新規事業テーマ探索・アイデア創出へのAIエージェント活用のポイント

第1部 新規事業テーマ探索・アイデア創出への生成AI、AIエージェント活用の仕方

(2026年12月10日 9:00〜11:00)

　「生成AIを導入したが、新しい発想につながらない」「アイデアは出ても、テーマ選定や意思決定に結びつかない」。こうした課題の背景には、AIの性能ではなく、AIを組み込む思考プロセスの設計があります。 　本講演では、新規事業、研究開発、商品開発を対象に、論点設定、発散、刺激、評価、統合という探索の基本プロセスと、生成AIを効果的に活用する方法を体系的に解説します。さらに、調査・発想・批判・評価の役割を持つAIエージェントを連携させ、アイデア創出を一過性のイベントから、継続的かつ反復可能な仕組みへ変える考え方を、具体的な活用例とともに紹介します。

1. はじめに:生成AI活用は「効率化」から「価値創造」へ
   1. 講演の目的と全体像
   2. なぜ生成AIを導入しても、新しい発想につながらないのか
2. 生成AIによる価値創造の基本構造
   1. 新規事業・研究開発・商品開発と生成AIの相性
   2. 生成AI活用における三つの価値創造レイヤー
   3. 生成AIを「回答装置」から「知的探索のパートナー」へ
3. AIを前提としたアイデア創出プロセスの再設計
   1. 従来のアイデア創出手法が抱える限界
   2. アイデア創出を構造化する五つのプロセス
   3. プロンプト最適化から思考プロセス設計へ
   4. 生成AIを使った発散・批判・評価の実践例
4. 新規事業・研究開発・商品開発への活用事例
   1. 新規事業テーマ探索への活用
   2. 研究開発アイデア創出への活用
   3. 商品開発アイデア創出への活用
   4. 技術シーズと市場ニーズを接続する用途探索
5. 生成AIからAIエージェントへの進化
   1. 生成AIとAIエージェントの違い
   2. マルチエージェントによる探索プロセス
   3. エージェント間の「対立」を意図的に設計する
   4. AIエージェントと人間の役割分担
6. 実装に向けた進め方と研究開発DXの未来
   1. AI活用レベルに応じた段階的な導入
   2. 小さく始め、成功パターンを横展開する
   3. AI活用で陥りやすい失敗と注意点
   4. 研究開発DXの未来とAIネイティブな組織
   5. 明日から始めるためのアクションガイド
• 質疑応答

第2部 AIエージェント時代における新用途・新市場探索の進め方

- 「生成AI×特許情報」を活用したアイデア創出 -

(2026年12月10日 11:10〜12:40)

　新規事業開発では、魅力的なアイデアを数多く出すだけでなく、自社ならではの強みを生かし、事業化に耐え得る仮説へ具体化することが重要です。 　本講座では、自社の技術資産と市場課題を結び付ける情報源として特許情報に着目し、生成AIを用いて技術課題、解決手段、用途、競合・協業候補を読み解く方法を解説します。併せて、用途候補の抽出・分類、対象顧客や提供価値の明確化、事業仮説の評価と顧客検証、AIエージェントによる探索の連続化、人間とAIの役割分担までを体系的に紹介します。

1. 新規事業開発における技術資産活用の重要性
   1. 企業が新たな収益の柱を創出する必要性
   2. 既存事業の延長線だけでは新規事業が生まれにくい理由
   3. 新規事業開発を阻む「探索・事業化・スケール」の壁
   4. 自社の強みを起点とした新用途・新市場探索
2. 新規事業開発の情報源としての特許情報
   1. 特許情報を「権利情報・技術情報・経営情報」として捉える
   2. 特許文献から技術課題、解決手段、効果、用途を読み取る
   3. 出願人・発明者情報から競合・協業候補を把握する
   4. 引用・被引用情報から技術の展開先を探索する
   5. 特許情報から異業種に共通する課題構造を発見する
3. 生成AI×特許情報によるアイデア創出
   1. 生成AIが特許情報活用のハードルを下げる理由
   2. 特許文書の要約、比較、課題・用途抽出への生成AI活用
   3. 自社技術を製品名・加工名から「機能価値」へ翻訳する
   4. 関連特許を起点とした新用途・新市場候補の抽出
   5. 用途候補を「既存領域・近接領域・遠隔領域」に分類する
   6. 生成AIを活用した新用途探索のケーススタディ
4. アイデアを事業仮説へ具体化する方法
   1. 用途アイデアと事業仮説の違い
   2. 対象顧客・顧客課題・代替手段の特定
   3. 自社技術の提供価値と差異化要素の整理
   4. 市場性、自社適合性、競争優位性、実行可能性による評価
   5. 評価結果から初期検証項目と顧客ヒアリング項目を設計する
5. AIエージェントによる新規事業探索の高度化
   1. 単発の生成AI活用とAIエージェント活用の違い
   2. 探索・仮説生成・評価を連続化するAIエージェント
   3. 事業仮説の評価軸と経営方針をAIに組み込む方法
   4. AIと知財専門家、新規事業担当者の役割分担
   5. AI時代に人間が担う顧客対話、意思決定、事業推進
• 質疑応答

