ACES会社説明資料

Transcript

1. 1 会社説明資料 ACESにご興味をお持ちの⽅へ
2. 2 01 会社概要 Company 02 事業概要 Business 03 DXパートナーサービス Business Model① 04 AIソフトウェアサービス Business Model② 05 カルチャーと働き⽅ Culture & Work Style
3. 3 Company 会社概要
4. 4 About ACES 会社情報 ⾃在に組み合わせられるAIモジュール群を活⽤し、⾃社の強みを学習・強化するエキスパートAI を開発。東京⼤学松尾研究室発AIベンチャーの中でも、豊富な実績と先進性で社会実装を牽引 A b o u t A C E S 会社名 株 式 会 社 A C E S 取 引 実 績 （ ⼀ 部 ） 従業員 1 1 0 名 （ 業 務 委 託 ・ イ ン タ ー ン を 含 む ） 事業内容 A I モ ジ ュ ー ル 群 を ⽤ い た ① D X パ ー ト ナ ー 事 業 ② A I ソ フ ト ウ ェ ア 事 業 設⽴ 2 0 1 7 年 1 1 ⽉ 2 0 ⽇ 陸上⾃衛隊の組織におけるAI活⽤を、 当社がアドバイザーとして⽀援 内閣総理⼤⾂とのAI活⽤に関する⾞座に 参加(*⽯破茂⽒のX投稿より引⽤) ミッション アルゴリズムで、⼈の働き⽅に余⽩をつくる
5. 5 About ACES A b o u t A C E S ⽥村 浩⼀郎 東京⼤学⼤学院⼯学系研究科卒（⼯学博⼠）。 松尾研究室で⾦融⼯学における深層学習の研究に 従事。Forbes 30 Under 30 Asia 2022 Enterprise Technology部⾨に選出。 代表取締役・Co-Founder 與 島 仙 太 郎 東京⼤学⼯学系研究科システム創成学専攻修了。 学部では感情解析を⽤いたSNS分析、⼤学院では チームの協調⾏動に関する研究に従事。 取締役・Co-Founder ⼩松原 ⿓介 中央⼤学卒業後、有限責任あずさ監査法⼈に⼊所。 株式会社 経営共創基盤にて、事業計画策定・実⾏ ⽀援、プリンシパル投資、M＆Aアドバイザリー、 事業再⽣等に従事。 取締役・CFO 川上 登福 株式会社 経営共創基盤 共同経営者(パートナー) マネージングディレク ター、⼀般社団法⼈⽇本ディープラーニング協会 理事等 社外取締役 松尾 豊 東京⼤学⼤学院⼯学系研究科 ⼈⼯物⼯学研究センター／技術経営戦略学専攻 教授 他 技術顧問 経営陣 顧問 染⾕ 隆夫 東京⼤学⼤学院⼯学系研究科⻑・⼯学部⻑他 技術顧問 鈴⽊ 俊彦 三井⽣命保険（現・⼤樹⽣命保険）で約35年シス テム部⾨に従事。リックソフト取締役としてIPO 準備を推進し、2019年2⽉の東証マザーズ上場に 貢献。2021年8⽉より当社常勤監査役。 常勤監査役 野村 彩 弁護⼠ 2007年弁護⼠登録。⿃飼総合事務所を経て2016 年より和⽥倉⾨法律事務所に参画。企業不祥事・ ガバナンス領域の企業法務に従事。2022年6⽉よ り当社社外監査役。 社外監査役 ⼭⽥ 啓之 税理⼠ 2001年AZX Professionals Groupを創設し、パー トナー兼CFOに就任。スタートアップのIPO等を ⽀援する傍ら、社外取締役・社外監査役を歴任。 2024年6⽉より当社社外監査役。 社外監査役 新原 浩朗 通商産業省（現・経済産業省）に⼊省し、経済産 業政策局⻑や内閣官房内閣審議官などを歴任。 官⺠連携によるベンチャー⽀援体制の整備や規制 改⾰、資⾦調達環境の改善に尽⼒。 社外取締役 監査役
6. 6 C O N F I D E N T I A L ア ル ゴ リ ズ ム で 、 社 会 は も っ と シ ン プ ル に な る V I S I O N M I S S I O N ア ル ゴ リ ズ ム で 、 ⼈ の 働 き ⽅ に 余 ⽩ を 作 る
