チームの週次業務整理
アカウントと研修は用意したものの、反復業務が残っています。資料接続、運用、成果確認の担当が必要です。
- 確認する成果物
- 進捗、確認事項、根拠資料を添えた週次報告案。
- 始めるために必要なもの
- 業務記録、報告形式、資料提供と成果確認を担う担当者。
- 確認する基準
- 継続利用、確認時間、接続維持費用。
- 人が判断すること
- 報告内容の確認と次の業務の決定。
人とAIが、
共に仕事を進める。
HDATFは、人とAIが共に働く速度と効率を高め、生産性と業務成果を最大化するソフトウェアエンジンをつくります。
ATF Works
ATF Worksは日常業務のワークスペースです。LabChinはそれを研究業務に広げるモジュールです。
計画から次の一歩まで、つながる仕事
- 01
計画する
共有した目標から始める。
目的、担当者、期限、期待する成果をまとめて管理します。人とAIが迷わず始められるようにします。
行動に移せる計画
- 02
つなぐ
仕事に必要な背景情報をそろえる。
関連する議論、文書、過去の決定を見つけます。チームに同じ説明を繰り返してもらう手間を省きます。
着手に必要な情報
- 03
実行する
仕事を前に進める。
次に何をするかは人が決めます。AIは利用できる権限と機能の範囲で、情報や更新内容の準備を支援します。
明確な次の行動
- 04
記録する
何をしたか、その理由も残す。
完了した作業、決定事項、根拠となる記録をタスクに結び付けます。状況報告のために情報を集め直す手間を減らします。
背景情報を保った記録
- 05
活用する
次の仕事が始めやすくなる。
役立つ記録を次の人が使えるようにします。保存期間とアクセスのルールを守りながら、過去の仕事を活かします。
チームが再び使える知識
人とAIが共に働くには、 仕事の背景もつなぐ。
何を完了するか、どの資料とツールを使い、誰が成果を確認するかを決めます。担当者やツールが変わっても、目的、判断、進捗を引き継ぐ環境をつくります。
プラットフォームの構成を見る同じ基盤で担う役割
基盤を提供し、 自らの仕事にも活かす。
お客様の資料とツールを接続し、導入と運用を支援します。成果を私たちに依頼する方法もあります。自らの研究と事業にも基盤を使い、確認した方法を次の仕事や製品へ活かす方向です。範囲、専門性、責任は課題ごとに決めます。
業務と協働方法を相談するどの仕事から 始めましょうか。
最初の相談のための例であり、導入実績ではありません。資料、確認担当者、依頼範囲を決めて始めます。
範囲を決めた調査課題ひとつ
調査と原稿作成が繰り返され、熟練者が根拠の再確認と修正に時間を使っています。
- 確認する成果物
- 出典付きの分析案、確認する論点、不足資料。
- 始めるために必要なもの
- 顧客資料、利用を許可された過去の成果、会社の分析基準。
- 確認する基準
- 作成と修正の総時間、出典と結論の整合性。
- 人が判断すること
- 外部提出前の責任者の承認。
依頼一件の見積もり確認準備
営業、設計、購買、生産の確認を待ち、過去の見積もりの条件も聞き直す必要があります。
- 確認する成果物
- 依頼条件、類似見積もり、技術資料、部門別確認事項、提案書案。
- 始めるために必要なもの
- 依頼書、既存の見積もり、技術資料へのアクセス。
- 確認する基準
- 回答準備と確認時間、技術条件の見落とし。
- 人が判断すること
- 価格、納期、供給可否の確定。
記録のある品質事例一件の確認
不良や苦情が生じるたびに、生産記録、試験結果、作業日誌を集め直しています。
- 確認する成果物
- 関連記録、過去事例、原因候補、追加確認事項、報告書案。
- 始めるために必要なもの
- 生産記録と試験結果へのアクセス、資料接続範囲の確認。
- 確認する基準
- 報告準備と確認時間、重要記録の欠落、結論の根拠。
- 人が判断すること
- 原因確定、現場対応、出荷判断。
研究上の問いひとつの候補と検証方法の比較
論文、特許、内部実験記録が増えても、次に何を確認するか決めるのに時間がかかります。
- 確認する成果物
- 候補別の根拠と条件、不確実性、先に確認する問い、小さな検証方法。
- 始めるために必要なもの
- 研究上の問い、既存資料、成果を確認する専門家。
- 確認する基準
- 調査から確認までの総時間、条件の見落とし、候補の誤った除外。
- 人が判断すること
- 最終研究判断と実験実施の責任。
仕事の全体を、
ひと目で把握。
ATF Worksは計画、プロジェクト、記録、コミュニケーションを一つの業務の流れにまとめます。AIは各自の権限で閲覧できる情報を使い、その流れの中で仕事を支援します。
現在利用できる機能
カレンダー
計画も進捗も、同じ場所に。
予定しているタスクと完了した仕事を、一つのカレンダーで確認できます。これからの予定と実際に行ったことを、チームで共有できます。
- 予定しているタスクと期限
- 完了した仕事と日々の記録
- 報告書を別に作らず、チームの状況を把握