第3部 AIエージェントと人が能力を補完し合う価値創造

- AIアロマ事例にみるAIネイティブ時代の商品開発 -

(2026年12月10日 13:10〜14:40)

　AIエージェントの進化により、商品開発における人とAIの関係は「効率化のツール」から「互いの強みを補完し合うパートナー」の段階へと移行しています。NECではこれまでAIクラフトビールなど、AIを活用した商品開発に取り組んできました。 　今年ローンチした「AIアロマ」は、AIエージェントが個人の心身状態や業務内容を分析し最適な香りを提案するだけでなく、調香師との協働によってアロマ自体を開発するプロセスも実現しています。これらの実践を通じて、商品開発においてAIをどう活かすかの示唆をお伝えします。

1. AI商品開発の概要
2. 「AI (愛) のプリン」
3. 「恋AIパン」
4. 「人生醸造craft」
5. 「AIアロマ」
   1. 誕生の背景
   2. 開発プロセス
   3. 商品化と社内展開
   4. レコメンドエージェントの仕組み
   5. 社内実証にみる効果
6. 企画書AI診断サービスご紹介
7. 今後の展望
• 質疑応答

第4部 化学・素材分野におけるAIエージェントを活用した新規テーマ探索と素材開発のポイント

(2026年12月10日 14:50〜15:50)

　化学・素材分野では、保有技術や素材特性を起点に新たな用途・市場を探索し、顧客ニーズと結びつける「マーケットアウト型」のテーマ創出が重要になっています。 　本講座では、AIエージェントを活用し、情報収集・仮説生成・用途探索・候補評価などの業務をどのように高度化できるのかを、実践プロセスや活用事例を交えて解説します。生成AIとの違いや導入時のポイント、効果検証の進め方まで整理し、素材開発・新規事業開発におけるAI活用の具体像をご紹介します。

1. 化学・素材分野における新規テーマ探索の現状と課題
2. AIエージェントとは何か – 「回答するAI」から「業務を前に進めるAI」へ
   1. 生成AI・LLMとAIエージェントの違い
   2. 化学・素材ドメイン特化の重要性
3. AIを取り入れた素材事業のマーケットアウト業務適用の型
   1. 全体像
   2. AIに自社素材を正しく理解させる
   3. 用途探索
   4. 素材改良
   5. ニーズや社内知見の取り込み
   6. テーマの検知からのマーケットアウトの実践
4. 実践プロセスと効果検証の進め方
5. 導入にあたっての論点と展望
   1. 投資対効果と評価の考え方
   2. データ・組織・体制の準備
• 質疑応答

第5部 研究開発へのAIエージェント導入及び実装とテーマ探索への活用

(2026年12月10日 16:00〜17:30)

　生成AIの進化により、AIは単なる「業務効率化ツール」から、自律的に思考しタスクを実行する「AIエージェント」へと進化しています。 　本セミナーでは、研究開発 (R&D) 部門において、新規テーマの探索からプロトタイピング、価値検証に至る一連のプロセスにAIエージェントをどう組み込むかを解説します。単にAIツールを導入するのではなく、AI前提の業務プロセスへの再構築と、その基盤となる「現場データのAI-Ready化」に焦点を当て、実践的なアプローチを体系的にお伝えします。

1. 導入:R&DにおけるAIエージェントの現在地と可能性
   1. 生成AIの現在地とAIエージェントへの進化の定義
   2. R&D部門が直面する課題 (探索空間の爆発と開発スピードの限界)
   3. R&DプロセスにおけるAIエージェントの役割
2. 人とAIの協働モデル:業務分解とAI前提のプロセス改善
   1. 既存の研究開発プロセスにおけるボトルネックと非効率の可視化
   2. AIエージェント導入に向けた業務分解
   3. 人間が集中すべき領域の特定
   4. AIに委譲・自律実行させる領域
   5. 「AI-First」を前提とした業務フローへの再構築
3. 基盤構築:エージェントの真価を引き出す現場データの「AI-Ready化」
   1. AIエージェントの精度と自律性を左右する現場データの重要性
   2. 社内データの現状と壁 (散在するデータ、熟練者の暗黙知、PDF化された文書)
   3. 過去の実験データ・「失敗データ」をAIの探索資産に変えるアプローチ
   4. RAG活用を見据えた非構造化データの構造化とベクトル化
   5. 組織全体で取り組む「AIが読み取りやすい」ドキュメント作成文化の醸成
4. 実践:テーマ探索から価値検証までのAI駆動開発
   1. トレンド・特許・論文データからのテーマ探索
   2. 多角的な視点・ペルソナを用いたAIによる初期仮説
   3. AI駆動開発によるプロトタイピング
   4. AIを活用した要件定義の高速化とPoC開発
   5. 顧客・市場フィードバックのAI分析と、検証サイクルの短縮化
   6. R&D現場におけるAIエージェント実装の具体的なユースケース換
• 質疑応答