7. 7 1 . 会 社 概 要 Vision アルゴリズムで、社会はもっとシンプルになる ALGORITHM アルゴリズムの進化 こ れ ま で の 社 会 こ れ か ら の 社 会 COMPLEX SIMPLE 硬直的で 摩擦や断絶がある 物や情報が 氾濫している 構造的で価値が 積み上がっていく なめらかに つながっていく
8. 8 8 Vision/As-Is これまで: 複雑化する社会 社会は⽇々複雑化している。インターネットやSNSの普及で情報は⼈間が取り扱えないほど爆発 的に増え、グローバル化でより多様な利害が絡み合い、摩擦や断絶も増えている 属⼈的で情報や知⾒が サイロ化する働き⽅ ⼈の認知限界による 柔軟性のないプロセス 中間搾取が多い ビジネスのあり⽅ • 労働集約的で、⼈数が増えなけ れば⽣産量が上がらない • 情報や知⾒が個⼈や組織に閉じ ている • ⼈の認知能⼒には限界がある。 情報や物に溢れ処理しきれず、 多様性や曖昧性に対応できない • 柔軟性がなく滞留も多くあるオ ペレーション • 付加価値が少ない多重下請け構 造の存在 • 摩擦や⾮効率が多く価値が積み 上がらない データ・情報 1 オペレーション 2 ビジネスモデル・業界構造 3
9. 9 9 Vision/Macro Trend ⼈⼝が減少する⽇本で、AIが新たな成⻑の原動⼒となる ⼈⼝が減少していく⽇本は、労働集約型から資本・知識集約型の社会への転換を迫られている。 加速的に進化するAIが新たな成⻑の原動⼒となり、その市場は爆発的に拡⼤する 平成28年版 「情報通信⽩書」 『我が国の経済成⻑における課題』図表1-1-1-1 我が国の⼈⼝推移 より作成 6000 7000 8000 9000 10000 11000 12000 13000 2020 2025 2030 2035 2040 2045 2050 2055 2060 (万⼈) ⽇本の総⼈⼝推移 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 (USD, billions) AIソフトウェア・サービス市場規模 McKinsey & Company, "The Economic Poten;al of Genera;ve AI: The Next Produc;vity Fron;er", June 2024 より作成 労働⼈⼝が減少していく分だけ、AIの進化がその労働⼒を補填し市場は広がっていく 2025年から2040年にかけて 約27.8倍成⻑の予測
10. 10 Vision/The Age of AI アルゴリズムの進化: AI⾰命の時代 AIは今後の⼈類史においてインターネット以上に⼤きな変⾰をもたらす存在になるだろう。AIは 複雑な事象を複雑なまま取り扱うことができ、今後も加速度的に賢くなることがわかっている *1『眼の誕⽣――カンブリア紀⼤進化の謎を解く』（アンドリュー・パーカー著、 渡辺 政隆翻訳、今⻄ 康⼦翻訳、草思社） *2 Vaswani, A. et al.(2017) Attention Is All You Need 技術/ イベント AIの 進化の 解釈 2010年〜 2015年 画像認識 強化学習 Transformer 2017年 2022年 ChatGPT 2025年 AI Agent 20xx年 AGI/ASI Deep Learningが画 像認識精度で他のアル ゴリズムを圧倒 AlphaGoが⼈間の プロ棋⼠に勝利 様々な⾔語処理で ⽬覚ましい成果 ⾔語や画像などが ⾼度に⽣成可能 ACES創業 ⾃律的な推論が可能 より汎⽤的で⾃らを 改善する能⼒を持ち 進化し続ける 機械の「眼」が誕⽣ カンブリア爆発 ゲームなどの閉じた 問題はAIが優位 モデルを⼤きくすれば 性能が上がり続けるように ⾔語と視覚がつながり 「概念」を獲得 超多量の画像・テキス トを超⼤規模のモデル で学習すれば、記号と 概念が結びつき概念を 獲得できるのでは？ りんご 数学的・論理的 思考⼒を獲得 東⼤の数学の問題も ほぼ解けるように And More…
