カジュアル面談用資料

Transcript

1. 1 カジュアル⾯談資料 ACESにご興味をお持ちの⽅へ
2. 2 Company 会社概要
3. 3 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
4. 4 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
5. 5 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
6. 6 6 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 Potential of Generative AI: The Next Productivity Frontier", 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
7. 7 VISION / TO BE ACESは“⼈とAIが協働する次世代の働き⽅”をつくる会社 AIが隣で働いているような”⼈とAIが協働する次世代の働き⽅”を作ることで、シンプルな社会と余 ⽩のある未来を⽬指します
8. 8 C O R E VISION / TO BE AIとの協働には”AIが⼀番会社を知っていること”が重要 「⼈とAIが協働する働き⽅」の実現には、”AIが⼀番会社や顧客の情報を知っている”ことが重 要。 どれだけ頭が良い新卒でも、すぐに会社の重要な仕事を任せることは難しい。 社内ポータル メール ドキュメント 会議 / チャット L L M ⼀般知識・もしくは 学習済み内容のみ回答 RAG ⾃社内のデータを 横断的に参照し回答 検索 結果を参照 社内データ ⾃社のナレッジを含む様々なデータを横断的に参照 会社の独⾃⽤語を理解できず、うまく答えてくれない 社内の専⾨⽤語の意味を理解できず、 正しく意図を汲んだ回答ができない ⼀般論的な回答しかできない 社内の事情や重要な変数を考慮せず、 芯を⾷った回答に辿りつけない 質問の仕⽅を⼯夫しないと、ほしい答えにならない 現場メンバーは業務の合間に質問しており、 曖昧な表現でも意図を汲んでほしい 社内のデータ・ナレッジを知っていないと・・・
9. 9 VISION / TO BE 企業内の重要なデータの9割は「⾮公開・⾮構造」 企業が保有する重要なデータの9割はそのままでは活⽤が難しい「⾮公開・⾮構造」のデータであ り、ChatGPTをはじめとする汎⽤LLMは学習・参照ができない。 しかし、⾮構造データにこそ企業独⾃のノウハウや他社との差別化ポイントが蓄積されている。 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 ⾃社の強みとデータを A I - R e a d y に 構造化データと⾮構造化データの違い 引⽤：構造化データと⾮構造化データとは？活⽤の難しさと解決⼿法
10. 10 VISION / TO BE ACESは⾮構造データの構造化技術が得意分野 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
11. 11 1 . 会 社 概 要 EXPERT AI ACESは「エキスパートAI」を開発・提供する 「会社のことを⼀番知っているエキスパートAI」に仕事を依頼・相談することで「あらゆるプロ セスで⼈がAIと⼀緒に働いている」状態を作る。 ACESは、エキスパートAIで “⼈とAIが協働する次世代の働き⽅”を実現します。
12. 12 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
13. 13 Technology 技術戦略
14. 14 14 EXPERT AI OS LLM/Infra Layer 汎⽤LLM エキスパートAIを実現するAI OSの構成 AIを前提とした働き⽅の実現のため、3層のエキスパートAI OSを開発・提供する。 AI OSによりデータ同⼠が意味づけされ、知識を構造化することが可能となる。 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 Agent Layer 1 Knowledge Layer 2 Data Layer 3 Point データ構造化 知識体系化 モデル拡張 Agentic Workflow化 ⼈とAIが正しく働くために ワークフローを管理・運⽤す る技術 e x ) 認 証 認 可 e t c 構造化したデータ同⼠を繋ぎ 合わせ、AIに知識として学習 させる技術 e x ) フ ァ イ ン チ ュ ー ニ ン グ ・ R A G A I に 学 習 さ せ る ⾮ 構 造 デ ー タ を 保 持 し 、 構 造 化 す る 技 術 e x ) DWH・マルチモーダルAI
15. 15 15 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…
16. 16 16 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…
17. 17 17 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…
18. 18 EXPERT AI OS データ同⼠を繋ぎ合わせ、知識を構造化する AIが会社の情報を⼀番知ってる状態を作るには、社内のデータを貯める技術基盤が必要。 データをただ持つだけでなく、構造的に繋げることで、AIが全社横断的なアウトプットを実現。 A C E S T e c h n o l o g y Business Process Layer (DX Solution) デ ー タ 同 ⼠ を 繋 げ 、 知 識 を 構 造 化 す る こ と で 、 A I の 出 せ る 価 値 が 最 ⼤ 化 さ れ る