プロジェクト
タスクと背景情報を、一緒に。
プロジェクトの仕事を担当者、状態、マイルストーンで整理します。対象のタスクを見失わずに、作業ボードとプロジェクト全体の計画を行き来できます。
- リスト、ボード、タイムライン表示
- プロジェクトのマイルストーンと担当者
- プロジェクトに関連する文書とWiki
アシスタント
AIは、アクセスできる情報を使って働く。
閲覧権限のある業務について質問したり、タスクを整理したり、業務日報やWikiの下書きを作成したりできます。アシスタントが実行できる操作は、組織で有効になっている権限と機能によって異なります。
- 関連するタスクや記録を検索
- 更新内容や要約を作成
- 有効な場合はアシスタントの定期タスクを設定
ボード以外にも広がる機能
- 日々の業務記録
- 承認
- メッセージ
- 共有Wiki
- 文書
- アシスタントによる定期タスク
OPEN
外部エージェントとの連携
いつものAIを
仕事につなぐ。
AIツールを一つに固定する必要はありません。業務APIとコマンドラインツールを通じて、さまざまなエージェントに必要な情報を渡し、処理結果を業務の記録に残せます。
実行アダプターAnthropic
Claude Code
仕事の依頼を、コードの実装へ。
Claude Codeはターミナルとエディターで動作します。プロジェクトのファイルを読み、コードを修正し、必要なツールを実行します。
- ツールの呼び出し方法
- Terminal / IDE
実行アダプターOpenAI
Codex
コーディングにも、仕事の背景を。
Codexはリポジトリを調べ、ファイルを編集し、コマンドを実行します。CLIとSDKを使って、より大きな業務フローに組み込めます。
- ツールの呼び出し方法
- CLI / SDK
実行アダプターNous Research
Hermes
次の仕事にも、役立つ文脈を残す。
Hermesはツール、永続メモリ、再利用可能なスキルを組み合わせます。一度のコーディングにとどまらず、継続する仕事を扱うエージェントです。
- ツールの呼び出し方法
- CLI / Tools / Skills
API / CLIによる拡張Earendil
Pi
働き方に合わせて、エージェントを拡張。
Piは拡張可能なコーディングエージェントです。ターミナル、RPC、SDKに対応し、拡張機能でツールやセッションの動作を調整できます。
- ツールの呼び出し方法
- CLI / RPC / SDK
API / CLIによる拡張Prime Intellect
Prime Agent
コード実行と分析を、同じセッションで。
Prime Agentは状態を保持するPython環境でツールとデータを扱います。変数や中間結果を次のステップに引き継げます。
- ツールの呼び出し方法
- CLI / Python
API / CLIによる拡張DeepSeek
DeepSeek Harness
必要なツールで、エージェントを組み立てる。
DeepSeek Harnessはプラグインを軸に実行環境を構成します。公式画面ではセッション、ツール呼び出し、実行履歴を確認できます。開発者プレビュー段階です。
- ツールの呼び出し方法
- CLI / SDK / ACP
開発中HDATF
Pleroma Harness
仕事に合わせて構成する独自ハーネス。
ハーネスはAIが情報とツールを使い、結果を確認する実行基盤です。この設計ではAIが進め方を選び、作業状態を引き継ぎ、検証結果から次の手順を改善する仕組みを設計しています。
- ツールの呼び出し方法
- Desktop
次に選ぶエージェントにも、開かれています。
ツールが変わっても、仕事の背景はつながります。業務APIやコマンドラインツールを呼び出せるエージェントなら、接続を拡張できます。
ATF Worksへの接続
Claude Code、Codex、Hermesには実行アダプターがあります。Pi、Prime、DeepSeek Harnessは標準接続ではなく拡張対象です。接続ごとに設定と検証が必要です。製品名と画像は各製品の紹介を目的とし、提携を意味しません。
- 業務APIとコマンドラインツール
- 業務APIは、他のプログラムから業務機能を呼び出す仕組みです。認証済みのツールが、許可された範囲で記録を参照し、業務を作成・更新できます。
- 承認済みの外部ツールをMCPで連携
- MCPはAIが外部ツールを呼び出すための共通規格です。承認済みの外部MCPサーバーで有効になっているツールを取り込めます。
WORK APP CONNECTIONS
今の業務アプリは、そのまま。
接続はひとつの画面で。
メール、文書、予定、チャットとの連携を拡張しています。一覧は連携の検討対象です。導入するアプリごとに認証、権限、実行可否を確認します。
連携検討アプリ（1482件）
1482件中 24件を表示
Gmail
Google Calendar
Google Drive
Google Docs
