第1部 技術探索/特許調査エージェントを活用したR&D業務の効率化、自動化

(2026年1月22日 10:00〜11:30)

　研究開発プロセスは複雑化し、情報量の増大、属人化、スピード感の欠如といった課題が顕在化しています。本講演では、製造業の研究開発職に特化したAIエージェント「Aconnect」をご紹介します。特に、技術探索と特許調査というR&Dの専門業務をAIがどう自動化・自律化し、高精度かつスピーディにサポートするかを、具体的なユースケースとデモを交えて解説。
　生成AIの活用に関心のある皆様へ、開発テーマの手戻りリスクや属人性を減らし、アイデア創出から上市までを加速するAI活用の実態と未来をお届けします。

1. はじめに
   1. 講演者および当社のご紹介
2. 生成AIの進化と今
   1. 生成AIのこれまでの進化
   2. 生成AIは今、何ができるのか/できないのか
3. 研究開発職に特化したAIエージェント「Aconnect」
   1. AIエージェントによるR&D専門業務サポートの概要
   2. 汎用的な生成AIとの違いと使い分け
4. 激化するR&Dプロセスと専門調査の課題
   1. 製品上市までの過程で発生する専門調査の全体像
   2. 情報過多、スピード不足、調査の属人化といった現場のペイン
5. 技術探索エージェント:課題解決への最短ルート
   1. 技術探索業務の現場における属人性問題 (ベテランvs若手)
   2. 技術探索エージェントの機能ご紹介
   3. プロダクトデモ
6. 特許調査エージェント:知的財産リスクの効率的評価
   1. 技術職による特許調査業務の負荷問題 (大量のノイズ取り)
   2. 特許調査エージェントの機能ご紹介
   3. PoCで確認された高精度 (正確性90%、見逃し0%) の検証結果
   4. プロダクトデモ
7. AI活用に必須なセキュリティ
   1. 技術開発に求められるセキュリティ
   2. Aconnectにおけるセキュリティ対策とISO規格に基づく運用
8. これからの生成AIの進化
   1. AIエージェントが実現するR&Dの未来とEnterprise Knowledge Planning
• 質疑応答

第2部 情報・データ・組織の分断を解消し、研究企画と遂行をつなぐ生成AIとDXを活用した次世代ナレッジソリューション

(2026年1月22日 12:15〜13:45)

　研究企画と遂行の間で生じる情報共有の不足、データの分離、組織のサイロ化は、研究テーマの属人化や意思決定の遅延を引き起こしています。
　本講演では、これら3つの分断を解消し、研究知を組織全体で循環させるための次世代ナレッジソリューションを紹介します。生成AI、AIエージェント、機械学習、DX基盤を組み合わせ、トレンド分析・知識抽出・戦略提案を自動連携。「知が流れる研究プロセス」を実現するための最新アプローチと、その実装事例を解説します。

1. 研究開発の分断構造とその本質的課題
   1. 研究企画と遂行の間で生じる「3つの分断」:情報・データ・組織
   2. 属人化、重複投資、意思決定の遅延を招く構造的要因
   3. 分断が企業の研究スピード・再現性・知識共有に与える影響
   4. 解決の鍵は、“知識が流れる構造”の再構築にある
2. 分断を可視化するためのトレンド分析と知識抽出
   1. 外部トレンド (論文・特許・市場動向) と内部知識 (研究報告・実験データ) の統合分析
   2. Embedding・クラスタリングを用いた研究領域のマッピング
   3. トレンドの変遷と技術のつながりを俯瞰する可視化アプローチ
   4. 「研究テーマの見える化」がもたらす新たな企画プロセス
3. 生成AIとDXによる知識循環の仕組み化
   1. 生成AIによる知識要約・構造化・再利用の自動化
   2. DX基盤によるデータ連携・メタデータ統合・知識資産化
   3. ナレッジグラフ/ベクトルDBを活用した探索・推薦アーキテクチャ
   4. 「情報 → 洞察 → 提案」へ進化する研究支援プロセスとその設計思想
4. 研究企画と遂行をつなぐナレッジソリューション実装事例
   1. トレンド分析AIを中心としたPoC事例と成果
   2. Embedding+RAG+機械学習+AIエージェントによる研究支援ワークフロー
   3. Azure AI サービスを用いた実装構成
   4. 成果指標:テーマ設計の迅速化、再現性向上、意思決定支援の高度化
5. 知が流れる研究プロセスへの進化
   1. AI共創型研究DXとしての“知識循環型R&D”の全体像
   2. AIと人が協働する意思決定知能 (Decision Intelligence) の可能性
   3. 組織変革・人材スキル変革とナレッジ連携の未来
   4. 次世代研究マネジメントに向けたロードマップと今後の方向性
• 質疑応答

第3部 生成AI・AIエージェントを活用したR&D業務の自動化・自律化とデータプラットフォーム構築

(2026年1月22日 14:00〜15:30)

　本講演では、研究・実験データの収集から構造化までを効率化するためのデータパイプライン構築手法を紹介します。手書き文書やExcelなどの非構造データを対象に、収集・整理・統合・保存のプロセスを体系化し、再利用性と分析可能性を高める仕組みを実例とともに解説します。
　現場の作業負荷を軽減し、構造化されたデータを活用したAI解析や統計解析によって成果を創出し、研究の質向上に貢献する実践的なアプローチを提案します。

第4部 AIエージェント時代のものづくり戦略 – 実例に学ぶ未来への展望 –

(2026年1月22日 15:45〜17:15)

　地政学リスクやサプライチェーンの脆弱化、人材不足など、製造業を取り巻く経営環境はかつてない変化を迎えています。
　本講演では、生成AIから自律的エージェントへと進化するAI技術の潮流を概観し、先進企業による導入事例をもとに、価値創出と課題の実像を探ります。AIエージェント時代における「ものづくり戦略」の新たな方向性と、未来に向けた実践的示唆を提示します。

1. 製造業の経営課題
   • 激変する経営環境のもと、地政学リスクやサプライチェーン変動、消費者ニーズ多様化など、 サプライサイド・デマンドサイド双方から迫る構造的課題を整理
2. AI技術の進化と潮流
   • 従来型AIから生成AI、そして自律的に判断・行動するAgentic AI (自律型AI) への進化を俯瞰し、技術トレンドを体系的に整理
3. グローバル先進事例の研究と示唆
   • バリューチェーンの各ステージ (設計・生産・保守・サプライネットワーク) におけるAIエージェント導入の実践事例を分析し、成功要因と課題、得られた実践知を考察
4. AIエージェント時代のものづくり戦略と展望
   • 自律型製造業への移行を見据え、AIエージェントがもたらす組織変革・人材・価値創造の新たな方向性を提示
• 質疑応答