カジュアル面談用資料

Transcript

1. カジュアル面談資料 ACESにご興味をお持ちの方へ 1
2. Compa ny 会社概要 2
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 会社 名 株式会社ACES ミッ ション ア ル ゴリズ ム で、人 の 働き 方 に 余 白をつくる 設立 2017年11月20日 従業 員 1 1 0 名 （ 業務委託・インターンを含む） 事業 内容 AIモジュール群を用いた ① DXパートナー事業 ② AIソフトウェア事業 取引 実績（ 一部） AI 陸社 活 当 上が 用 を 自ア 、 衛 ド 隊 バの イ 組 ザー 織と に し お て け 支 る援 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 A b o u t A C E S 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) 3
4. 経営陣 田村 浩一郎 小松原 龍介 與島 仙太郎 代表取締役・Co-Founder 取締役・CFO 取締役・Co-Founder 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。 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。 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。 川上 登福 新原 浩朗 社外取締役 社外取締役 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 通商産業省（現・経済産業省）に入省し、経済産 業政策局長や内閣官房内閣審議官などを歴任。 官民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。 顧問 松尾 豊 技術顧問 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 染谷 隆夫 監査役 鈴木 俊彦 野村 彩 山田 啓之 常勤監査役 社外監査役 社外監査役 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。 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。 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。 技術顧問 東京大学大学院工学系研究科長・工学部長他 4
5. 主要メンバー抜粋 中川 大海 山本 豊 佐久間 桂吾 執行役員・Co-Founder 執行役員・デリバリー統括責任者 執行役員・アソシエイトパートナー 東京大学大学院工学系研究科卒(工学博士)。東京大 学大学院 工学系研究科長賞、国際会議WI2019 Best Student Paper Award 等受賞。現在は事業開 発責任者として、先端技術を用いた事業創出に従 事。 大学卒業後、約20年間に渡りデジタル戦略策定を はじめとするビジネスコンサルティングの実績を 積んだ後ACESに参画。現在はデリバリー統括とし てデリバリー全体の責任を持つ。 岩⼿大学大学院 工学系研究科修士課程修了。新卒 でNTTデータにおける金融業界の法人営業に従事し た後、AWSでアカウントエグゼクティブ、スター トアップのVP of Salesを経験し、ACESに参画。 久保 静真 西條 真史 小林 真輝人 執行役員・Co-Founder 執行役員・Co-Founder 執行役員・ディレクター 東京大学大学院工学系研究科（松尾研究室）修了。 現在はDeep Learningを含むアルゴリズムの開発、 インフラ設計等の開発におけるマネジメントを担 当。 慶應義塾大学SFCを卒業後、楽天株式会社に入社。 フリマアプリ「ラクマ」の事業開発・マーケティン グを経験した後ACESを共同創業。現在はAIソフト ウェア事業の責任者を担当。 阿部 紘之 大本 隆介 ディレクター ディレクター 東京大学大学院工学系研究科修士課程修了。 コー ポレイトディレクション（CDI）に新卒入社後、約 12年間従事しプリンシパルとして経営にも参画 。 慶應義塾大学経済学部卒業。新卒で専門商社に入社 した後アビームコンサルティングに転職し、シニア マネージャーとしてデータドリブン経営実現のPM などを約10年経験。 東京大学大学院新領域創成科学研究科卒(環境学博 士)。博士課程在籍中にAlgorithm Engineerとして ACESに入社、現在はディレクターとしてデリバ リーチームのマネジメント等に従事。 5
6. MISSION アルゴリズムで、人の働き方に余白をつくる 余白のある働き方 余白のない働き方 価 値や 利益 と 結 びつ かな い 心 がす り減 る 利益 心のゆとり 余白 時間 変 わら ない 作 業の 繰り 返 し 作 業に 追わ れ る 成長 創発 新 しい チャ レ ンジ が でき ない 1 . 会 社 概 要 6
7. 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が新たな成長の原動力となり、その市場は爆発的に拡大する 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 AIソフトウェア・サービス市場規模 日本の総人口推移 5000 13000 4500 12000 4000 3500 (USD, billions) 11000 10000 9000 2025年から2040年にかけて 約27.8倍成長の予測 3000 2500 2000 1500 8000 1000 500 7000 0 6000 2020 2025 2030 2035 2040 2045 2050 2055 2060 平成28年版 「情報通信白書」 『我が国の経済成長における課題』図表1-1-1-1 我が国の人口推移 より作成 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 (万人) Vision/Macro Trend 人口が減少する日本で、AIが新たな成長の原動力となる McKinsey & Company, "The Economic Potential of Generative AI: The Next Productivity Frontier", June 2024 より作成 7
8. VISION / TO BE A CES は “ 人 と A I が 協 働 す る 次 世 代 の 働 き 方 ” を つ く る 会 社 A Iが隣で働いているような”人とA I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
9. VISION / TO BE A I 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。 自社のナレッジを含む様々なデータを横断的に参照 一般知識・もしくは 学習済み内容のみ回答 L L M 自社内のデータを 横断的に参照し回答 RAG 検索 結果を参照 社内のデータ・ナレッジを知っていないと・・・ 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 社内データ 会議 / チャット C O R E メール ドキュメント 社内ポータル 9
