Company Logo

// Research & Development Flow

研究開発フロー

アルゴリズムが人間の意思決定を高め、SaaSが事業の生産性を再定義する時代に向けて、AIネイティブな研究開発を経営の中核に据えています。

Scroll

// Prologue

当社の研究開発思想

ヌースコア・ホールディングス株式会社(以下、当社)は、「アルゴリズムが人間の意思決定を高め、SaaSが事業の生産性を再定義する時代」に向けて、AIネイティブな研究開発を経営の中核に据えています。

本「研究開発フロー」では、当社が現在、産学連携の枠組みの下で推進している主要2事業―『Optima Recommend Works事業(最適レコメンド研究領域)』および『SaaS事業(クラウドソフトウェア研究領域)』―について、研究テーマ、採用AIツール、ラボ役割分担、資金調達構造、および3年間(フェーズ1〜3)のロードマップを開示します。

混合資金構造と知的財産管理

本フローは、独立した第三者機関(大学研究室)と当社R&Dラボによる二項的研究体制を前提に、国の補助金・助成金および投資家からの出資を組み合わせた「混合資金構造」によって推進されており、研究成果の知的財産は両機関による共有持分契約の下で適正に管理されます。

// R&D Flow Summary

研究開発フロー サマリ

Optima Recommend Works事業とSaaS事業の研究体制と成果目標を比較・整理しています。

研究領域
Optima Recommend Works最適化レコメンドエンジン/意思決定AI
SaaS事業AIネイティブSaaSプラットフォーム/バーティカルSaaS 2.0
共同研究機関
Optima Recommend Works国立大学法人 情報理工学・経営工学系研究室(共同研究契約締結中)
SaaS事業国立大学法人 情報科学・経営情報学系研究室(共同研究契約締結中)
研究期間
Optima Recommend Works3年(フェーズ1〜3)
SaaS事業3年(フェーズ1〜3)
資金構造
Optima Recommend Works国の補助金・助成金+投資家資金(VC・エンジェル)の混合構造
SaaS事業国の補助金・助成金+投資家資金(VC・エンジェル)の混合構造
最終アウトプット
Optima Recommend Works商用レコメンドAPI/業界別レコメンドモジュール/知財ポートフォリオ
SaaS事業マルチテナントSaaS基盤/業種特化型SaaS/AIエージェント連携基盤

// Part I — Optima Recommend Works

第1部 Optima Recommend Works

事業 研究開発フロー

1-1

事業概要・研究ビジョン

『Optima Recommend Works(オプティマ レコメンド ワークス)』事業は、購買・採用・コンテンツ消費・資金調達・進路選択など、人と組織のあらゆる「選択」局面に対し、最適解を提示する次世代レコメンド基盤の開発を目的とします。

従来のレコメンド技術は「協調フィルタリング」「コンテンツベース」「ハイブリッド」の三類型が中心でしたが、当社は深層学習・大規模言語モデル(LLM)・ベクトル検索・因果推論・強化学習を融合した「文脈感応型レコメンドアーキテクチャ(Context-Aware Optimal Recommendation Architecture:CAORA)」を独自に設計・実装します。

研究ビジョン

単なる「類似度推薦」ではなく、利用者の意図・目的関数・制約条件を踏まえた最適化問題としてレコメンドを再定義することにあります。

1-2

共同研究体制(産学連携スキーム)

当社は、国内某国立大学法人の情報理工学系研究科および経営工学系研究科の研究室と、共同研究契約および秘密保持契約の下で連携しています(契約相手方の名称は契約上の守秘義務に基づき本ページでは公表していません)。

共同研究契約のスキーム
1
共同研究契約(基本契約)

研究目的、研究期間、研究分担、知的財産の帰属、論文公表のリードタイム、対価条件を規定。

2
個別研究契約

フェーズごとに研究テーマ・成果物・予算・マイルストーンを設定。

3
MTA/DTA(材料・データ移転契約)

研究データ(学習データセット、ログデータ)の取扱いを別契約で規定。

4
学生発明者規程の確認

学生研究員の発明・著作に関する権利関係を事前合意。

5
共同特許出願に関する覚書

持分比率・権利行使ルール・実施料分配スキームを取り決め。

1-3

採用AIツール群と選定根拠

レコメンド研究の開発工程を「データ → 学習 → 評価 → 推論 → 観測 → ガバナンス」の6層に分割し、各層で世界標準のオープンソース基盤および商用APIを組み合わせて採用しています。

