Slide 1: 2026年8月期 通期 決算説明資料
2026年8月期 通期 決算説明資料 2026年10月15日 株式会社ABEJA（証券コード：5574）
Slide 2: 目次
目次 1. 会社概要 2. 2026年8月期 業績ハイライト 3. 成長戦略 4. 事業の状況 5. 2027年8月期 業績予想 Appendix 1 © ABEJA, Inc.
Slide 3: 会社概要
@ABEIA 1 ——SHez 2 © ABELA, Inc.
Slide 4: 会社概要（2026年8月末現在）
会社概要（2026年8月末現在） 会社名 株式会社ABEJA 株主構成（2026年8月末現在） SOMPO Light Vortex株式会社 16.9％ 本店所在地 東京都港区三田一丁目1番14号 岡田 陽介 13.7％ ヒューリック株式会社 4.3％ 設立 2012年９月10日（決算期：８月） 日本マスタートラスト信託銀行株式会社（信託口） 3.8％ エンタープライズプラットフォーム事業 ・顧客のAI活用を実運用として成立させ、 外木 直樹 2.9％ 事業内容 継続的な高度化を支援 ・中核基盤であるABEJA Platform 株式会社インスパイア・インベストメント 2.8％ の開発・実装・
Slide 5: ミッションの変更
私たちの未来認識 ミッションの変更 産業構造の変革は、確実に到来する未来になった 未来認識の変化に合わせ 旧Mission 新Mission 対象と役割を広げる 「テクノロジーの力」は、 テクノロジーの力で テクノロジーの力で これからも価値創出の源泉です。 産業構造を変革する 次世代基盤を築く We Will Reform Industrial Architecting Next Era Infrastructure AI・テクノロジーの進展により、 Structures with the Force of Our Technology with the Force of Our Techn
Slide 6: 企業理念、ミッション、ビジョン
企業理念、ミッション、ビジョン 企業理念 「ゆたかな世界を、実装する」 ミッション 「テクノロジーの力で次世代基盤を築く」 ビジョン 「イノベーションで世界を変える」 5 © ABEJA, Inc.
Slide 7: Technopreneurship
“Technopreneurship” 当社は「テクノプレナーシップ」を行動精神としております。 テクノプレナーシップとは、進化するテクノロジーを用いて（Technology）、 どのような社会を実現していくかを問い続ける姿勢（Liberal Arts）、 そしてこの円環を推進する力（Entrepreneurship）の造語となります。 “Technopreneurship” リベラルアーツで自 テクノプレナーシップ らの行為を問い続け る姿勢 Society Technology Liberal Arts Culture テクノロジーでイノベーショ ンを実現してインパクトのあ る社会貢献をす
Slide 8: エンタープライズプラットフォーム事業
エンタープライズプラットフォーム事業 ABEJA Platformを核に事業展開しており、 導入支援と周辺サービスの提供を行う「トランスフォーメーション領域」と、 その後の「人とAIの協調」による運用を行う「オペレーション領域」に分割しております。 顧客の業務及び現場において、データ、意思決定及びオペレーションを一体的に扱い、 デジタル・リアル空間のオペレーションの高度化を支える実装基盤 トランスフォーメーション領域 オペレーション領域 個別顧客のニーズに対応した 個別顧客のニーズに対応した ABEJA Platform導入支援と ABEJA Platform上で その周辺サービス提供 2つの
Slide 9: ABEJAのビジネスモデル
ABEJAのビジネスモデル ABEJAの事業を製造業に例えると・・・・ EMS（Electronics Manufacturing Service）に近い形態 AI版EMS：ABEJA Platform上で要望に応じた製造ラインを構築し、そのラインを使って製造。継続運用・高度化まで担う 製造する製品を把握し設計図を描く 要望に応じた製造ラインを構築 製造ラインを使用して製造 顧客のニーズを具現化するための 顧客と協働で設計書に応じてパーツを 当社と顧客が協働で製品を製造し、 設計書とオペレーションを作成 組み合わせ製造ラインを構築 継続して改善活動を実施 製造業に例えると KAIZEN 意思
Slide 10: 2026年8月期 業績ハイライト
２ 2026年8月期 業績ハイライト 9 © ABEJA, Inc.
Slide 11: エグゼクティブ・サマリー
エグゼクティブ・サマリー ⚫ 売上高 4,577百万円、売上総利益 2,792百万円、営業利益 710百万円、当期純利益 1,065百万円 2026年8月期 業績 ⚫ 売上総利益率 61.0%、営業利益率 15.5%（前期比+3.1pt） ⚫ 前期比：売上高+27.7%、売上総利益+24.9%、営業利益+59.4%、当期純利益+137.8% ⚫ 通期で増収増益を達成。4Q売上高は四半期で過去最高 業績の状況 ⚫ 売上高の成長を上回る営業増益となり、営業利益率も向上 ⚫ 当期純利益は繰延税金資産の計上等（法人税等合計：益306百万円）の影響もあり1,065百万円 ⚫ 業務・現場へのAI実装が広が
Slide 12: 2026年8月期 業績
2026年8月期 業績 通期で増収増益を達成、営業利益率が向上 2025年8月期 2026年8月期 2026年8月期 通期 通期 通期業績予想 ⚫ 概要 ①10/15 ②4/14 ③7/15 (単位：百万円） 実績 実績 前年同期比 達成率 開示 開示 開示 ✓ 売上高は前期比+27.7% ✓ 売上総利益は前期比24.9％増加。販管費の伸 売上高 3,585 4,577 27.7% 4,400 4,500 4,550 100.6% びは16.3％にとどまり、営業利益率は15.5％ （同＋3.1pt）へ改善 売上総利益 2,236 2,792 24.9% ー ー ー ー ✓ 7月公表予想に対し、
Slide 13: 2026年8月期 第4四半期の業績
2026年8月期 第4四半期の業績 （前期4Q、今期3Qとの比較） 売上高は四半期で過去最高 2025年8月期 2026年8月期 2026年8月期 増減率 増減額 (単位：百万円） 4Q 3Q 4Q 前期4Q比 今期3Q比 前期4Q比 今期3Q比 ⚫ 今期4Qの業績（前期4Q比） 売上高 892 1,017 1,208 35.5% 18.8% 316 190 ✓ 売上高は1,208百万円（＋35.5％）と、四半 期で過去最高。前年同期比の伸びは通期 売上総利益 550 664 769 39.8% 15.9% 219 105 （+27.7%）を上回る水準 売上総利益率 61.7% 65.3% 6
Slide 14: 売上高の推移①：領域・規模
