Citrineの実験提案を採るまでの4工程|次の実験を決めるのは研究者

「研究所長から、AIが出した配合の候補をどこまで信じてよいか、判断の基準を作れと言われた」「次に試す実験をAIに決めさせたら、若手が自分で考えなくなるのではと、ベテランの研究員が心配している」——素材や化学のメーカーで、研究開発へのAI導入が議題に上がると、研究企画の担当者のもとに同じ時期に届く二つの声です。前者は精度の話、後者は人材の話に見えますが、根は同じです。AIの実験提案を採るかどうかは、予測の精度だけでは決まりません。誰が目標を書き、誰が根拠を問い返し、誰が試す実験を確定するかという分担が先に決まっているかで決まります。この記事では、米国の研究開発向けAI基盤 Citrine が2026年7月に発表した新機能を手がかりに、提案を採るまでの4工程、予測と不確かさの読み方、失敗データを含む社内データの整え方、未公開の配合を社外の基盤に置く判断、研究企画・情シス・AI導入担当の分担までを整理します。
カメ先生AIが次の実験を提案するというと、当たる配合を教えてくれる機械のように思われがちなんだ。でも本当は、AIが出しているのは「当たりそうな候補」と「まだよく分からないから試す価値がある候補」の混ざった一覧なんだよ。
カメ子全部が当たり狙いの候補、というわけではないんですか。
カメ先生そう。だから提案を受け取った研究者が、どれが狙いでどれが探りなのかを読み分けて、自分の言葉で選ぶ理由を言えることが大事になる。そこを飛ばすと、AIに任せたつもりで実は誰も決めていない状態になるんだ。
カメ子AIの提案は答えではなく、研究者が選ぶための材料、ということなんですね。
- Citrine の Catalyst は、目標を日常の言葉で書くとデータの整理から次の実験の提案までを数分で組み立てるが、最終判断は研究者が持つと公式も説明している
- 提案には「当たり狙い」と「不確かさを減らす探り」が混ざるので、予測の当たり具合と不確かさの較正を確かめてから採る
- 失敗した実験も含めて結果を戻す仕組み、未公開の配合を社外の基盤に置く条件、研究企画・情シス・AI導入担当の分担を導入前に決める
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。
Citrineとは:素材・化学の「次に何を試すか」を提案する基盤
Citrine は、米国カリフォルニア州に本社を置く、素材と化学品の研究開発に特化したAI基盤の会社です。公式の説明では、クラウドで提供する企業向けの基盤で、配合や工程の条件と、できあがった材料の物性の関係を機械学習で予測し、目標の物性に近づくために次に試す実験を提案します。対象は、塗料・接着剤・樹脂・添加剤のような配合品や、金属・セラミックスなどの材料開発です。研究者が手元に持っている実験の記録が数十件から数百件しかない、という状況を前提にしている点が、一般的な機械学習の道具と違うところです。
2026年7月の公式発表では、特殊化学品の世界上位20社のうち10社が同社の基盤を使っていると公表しています。あわせて、基盤の上では月あたり550のAIモデルが動き、380の案件が進み、7万件の実験の提案が出ているとしています。いずれも同社が公表した数字で、第三者が検証したものではありません。4月には、スウェーデンの化学メーカーが、水性の樹脂エマルションの開発に Citrine の基盤を入れたと発表しました。発表によると、乳化剤の組み合わせと工程の条件を絞り込む用途で、化学の研究開発に典型的な少なくまばらな実験データを扱えることが選定の理由として挙げられています。
日本語で読める紹介はほとんどなく、国内の研究開発部門で名前を知っている人は限られるでしょう。この記事は、公式発表、公式の製品ページ、安全性を説明する公式のページ、開発者向けの公開文書で確認できた範囲だけを書いています。研究データをAIに接続するときの一般的な線引き(どのデータをどの層まで開くか)は別の記事で扱っているので、ここではAIが出した実験の提案を、研究の現場がどう受け取り、誰が確定するかに絞ります。
2026年7月の発表:Catalyst と Apex で何が変わったか