10. 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 、 C ha tG P T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。 構造化データと非構造化データの違い 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 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 AI-Readyに 10
11. VISION / TO BE A C ES 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
12. EXPERT AI 1 . 会 社 概 要 A C ES は 「 エ キ ス パ ー ト A I 」 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。 ACE S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
13. Ex pert AI Demo エ キ ス パ ー ト A I の デ モ : A C E S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、 ACE S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AI エキスパートAI 13
14. Techno lo gy 技術戦略 14
15. EXPERT AI OS 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。 Application Layer Agent Layer Knowledge Layer Data Layer LLM/Infra Layer A C E S Point Expert AI OS T e c h n o l o g y Agentic Workflow化 1 Agent Layer 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 ex)認 証認 可et c モデル拡張 2 Knowledge Layer 知識体系化 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 データ構造化 ex) フ ァイ ンチ ュー ニン グ・RAG 3 Data Layer 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
16. Da ta La ye r – 情報 を集 め、 A Iが読 める デー タに 変え る 運用で得られた 構造化データ 運用で得られた 生データ データ取 得 生データ （1次情報） データ構 造 化 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 運用を通してアップデート AIが読めるデータ（1.1次情報） Knowledge Layer 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 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 マスク対応顔認識AI 表情・視線解析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 and more… A C E S T e c h n o l o g i e s 16
17. Knowl edge Layer –データに意味を与え、 AIが学ぶ知識に変える 新しく得られた知識 更新が必要な知識 Data Layer 知識の体系化 体系化された知識 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 人間/AIによるフィードバック モデル拡張 運用を通してアップデート Agent Layer チューニングされたモデル 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 プライバシーマスキングAI 発話分類AI 損傷価値査定AI 学習型音声認識AI QA抽出AI 行動解析AI RAG推論基盤 学習型話者識別AI and more… A C E S T e c h n o l o g i e s 17
18. Agent Layer – 知識を業務プロセスに変換し、 AIが実行する 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 Expertise Layer Agentic Workflow ワ ー クフ ロ ー 化 運用を通してアップデート Application 運用へ 業務手順を定義・可視化しAIが関与できる単位に分解 AI認証認可基盤 議事録作成AIエージェント コンプライアンス監査AIエージェント メガネレコメンドAIエージェント 営業提案AIエージェント 対話ナビゲーション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 and more… A C E S T e c h n o l o g i e s 18
19. EXPERT AI OS A C E S 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。 Business Process Layer (DX Solution) データ同士を繋げ、知識を構造化 す るこ とで 、AIの 出せ る価 値 が最 大化される T e c h n o l o g y 19
20. 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、AIの出せる価値が最大化される 例）営業の商談資料作成 知識を 構造化し ない場合 知識を 構造化し た場合 過去の商談データ 顧客とのメール履歴 一般情報をもとにしたChatGPT検索 Salesforceの顧客情報 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 A C E S T e c h n o l o g y 20
21. B us ines s M ode l 事業概要 21
22. 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 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 事業① DXパートナー AIモジュール群 組み合わせ プロジェクトで得た 課題をプロダクト化 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 プロダクトを活用し プロジェクトを推進 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 事業② AIソフトウェア 1 . 会 社 概 要 内 容 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 内 容 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 契 約 AIライセンス契約 22
