Ｇ－ＡＢＥＪＡ - 2026年８月期 第１四半期決算説明資料 ★★★

2026-01-14 最終更新日時 : 2026-01-14 icebreaker

基本情報

決算説明資料

2026年1月14日

株式会社ABEJA（証券コード：5574）

会社概要

会社概要（2025年11月末現在）

会社名 株式会社ABEJA
本店所在地 東京都港区三田一丁目1番14号
設立 2012年９月10日（決算期：８月）
代表者 代表取締役CEO 岡田陽介、代表取締役COO 小間基裕
資本金 916百万円
従業員数 133人

株主構成（2025年8月末現在）

SOMPO Light Vortex株式会社 17.3％
岡田 陽介 13.1％
ヒューリック株式会社 4.4％
株式会社インスパイア・インベストメント 2.9％
外木 直樹 2.5％
小間 基裕 1.5％
BANK JULIUS BAER AND CO. LTD. SINGAPORE CLIENTS 1.1％
ＴＢＳイノベーション・パートナーズ２号投資事業組合 1.1％
藤井 衛 1.0％
杉山 央 1.0％
※所有株式数の割合については小数点第二位を四捨五入

事業内容

デジタルプラットフォーム事業
・ミッションクリティカル業務へのAI導入支援
・基盤システムとなるABEJA Platformの開発・導入・運用

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産業構造を変革する 」

ビジョン
「 イノベーションで世界を変える 」

“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。

リベラルアーツで自らの行為を問い続ける姿勢
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る姿勢

Entrepreneurship
両者の円環を推進する原動力

デジタル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。

フロー収益
ストック収益

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

デジタル版EMS：顧客は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を行う

トランスフォーメーション領域
オペレーション領域

2026年8月期第1四半期業績ハイライト

エグゼクティブ・サマリー

AIバリューチェーンとABEJA

社会インフラとしてのハブを担う
⚫ 投資拡大によりAI活用の環境が整うほど、ハブを担う当社への需要も増える構図
✓ 半導体→ データセンター→ クラウド・オンプレミスの基盤整備が進む中、AIは「導入」から「継続運用」の段階へ移行
✓ ABEJA Platformが企業のデータ・業務を束ね、LLMをはじめとするAIを安全・継続的に業務・現場へ展開する運用基盤として機能
✓ これにより、計算基盤から業務・現場まで（AIバリューチェーン）が連鎖し、ビジネスシーンでのAI活用が一段と加速
✓ 自動車産業で言えば、半導体や計算資源はエンジン・車体に相当し、ABEJAは信号機・交通管制のように、現実の運用を成立させ最適化するインフラを担う
✓ 事業領域はデジタル空間に加え、リアル空間（フィールドオペレーション）へ拡張

※上記イメージ図ではAIバリューチェーンの構成要素の一部を記載しております

AI活用の運用基盤＝ABEJA Platform

2026年8月期第1四半期の業績（前期1Q、前期4Qとの比較）

今期1Qも順調なスタート
⚫ 売上高 前年同期比＋55.9％
✓ LLM案件を主軸（構成割合約80%）に売上高成長を実現、四半期ベースで過去最高
⚫ 売上総利益
✓ 今期1Qの売上総利益率は、戦略的案件への取り組みとリソース増強を主因に、60％を下回っているが想定内
✓ 粗利率は取り組み案件の構成に左右されるため、今後も四半期ごとに一定の変動が見込まれる
⚫ 販管費、営業利益
✓ 営業利益は四半期ベースで過去最高。売上総利益率は低下したものの、成長に対して販管費をコントロールできたことが主因
✓ 今期1Qの販管費は、前期4Q比で▲18百万円となり、増収効果が営業利益に寄与

2026年8月期第1四半期の業績（業績予想に対する進捗）

今期2Qもポジティブなトレンドを見込む
⚫ 売上高
✓ 通期業績予想に対する進捗率は27.2％
✓ 通期業績予想の売上高成長率22.7％(※)に対して、今期1Qは前年同期比+55.9％と順調
⚫ 営業利益
✓ 通期業績予想に対する進捗率は43.9%
(※)通期業績予想の売上高成長率
業績予想4,400百万円÷2025年8月期3,585百万円-1＝成長率22.7%

2026年8月期1Q 2026年8月期
実績 対売上高
45百万円 実績

各四半期の業績進捗率

⚫ 売上高
✓ 今期1Qの進捗率は27.2％
✓ 過去2期の1Q構成比（23.6％／21.4％）を上回る水準で、当社想定をやや上回る進捗
⚫ 営業利益
✓ 今期1Qの進捗率は43.9％
✓ 過去2期の1Q構成比（19.5％／21.2％）を大きく上回り、当社想定も上回る水準
✓ 主因は売上成長に対して販管費の増加を抑制できたこと
⚫ 見通し
✓ 今期2Qもポジティブなトレンドを見込むが、通期進捗を引き続き見極めるため、現時点では業績予想の修正は行わない