2026年7月7日、Citrine は二つの新しい製品を発表しました。一つは Catalyst で、研究者が製品の目標を自分の言葉で書くと、手元のデータを確かめ、学習用のデータセットを作り、AIモデルを組み、探す範囲と目標の物性を設定し、次に試す実験の提案までを数分で出すと説明されています。これまでは、データの整理やモデルの組み立てにデータ分析の専門家の手が要りましたが、そこを研究者自身が日常の言葉で進められるようにしたのが新しい点です。
もう一つの Apex は、予測モデルの層です。公式の発表では、グラフ構造を扱うニューラルネットワークや、文章生成AIと同系統の仕組みなど複数のモデルを同時に試し、科学文献や分子のデータで事前に学習した化学の表現も使って、その案件で最も成績の良いモデルの結果を返すとしています。同社の社内評価では、調整前の Apex のモデルが、専門家が調整した従来のモデルと同等以上の成績を出した割合が95%、複雑な最適化の問題では目標の物性に届くまでの実験の数を最大で半分に減らせたと公表しています。社内の比較であり、自社の材料で同じ結果になる保証はない点は押さえておく必要があります。
公式の製品ページによると、Catalyst の裏では大規模言語モデルが動いていて、研究者の質問を検索の語句や命令に変換し、自社専用の Citrine の環境に対して実行します。社内のデータに加えて、アップロードした報告書や査読付きの論文も問い合わせの対象にでき、答えには参照元が示されます。発表は、Catalyst を「ブラックボックスの自動化ではなく、科学的な意思決定のための道具」と位置づけ、提案の理由を平易な言葉で説明して、研究者が検討し異を唱えられるようにしたと書いています。この位置づけが、次の節以降の4工程の土台になります。
誤解:「AIが提案した配合は、上から順に試せばよい」
提案の一覧が点数の高い順に並んでいると、上から順に試せば効率がよい、と考えたくなります。しかし開発者向けの公開文書を読むと、その点数の意味は一つではありません。Citrine の提案の並べ方には、改善量の期待値で並べる方法、改善する確率で並べる方法、予測値そのもので並べる方法の三つがあり、どれを選ぶかで上位に来る候補が変わります。
特に既定でよく使われる「改善量の期待値」は、予測値と不確かさの二つから計算されます。文書は、予測値が良い候補だけでなく、不確かさが大きい候補も点数が高くなりうると明記しています。前者は分かっている知識を活かす「当たり狙い」、後者はまだデータが少ない領域を調べる「探り」です。上位の候補には両方が混ざっているので、上から順に試すと、意図せず探りの実験ばかりが続くことも、逆に当たり狙いに偏って新しい領域を見逃すこともあります。
- 点数の上位から機械的に試し、狙いの候補か探りの候補かを誰も区別していない
- 予測値だけを見て、不確かさの幅を確かめずに試作の材料を発注する
- 提案された配合の理由を聞かずに採り、外れたときに何が分かったのかを説明できない
- AIの提案と研究者の経験が食い違ったとき、どちらを採ったかを記録していない
どれも、AIの性能の問題ではなく、受け取る側の手順の問題です。逆に言えば、提案を採るまでの工程を先に決めておけば、同じ提案から得られるものが大きく変わります。ここからは、その工程を四つに分けて見ていきます。
工程1:目標と制約を研究者が書く——AIに決めさせない部分
最初の工程は、何を目指すかを決めることです。Catalyst は日常の言葉で書いた目標からAIの作業の流れを組み立てますが、目標と制約の中身を決めるのは研究者で、AIではありません。たとえば「硬化時間を短くしたい」だけでは不十分で、どの物性をどこまで上げたいのか、その間に悪化させてはいけない物性は何か、を書く必要があります。
公開文書によると、Citrine の基盤では、目標とは別に五種類の制約を置けます。物性や条件を上限と下限の間に収める制約、使ってよい区分を限る制約、配合に使う成分の数を限る制約、特定の成分の割合を限る制約、同じ種類に分類した成分の合計の割合を限る制約です。ここに、規制で使えない物質、調達が難しい原料、工場の設備で扱えない条件といった現場の事情を入れておかないと、AIは試作できない配合を平然と上位に出します。AIは、書かれていない事情を知りようがありません。
