HDATF
日本語
相談する
メニュー

AX事例

企業がAIを業務にどう導入したかをまとめました。各事例は業務課題、使った技術とデータ、変わった処理、成果の順で読めます。新しい事例から表示します。

根拠確認済み 121追加確認候補 31業界 23調査基準日

AXとは、AIを実務やサービスに組み込み、仕事の進め方を変えることです。

検索結果 121 (30 / 121)

2026. 09

  1. 2026-09-17資料公開AX107運用中

    物流 / 供給網の計画 米国

    Microsoft

    クラウド供給網の計画と調達業務

    業務課題
    Microsoftのクラウド供給網チームは、需要計画と調達、履行、輸送が互いに絡み合う業務を扱っている。需要計画がなぜ変わったのかを突き止めるだけで、担当者は5日から7日を費やしていた。同社は、既存の手順にAIを足すやり方では、慣れた作業を少し速く終えられるだけで成果は変わらなかったと記している。うまく組まれていない工程にエージェントを付けても、ある段階が速くなった分だけ次の段階に行列ができるだけだと説明した。
    使った技術とデータ
    供給網の専門家とエンジニアが並んで作業し、まず端から端までの業務の流れを描いて単純にした。次に、すべてのエージェントが同じデータをもとに判断できるよう、基準となる資料を一つにまとめた。この土台の上に、計画と調達、履行、輸送で使う目的別のエージェントを100以上配置した。エージェントは需要の変化と生産能力を調べ、航空と陸上、海上の輸送手段を費用と時期、炭素への影響で比較する。人があらかじめ定めた権限と承認基準の範囲内でのみ、エージェントが発注の修正や取り消しを手伝う。
    成果
    Microsoftは、選んだ一部の業務で処理の周期が最大75%短くなったと述べた。脚注には、2026年4月から8月までに測定した月次の計画周期5回で、平均の処理周期が約10営業日から2.5営業日未満に短くなったと記されている。毎月20件を超える需要計画の調査では、人が確認した説明を出すまでの平均時間が5日から7日だったものが数時間未満になり、20分もかからない場合もあったと説明した。同じ脚注は、2026年9月時点でクラウド供給網の業務に配置されたエージェントが111を超えると述べ、これらの数値は150人を超える部門横断チームが2025年9月から2026年8月まで進めた作業をMicrosoftが内部で分析した結果だと記している。同社は、そのおかげで計画の周期が回っている間に変化を分析し、より多くの場合を検討して備えを立て、危険を早く見つけられるようになったと記し、この結果は該当する業務と測定期間に限られると述べた。
    限界と残る課題
    原文は、どのモデルとデータ源を使ったのか、配置されたエージェントがそれぞれ何を担うのかを明らかにしていない。数値はMicrosoftの内部分析であり、測定の範囲は脚注に記された2026年4月から8月までの計画周期5回と毎月20件を超える需要計画の調査に限られるため、その範囲の外での成果や外部の検証結果は確認できていない。

    出典

  2. 2026-09-17資料公開AX103運用中

    保険 / 保険仲介 ドイツ

    MRH Trowe

    権限を維持した議事録作成と従業員向けAIの運用

    業務課題
    MRH Troweでは、従業員が生成AIを個別に試す中で、ツールが分散し、機密性の高い顧客情報や保険情報が管理外に出るリスクが生じていた。単純なチャットだけでは、社内情報に基づく回答や複数段階の業務に対応しにくかった。従業員が自らAIを活用しながら、アクセス権限と費用を中央で管理する仕組みが必要だった。
    使った技術とデータ
    同社はLibreChatの画面にStrands AgentsとAmazon Bedrock AgentCoreを接続した。最初の本番エージェントは、従業員の依頼に応じて予定表からMicrosoft Teams会議を探し、会話記録を取得し、日付、参加者、議題、後続作業を整理した議事録の下書きを作る。Microsoft Entra IDで確認した従業員の識別情報をサーバー側で渡し、その従業員の予定表と会話記録だけにアクセスさせた。エージェント、モデル、データはフランクフルトリージョンで処理し、セッションを分離する。
    成果
    AWSは、本番運用の最初の月に約400人の従業員へアクセスを提供し、インフラとトークンの費用は1席当たり月約14ドルだったと発表した。通話後に手作業でまとめていた議事録を、短い依頼で作れるようになったと説明した。利用量と費用を追跡しながら、従業員が自ら業務エージェントを作成して活用できる共通環境を整えた。
    限界と残る課題
    導入開始月、議事録の正確性、業務時間の削減量は公開されていない。原文にあるインフラ費用の約40%追加削減は今後の最適化の可能性であり、達成済みの成果ではない。

    出典

  3. 2026-09-16資料公開AX105限定運用

    製造 / 完成車 スペイン

    SEAT

    車体板金部品の製造可能性分析

    業務課題
    SEATの車体開発は、設計、シミュレーション、最後に製造可能性の検証という順序だった。専門の解析チームの順番を待つ間に形状や金型の判断が固まり、問題の発見が遅れると修正負担が増えた。設計者が形状を変えられる段階で製造可能性を確認する方法が必要だった。
    使った技術とデータ
    SEATはSyneraでCADソフト、Altairの解析ツール、材料データベースを接続した。設計者が部品と自然言語の質問を入力すると、監督エージェントが形状抽出や成形解析などを担当する専門エージェントを順番に呼び出す。工学計算は既存のルールベースの手順と決定論的シミュレーションが実行する。LLMは作業を分担し、解析結果をSEATの工学基準に沿って説明する。報告エージェントが問題箇所を示した報告書を作り、技術者がCADの修正や再実行を判断する。
    成果
    Syneraは、CDFAM Barcelonaで実演した最初のベンチマークで、従来4週間かかった製造可能性評価を約30分で実行したと発表した。実際の部品解析は2026年4月のイベント前に始まり、発表時点では車体開発プログラムへの適用を拡大していると説明した。設計者は専門チームの順番を待たずに設計中に結果を受け取り、技術者は最終判断を維持する。
    限界と残る課題
    4週間と30分の比較はイベント実演での最初のベンチマークであり、全部品の平均ではない。最初の解析の正確な月、対象部品数、量産不良の減少は原文にない。

    出典

  4. 2026-09-15資料公開AX104運用中

    生活消費財 / 生活用品 米国

    Procter & Gamble

    高速生産ラインでの製品外観検査

    業務課題
    P&Gの生活用品生産ラインでは、素材が高速で動く間に伸びたり、しわが寄ったり、部品が重なったりする。低コントラストの欠陥や複雑な包装模様も検査しにくい。従来のルールベースの画像検査では、素材や包装デザイン、生産環境が変わるたびに大幅な再設定が必要だった。
    使った技術とデータ
    P&Gは自社の深層学習モデルをSiemens Industrial EdgeとNVIDIA GPU搭載の産業用PCに組み合わせたVisual Inspection Cockpitを使う。リアルタイムのカメラ映像でラインを通る製品を検査し、設備の近くで結果を処理する。結果は生産制御につながり、警報や不良品の排出を実行する。工場の技術者はVisual Inspection Engineering Toolで検査モデルを直接設定し、学習と更新を行う。蓄積した品質データは工程の変化を探すために分析する。
    成果
    Siemensは、P&Gが世界の生産施設へシステムを拡大しており、製品によって廃棄率が10~20%下がったと発表した。再利用できるIndustrial Edgeアプリケーションと既存の統合手順により、新規導入を稼働させる速度は従来の個別設計の画像検査システムより5~10倍速いと説明した。生産チームはライン速度を保ちながら品質を連続的に確認できるようになった。
    限界と残る課題
    導入工場数、導入開始月、効果の測定期間は公開されていない。製品別の廃棄率低下の比較条件や誤検出率も原文にない。

