シミュレーションモデル開発・コンサルティング・ナレッジマネジメント環境構築・ロボットシステムインテグレーション

その意思決定に、
実行前の確信を。

製造業の複雑な選択肢を、シミュレーション、AI、数理モデルで検証可能にする。
戦略を、実装できる判断へ変えます。

事業と基盤を見る

CH 01/ 07

情報把握・影響分析・推奨アクション

プロダクトニュースインテリジェンスTR-KAWARABAN技術インテリジェンスTR-MONOMI

§02課題

重要な判断が、
個人の経験や分断された情報の中で
止まっていませんか。

世界情勢や業界動向の変化を、自社の判断につなげにくい対応する判断領域 → 01
会社の方向性や資源配分、新規事業・新製品開発の判断基準が個人知に留まっている対応する判断領域 → 02
設備投資の効果を、実施前に説明しにくい対応する判断領域 → 05
需要予測や生産計画の理由が、熟練者にしか分からない対応する判断領域 → 03・05
設計変更後に、見直すべき判断や検証を追えない対応する判断領域 → 04
熟練者の暗黙知を、会社の資産として再利用できない対応するブロック → 知識

各行の右端は、対応する判断領域です。

FIG. 02分断 — 判断の材料がつながらない説明図

6図の判断材料

0図の中で共有された関係

材料が人・表計算・部門に分かれたままでは、AI エージェントも同じ根拠をたどれません。つなぐ仕組みへ

§03事業

計算で確かめ、
知識でつなぎ、
現場で動かす。

判断の前にある情報把握・戦略・需要・設計の検討から、判断の後にある制御設計・制御盤製作・ロボットティーチングまで。工程ごとの担い手を明確にしたまま、現場の稼働までつなぎます。

FIG. 03事業の守備範囲 — 判断の前から、現場の稼働まで概念図

判断の前

人の判断

判断の後

情報把握

戦略

需要

設計

工場

倉庫

制御設計

制御盤

電気工事

ティーチング

稼働

01基盤開発

自社開発のプロダクト · 判断領域と組織知判断の前 → 判断

02モデル開発

予測 · シミュレーション · 最適化で、選択肢を同じ前提で比べる判断の前 → 判断

03知識・AI エージェント

下準備は AI エージェント判断の前まで

判断の理由と結果を記録（知識グラフ）判断の後 → 稼働

04ロボット SI

仮想での事前検証タイセイロボティクス判断の前

制御設計・制御盤製作・電気工事・ロボットティーチング大星電機判断の後 → 稼働

実行結果と判断理由を、次の判断の入力へ

判断のためのAIプロダクト基盤開発

顧客課題に合わせて、自社プロダクトを連携あるいは新規開発して構成します。

構成するプロダクト（例）

工場シミュレーション・改善判断支援
生産スケジューラ
設計変更・判断支援
ほかのプロダクト

基盤の設計を見る

コンサルティング・
シミュレーションモデル開発

生産・経営の課題をモデルにして、選択肢を同じ前提で比べます。既存のシミュレーションソフトウェアを活用したモデル開発・検証支援も行います。

手法

予測
シミュレーション
最適化
Plant Simulation 活用支援 ※

05 の注記を見る

ナレッジマネジメント・
AI エージェント導入支援

判断の理由と根拠、反証、人の判断、実践結果を、組織が使える知識としてつなぐ環境を構築します。AI エージェントも組み込み、最終判断は人ができるように設計します。

構成要素

オントロジー
知識グラフ
AI エージェント
知識創造・継承基盤（TR-TSUGU）

組織知の考え方を見る

ロボットシステム
インテグレーション

ロボットセルのレイアウト、干渉、サイクルタイムを、立ち上げる前に確かめます。

担い手と工程を見る

§04基盤

主要プロダクトは、
オントロジーの上で動く。

FIG. 04-A主要プロダクトの基盤 — 5 つの層説明図。型の名前と経路は例です。

1オントロジー
語と関係を、先に型にする。
需要・工程・設備といった業務の実体と、主張・根拠・反証といった判断の記録。その間の関係を、プロダクトごとに業務に合わせて定義する。
2知識グラフ
判断の来歴を、たどれる形で残す。
前提・根拠・反証・人の判断・実践結果を、型のまま種類付きの関係で結ぶ。知識グラフは、プロダクトごとに持つ。
3主要プロダクト
主要プロダクトが、その上で動く。
情報把握から戦略、需要、設計、工場、倉庫、知識の継承まで。
4AI エージェント
AI エージェントが、型の上で働く。
グラフをたどって情報を集めて整理し、次の作業を提案し、手順どおりに下準備を進める。
5人の判断
採否は、人が決める。
AI エージェントは門の手前で止まり、候補と根拠を人に渡す。ここから先は、人。