売上高の推移①：領域・規模 領域別内訳 規模別内訳 ⚫ 長期・月額型支援の積み上がり （百万円） （百万円） ✓ 長期・月額型支援が増加し、オペレーション 5,000 5,000 領域が拡大、前期比54.1％増 4,577 4,577 4,500 4,500 4,000 4,000 ⚫ 取引規模の拡大 3,585 1,292 3,585 +453 3,500 ✓ 年間売上高5,000万円以上の取引先からの売 3,500 （+54.1％） +952 上は、前期比36.2％増加。大口取引先からの 838 （+36.2％） 3,000 2,766 +176 3,000 2,766 +774 3,58
Slide 15: 売上高の推移②：公的プロジェクト・Physical AI
売上高の推移②： 公的プロジェクト・Physical AI 提供先内訳と全社粗利率 Physical AI関連の増収寄与 ⚫ 公的プロジェクトの拡大と粗利率 公的プロジェクト比率 2％ → 18％ → 24％ 全社増収 ＋992百万円の約40％に寄与 ✓ 国のAI政策を背景に、バーティカルAI・ エンタープライズ案件等 公的プロジェクト Physical AI領域で公的プロジェクトへの参 全社売上総利益率 画・売上が拡大 ✓ 全体の粗利率は案件構成の変化に応じて緩や 100% 2% かに低下。事業規模の拡大と技術・実装知見 18% 5,000 4,577 24% ＋396 ＋595 の蓄積を並
Slide 16: 売上高の推移③：四半期実績
売上高の推移③：四半期実績 売上高 ⚫ 四半期売上高は過去最高 ✓ 今期4Qは前年同期比+35.5% 前年同四半期比 （百万円） ✓ 今期3Q比では+18.8％ 55.9% 34.7% 42.6% 35.5% 17.7% 23.8% 10.9% 15.0% -4.3% 6.4% 6.8% -10.4% 1,198 1,208 ⚫ トランスフォーメーション領域 1,200 1,152 1,039 1,017 （仕組みづくり・構築フェーズ） 275 1,000 248 885 892 441 199 ✓ AI導入・構築ニーズは引き続き旺盛。長期・ 771 768 326 800 720 201 月
Slide 17: 営業利益の推移
営業利益の推移 営業利益 ⚫ 通期で営業利益が拡大 （百万円） ✓ 今期は全四半期で営業利益1億円超を確保 300 +97百万円 ✓ 通期営業利益は710百万円（前期比+59.4％） 219 195 182 200 165 ⚫ 今期4Qの利益水準 145 143 ✓ 営業利益は143百万円。前期4Q比+97百万円、 109 98 94 今期3Q比▲38百万円 100 56 46 ✓ 今期3Q比の減益は、来期に向けた体制・研究 開発投資に伴う費用増が主因 -10 0 ✓ 増減要因は次頁参照 ▲38百万円 -100 1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q (9－11
Slide 18: 営業利益の増減要因
通期の比較 営業利益の増減要因 +264百万円 +556百万円 ▲291百万円 （百万円） ⚫ 通期の比較 2,000 ✓ 内訳は、売上総利益まで+556百万円、販管費 1,500 992 6 ▲291百万円 1,000 710 445 -436 -14 -123 500 -22 -137 ✓ 販管費増の主因は業務委託料（▲123百万円） 0 とその他販管費（▲137百万円） 2025年8月期 増収/減収 原価増減 販管人件費 採用教育費 販管業務 販管システム その他販管費 2026年8月期 通期 増減 増減 委託料 利用料 増減 通期 営業利益 増減 増減 営業利益 ⚫ 今期3Q単独との比
Slide 19: コスト構造①：売上原価、販管費
コスト構造①：売上原価、販管費 費用項目の内訳（対売上高比率） ⚫ 売上原価率 ✓ 案件構成に応じて変動するものの、通期では 100% 39.0％と40％以下の水準を維持 90% ✓ 今期4Qは36.3％。前期4Q比では2.0pt低下し 80% た一方、今期3Q比では1.6pt上昇 70% 57% 42% 56% 50% 51% 51% 45% 41% 52% 60% 42% 47% ⚫ 販管費率 50% ✓ 通期の販管費率は、前期49.9％から45.5％へ 40% 低下 30% ✓ 今期4Qの販管費率は、今期3Qの47.4％から 20% 38% 37% 39% 36% 38% 39% 41%
Slide 20: コスト構造②：販管費
コスト構造②：販管費 販管費の推移 （百万円） ⚫ 今期4Qの販管費は625百万円（今期3Q比 700 +143百万円） ✓ 来期に向けた採用・研究開発に伴い増加した 600 が、販管費総額は概ね想定の範囲内で着地 151 500 ⚫ 販管人件費・採用費 74 25 104 99 89 ✓ 今期4Qの採用は概ね計画どおり進捗 400 75 20 82 58 87 43 25 54 18 23 23 ✓ 通期の販管人件費は1,112百万円と、前期 58 14 68 49 37 16 17 41 71 42 70 74 64 1,119百万円から概ね横ばい 300 13 13 35 18 33 3
Slide 21: 従業員の推移
従業員の推移 （人） 従業員の推移 150 140 132 133 133 130 125 122 123 127 125 103 ⚫ 今期末の従業員数は140人 100 ✓ 前期末比+7人、今期3Q末比+10人 75 ✓ 今期4Qの採用は計画どおり進捗し、人員体制 50 を拡充 25 ⚫ 成長を支える体制 0 1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q ✓ 採用による人員拡充に加え、AI活用による生 2023年8月 2024年8月 2025年8月期 2026年8月期 産性向上と外部リソースの活用を組み合わせ、 期 期 案件への対応力を高める バックオフィス （ご参考） 内訳推移 営業・コ
Slide 22: 貸借対照表
貸借対照表 2025年8月期 2026年8月期 （百万円） 期末実績 構成比 期末実績 構成比 増減 流動資産 5,104 96% 5,437 84% 332 ⚫ 簿外として、2026年8月末時点で税務上の 現金及び預金 4,586 86% 4,423 68% -162 繰越欠損金は3,250百万円 売掛金及び契約資産 463 9% 847 13% 384 仕掛品 12 0% 11 0% -1 その他 42 1% 155 2% 113 固定資産 213 4% 1,035 16% 822 投資有価証券 - - 380 6% 380 繰延税金資産 162 3% 587 9% 424 その他 50
Slide 23: 業績推移データ
業績推移データ 2024年8月期 2025年8月期 2026年8月期 1Q（9－11月） 2Q（12－2月） 3Q（3－5月） 4Q（6－8月） 1Q（9－11月） 2Q（12－2月） 3Q（3－5月） 4Q（6－8月） 1Q（9－11月） 2Q（12－2月） 3Q（3－5月） 4Q（6－8月） （百万円） 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 実績 構成比 売上高 653 100.0% 771 100.0% 620 100.0% 720 100.0% 768 100.0% 1,
Slide 24: 成長戦略
@ABEIA 3 —— RRR 23° © ABEJA Inc.