    出典

  5. 2026-09-08資料公開AX106運用中

    金融 / 銀行 中国

    China Merchants Bank

    AI学習と推論のアクセラレータ共同運用

    業務課題
    China Merchants Bankは金融業務にAIを広げるなかで、大規模モデルの学習と微調整、オンライン推論を、種類の異なる約1万枚のアクセラレータカードの上でまとめて動かす必要があった。カードを増やすだけでは解決しない問題だった。学習ジョブは必要なワーカーとカードがすべて揃って初めて作業を始められるため安定した容量が必要で、オンライン推論はリクエスト量に応じて素早く増減させなければならない。複数の部門が同じ基盤モデルを微調整するたびに、その基盤モデルを部門の数だけ別々に読み込む無駄もあった。
    使った技術とデータ
    同行はKubernetes上に一つの管理基盤を置き、学習と推論の実行経路は分けた。学習リクエストは、まずKueueがキューと割当量を見て受け入れるかどうかを決める。その後Kubernetesのスケジューラとしくみ上のHAMiがカードを割り当て、Fluidが学習データとモデル重みの読み込みを速くする。学習はRay上で自社開発のTwinkleが担い、オンライン推論はvLLMまたはSGLangが処理する。推論側ではPrometheusが秒あたりのリクエスト数や待ち行列の長さ、応答遅延を集め、KEDAがその値でレプリカを増減させる。学習と推論に別々の受け入れ方針を置くことは、プラットフォームの担当者が決めた。
    成果
    同行は、アクセラレータ演算資源の99%をこの仕組みにまとめたと述べた。平均のアクセラレータ演算使用率は35%から60%以上に上がり、同等のモデルとサービス条件で100万トークンを処理する推論コストは60%以上下がったと説明した。Twinkleを使うと、LoRA方式で微調整する5つの部門が一つの基盤モデルを共有する。基盤モデルの複製は5つから1つに減り、アクセラレータ資源の使用は80%減り、同時に学習できる部門数は5倍になった。運用では5部門を既定値とし、8部門まで検証したと記している。
    限界と残る課題
    原文は、この仕組みをいつから運用しているのか、各数値の測定期間がどれくらいかを明らかにしていない。数値は、同行のプラットフォーム担当組織が改編の前後に同じ社内測定方法で比較した値である。

    出典

  6. 2026-09-02資料公開AX102運用中

    医療 / 病院 オランダ

    OLVG

    小児科の診療会話から診療記録を作成

    業務課題
    アムステルダムのOLVG病院の小児科医は、診療後の夜間や週末に記録を作成しており、会話の内容を忘れるリスクがあった。診察中にパソコンで記録すると、患者との会話が途切れることもあった。病院には、医療者が会話に集中しながら記録負担を軽減する方法が必要だった。
    使った技術とデータ
    病院はEpicのChart with Artをオランダ語の診療に使用した。AIが診療会話を基に背後で記録を作成し、処方などのオーダーを待機させ、医療者の次の作業を支援した。OLVGの医療者はEpicの開発者と協力し、オランダ語での利用を調整した。原文には、騒音と通訳が混在する診療でも会話の要点を捉えたという担当医の経験が紹介されている。
    成果
    Epicは、OLVG小児科の予約当たりの記録作成時間が31%減ったと発表した。医療者の予約当たりのチャート利用時間全体も、約17分から12分強へ27%減少したと説明した。病院の担当者は、初期の観察では利用する医療者の精神的負担、身体的負担、いらだちがやや低下する傾向が見られたと述べた。
    限界と残る課題
    導入開始月、成果の測定期間、参加した医療者数は原文に示されていない。記録とオーダーの最終承認手順や臨床的な正確性の数値も確認できていない。

    出典

2026. 08

  1. 2026-08-27資料公開AX111運用中

    教育 / オンライン学習サービス 米国

    Khan Academy

    学生へのAI指導と教師の練習問題作成

    業務課題
    Khan Academyは、自社のAI指導ツールKhanmigoの初期の使われ方にばらつきがあり、対話によって学生の前進の度合いが違っていたと述べた。同団体は、Khanmigoを使える学生のうち実際に使うのは約15%にとどまると明かし、まだやるべきことが残っていると書いた。これまでのKhanmigoは文章でしか答えられず、数学や理科の難しい概念を目で見せることができなかった。教師の側では、Khanmigoで練習問題を作ることはできたものの、学生に出す問題を選んだり手直ししたりする手段がなかったと説明した。
    使った技術とデータ
    Google.orgのフェローシップにより、Googleのエンジニア6人が2026年3月から6か月にわたりKhan Academyの製品およびエンジニアリング組織と一緒に働き、その作業によってGeminiモデルがKhanmigoに組み込まれた。Khanmigoは視覚資料が学生の助けになる瞬間を見つけ、Geminiでグラフや図形、平行座標のプロットといった操作できる資料を作る。学生がグラフの頂点や線分を動かすと、Khanmigoはその位置を認識して説明を合わせて変える。Googleのエンジニアはまず良い図とは何かを測る指標を定め、関連性と有用性、明確さで図を評価して学生に最も役立つ場面だけに出るようにし、利用者の意見を受け取る機能をKhanmigoの中に組み込んだ。教師向けのPractice My KnowledgeツールにもGeminiを直接つないだ。教師は数秒で多肢選択の問題を作ることができ、自分の資料をアップロードしてGeminiに参照させることもできる。問題は教師が確認し、修正するか却下したうえで初めて学生に届き、教師は採点の有無を決めて結果の報告を受け取る。Khan Academyは、Geminiが資料の草案を作り、学生が何を見るかは最後に教師が決めるという原則を示した。
    成果
    Khan Academyは2026年4月の資料で、今学年は平日平均で269,000件のKhanmigoとのやり取りがあり、2023年の公開以降の累計が1億800万件を超えたと述べた。同じ資料では、Khanmigoを使える学生のうち実際に使うのは約15%だとも述べた。新機能については、学生の関与が増え、next item correctnessが改善する予備的な兆しが見えていると述べた。next item correctnessは、同じ授業時間に同じ技能の次の問題をKhanmigoの助けなしで正解できるかを測る値で、同団体はこれをAIに助けられた成績ではなく自力での学習に移れたかを測る値だと説明した。Googleは2026年8月27日の資料で、これらのツールが初期の試行から実際の教室へ移り、Khanmigoを使う学区はすぐに新機能を使えると述べた。教師と管理者はKhan Academyに対し、この変更により問題の難しさを自分の学生に合わせられるようになったと伝えた。
    限界と残る課題
    学生の関与の増加とnext item correctnessの改善は予備的な兆しとしか述べられておらず、測定値は原文にない。新機能を使う学区の数と学生の数も原文にない。教師が作られた問題をどれくらい修正したり却下したりするのかも原文にない。