売上高の推移

売上高
⚫ 今期1Qは前年同期比＋55.9％
四半期ベースで過去最高

前年同四半期比
55.9%

✓ 四半期ごとの変動はあるものの、前年同期比で継続的な成長を実現
✓ トランスフォーメーション領域（仕組みづくり・構築フェーズ）
案件スケジュールの影響で四半期単位では変動があるものの、前年同四半期比では成長基調
✓ オペレーション領域
運用・保守の他、長期のAI導入支援案件の積み上げにより増加基調
✓ 売上高構成割合（今期1Q ）
トランスフォーメーション領域77.0％
オペレーション領域23.0％
✓ LLM案件
売上高に占める割合は、24/8期20%超、25/8期50％超、今期1Qは約80%に迫る

（百万円）
トランスフォーメーション領域 オペレーション領域

営業利益の推移

⚫ 今期1Qは大幅な増益
四半期ベースで過去最高

✓ 営業利益の増減要因については、次頁を参照

（百万円）
営業利益

営業利益の増減要因

⚫ 前期1Qとの比較
✓ 差異+124百万円の内訳は、売上総利益まで+218百万円、販管費▲93百万円
✓ 売上総利益増が販管費増を吸収し順調
⚫ 前期4Q（単独）との比較
✓ 差異+172百万円の内訳は、売上総利益まで+154百万円、販管費+18百万円
✓ 売上総利益までの差異+154百万円は、エンタープライズ案件の増加と戦略的案件の取り組みにより、一段高い成長を実現
✓ 今期1Qの販管人件費と前期4Qの差分の主因は、前期4Qに業績賞与を計上した影響
✓ その他販管費▲29百万円の主因は、GENIAC3期のプロジェクト進捗に伴う研究開発費増加であり、想定内で着地

コスト構造：売上原価、販管費

⚫ 売上原価率
✓ 今期1Qは41％で着地するも、全体としてコントロールできている状況
✓ 売上構成や案件のフェーズに起因して四半期単位では変動する見込み
⚫ 販管費率
✓ 前期1Q、前期4Q比で、今期1Qの販管費率が低下したのは、売上規模の拡大に加え、販管費の伸びが売上成長を下回ったため

（単位：百万円） 売上高 販管費 販管費率
今期1Q 1198 485 41%
前期1Q 768 392 51%
前期1Q比 +55.9% +23.8% -11pt
前期4Q 892 504 57%
前期4Q比 +34.3% -3.7% -16pt

✓ 販管費内訳については、次頁参照

コスト構造：販管費

⚫ 販管人件費・採用費
✓ 今期1Q末の従業員数は、133人
前期1Q末比+11人、前期4Q末比±0人
✓ 今期1Q販管人件費と前期4Qの主な差分は、前期4Qに業績賞与を計上した影響によるもの
✓ 採用は概ね計画通り進捗
✓ 退職の影響で純増は±0人となったが、定着に向けた施策を推進しており、採用と活躍（定着）の両面から組織を強化し、持続的な成長を目指す
⚫ 販管業務委託料、システム利用料、その他
✓ 想定の範囲内で着地

従業員の推移

⚫ 今期1Q末の従業員数は133人
（前期末比±0人）

⚫ 今期の採用は概ね計画線上で推移するも、退職増により従業員数は横ばい

（ご参考）内訳推移

（人） 2023年8月期 2024年8月期 2025年8月期
営業・コンサルタント 27 (26%) 32 (26%) 39 (29%)
プロジェクトマネージャー 23 (22%) 23 (22%) 22 (17%)
データサイエンティスト 17 (17%) 16 (13%) 16 (13%)
エンジニア 19 (18%) 24 (19%) 27 (20%)
バックオフィス 17 (17%) 21 (17%) 21 (17%)
計 103 (100%) 125 (100%) 133 (100%)

※ 2025年8月期より、役割・体制見直しに伴いプロジェクトマネージャーの一部を営業・コンサルとして集計。業務実態の変更による区分見直しのため、過年度の修正はなし。

バックオフィス 26人 （20％）
エンジニア 27人 （20％）
営業・コンサルタント 39人 （29%）
プロジェクトマネージャー

※（ ）内の％は構成割合

貸借対照表

⚫ 簿外として、2025年8月末時点で税務上の繰越欠損金は3,697百万円

（百万円） 2025年8月期 期末実績 構成比 2026年8月期 1Q末実績 構成比 増減
流動資産 5,104 (96%) 5,049 (96%) -54
現金及び預金 4,586 (86%) 4,257 (81%) -328
売掛金及び契約資産 463 (9%) 643 (12%) 180
仕掛品 12 (0%) 22 (0%) 9
その他 42 (1%) 125 (2%) 83
固定資産 213 (4%) 212 (4%) -1
繰延税金資産 162 (3%) 162 (3%) 0
その他 50 (1%) 49 (1%) -1
資産 合計 5,318 (100%) 5,261 (100%) -56
流動負債 846 (16%) 566 (11%) -279
買掛金・未払金 160 (3%) 174 (3%) 14
賞与引当金 209 (4%) 71 (1%) -137
その他 476 (9%) 321 (6%) -155
負債 合計 846 (16%) 566 (11%) -279
純資産 合計 4,471 (84%) 4,694 (89%) 223
負債及び純資産 合計 5,318 (100%) 5,261 (100%) -56

