利用者が仕事に合わせて整える 指示・Skill・参照情報・権限・完了条件 Builder Harness｜提供者が製品に組み込む ツール実行・状態管理・実行環境・基本制御 モデル 理解・生成・推論 二層は、誰が構築・設定するかによる区分 利用者は、製品の実行基盤に仕事固有の条件を組み込む 29
30. モデル・Skill・メモリ・ツール・サブエージェントを組む R&Dの仕事を例に、五つの実行要素の役割を整理する Harness｜実行要素 要素 各要素の役割 R&Dでの使い方 モデル 文章・図表を読み、比較・推論する能力 定型整理／構造式・図面読解／戦略仮説 Skill 入力から完了までの手順 請求項整理・技術比較・実験計画 メモリ 再利用する知識と失敗 採用した基準・適用範囲・更新履歴 ツール 検索・計算・データへの接続 特許・論文DB・社内の実験記録 サブエージェント 効率的な分担／独立したコンテキストでの判断 基礎技術・製法・用途の調査と評価 人が決める権限・予算・介入条件を、実行要素の外側に置く 30
31. GPT-6 Astraは、条件から編集できる3D空間を作る GPT-6 Astraによる住宅制作：計画からBlender、歩ける空間へ 人が伝えた条件 部屋数・住宅の雰囲気 AIが進めた工程 計画 → Blenderで制作 → 描画結果を見て修正 → 歩ける空間へ展開 ここから読める特徴 複数の条件を、コードと 視覚的な成果物へつなぐ Thomas Ricouardによる住宅制作デモの画面 編集できる成果物を残し、見て直す工程を回す Thomas Ricouard｜2026-09-04｜発表用デモ 31
32. Claude Fable 5.1は、研究の見落としから仮説を更新した Claude Fable 5.1によるRakuten Medicalの臨床研究レビュー 依頼した仕事 臨床研究を再点検する AIが見つけた点 未発見の不足を指摘し 追加の検証を求めた 研究の前進 見切っていたデータから 新しい仮説を提案 Anthropic掲載のRakuten Medicalの証言画面 既存の結論を点検し、次に確かめる仮説を作る Rakuten Medical｜Anthropicの導入事例｜2026-09 32
33. Claude Opus 5.5は、製品紹介動画の初稿を作る Claude Opus 5.5によるTypingMindの紹介動画 依頼した仕事 製品を紹介する短い動画 本人が報告した成果 ブランド素材もAIが収集 30分未満で制作 人が詰めるところ 演出・音楽の似通い ブランドらしさ Tony Dinhの制作動画から取得した画面 初稿を速く作り、採用できる表現を人が選ぶ Tony Dinh｜2026-09-26｜制作時間は本人申告 33
34. GPT-6 AstraとClaude Fable 5.1は、作業の精度で結果が変わる 同じロボットで比較：ブロック移動と精密なパズル操作 ブロックを容器に入れる 精密なパズルを扱う 95% 40% GPT-6 Astra Claude Fable 5.1 GPT-6 Astra Claude Fable 5.1 2 / 20回 2 / 20回 モデルが先端の位置・姿勢を選ぶ → 専用ソルバーが関節を計算 工程ごとに成功条件を決め、専門ツールと組み合わせる Jay Chooi｜2026-09-05｜実験者による報告 34
35. 最先端モデルにも、苦手な専門業務が残る GPT-6 AstraとClaude Fable 5.1の公開評価｜仕事によって成功率は大きく異なる GPT-6 Astra Claude Fable 5.1 知識問題 96.0% GPQA Diamond 93.7% 専門分野の難問 57.2% Humanity's Last Exam（ツールあり） 65.0% 科学の作業 64.6% Terminal-Bench Science 0.1 52.6% 業務の自動化 41.4% AutomationBench 31.4% 遺伝子研究 37.1% GeneBench Pro 比較値なし 人が工程・ツール・検証・effortを設計し、苦手に対処する 出典：OpenAI「GPT-6 Astra」公開表。各モデルの最高effort。GeneBench ProのFableは回答拒否が多く比較値なし。 35