23. AI MODULE 独 自 モ ジ ュ ー ル を 組 み 合 わ せ たA I 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
24. 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、ACE S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 ACES Meetの領域 Business Process Layer (DX Solution) Meeting(会議・商談)は意思決定や顧 資料作成DX 客接点の観点で極めて重要な領域 Application Layer コンプラDX 商談DX Agent Layer 会議DX Knowledge Layer 情報検索DX Data Layer 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 LLM 24
25. Bus ines s M ode l① DXパートナーサービス 25
26. DX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DX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。 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 /A I導入へ *2 コンサルティング 開発・実装 AIデザイン・ロードマップ策定 PoC・技術検証 AI戦略策定・業務プロセス設計 オーダーメイドAI開発 約3~6ヶ月 約3~6ヶ月 実行・運用 業務提携・デジタル事業推進 約6ヶ月~ トータル 約1年6ヶ月〜 26
27. 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。ACE Sは伴走してプロセスを構築するAI開発に強み。 27
28. 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 その他(人材、総合商社、小売、斡旋事業) 14% 官公庁 7% 金融 50% インフラ・建設 11% 製造 18% 28
29. CASE STUDY S O MP O HD 様 S O M P O L ig h t V o r t e x と 資 本 業 務 提 携 。 事 故 車 / 中 古 車 B 2 B 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 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 事 例 紹 介 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 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
30. CASE STUDY 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 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！ 事 例 紹 介 ロープレや商談をAIで解析。売れる営業スキルを再現 ※：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
31. CASE STUDY 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 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 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 -」 事 例 紹 介 31
32. B us ines s M ode l① AIソフトウェアサービス 32 C O N F I D E N T I A L
33. AI -Na ti v eな プ ロ ダ ク ト 業務負荷削減 (データ入力自動化など) 社内MTG 電話 プ ロ ダ ク ト ー A C E S ・・・ オンライン商談 ・・・ PRODUCT OVERVIEW 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 M e e t す べ て の コ ミ ュ ニケ ー シ ョ ン を デ ー タ 化 し 、 AIで自動記録・解析 成約率向上 人材育成効率化 33
34. 成長率 2022 年の リリ ースか ら3年、ARRはYoYで2.5倍と 順調 に成長 中 かつ、資金調達はせず自社資金で安定性の高い成長を実現 ARR 年間経常収益 導入企業数 約 2.2 *FY2023〜FY2024 倍 約 2.5 倍 *FY2023〜FY2024 FY2022 FY2023 FY2024 FY2025 DX事業の高い利益率をもとに創業からほぼ黒字経営 加え て、ACES Meetは自 社利 益から 投資す るこ とで 外部 資金 調達0での 成長 を実現 プ ロ ダ ク ト ー A C E S M e e t 34
35. AC ES M eetが目 指す 世界 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 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 プ ロ ダ ク ト ー A C E S M e e t 面接・面談 社内ミーティング 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 UP 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 面 接 同席 な し で 人 事が 面 接 官 に フ ィ ード バ ッ ク 可 能 MT 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
36. 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、ACE S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 ACES Meetの領域 Business Process Layer (DX Solution) Meeting(会議・商談)は意思決定や顧 資料作成DX 客接点の観点で極めて重要な領域 Application Layer コンプラDX 商談DX Agent Layer 会議DX Knowledge Layer 情報検索DX Data Layer 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 LLM 36
37. SUM MA RY まとめ 37
38. SUMMALY A CES は “ 人 と A I が 協 働 す る 次 世 代 の 働 き 方 ” を つ く る 会 社 A Iが隣で働いているような”人とA I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