11. 11 11 Vision/To-Be これから: なめらかかつ構造的な、シンプルな社会 複雑なものを複雑なまま扱えるAIの進化により、情報や⼈がなめらかにつながり、構造的に価値 が積み上がる。誰もが多様に⽣きられ、価値や⽬的、やりがいを感じられる社会へ データ・情報 1 オペレーション 2 ビジネスモデル・業界構造 3 情報や知識が構造化され AIでなめらかにつながる AIと協働し最適化 されたプロセスになる 付加価値を直に繋げる ビジネスのあり⽅になる 会社のことを⼀番 詳しいのはAIになる Vision① シームレスで滞留ゼロ。 常に全体の中で最適化される Vision② ⾮定型な仕事もパッケージ化され、 企業や業界はComposableになる Vision③
12. 12 1 . 会 社 概 要 Mission アルゴリズムで、⼈の働き⽅に余⽩をつくる 価値や利益と 結びつかない 変わらない 作業の繰り返し ⼼がすり減る 新しいチャレンジができない 作業に追われる 余 ⽩ の な い 働 き ⽅ ⼼のゆとり 時 間 創 発 成 ⻑ 利 益 余 ⽩ の あ る 働 き ⽅ 余⽩
13. 13 1 . 会 社 概 要 What We Do ⼈とAIが協働する次世代のビジネスプロセスをつくる ACESは、単なるChatGPTの活⽤による業務効率化にとどまらず、業務⽣産性の⾰新や競争優位 性の構築を実現する、「⼈とAIが協働する次世代のビジネスプロセス」をつくる会社です データベース データベース ベテラン ベテラン 新⼈ 新⼈ 氾濫するファイルデータ化されてないノウハウ 構造的なデータ 連携 データ化されたノウハウ 「優秀な新卒では」部分的な効率化にとどまる Agentic Workflow AIを前提にした 次世代プロセス 複雑・⾮効率な従来のビジネスプロセス ⼈とAIが協働する次世代のビジネスプロセス
14. 14 Purpose だれもが⾃分の意志で多様な⽣き⽅を⾃由に選択でき、 他者とのつながりの中で、美学を持って本質的な仕事に集中することができる。 ⾃ 由 意 志 的 美 学 的 ⾃ ら の 意 思 で 選 び 、 柔 軟 か つ 主 体 的 に 働 い て い る 本 来 の 価 値 や ⽬ 的 を 追 求 し て い る 個 性 を 開 き 、 こ だ わ り を 持 っ て 仕 事 を し て い る シ ン プ ル な 社 会 で の 余 ⽩ の あ る 働 き ⽅ 本 質 的
15. 15 1 . 会 社 概 要 ACES’ Value Proposition エキスパートAIの開発と社会実装 ChatGPTなどの汎⽤LLM(≒優秀な新卒)では対応が難しい、業界の専⾨知識や企業独⾃のナレッ ジを融合し、⾃社の競争優位を学習・強化する「エキスパートAI」を開発し社会実装する OpenAI な ど 汎 ⽤ 的 な ⽣ 成 A I クローズドな 情報や経験はない インターネットに 公開されている情報 教科書に記述されている知識 ⼀般論な考え⽅ ・⼀般に公開されている情報を調べる業務 ・与えられた情報単体を整理する業務 ・⼀般論や型に沿ってアイデアを列挙する業務 「優秀な新卒AI」が業務を部分的に効率化 エ キ ス パ ー ト A I ⾃社の競争優位を学習・強化するAI ⾃社内に蓄積する 情報やナレッジ お客様の⽣の声 リアルな情報 企業独⾃の業務の 進め⽅やノウハウ ・業界特有のルールや暗黙知を踏まえた業務 ・⾃社に蓄積されたナレッジを理解した業務 ・属⼈的なノウハウを必要とする⾼度な業務
16. 16 Expert AI Demo エキスパートAIのデモ: ACES社内実践の例 ChatGPTなどの汎⽤LLMでは⼀般的な情報に基づいた「それっぽい」回答しかできない⼀⽅で、 ACES社内のエキスパートAIは、強みを理解し社内の独⾃⽤語を⽤いて芯をくった回答を⽣成 汎 ⽤ 的 な ⽣ 成 A I エ キ ス パ ー ト A I
17. 17 Expert AI Demo エキスパートAIのデモ: ACES社内実践の例 社内データをLLMに接続して検索できるようにするRAG技術を単純に⽤いても、断⽚的な情報を 集めて回答することが限界であり、本当に⾃社の強みを理解できているわけではない ⼀ 般 的 な R A G エ キ ス パ ー ト A I