36. モデルの単価より、仕事を終えるまでの費用を見る GPT-6 Astra・GPT-6 Sol・Claude Opus 5.5：105件のバグ修正比較 モデル（max） 修正スコア AI費用 GPT-6 Astra 45 $33.04 Claude Opus 5.5 41.7 $58.53 GPT-6 Sol 29.3 $9.93 GPT-6 Sol：費用は低いが、未解決が多い GPT-6 Astra：この難問集合では修正数が多い 採用できる成果と、手直し・再試行まで含む総費用で選ぶ Paweł Huryn｜2026-09-23の投稿値｜API換算費用・CLI差を含む 36
37. 推論のeffortは、仕事に合わせて設定する LowからMaxまで、確認したいこととAI費用に応じて選ぶ 推論に使う計算量 小 大 Low Medium High Max 使う場面 使う場面 使う場面 使う場面 条件を揃える 初稿を作る・直す 検証・反証する 高難度の長い仕事 AIの動き AIの動き AIの動き AIの動き 不足を質問し、 案を作り、 例外と別条件を試し、 計画から実行・ 前提を明確にする 修正を繰り返す 見落としを探す 再検証まで進める 狙う成果 狙う成果 狙う成果 狙う成果 短い周期で方向を決める 候補を早く具体化する 採否の根拠を厚くする 難問の探索を進める 別評価：高い設定群と低い設定群の成功率差（Fable 5.1） ハードウェア ＋41pt セキュリティ ＋23pt ソフトウェア ＋13pt 試す速さと検証の深さを、工程ごとに調整する Thariq｜2026-09-26｜Fable 5.1の低・高設定群を比較 37
38. 判断の難しさと検証方法で、担当を配置する 変数の数、視覚処理、誤りの影響と検証方法で選ぶ Harness｜モデルと分担 担当 渡すもの→返すもの モデル配分の考え方 収集・整備 公報・論文→出典付きデータ 定型抽出は小型候補＋ツール 原典・図表の読解 請求項・構造式・図面→根拠 複雑な視覚解釈は大型候補 比較・分析 技術と基準→共通点・差分 条件が揃えば中型候補 仮説・統合 競合特許＋自社技術→研究の論点 多段の推論は大型候補＋専門家 独立レビュー 原典と基準→指摘と戻り先 誤りの影響に応じて別担当で確認 同じ仕事・同じ合格基準で試し、品質と費用から配置を決める 38
39. Skillに、入力・手順・検査・完了を書く 共通の仕事の進め方と、実行ごとの記録を分ける Harness｜Skillの中身 再利用する仕組み 実行ごとに残すもの SKILL.md 用途／入力／手順／出力／完了条件 rules・references 技術用語・比較基準／請求項／原図 scripts・tools 取得／正規化／計算／保存／検査 hooks 入力不足や検証漏れで次工程を止める assets 共通の仕様書・比較表・実験計画書 runs・memory 実行ID／入力の版 候補・条件・結果 観察・判定・差し戻し 採用した知見と適用条件 技術比較Skill：候補A/B＋原典 → 共通点・差分・不足情報 → レビュー待ち 親Skillが、順番・受け渡し・戻り先・人の確認地点を決める 39
40. メモリは、前の判断を次の仕事で使える形に残す 外部の相談結果と案件内の記録を、索引から原典までたどる HARNESS｜メモリ 外部で得た知見 案件内に残す記録 調査エージェントへの相談 論点・候補・未確認事項 原典・抽出データ・定義集 判定・失敗・更新履歴 索引を作る 対象ID 技術要素 出典 版 確認状態 次の担当が索引から探し、採否と根拠を確認して使う 保存と索引を組み合わせ、次の担当が根拠までたどれるようにする 40
41. ツールを連鎖させ、原典の取得から照合までつなぐ モデルの推論に、外部データへの接続と専門処理を加える HARNESS｜ツール 前の工程の出力を、次の工程の入力にする 原典を取得 画像に分ける 対象を切り出す 内容を読む 根拠を確かめる 公報API PDF画像化 領域検出（SAM3※） OCR・画像比較 原図・請求項の照合 次へ渡す 次へ渡す 次へ渡す 次へ渡す 次へ渡す 公報PDF ページ・図面画像 対象の画像 文字・画像の候補 根拠付き候補 ※SAM3による対象検出は拡張案。PDF画像化・OCR・画像索引・製品照合は案件の工程を参照。 ツールの出力をつなぎ、原典に戻れる判断材料を作る 41
42. サブエージェントは、異なるモデルの視点を往復させる 親が仕事と合格条件を渡し、担当は出典と未確認事項を返す HARNESS｜サブエージェント 共通の受け渡し：対象・出典・判断基準・未確認事項・完了条件 原典から仮説へ GPT系 Claude系 条件に沿って長く精読 領域横断の論点・仮説 候補と根拠 仮説から検証へ Claude系 GPT系 論点を整理 原典・制約を照合 採否と不足条件 モデル別の役割は設計仮説。同じ課題で品質・費用・確認時間を比較して採用。 異なる視点を受け渡し、採用前に原典と成果を確認する 42
