AI受託開発
AI Lab
個別のニーズに、専用のAIを仕立てる。
AI受託開発サービス「AI Lab」は、パッケージでは届かない業務に専用のAIを設計します。
国産LLMを自社開発してきたKARAKURIのエンジニアリングチームが伴走します。
KARAKURI CXM（統合プラットフォーム）のエージェントの一つです。GeN単体でも導入できます。
CHALLENGE
生成AIの導入は済んだ。
それでも残る課題がある
チャットの全社展開、各部門でのPoC。ひと通り試しても、
「業務の中核で任せられている」と言える企業はまだ多くありません。
課題①
パッケージが届かない
業務の中核に近づくほど、既製品では要件に合わない。自社固有のフロー・システム・ルールに合わせた個別設計が必要になります。
課題②
汎用API依存の壁
コストは使うほど増え、精度はプロンプトの工夫で頭打ち。データの所在も利用条件もベンダーの規約次第という統制の課題が残ります。
課題③
納品して終わりになる
納品した瞬間から陳腐化が始まるのがAIシステム。運用データで育て続ける体制がなければ、精度は現場の変化に追いつかなくなります。
AI Labは、個別のニーズに合わせて設計し、「運用しながら育て続ける」受託開発です。
WHAT WE DO
AI受託開発で対応できること
既製品で足りる業務に、わざわざ専用のAIはつくりません。
個別に設計する価値があるかどうかから一緒に見極め、作るものも使うモデルも業務に合わせて選びます。
ECHO
CXD
現場密着型の「問題発掘者」
CS・オンボーディング経験を持つ現場理解のプロ
クライアントのCS現場に入り込む
どの問い合わせで自動化が効くかを特定
交換ポリシーや例外フローを把握する
人間が確認すべきポイントの条件を定義する
段階的な信頼構築のマネジメントを担う
現場知見 ↔ 技術実装
DELTA
エンジニア
高速実装の「技術翻訳者」
GeN / CXM / Voice agentの実装力
CXDの知見を受けて即座にプロトタイプを構築
顧客システムとの接続コネクタを開発する
プロンプト・RAG・エージェントを設定する
例外処理のロジックを実装する
現場の知見をコアプロダクトにフィードバックする
SERVICE 01
個別ニーズに合わせたAI受託開発
AIエージェント、LLMアプリケーション、業務システム連携。顧客対応から社内ヘルプデスク、バックオフィス、設計・品質業務まで、150社超のCS現場で磨いた「精度に責任を持つ」方法論を、貴社固有の業務に適用します。
AIエージェント開発
顧客対応・社内ヘルプデスク・業務自動化エージェントを、貴社の業務フローに合わせて個別開発します。
業務システム連携
基幹システム・SSO・各種APIとの接続開発。実務で使われるための連携設計まで含めて請け負います。
RAG・評価設計
ナレッジの「正」を整え、評価基準まで設計。プロンプト・RAG・エージェント設定を精度で詰め切ります。
PoCから本番運用まで
限定した業務・時間帯から始め、実測の数字を見ながら段階的に拡大。本番稼働と定着まで伴走します。
SERVICE 02
オープンLLMの実験・構築・運用
LlamaやQwen、国産モデルといったオープンLLMは、単価も置き場所も自分で設計できる選択肢です。素のままでは業務を知らないこのモデルたちを、実測と特化学習で「使える業務システム」に仕上げ、動かし続けます。
モデル選定と実測比較
実際の業務データの一部で複数モデルを同じ評価基準にかけ、精度・応答速度・単価を実測して数字で選びます。
特化学習
業務データで追加学習した小型モデルは、限定した業務では汎用モデル級の精度を、低い単価と速い応答で実現します。
国内・閉域環境への構築
貴社のクラウド環境内やオンプレへの構築に対応。個人情報や機密データを外に出さない構成を選べます。
運用と継続改善
作って終わりにせず、運用ログと現場のフィードバックで学習を重ね、業務システムとして動かし続けます。
「モデルを替えられる設計」
を標準にしています。
LLMの世代交代は数ヶ月単位。特定モデルへの一社依存を避け、その時点で最適なモデルに載せ替えられる構成で開発するため、性能向上を取り込み続けられます。
GROWTH PATH
個人の生成AI活用を、
組織の仕組みへ
こんな状態になっていませんか？
AIは使っている。でも、その活用が組織に残っていない。
01
繰り返し
毎回、同じプロンプトを
手で打っている
02
属人化
あの人しか使えない
「神プロンプト」がある
03
組織の資産に
ならない
AI活用が個人の工夫のまま
止まっている
AI Labは、この日常の繰り返しを3段階で組織の資産に変えます。
signal_cellular_4_barAI活用を、
仕組みに変える
3つのステップ
STEP
01
汎用化
特定の人のノウハウを
誰でも使える形に
対象
個人の作業 → チームで共有
個人が手動で繰り返している生成AI作業を、手順とノウハウごと部品化し、誰でも同じ品質で呼び出せる「スキル」にします。
STEP
02
自動化
日々の繰り返し作業を
仕組み化し、効率的に
対象
チーム・部門の定型業務
複数人がスキルで毎日繰り返している処理は、人が起動しなくても回る定期実行へ。レポート作成、データ整形、チェック業務が「朝には終わっている」状態になります。