データ基盤
採用ツールSnowflake / BigQuery / Apache Iceberg / dbt
選定根拠構造化・準構造化データの統合管理。スケーラビリティとコスト最適化に優れる。データレイクハウス標準。
特徴量管理
採用ツールFeast / Tecton
選定根拠オンライン/オフライン特徴量の整合性管理(Feature Skewの排除)。レコメンド研究の再現性を確保。
モデル学習
採用ツールPyTorch / TensorFlow Recommenders / Hugging Face Transformers
選定根拠論文実装の主流。Two-Tower、Sequential Recommendation、Transformer4Rec等の最新モデルを実装可能。
LLM/生成AI
採用ツールAnthropic Claude API / OpenAI API / Google Gemini API / LangChain / LlamaIndex
選定根拠意図理解・コールドスタート緩和・説明可能なレコメンドの生成。マルチモデル戦略でベンダーロックインを回避。
ベクトル検索
採用ツールPinecone / Weaviate / Milvus / pgvector
選定根拠セマンティック検索とANN(近似最近傍)探索の標準。ハイブリッド検索(BM25+密ベクトル)に対応。
強化学習
採用ツールRay RLlib / Stable Baselines3
選定根拠文脈バンディット、オフポリシー学習による「クリック → 購買 → LTV」までの長期最適化を実装。
実験管理
採用ツールMLflow / Weights & Biases / DVC
選定根拠実験再現性・バージョン管理・モデル系統追跡(Lineage)の確保。
オーケストレーション
採用ツールApache Airflow / Prefect / Dagster
選定根拠学習・評価・デプロイの自動化。SLAを担保するパイプライン運用。
評価・観測
採用ツールEvidently AI / WhyLabs / Grafana / Prometheus
選定根拠オンライン/オフライン双方の品質指標監視。モデルドリフト・データ品質を可観測化。
AIガバナンス
採用ツールMicrosoft Responsible AI Toolbox / IBM AI Fairness 360 / Hugging Face Evaluate
選定根拠バイアス検出・公平性評価・説明可能性の確保。EU AI Act・経産省AI事業者ガイドライン対応。
1-4

研究開発手順(AIツール基盤の標準フロー)

当社は以下の8工程を「Recommend Engineering Cycle(REC)」として標準化し、各工程で採用AIツールを連携させています。各工程の所要期間および主担当ラボは「1-5. ラボ役割分担」に明示します。

Step 01
研究テーマ・仮説設計(Hypothesis Design)

業界課題のヒアリング、文献レビュー(Semantic Scholar API、arXiv、Connected Papers)、競合実装の調査。

仮説をPICO形式(Population/Intervention/Comparator/Outcome)で構造化し、評価指標(NDCG、MAP、Hit Rate、CTR、CVR、LTVリフト等)を事前定義。

Step 02
データ収集・前処理(Data Engineering)

行動ログ・属性データ・コンテキスト情報をETL化(Airflow+dbt)。

匿名化・k匿名性確保・差分プライバシー処理。個人情報保護法、APPI、GDPR、CCPA要件に準拠。

学習用/検証用/本番影付け(Shadow)データセットの3分割。

Step 03
特徴量設計・特徴量ストア整備(Feature Engineering)

ユーザー特徴量、アイテム特徴量、コンテキスト特徴量、相互作用特徴量を体系化。

Feast/Tectonにより、オンライン推論とオフライン学習で同一特徴量を共有。

Step 04
モデル開発(Model Development)

ベースライン:Matrix Factorization、Item-CF、User-CF。

中位モデル:Two-Tower、DeepFM、xDeepFM、DCN-V2。

最新モデル:Transformer4Rec、SASRec、BERT4Rec、生成型レコメンド(Generative Recommendation)、LLM as Recommender。

