Adaption Labsに渡す前の4確認|外に出る範囲と検収

Adaption Labsに渡す前の4確認|外に出る範囲と検収

「問い合わせ履歴や商談メモを渡せば、自社向けのAIを作ってくれるサービスがあると聞いた。手本が10件で済むなら試してみたい」「学習用のデータ作りを外に任せたいが、顧客の名前が入った記録をどこまで渡してよいのか決められない」——自社専用のAIを検討し始めたマーケ部門や情シスで、最近よく上がる相談です。学習用データの外注は、作業の手間を減らす話だと受け取られがちです。けれども本当に決めるべきなのは、何を外に出し、作られたデータを誰が合格とし、終わったあと何を消してもらうかという、渡す側の責任の線です。この記事では、少ない手本から学習用データを大きく広げ、モデルの調整まで自動化する米国の Adaption Labs を例に、社内データを渡す前に確かめたい4つの点を、マーケ・営業の記録を題材に手順として整理します。操作方法や料金表の紹介はしません。


カメ先生カメ先生

学習用データを作るサービスというと、手本を渡せば質のよいデータが勝手にそろう道具だと思われがちなんだ。でも実際には、手本の選び方で出来上がりの癖がほぼ決まるし、増えたデータのどれを使うかの判断も残るんだよ。


カメ子カメ子

増やすところは任せられても、何を手本にするかと、どれを合格にするかは渡す側に残る、ということですか。


カメ先生カメ先生

そう。それに手本は社内の記録そのものだから、顧客の名前や商談の金額が外のサービスに渡る。だから渡す前に、出してよい範囲、検収のやり方、合格を出す人、終わったあとの削除までを決めておく必要があるんだ。


カメ子カメ子

データを作ってもらう前に、受け取り方と返し方の約束を先に決めておくんですね。


この記事のポイント
  • Adaption Labs は2026年2月に5,000万ドルのシード調達を報じられた米国の会社で、11月12日には10件程度の手本から最大10万件の学習用データに広げるデータ拡張機能を公式ブログで発表した
  • 任せられるのはデータの増量・品質の選別・モデルの調整という作業で、手本に何を使うか、作られたデータの合格、権利と削除は渡す側が決める
  • 品質の選別はエージェントが自動で行い、公式も「人は一覧を見なくてもよい」と説明している。だからこそ、自社では人が見る範囲と合格の物差しを先に決めてから渡す

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

Adaption Labsとは:少ない手本から学習用データとモデルを作る会社

Adaption Labs は、AIモデルを自社の用途に合わせて調整するための学習用データ作りと、その後のモデルの調整を自動化するサービスを提供している米国の会社です。中心にあるのは、公式が Adaptive Data と呼ぶデータの基盤で、2026年2月24日のブログで公開が告知されました。その上に、手本からデータを広げる機能、説明文からデータセットを作る機能、PDFなどの形の決まっていない文書を学習に使える形に直す Forge、そして重みが公開されたモデルを選んでデータと学習の手順を合わせて最適化する AutoScientist が載っている、という構成です。

報道によれば、共同創業者はカナダのAI企業で研究部門と推論基盤を率いた二人で、2026年2月4日に米国のベンチャーキャピタルが主導する5,000万ドルのシード調達が報じられました。報道では、実際の使われ方から学び続け、より安く動かせる小さなモデルに賭ける会社として紹介されています。つまりこの会社が売っているのは、汎用の大きなAIそのものではなく、自社の手本に合わせて小さなモデルを仕立てるための材料作りと調整の工程です。ここが、ふだん社員が使っているチャット型のAIとの一番大きな違いになります。

なお、名前の似たAI関連の会社がほかにもあり、別の会社の買収報道と取り違えた紹介を見かけることがあります。2026年11月時点で、Adaption Labs 自体が買収されたという報道は見当たりませんでした。社内で検討資料を作るときは、会社名と公式サイトの所在地を必ず確かめておくと、後の契約確認で混乱しません。