運用としては、Catalyst が言葉から組み立てた目標と制約の設定を、研究者が必ず一項目ずつ読み直す手順を入れます。日常の言葉は曖昧なので、「少し」「なるべく」がどの数値に置き換わったかを確かめるのが目的です。加えて、制約の中に法規や安全の条件が含まれる場合は、研究者だけでなく品質保証や安全の担当にも見てもらうと、試作の段階で止まる無駄が減ります。
工程2:予測の当たり具合を確かめる——交差検証の読み方
二つ目の工程は、AIモデルの予測がどのくらい当たるかを確かめることです。Citrine の公開文書は、手元のデータを何組かに分け、一組を伏せて残りで学習し、伏せた組を予測させる「交差検証」を使った評価を説明しており、5つに分けて3回繰り返す設定を推奨しています。
評価の指標の中で、研究者がまず見るとよいのは、予測の誤差を実測値のばらつきで割った指標です。文書によると、この値が0なら完全に当たるモデル、1なら平均値を答えるのと変わらない役に立たないモデルで、0.9未満なら設計に使える目安とされています。誤差の大きさそのものは物性の単位で出るので、研究者が「この誤差なら実験の再現性の範囲内だ」と肌感覚で判断できる、という利点もあります。
もう一つの注意点は、似た材料が学習用と評価用の両方に入ると、予測が実力以上に良く見えることです。文書は、似た材料を同じ組にまとめて評価する設定を用意しています。同じ系列の配合を少しずつ変えた実験が多い研究ほど、この設定を使った評価を見るべきです。評価の数字は、AI導入担当が出して終わりにせず、研究者が「この材料系でこの数字なら使えるか」を判断する材料として共有します。
| 確かめる項目 | 公開文書の説明 | 研究者が見るときの問い |
|---|---|---|
| 誤差の大きさ | 物性と同じ単位で出る。小さいほど正確 | 実験の再現性のばらつきと比べて大きすぎないか |
| 誤差を実測のばらつきで割った値 | 0なら完全、1なら役に立たない。0.9未満が設計に使う目安 | この材料系で、平均値を答えるより明らかに良いか |
| 不確かさの較正(標準化した残差) | 1なら較正が取れている。1を超えると過信、下回ると慎重すぎ | AIが示す幅を、そのまま信じてよいか |
| 幅に収まった割合 | 既定は約68%の幅に実測が収まる割合を見る | 示された幅の中に、実測がおおむね収まっているか |
不確かさの読み方:提案には「狙い」と「探り」が混ざっている
Citrine の予測は、一つの値ではなく、値と不確かさの幅の組で出てきます。公開文書は、複数の予測モデルを組み合わせて、物性の予測を、数値で表した不確かさと一緒に出すと説明しています。この幅をどう読むかが、提案を採るときの判断の中心です。
まず、幅そのものが信用できるかを確かめます。前の節の表にある「標準化した残差」は、実測と予測の差を、AIが示した幅で割って平均したものです。文書によると、1なら幅の大きさが実態に合っていて、1を超えるとAIが自信を持ちすぎている、つまり示された幅より実際の外れが大きいことを意味します。この値が大きいモデルで「幅が狭いから確実」と判断すると、試作で外れが続きます。
幅が信用できると分かったら、提案を狙いと探りに読み分けます。予測値が目標に近く幅が狭い候補は当たり狙い、予測値はそこそこでも幅が大きい候補は探りです。探りの実験は外れても無駄ではなく、データの空白を埋めて次の予測の精度を上げます。研究の段階によって配分を変えるのが現実的で、立ち上げの時期は探りを多めに、製品化が近づいたら狙いを中心に、と研究企画が方針を決めておくと、研究者が一回ごとに迷わずに済みます。
工程3:提案の根拠を問い返す——効いている要因と参照元
三つ目の工程は、提案の理由を研究者が問い返すことです。公式発表は、Catalyst が性能を左右する要因と、提案した実験の根拠を平易な言葉で説明すると書いています。また公開文書によると、予測モデルの報告には、どの入力がどの物性の予測にどれだけ効いているかを示す重要度が含まれます。