業績推移データ

富士山マガジンサービスと共同事業の検討開始

⚫ 出版業界×AIで新規事業創出へ、具体的検討を開始
⚫ 同時に、共同事業検討の推進体制強化を目的に、富士山マガジンサービス株式9.32%を取得 [※] （売主：Catalyst・Data・Partners）
※自己株式を除く発行済株式総数に対する割合

富士山マガジンサービスの概要

⚫ 所在地： 東京都渋谷区南平台町16-11
⚫ 設立： 2002年7月12日
⚫ 代表： 代表取締役会長西野伸一郎、代表取締役社長神谷アントニオ
⚫ 事業： 定期購読誌を中心とした雑誌販売、梱包・配送、顧客管理、カスタマーサポート、コンサルティング等

事業の状況

SOMPOグループが提供する新たな介護特化型生成AIソリューションの機能構築を支援

⚫ SOMOケアのマニュアル、介護事例、関連文献に加え、現場調査やインタビューを通じて言語化が難しい暗黙知も反映することで、経験豊かなベテラン職員のように思考するサービスの開発を実現

排泄ケア業務のDXを推進し、情報入力の負担軽減と蓄積データの利活用の実現を目指し、介護現場で最も負担の大きい業務の一つである排泄ケアを支援

Appendix

成長戦略

ABEJAの考える技術予想と取組状況

⚫ 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のの、全体として当社の見立てに大きな変更はない
⚫ これを踏まえ、LLM関連の研究開発やユースケース創出、AIロボティクスに関する取り組みを着実に推進

当社の技術領域別、売上高成長イメージ

⚫ ディープラーニング領域（LLM以外、認識・予測）
✓ 画像・音声・時系列などの大量データから高速・高精度に認識・予測を行い、物体検出・音声認識・需要予測・推奨などの中核を担う
✓ 大規模AIシステムでは「目・耳」の役割
⚫ LLM、AIエージェント領域
✓ LLMは社内ナレッジやディープラーニングの推論結果を要約・説明し、意思決定を支援する「口」の役割
✓ 大規模AIシステムでは、ディープラーニングと連携し、AIエージェントが人と協調して業務全体の進行を統括する「指揮役」の役割
⚫ AIロボティクス領域
✓ デジタル側の意思決定をリアル空間での行動として実行（デジタルとリアルの統合）

※LLM以外、認識・予測

ABEJAが描く未来像

⚫ 個別最適化の限界と全体最適化ニーズ
✓ DX推進の名のもと、個別SaaS・システムが乱立し、ツールの行き来、属人化、情報サイロ化が生産性の阻害要因に
✓ いま求められるのは、個別タスクの効率化を超え、全社の業務プロセスを再整備する全体最適化へのシフト
✓ 「SaaS is Dead」がついに始まる
⚫ SaaS is Dead が加速
AIを中核に据えたプラットフォームへ
－すべての業務が自動化する－
✓ ABEJA Platformを中核に、業務データの集約・統合からAI運用までを一元管理・実行
✓ 業務はAI主導となり、人同士の調整から、AI同士の連携に置き換わり、生産性は大幅に向上
✓ 人は必要な場面で介在、創造業務等に集中
✓ AIは便利ツールから、自律的に働くパートナーへと進化

生成AIの活用状況（現在地）

⚫ 生成AI活用の重心が「業務の中核」へ移行
⚫ 海外
✓ 主要国では、方針整備のもとで生成AI（特にLLM）の活用が、「単発業務や個人利用」から、「業務の中核」へと移行し始めている
⚫ 日本
✓ 日本は相対的に遅れているものの、「中核業務でのLLM活用」という声が確実に増えている
✓ 環境整備が進むことで、拡大余地は大きい

⚫ 日本市場の今後の拡大余地は大きい
⚫ 当社はミッションクリティカル業務に対し、業務構造を単位としてAI導入を推進
⚫ 中核業務でのLLM活用が進む拡大局面では、これまでの蓄積が一層の競争優位に

ABEJAの生成AI時代の注力領域

⚫ LLM中核化への当社の対応
✓ 当社は従来からミッションクリティカル業務へのAI導入を掲げており、生成AI活用の中核化が進む潮流は追い風
✓ ミッションクリティカル業務では、高いセキュリティや信頼性、専門的な業務知識への対応が求められ、クラウド型の汎用LLMの利用には制約が生じやすい。また、データの性質上、処理を自社環境内で完結させたいニーズも大きい
✓ 当社はすでに高精度・低コストの小型LLMを構築済みで、自社環境内での導入という選択肢を提供可能
✓ また、経済産業省GENIACのNEDOプロジェクト第三期では、これを発展させ、ロングコンテキスト処理に優れ、ローカル環境で動作可能なLLMの開発と、それに基づくAIエージェントの構築を進めている