2026年の動き:2月の公開から11月のデータ拡張まで

公式ブログを追うと、この1年はほぼ毎月何かが出ています。4月にはデータ基盤の API と開発用の部品群、形の決まっていない文書を学習用に整える Forge、5月にモデルの調整を自動で回す AutoScientist、7月には画像も扱えるようになった AutoScientist と、その API が発表されました。9月には手本がまったく無くても説明文から最初のデータセットを作る機能、10月8日にはエージェントが書いたチェックリストでデータの品質を選別する仕組みの研究、10月15日にはデータの中身を見渡すための画面、そして11月12日に手本からデータを広げる機能が発表されています。

このほか、6月にはアジア太平洋で企業向けに自前のAIを届けるための提携、8月にはシンガポールの国家AI研究機関とモデル学習の効率を上げる試行が告知されました。3月には研究者向け、5月には公的機関向けの助成の募集も告知されています。日本での販売代理や日本語での窓口についての発表は、調べた範囲では見当たりません。更新が速いことは、機能がすぐ増えるという意味では魅力ですが、契約時に確かめた条件が半年後にも同じとは限らないという意味でもあります。社内で使い続けるなら、四半期に一度は公式ブログと契約条件の更新を見直す担当を置いておくのが現実的です。

何をどこまで任せることになるのか

11月の発表によると、データ拡張の機能は「まず10件の手本から始める」ことを想定しており、そこから最大10万件の学習用データを作ります。広げ方は3つあり、一つ目は手本の話題・言葉づかい・形式に近いデータを増やすこと、二つ目は同じ分野の関連する課題を加えること、三つ目は有効にした場合に限り、ほかの分野の素材を混ぜることです。三つ目では、どの話題や出典をどの割合で混ぜるかを、公式がデータエージェントと呼ぶ仕組みが選ぶと説明されています。作ったデータは最大242言語への翻訳や、国と言葉に合わせた地域化にもかけられます。

広がったデータは、その後 AutoScientist に渡して、利用者が選んだ重み公開モデルの上でデータと学習の手順を合わせて調整できる、と公式は書いています。調整にかかる期間を「数週間から数日に縮める」とも説明しています。社内から見ると、任せる範囲はデータの増量・品質の選別・モデルの調整という三つの作業です。逆に言えば、手本に何を使うか、増えたデータのどれを受け入れるか、出来上がったモデルを業務に出してよいかの判断は、どの機能も代わりに引き受けてはくれません。

工程サービス側が自動でやること社内に残る判断
手本の用意形の決まっていない文書を学習用の形に整えるどの記録を手本にするか・外に出してよいか
データの増量手本に似たデータ・関連課題・他分野の素材を足す他分野を混ぜるか・どの言語に広げるか
品質の選別エージェントが書いた要件で例を選り分ける人がどれだけ抜き取りで見るか・合格の物差し
モデルの調整重み公開モデルの上で手順を最適化する業務に出してよいか・誰が承認するか
終了公開資料では確認できずデータとモデルの返却・削除の確認

誤解:「手本を10件渡せば、あとはお任せで済む」

「10件から始められる」という説明は、準備の手間が小さいことを示しています。けれども、手本が少ないほど、一件一件の癖が増えたデータ全体に強く写るという点は見落とされがちです。たとえば問い合わせ対応の手本に、たまたま謝罪の言葉が多い返信ばかりを選ぶと、増やした数万件も謝罪の多い返信になります。営業メールの手本に特定の業界の事例ばかりが入っていれば、出来上がったモデルはその業界の言い回しを、ほかの業界の顧客にも使い始めます。