19. 19 EXPERT AI OS 「知識の構造化」により、AIの創出価値を最⼤化 デ ー タ 同 ⼠ を 繋 ぎ 合 わ せ 、 知 識 を 構 造 化 す る こ と で 、 A I の 出 せ る 価 値 が 最 ⼤ 化 さ れ る A C E S T e c h n o l o g y 知識を構造化した場合 知識を構造化しない場合 例）営業の商談資料作成 過去の商談データ 顧客とのメール履歴 Salesforceの顧客情報 ⼀般情報をもとにしたChatGPT検索 AIが複数のデータを横断的に参照し、重要な情報を取捨選択してアウトプットが出せる
20. 20 Business Model 事業概要
21. 21 1 . 会 社 概 要 ビジネスモデル 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。 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
22. 22 AI MODULE 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
23. 23 AI MIDDOLEWARE AI OSを軸にミドルウェア群を開発・提供 特化型SaaSの開発ではなく、ACESが提供するAI OSを軸に「エキスパートAI」を活⽤するため に必要な単位でミドルウェアとして開発・提供していく Business Process Layer (DX Solution) 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 コンプラDX 情報検索DX 資料作成DX ・・・ LLM ACES Meetの領域 Meeting(会議・商談)は意思決定や顧 客接点の観点で極めて重要な領域 各ミドルウェアが蓄積 したデータ同⼠をAI OS によって繋げる
24. 24 Business Model① DXパートナーサービス
25. 25 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
26. 26 FEATURES 事業とAI技術の橋渡しを伴⾛しプロセスを構築する開発 AIの得意/不得意を専⾨的に理解したうえで、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。
27. 27 ACHIEVEMENT 業界をリードする実績 ⼤⼿企業や中央官公庁との取引実績多数。幅広い業界の課題に深く⼊り込み、最先端AIで変⾰を 起こすチャンスが多数存在します。 ⾦融 50% 製造 18% インフラ・建設 11% 官公庁 7% その他(⼈材、総合商社、⼩売、斡旋事業) 14% ⾦融業界を中⼼に 幅広い業界の顧客との取引実績多数 導⼊実績のあるDXテーマは横展開し 着実かつ効率的な社会実装を実現
28. 28 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
29. 29 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。
30. 30 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
31. 31 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
32. 32 PRODUCT OVERVIEW プ ロ ダ ク ト ー A C E S M e e t 1つ1つのミーティングの⽣産性と資産性を最⼤化する AI-Nativeなプロダクト 成約率向上 ⼈材育成効率化 業務負荷削減 (データ⼊⼒⾃動化など) ・・・ 社内MTG オンライン商談 電話 す べ ての コ ミュ ニケ ーションをデ ータ 化し、 A Iで ⾃動 記録 ・解析 ・・・
33. 33 成 ⻑ 率 プ ロ ダ ク ト ー A C E S M e e t 2 0 2 2 年 の リ リ ー ス か ら 3 年 、 A R R は Y o Y で 2 . 5 倍 と 順 調 に 成 ⻑ 中 か つ 、 資 ⾦ 調 達 は せ ず ⾃ 社 資 ⾦ で 安 定 性 の ⾼ い 成 ⻑ を 実 現 D X 事 業 の ⾼ い 利 益 率 を も と に 創 業 か ら ほ ぼ ⿊ 字 経 営 加 え て 、 A C E S M e e t は ⾃ 社 利 益 か ら 投 資 す る こ と で 外 部 資 ⾦ 調 達 0 で の 成 ⻑ を 実 現 FY2022 FY2023 FY2024 FY2025 約 2.5倍 ARR 年間経常収益 *FY2023〜FY2024 約 2.2倍 導⼊企業数 *FY2023〜FY2024
34. 34 A C E S M e e t が ⽬ 指 す 世 界 プ ロ ダ ク ト ー A C E S M e e t 独 ⾃ の A I 技 術 と 蓄 積 さ れ た デ ー タ を も と に ミーティングの⽣産性と資産性を最⼤化する 営 業 ⾯ 接 ・ ⾯ 談 社 内 ミ ー テ ィ ン グ 商 談 デ ー タ を も と に 、 商 談 報 告 や 顧 客 へ の お 礼 メ ー ル を ⾃ 動 化 ⽬ 線 や 表 情 、 話 す ス ピ ー ド や 抑 揚 な ど の 情 報 を 解 析 し 営 業 の ス キ ル を 定 量 で 可 視 化 ⾯ 接 / ⾯ 談 デ ー タ を ⾯ 接 官 同 ⼠ で 共 有 す る こ と で 、 合 否 判 断 を 精 緻 化 ・ ア ト ラ ク ト ⼒ U P ⾯ 接 同 席 な し で ⼈ 事 が ⾯ 接 官 に フ ィ ー ド バ ッ ク 可 能 A I が 議 事 録 を ⾃ 動 作 成 し て く れ る た め 、 全 メ ン バ ー が 議 論 に 集 中 で き 、 ⽣ 産 性 が 向 上 M T G を 後 か ら ⾒ 直 せ る こ と で メ ン バ ー 間 の 認 識 齟 齬 を 防 ぐ