AIロボティクスの浸透（イメージ）

AIロボティクスの景色
AIの活用範囲はリアル空間にも広がる

⚫ ビジネスモデルの変化
✓ 自動車やインターネットの革新と同様に、産業構造と役割は再編され、業務の主体は人からAIに移行していく
✓ 2025～40年にかけて日本の労働人口は約1,100万人減少する見込み(※)。とりわけ現場では労働供給の構造的縮小が導入を後押しし、AIロボティクスはフィジカル作業の人手不足の有力な解決策の一つになる
⚫ AIロボティクスの浸透（イメージ）
✓ 浸透は特定業務から大企業中心に進み、標準化・汎用化の進展とともに、様々な業種・企業規模へ広がると見込まれる
✓ 初期負担を抑えられるRaaS（Robotics as a Service）など多様な導入形態の普及に伴い、導入障壁は下がり、ビジネス機会も拡大
（※）出所：国立社会保障・人口問題研究所「日本の将来推計人口」（2023年8月31日）

ビジネスモデルの変化
特定業務から導入を進め、適用範囲を段階的に全社運用へと拡大
現場ごとの環境差・手順差等を織り込み、特定業務の運用体制を確立し、商用サービスへ移行
データ整備、基盤となるモデルを構築し、実運用に近い条件で技術・タスク価値の有効性を確認
様々な業種・企業規模で利用が進み、汎用業務ではRaaSも選択肢に

AIロボティクスの活用例

デジタルの深化、リアルへの拡張

⚫ ①、②により当社の事業領域は拡大。LLMを成長軸に、AIロボティクスを育成
①デジタルの深化
LLM活用の重心が「業務の中核」へ移行し、デジタル空間での取り組みが深化、拡大局面
②リアルへの拡張
AIロボティクスにより、AIの適用領域がデジタル空間からリアル空間（フィールドオペレーション）へと広がる
③成長ドライブ
LLMを成長ドライバーに位置づけ、AIロボティクス領域を育成
エンタープライズ案件と公的プロジェクトを並行して推進

※Human in the Loopとは、AIを活用するシステムにおいて、AIの出力する結果に対して人がチェック・フィードバックをすることで、継続的に教師データを作成できる状態を作りAIの精度を高め続ける仕組み。

STEP 1 人が実行
STEP 2 人が実行
STEP 3 AIが実行・人が実行・AIが支援
STEP 4 AIが実行・人が支援
STEP 5 AIが改善・人が支援

取組状況

取組事例

公的プロジェクトの取組状況

⚫ 公的プロジェクトには、継続して参画しており、足元でも関係機関と連携のうえ推進中
✓ LLMの研究開発は、公的プロジェクトにおける当初の目的を達成するとともに、その過程で社内におけるモデルの理解や技術的な蓄積も着実に進んでおります
✓ これにより、公的プロジェクトに限らず、当社が手がける各種案件においても、顧客ごとの高度な業務要件への対応力が高まり、ミッションクリティカル業務への適用・展開力の強化に繋がっています

進行中
NEDO公募のLLM開発事業（第三期）
GENIACに、第一期、第二期に続き、第三期も参画
⚫ 取組内容：ロングコンテキスト対応基盤モデルとAIエージェント構築に関する研究開発
⚫ 実施期間：2025年8月～2026年2月(予定)
GENIAC：日本の生成AIの開発力強化を目的としたプロジェクト
NEDO ：国立研究開発法人 新エネルギー・産業技術総合開発機構 - 持続可能な社会の実現に必要な研究開発の推進を通じて、イノベーションを創出する、国立研究開発法人

特化型モデル開発のためのモデルの小型化の研究開発
実施期間 2024年10月 ～2025月4月
⚫ 精度の高い3つの小型モデルを構築し エッジ環境に実装
⚫ 32Bリ ーズニングモデル 、7Bモデルは同規模モデルで世界最高水準の日本語性能を達成
⚫ LLMの社会実装における課題「コストと精度のトレードオフ」を克服

（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
✓ 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”がトレードオフの関係性となります
（参照）Scaling Laws for Neural Language Models
※ Test lossとは、テストデータを使った精度テストの間違えた数のことです。小さくなればなるほど精度が高いということが言える。