    出典

  2. 2026-08-19資料公開AX113運用中

    ゲーム / オンラインゲームプラットフォーム 米国

    Roblox

    児童の危険の兆候の早期選別と確認の優先順位づけ

    業務課題
    Robloxには多くの人が一緒に使うチャットがあり、その中で児童を危険にさらそうとする試みが起きる。難しいのは、こうした会話が最初から露骨ではないという点だ。表現がはっきりしてから他の検出の仕組みにかかるが、そのときには状況がすでに進んでいることがある。同社は、安全は一社だけでは解決できない共同の責任であると記した。
    使った技術とデータ
    Roblox Sentinelは、児童の危険の初期の信号を捉えるために作られたモデルである。contrastive learningで構築し、問題のなかった会話と、のちに有害になった会話の両方のパターンを学習した。新しく入ってきた会話をそのパターンと照らし合わせ、事態が大きくなる前に微妙な警告の兆候を確認の対象として表示する。Sentinelは自分でアカウントに処分を下さない。人の確認担当者が先に見るべきチャットから見られるように順序を決める。担当者は問題が確認されたアカウントに対応し、必要なら関係機関に通報する。第2版では点数を組み合わせる方式を二つから六つに増やし、それぞれを異なる性質の資料に合わせた。設定ごとに評価用の資料を計算し直す必要をなくしたため、324通りの設定を3分未満で走査する。以前は同じ作業に1時間近くかかっていた。
    成果
    同社は、2026年8月7日までの12か月間に検出した事案のうち、70%近くがSentinelの早期検出によるものだったと述べた。他の方法より先に捉えることが多かったと説明した。設定の探索を改善したあと、順位の品質を測るROC-AUCは、既定の設定の0.894から、見つかった最良の設定の0.996へ上がった。同社は、これらのモデルの版がすでにRoblox上で動いており、個人情報を求めたり共有したりする試みを検出し、児童の危険の初期の兆候を表示し、音声チャットを実時間で確認していると述べた。同じ資料で、Sentinelを含む安全モデル三種と評価用の資料一式をROOST Model Communityに公開したと知らせた。
    限界と残る課題
    70%は、検出した事案のうちSentinelが先に捉えた割合である。児童の危険の事案全体のうちどれだけを見逃したのかは原文にない。ROC-AUCの0.894と0.996は、モデルの設定を選ぶための評価の数値であり、実際の運用成果ではない。誤検知の件数、人の確認担当者の規模、Sentinelを最初に稼働させた時期も原文にない。

    出典

2026. 07

  1. 2026-07-22資料公開AX082運用中

    情報技術 / 企業向けソフトウェア 米国

    Salesforce

    従業員のITの問い合わせと紛失機器の処理

    業務課題
    Salesforceの社内のIT支援の組織TechForceは、従業員75,000人のITの問い合わせを担う。紛失と盗難の機器の届け出は、人が検討して処理するのに一件あたり一時間を超えていた。従業員が機器を自然な言葉でまちまちに書くことも妨げだった。ある人はphone、ある人はiPhone、ある人はPixelと書いた。
    使った技術とデータ
    SalesforceはAgentforceで作ったTechForce Agentを社内で先に回した。最初は知識の問い合わせへの応答という最も単純な業務から始めた。紛失と盗難の届け出を任せると、相談の文句を会社の資産のデータベースと正確につなげず、見当違いの機器を止めたり誤った住所へ代替品を送ったりする危険が生じた。解決策として、製造番号と機器の記録に合わせて照合する決定的なマッチングの層を作り、このやり方はのちにAgentforce Graphの機能として製品に反映された。担当のチームはAgentforce Observabilityで、従業員が何を尋ね、エージェントが何を返し、会話がどこで切れたかをすべて見て次の改善に使う。全従業員へ広げる基準は精度70%である。
    成果
    Salesforceは、人の介入なしにエージェントが終えた問い合わせの比率が、すぐに30%台の前半まで上がったと述べた。18か月かけて整えるあいだにTechForce Agentの顧客満足度は76%から90%に上がり、年末の目標は95%である。一時間を超えていた紛失と盗難の処理は、約15分で終わると説明した。
    限界と残る課題
    原文は、TechForce Agentの処理の件数や費用の効果を明らかにしていない。満足度95%は目標であり、達成した実績ではない。

    出典

  2. 2026-07-08資料公開AX032運用中

    建設と不動産 / セメント スイス

    Holcim

    生産工程と設備の運用の改善

    業務課題
    セメントの工場は設備が突然止まると、生産の計画がまるごと揺れる。需要の予測が外れると在庫と流通の費用が一緒に増える。Holcimは生産と物流の両方をAIで扱うと述べた。
    使った技術とデータ
    Plants of Tomorrowは、AIからロボットまでの技術を束ねて世界の工場を近代化するIndustry 4.0のプログラムである。設備の側の道具はHolcim M-Predictである。スマートセンサーと機械学習で設備の性能をリアルタイムに見る。物流と販売の側の道具はHolcim Foresightである。天気、GDPの見通し、市場の動向といった外部のデータを数千個引いてきて販売と在庫を予測し、車両とネットワークの活用を最適化する。スペインではメッセンジャーで注文を受けるAIのアシスタントHolcim+を運営する。
    成果
    Holcimは、AIのモデルが設備の故障と整備の必要な時点を最大90日先に予測すると述べた。AIを100を超える工場に適用したと説明した。生産、物流、商業、管理の四つの領域で大規模なAIの課題38件を回していると述べた。Holcim Foresightは30を超える市場で使っており、2026年末までにすべての市場へ広げる計画である。スペインでは顧客の89%がAIのアシスタントで注文すると述べた。
    限界と残る課題
    2028年までにAIで年間CHF 200 Mの繰り返しのEBITの効果を出すというのは目標であり、実績ではない。故障の予測の精度と工場ごとの効果は、この資料にない。

    出典

2026. 06

  1. 2026-06-25資料公開AX025実証

    製造 / 完成車 ドイツ

    BMW

    生産現場のヒューマノイドロボット

    業務課題
    BMW Groupの生産の現場には、単調だったり人間工学的に負担が大きかったり安全が重要だったりする作業が残っている。車体工場で溶接の工程に使う板金の部品を所定の位置に置く仕事がその例である。この作業は速さと正確さを同時に求めながら、体にも負担をかける。
    使った技術とデータ
    BMW GroupはFigure AIと一緒に、米国のスパルタンバーグ工場にヒューマノイドロボットFigure 02を投入し、車体工場で溶接用の板金の部品を位置させた。次の段階として、後続のモデルFigure 03を物流のシーケンシングの作業に投入すると述べた。シーケンシングでは、大きな容器に混ざって入ってきた部品をロボットが取り、シーケンシングの台車に整える。台車は決められた集結の地点へ運ばれ、自動の牽引車やSmart Transport Robotが組立の位置へ運び、組立の担当の従業員は部品を順番に受け取る。Figure 03には、安全のための柔らかい部品、無線の充電、speech-to-speechの音声の機能、手のひらに触覚のセンサーとカメラを入れた手が入った。
    成果
    BMW Groupは、2025年にスパルタンバーグでFigure 02が十か月のあいだBMW X3の30,000台以上の生産を助けたと述べた。同社は、この協働によってヒューマノイドロボットが実際の生産の条件で精密で繰り返しの作業を安全にこなせることを確かめたと説明した。Figure AIの創業者Brett Adcockは、十一か月のFigure 02の運用によって、ヒューマノイドがもはや実験室の実験ではないことを立証したと語った。
    限界と残る課題
    Figure 03のシーケンシングの作業は、いま始まる段階である。原文には、シーケンシングの作業の処理量や品質の数値がない。