ここで研究者がやるべきことは、説明を読んで納得することではなく、自分の知識と突き合わせることです。たとえば、ある添加剤の量が硬化時間に強く効いているとAIが示したとき、それが化学的に説明できる関係か、たまたま同じ時期に原料のロットが変わったことの影響かは、AIには区別できません。相関と因果を見分けるのは研究者の仕事で、AIに判断させない、という線を先に引いておきます。
Catalyst の答えには参照元が示されるので、論文や社内の報告書を根拠にした説明は、元の文書に戻って確かめられます。大規模言語モデルを使う以上、参照元の読み違えや要約の誤りは起こりえます。研究の判断に使う根拠は、AIの要約ではなく元の文書で確かめる、という手順を工程に書き込んでおくと、誤った根拠で実験が組まれるのを防げます。問い返した結果、納得できない提案は採らない、という選択も正当な結果として扱います。
工程4:試す実験を確定し、結果を必ず戻す
四つ目の工程で、試す実験を確定します。公式の製品ページは、最終的な判断は製品の専門家が持つと説明していますが、正式な承認の仕組みがあるとは書いていません。つまり、誰がどの提案を採ったかを記録する手順は、自社で決める必要があります。採った候補、採らなかった候補、採った理由と、狙いか探りかの区別を残しておきます。
研究者が目標と制約を書き、Catalyst が組んだ設定を一項目ずつ確かめます。法規や安全に関わる制約は品質保証の担当も確認します。
交差検証の結果と不確かさの較正を見て、この材料系で提案を使えるかを判断します。使えなければ、データを足すところから始めます。
効いている要因と参照元を、自分の知識と元の文書に突き合わせます。説明できない関係が根拠になっている提案は保留にします。
採る候補と理由を記録し、試した結果は成功も失敗もすべて基盤に戻します。戻さない限り、次の提案は良くなりません。
最後の「結果を戻す」が、運用が定着するかどうかの分かれ目です。Citrine の仕組みは、試した結果を学習データに加えて次の提案を良くしていく、逐次的な学習を前提にしています。結果を戻すのが遅れたり、うまくいった実験だけを戻したりすると、AIは同じ失敗を何度も提案します。実験が終わったら決まった期限までに結果を入れることを、研究者の業務手順に組み込むのが要です。
失敗データを捨てない:社内データの整え方
研究の現場では、うまくいかなかった実験は報告書に残らず、個人のノートに埋もれていることがよくあります。しかし予測モデルにとって、失敗の記録は成功と同じくらい大事な情報です。どの配合が目標に届かなかったかが分からなければ、AIはその領域を「まだ分からない」と見なして、探りの候補として何度も出してきます。失敗した実験を含めて全部を入れることが、提案の精度を上げるいちばん確実な方法です
Citrine のデータの持ち方は、材料・その材料を作った工程・その材料の測定を互いにつなぐ形になっています。公開文書によると、この形式では「意図」(狙った配合や条件の仕様)と「実際」(実際に行った工程と測った値)を区別して持ちます。現場の実験では、狙った配合と実際に量った配合がずれることがよくあるので、狙いと実際を分けて記録する習慣があるかどうかで、データの質が大きく変わります。
整える順番は、まず直近の一つの製品系列に絞り、過去数年分の実験記録を、失敗も含めて同じ形に揃えるところからです。全社のデータを一度に整えようとすると、形式の違いの調整だけで年単位の作業になります。測定の条件(装置・温度・試験の規格)が記録によって違う場合は、そのまま混ぜずに条件ごとに分けて入れます。整える作業は研究者の負担になるので、研究企画が工数として計画に入れておかないと、通常業務の合間には進みません。
未公開の配合データを社外の基盤に置く判断
Citrine はクラウドで提供される基盤なので、使うには自社の未公開の配合や実験の記録を、社外の環境に置くことになります。配合は素材・化学メーカーにとって中核の営業秘密で、ここが導入の判断でいちばん重い論点です。
公式に確認できた範囲では、同社の安全性のページは、情報セキュリティの国際規格であるISO/IEC 27001:2022 の認証を掲げ、通信の暗号化や日次のバックアップを挙げています。また公式の製品ページは、顧客のデータや会話を使って大規模言語モデルを学習させないと説明しています。一方で、どのクラウドのどの地域に置くか、データをどれだけの期間保持するか、Catalyst が使う大規模言語モデルの提供元はどこかは、公開ページでは確認できませんでした。副処理者の一覧と情報セキュリティの白書は、申請してから開示される形になっています。