35. 35 AI MIDDOLEWARE AI OSを軸にしたミドルウェア群を開発・提供 特化型SaaSの開発ではなく、ACESが提供するAI OSを軸に「エキスパートAI」を活⽤するため に必要な単位でミドルウェアとして開発・提供していく Business Process Layer (DX Solution) 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 コンプラDX 情報検索DX 資料作成DX ・・・ LLM ACES Meetの領域 Meeting(会議・商談)は意思決定や顧 客接点の観点で極めて重要な領域 各ミドルウェアが蓄積 したデータ同⼠をAI OS によって繋げる
36. 36 SUMMARY まとめ
37. 37 SUMMALY ACESは“⼈とAIが協働する次世代の働き⽅”をつくる会社 AIが隣で働いているような”⼈とAIが協働する次世代の働き⽅”を作ることで、シンプルな社会と余 ⽩のある未来を⽬指します
38. 38 1 . 会 社 概 要 SUMMALY ACESは「エキスパートAI」を開発・提供する 「会社のことを⼀番知っているエキスパートAI」に仕事を依頼・相談することで「あらゆるプロ セスで⼈がAIと⼀緒に働いている」状態を作る。 ACESは、エキスパートAIで “⼈とAIが協働する次世代の働き⽅”を実現します。
39. 39 SUMMARY エキスパートAIを⽀える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
40. 40 40 SUMMARY LLM/Infra Layer 汎⽤LLM エキスパートAIを実現するためのAI OS AIを前提とした働き⽅の実現のため、3層のエキスパートAI OSを開発・提供する。 AI OSによりデータ同⼠が意味づけされ、知識を構造化することが可能となる。 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 Agent Layer 1 Knowledge Layer 2 Data Layer 3 Point データ構造化 知識体系化 モデル拡張 Agentic Workflow化 AIを⼈が正しく使うために データを管理・運⽤する技術 e x ) 認 証 認 可 ・ コ ン プ ラ チ ェ ッ ク 構造化したデータ同⼠を繋ぎ 合わせ、AIに知識として学習 させる技術 e x ) フ ァ イ ン チ ュ ー ニ ン グ ・ R A G A I に 学 習 さ せ る ⾮ 構 造 デ ー タ を 保 持 し 、 構 造 化 す る 技 術 e x ) DWH・マルチモーダルAI
41. 41 Culture & Work Style カルチャーと働き⽅
42. 42 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 Va 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 , t ry 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 。
43. 43 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 ）
44. 44 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
45. 45 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 両⽅に影響
46. 46 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。※事前に実務 に近いワークサンプルテ ストにお取り組みいただ く可能性があります 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
47. 47 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
48. 48 みなさまのご応募 お待ちしております
49. 49 Appendix
50. 50 ⽣成AIの普及と効果実感の不⾜ ChatGPTなどの汎⽤的な⽣成AIの導⼊が急速に進む⼀⽅で、⼗分に効果を実感できている企業は少数 ⽣成AIの導⼊は加速度的に広がっている ⼀⽅で業務定着や効果実感は、 期待値を超えず課題が残る 4 1.3 21.8 8.6 22.7 20.8 3.8 6.7 32.7 48.5 3.1 3.2 11.8 11 0 10 20 30 40 50 60 70 80 90 100 2024 2023 全社的に活⽤している ⼀部の部署で活⽤している 現在は活⽤していないが、将来的には活⽤したいと思っている 現在活⽤していないし、今後も活⽤しない 現在は活⽤していないが、今後については未定である 活⽤を禁⽌している わからない 期待を⼤きく超える効果があった 1% おおむね想定通りの 効果であった 18% 期待値に⾄っていないが ⼀定の効果はあった… 期待した効果はまだ 得られていない 17% 効果を測定していない… わからない 6% 注1. 調査時期：2023年調査；2023年6〜8⽉、2024年調査；2024年6〜8⽉、調査（集計）対象：2023年調査； 国内⺠間企業（プロセス製造業、加⼯組⽴型製造業、サービス業、流通業、⾦融業）538社、2024年調査； （同）453社のうち、回答した449社、調査⽅法：郵送アンケート調査、単数回答 注2. 調査時期：2024年6〜8⽉、調査（集計）対象：国内⺠間企業（プロセス製造業、加⼯組⽴型製造業、サー ビス業、流通業、⾦融業）453社のうち、2024年における⽣成AI活⽤状況について「全社的に活⽤している」 「⼀部の部署で活⽤している」と回答した115社、調査⽅法：郵送アンケート調査、単数回答 ⽮野経済研究所調べ ⽮野経済研究所調べ