    出典

  2. 2026-06-03資料公開AX023実証

    鉱業 / 銅 オーストラリア

    BHP

    銅の浸出用の物質の探索

    業務課題
    銅の浸出は複雑な工程である。BHPは、鉱石から銅をより良く回収する方法を探す仕事が、遅い手作業の試行錯誤に頼ってきたと説明した。浸出を改善しうる分子は、すでに知られたものとまだ発見されていないものを合わせて数百万通りである。実験室で一つずつ試せば数年、長ければ数十年かかる。
    使った技術とデータ
    BHPはMicrosoft、計算化学の企業Prescience Insilicoと一緒にMicrosoft Discoveryを使った。高性能の計算と特化したAIエージェントで科学の研究開発を前倒しするプラットフォームである。チームは銅をより効率的に取り出しうる分子を百万個の半分を超えてなぞった。数万件の量子化学の計算とシミュレーションを回して候補を絞った。モデルはBHPの銅の事業所の鉱石の実際の条件に合わせた。絞られた分子は豪州の実験室で科学者が自ら試す。
    成果
    BHPは、ほぼ無限の候補群を、いつかグローバルの銅の事業所で使えそうな少数の選択肢に絞ったと述べた。候補は自社の鉱体と運用の制約の条件に合わせて試す。実際に通じるものを解くという意味だと説明した。速さと効率のほかにも、毒性を下げて環境への影響を減らす目標と、回収率の向上と費用の削減を併せて狙う。革新担当の副社長Jessica Farrellは、この協働が長期の銅の成長の目標に寄与しうると語った。
    限界と残る課題
    まだ実験室の試験の段階である。商業の生産で銅の回収率が上がったという結果は原文にない。どの分子が選ばれたのかも公開されていない。

    出典

2026. 05

  1. 2026-05-28資料公開AX096導入発表

    製造 / 航空宇宙 複数国

    Airbus

    技術文書と設計業務向けAIの拡大

    業務課題
    Airbusは民間航空機、ヘリコプター、防衛、宇宙の事業の全般へAIの利用を広げようとしている。ただし機密度が高く軍用まで含む分野なので、保安と主権の要件が厳しい。技術文書の制作のように手のかかる業務もそのまま残っている。
    使った技術とデータ
    AirbusはMistral AIとパートナーシップの契約を結んだ。契約によってMistral AIの製品群の全体のライセンスを確保し、モデルを社内の設備や信頼できるクラウドなど必要な場所に配置する。協力の分野は四つの流れに整理した。産業の運用では、民間航空機とヘリコプターの技術文書の制作の自動化を扱う。エンジニアリングと設計では、航空機の部品の最適化のようなAIを基にしたシミュレーションで開発の周期を前倒しし、開発と試験、認証の段階のエンジニアを助ける。次世代の製品では、航空機と宇宙船にモデルを載せるedge AIで自動の物体の認識を見て、防衛の分野では社内の設備への配置でサイバーの調査とコーディングの補助を支える。
    成果
    Airbusは、整理した協力の分野のうち一部はすでに始めたと述べた。同社は、この契約でMistral AIの主要な研究陣に接し、AIの製品のロードマップに影響力を持つことになると説明した。Airbusのデジタル担当の副社長は、現在と未来の製品とサービスを支える土台を作る段階だと語った。
    限界と残る課題
    どの業務が正式な運用に入ったのか、利用者数と成果がどれだけかは発表にない。使うことにしたMistralのモデルの名前も明らかにしていない。

    出典

2026. 04

  1. 2026-04-23資料公開AX093限定運用

    製造 / 鉄鋼 韓国

    ポスコ

    製鉄設備の異常警報

    業務課題
    製鉄所は高温の熱気と複雑な設備の構造のために、目で確かめにくい細かな異常の兆しがあった。加熱炉は内部の温度が非常に高く、作業者が近づいてバルブがうまく動いているかを見るのが難しかった。油のタンクの細かな漏れも、作業者がすぐに気づきにくかった。
    使った技術とデータ
    浦項製鉄所EIC技術部の現場のエンジニアが予知保全の論理を自ら開発した。第3高炉の炉体設備の羽口には、電磁流量計と温度のデータをリアルタイムで分析し、異常な数値が一定の時間続くとただちに警報を鳴らす論理を作った。加熱炉では、バルブが開く度合いと実際に流れるガスの量を比べてグラフで見せる。グラフの傾きが普段と違えば、バルブの中の部品が壊れたのか空気が足りないのかをすぐに察して修理する。油のタンクはシフトレジスタの技術で24時間自動で監視する。前日より油の量が異常に減ると、システムがただちに感知し、エンジニアが現場の点検に出る。
    成果
    浦項製鉄所は、発表の時点で昨年5月に二度のセンサーの警報だけで潜在する障害の要因を早期に見つけ、整備を実施したと述べた。加熱炉のバルブの監視では、安全と作業の効率を同時につかんだという評価を受けた。開発を担ったEIC技術部の関係者は、複雑な現場のデータを誰でも理解しやすいグラフと警報の体系に変えたことが要だと語った。同社は、自社で開発したスマート整備の論理を他の設備にも広げ続け、予防整備の文化を広めていく計画だとした。
    限界と残る課題
    会社はAIを基にしていると紹介するが、原文に記された論理は、異常な数値の継続の時間、開度に対するガス量の比較、前日に対する減少の検知として説明される。学習のモデルがどんな役割をしたのかは確かめられない。

    出典

  2. 2026-04-22資料公開AX095限定運用

    食品と飲料 / コーヒー原料サプライチェーン 複数国

    JDE Peet’sとAirbus

    衛星画像でコーヒー農園と森林の危険を把握

    業務課題
    コーヒーの供給網で森林の破壊を防ごうとする試みは、会社ごとに別々に散らばっていた。個別の供給網だけをのぞいても、コーヒーの栽培地域の全体を守ることはできない。どの土地がコーヒー農園かを広く収めた公開の地図もなかった。
    使った技術とデータ
    Airbus Defence and SpaceがCoffee Canopy Partnershipの技術パートナーに選ばれた。この協力はJDE Peet’sが率い、Louis Dreyfus Company、Sucden、Neumann Kaffee Gruppe、Touton、Sucafina、Tchiboが加わり、英国のFCDOと国連食糧農業機関が支援する。Airbusは解像度50cmのPléiades衛星と30cmのPléiades Neo衛星の画像を使う。ここに大容量のデータで学習させたAIモデルを付け、コーヒー農園を宇宙から識別して観察する。作られた地図は、政府と地域の共同体、コーヒー業界が森林の破壊の危険を見つけ、景観の回復を支え、小農の生計を守るのに使う。
    成果
    Airbusは、このモデルを東アフリカの複数の国に適用したと述べた。適用の面積は、日陰栽培地と混農林業の地帯を含めて120万平方キロメートルを超える。同社は、初期の結果が農業の観測で新しい基準になりうる精密さと拡張性を示したと説明した。
    限界と残る課題
    世界のコーヒー産地を2027年までにすべて収めるというのは目標であり、業界と機関の追加の共同投資が前提である。発表には、森林の破壊が実際にどれだけ減ったかについての数値がない。