43. LOOP 04-03 研究開発への適用 ループ 長い仕事を進め、戻し、止める 失敗の原因を、入力・判断基準・検査へ戻す 43
44. ループは、結果を次の行動へ戻す反復の仕組み 実行・検証・改善で、何を戻し、何を変え、いつ止めるかを決める ループの定義 実行する 結果を観測する 実行ループ 観測した結果から、次の処理を選ぶ 検証ループ 基準に照らし、不足・誤りを修正する 改善ループ 履歴を基に、指示・Skill・検査を更新する 次の行動を決める 完了・上限到達・判断待ちで、終了または人へ引き継ぐ 結果と状態を残し、戻り先と停止条件を決める 44
45. 計画と状態遷移で、長い仕事を制御する 開始・待機・再開・完了を、記録に基づいて切り替える Loop｜計画と状態 準備 実行 検証待ち 入力・AIの役割・予算・依存 独立した調査を並列に進める 結果と使用条件を保存する 関係を決める 合格・上限 計画は、結果と不足情報で更新する 状態と入力の版を保存し、 必要な工程から再開する 再調査／承認待ち 完了／停止 不足箇所へ戻る／人の判断を待 合格・上限・判断不能で終了す つ る 手動・定期・更新イベントで起動し、保存地点から再開する 45
46. 六つの変数で、次の行動を決める 目的・制約・操作・状態・評価・成果を、特許網分析に当てはめる ループ 設計の起点 実行・評価・更新 目的 操作変数 状態変数 成果指標 競合の特許網と自社の強 比較する技術軸・対象 確認済みの関係・出典 研究領域と特許戦略を選 みの差を明らかにする 特許・精読範囲 ・未確認事項 ぶための論点 制約 対象技術・参照できる原 典・予算・期限 業務への効果 評価変数 網羅性・原典照合・判 断の妥当性 AIの仕事ごとに、選べる条件と完了の基準を定める 46
47. 誤りを見つけたら、原因の工程へ戻す 2回のAI判定が一致しても、同じ見落としが残る Loop｜検査と差し戻し 特許比較で起きた誤りを抽象化した例 01 02 03 04 比較結果 別の角度で検査 原典で原因を確認 判定を訂正 2回のAI判定が 同じ論点なのに 必須条件の解釈を 誤った判定と理由を直し 同じ結論になる 判定が割れる対を探す 誤っていたと分かる 同じ誤り方を調べる 人の問い直しをきっかけに、AIが別の切り口で検査した実例 AIの回答が一致しても、別の角度から根拠を確かめる 47
48. 誤りの原因を、次の検査と基準へ反映する 適用ミスは検査へ、基準不足は定義へ戻す Loop｜経験の蓄積 01 02 03 04 記録する 原因を確かめる 仕組みを直す 効果を確かめる 元の判定・理由・出典 適用ミスか 基準にない場面か 検査を追加 規則を追記 影響する判定を見直す 結果と不足情報を、次の判断へ戻す 適用条件と版を残し、有効性を確認した知見を共有する 48
49. GRAPH 04-04 研究開発への適用 グラフ 知識と根拠をつなぐ 結論から原典へ戻り、訂正の影響を次の工程まで追う 49
50. グラフは、対象と関係を明示して記録する構造 ノードは工程・情報・ファイル、エッジは順序・参照・依存・派生などの関係 グラフの定義 実行のつながり 知識・根拠のつながり ファイルと履歴のつながり 順序・分岐・合流 対象・判断・出典 過去の版・参照・派生 処理A 資料 過去のファイル 次に実行 抽出 検査 不合格 修正 抽出した情報 合格 完了 更新 更新したファイル 根拠 判断 生成 生成した成果物 関係の種類・対象ID・版・時点を記録し、経路と影響をたどれるようにする 次に動く工程と、判断の根拠や過去のファイルをたどれる 50
51. 四層を往復し、原典の確認と新しい探索につなぐ Goldは問い別の結果、Platinumは意味・関係・根拠を横断する参照層 Graph｜情報の層 層 Bronze 原典 Silver 整備 Gold 問い別の集約 Platinum* 意味と関係 役割 生成 ↓ 特許分析の実例 公報・原文・画像を原本のまま残す 公報PDF・生HTML・原文 請求項・技術要素・出典を揃える クレーム分類・判定理由 目的ごとに比較・集約した結果を作る 出願マスタ・分析CSV 用語・関係・原図を横断してたどる 定義集・関係表・図・Sheet 根拠へ ↑ *Platinumは講演上の拡張。実例の定義集・関係表・図・Sheetは分散しており、統合グラフは未確認。 根拠の往復で誤りを直し、次の問いを生む 51
52. 測定値を、試験対象・条件・比較相手と一緒に読む 効果を判断する前に、元の図表から測定の一組を取り出す グラフ｜実験根拠 原典の図表 試験対象 何を作り、測ったか 条件 どう処理し、測ったか 実施例・比較例 図表の位置 研究者が確かめる この差は 次の研究で 数値だけを切り出さず 元の図へ戻れる 比較相手 何との差を見たか 測定値 単位と原図の位置 確かめたい効果か 数値は、測った条件と比較相手まで戻れて初めて研究に使える 52