Slide 25: AIの進化を示す4つの波と当社の売上高成長イメージ
Generative AI Physical AI AIの進化を示す4つの波と （生成AI） （AIロボティクス） 当社の売上高成長イメージ LLM VLM VLA World Models 市場の中核はAgentic AIへ移行 テキスト、画像、音声、動画など 物理世界を知覚し、推論、計画し のコンテンツを自分で作り出すAI て行動するAI Physical AIへの投資も活発化 当 ⚫ AI市場の現在地 社 Perception AI Agentic AI の ✓ AI市場は「Generative AI」の段階を超え、 （知覚AI） （AIエージェント） 売 自律的な判断・業務遂行を担う「
Slide 26: AIモデルの進化と当社への影響
AIモデルの開発競争が激化 AIモデルの進化と当社への影響 GPUの進化 データセンターの進化 モデルの高速化＆軽量化 AIモデルの苛烈な開発競争を回避しつ AI市場への影響 つ恩恵を得られるポジションを確立 推論性能の向上 推論コストの低下 AIモデルの性能向上により、対応可能な処理 計算資源の効率化とモデルの軽量化が同時に ⚫ AIモデルはAIシステムの構成要素の一つ の水準が継続的に向上 進行し、同等の精度に必要なコストは継続的 に低下 ⚫ 当社にとってAIモデルの開発競争は追い風 ✓ AIモデルはABEJA Platformを構成する技術の一 当社にもたらす影響 つであり、任意のAIモ
Slide 27: AI関連事業におけるビジネスモデルの比較
AI関連事業における ビジネスモデルの比較 大手防衛関連 ⚫ 業務難易度が上がるほど、単価と原価の （P社） 差が拡大 ✓ 人間が行う業務の単価は、内容によって数 １件あたり 十倍から数百倍の開きがある の請求額 ✓ 一方、AIの実行コストは業務内容にかかわ らずほぼ一定 大手モデル開発 （A社） ⚫ 当社はミッションクリティカル業務に注 力して事業を構築 ✓ モデル開発を行う企業とは、収益構造その 大手モデル開発 ものが異なる （O社） ✓ 同領域で先行する海外企業の事例が、この 構造の大規模な成立を裏付けている 26 © ABEJA, Inc.
Slide 28: ミッションクリティカル業務の付加価値が高い理由
ミッションクリティカル業務 の付加価値が高い理由 実験データの解析 資料作成 画像診断 防衛領域 保険の査定 工場設備の自動運転 ⚫ 実装難易度と失敗時の損失がともに大きい ✓ 個別の設計・実装を要する一方、停止や誤作 動が人命や事業継続に直結するため、要求さ れる水準が非常に高い 難易度は高いが、選択肢は多い AI代替が最も難しい ⚫ AIモデルの進化では対応できない領域 ✓ ミッションクリティカル業務は、業務ごとに 個別に実装し、統合して一つのシステムとし 一般業務 て管理する必要があるため、モデルの性能向 上だけで対応することが難しい 議事録作成 社内検索 資料の要約 会計処理 法務処理
Slide 29: AIを安全に活用するための要件
01 セキュリティ 02 ガードレール ミッションクリティカル業務で AIを安全に活用するための要件 ミッションクリティカル基準 ミッションクリティカル基準 ⚫ AIを安心・安全に使うための7本柱 ✓ AI単体では安全性を担保できない為、多角的な 仕組みが不可欠 ✓ 7本柱を継続的に適用してはじめて、安心・安全 03 ガバナンス 04 冗長化・障害対応 なAI運用が実現 ミッションクリティカル基準 ミッションクリティカル基準 05 復旧・再発防止 06 評価・監視 07 学習・改善 ミッションクリティカル基準 ミッションクリティカル基準 ミッションクリティカル基準 28 © ABEJA, In
Slide 30: ABEJA Platformがもたらす付加価値
複数サービスの組み合わせ One Platform 機能ごとに最適なサービスを組み合わせる構成 データから実行・監視まで一つの基盤で管理する構成 ABEJA Platformがもたらす付加価値 アプリケーション 顧客データ アプリケーション 顧客データ AIエージェント LLM API ⚫ 個別最適の限界 共通AI基盤 データ加工処理 データコネクタ ✓ 機能ごとに最適なサービスを選ぶと、データが (前処理/RAGなど) AIエージェント LLM/VLM/ML/DL 複数のサービス境界をまたいで流れ、経路が MCP ガードレール データ加工処理 複雑化 データコネクタ (前処理/RAGなど)
Slide 31: Triple Human in the Loop
「Triple Human in the Loop」によって実現可能になるAI利活用 「Human in the Loop」の進化版 ・判断ミスの原因を特定し、人に改善案を提案 AI 「Triple Human in the Loop」の特許出願 リアルタイムな ・承認された改善案を安全に本番環境へ反映 現場業務で実行 1.実行ループ 2.向上ループ ⚫ 「安全性」と「AIシステム全体の自律的 (Execution Loop) (Enhancement Loop) な改善」の両立で、ミッションクリティ ・AIによる実行提案を判断 人 現場負荷が最小限の ABEJA独自開発 人 ・AIによる改善
Slide 32: AI時代の業務遂行プロセス
これまで 今後（未来像） 実際に起きている状況 ABEJA Platformが実現する未来 AI時代の業務遂行プロセス 人が主担当で業務を進行 AIが主担当となり人がサポート 業務やタスクごとに 人は組織として 複数のSaaS、社内システムを AIは道具から業務の担い手へ サポート 個別に立ち上げて業務を遂行 人は必要に応じて プロセスに介在 (Human in the Loop) ⚫ AIの役割が急速に拡大 SaaS ABEJA Platform上で、業務データの集約・ 統合からAI運用までを一元管理・実行 ✓ Agentic AIの実用化が進み、AIが単発の作業 ではなく、一連の業務を遂行
Slide 33: AIDE（AI ready Deployed Engineer）
顧客の環境に入り込み、課題に応じ 役割 AI時代に合わせて職種を新しく定義 たシステムを構築・実装する AIDE (AI ready Deployed Engineer) FDE システムが本番環境で安定して稼働し 目指す状態 ている状態 ⚫ 業務のあり方を根本から変える ✓ プラットフォームの進化によりAIが担える業務 よりAI時代に合わせた存在へ AIが遂行する前提で業務を再設計し、 が急速に広がり、既存業務をAIに置き換えるだ 役割 AIエージェントを構築・実装する けでなく、業務そのものを作り直せる段階に ✓ この変革には、業務の流れからAI、データまで をまとめて設計できる人材が求め
Slide 34: グローバル市場におけるABEJAの強み