（ご参考）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、利便性の高い小型化モデルを構築し、ブレークスルー
⚫ 低コストと高い精度
✓ ファインチューニング前段階でOpenAI の「GPT-4」を上回る性能を持つ32Bの小型化モデルを、低コストで構築
⚫ 高い利便性
✓ 小型化の実現により、エッジ環境に実装し、利便性向上
➢ クラウド不要となり、セキュリティの高いクローズドな環境で利用可能
➢ コスト負荷が高い遠隔にあるデータセンターではなく、オフィスや工場などの環境下で利用可能
（参考）NVIDIAのエッジコンピューティングデバイスにデプロイし、エッジデバイス上でのオーケストレーションを実証済
監修：松原仁/ 京都橘大学工学部情報工学科・教授、大学院情報学研究科・教授、情報学教育研究センター長
（参照）https://wandb.ai/
※上記表のうち、精度においては、参照先のTOTAL_AVGスコアより算出。実際の各モデルにはそれぞれ異なる特徴がある。
本モデルは、経済産業省とＮＥＤＯが実施する、国内の生成AIの開発力強化を目的としたプロジェクト「GENIAC（Generative AI Accelerator Challenge）」で開発されたものです。

NEDO公募の医療LLM事業
「日本語版医療特化型LLMの社会実装に向けた安全性検証・実証」の研究開発を開始

⚫ 取組内容：医療DX
電子カルテデータの標準化とレジストリの構築を目的に、医療LLMを開発
⚫ 実施期間：2026年3月まで(予定)
⚫ 当社はLLMシステムの開発を担う
具体的には、関係各所と連携し、異なるフォーマットの電子カルテデータの標準化や、レジストリ構築・データ変換といったプロセスの自動化等に取り組む
レジストリ：特定の疾患や治療に関する情報を収集・管理するためのデータベース

一般社団法人AIロボット協会(AIRoA)に参画

当社は初期段階から正会員として参画
AIRoAの概要
⚫ 理事長：尾形哲也（2024年12月設立）
⚫ 活動内容
✓ AIとロボット技術の融合により、ロボットがより多くの分野で活躍する社会を実現することを目指す非営利団体
✓ 産業の垣根を超えたオープンかつ大規模なデータ収集と基盤モデルの開発・公開、ロボットデータエコシステムの構築を推進
⚫ 活動スケジュール
✓ 初期段階（2025年）： ベースとなるデータセットと基盤モデルの開発・公開
✓ 社会実装段階（2026～2029年）： 基盤モデルの改良と社会実装
✓ コミュニティ段階（2030年以降）： AIロボット開発、コミュニティの活性

進行中 AIRoA
NEDO「AIロボティクス事業」に参画

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
⚫ AIRoAが採択
✓ 本事業規模
期間：2025年10月～2029年8月
事業予算：205億円（事業全体）
✓ 上記事業の複数領域について、当社はAIRoAから委託を受け、関係各所と協力し推進
⚫ 本事業の目標
1. 高品質データセットの構築
2. 基盤モデルの構築
3. 現場実装×商用化の検討

（ご参考）ロボットへのAI技術の適用

⚫ これまで
➢ 倉庫や工場などの特定エリアで特定のタスクを自動化するように、事前に人手でプログラ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、一方で複雑な状況判断や臨機応変な対応には一定の限界
⚫ 今起きていること(LLMとロボットの融合)
➢ LLMは自然言語理解、推論、意思決定支援、生成などの分野で目覚ましい進歩
➢ このLLMの知的能力とロボット技術を融合することで、ロボットに複雑なタスクや状況に応じた対処力を付与し、従来のロボットでは難しい柔軟な動作をリアルタイムで実現可能
➢ 当社は、これまでLLM関連の知見やノウハウを蓄積してきており、その適用領域の一つとして、AIロボティクス領域、VLAモデル構築等に活用していきます

（ご参考）AIロボティクス領域における VLAモデルの概要

⚫ VLAモデル（Vision Language Action Models、視覚言語行動モデル）
➢ 自然言語（L）と視覚情報（V）を一度に認識・統合し、適切な動作（A）を生成するAIモデル
➢ これにより、ロボットは言語指示と視覚情報を認識し、その情報をもとに行動を生成、実行することが可能
➢ VLAモデルにおいても、LLMは自然言語でのやり取りを可能にしているほか、ロボットを通じて取得した大量のデータの学習効率化、複雑なタスクや状況下における情報収集・分析、LLMの知識を基にしたモデルの精度向上や新環境への適応力強化など、多面的に活用
※当社はロボットのハードウェアを製造するのではなく、VLAモデルや周辺システムの構築、ロボットへのインテグレーション等を実施

ビジネスモデル

AIの進化とABEJAの歩み

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

AIの体系と当社認識

関連する用語がどのような前後関係にあるのか
⚫ 人工知能（Artificial Intelligence, AI）を大枠として捉えています
⚫ 機械学習（Machine Learning, ML）、深層学習（Deep Learning, DL）の中に、生成AI（Generative AI, GAI）が内包されると当社では取り扱っております
⚫ 生成AIの中に、大規模言語モデル（Large Language Model, LLM）や拡散モデル（Diffusion Model）を筆頭に様々なモデルが内包されます