53. 請求項の条件を、実験記録と一つずつ照合する 同じ公報でも、条件ごとに確認できた範囲は違う グラフ｜実験根拠 説明用の仮例｜請求項1：材料AとBを含み、処理C後に性能X以上 請求項に書かれた条件 実験記録と出典 この実験での確認 材料AとBを含む 実施例1｜材料AとBを組み合わせた 同じ組合せ 処理Cを行う 実施例1｜処理Cの条件を記録 処理を確認 性能X以上 図2｜処理Dでの測定のみ 処理Cでは未確認 説明用の仮例。実験で確認した範囲を示し、権利の有効性は判定しない。 請求項の条件ごとに、実験記録で確かめた範囲を分ける 53
54. 特許・論文・自社実験を、比較条件でつなぐ 並列に読み、比較条件と根拠を確かめる設計案 グラフ｜案件横断の設計 目的 研究の問い 何を選ぶ？ 指揮 親エージェント 計画・担当・停止 原典 抽出 分析 公報 請求項・出願関係 特許網 実施例 試験対象・条件・数値 効果 製品資料 構成・用途 製品対応 論文 試験対象・条件・数値 外部の結果 社内実験 試験対象・条件・数値 自社の結果 統合 共通記録 原典・試験対象 条件・測定値 判定 比較条件は 揃うか？ 比較相手・来歴 揃う 根拠・反証を 独立に確認 次の仕事 不足・不一致 差・欠測を記録 追加調査 判断案 人が選ぶ 次の仕事 問いを更新 計画を更新 比較条件と根拠を確かめ、人が次の調査・実験を選ぶ 54
55. EXPLORATION / OUTCOMES 04-05 研究開発への適用 問いを変え、研究の成果へつなぐ 探索と成果 特徴的な差から問いを選び直し、次の検証へ進む 55
56. 特徴的な差から、次の研究の問いをつくる 公開特許の条件別の記載から示唆を得る。原因と再現性は未確認 探索と成果｜問いの更新 当初の問い 競合は何を特許で守 るか 権利範囲と出願関係を整理 公報の実施例・比較例 次に知りたいこと 条件A 差は小さい どの条件が差に関係する？ 条件B 差が大きい 目指す効果にも関係する？ 条件C 記載がない 人が問いを選び直す 説明用の仮例。公報の記載から原因や再現性は確定できない。 公開資料の示唆から、人が次に調べる問いを選ぶ 56
57. 特徴的な差を、反証できる仮説にする 同じ条件の根拠と逆の結果を調べ、次の検証条件を決める 探索と成果｜検証計画 同じ条件を探す 測定法・比較相手を確認 新しい問い 研究者が決める 何を変え、何を揃えるか どの条件で差が出る？ 逆の結果を探す 不足と反証を残す 検証計画の案。自社の新しい実験結果ではない。 示唆を、反証できる仮説と検証計画に変える 57
58. 異なるグラフをつなぎ、考慮できる変数を増やす 特許・論文・自社の既存データを比較条件で接続する設計案 探索と成果｜複数グラフの接続 公開特許のグラフ 請求項 実施例 共通の比較単位 試験対象 処理条件 外部論文のグラフ 研究課題 測定結果 比較相手 自社の既存グラフ 製造条件 測定方法 既存試験 横断して見る 条件の組合せ 一致と食い違い 研究者が選ぶ 検証する変数 未確認の条件 揃わない関係は保留 研究開発への設計案。自社データの常時接続と新規実験は未実施。 情報源をまたいで変数をつなぎ、次に確かめる条件を選ぶ 58
59. 研究開発の成果ごとに、AI費用の配分を変える S27のゴールを、今回の研究判断とAIの仕事へつなぐ 探索と成果｜Return on Token 事業のゴール 三つの成果 今回追う判断とAIの仕事 検証候補を選べたか 実用化 売上への貢献 採用技術の貢献を追う 対応するAI費用 比較・反証のAI費用 AI：候補と反証の比較 期間短縮 特許で守る 次の検証決定までの日数 照合・再調査のAI費用 AI：条件・先行結果の照合 守りたい違いと不足根拠 特許分析のAI費用 AI：請求項・実施例の対照 評価設計案。売上への貢献と新規実験の成果は未実測。 判断の前進とAI費用を、同じ成果の枝で追う 59
60. 人が問いを広げ、AIが根拠と反証を探す ハーネス・ループ・グラフを使い、次の難しい問題を選ぶ 探索と成果｜結論 AI 人 公報・論文を読む 示唆の意味を考える 条件を比較し、反証を探す 次の問いと資源配分を決める 新しい問いをAIへ渡す ハーネス ループ グラフ 担当と検査 誤りと不足を戻す 判断と根拠をつなぐ AIが根拠と反証を広げ、人が次の問いを選び直す 60
61. Deskrex deskrex.ai © Deskrex