データ主権における強み「求められる3つの要件」 １ グローバル市場におけるABEJAの強み データ主権が問われる業務の多くはミッションクリティ ミッション 1 クリティカル業務 カル業務であり、この領域での運用実績が不可欠 の対応実績 外部サービスに依存せず、顧客環境の内側でデータ活用 ⚫ データ主権 2 が完結するAIシステムを構築可能 ✓ データは現代の最重要資源であり、経済安 2 3 顧客から見て、地政学的なリスクによる輸出規制などの 閉じた環境に 全保障の観点から自国の法の下で管理する 3 地政学的な 影響を受けにくい立場 実装可能な 要請が各国で強まっている リスクが低い AIシステ
Slide 35: ASEAN市場とグローバル展開
ミッションクリティカル業務のAI活用におけるASEAN市場の状況 グローバル市場への展開 単独でAI主権の確立が難しい ASEAN内のAI事業者が限られる データ基盤・人材・実装力の全てを自前で揃えられる ミッションクリティカル業務に対応できる事業者が限 国は限られるため、日本を含む各国が連携し、地域全 られており、また、特定の事業者に依存すること自体 ⚫ 日本で確立した立ち位置を、グローバル 体で経済安全保障を確保する動きが強まっている がリスクになるため選択肢を増やしていく必要がある へ展開 ✓ AIガバナンスが極めて重要な課題となって いる現状において、データ主権を手放さず ASEAN各
Slide 36: 事業の状況
@ABEIA 4 —_—BROUKR 35 © ABEJA, Inc
Slide 37: 公的プロジェクトの取組状況
公的プロジェクトの取組状況 完了 進行中 LLM基盤を起点に、Physical AIへ領域を拡大 5件 4件 GENIAC 第一期から4期連続で採択 2024年 2025年 2026年 2027年 LLM基盤・ 第一期 第二期 第三期 第四期 24/2〜24/8 24/10〜25/4 25/8〜26/2 26/7〜27/1（予定） 38ページ参照 AIエージェント 日本語LLMと周辺技術 特化型モデルに向けた ロングコンテキスト対応 自動車整備領域特化型 GENIAC（経済産業省・NEDO） （RAG・Agent） モデルの小型化 基盤モデルとAgent AIエージェント（IDOM連携） SI
Slide 38: 国のAI政策と当社が参画する公的プロジェクト
国のAI政策と当社が参画する公的プロジェクト AI実装・運用力を、国の重点領域へ展開 重点領域 重点領域 横断条件 Physical AI バーティカルAI 国の 開かれたAI主権 官民投資額 10.5兆円（想定） 官民投資額 23.1兆円（想定） AI政策 全領域に共通する前提条件 2040年度までの累計 2040年度までの累計 NEDO｜AIRoAより受託 GENIAC 第四期｜当社提案が採択 NEDO｜CODASより受託 ロボティクス基盤モデル向け 自動車整備領域特化型 データの秘匿性を考慮した データプラットフォーム開発 AIエージェントの開発 効率的なAI学習手法の開発 バーティカル
Slide 39: 公的プロジェクト：自動車整備特化AIエージェント開発
IDOM 公的プロジェクト： AI領域におけるノウハウ、 中古車流通大手「ガリバー」 自動車整備に特化したAIエージェント開発 ビジネスの立ち上げやAI導入支援の実績 全国約498店舗で蓄積した整備データを保有 IDOM連携：整備データを基に、 社内のオンプレミス環境で検証 IDOMの修理実績・点検基準等から専用データセットを構築 整備士の判断を支援するAIエージェントを開発し、社内オンプレミス環境で実運用を検証 ⚫ NEDO事業の概要 ✓ 実施期間：2026年7月〜2027年1月（予定） ✓ テーマ：自動車整備領域特化型 AI エージェン 自動車整備領域特化型AIエージェント トの開発 本事
Slide 40: 公的プロジェクト：産業特化型LLMを開発
セキュリティリスクへの懸念 データ主権の確保 プライバシーファーストAI 背景 約7割の企業が、データ漏洩・ クラウド型汎用LLMは、機密デ 産業データを国内で安全に管 公的プロジェクト： プライバシー侵害に懸念 ータを自社管理下に保つ「デー 理・運用するエコシステムを構 産業特化型LLMを開発 タ主権」の確保に課題 築 データ主権・秘匿性が求められる ミッションクリティカル業務へ拡張 NEDO公募事業の中核 「産業特化型LLM」を構築 2026〜2028年度（3カ年）で ⚫ NEDO事業の概要 データの秘匿性を基盤とした産業特化型AI基盤の研究開発・実装実証を推進 ✓ 実施期間：2026年度
Slide 41: 公的プロジェクト：AIRoAに参画
取組概要 ロボットデータエコシステムを構築 公的プロジェクト： 一般社団法人AIロボット協会(AIRoA)に参画 このサイクルを通じてAIロボットの進化を加速 AIRoAは企業から 企業はAIRoAから AIRoAは事業者からロボットの データを集め、 基盤モデルの提供を受け、 データを再収集し、 当社は初期段階から正会員として参画 AIの基盤モデルを開発 AIロボットを事業者に提供 AI基盤モデルを高性能化 ①共同開発 AIRoAの概要 事業者 AIロボット開発企業 プロジェクト開始 ②データ提供 飲食 製造 ⚫ 理事長： 尾形 哲也（2024年12月設立） AIモデル開発 基盤モデル 小売
Slide 42: 公的プロジェクト：VTLAモデル向けデータエコシステム
製造現場で収集した視覚・触覚・言語・動作データを統合的に扱うVTLAモデルを開発 公的プロジェクト： 取組体制 日本を代表するロボットメーカー3社＋大学・センシング・AIが連携 VTLAモデル向けデータエコシステム ロボットメーカー3社と大学・ 川崎重工業・ファナック・安川電機（ロボット3社）、 大阪大学、FingerVision（触覚センシング） センシング・AI企業が連携 ⚫ NEDO事業の概要 ✓ 実施期間：2026年8月〜2027年7月（予定） 当社の役割 現場データを「学習可能な資産」に変えるデータインフラの構築 ✓ 川崎重工業、ファナック、安川電機、大阪大 • AIに高品質な現場デ
Slide 43: 事例：防衛装備庁との取り組み
事例：防衛装備庁との取り組み 視覚言語行動モデル（VLAモデル） 「視覚言語行動モデルの検証及び運用 視覚情報 Vision 自然言語 Language 具体的な行動 Action 基盤検討役務」の契約を締結 適用可能性の検討・追加学習の深化 ⚫ オフロード環境にお ける無人地上車両 （UGV）の自律走行に向けたVLAモデルの 適用可能性の検討・追加学習を深化 VLAモデルを一貫して管理する実践体系 ⚫ VLAモデルを継続的に運用・改善する実践 「VLAOps」構築に向けた要件整理を実施 体系「VLAOps」構築に向けた要件整理を 新たに実施 検証 追加学習 VLAOps要件整理 ⚫ 2026
Slide 44: 事例：JR東日本との取り組み