18. 18 18 ACES’ Technologies LLM/Infra Layer 汎⽤LLM エキスパートAIを実現するAI OS ACESは、企業が持つ固有のデータやナレッジを最⼤限に活かし、⾃社の競争優位を学習・強化す るエキスパートAIを実現する技術基盤（OS）と運⽤体制（Ops）の提供に技術的な強みを持つ A C E S T e c h n o l o g y Expert AI OS Data Layer Knowledge Layer Agent Layer Application Layer Expert AI 社内固有のデータやナレッジを AI Readyな資産に 1 社内横断で共通化・運⽤しやすい ComposableなOS 2 会議・資料・チャットなど異なる形 式の データやナレッジを統合 3 Point … データ構造化 知識体系化 モデル拡張 Agentic Workflow化
19. 19 19 A C E S T e c h n o l o g i e s ドキュメント整形AI 準⾔語解析AI マルチカメラ⾏動トラッキングAI マルチスピーカー⾳声認識AI 作業⼯程解析AI 損傷検出AI 表情・視線解析AI Data Layer – 情報を集め、AIが読めるデータに変える データ取得 社内外に散在する映像・⾳声・業務データなど AI活⽤の素材となる“⽣データ”を取得 集めた⽣データ（⾮構造化データ）を、AIが理解・処理できる形式に変換 ⽣データ（1次情報） AIが読めるデータ（1.1次情報） Knowledge Layer 運⽤を通してアップデート 運⽤で得られた ⽣データ 運⽤で得られた 構造化データ データ構造化 マスク対応顔認識AI and more…
20. 20 20 A C E S T e c h n o l o g i e s ⾏動解析AI プライバシーマスキングAI QA抽出AI 発話分類AI 損傷価値査定AI 学習型⾳声認識AI 学習型話者識別AI RAG推論基盤 Knowledge Layer –データに意味を与え、AIが学ぶ知識に変える 構造化データに意味づけ・関連付けを⾏い、 体系的な知識として整理 体系化された知識をAIモデルから参照可能にし より⾼精度でドメイン特化した学習を実現 体系化された知識 チューニングされたモデル Data Layer Agent Layer 知識の体系化 モデル拡張 運⽤を通してアップデート 新しく得られた知識 更新が必要な知識 ⼈間/AIによるフィードバック and more…
21. 21 21 A C E S T e c h n o l o g i e s 営業提案AIエージェント 議事録作成AIエージェント 対話ナビゲーションAIエージェント コンプライアンス監査AIエージェント 安全⽀援AIエージェント 売上推定 ・ 仕⼊れ最適化AIエージェント メガネレコメンドAIエージェント Agent Layer – 知識を業務プロセスに変換し、AIが実⾏する 業務⼿順を定義・可視化しAIが関与できる単位に分解 Agentic Workflow Application 運⽤へ Expertise Layer ワークフロー化 運⽤を通してアップデート AI認証認可基盤 改善可能なワークフロー 可視化された⼈間の業務プロセス等 and more…
22. 22 Business Model 事業概要