FIG. 04-B知識グラフの上で働く AI エージェント — 例：工場の増強を検討する説明図 · 表示は合成

AGENTS状態

AG-01収集門で待機
AG-02起案門で待機
AG-03計算計算中
AG-04点検点検中

TRACE合成データ

T+03.79 AG-02 起案最適化を実行 · 案を起案
T+04.27 AG-03 計算工程 A —影響する→ ボトルネック
T+04.45 AG-01 収集ボトルネック —制約する→ 生産計画
T+04.87 AG-04 点検工程 B —影響する→ ボトルネック
T+05.11 AG-02 起案ボトルネック —派生する→ 案 B・人員シフト
T+06.25 AG-04 点検ボトルネック —制約する→ 生産計画
T+06.36 AG-02 起案案 B・人員シフト —限定する→ 適用条件
T+06.59 AG-03 計算シミュレーションへ移動
T+06.71 AG-03 計算シミュレーション実行 · 同じ前提
T+06.88 AG-01 収集門で待機 · 候補と根拠を提出
T+07.23 AG-02 起案門で待機 · 候補と根拠を提出
T+07.79 AG-03 計算シミュレーション —派生する→ 根拠

AI エージェント
記録（グラフの点）
計算（予測・シミュレーション・最適化）
人の判断

オントロジー

語と関係を、先に決める。

工程、設備、需要、要件、主張、根拠。業務で使う概念と、「影響する」「制約する」「支える」「反証する」といった関係を、あらかじめ型として定義します。人と AI エージェントが、同じ語を同じ定義で扱えます。

知識グラフ

判断の来歴を、たどれる。

判断の前提、根拠、反証、人の判断、実践結果を、種類付きの関係で結びます。ある判断がどの根拠と反証を踏まえて出されたのかを、あとからたどれます。

AI エージェント

型の上で働き、門の前で止まる。

情報を集めて整理し、次の作業を提案し、手順どおりに下準備を進めます。採否は決めません。候補と根拠をそろえて、人に渡します。

01情報把握・影響分析・推奨アクション

ニュースインテリジェンス（TR-KAWARABAN）

世界情勢・事業環境変化をサマリ。
自社や自部門等へのインパクト分析・推奨アクション配信

対象の立場：経営・事業企画、技術戦略・新規事業

技術インテリジェンス（TR-MONOMI）

技術・特許・論文から、投資や開発の判断に渡せる要点に絞る

対象の立場：技術戦略・新規事業

02戦略・事業ポートフォリオ検討

戦略・投資仮説シミュレータ（TR-SANBO）

戦略シナリオ・新規事業立案。事業と資源配分を、比較シミュレーション

対象の立場：経営・事業企画、技術戦略・新規事業

03需要予測・営業戦略立案

需要予測システム（TR-KIZASHI）

需要の変動幅と前提を見える化し、生産・調達の判断材料をそろえる

対象の立場：経営・事業企画、生産計画

B2B営業判断支援（TR-GUNBAI）

受注・失注・顧客情報から、営業の優先順位と次の行動を比較する

対象の立場：経営・事業企画、営業

04開発・設計判断

設計変更・判断支援（TR-TORYO）

設計変更の影響を追い、代替案、検証、人の採否を一つの判断として残す

対象の立場：設計・調達

ロボットSI要件定義支援（TR-KENBUN）

ロボットSI案件の要求、責任分界、確認事項を整理し、要件定義を支援する

対象の立場：工場・生産技術、ロボットSI

担い手と工程を見る

05工場企画・可視化・改善

工場シミュレーション・改善判断支援（TR-HAGANE）

新設、既存工場の増強・見える化や改善案検討を行う工場シミュレータ

対象の立場：工場・生産技術

生産スケジューラ（TR-SAHAI）

需要シナリオに応じた生産計画を支援する

対象の立場：生産計画、工場・生産技術

※ Plant SimulationはSIEMENS社の製品です。当社が開発するTR-HAGANEとは別の製品です。同製品を活用したモデル開発・検証支援も行います。