事例：JR東日本との取り組み 実装イメージ 荷役（双腕ロボット）から搬送（デリバリーロボット）まで自動化 館内物流におけるPhysical AI実装を 館内物流（対象：弁当等の荷物） 推進 荷物の認識・把持・積み込み ⚫ TAKANAWA GATEWAY CITYの館内物流 自動化に向け、Physical AIの実装を支援 双腕ロボット ⚫ 双腕ロボットが荷物の認識・把持・積み込 チ （Physical AI） ェ ッ みを自律実行 ク ・ デリバリーロボット連携（受け渡し・搬送） ⚫ HITLにより、現場データと人のフィードバ フ ィ ー ックで継続的に精度向上 ド バ HITL（Human
Slide 45: 事例：村田製作所との取り組み
村田製作所 事例：村田製作所との取り組み AI領域におけるノウハウ、 電子部品領域における要素技術、 ビジネスの立ち上げやAI導入支援の実績 積層セラミックコンデンサ世界トップシェアの実績 研究・実験業務の自動化を見据えた Physical AIの技術検証 Physical AIによるラボオートメーションの実用化に向けた第一歩 VLAモデルを用いた双腕ロボットの「部品の持ち替え」に検証環境下で成功 ⚫ VLAモデルを用い、難易度の高い双腕ロボ ットの「部品の持ち替え」を含む連携動作 に検証環境下で成功 ⚫ 数百回の遠隔操作データを模倣学習させ、 カメラ画像から自律的に動作を推論するシ ステムを
Slide 46: 事例：三菱重工業との取り組み
事例：三菱重工業との取り組み 三菱重工業 AI領域におけるノウハウ、 ビジネスの立ち上げやAI導入支援の実績 無人機自律化に向けた検証支援を開始 無人機自律化に向けた検証支援を開始 ⚫ 取り組み 適用検討から、具体的な検証支援へ ✓ 2026年2月、VLAモデル（Vision-Language- Action Model）の適用に係る共同研究の実施可 2026年2月 2026年9月 能性の検討を開始 VLAモデルの適用に係る共同研究の ✓ これまでの検討をさらに前進させ、AIエージ 実施可能性の検討を開始 ェント等を活用した無人機への自律化機能の 付与に関する検証支援を開始 Vision 検討
Slide 47: 事例：AIガバナンスへの対応
技術とAIガバナンスの両面で、重要業務へのAI実装を支援 事例：AIガバナンスへの対応 ⚫ 企業のAI活用の潮流 技術 AIガバナンス ✓ AIの業務組込みが進み、データ管理・責任 分担・監視・継続改善への対応が重要に ⚫ ABEJAの対応 ABEJA Platformによる統制 第三者認証による客観的な証明 ✓ ABEJA PlatformでAIを安全に使い続けるた めの7本柱を実装（28ページ参照） 守り続ける 国際 ISO/IEC 42001 ✓ AIMS認証（国際規格ISO/IEC 42001）を取 データを守り、AIの誤りを事故にしない AIマネジメントシステム（AIMS）の国際規格
Slide 48: 2027年8月期 業績予想
５ 2027年8月期 業績予想 47 © ABEJA, Inc.
Slide 49: 2027年8月期 業績予想
2027年8月期 業績予想 ⚫ 3つの動きが重なる現在を、事業規模を一段と拡大する重要な局面と認識 ⚫ 公的プロジェクトを軸に増収、成長投資を織り込み営業増益を計画 2026年8月期 通期 2027年8月期 通期 業績予想の前提 （単位：百万円） 実績 対売上高 業績予想 対売上高 前期比 売上 投資 売上高 4,577 100.0% 5,960 100.0% +30.2% 公的プロジェクトを軸に、 採用・育成、LLM・Physical AIの研究開発、 前期比30.2％増 ABEJA Platformの高度化を継続 営業利益 710 15.5% 730 12.2% +2.7% 利益 翌期以降
Slide 50: Appendix
@ABEIA Appendix 49° © ABEIA, Inc.
Slide 51: AIの進化とABEJAの歩み
AIの進化とABEJAの歩み ディープラーニングという技術革新が発表された2012年に、ABEJAを設立 2019年3月 2023年3月 LLMの商用提供 Accelerator AIの進化とともに成長 AutoMLリリース を開始 2018年12月 (現：ABEJA Platform 大規模言語モデル に統合) ABEJAの歩み 研究開発 2024年2月 2018年2月 開始 経済産業省 ABEJA Platform GENIACに採択 2017年12月 正式リリース 2023年6月 2012年9月 4回の アノテーション 設立 スクラップアンド 東京証券取引所 サービス開始 ビルド グロー
Slide 52: マネジメント体制
マネジメント体制 ⚫ 岡田CEOと小間COOの代表取締役2名 体制により、機動的な事業運営が可能 代表取締役CEO 岡田 陽介 代表取締役COO 小間 基裕 経営戦略、技術研究、外部向け 組織、業務執行全般を管掌 情報発信を管掌 10歳からプログラミングをスタート。高校で ヤフー(株) で、エンジニア兼データサイエン CGを専攻し、文部科学大臣賞を受賞。CG関連 ティストとして、検索サービスや機械学習・ の国際会議発表多数。2012年9月、当社を起業。 自然言語処理を用いた製品開発に携った後に、 日本ディープラーニング協会理事、那須塩原 本部長・統括ディレクターとして、全社統合 市DXフェロー
Slide 53: AIの体系と当社認識
デジタルトランスフォーメーション（Digital Transformation, DX） AIの体系と当社認識 達成するために必要な技術として下記のようなものがあると認識しております。 人工知能（Artificial Intelligence, AI） 関連する用語の関係を整理 機械学習（Machine Learning, ML） ⚫ 人工知能（Artificial Intelligence, AI） 深層学習（Deep Learning, DL） を大枠として捉えています ⚫ 機械学習（Machine Learning, ML）、 生成AI（Generative AI, GAI） 深層学習（
Slide 54: ABEJAの考える技術予想と取組状況
実現できること アプリケーションの発展 現在実用化されている 現在実用化され 現在実用化に向けて ABEJAの考える技術予想と取組状況 利益を生んでいる技術 が利益を生む道が 研究開発がなされている技術 模索されている技術 AIの発展 ⚫ 技術予想（2024年10月決算説明会資料） について、技術進化の加速は見られるも ⚫ Level5 のの、全体として当社の見立てに大きな 高度なAgent機能 自動運転 変更はない ⚫ ロボティクス 計算チップの 研究・論文作成 ⚫ 量子ニューラル 発展 ⚫ 工場自動操縦 ネットワーク ⚫ ※従来のチップではでき プログラミング ないQPUに特化したアル コ
Slide 55: AI導入の4つの課題
AIの課題 AI導入の4つの課題とは Accuracy Wall 精度の壁 Operation Bumpy Road ⚫ AIの実用化には乗り越えなければならな オペレーションの い課題が存在 デコボコ道 ✓ 「魔法の川」 ✓ 「データの谷」 ✓ 「精度の壁」 Magic River ✓ 「オペレーションのデコボコ道」 魔法の川 Data Valley データ の谷 54 © ABEJA, Inc.