- 契約前に、副処理者の一覧と白書の開示を申請し、大規模言語モデルの提供元と、そこにどの情報が渡るかを確かめる
- データを置く国と地域、保持の期間、契約終了時の削除と返却の方法を書面で確かめる
- 営業秘密として管理している配合を置く場合は、秘密管理の手順(誰が閲覧できるか、持ち出しの記録)を基盤の上でも保てるかを法務と確かめる
- まず公開済みの製品や、社外に出ても影響の小さい材料系で試し、最重要の配合は後に回す
段階的に進める理由は、置いたデータを後から取り戻すのが難しいからです。最初の案件は、既に特許を出した材料系や、競争上の影響が小さい改良品にするのが堅い線です。基盤の使い勝手と提案の質が分かってから、重要な配合を置くかどうかを経営と研究の責任者で判断します。個別の契約条件や法的な当てはめは、社内の法務や顧問弁護士と確かめてから決めてください。
権限の分け方:閲覧・共有・編集をチームで持つ
公開文書によると、Citrine の基盤では、案件やデータセットなどの資産はすべてチームが所有し、利用者にはチームごとに三種類の権限が付きます。資産を見る閲覧、資産を変更する編集、資産を他のチームに公開する共有です。チームに加えた利用者には、まず閲覧の権限が付くと説明されています。
ここで大事なのは、共有の権限を誰に持たせるかです。共有は、ある研究チームの配合データやモデルを別のチームに渡す操作なので、事業部をまたいで秘密の範囲が広がる入口になります。公式の製品ページは、研究者の知見をモデルに残して将来の案件や他のチームに活かせることを利点に挙げていますが、それは同時に、知見が社内のどこまで広がるかを管理する必要がある、ということでもあります。
運用としては、チームを製品系列や秘密の区分ごとに分け、共有の権限は研究企画か各チームの責任者だけに持たせるのが基本です。異動や退職のときに、チームからの外し忘れが起きやすいので、人事の異動に合わせて四半期ごとに権限を見直す手順を情シスが持ちます。共同研究の相手や外部の委託先を基盤に入れる場合は、専用のチームを作り、渡してよいデータだけをそこに置きます。
研究者の育成とAI提案:若手が「選ぶ理由」を言えるか
冒頭の二つ目の声、「若手が自分で考えなくなる」という心配は、導入を決める前に正面から扱うべき論点です。公式発表の中で、同社の製品責任者は「経験を積んだ科学者は常に優位に立つ」と述べています。AIが提案を出すほど、それを読み分けて選ぶ力、つまり材料と化学の知識の差が成果の差になる、という考え方です。
この考え方を育成に落とすなら、若手には提案を採る前に、選ぶ理由を自分の言葉で書かせるのが有効です。なぜこの候補は狙いで、なぜこちらは探りなのか、効いている要因は化学的に説明できるか、を書いた上で、ベテランが確かめます。AIの提案は、若手が仮説を立てる練習の題材になります。逆に、理由を書かずに上位の候補をそのまま試す運用にすると、心配されているとおり、考える機会が減っていきます。
もう一つは、ベテランの知見をAIに残すことです。公式の製品ページは、研究者の専門知識でモデルを編集できると説明しています。ベテランが「この成分は一定量を超えると分離する」といった経験則を制約や関係として入れておけば、退職した後もその知見が提案に反映されます。ベテランの経験則を、文章ではなく制約として残す作業を、育成の計画と一緒に進めるのが現実的です。
研究企画・情シス・AI導入担当の分担
Citrine のような基盤の導入は、研究部門だけでも、情シスだけでも完結しません。決めることを三つの立場に割り振っておかないと、データは整わず、契約の確認は漏れ、提案は使われないまま終わります。
| 立場 | 持つこと | 持たないこと |
|---|---|---|
| 研究企画 | 目標と制約の方針、狙いと探りの配分、採る実験を確定する責任者の指名、データ整備の工数の計画 | 契約や基盤の設定の技術的な確認 |
| 情シス | 契約前のセキュリティ確認、副処理者と保管場所の確認、チームと権限の管理、異動時の見直し | どの実験を採るかの判断 |