AIの課題

AI導入の4つの課題とは
⚫ AIの実用化には乗り越えなければならない課題が存在
✓ 「魔法の川」
✓ 「データの谷」
✓ 「精度の壁」
✓ 「オペレーションのデコボコ道」

AIの課題

なぜ多くのAI導入企業はPoCで終わってしまうのか？
⚫ 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、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

通常のAI導入企業のステップ
1st PoC → 2nd PoC → 3rd PoC → 4th PoC → BPR → 実運用

多くのAI導入企業が抱えるPoCの課題
AI活用においてPoCに留まっている企業の割合 63％
出典：アクセンチュアニュースリリース「アクセンチュア最新調査―AI活用において、60％以上の企業が概念実証に留まる」（2022年6月23日）

※1 PoC：Proof of Conceptの略称で、構想、企画したAI システムが意図した結果を生み出すかを確認するために、AI の精度などの不確実性が高い部分に絞り実験的に検証すること。
※2 BPR：Business Process Re-engineeringの略称で、企業活動や組織構造、業務フローを再設計すること。

デジタル版EMS

コンサルティングからABEJA Platform上でのオペレーションまでを一括支援
⚫ 顧客企業はこのデジタル版EMSを採用することで、ABEJA Platform上の必要な機能をピックアップして、企業のビジネスプロセスに配置することができます
⚫ これにより、自社で開発するよりも迅速に実装ができ、最新の技術を継続的に利用できるとともに、コストダウン等を図ることができます
⚫ ABEJA Platform上で効率的なKAIZEN活動を行うことにより、より高度なオペレーションを実現することができます

トランスフォーメーション領域 オペレーション領域

ABEJA Platform
ロボティクス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した

ABEJA Platformに実装されたロボティクスの構成技術

LLMの周辺技術を用いて、ロボットが自律的なタスクなども実行できる精度を実現

人とAIが協調する「Human in the Loop」の仕組み

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
⚫ 人がやっていたことを徐々にAIに移管
⚫ 人とAIが協調する環境を創り出すことで、「当初より本番運用を可能」にするとともに、失敗が許されない「ミッションクリティカルな領域でのサービス提供に成功」しています
⚫ 最終的にはAIが全体を実行することで、AI自体が改善を進めることが可能となり、オペレーションの高度化が実現されます

STEP 1 人が実行
STEP 2 人が実行
STEP 3 AIが実行・人が実行・AIが支援
STEP 4 AIが実行・人が支援
STEP 5 AIが改善・人が支援

ABEJAによる伴走
「Human in the Loop」により実現するゼロPoC

⚫ 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
⚫ 早期から投資回収が可能となり、最終的にはAIによる高度化を進めることで、革新期間を生むことができます
投資期間
STEP 1
全体設計
BPR
インテグ
レーショ
ビジネスプロセス
デジタル空
リアル空間		 投資期間
STEP 1
全体設計
BPR
インテグ
レーショ
ビジネスプロセス
デジタル空
リアル空間		 投資期間
STEP 1
全体設計
BPR
インテグ
レーショ
ビジネスプロセス
デジタル空
リアル空間		 投資期間
STEP 1
全体設計
BPR
インテグ
レーショ
ビジネスプロセス
デジタル空
リアル空間
投資期間
STEP 1
全体設計
BPR
インテグ
レーショ
ビジネスプロセス
デジタル空
リアル空間		 ン
投資期間
STEP 1
全体設計
BPR
インテグ
レーショ
ビジネスプロセス
デジタル空
リアル空間		 STEP 2
人
人
間		 STEP 3 STEP 4
AI
AI
基幹システム

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

事例

ABEJA Platformを活用した事例（三菱ガス化学様）

⚫ 工場内配管の腐食度の定常的な検査・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を活用した事例（ダイキン工業様）

⚫ 空調機器の訪問修理に必要となる部品をAIで予測、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

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
プラント 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AIシステムの構築・運用 保守人員の削減
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テムの構築・運用 介護従事者の効率性向上、サービス品質向上
金融 アンダーライティング（引受業務）の高度化を行うための支援 引受工数削減、リスクマネジメントの高度化、収益向上
情報 購入データに基づくコンテンツレコメンドAIシステムの構築・運用 利用者の利便性の向上、購入率の向上
不動産 ハイブリッドワーク（オフィス出社とリモートワーク）下における情報・コミュニケーション格差が発生しないためのオフィス環境の構築・運用 入居者ターゲットの拡充
中間流通 効率化のためにDX化すべきオペレーションを予測するシステムの構築・運用 中間工数の削減

適用領域の拡大

ABEJA Platformの今後の拡がり

⚫ ABEJA Platform、ABEJA LLM Seriesを活用可能と考えている領域の例示となります
⚫ ミッションクリティカル性の高い業務を含め、適用可能な領域は広いと捉えています
⚫ 今後、前述の取り組みや個々の案件でユースケースを創出していく中で、ABEJA Platform、ABEJA LLM Seriesの適用領域の拡大を図ってまいります