Slide 56: なぜ多くのAI導入企業はPoCで終わってしまうのか？
AIの課題 通常のAI導入企業のステップ 回収 投資期間 期間 なぜ多くのAI導入企業は PoCで終わってしまうのか？ BPR 1st 2nd 3rd 4th 実運用 テーマ選定 PoC PoC PoC PoC ※2 ⚫ 多くのAI導入企業のPoC※1においては、 運用初期からAIを最大限に活用しようと し、思うように精度が上がらずに頓挫す ることが少なくない 多くのAI導入企業が抱えるPoCの課題 AI活用において データ量が少なく PoCを繰り返しても 失敗が許されないものは AIが効果的に学習できない 思うように精度が高まらない AIに任せられない PoCに留まっている 企業の割合 63
Slide 57: AI版EMS
製造する製品を把握し 要望に応じた 製造ラインを 設計図を描く 製造ラインを構築 使用して製造 AI版EMS KAIZEN担当者 工場長 KAIZEN担当者 工場長 コンサルティングから 連携して構築 指示 情報 確認 確認 ABEJA Platform上でのオペレーション オペレーションイメージ図 外部と の連携 までを一括支援 KAIZEN 製造ライン 改善 用意されたパーツを 精度向上 外部と 組み合わせる の連携 高度化 ⚫ 顧客企業はこのAI版EMSを採用すること で、ABEJA Platform上の必要な機能を 新たな課題への対応 ピックアップして、企業のビジネスプロ 当社のビジネ
Slide 58: ミッションクリティカル業務におけるサービス提供
ミッションクリティカル業務におけるサービス提供 ミッションクリティカル業務におけるAI導入支援を拡大し、継続的な取引関係を構築 ● 高いAIに関するノウハウ・知見が求められる 進展度 ミッション ● 技術的難易度が高く、実用化に時間がかかる クリティカル ● 顧客の戦略が変わっても他のシステムに乗り換えにくい 業務 複数の業務に取り組み範囲を広げ、 ABEJAの注力範囲 重層的に顧客企業のAI導入を推進 PJ③ マーケティング 人事採用 PJ② 情報収集 ミッション 勤怠管理 周辺 クリティカル PJ① 業務 営業管理 業務 トランスフォーメーション領域 オペレーション領域 承認ワークフロー
Slide 59: ABEJA Platform
権限管理/ガバナンス 保守運用 RBAC / ABAC / TBAC / 死活監視 / ログ監視 / 推 ABEJA Platform ロール管理 / アクセス制 論経路記録 /モデルバー 御 / ガバナンスコントロ ジョン管理 / モデルデプ ール / ポリシー管理 ロイメント / アラート …etc …etc AIを継続活用し、 運用 改善し続けるための運用基盤 データ管理 Human in the Loop データクレンジング / ア ノテーション / データカ モデルオーケストレーシ タログ / データ品質監視 ョン / ハーネスエンジニ / データリネージュ / デ アリング / コ
Slide 60: ABEJA Platform レイヤー構成
ABEJA Platform Physical AIの世界を視野に捉えた生成AIをはじめとする最先端技術を人とAIの協調により運用するプラットフォームに進化 UI/UXレイヤー チャットボ 業務特化 MTG支援 PJ支援 UI/UXビルダー ユーザ接点に必要な画面を準備 ットUI UI UI UI BaaS※レイヤー 属性・人動作推定 混雑度推定 需要予測 汎用的な学習済みAIを準備 類似画像・動画検索 顔認証 異常検知 文字起こし 会議支援 タスク抽出 ※BaaSとは、Backend as a Serviceの略称 で、アプリケーションのバックエンド機能 を提供するクラウドサービス。 自律移
Slide 61: 人とAIが協調する「Human in the Loop」の仕組み
人とAIが協調する STEP 1 STEP 2 STEP 3 STEP 4 STEP 5 「Human in the Loop」の仕組み 人が実行 人が実行 人が実行・AIが支援 AIが実行・人が支援 AIが実行・ AIが改善・人が支援 対象プロセス 対象プロセス 対象プロセス 対象プロセス 対象プロセス ABEJA Platformに運用ノウハウや 知識データを蓄積し、人とAIが協調 してオペレーションする環境を創出 AIが実行し、 AIが全体を改善 AIが支援 AIが実行 ⚫ 人がやっていたことを徐々にAIに移管 データを蓄積 データを蓄積 データを蓄積 データを蓄積 ⚫ 人とAIが協調す
Slide 62: 「Human in the Loop」により実現するゼロPoC
投資期間 回収期間 ABEJAによる伴走 通常 本 1st 2nd 3rd 4th 番 「Human in the Loop」により テーマ選定 PoC PoC PoC PoC 環 実現するゼロPoC 境 ⚫ ABEJA PlatformとHuman in the Loopが 融合することで、PoCの概念はなくなり ます 投資期間 回収期間 革新期間 ⚫ 早期から投資回収が可能となり、最終的 全体設計 にはAIによる高度化を進めることで、革 インテグ BPR レーション 新期間を生むことができます STEP 1 STEP 2 STEP 3 STEP 4 STEP 5 デジタル空間 人 AI A
Slide 63: ABEJA Platformを活用した事例（三菱ガス化学）
事例 現場で配管を撮影 エクセル添付 ABEJA Platformを活用した事例 従来のプロセス 目視で （三菱ガス化学） 確認 ⚫ 工場内配管の腐食度の定常的な検査・ 時間軸 人に負担が 人の負担 かかり続けていた モニタリングにAIを活用し、人とAIが協 調しながらAIモデルが成長する仕組みを 構築 ABEJA Platformに ABEJA Platformが 画像データを蓄積 要注意箇所を指摘 現場で配管を撮影 配管の 腐食度合いを 自動判定 画像 予測精度 データ 向上 蓄積 目視で 確認 導入後の データベース プロセス 時間軸 AIモデルが 成長し、人の負担は 人の負担 AIの精
Slide 64: ユニークなポジショニング