39. SUMMALY 1 . 会 社 概 要 A C ES は 「 エ キ ス パ ー ト A I 」 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。 ACE S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
40. 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 A I ” の 社会 実 装 と い う V a l u e P r o p o s it i o n 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 CORE 1 CORE 2 CORE 3 自社の強みであるデータや知見を 現場業務とAIの専門性の双方を理解し 実績・導入事例に基づく 構造化して取り込むAI開発 伴走してプロセスを構築するAI開発 独自モジュールを組み合わせたAI開発 非構造的な自社のデータ・暗黙知 現場業務の 理解と可視化 最先端AIの知見 AI技術を用いて構造データ化 人とAIが協働する ビジネスプロセス構築に伴走 他社 ACES 自社の強みとデータを PoCで終わらない 個別のカスタマイズに注力でき A I-Readyに 実務で活用され、定着するA I に より効果的に顧客の目標達成を実現 40
41. SUMMARY 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。 Application Layer Agent Layer Knowledge Layer Data Layer LLM/Infra Layer A C E S Point Expert AI OS T e c h n o l o g y Agentic Workflow化 1 Agent Layer AIを人が正しく使うために データを管理・運用する技術 ex)認 証認 可・ コン プラ チ ェッ ク モデル拡張 2 Knowledge Layer 知識体系化 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 データ構造化 ex) フ ァイ ンチ ュー ニン グ・RAG 3 Data Layer 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
42. Cult ure & Wo rk S t yle カルチャーと働き方 42
43. VALUES B E A C ES I ss ue d ri ven , Fact based, Gemb a firs t, si mp l e s olut ion. b ui l d t ru st . try q ui ckl y. 最重要の課題発見から、 客観的事実を大切にし、 自分の足で情報を得て、 最高の課題解決をしよう。 信頼関係を構築しよう。 自分の手で検証しよう。 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 ACESのValuesが重 んじ られる 組 織 と カ ル チ ャ ー 43
44. 働き方の特徴 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 勤務時間 休日 働く場所 CORE TIME M 11:00 -15:00 フレックス制度 有給休暇 週2回リモートのハイブリッド （出社時間・曜日は自由） 副業 T W T F S S 完全週休2日制（土日祝） サポート 13days 入社即日13日間付与 働 き 方 と 採 用 プ ロ セ ス 副業OK GitHub copilotの利用 （主にエンジニア向け） 44
45. AIコーディングツール全社導入 ACE S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 Claude / Claude Code Codex AIコードエディタ Anthropic社の高性能AI OpenAI社のコーディングAI 自身で設定・利用可能 現状：希望者に招待制で付与 自然言語でコードを生成・変換 コード補完・生成をAIが強力にサポート CLI・コーディング・分析など活用可能 タスク自動化・リファクタリングに強み 自己設定 招待制（希望者） 全員付与 45
46. 評価制度 成果目標・能力・行動目標・Value体現の3つを軸に評価を行う 成果目標 能力・行動目標 Value体現 KPI、OKR、重要業務の達成 度に応じた賞与倍率の決定。 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。 Valueの体現度に応じて評価。 賞与 昇格・昇給 両方に影響 働 き 方 と 採 用 プ ロ セ ス 46
47. 選考フロー 書 類 選 考 1次 面 接 2次 面 接 ３ 次 面 接 選考結 果のお知 らせ 履歴書・職務経歴書のご スキルフィットの確認を 弊社の価値観/カルチャー 代表取締役 田村との最終 ご応募いただいてから3週 提出をいただきます 行います。※職種により とのフィット度合いの確 面接となります。 間~4週間ほどで選考結果 、事前に実務に近いワー 認を行います。 ※事前にリファレンスチ をご案内いたします。 クサンプルテストにお取 ェックを行っていただき り組みいただきます。 ます。 トータ ル 約3-4週間 働 き 方 と 採 用 プ ロ セ ス 47
48. 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
49. みなさまのご応募 お待ちしております 49
50. Appendix 50
51. 生成AIの普及と効果実感の不足 C ha tG P T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 1.3 2023 8.6 2024 20.8 4 21.8 0 10 20 6.7 48.5 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 3.2 わからない 6% 11 効果を測定していない… 22.7 30 40 3.8 50 32.7 60 70 3.1 80 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% 11.8 90 100 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 期待値に至っていないが 現在活用していないし、今後も活用しない 一定の効果はあった… 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 矢野経済研究所調べ 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； 国内民間企業（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 期待した効果はまだ 得られていない 17% 矢野経済研究所調べ 注2. 調査時期：2024年6〜8月、調査（集計）対象：国内民間企業（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 51