    出典

  3. 2026-04-17資料公開AX109運用中

    小売 / 宝飾品小売 複数国

    Chow Tai Fook

    店舗スタッフと管理者のための業務エージェント

    業務課題
    Chow Tai Fookは、金と宝飾の小売では商品が標準化されておらず、細工と顧客の信頼、長年の現場経験に頼る販売の仕方のため、大規模なデジタル転換が長らく非常に難しかったと述べた。複数の市場にまたがる広い店舗網も、同じやり方を一度に広げることを難しくしていた。店舗スタッフは在庫システムと価格規則、実時間の金相場、複雑な順守手引きを別々の画面で行き来して確認する必要があり、画面を移る間に客の短い購買の流れが途切れる恐れがあった。
    使った技術とデータ
    同社はMicrosoftと組み、まずMicrosoft 365 E5で業務環境を一つにまとめ、Microsoft Purviewで誰がどの情報を見られるかと機微な資料の流れを管理したうえで、AIを広げた。店舗向けにはMicrosoft Foundryの上にAI Fookというエージェント群を作った。スタッフがMicrosoft Teamsで普段の言葉で尋ねると、商品の作り手の物語と実時間の在庫、客に合わせた装いの提案を、会話を切らずにその場で受け取る。管理者向けのAI Insights Platformは、消費者の行動と入居する商業施設の状況、上下する金相場を実時間でまとめ、自然な言葉の質問に答える。承認業務は二つの道筋に分け、日常の取引はAIが数秒で処理し、複雑な案件は自動の危険点検を経て人が判断する。設計ではAzure OpenAIで立体の案を作り、職人は芸術的な判断に集中する。
    成果
    Chow Tai Fookは、あつらえたAIエージェントを400個以上配置し、従業員24,000人以上が使っていると述べた。毎月数百万件のAIのやり取りがあり、中核となる業務手順の効率は70%以上上がったと説明した。同社は、没入型のAIロールプレイでスタッフが様々な客の場面をあらかじめ練習し、店舗の機器で優れた接客の仕方を集めて全社の標準手順に整えていると述べた。デジタルでの練習と店舗での実行を結びつけた結果、販売の成約は最大57%まで上がったと説明した。
    限界と残る課題
    原文は、この仕組みをいつから運用しているのか、また効率70%と販売成約57%をどの期間に何と比べて測ったのかを明らかにしていない。400ほどのエージェントがそれぞれどの業務を担うのかも書かれていない。

    出典

  4. 2026-04-14資料公開C036運用中

    配達とモビリティ / 配車と配達 米国

    Uber

    フードデリバリー検索の高度化

    業務課題
    Uber Eatsでは検索が注文へ向かう主な通路である。文字を突き合わせる従来のやり方は、同じ意味の別の言い方、打ち間違い、略語、複数の言語が混ざった問い合わせ、意味が複数ある語で崩れる。原文は、文字に基づく方法は文字列を見るだけで意味を見ないと記した。そこで、問い合わせと文書をベクトルに変えて意味で探す構造が必要になった。
    使った技術とデータ
    問い合わせと文書を別々に符号化するtwo tower構造である。問い合わせの埋め込みはオンラインの仕組みが実時間で作り、文書の埋め込みは予定されたbatchの処理があらかじめ作る。土台のモデルはQwen系で、Uber Eatsの内部データで追加学習した。一つのモデルがすべての業種と市場をまとめて担う。MRLに基づくinfoNCE損失で学習するため、一つのモデルが複数の大きさの埋め込みを出す。索引はApache Lucene PlusのHNSWグラフで、float32とint8のベクトルを一緒に持つ。地域、都市、文書の種類、配送の方式といった条件で先に絞り込み、そのあと近似最近傍の探索を走らせる。2週間ごとに学習と索引の作り直しを行い、索引を別に持たず、一つの索引の中で列の単位でblueとgreenを入れ替える。配備の前には、文書数の突き合わせ、変わってはならない列のバイト単位の一致、実際の問い合わせを再生して得た再現率の比較を通過しなければならない。運用中は標本の要求で、問い合わせのモデルと索引の列のモデル番号が合っているかを確認し、食い違いが続けばモデルの配備を自動で戻す。
    成果
    原文は、断片ごとの候補数を1,200から200程度へ下げることで遅延を34%減らし、CPUを17%節約し、再現率への影響はほとんどなかったと述べた。int7のスカラー量子化はfp32に比べて遅延を50%を超えて減らしながら、再現率を0.95以上に保った。埋め込みを256次元に切り詰めると、英語とスペイン語で品質の損失は0.3%未満で、保存容量は約50%減った。同社は、この構造が飲食店、食料品、小売の検索をまとめて担い、予定された更新が実際の利用者の要求を止めずに走ると述べた。
    限界と残る課題
    原文には、実際の利用者を分けて比べた実験の結果がない。注文の転換やクリックの変化といった事業の指標は明らかにしていない。示された数値は、オフラインの評価と基盤の性能の測定値である。導入を始めた時期も原文にない。

    出典

2026. 03

  1. 2026-03-26導入時点AX041運用中

    小売 / 食品小売 フランス

    Carrefour

    対話型の買い物

    業務課題
    Carrefourは2023年から自社のeコマースのサイトでHoplaという対話型のチャットボットを回していた。食事の制約や予算に合わせて買い物かごを作ってくれる道具だった。ただし顧客がCarrefourの画面の中に入ってこないと使えなかった。
    使った技術とデータ
    2025年にはHopla+がHoplaに取って代わった。Hopla+は顧客の購買の履歴を見て買い物かごを提案する。プレスリリースを出した当日からは、ChatGPTを離れずにCarrefourの商品とサービスにそのまま届くようにした。利用者はChatGPTと対話しながらレシピの発想を得て、店頭の商品の在庫を確かめ、必要に合わせて買い物かごを組み、配送の方法を選ぶ。注文の確定と決済はCarrefour.frで行う。ChatGPTの最初の画面のアプリの一覧でCarrefourを探せばよい。2026年の初めには、GoogleのUniversal Commerce Protocolを支持すると述べた。
    成果
    Carrefourは、欧州の流通企業のうち初めてChatGPTで買い物を提供すると発表した。フランスのChatGPT利用者数千万人に届くことが今回の提供の目標だと述べた。グループのSupply ChainとE-commerce、Data、デジタル転換の統括であるEmmanuel Grenierは、ChatGPTの利用者に新しい買い物のやり方と、単純で滑らかな購買の道のりを提供すると語った。
    限界と残る課題
    原文が示した範囲はフランスの利用者とCarrefour.frの決済である。他の国で同じ機能を使えるという説明はない。利用者数や売上の成果もまだ公開されていない。