導入負荷 低 ユニークなポジショニング ミッションクリティカル業務への導入 を低負荷で推進可能なユニークな存在 SaaS系 ラ イ コ ト ア な な 業 業 務 務 プ AIベンダー プ 参入障壁 ロ ロ セ セ ス ITコンサル ス ⚫ データ・意思決定・オペレーション BPO を一体で扱う実装基盤、 ABEJA Platform システム ⚫ Human in the Loopを含む実運用 インテグレーター 設計と、ミッションクリティカル領 域での適用 ⚫ 継続利用で価値が積み上がる改善ル ープ ⚫ LLMからPhysical AIまで広がる実 装範囲 導入負荷 高 63 © ABEJA
Slide 65: 継続的な人材採用と育成
継続的な人材採用と育成 高い意欲を持った優秀な人材を採用・育成 人材の採用、育成とカルチャーの熟成 し、顧客ニーズの多様化に迅速に対応 テクノプレナー人材の 拡充 優秀な人材の採用と確かな育成により、 多様な経歴、専門性の蓄積 テクノプレナー人材を継続的に創出 当社のミッションや 事業内容への共感 働きやすく自己研鑽できる 環境づくり・仕組みの構築 ⚫ テクノプレナー人材とは 積極的な人材採用 テクノロジーを使ってビジネスにイノベ ーションをもたらす人材 Deep Learning等の最先端技術が求められる案件に関 1 最先端技術を活用した案件が多数 与することができるため、技術レベルの高いD
Slide 66: 次に伸ばすPhysical AI
次に伸ばす Physical AI 足元の事業展開 ⚫ VLA基盤モデル ⚫ NTT東日本（ロボット基盤 （AIRoA・NEDO） モデル評価・検証） ⚫ 防衛装備庁（視覚言語 ⚫ 実機検証 ⚫ 金融バーティカルエージェント 行動モデルの検証及び （双腕・ヒューマノイド） LLM実需を起点に、 いま伸びている （栃木銀行との全行的業務連携） 運用基盤検討役務） ⚫ VTLA基盤モデル（NEDO・ ⚫ 三菱重工業（無人機自律 ファナック・安 川 電 機 ・ ⚫ 自動車整備特化AIエージェント AIの実運用領域を拡張 （IDOM連携） 化に向けた検証支援） 川崎重工業） LLM／ ⚫ 足元は、LL
Slide 67: ABEJAの生成AI時代の注力領域
ABEJAの生成AI時代の注力領域 注力 領域 超大規模基盤モデル 大規模・中規模基盤モデル 基 盤 ABEJA LLM 超大規模基盤モデルの ⚫ LLM中核化への当社の対応 モ ROIを上回る、特定タ デ Llama ✓ 当社は従来からミッションクリティカル業 ル Mistral スクに特化したコスト パフォーマンスの高い 務へのAI導入を掲げており、生成AI活用の APIによる連携 Gemma 大規模・中規模基盤モ 中核化が進む潮流は追い風 デルを、大企業向けに 提供するマーケットを ✓ ミッションクリティカル業務では、高いセ 戦略的に狙う キュリティや信頼性、専門的な業務知識へ の対応が
Slide 68: スケール則（Scaling Laws）
スケール則（Scaling Laws） （ご参考） LLMのスケール則とコスト対精度 ⚫ LLMのスケール則 ✓ LLMにおいて重要な法則がスケール則 （Scaling Laws）となります ✓ 計算量、学習データサイズ、パラメータ数 が大きくなればなるほど、精度が向上する ことが明らかになっています 計算量 学習データサイズ パラメータ数 ✓ 本法則に従う場合、”学習や推論を行う計算 コスト”と”出力される精度”がトレードオフ ”計算量、学習データサイズ、パラメータ数が大きくなればなるほど、Test Loss(※)が小さくなり、精 の関係性となります 度が上がる”というLLMに関する法則。
Slide 69: スケール則をブレークスルー
低コストで高い精度を有した、利便性の高いモデルを構築 2025年1月時点の主なモデルより抜粋 日本経済新聞社「NIKKEI Digital Governance」 (2025年3月)公表 （ご参考）スケール則をブレークスルー 「AIモデルのスコア化ランキング」 日系首位、グローバル16位にランクイン 高 OpenAI/gpt-4o ABEJA 低コストで高い精度を有した、 deepseek-v3 Mistral-Large Qwen2.5-32B OpenAI/gpt-4o-mini 利便性の高い小型化モデルを構築し、 OpenAI/gpt4 Qwen2-72B EZO-Qwen2.5-32B
Slide 70: 金融へのABEJA Platform適用
金融への「ABEJA Platform」適用 次の論点は、行内データ・既存システム 利用中 をつなぐ実運用基盤 AI 50.3% エージェント ⚫ 生成AI：普及はすでに進行 試行中を含む ✓ 金融機関の生成AI利用は急拡大 稟議・規程検索・営業／ コールセンター支援 7割超 ✓ 利用中50.3%、試行中を含め7割超、将来検討 行内データ・規程・ 文書作成・ 既存システムと連携し、 を含めると9割強※ 要約・検索 業務特化型 業務プロセスを支援 検討を含む AIアシスタント 汎用チャットボット 9割強 ⚫ 次の段階 ✓ 汎用チャットボットから、行内データ・既存 システムと連携するエージェント型
Slide 71: 栃木銀行とのDX/AI領域における全行的業務連携
栃木銀行 栃木銀行との DX/AI 領域における AI領域におけるノウハウ、 栃木県の地域金融機関 全行的な業務連携 ビジネスの立ち上げやAI導入支援の実績 全行を横断する DX/AI 推進を志向 次世代金融DXの実現に向けた 戦略的業務連携 戦略策定・業務改革 人材育成・ ⚫ 2021年からの協業実績 の実行支援 ガバナンスの構築 ✓ 個人向けサービスのDX推進、顧客選定の自動 化など、ABEJA Platformによる業務プロセス DXロードマップ〜運用までの伴走 1 2 AIリテラシーと安全なAI活用体制 改善・営業活動効率化を支援 全行DX 4本の柱 ⚫ 本連携で目指すこと 3 4 A
Slide 72: Physical AIの景色
ビジネスモデルの変化 Physical AIの浸透（イメージ） Physical AIの景色 様々な業種・企業規模で利 AIの活用範囲はリアル空間にも広がる プラットフォームで 汎用利用 用が進み、汎用業務では 一元管理 普及拡大 RaaSも選択肢に AIロボット 導 人主導の 運用最適化 ⚫ ビジネスモデルの変化 入 業務コンサル コンサル 大企業の活用 特定業務から導入を進め、 適用範囲を段階的に ✓ 自動車やインターネットの革新と同様に、産 手作業の AIロボット 全社運用へと拡大 連 特定業務から全社へ 業構造と役割は再編され、業務の主体は人か システム 業務連携 携 更新・連携 自動