23. 23 C O R E Management Policy AI駆動型 Composable Enterprise ビジネスプロセスの”仕事”を軸にAIでモジュール化。⾃社内のオペレーションやサービス提供を AI Agentで効率化しつつ、事業やサービスも柔軟かつ迅速に組み合わせながら展開する ソ フ ト ウ ェ ア 中 ⼼ の コ ン ポ ー ネ ン ト 化 だ け で は な く 、 AIに よ っ て 業 務 ・ プ ロ セ ス 中 ⼼ の ”仕 事 ”の コ ン ポ ー ザ ブ ル 化 を 進 め る エキスパートAIを独⾃開発 “仕事”をAIでモジュール化 デ ー タ や AIモ ジ ュ ー ル を 組 み 合 わ せ な が ら 、 ① 迅 速 か つ ② 柔 軟 性 ・ 拡 張 性 が あ り ③ ⽣ 産 性 が ⾼ い オ ペ レ ー シ ョ ン 、 サ ー ビ ス 提 供 を 実 現 ⾃社オペレーションやサービス提 供をAI Agentで効率化 事 業 や サ ー ビ ス を 市 場 や 顧 客 の ニ ー ズ に 合 わ せ て 柔 軟 か つ 迅 速 に 組 み 合 わ せ て 展 開 し 、 AIに よ る 価 値 創 出 ・ 向 上 を 実 現 事業やサービスも コンポーザブルに展開・価値向上
24. 24 1 . 会 社 概 要 ビジネスモデル 独⾃開発したエキスパートAIのモジュールを組み合わせ、①DXパートナー事業と②AIソフトウェア事業を通し て価値提供 業界横断の業務課題を プロダクトを提供することで解決 企業内の知⾒やノウハウを、データとして 蓄積・共有・活⽤できるようにするAI SaaSの提供 AIライセンス契約 特定の業界・顧客の経営課題を お客様とプロジェクトを伴⾛して解決 内 容 データ・AI統合基盤を提供しながら、アジャイルで プロセスの設計・開発・運⽤まで⼀貫して⽀援 契約 プロジェクト実⾏契約＋AIライセンス契約 AIモジュール群 事業② AIソフトウェア プロダクトを活⽤し プロジェクトを推進 プロジェクトで得た 課題をプロダクト化 事業① DXパートナー 内容 契 約 顧客や事業に合わせて、 ソフトウェアモジュールを 組み合わせる 組み合わせ
25. 25 25 Core Competencies 3つのコアコンピタンス “エキスパートAI”の社会実装というValue Propositionを⽀える経営戦略の3つの柱として、 ①データと知識の構造化、② AI時代のプロセス設計、③モジュール開発 を強みとして掲げる ⾃社の強みであるデータや知⾒を 構造化して取り込むAI開発 現場業務とAIの専⾨性の双⽅を理解し 伴⾛してプロセスを構築するAI開発 ⾮構造的な⾃社のデータ・暗黙知 AI技術を⽤いて構造データ化 現場業務の 理解と可視化 最先端AIの知⾒ ⼈とAIが協働する ビジネスプロセス構築に伴⾛ ⾃社の強みとデータを A I - R e a d y に PoCで終わらない 実務で活⽤され、定着するA I に C O R E 1 C O R E 2 C O R E 3 実績・導⼊事例に基づく 独⾃モジュールを組み合わせたAI開発 他社 ACES 個別のカスタマイズに注⼒でき より効果的に顧客の⽬標達成を実現
26. 26 CORE①:⾃社の強みであるデータや知⾒を構造化して取り込むAI開発 例えば、東⼤松尾研出⾝メンバーなどが開発する⾼精度なデータ整形・構造化技術によって、テキストだけで なく複雑な図表やレイアウトが含まれたドキュメントもAI-Readyなデータに⾃動で変換 例 汎⽤的な⽣成AIとエキスパートAIの”対⽴概念”が重要な資料 ACES社のプレゼンテーション資料(画像) ⼀般的なツール (MicrosoftのDocument Intelligence) ◎ 左右の図の関係性や ⾃社独⾃の単語の⽂脈を 理解して構造化 △ 左右の図の関係性が考慮 されず説明が混在している AI で 構 造 化