ミッションクリティカル性
多少の誤差は許容され得る → 事業に大きな影響 → 人の生命に影響

SDGsの取り組み

当社はテクノプレナーシップの基本精神に基づき、SDGs（持続可能な開発目標）の各目標に取り組む企業を支援しています

当社のサービスが利用されている項目と具体的な事例

食品サプライチェーンの最適化によるロス軽減
サプライチェーンの最適化と電力利用傾向に合わせた需要予測による供給調整
「ABEJA Platform」のパートナーシップ構築
企業内教育機関の組成による高スキル人材の育成
簡易的検査手法における予防医療と早期発見
気候変動リスクが少ない化学物質の開発支援
リモートと連携した新しいオフィス環境の提供





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
参入障壁
⚫ 堅牢で安定的な基盤であるABEJA Platform
⚫ Human in the Loopによるミッションクリティカルな領域での適用
⚫ ABEJA LLM Seriesによる改善オペレーションへの適用
⚫ 300社以上への導入実績、ノウハウ




人材の採用、育成とカルチャーの熟成

優秀な人材の採用と確かな育成により、テクノプレナー人材を継続的に創出
⚫ テクノプレナー人材とは
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

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・育成し、顧客ニーズの多様化に迅速に対応
多様な経歴、専門性の蓄積
働きやすく自己研鑽できる環境づくり・仕組みの構築

※ CDOとは「Chief Digital Officer」の略で、「最高デジタル責任者」

投資判断(AI生成)

投資評価: ★★★

評価の理由：
株式会社ABEJAは、AI導入の「運用基盤」としての「ABEJA Platform」を核に、特に「ミッションクリティカル業務」へのAI導入支援で高い成長を遂げています。第1四半期は売上高が前年同期比+55.9%と大幅に成長し、四半期ベースで過去最高を記録しました。営業利益も大幅な増益となり、通期予想に対する進捗率が非常に高い（売上高27.2%、営業利益43.9%）ことから、事業の勢いは明確です。

特に注目すべきは、売上構成比の約80%を占めるLLM案件の成長と、販管費の伸びを売上成長が上回ったことによる販管費率の改善（前期1Q比で11pt低下）です。これは、プラットフォームのスケールメリットが働き始めている可能性を示唆しています。また、PoCで終わらず早期から投資回収を目指す「ゼロPoC」アプローチや、Human in the Loopによる継続的な改善サイクルは、競合他社との差別化要因となり得ます。

一方で、懸念点もあります。売上総利益率が60%を下回っている点（戦略的案件への取り組みとリソース増強が要因と説明されているが、詳細な内訳が不明）や、従業員数が前期末比で横ばい（採用増と退職増が相殺）である点は、成長の持続性や組織の安定性に関して注視が必要です。また、AIロボティクス領域への拡張は将来の成長ドライバーとして期待されますが、現時点での収益貢献度は不明瞭です。

総合的に見て、AI市場の成長を背景に高い成長を達成しており、ビジネスモデルも差別化されていますが、収益性の詳細や組織の安定性には若干の不透明感があるため、平均以上の評価とします。

投資判断の根拠：
買い。AIバリューチェーンの運用基盤としてのポジショニングは明確であり、ミッションクリティカル領域での実績は参入障壁となり得ます。第1四半期の高い成長率と利益率改善はポジティブです。ただし、成長の持続性や収益性の詳細については、今後の四半期で確認が必要です。

重要なポイント：
1. LLM案件への依存度と成長性: 売上構成比の約80%がLLM案件であり、この成長が事業全体の成長を牽引している。
2. 販管費率の改善: 売上成長が販管費の伸びを上回り、販管費率が大幅に改善している点は、プラットフォームのスケールメリットを示唆。
3. 「ゼロPoC」アプローチ: 早期投資回収と継続的な改善サイクルを可能にするビジネスモデルが、競合優位性となっている。
4. AIロボティクスへの拡張: 将来的な成長ドライバーとして期待されるが、現時点での収益貢献度は不明。



会社への質問(AI生成)

[売上総利益率が60%を下回った要因として「戦略的案件への取り組みとリソース増強」が挙げられていますが、具体的にどの案件が、どの程度、粗利率に影響を与えたのか、また、リソース増強のコスト構造について詳細を教えてください。]

[従業員数が前期末比で横ばい（採用増と退職増が相殺）となっていますが、特に営業・コンサルタントやデータサイエンティスト層の離職率が高い場合、今後のプロジェクト遂行能力や技術的優位性にどのような影響がありますか。]

[「SaaS is Dead」と主張し、プラットフォームへの移行を強調していますが、既存のトランスフォーメーション領域の案件（構築フェーズ）が、オペレーション領域（ストック収益）へ移行する際の収益構造の変化（特に粗利率の変動）について、具体的な見通しを教えてください。]