もう一つの誤解は、品質の選別まで自動でやってくれるなら、人が見なくてもよいという受け取り方です。公式の研究記事は、要件の一覧はエージェントが書き、人は「見てもよいが、見なくてもよい」と説明しています。これは研究としての自動化の到達点を示したもので、自社の業務に出すデータについて人の確認が要らないという保証ではありません。手本を選ぶ責任と、増えたデータを受け入れる責任は、外注しても社内に残ると考えて、次の4つの確認に進むのが安全です。

渡す前の4つの確認:全体の流れ

ここからは、社内の記録を Adaption Labs のような学習用データ作りのサービスに渡す前に確かめる点を、4つの手順にまとめます。順番に意味があり、一つ目で渡す範囲を決めないまま二つ目以降を議論すると、検収の基準も削除の範囲も決まりません。どの手順も、マーケ部門だけでは決めきれず、情シスと法務の確認が入ります。最初に担当を決めておくと、検討が止まりません。

STEP1
何を渡すか

手本にする記録を選び、顧客名・担当者名・金額などを外に出すか、伏せるかを決める。個人情報の委託や越境にあたるかを法務と確かめる。

STEP2
作られたデータをどう検収するか

増えたデータから抜き取りで人が読む件数と見る観点を決める。自動の選別結果をそのまま受け入れない。

STEP3
誰が品質を合格とするか

業務の担当・データの持ち主・情シスの役割を分け、合格の物差しと承認者を書き出す。

STEP4
権利と削除

手本・作られたデータ・調整したモデルの権利と保存場所、契約終了時の返却と削除の証明を契約前に確かめる。

この4つは、試しに使う段階でも省略しないでください。試用で渡した手本も、外に出たという点では本番と変わりません。試す前に決めておけば、試した結果をそのまま本番の判断材料に使えるという利点もあります。

確認1:何を渡すか ― 手本にする記録を選ぶ

最初に決めるのは、手本にする社内の記録です。マーケ・営業なら、問い合わせへの返信、商談のメモ、提案書の一節、ウェビナー後のお礼メール、よくある質問への回答などが候補になります。選ぶときの基準は、その業務で「この返し方を増やしたい」と担当者が言える出来のよいものだけに絞ることです。手本は少ないほど一件の影響が大きいので、件数を集めるより、出来のよい10件から30件を担当者が選び抜くほうが結果は安定します。

次に、選んだ手本のどの部分を外に出すかを決めます。顧客の会社名、担当者名、電話番号、商談の金額、値引きの条件、競合の名前などは、学習させたい言い回しとは無関係なことが多いはずです。これらは渡す前に、社内で置き換えておくのが基本です。たとえば会社名は「A社」、金額は「〇〇万円」のように揃えます。置き換えた結果、手本としての意味が崩れないかを担当者が読み直すところまでを、一つ目の確認に含めます。

形の決まっていない文書をそのまま渡して学習用に整えてもらう機能もありますが、整える前の文書にこそ、余計な情報が多く残っています。整形を任せる場合も、伏せる作業は渡す前に社内で済ませると決めておくと、後で何が外に出たかを説明しやすくなります。

確認1の続き:マーケ・営業の記録で外に出るもの

顧客対応の記録を外部のサービスに渡すことは、個人情報保護法の上では、多くの場合、取り扱いの委託として整理することになります。委託であれば、委託先を適切に監督する義務が渡す側に残ります。さらに Adaption Labs は米国の会社なので、データが国外で処理される可能性を前提にする必要があります。外国にある第三者への提供にあたるかどうか、本人への情報提供が必要かどうかは、契約の形と処理の場所によって変わるため、法務と個人情報の担当に事前に確かめることが欠かせません。

気をつけたいのは、学習用データを広げる過程で、手本に含まれた固有の情報が、増やしたデータの中に形を変えて残ることです。手本の顧客名を伏せ忘れると、数千件のデータに同じ名前や似た名前が散らばることがあり、後から一件ずつ探して消すのは現実的ではありません。つまり、伏せ忘れの影響は、渡した件数ではなく、増やした件数の規模で広がります。この点が、一件の資料をチャット型のAIに貼り付ける場合との違いです。