    出典

  2. 2026-03-10資料公開AX053運用中

    エネルギー / 石油とガス サウジアラビア

    Aramco

    AIを基にした運用改善のポートフォリオ

    業務課題
    Aramcoは探査と掘削、生産、精製にまたがる大きな設備を運営する。こうした事業では、新しく入れた技術が実際に金になったかを見分けるのが難しい。同社は自社の技術が運用に配置されたあとに作り出した価値を別に測ることにし、この指標をTechnology Realized Value、略してTRVと呼ぶ。
    使った技術とデータ
    TRVは、資本または運営の費用を避けた金額、あるいは配置された技術で増えた売上を、事業の基準線に対する増加分として計算する。この指標は外部の機関の検証を受ける。AIを使った代表的な事例はAramco Intelligent Live Earth Modelである。このモデルは油井の位置を最適化し、ジオステアリングの作業で貯留層への接触を広げる。PE.AIは合成の油井検層の資料を作るAIを基にしたプラットフォームである。同社は、AIの演算の能力も大きく増やし、リアルタイムの助言のシステムと高度な分析を回すと説明した。
    成果
    Aramcoは、2025年のTRVとして53億ドルを出したと公示した。このうちAIを基にしたソリューションから出た分が26億ドル、AIでない技術から出た分が27億ドルである。2023年以降の累積のTRVは113億ドルだと述べた。Aramco Intelligent Live Earth Modelは貯留層への接触を約10%増やし、油井あたりの平均の掘削の期間を二日減らしたとした。AIの半精度の演算の能力は570 PetaFLOPsを超え、前年に比べて十倍になったと述べた。
    限界と残る課題
    TRVは会社が算定し外部の機関が検証した価値であり、会計上の純利益とは異なる。53億ドルの全体をAIの成果として読むと誤りである。

    出典

  3. 2026-03-10資料公開AX112運用中

    医療 / 医療ネットワーク 米国

    Summit Health

    薬剤の事前承認書類の作成と提出

    業務課題
    Epicの資料は、事前承認が患者にも臨床医にも時間のかかる手続きであったと述べた。薬を処方するには保険会社が求める書類を埋めて送り、返答を待たなければならない。この作業は診療の流れを断ち、臨床医に事務の負担を残す。Epicは、この手続きの複雑さを減らすために、臨床医向けAIのArtと、収益サイクルおよび運用向けAIのPennyをかみ合わせて使う仕組みを作ったと説明した。
    使った技術とデータ
    Artは臨床医側の業務を、Pennyは収益サイクルと運用側の業務を担う。二つのAIが一緒に動いて事前承認に必要な内容を集め、提出書類の回答の下書きを作る。担当者はその下書きを確認し、そのまま送るか、直してから送る。Summit Healthはこの仕組みを薬剤の事前承認の提出に適用した。Epicは、Pennyが今後は各組織が定めた管理の範囲の中で、コーディング作業と異議申し立ての提出を自分で完了させるようになると述べた。
    成果
    Epicは、Summit HealthでPennyが薬剤の事前承認の提出時間を42%短縮したと述べた。AIが作った回答の92%は修正なしで採用されたと説明した。Pennyを最も積極的に使っている組織では、コーディング関連の否認が20%を超えて減り、否認への異議申し立て書の作成は23%速くなったと付け加えた。Epicは、患者がより早く回答を得て、臨床医が受ける事務上の摩擦が減ったとまとめた。
    限界と残る課題
    原文は、Summit Healthがこの機能をいつ稼働させたのか、対象の薬剤と保険会社の範囲がどこまでなのか、処理件数がどれだけなのかを明らかにしていない。42%と92%はEpicが示した数値である。コーディング否認の20%超の減少と異議申し立て書の23%短縮は、Pennyを最も積極的に使っている組織をまとめた値であり、Summit Health一か所の成果とは読めない。

    出典

  4. 2026-03-10資料公開AX110運用中

    医療 / 医療ネットワーク 米国

    The Christ Hospital

    画像読影レポートに埋もれた肺結節の発見と追跡

    業務課題
    Epicの資料は、肺がんが世界でがん死亡の最大の原因であり、2020年の米国で限局期に見つかった肺がんは16%にとどまったと述べた。肺結節は外傷や心臓の症状など別の理由で撮った画像に偶然写ることが多く、放射線科医はこの偶発所見を読影レポートの自由記述の中に書く。所見が長い文章の中に埋もれるため、どの患者を経過観察に入れるべきか見分けにくく、その後の対応にばらつきがあった。同じ資料が引用した研究では、ステージ4の肺がん患者のうち36%が、読影レポートに結節の記載があったにもかかわらず適切な追跡を受けていなかった。The Christ Hospitalの最高情報デジタル変革責任者Joy Ohは、従来のやり方が放射線科医に特定の項目へ特定の表現を書いてもらうことに頼っており、医師ごとに書き方が違うため見落としが生じたと述べた。
    使った技術とデータ
    放射線科医が読影を確定すると、所見と記述がEpicのAI抽出所見モデルに送られる。モデルはレポートから肺結節や肺腫瘤への言及を取り出し、1日1回のレポートとして返す。このレポートには所見の前後の文脈、追加撮影や組織検査や紹介といった放射線科医の追跡推奨、放射線科医が記録した期限が含まれる。3人の看護ナビゲーターが抽出された所見と推奨を読み、放射線科医の所見と合っているかを確認したうえで患者のカルテを開き、推奨が適切かどうかを判断する。ナビゲーターが確認を終えると、その所見はカルテ内の個別データに変わる。ナビゲーターはそのデータを使い、肺結節プログラムへの現在の登録と登録候補、未確認の結果、予定されている受診、自分がやるべき作業を1つの画面で見る。患者は紹介なしでも肺結節外来を受診できるため、大半が日次レポートに載ってから3日以内に受診する。ナースプラクティショナーのAshley Campbellが追加の検査を指示するか、交代で診療する10人の呼吸器内科医の1人に患者を引き継ぐ。この機能を最初に動かしたときは、直近90日分のレポートをモデルに通し、個別データとして残っていなかった結節が2,000件以上見つかった。その後、腫瘍内科や呼吸器内科が指示した検査にはすでに追跡の仕組みがあると分かったため、それらのレポートはモデルに通すのをやめ、見落とされやすい一次診療と救急外来が指示した検査に人手を集中させた。
    成果
    The Christ Hospitalは、追跡している肺結節の数が6倍に増え、プログラム開始から最初の6か月で肺がん23件を診断し、2023年1年間の診断数に半分の期間で追いついたと述べた。最初の8か月では64人が新たにがん治療を始めたと説明した。Ashley Campbellは、この機能のおかげで肺がんの70%近くをステージ1か2で診断できるようになり、これは全国平均の約50%を大きく上回る水準だと述べた。同病院の最高医療責任者Marcus Romanelloは、この取り組みが死亡率に影響を与えていると述べた。Epicは2026年3月の資料で、この病院の肺がん早期発見率を69%、全国平均を46%として示した。Epicは同じ資料の要約で、ナビゲーターが肺結節を約5,000件追加で確認し、その結果この病院のnetwork全体でがん116件が追加で見つかったと述べた。
    限界と残る課題
    原文は、モデルが結節への言及をどれだけ正確に取り出せるのか、誤って取り出した件数がどれだけあるのかを明らかにしていない。プログラムを始めた月も原文にない。早期発見率は資料によって異なり、2025年6月の資料は約70%と全国平均約50%、2026年3月の資料は69%と46%を示している。