Google Sheets
Google Chat
Google Analytics
Google Admin
Outlook
One drive
Share point
Excel
Microsoft teams
Microsoft To Do
Microsoft Power Bi
Slack
Notion
Confluence
Jira
Atlassian MCP
GitHub
Gitlab
Bitbucket
Linear
1 / 62 ページ
ZDR
Zero Data Retention
AIと働く。
情報を守る基準は、そのまま。
HDATFは導入の段階から、アクセス権限、外部へのデータ送信、保持方針を一緒に定めます。どの情報をどのAIにつなぐかを確認し、組織の基準に沿って業務を設計します。
- 接続の前に、外部送信の範囲を確認
- 外部AIを使うと、業務内容がサービスの外へ送信される場合があります。導入前に送信先とデータの範囲を一緒に確認します。ZDRは提供元での保持を制限する設定であり、送信そのものを防ぐ機能ではありません。
- AI提供元によるデータ保持を制限
- 管理者は対応するAI接続でZDR（リクエストと応答を保持しない方針）を有効にできます。有効にすると、その方針を持つ接続先だけに送信します。初期状態では無効です。
- 業務の記録はアクセス権限に沿って管理
- 業務データと会話履歴は、サービス側に別途保存されます。アクセスにはワークスペースの権限が適用されます。AI提供元のZDR設定で、これらの記録が削除されるわけではありません。
適用範囲を確認する
ZDRは対応するAI処理にのみ適用されます。外部ツールや個人のAIアカウントには、それぞれのデータ保持方針があります。接続ごとのログと一時保存の扱いは、導入時に一緒に確認します。
ZERO DATA RETENTION
AIの選択肢を広げる。
データ保持の基準は、そのまま。
入力と応答を保持しない50のプロバイダーの対応経路に接続します。
AkashML
Amazon Bedrock
Azure
Baseten
Cerebras
CoreWeave
Crusoe
Decart
Deepgram
DeepInfra
DigitalOcean
Fireworks
Fish Audio
Google Vertex
Groq
Inception
Inceptron
io.net
Ionstream
Krea
Makora
Mancer
MARA
MiniMax
Mistral
Modal
ModelRun [by Modular]
Moonshot AI
Morph
Nebius Token Factory
NextBit
NovitaAIOpenInferenceOpenInference
Parasail
Perceptron
Perplexity
Phala
Reka AI
Relace
Sail Research
SambaNova
Seed
SiliconFlow
SpaceXAI
Tencent Cloud
Together
Upstage
Venice
Wafer
Z.ai対応モデルと接続設定に応じて適用されます。業務記録は別途保存されます。
多くの時間を費やす前に
時間をかける前に、 重要な仮定を確かめる。
LabChinは、未確認の仮定や同じ失敗の繰り返しに費やす時間を減らすために開発しています。研究の方向を変えうる問いから始め、原典、簡単な計算、コード、シミュレーション、予備実験から判断に必要な方法を選びます。
研究判断を支える仕組みを開発中
方向を左右する仮定を見つける
期待する効果、条件の一致、副作用、実験で差を見分けられるかを調べます。
必要十分な小さな確認を選ぶ
原典、簡単な計算、小さなコード実行、シミュレーション、予備実験から選びます。実測が必要な問いをAIの説明だけで終えません。
根拠に応じて判断を更新する
継続、修正、保留、中止の提案に適用条件を添えます。根拠不足なら候補を捨てず、保留と追加確認の条件を残します。
判断を見直せる記録を残す
原資料、AIの解釈とコード、実行結果、人の修正と承認を分けます。失敗条件と未解決の問いを次の仕事に残します。
経験を積み、
仕事が進化する。
ATF Worksが目指す次の段階は、Self-evolving workです。AIが検証済みの結果を次の計画に反映し、よりよい進め方を試す仕組みを開発しています。
Self-evolving work / 開発中
確認できた事実から始める。
目標、現在の記録、関連する経験を集めます。次に取り組む範囲を絞り、結果を確かめる基準を決めます。
実際に変わった結果を確かめる。
成果物と業務への反映を検証します。不足は次の計画に引き継ぎ、確認済みの結果は維持します。
有効な方法を次の仕事に使う。
よりよい方法かを試してから再利用します。根拠と変更履歴を残し、次の仕事で検証済みの方法を使えるようにします。
月次報告書の経験を、次の仕事に。