Slide 73: Physical AI：社会実装に向けた取り組み
基盤づくりからの進展 AIRoA・NEDO、個別PJ、実機運用環境を組み合わせ、 Physical AI：社会実装に向けた取り組み VLA／VTLAモデルの適用・実データ収集・安全運用評価を推進 STEP STEP STEP 概念・市場機会の特定 枠組み参画・個別PJ 実機による本番適用 基盤づくりと個別PJを並行し、 01 02 03 対象産業・適用タスク・技術要件 AIRoA・NEDOによる産業連携と、 双腕・ヒューマノイド等を活用し、 実機検証から本番適用へ を整理し、市場機会を確認 防衛装備庁・三菱重工業等の個別PJ VLA／VTLA適用・実データ収集・安 で検証・評価 全運用を評価
Slide 74: ロボットへのAI技術の適用
極めて細かい精度でのオペレーション これまで 一点物の特化型ロボット が可能だが、他への応用には限界 （ご参考）ロボットへのAI技術の適用 エンジニアが エンジニアが 要件定義書： 必須 必須 地点Aに到達次第、 アームX角度： ⚫ これまで アームY角度： ➢ 倉庫や工場などの特定エリアで特定のタスク 要件に基づいて 制御コードに基づいて を自動化するように、事前に人手でプログラ 制御コードをエンジニアがプログラミング ロボットが動作 ミングされたロボットが主流 ➢ ハードウェアやセンサー、制御システムなど の高性能化により、物理的な作業能力は向上、 細かい精度でのオペレーションが難し 一方
Slide 75: Physical AI領域におけるVLAモデルの概要
人とAIが協調する「Human in the Loop」は当社の一貫した提供価値 人は指示を行うほか、一連のプロセス（ロボットが指示・状況を認識し、判断を行い、 （ご参考）Physical AI領域における 実際の動作に反映）において、適切なタイミングで人が介入し、 ロボットが下した判断の検証、誤りの修正などを行い、モデルを継続的に更新 VLAモデルの概要 指示： ⚫ VLAモデル（Vision Language Action テキスト/音声 L VLAモデル（Vision Language Action Models） A Models、視覚言語行動モデル） 棚のペットボト ルを〇〇まで運
Slide 76: AIRoA NEDO Physical AI事業の概要
NEDO Physical AI事業の概要 AIRoA AI領域におけるノウハウ、 AIとロボット技術の融合による ビジネスの立ち上げやAI導入支援の実績 ロボットデータエコシステムの構築 ロボティクス分野の生成AI基盤モデ ルの開発に有効なデータプラットフ ォームの研究開発 ロボティクス分野の生成AI基盤モデルの開発に向けた データプラットフォームに係る開発 ⚫ AIRoAが採択 データ収集・基盤モデル開発・実証を通じた、ロボティクス分野の生成 ✓ 本事業規模 AI基盤モデルに不可欠なデータプラットフォームの研究開発 •期 間：2025年10月〜2029年8月 • 事業予算：205億円（事業
Slide 77: ABEJA Platformの今後の拡がり
適用領域の拡大 ABEJA Platformの今後の拡がり • 映像で人の動きを分析 • 認知症予防のコミュニケーショ • ECサイトでの商品レコメンド • 広告業界での画像解析によるト ン促進ロボットの開発 • マーケティングキャンペーンの レンド分析 • 社内の営業情報を検索、その情 効果予測 • 小売店での来店客属性分析 報を要約 • パーソナライズ学習プログラム ⚫ ABEJA Platform、ABEJA LLM Series • 製造現場での作業員動作分析 • 求人票の文章を自動生成 多少の誤差は の提案 • マーケティングにおけるSNS画 • SEO記事を自動生成 を活用可能と考
Slide 78: 業種横断的な取組事例
業種横断的な取組事例 顧客業種 取組内容 想定する効果 小売 販売データに基づく販売在庫の自動発注最適化システムの構築・運用 食品サプライチェーンの最適化 画像データに基づきプラントインフラの定期的検査・モニタリングを行う プラント 保守人員の削減 AIシステムの構築・運用 製造業 トラブル等のデータに基づき対処方法を選定するAIシステムの構築・運用 トラブル対応コストの削減 電力 稼働データに基づく電力需要予測システムの構築・運用 電力量の効率的コントロール 医療 画像データに基づく疾患検出AIシステムの構築・運用 予防医療と関連疾患の早期発見 介護 介護データに基づく被介護者の自立支援シス
Slide 79: SDGsの取り組み
SDGsの取り組み 当社はテクノプレナーシップの基本 当社のサービスが利用されている項目と具体的な事例 精神に基づき、SDGs（持続可能な開 発目標）の各目標に取り組む企業を 食品サプライチェーンの 企業内教育機関の組成 最適化によるロス軽減 による高スキル人材の育成 支援しています サプライチェーンの最適化と 簡易的検査手法における 再利用プロセスの設計 予防医療と早期発見 「ABEJA Platform」による 気候変動リスクが少ない データ分析基盤の提供 化学物質の開発支援 電力利用傾向に合わせた リモートと連携した 需要予測による供給調整 新しいオフィス環境の提供 「ABEJA Pla
Slide 80: 免責事項
免責事項 本資料は、情報提供のみを目的として当社が作成したものであり、当社の有価証券の買付け又は売付け申し込みの 勧誘を構成するものではありません。 本資料に含まれる将来予想に関する記述は、当社の判断および仮定並びに当社が現在利用可能な情報に基づくもの です。将来予想に関する記述には、当社の事業計画、市場規模、競合状況、業界に関する情報および成長余力等が 含まれます。そのため、これらの将来予想に関する記述は、様々なリスクや不確定要素に左右され、実際の業績は 将来に関する記述に明示又は黙示された予想とは大幅に異なる場合があります。したがって、将来予想に関する記 述に全面的に依拠することのないよう