    出典

  5. 2026-03-09資料公開AX055運用中

    金融 / 法人金融 シンガポール

    DBS

    法人顧客の相談

    業務課題
    DBSは法人の顧客と中小企業の顧客の問い合わせを受ける窓口を運営する。銀行はAIを大規模に使う銀行になるという目標を立てた。そのためには、複数のチームが生成AIの応用を責任をもって作り広げるための共通の基準が必要だった。
    使った技術とデータ
    土台は全社のデータ分析のプラットフォームADAである。このプラットフォームは統制と保安を備えたデータ利用の環境を提供する。銀行はその上に生成AIのフレームワークを載せた。再利用の構成要素、統制の装置、業務の流れの機能、プロンプトの作成の基準を標準として定めた。この基準の上で法人金融のチャットボットDBS Joyを作った。DBS Joyは法人と中小企業の顧客を対象に24時間応答する。
    成果
    DBSは、DBS Joyが法人と中小企業の顧客に24時間の相談を提供すると述べた。同じ書簡で銀行は、ADAを通じて2,000を超えるAIのモデルを430を超える課題に適用したと述べた。2025年のデータ分析とAIの活動が作った経済的な価値は約10億シンガポールドルだと記した。この金額は銀行の全体の活動の合計であり、チャットボット一つの成果ではない。
    限界と残る課題
    原文はDBS Joyを一文でしか説明しない。応答の精度、処理の件数、人の相談へ渡した比率はない。

    出典

  6. 2026-03-09資料公開AX056運用中

    金融 / 銀行 シンガポール

    DBS

    ネガティブニュースの確認

    業務課題
    DBSは顧客に関わるネガティブなニュースを調べる審査の業務を運営する。銀行はこの業務を、生成AIで生産性を上げる対象として挙げた。その前に、チームごとにばらばらな開発のやり方を整理する基準が必要だった。
    使った技術とデータ
    銀行はまず生成AIのフレームワークを作った。再利用の構成要素、統制の装置、業務の流れの機能、プロンプトの作成の基準を標準として定めた。この基準の上で、ネガティブニュースの審査の道具を生成AIで作った。データは全社のデータ分析のプラットフォームADAが扱う。銀行はこのプラットフォームでコードの配備の時間を25%減らし、モデルの配備の周期を10週の内側に縮めたと述べた。
    成果
    DBSは、この道具がネガティブニュースの審査の生産性を高めると述べた。2025年の実績を収めたCIOの書簡に、運用中の生成AIの事例として記された。同じ書簡は、ADAを通じて2,000を超えるAIのモデルを430を超える課題に適用したと述べた。審査の業務だけを切り出した成果の数値は記していない。
    限界と残る課題
    原文はこの道具を一文でしか触れていない。審査の精度、処理の時間、人が改めて見た比率はない。

    出典

2026. 02

  1. 2026-02-26資料公開AX061運用中

    通信 / 固定・移動通信 ドイツ

    Deutsche Telekom

    顧客の問い合わせと設置の予約

    業務課題
    通信会社のカスタマーセンターは、オペレーターに集まる電話が多い。従来のシナリオがない問い合わせや、表現が不明瞭で文法が外れた問い合わせは、自動の応答で処理しにくかった。
    使った技術とデータ
    Deutsche TelekomはFrag Magentaのチャットボットに生成AIを付けた。決まったシナリオのない問い合わせ、表現が不明瞭だったり文法が外れたりした問い合わせも処理できるようにした。音声とチャットの二つの経路に併せて使う。オペレーターの側には、自動の事前ブリーフィング、オペレーター向けのチャットボットaskT、通話の要約を束ねたAIの道具を配布している。ドイツでは光ケーブルの設置の予約も音声ボットが受ける。
    成果
    Deutsche Telekomは、2025年にFrag Magentaの音声とチャットが340万通の電話をオペレーターの代わりに処理したと述べた。これは第3四半期の累計より90万通多い値である。ドイツでは顧客のチャットボットが完全にLLMを基にしたものへ変わり、解決率55%を記録し、サービスの接触の件数が10%減ったと記した。第4四半期には光ケーブルの設置の予約の40%を音声ボットが受けた。12月の基準でオペレーター1,400人以上がAIの道具を使う。
    限界と残る課題
    340万通はオペレーターに行かなかった通話の数であり、解決の品質や顧客の満足度を表す値ではない。

    出典

  2. 2026-02-26資料公開AX045運用中

    旅行と宿泊 / ホテル 英国

    IHG

    ホテルの収益と客室の需要の管理

    業務課題
    IHGは、顧客の体験、顧客の獲得、ホテルの実績の三か所で成果を引き上げなければならないと見た。ホテルの実績は、客室の需要をどれだけ正確に読んで値を決めるかに左右される。この報告書は、導入の前の収益管理がどう回っていたかを別に説明していない。
    使った技術とデータ
    収益管理のシステムにデータサイエンスと機械学習、予測の道具を入れた。このシステムは高度な分析の結果と推薦を作り出す。IHGはこれを全社にわたるAIの活用の一例として挙げた。同じ流れの別の例としてIHG One Rewardsのモバイルアプリの改善を挙げた。報告書は、システムの名前やつないだデータの種類、ホテルの運営者が推薦をどう受け入れるかは明らかにしていない。
    成果
    IHGは、この技術がブランドへの忠誠を深め、競争の優位を鋭くすると述べた。ホテルの所有者の項目には、需要をつかみ売上を上げ運用を最適化するために技術の適用の範囲を広げたと記した。宿泊客の項目には、AIを基にした技術で顧客の体験を引き上げたと記した。収益管理のシステムが客室あたりの売上にどれだけ寄与したかは別に明らかにしていない。
    限界と残る課題
    AIの寄与分を切り分けた数値がない。導入の時点と適用のホテルの数も、この文書にはない。

    出典

  3. 2026-02-19資料公開AX002運用中

    製造 / 半導体 韓国

    SKハイニックス

    工程の仮想計測と異常原因の分析

    業務課題
    半導体の工程は、結果を測って正しく進んだかを確かめる計測を経る。計測率が低いと、同じ工程を回した装置の間の性能の差を見分けるのが難しかった。フォト工程のオーバーレイの予測モデルも精度を上げることだけに集中していて、各入力変数が結果にどう影響したかを説明しにくかった。
    使った技術とデータ
    SKハイニックスは、産業用AIのスタートアップであるガウスラボと一緒に、AIを基にした仮想計測のソリューションPanoptes VMを使う。2022年から生産の現場で活用している。仮想計測は、直接測っていない工程の結果を予測するやり方である。両社はPanoptes VMの運用データで装置間の性能マッチングのフレームワークを作り、装置の異常を早期に検知し原因を素早く診断する方策を併せて示す。オーバーレイの側には勾配降下法に基づくフレームワークGRACEを付けた。GRACEは入力変数が予測の結果に与える影響を定量化し、モデルの性能を説明する指標を与える。SKハイニックスは発表の前年からGRACEを生産の現場に適用し、工程の異常を適時に把握して原因を探るのに使っている。
    成果
    両社はSPIE Advanced Lithography + Patterning 2026で、口頭発表とポスターセッションにそれぞれ1編ずつ、計2編の論文を出す。論文には、実際のSKハイニックスの生産現場でPanoptes VMを運用したデータに基づく共同研究の成果が収められた。低い計測率のせいで分析が難しかった装置間の性能の差を効果的に識別できる点をデータで立証すると述べた。ガウスラボのキム・ヨンハン代表は、ソリューションの導入後も製造の現場で活用の事例を探し続けて得た成果だと語った。
    限界と残る課題
    原文に歩留まりや計測の費用の改善の数値はない。GRACEの現場への適用の範囲と効果を示す指標も公開していない。