  • 他分野の素材を混ぜる設定は、出典がどこかを社内で説明できないデータが入ることにつながる。最初は無効のまま試し、必要になってから法務と相談して判断する
  • 翻訳や地域化にかける場合は、日本語以外のデータを社内で誰が読めるかも決めておく。読めない言語のデータは検収できない
  • 手本と、増やしたデータの両方を社内に保管しておく。何を渡し、何が返ってきたかを後から突き合わせられるようにする

確認2:作られたデータをどう検収するか

データが返ってきたら、受け入れる前に検収をします。数万件を全部読むことはできないので、抜き取りの件数と、読むときの観点を先に決めておきます。たとえば、増えたデータから無作為に200件を取り出し、業務の担当者が「この返し方を顧客に出してよいか」で一件ずつ判定する、といったやり方です。件数は業務の重さで変えてよいですが、一度決めた件数と観点は記録に残し、次回も同じ基準で比べられるようにします。

観点として最低限入れたいのは、事実の誤り、自社が提供していない機能や条件を約束していないか、顧客や競合の固有の情報が混ざっていないか、言葉づかいが自社の規程から外れていないか、の四つです。特に、手本に無かった約束をしているデータは要注意です。手本を広げる過程で、もっともらしいが自社にはない値引き条件や納期を書いた例が混ざると、それを学んだモデルが顧客に同じことを言い出します。

検収で一件ずつ見る観点
  • 書かれている事実・数字が、自社の資料と一致しているか
  • 自社が提供していない機能・条件・納期を約束していないか
  • 顧客・担当者・競合の固有の情報が残っていないか
  • 言葉づかいが社内の表現規程から外れていないか
  • 手本と比べて、偏った話題や業界に寄りすぎていないか

抜き取りで不合格が一定の割合を超えたら、そのデータは受け入れず、手本の選び直しから戻る、という線も先に決めておきます。基準を決めずに検収すると、不合格の例だけを手で消して残りを受け入れる、という場当たりの判断になりやすいからです。

確認2の続き:AIの選別を、どこまで信じるか

10月8日の研究記事によると、Adaption Labs の品質の選別は、過去の学習の講評をもとにエージェントが「満たすか、満たさないか」で答えられる要件を書き出し、別のエージェントがそれを一件ずつ当てはめる仕組みです。記事の時点で要件は164個、対象は44の専門分野で、適用される要件を一つでも満たさない例は除外する、と説明されています。医療や法律、企業の業務のように正解が一つに決まらない分野でも、品質を確かめられる形にするのが狙いだと書かれています。要件を分野別に見ると、最も多いのは企業の業務で48個、次いで技術、医療、文章とコミュニケーションの順だとされ、マーケ・営業の記録が当てはまりそうな領域にも要件が用意されていることが分かります。一方で、当てはめ役のエージェントは推論を深く行う動かし方が必要だったと書かれており、選別そのものにも計算の費用がかかる点は押さえておきたいところです。

記事は、この選別で学習したモデルの勝率が上がったと報告していますが、比べた場は同社自身の評価基盤で、第三者による検証の記載はありません。除外した割合の説明と実際の件数が一致しない箇所もあります。ここから言えるのは、自動の選別は件数を絞る道具としては役立つ可能性があるものの、自社の業務で出してよいかの判定を、それに任せてよい根拠にはならないということです。

実務では、自動の選別で残った例と、除外された例の両方から少しずつ抜き取って人が読むやり方が有効です。残った例に問題が多ければ選別の要件が自社の業務に合っていない、除外された例に良いものが多ければ厳しすぎる、と判断できます。選別の理由を一件ごとに出してもらえるかも確かめたい点です。理由が見えなければ、なぜその例が残ったのかを社内で説明できず、検収の記録にもなりません。