06倉庫・物流の可視化・検証

倉庫シミュレーション・運用判断支援（TR-KURA）

倉庫内の在庫状態、作業、待ち、出荷条件をモデル化し、What-If条件を比較する

対象の立場：生産計画、倉庫

07知識創造・イノベーション創出

知識創造・継承基盤（TR-TSUGU）

判断領域にまたがる層として、主張、根拠、反証、適用条件、人の判断、実践結果をつなぎます。

対象の立場：工場・生産技術、DX・知識管理

組織知の考え方へ

§06実績

重要な判断を現場で。

全体の速さは、ボトルネックで決まる。そのボトルネックを実行前に見つけ、解消の打ち手を同じ指標で比べてきました。

工場の新設から既存工場の可視化、AI の業務定着、自社基盤の連携まで。実行する前に画面の上で試す進め方を、各社の現場と自社の基盤開発で重ねています。

クライアント例: 大手自動車メーカー、電機・機械メーカー、通信事業者、システムインテグレーターほか
支援例: DX、AI 活用・導入コンサルティング、開発、シミュレーションモデル構築・検証

工場
工程の前にたまる仕掛品
CASE 01 CASE 02
ロボット
動作の待ちと干渉
CASE 03
業務
手作業で止まっている工程
CASE 04
判断
行動につながらない情報
CASE 05

CASE01

自動車工場新設

ライン企画と生産シミュレーションで、ボトルネックを特定・解消した構成を、新設の前に比べて決める

FIG. 06-A構成案を同じ指標で比べ、人が決める説明図

ベネフィット構成の違いを同じ指標で見比べ、投資の前に、根拠をもって選べる

比べたこと: 設備台数・バッファ・搬送・人員
成果物: シミュレーションモデル・KPI 比較・ボトルネック分析

CASE02

多品種混流工場のデジタルツイン

既存工場を可視化し、生産プロセスと在庫の状態、ボトルネックを見える化する

FIG. 06-B混流の流れと仕掛在庫を、デジタルツインで見る説明図

ベネフィット工場の流れと在庫の状態が一目で分かり、同じ画面を見ながら打ち手を話し合える

見たもの: 混流の流れ・仕掛在庫・ボトルネック
成果物: 工場のデジタルツイン

CASE03

ロボット協調システムのデジタルツイン

サイクルタイムを長くする待ちと干渉というボトルネックを、立ち上げる前に仮想で確かめ、協調作業の動作順序を最適化する

FIG. 06-C干渉と待ちを、動作の時間軸で見る説明図

ベネフィット現場に入る前に、仮想で確かめた動作順序を選んでおける

比べたこと: 動作順序・干渉・サイクルタイム

CASE04

AI 活用・導入

手作業で止まっている業務のボトルネックを見つけ、AI の適用から定着まで伴走して、生産性と付加価値を高める

FIG. 06-D下準備は AI エージェント、確かめるのは人説明図

ベネフィットAI の活用を試行で終わらせず、自分たちで回せる形で定着させられる

対象業務: 各種業務

CASE05

自社 AI ネイティブ基盤の連携自社開発

情報から戦略、需要、 アクション

情報が行動につながらないという判断のボトルネックに、自社開発の AI ネイティブ基盤をつないで取り組む。情報の把握から戦略・需要予測を経て、次の行動までを一続きで支援する

FIG. 06-E各基盤が下準備を進め、次の行動は人が決める説明図

ベネフィット情報の把握から行動までが一続きになり、判断の根拠をたどりながら次の行動を決められる

小さく試し、成功体験を重ね、「自走」へ伴走します。

相談する（相談フォームが新しいタブで開きます）

§07組織知

個人の知識を組織の知識へ。
イノベーション創出へ。

個人の中にある判断の理由を、組織が使える形へ移します。オントロジーで概念と関係を定義し、知識グラフで主張、根拠、反証、派生、来歴をたどれるようにして、適用条件、人の判断、実践結果までを一つにつなぎます。AI の候補と正式な知識は分けて扱い、矛盾や例外、古い知識、失効、異論も消さずに残すので、次に決める人が同じ材料から始められます。

矛盾を妥協で消さないのは、両極の価値と限界から新しい概念を生む弁証法の動きを止めないためです。主張と反証をつき合わせ、より高い次元の仮説へ止揚（アウフヘーベン）し、検証して次の判断へ返す。この往復が、イノベーションの駆動力になります。