27. 27 1 . 会 社 概 要 CORE②:事業とAI技術の橋渡しを伴⾛しプロセスを構築するAI開発 AIの得意・不得意を専⾨的に理解した上で、顧客現場の⼈の業務を深く把握・可視化し、事業とAI技術の両⾯ から橋渡しをできる企業は少ない。ACESは伴⾛してプロセスを構築するAI開発に強み RAGシステム ⼈とAIが協働するビジネスプロセス構築に伴⾛ AIシステムプロセス図の例 ⼈とAIの業務フロー・ビジネスプロセス図の例 Ex: 銀⾏業界における稟議のビジネスプロセス 事業とAI技術の橋渡しが社会実装には必要 B U S I N E S S 戦略コンサル企業 T E C H N O L O G Y SIer /AIベンチャー 最先端AIの知⾒ 現場業務の 理解と可視化 現場業務とAIの専⾨性の双⽅を理解し 橋渡しできる企業は少ない • Pro: 戦略を落とし込 み、正しい事業論点を 設定 • Con: 実装しない・し ていないので技術論点 が抜けがち • Pro: 技術⼒が⾼く、 正しい技術論点を設定 • Con: 事業論点が抜け がちで不要ななものを 作るリスク 事業とAI技術実装の ギャップ PoC⽌まり 現場で使われないAI
28. 28 CORE③:実績・導⼊事例に基づく独⾃モジュールを組み合わせたAI開発 実績・導⼊事例に基づく独⾃モジュールを組み合わせたAI開発で、個別のカスタマイズに注⼒でき、より効果 的に顧客の⽬標達成・エキスパートAIの開発を実現 ACESの AIモジュール 顧客ごとの課題 顧客・製品特化AI 特定の顧客や製品に合わせて、特化した 情報処理を⾏う 例）SFDCへの⾃動⼊⼒ 業界・業務特化AI 業界特性や業務特性を踏まえて、特定の仕 事を代替・⾃動化する 例）商談報告、⾞両損傷検出 知識の構造化AI データに意味づけをしながらドメイン知識 を構造化したり、学習されたモデル 例）プライバシーマスキング アルゴリズムα アルゴリズムβ アルゴリズムΓ アルゴリズムδ アルゴリズムA アルゴリズム1 アルゴリズムa アルゴリズムb アルゴリズムc アルゴリズムd アルゴリズムD 新規開発 開発済み DXパートナー 選⼿能⼒強化 DXパートナー 労務安全管理 AIソフトウェア 商談⼒向上 アルゴリズム2 データの構造化AI パターン認識を⾏い、データを整形・加 ⼯・保存する 例）物体検出・⾳声認識 Fine-tuned LLM アルゴリズムB アルゴリズムC and more… 柔軟かつ新しい 組み合わせ
29. 29 ACES’ Unique Position 強みとする3つの柱に対するACESの独⾃の⽴ち位置 ACESは、⾃在に組み合わせられるAIモジュール群で、顧客企業の強みを学習・強化するエキス パートAIとその基盤(AI OS)を構築しビジネスプロセスへ社会実装する和製Palantirを⽬指す データと知識の構造化 AI時代のプロセス設計 C O R E 1 C O R E 2 C O R E 3 モジュール開発 LLMでもApplicationレイヤーでもない A I O S の 企 業 SIerでもSaaSでもないスケーラブルで柔軟な モジュール駆動型企業 戦略コンサルとITベンダーのギャップを埋める 戦略と実装をつなぐAIパートナー
30. 30 「なめらかかつ構造的なデータ・知識・Agentのつながり」の実現 ①Message、②Meeting、③Documentという⾮構造データに着⽬し、Expert AI OSでデータ・知識・ Agentの滑らかかつ構造的な繋がりを作ることで、データやプロセスを横断したエキスパートAIの価値を創出 Business Process Layer (DX Solution) Expert AI OS => データ・知識・Agentの滑らかかつ構造的な繋がり A C ES M eet M eeting Chat/ Message Data Layer Knowledge Layer Agent Layer ChatGPT/ Copilot Docum ent 会議DX 商談DX Application Layer LLM コンプラDX 情報検索DX 資料作成DX ・・・ 社内
31. 31 Business Model① DXパートナーサービス