    出典

  4. 2026-02-17資料公開AX059運用中

    製薬とバイオ / 製薬 フランス

    Sanofi

    経営と研究の意思決定の支援

    業務課題
    Sanofiは、研究と開発、生産と供給、商業の部門にデータが部署ごとに分かれていた。臨床試験の設計やポートフォリオの判断のように部署をまたぐ決定には、まとめた資料が必要だった。
    使った技術とデータ
    SanofiはAily Labs GmbHと一緒に社内のアプリPlaiを導入した。Plaiはすべての部署の社内のデータを集めてリアルタイムに照会できるようにし、会社の活動の全般を一つの画面で見せる。AIで時宜を得た洞察と、個人別のwhat ifの開発のシナリオを作って判断を助ける。臨床の運用のチームは、臨床試験の募集の段階でPlaiを使って参加者の構成が十分に多様かを確かめる。ポートフォリオの戦略のチームは、どの治療薬に集中するかを決めるときにPlaiの予測と勧告を使う。生産と供給のチームもPlaiを在庫の計画に使う。
    成果
    Sanofiは公式のページで、毎日20,000人の従業員がplaiを使うと述べた。2025年のForm 20-Fには、22,000人を超える従業員が日常の判断にPlaiを使うと記した。同社は、生産と供給の部門で確率に基づく計画によって在庫の支障の80%を予測し、危険の65%を根本の原因と結び付けたと説明した。
    限界と残る課題
    二つの資料の利用者数が20,000人と22,000人で異なる。公式のページには掲載日がなく、どの時点を基準にした値かは確かめられない。

    出典

  5. 2026-02-12資料公開AX097運用中

    エネルギー / 電力・ガス供給 米国

    Duke Energy

    顧客を狙うなりすまし広告の検知

    業務課題
    Duke Energyの顧客を狙う詐欺が続いた。同社は2025年にサービスの地域の全体で数千件の詐欺の通報を受けたと述べた。料金の支援を探す顧客が集まる2月に通報がとくに増えた。詐欺をはたらく側は、偽の広告となりすましの相談番号で顧客に近づいた。
    使った技術とデータ
    Duke Energyは人工知能でウェブサイト、ソーシャルネットワーク、有料の広告をなぞる。公開された資料から見える社会工学の脅威を見つけるのが目的である。偽の広告となりすましの相談番号が主な検知の対象である。見つけた項目は該当のプラットフォームに削除を求める。同社は自前の詐欺の通報の道具も併せて運用し、顧客が疑わしい事例を直接知らせられるようにした。顧客には、支払の要求が急であったり脅すようであったりすれば速度を落とし、請求書に記された公式の番号かウェブサイトだけで確かめるよう案内する。
    成果
    同社は最近の削除の事例として、Duke Energyになりすまし偽の顧客センターの番号を載せた有料の検索広告を挙げた。また、Piedmont Natural Gas、Better Business Bureauをはじめとする他の公益事業の会社と一緒に、11月に開かれた第10回Utility Scam Awareness Dayに参加したと述べた。顧客サービス運用の上級副社長Jessica Bishopは、詐欺をはたらく側が精巧になるほど、会社が先回りして顧客を守っていると語った。同社は、前払いカードや暗号資産の決済を受けず、即時の送電停止で脅すこともないという点も併せて知らせた。
    限界と残る課題
    検知に使ったモデルと誤検知の比率、削除の要請の件数は原文にない。人がどの段階で検討し承認するのかも明らかにしていない。

    出典

  6. 2026-02-12資料公開AX049運用中

    農林水産 / 森林管理 フィンランド

    Stora Enso

    森林経営と生物多様性の予測

    業務課題
    森林の経営は、木材の生産と生物多様性の保全を併せて合わせなければならない。どの管理の行為が希少種にどんな影響を与えるかを前もって知るのは難しかった。複数の保全の措置のうち何を先に行うかを決める基準も必要だった。
    使った技術とデータ
    Stora Ensoは北欧の森林の全体をデジタルツインにしてデータの分析に使う。このデジタルの森林のツインで森林の管理の行為を模擬し、希少種に及ぼす影響を予測する。2024年の初めに始めた国際自然保護連合（IUCN）との共同のプロジェクトは2025年に終わった。このプロジェクトでは、IUCNが作ったSTARの生物多様性の指標をStora Ensoの森林の計画のシステムに付ける概念の検証を行った。この枠組みで、森林の景観の全般でどの保全の措置を先に行うかを決める。
    成果
    Stora Ensoは2025年の年次報告書で、AIと他の技術を使って生物多様性と木材の生産をより良く統合する方へ進んだと述べた。同社は、この枠組みが最も急な脅威から最も効果的な方法で扱わせながら、木材の生産に及ぼす否定的な影響を最小にすると説明した。結果は学術誌への掲載を目標に整理し、2025年のIUCN世界自然保護会議で発表した。
    限界と残る課題
    STARの指標との連携は概念の検証の段階の結果である。原文には、予測の精度や適用の面積といった数値がない。

    出典

  7. 2026-02-03資料公開AX092限定運用

    製造 / 鉄鋼 韓国

    ポスコ

    鉄鉱石の焼結工程の制御

    業務課題
    焼結の工程は、粉の形の鉄鉱石を高炉に入れやすい塊にする中心の過程である。焼結機の運転は、現場の作業者が単純な繰り返しとして扱わなければならない仕事だった。浦項製鉄所は、個別の設備の自動化を超えて制御の技術を一つに編むことを課題に据えた。
    使った技術とデータ
    浦項製鉄所は焼結の工程にAIを基にしたスマート制御のシステムを入れた。センサーを使って原料が積まれる装入線を細かく制御する。排ガスの温度の設定値に追従するよう、台車の速度を自動で制御する。この技術は浦項製鉄所の製銑部と技術研究院の工程DX研究所が一緒に開発した。開発を率いた製銑部のキム・ヨンヒョン次長は、浦項製鉄所の熟練工のノウハウをAIで論理にして、誰でも最上の品質を出せる標準を作りたかったと語った。
    成果
    浦項製鉄所は、今回の改善で操業の稼働率99%、的中率97%を記録し、操業の偏差を大きく減らしたと述べた。高品質の焼結鉱が安定して供給され、後工程の高炉の炉況の安定にも寄与したと説明した。第3焼結で検証したこのモデルは、第2焼結や第4焼結など他の工程へ拡大して適用を進めている。焼結機の運転の自動化により、現場の作業者が単純な繰り返しの業務から抜け、付加価値の高い業務に集中できる環境を作ったという評価も併せて出した。
    限界と残る課題
    原文は、的中率の定義と比較の基準を明らかにしていない。改善前の稼働率も示していないので、上昇の幅は分からない。

    出典

全資料を取得 (JSON)