確認3:誰が品質を合格とするか

検収の観点を決めても、最後に「受け入れる」と言う人が決まっていなければ、データは宙に浮きます。学習用データの合格は、少なくとも三つの立場が関わります。その返し方が業務として正しいかを判断できる業務の担当、元の記録を持ち、外に出すことに責任を負うデータの持ち主、そして外部サービスとの接続や保存場所を管理する情シスです。

立場持つ判断AIに任せないこと
業務の担当(マーケ・営業・サポート)手本の選定・検収での一件ずつの判定顧客に出してよい表現かの最終判断
データの持ち主(部門長)外に出す範囲の承認・受け入れの承認伏せる項目の決定
情シス接続の権限・保存場所・削除の確認利用者と権限の付与
法務・個人情報担当委託・越境の整理・契約条件の確認本人への説明が要るかの判断

ここで大事なのは、手本を選んだ人と、増えたデータを合格にする人を、できれば分けることです。同じ人が両方を担うと、手本の癖が増えたデータに写っていても気づきにくくなります。小さな部門で人を分けられない場合は、少なくとも合格の判定理由を一件ずつ短く書き残すことを決まりにしておくと、後から別の人が見直せます。

確認3の続き:調整したモデルを測る物差しを社内で持つ

データを受け入れたら、次はそのデータで調整したモデルを業務に出してよいかの判断です。ここでも、サービス側の評価の数字だけで決めないことが大切です。公式の発表にある勝率は、同社の評価用の問題で測ったもので、自社の顧客対応や営業メールにそのまま当てはまるとは限りません。自社の業務から作った評価用の問いを、学習に使わない形で社内に取っておくのが基本です。

たとえば、過去の問い合わせから50件を選び、ベテランの担当者が書いた模範の返信と並べておきます。調整前のモデルと調整後のモデルに同じ問い合わせを答えさせ、担当者がどちらが顧客に出せるかを判定します。この評価用の問いは、手本として渡したものとは別にしておかないと意味がありません。学習に使った問いで測れば、どんなモデルでも良く見えるからです。

業務に出してからも、モデルの答えには根拠を添えさせ、担当者が確認してから顧客に送る運用から始めます。答えをそのまま自動で送る段階に進むかは、一定期間の誤りの件数を見てから決めます。調整したモデルは、条件や価格が変われば古い答えを言い続けるので、作り直しの時期もあらかじめ決めておきます。

確認4:権利と削除 ― 手本・データ・モデルは誰のものか

四つ目は、渡したものと作られたものの権利、そして終わったあとの扱いです。確かめたいのは、少なくとも三つあります。渡した手本が、サービス側の自社モデルや他の顧客向けの改善に使われないか、増やした学習用データの権利が誰にあるか、そして調整したモデルの重みを自社が持ち出せるか、です。

AutoScientist は重みが公開されたモデルの上で調整すると説明されているため、出来上がったモデルを自社の環境に持ち出せる可能性はあります。ただし、元のモデルの利用条件が、調整後のモデルにも引き継がれる点には注意が必要です。元のモデルの系統によって、商用利用の条件や表示の義務が異なります。どの元モデルを選ぶかは、性能だけでなく利用条件で法務と一緒に決めるのが安全です。

削除については、契約が終わったとき、手本・増やしたデータ・調整途中のモデル・記録の写しをいつまでに消すのか、消したことをどう証明してもらえるのかを確かめます。研究の講評をもとに品質の要件を育てる仕組みである以上、利用者の学習の講評が要件の改善に使われることがあるのか、という点も聞いておきたいところです。

公開資料で確かめられなかったこと

今回、公式ブログと報道を確認した範囲では、渡したデータの保存期間、サービス側の改善への再利用の有無、処理する国や地域、削除の手順、そして料金は確認できませんでした。公式サイト上のプライバシーポリシーや利用規約のページにもたどり着けませんでした。これは、こうした条件が無いという意味ではなく、公開された説明だけでは判断できないという意味です。企業向けの契約で個別に定めている可能性があります。