開発中の仕組みでは、AIが今月の記録を確認して報告書を作成し、検証で見つかった不足を修正します。有効な確認方法は試験を経て翌月も使い、数値はその時点の最新記録で確認します。
開発の方向性を示しています。目標の設定と重要な実行の承認は人が担います。改善の対象は手順、記憶、成果物です。AIモデルが会社のデータで自ら学習するという意味ではありません。
仕事が改善する過程を見る研究の時間を、
重要な確認から。
LabChinはATF Worksを基盤に開発中の研究モジュールです。大きな作業の前に重要な仮定を確かめ、学びのない繰り返しを減らすことが目標です。判断根拠、不確かさ、次の行動を残して研究者の選択を支えます。
研究モジュールを開発中
一つの結果に、理解に必要な背景を添える。
生データ、パラメーター、実行履歴。
研究の背景情報をつなぐ
論文、試料、機器、パラメーター、結果を結び付けます。ナレッジグラフにそれらの関係を記録し、結果を背景とともに理解できるようにします。
実行前にワークフローを確認する
データ型を定めたローコードのブロックを組み合わせます。研究ワークフローを実行する前に、各工程の出力が次の工程で必要な入力に合っているかを確認します。
マニュアルを手がかりに機器をつなぐ
機器の文書を使い、接続用ブロックの作成を支援します。各連携は、実機とその動作上の制約に照らして検証する必要があります。
研究から次の一手を提案する
外部の研究を過去の実験と比較し、人が検討するためのアプローチを提案します。まず既存の専門分野のモデルを再利用します。検証を経ても必要性が残る場合にのみ、学習を行います。
結果には、その過程も残す。
元のファイル、機器の条件、設定値、実行記録をまとめて確認できる実験パッケージを設計しています。
AIが準備し、
人が決める。
目標を定め、重要な判断を下すのは人です。AIは情報を探し、選択肢を比較し、記録を整理し、不足を確認します。影響の大きい操作は、人の確認を経て実行するようにワークフローを設計します。
- AIが準備根拠と提案
- 人が確認承認または修正
- 承認された作業実行と記録
AI研究を 読み、蓄積する。
エージェントから記憶、機械学習まで、調べたAI論文の要約と原典リンクを公開します。
論文アーカイブを見る
論文名と要約は英語です。公開日順ではなく登録番号の降順です。
RAPID: Robot Agentic Programming from Demonstrations
- From a single human demonstration, it automatically inferred the task specification, motion primitives, and verification environment to close the agentic coding loop
ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds
- Built AlienCode (31 discovery targets, 70 tasks) and AlienLogic (24 targets, 70 tasks) sandboxes whose executable rules enable exact answer grading
Instrumental Monitor Evasion Emerges Under Ordinary Task Pressure
- Built EvasionBench from 50 task-policy pairs where task completion requires an operation prohibited by the monitor
LLM Agents Can Easily Tamper With Their Own Traces
- In most tested harnesses (Claude Code, Codex, Antigravity, Open Code, Grok Build, etc.), agents actually deleted their own traces
外部研究の要約です。HDATFの論文や製品の実測結果ではありません。
一つの業務から、継続する運営へ。
対象業務、予算、支援範囲を決め、必要な資料とツールをつなぎます。その後も進捗、使用量、成果を確認する体制を一緒に整えます。
- 01
対象業務を選ぶ
情報が失われたり、同じ背景情報を何度も集め直したりしている定期業務を見つけます。
- 02
試験導入の範囲を決める
データ、連携先、関係者、評価基準を合意します。実装の前に、対象範囲を明確にします。
- 03
運営と改善
進捗、成果、使用量、費用を確認します。失敗を修正し、検証した方法を次の業務に使います。
まずは課題を聞かせてください。
仕事をつなぐ方法を一緒に考えます。
企業の業務に合うプラットフォーム利用と運営支援をご相談ください。導入範囲、管理する業務、料金を一緒に決めます。
相談する