正式な組織知として確定するのは、AI ではなく人です。

担うプロダクト知識創造・継承基盤（TR-TSUGU）

FIG. 07TR-TSUGU がつなぐもの説明図

根拠支える →主張← 反証する反証
↓ 止揚
より高い次元の仮説← 限定する適用条件
↓ 検証して
人の判断
↓
実践結果派生する → 次の判断の入力へ

§08判断サイクル

当社がご提供する
共通の判断サイクル

作業は AI エージェントが進め、採否は人が決める。

各領域共通の基本的な進め方です。

1
現状と前提を把握する
AI エージェント：集めて整理する知識グラフ：これまでの判断を読む
誰が、どの会議で、何を決めるのか。
2
複数の選択肢を作る
AI エージェント：代替案を提案する
現状案のほかに、比べられる代替案をそろえる。
3
予測・シミュレーション・最適化で比べる
AI エージェント：計算の下準備を進める計算：モデルで比べる
同じ前提で比較する。合否の基準は、着手前に決める。
4
根拠とリスクを確認する
AI エージェント：根拠をそろえる計算：制約を確かめる知識グラフ：成り立たない案を残す
予測、制約、根拠を並べ、成り立たない案は理由ごと残す。
5
人が判断する
人：採否を決める
AI が出すのは候補と根拠まで。採否を決めるのは、AI ではなく人。
6
実行結果を記録し、次の判断へ戻す
人：確定した判断を記録する知識グラフ：判断理由と結果
実行結果と判断理由を、組織の知識にする。

← 記録が次の判断の入力になる

AI エージェントがすること当社が組み込む AI エージェントは、情報を集めて整理し、次の作業を提案し、手順どおりに下準備を進めます。最終判断は人ができるように設計します。

AI エージェント
計算（予測・シミュレーション・最適化）
記録（知識グラフ）
人の判断

§09グループ連携

デジタルの検証を、
現場の変化へ。

製造領域におけるグループ連携。制御・FA・ロボットを担うグループの実装力で、現場の運用までつなぎます。

FIG. 09工程と担い手工程と担い手は代表例

事前検証（デジタル）

実装

教示

現場

仮想での事前検証

タイセイロボティクス

制御設計（PLC・HMI）・制御盤製作・電気工事

大星電機

ロボットティーチング

大星電機

現場の稼働

ASEAN 域内で設計から現地調整まで現地完結

タイ現地法人（グループ連携）

現場の稼働

フィードバック立上げの結果を、次の事前検証へ

タイセイロボティクス
コンサルティング / シミュレーションモデル開発 / AI / 判断支援
大星電機
制御設計（PLC・HMI）/ 制御盤製作 / 電気工事 / ロボットティーチング / 宇宙・防衛等の特殊ハーネス
ティー・エス・イー
FAソフトウェア / システム開発
タイ現地法人
ASEAN 域内で設計から現地調整まで現地完結

§10ラボ

デジタル検証を
フィジカルで実証

用途

デモンストレーション
案件の事前準備・PoC
社員教育
フィジカルAI研究

フィジカル AI現場の機械やロボットなど、実世界の動きも含めて考える AI の使い方です。

ロボット類

R-01FANUC CRX-20iA/L
R-02FANUC LR Mate 200iD
R-03SO-ARM101
V-01FANUC 3DV/400, 2DV

§11採用

事業拡大に伴う人材募集

採用について問い合わせる（問い合わせフォームが新しいタブで開きます）

募集領域: データサイエンス、AI、ロボティクス等
採用区分: 新卒・キャリア。理工系博士・博士課程在籍者歓迎
求める人物像: 専門性を活かし、周囲と協働して、新しい価値の創造に挑戦できる方
在籍者の出身校: 横浜国立大学大学院、北陸先端科学技術大学院大学、富山大学、島根大学大学院など

§12会社概要

会社概要

商号: タイセイロボティクス株式会社
代表者: 若松隆（TAiSEIグループ代表）
創業: 2023年6月15日（大星電機株式会社：1972年創業）
役員: 取締役常務執行役員山北光博
取引銀行: 三菱UFJ銀行所沢支店
資本金: 3,000万円
本社: 埼玉県狭山市中新田353-3
TEL: 04-2958-8925
オフィス: 横浜市、島根県安来市
事業内容: 判断のためのAIプロダクト基盤開発コンサルティング・シミュレーションモデル開発ナレッジマネジメント・AI エージェント導入支援ロボットシステムインテグレーション

その意思決定に、実行前の確信を。

重要な判断が、個人の経験や分断された情報の中で止まっていませんか。

計算で確かめ、知識でつなぎ、現場で動かす。

判断のためのAIプロダクト基盤開発

コンサルティング・シミュレーションモデル開発

ナレッジマネジメント・AI エージェント導入支援

ロボットシステムインテグレーション

主要プロダクトは、オントロジーの上で動く。