売上倍増のための施策(AI生成)

施策名 成功率（％） インパクト 評価コメント
オペレーション領域のストック収益比率向上 80% S 既存顧客の運用フェーズへの移行を加速させ、安定収益基盤を確立する。特にLLM案件の継続的な運用収益化が鍵。
AIロボティクス領域の早期商用化とRaaS展開 60% A リアル空間への拡張は大きな市場機会だが、技術成熟度と導入障壁が課題。RaaSモデルで導入障壁を下げる。
既存顧客へのクロスセル・アップセル強化（全社最適化提案） 75% A 既存のミッションクリティカル業務での成功事例を基に、全社的な業務プロセス再設計（全体最適化）を提案し、プラットフォーム導入範囲を拡大する。
医療・介護分野における特化型LLMの社会実装加速 70% B NEDOプロジェクト等で培った知見を活かし、規制の厳しい分野での実績を積み上げる。ただし、収益化には時間がかかる可能性がある。

最優先戦略(AI生成)

最優先戦略：オペレーション領域のストック収益比率向上

現在のABEJAの成長は、売上構成比約80%を占めるLLM案件（トランスフォーメーション領域）に大きく依存しています。これは四半期ベースで高い成長率をもたらしていますが、案件の性質上、構築フェーズが終了すれば収益が途絶えるリスクがあります。売上を安定的に倍増させるためには、この「構築フェーズ」から「運用フェーズ」への移行を加速させ、オペレーション領域のストック収益比率を大幅に高めることが最優先事項です。

ABEJA Platformは「デジタル版EMS」として、顧客が継続的にAIを活用・改善していくための基盤を提供します。この基盤上で、Human in the Loopによる継続的な改善（KAIZEN活動）が行われることで、顧客の業務プロセスが最適化され、プラットフォームの利用価値が高まります。この価値向上こそが、ストック収益の源泉となります。

具体的には、トランスフォーメーション領域で得られた知見を迅速にオペレーション領域のサービスメニューに転換し、顧客への提案を強化する必要があります。特に、ミッションクリティカル業務での実績は、顧客のAI運用に対する信頼性を高め、継続的な契約に繋がりやすいと考えられます。

この戦略の成功には、営業・コンサルタントのリソース配分を、新規案件獲得だけでなく、既存顧客の運用フェーズへの移行支援に重点的にシフトさせることが不可欠です。また、オペレーション領域の収益が安定すれば、将来的なAIロボティクス領域への投資余力も確保できます。このストック収益基盤の強化こそが、持続的かつ安定的な売上倍増の土台となります。

ITコンサルからの提案(AI生成)

ABEJAの最優先戦略である「オペレーション領域のストック収益比率向上」を支援するため、ITコンサルタントとして以下の施策を提案します。これらの施策は、プラットフォームの運用効率化と顧客エンゲージメント強化に焦点を当て、マーケティング活動は含みません。

  1. ABEJA Platformの運用監視・自動化基盤の強化
    目的：オペレーション領域におけるプラットフォームの安定稼働と運用コストの最適化。
    支援内容：現在、Human in the Loopで人が介在している運用プロセス（STEP3〜5）において、特に定型的な監視、アラート対応、モデルの再学習トリガーなどを自動化する仕組みを構築します。これにより、運用リソースの効率化を図り、粗利率の改善を目指します。
    期待される効果：運用コストの削減と、人的リソースをより付加価値の高い改善活動に再配置することが可能になります。


  2. 顧客別プラットフォーム利用状況の可視化・分析ダッシュボード開発
    目的：顧客ごとのプラットフォーム利用状況を定量的に把握し、アップセル・クロスセルの機会特定と、解約リスクの早期検知。
    支援内容：各顧客のプラットフォーム利用頻度、処理データ量、モデルの精度推移、Human in the Loopの介在頻度などを集約・分析する専用ダッシュボードを開発します。これにより、顧客のAI活用度合いを可視化し、運用フェーズへの移行を促進します。
    期待される効果：顧客との対話がデータに基づき具体的になり、ストック収益の拡大に向けた提案の精度が向上します。


  3. プラットフォームの技術的負債管理とモジュール化の推進
    目的：新規機能追加や既存機能の改善を迅速化し、プラットフォームの競争力を維持・向上させる。
    支援内容：継続的な開発・運用の中で蓄積された技術的負債を特定し、プラットフォームのコア機能と顧客固有のカスタマイズ部分を明確に分離・モジュール化するアーキテクチャレビューと移行計画を策定・実行します。
    期待される効果：開発リードタイムの短縮と、プラットフォーム全体の堅牢性が向上し、ミッションクリティカルな業務への対応力が強化されます。


前の記事
Ｇ－Ｇｌｏｂｅｅ - 2026年５月期 第２四半期決算説明資料 ★★★
2026-01-14
次の記事
Ｇ－トリプルアイズ - 2026年８月期第１四半期決算説明資料 ★★★
2026-01-14