32. 32 D X パ ー ト ナ ー サ ー ビ ス コ ン サ ル か ら 開 発 ・ 実 装 、 デ ジ タ ル 事 業 の 推 進 ま で ⼀ 気 通 貫 で 顧 客 の D X を プ ロ ジ ェ ク ト 型 で 並 ⾛ し 、 業 務 ⽣ 産 性 の 向 上 や 改 ⾰ を 実 現 。 トータル 約1年6ヶ⽉〜 約3~6ヶ⽉ 約3~6ヶ⽉ 約6ヶ⽉~ コンサルティング AIデザイン・ロードマップ策定 AI戦略策定・業務プロセス設計 開発・実装 PoC・技術検証 オーダーメイドAI開発 実⾏・運⽤ 業務提携・デジタル事業推進 ⼀気通貫の伴⾛型DX推進により、87%のプロジェクトが初回PoCから前進/AI導⼊へ*2
33. 33 1 . 会 社 概 要 様々な業界のPJで結果を出してきている豊富な実績 ⼤⼿企業や中央官公庁との取引実績多数。実績経験に基づくソリューションやプロダクトを提供し、DX PJの 87%がPoCで終わらず、着実にDXを進める「社会実装⼒」に強み ⼤⼿企業や中央官公庁との取引実績多数 PoCで終わらせない着実な社会実装 陸上⾃衛隊の組織におけるAI活⽤を⽀援 ACESと経済産業省が⾏政におけ る⼤規模⾔語モデル活⽤に向けた 協同プロジェクトを実施 43% 87% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% ⼀般的なAI/DX PJ ACESのAI/DX PJ PJ開始後、実装に⾄る割合 約2倍 ACES Meet 豊富な実践経験に基づく ソリューションやプロダクト 実績のあるソリューション
34. 34 CASE STUDY 事 例 紹 介 SOMPO HD様 SOMPO Light Vortexと資本業務提携。事故⾞/中古⾞ B2Bオークションのビジネスプロセスを AIで再構築し、デジタル新規事業を開発・推進 事故⾞/中古⾞の査定のビジネスプロセスを構築 SOMPO様と資本業務提携し、事故⾞/中古⾞の B2Bオークションのデジタル事業を推進 事故⾞/中古⾞の状態や価値を損傷画像認識AIなどを⽤いて 判定。地理的制約や属⼈的な知⾒に依存せず、ヒトとAIが協働 する業務⽣産性が⾼いビジネスプロセスに変⾰ ACES代表取締役の⽥村浩⼀郎⽒（左）とSOMPOホールディングス デジタル 事業オーナー 執⾏役専務兼SOMPO Light Vortex CEOの楢崎浩⼀⽒ 引⽤: 全産業が「レベル5」に向かう時代、AI活⽤でビジネスをどうデザインするか
35. 35 CASE STUDY 事 例 紹 介 ⼤同⽣命様 営業ノウハウや商談内容に関して、⾳声・発⾔内容・映像などを総合的に営業エキスパートAIで 解析。成約率の改善や営業勝ちパターン構築を実現 営業DXを⼤同⽣命様と取り組み ロープレや商談をAIで解析。売れる営業スキルを再現 引⽤: 「中⼩企業に信頼されるパートナー」を⽬指す ⼤同⽣命のDXを ACESのAI技術がサポート！ ※：本画像はACESが開発したロープレ分析AIシステムのサンプルレポートです。
36. 36 CASE STUDY 事 例 紹 介 三井住友銀⾏様 SMBC-GAIの構築・全社員への展開にあたり、社内規定などの書類のデータ構造化を中⼼に、 RAGの精度を実⽤可能なレベルまで改善。5万時間ほどの⼯数削減を実現 ⼈が読むことを前提とした社内規定に対し 図表を含め⽣成AIが理解できるよう構造化するAIを活⽤ SMBC-GAIのコアとなるRAGを改善し 5万時間ほどの⼯数削減を実現 引⽤: NewsPicks stage「AI時代の「新」事業戦略 - エキスパートAIで変貌する企業 のコア -」 株式会社三井住友フィナンシャルグループ 常務執⾏役員グループＣＤＡＯ ⾼松 英⽣⽒
37. 37 C O N F I D E N T I A L Business Model① AIソフトウェアサービス
38. 38 38 PRODUCT OVERVIEW プ ロ ダ ク ト ー A C E S M e e t オンラインでも対⾯でも会議を⾼精度に記録。すべての会議を⽣産 的な時間に変え、そのデータを組織の資産に変えます 成約率向上 ⼈材育成 業務負荷削減 (データ⼊⼒⾃動化など) 対⾯ オンライン 通話 使 えば 使 う ほ ど A Iが学 習する 次 世代 の A I議事 録ツー ル ・・・ ・・・ 様々な会議シーン