| AI導入担当 | 予測の当たり具合と不確かさの較正の確認、研究者への読み方の研修、定着の点検 | 提案の採否の最終判断 |
| 研究者 | 目標と制約の記述、根拠の問い返し、採否の記録、結果の入力(失敗を含む) | 制約に入れない現場の事情をAIに任せること |
表で一番大事なのは、提案の採否の最終判断を、AI導入担当ではなく研究側に置くことです。AI導入担当は予測の評価の読み方に詳しいので、つい採否まで口を出したくなりますが、材料の知識に基づく判断は研究者のものです。AI導入担当の役割は、予測が使える状態かを示し、研究者が読み分けられるように支えることにとどめます。
費用の増え方と、止め方・やめ方
Citrine の公式サイトには料金表が出ておらず、導入はデモの依頼から個別に見積もる形です。そのため費用の増え方は契約の条件で決まりますが、社内の負担として確実に増えるものは見えています。一つはデータを整える研究者の工数、もう一つは提案を読み分けるための研修と、結果を戻す運用の手間です。基盤の利用料より、こちらのほうが大きくなることも珍しくありません。
効果の測り方も、導入前に決めておきます。同社は社内評価で必要な実験の数を最大で半分に減らせたと公表していますが、自社で測るなら、目標の物性に届くまでの試作の回数、使った原料の量、案件の期間を、導入前の同じ規模の案件と比べるのが分かりやすい指標です。一つの案件だけで判断せず、複数の材料系で比べないと、たまたま易しい案件だっただけ、という結果を見誤ります。
止め方は、まず案件ごとに止められます。提案が使えないと分かった材料系は、基盤での作業をやめて従来の進め方に戻します。契約自体をやめる場合は、置いたデータの削除と返却、研究者が作ったモデルや制約の扱いを、契約前に書面で確かめておく必要があります。特に、ベテランの経験則を制約として入れていた場合、それを社内の別の形式で取り出せるかどうかは、やめた後に知見が残るかを左右します。
定着の点検表:半年後に見直す項目
導入して半年ほど経ったら、提案が研究の現場で本当に使われているかを点検します。導入直後は熱心に使われても、結果を戻す手間が重なると、次第に使われなくなるのがよくある経過です。次の項目を研究企画とAI導入担当で確かめます。
- 試した実験の結果が、失敗も含めて期限内に基盤へ戻されているか
- 採った候補と採らなかった候補、その理由と狙いか探りかの区別が記録されているか
- 予測の当たり具合と不確かさの較正を、データが増えるたびに見直しているか
- 若手の研究者が、提案を採る前に選ぶ理由を自分の言葉で書けているか
- 制約に入れ忘れた現場の事情(規制・調達・設備)が原因で、試作できない提案が出ていないか
- チームの権限、特に共有の権限が、異動や退職に合わせて見直されているか
- 試作の回数・原料の量・案件の期間を、導入前の案件と比べて効果を測っているか
点検で一つでも抜けが見つかったら、AIの性能を疑う前に、工程のどこで手順が崩れたかを確かめます。多くの場合、提案の質が落ちたように見える原因は、結果が戻っていないか、制約が古いままになっていることです。点検の結果は研究所長や経営に報告し、重要な配合を基盤に置くかどうかの次の判断の材料にします。
まとめ
Citrine の Catalyst は、目標を日常の言葉で書くと、データの整理から次の実験の提案までを数分で組み立てます。しかし提案は答えではなく、当たり狙いと探りが混ざった候補の一覧です。採るまでの工程は、研究者が目標と制約を書き、予測の当たり具合と不確かさの較正を確かめ、根拠を自分の知識と元の文書に突き合わせ、採る実験を確定して結果を失敗も含めて戻す、の四つです。未公開の配合を社外の基盤に置く前には、副処理者と大規模言語モデルの提供元、保管場所、削除の方法を書面で確かめ、影響の小さい材料系から始めます。採否の最終判断は研究者に置き、研究企画が方針を、情シスが契約と権限を、AI導入担当が予測の読み方を支える分担を決めてから使い始めれば、AIの提案は研究者の判断を置き換えるものではなく、判断を速く確かにする材料になります。
※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。