STEP
03
最適化
データを活用し、
より良い成果を出す
対象
組織全体の基盤
毎日大量に動くようになった定型処理は、特化したオープンLLM・ローカルLLMに載せ替え。従量課金のコストを抑え、機密データも外に出さずに処理でき、対象業務をさらに広げられます。
WHY OPEN SOURCE
なぜ、オープンソースLLMを
知っておく必要があるのか
使うかどうかは、あとで決めればいい。
「選択肢として持っているか」が、価格・精度・統制のすべてに効いてきます。
REASON 01
性能を理由に、選択肢を狭めなくていい
LlamaやQwenなどの上位モデルは、クローズドモデルの背中が見える位置まで来ている
業務を限定して特化学習すれば、その業務では汎用モデル級の精度に届く
海外では大量・定型業務をオープンモデル主体で運用する構成が標準になりつつある
REASON 02
使うほど増える費用から、抜け出せる
汎用APIは従量課金。
活用が広がるほど請求は増え続ける
AIの総コストを占めるのは
「作るとき」より「使い続けるとき」
オープンLLMなら、
単価も置き場所も自分で設計できる
REASON 03
データを外に出さない構成を、選べる
個人情報や機密を含む業務を、
国内・閉域・自社環境で処理できる
データの所在も利用条件もベンダーの規約次第、
という状態から抜け出せる
金融・公共など「そもそも外に出せない」業務でも道が開ける
REASON 04
選択肢は、それ自体が交渉力になる
「相見積り」が常にあるだけで、
価格交渉の裏付けになる
世代交代は数ヶ月単位。
問うべきは「替えられる設計になっているか」
一社依存を避け、
性能向上を取り込み続けられる
全部をオープンLLMにする
話ではありません。
大量・定型は特化した小型モデルで、複雑な例外は汎用モデルで。
適材適所に組み合わせるのが実務の答えです。
PROCESS
進め方：
壁打ちから運用まで
大きな投資判断の前に、まず机の上でできる「棚卸し」から。
30分の壁打ちが最初の一歩です。
PHASE
01
壁打ち・棚卸し
「AIに任せたいのに任せられていない」業務を、理由も添えて書き出す。用件単位で件数・時間・コストに分解します。
PHASE
02
実測・PoC
実データの一部で複数の構成を同一基準で評価。特定のモデルを信じるのではなく、実測の数字で方式を選びます。
PHASE
03
開発・実装
業務システム連携・例外処理・Human-in-the-Loopの設計まで含めて実装。現場に合わせてアジャイルに仕上げます。
PHASE
04
運用・改善
本番稼働後も運用データで学習を重ね、精度とカバレッジを伸ばし続ける。育てる運用まで請け負います。
WHY KARAKURI
なぜ、カラクリにできるのか
オープンLLMは「選べる」ようになっただけでは使えません。
目利きし、業務に特化させ、動かし続ける技術。その全工程を自社でやってきました。
01
国産LLMを自社開発
「KARAKURI LM 70B」はJapanese MT-Benchで国産オープンモデルとして当時最高性能
モデルを「使う」だけでなく「作る」側の知見で開発
02
150社超の現場実装
2016年の創業以来、日本を代表する企業のAI運用に伴走
PoCで終わらせず、現場で使われ続けるための方法論を蓄積
03
GPUの最下層まで触る技術力
GPUを直接動かす低レイヤーの最適化まで自社で作り込み、学習・推論のコストを圧縮
同じ精度をより少ないGPUで動かせるので、運用費と応答速度に直接効く
04
モデルの目利きと実測評価
世界のモデルの世代交代を継続的にウォッチ
実際の業務データで精度・応答速度・単価を同一基準で実測比較
評判ではなく、数字でモデルを選ぶ
OPEN WEIGHT LLM
解説：オープンウェイトLLMとは
モデルの重み（パラメータ）が公開され、入手して自社・国内環境で動かせるLLMのこと。
学習データや作り方まで公開されているとは限らないため、正確には「オープンソース」ではなく「オープンウェイト」と呼ばれます。
世界の主要プレイヤーが参入
Llama（Meta）
Qwen（Alibaba）
Kimi（Moonshot AI）
DeepSeek
gpt-oss（OpenAI）
Gemma（Google）
もはや傍流ではなく、AI開発の最前線の一部。世代交代は数ヶ月単位
国産モデルという選択肢
KARAKURI LM
llm-jp（NII）
PLaMo（Preferred Networks）
など国産モデルも開発が進む
日本語の業務や、国内完結が求められる領域では有力な候補
「オープン」の中身は玉石混交
Apache 2.0のような自由なライセンスもあれば、商用条件や事業規模の制限がつくものもある
ベンチマークの数字も指標の改訂で大きく動くため、目利きと実測が欠かせない
AIエージェントの現場実装、
お任せください。
FDEチームが御社の現場に入り込み、
業務を理解した上で最適なAI展開を高速で実現します。
その業務、
AIでどこまで任せられるか。
30分の壁打ちから始めましょう。
個別開発のご相談も、オープンLLMの実験・検証も。
棚卸しと実測の設計から、伴走します。
＼ まずは、30分の壁打ちから ／
相談する