39. 39 Culture & Work Style カルチャーと働き⽅
40. 40 組 織 と カ ル チ ャ ー VALUES BE ACES 事 業 内 容 、 意 思 決 定 、 評 価 、 採 ⽤ な ど す べ て の ⼈ に 関 わ る ⾏ 為 は A C E S の V a l u e s が 重 ん じ ら れ る I ssu e d riv en , simp le solu t ion . 最 重 要 の 課 題 発 ⾒ か ら 、 最 ⾼ の 課 題 解 決 を し よ う 。 Gemb a f irst , Try q uick ly . ⾃ 分 の ⾜ で 情 報 を 得 て 、 ⾃ 分 の ⼿ で 検 証 し よ う 。 F a ct b a sed , b uild trust. 客 観 的 事 実 を ⼤ 切 に し 、 信 頼 関 係 を 構 築 し よ う 。
41. 41 働 き ⽅ の 特 徴 働 き ⽅ と 採 ⽤ プ ロ セ ス 働 く 場 所 ・ 時 間 を 柔 軟 に 設 定 し 、 メ ン バ ー そ れ ぞ れ が ⾃ 分 ら し く 働 け る 環 境 を ⽬ 指 す 週 2 回 リ モ ー ト の ハ イ ブ リ ッ ド （ 出 社 時 間 ・ 曜 ⽇ は ⾃ 由 ） 勤 務 時 間 働 く 場 所 休 ⽇ 有 給 休 暇 副 業 サ ポ ー ト C O R E T I M E 11 : 0 0 - 15 : 0 0 完 全 週 休 2 ⽇ 制 （ ⼟ ⽇ 祝 ） M T W T F S S ⼊ 社 即 ⽇ 1 3 ⽇ 間 付 与 フ レ ッ ク ス 制 度 13days 副 業 O K G i t H u b c o p i l o t の 利 ⽤ （ 主 に エ ン ジ ニ ア 向 け ）
42. 42 A I コ ー デ ィ ン グ ツ ー ル 全 社 導 ⼊ ACESではAI駆動開発を全社的に推進しており、全メンバー（正社員・インターン・業務委託含む）にAIコーデ ィングツールのライセンスを付与。AIコーディングツールを⽇常的に活⽤し、あらゆるフェーズでAIと協働す ることを前提した働き⽅を推奨。 Cursor AIコードエディタ ⾃⾝で設定・利⽤可能 コード補完・⽣成をAIが強⼒にサポート ⾃⼰設定 Claude / Claude Code Anthropic社の⾼性能AI 現状：希望者に招待制で付与 CLI・コーディング・分析など活⽤可能 招待制（希望者） Codex OpenAI社のコーディングAI ⾃然⾔語でコードを⽣成・変換 タスク⾃動化・リファクタリングに強み 全員付与
43. 43 評 価 制 度 働 き ⽅ と 採 ⽤ プ ロ セ ス 成果⽬標・能⼒・⾏動⽬標・Value体現の3つを軸に評価を⾏う 期待役割に応じた等級及び等 級定義に基づく能⼒・⾏動⽬ 標の設定。達成度に応じた評 価倍率の決定。 能⼒・⾏動⽬標 昇格・昇給 KPI、OKR、重要業務の達成 度に応じた賞与倍率の決定。 成果⽬標 賞与 Valueの体現度に応じて評価。 Value体現 昇格・昇給
44. 44 働 き ⽅ と 採 ⽤ プ ロ セ ス トータル 約3-4週間 書 類 選 考 履歴書・職務経歴書のご 提出をいただきます 1 次 ⾯ 接 スキルフィットの確認を ⾏います。※事前にミキ ワメ（性格診断）を受験 いただきます（所要時間5 分程度） 2 次 ⾯ 接 弊社の価値観/カルチャー とのフィット度合いの確 認を⾏います。 ３ 次 ⾯ 接 代表取締役 ⽥村との最終 ⾯接となります。 ※事前にリファレンスチ ェックを⾏っていただき ます。 選考結果のお知らせ ご応募いただいてから3週 間~4週間ほどで選考結果 をご案内いたします。 選 考 フ ロ ー
45. 45 OFFICE 2021年にオフィスを拡 ⼤・移転しました。 ワンフロアで、清潔感と 開放感のある環境です。 働 き ⽅ と 採 ⽤ プ ロ セ ス
46. 46 みなさまのご応募 お待ちしております