ですから、社内の検討では「公開資料に書いていない」で止めず、次の項目を書面で質問し、回答を契約の一部として残すことを勧めます。口頭や営業資料の説明だけで社内データを渡すのは避けてください。特に、海外の新しい会社は条件の更新が速いので、回答をもらった日付と、その版の契約条件を社内に保管しておくことが、後で条件が変わったときの備えになります。

  • 渡したデータ・増やしたデータの保存期間と保存場所(国・地域)
  • サービス側の自社モデルや他の顧客向けの改善に使うかどうか、使わない設定があるか
  • 処理に関わる再委託先の一覧
  • 契約終了時の削除の範囲・期限・削除証明の出し方
  • 調整したモデルの重みを持ち出せるか、その際の条件
  • 品質の選別で、一件ごとの判定理由を出せるか

費用の増え方と、止め方・やめ方

料金は公開資料で確認できなかったため、ここでは費用が増えやすいところだけを挙げます。学習用データ作りとモデルの調整は、作る件数、翻訳する言語の数、調整をやり直す回数に応じて計算資源を使う作業です。最初の試しでうまくいくと、部門ごとに「うちの業務でも」と手本が増え、調整したモデルの数が増えるほど、作り直しと評価の手間も比例して増えます。費用は契約金額だけでなく、検収と評価にかかる社内の人の時間で見積もる必要があります。

止め方も最初に決めておきます。社内の評価で調整前のモデルと差が出ない、検収の不合格が多い、条件の回答が得られない、のどれかに当たったら試しを打ち切る、と書いておくと判断が速くなります。やめるときは、手本と増やしたデータの写しを社内に持っていれば、別のサービスや自社での調整に移ることもできます。手本と評価用の問いは社内の資産として手元に残すことが、特定のサービスに縛られないための一番の備えです。

社内で追加学習の道具を自前で回す選択肢もあります。外に出さずに済む代わりに、学習用データを作る手間と計算資源の管理を社内で負うことになります。外注と自前のどちらを選ぶにしても、手本の選定・検収・合格の判断が社内に残る点は同じです。

AIに判断させないことを、先に書き出す

学習用データ作りを外に任せるとき、作業の多くはAIが行います。だからこそ、AIに判断させない点を最初に書き出しておかないと、自動化の範囲がいつの間にか広がります。自動の選別は件数を絞る道具、データエージェントは素材の混ぜ方を提案する道具であって、顧客に何を言ってよいかを決める主体ではないという位置づけを、関係者で共有しておきます。

  • 手本の選定をAIに任せ、どの記録が外に出たかを社内で把握していない
  • 自動の選別で残ったデータを、人の抜き取り確認なしで学習に使う
  • サービス側が示した評価の数字だけで、業務に出すかを決める
  • 他分野の素材を混ぜる設定を、出典を確かめないまま有効にする
  • 調整したモデルの答えを、根拠を示させずにそのまま顧客に送る

反対に、AIに任せてよいのは、決めた基準の範囲で件数を増やすこと、形を整えること、候補を絞ることです。判断の根拠を一件ごとに出させ、人が確認する範囲を決めてから任せる、という順番を守れば、外注の利点を受けながら責任の線を保てます。

まとめ

Adaption Labs は、少ない手本から学習用データを最大10万件に広げ、重み公開モデルの調整まで自動化するサービスを、2026年に入って矢継ぎ早に発表している米国の会社です。手間を大きく減らせる可能性がある一方で、手本に何を使うか、作られたデータの合格、権利と削除は、どの機能も代わりに決めてはくれません。社内の記録を渡す前に、渡す範囲と伏せる項目、検収の件数と観点、合格を出す人と物差し、契約終了時の削除の4点を決め、公開資料に無い条件は書面で確かめてください。手本と評価用の問いを社内に残しておけば、試した結果がどうであっても、次の判断の材料になります。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次