文脈バンディット/オフポリシー強化学習:DR推定、IPS推定によるバイアス補正。

Step 05
オフライン評価(Offline Evaluation)

Top-K指標(NDCG@K、Recall@K)、ランキング指標(MAP、MRR)、多様性・新奇性・公平性指標を多面的に評価。

反実仮想評価(Counterfactual Evaluation)でオンライン性能を予測。

Step 06
オンライン実験(A/Bテスト・MAB)

Statistical Power計算により最小サンプルサイズを決定し、A/B、A/A、Multi-Armed Banditで実装。

ガードレール指標(売上、UX、ロード時間、苦情率)の同時監視。

Step 07
本番運用・モデル監視(MLOps)

Canaryリリース、シャドーデプロイ、フィーチャーフラグ運用。

モデルドリフト・データドリフト検知。再学習トリガーの自動化。

Step 08
ガバナンス・知財化(Governance & IP)

AI事業者ガイドライン準拠の透明性レポート発行。

特許出願(コア・アルゴリズム)/著作権管理(学習用データセット)/営業秘密管理(ノウハウ)。

1-5

ラボ役割分担(当社R&Dラボ × 大学研究機関)

研究開発の役割は、「基礎研究・理論検証は大学研究機関」「応用研究・実証実験・商用化開発は当社R&Dラボ」を原則とし、各工程で双方が連携します。

基礎理論
大学研究機関
最適化問題の数理定式化
統計的学習理論の検証
因果推論モデルの設計
公平性・説明性の理論研究
査読論文の執筆
ヌースコアR&Dラボ
ビジネス要件の数理化支援
産業データを用いた仮説提示
実装制約条件の提供
アルゴリズム
大学研究機関
新規アルゴリズムの提案
PoC用プロトタイプ実装
公開データセットでの評価
国際学会発表(RecSys、KDD、WWW、SIGIR等)
ヌースコアR&Dラボ
実産業データへの適用
スケーラビリティ検証
本番品質コードへの再実装
推論レイテンシ最適化
データ
大学研究機関
公開データセット(MovieLens、Amazon Reviews等)での実験
データ匿名化手法の研究
ヌースコアR&Dラボ
産業データの収集・前処理
契約・Privacy By Designの設計
本番データパイプライン構築
実証実験
大学研究機関
実験計画書の作成・倫理審査
統計的検定設計
ヌースコアR&Dラボ
パートナー企業との共同PoC
A/Bテスト運用
KPIモニタリング
商用化
大学研究機関
原則として商用化には不関与(大学発ベンチャー支援制度の範囲内で技術監修)
ヌースコアR&Dラボ
商用APIの設計・運用
SLA・課金体系の設計
カスタマーサクセス
知的財産
大学研究機関
発明者の認定
論文公表との調整
共同出願人としての権利保有
ヌースコアR&Dラボ
特許出願事務(弁理士連携)
実施・第三者ライセンス交渉
知財ポートフォリオ管理
1-6

研究開発予算と資金調達構造

研究開発資金は、(A) 国の補助金・助成金、(B) 投資家からの資金調達(VC・エンジェル投資・コーポレートVC)、(C) 当社自己資金 の3層構造で構成しています。

(A) 国の補助金・助成金

研究開発フェーズに応じ、複数の制度を組み合わせて活用します。各制度の採択結果および交付決定通知は、本ホームページ「ニュース」ページにて適時開示します。

(B) 投資家からの資金調達

VC・エンジェル投資・コーポレートVCからの出資により、研究開発のスケーリングを図ります。

(C) 当社自己資金

研究開発に対する当社の自社投資による長期的なコミットメントを担保します。

(A) 国の補助金・助成金(活用予定・申請予定スキーム)
中小企業イノベーション創出推進事業(SBIR)
所管:内閣府/経済産業省フェーズ1:基礎研究・PoC
ものづくり補助金(製品・サービス高付加価値化枠)
所管:中小企業庁フェーズ1〜2:試作・実証設備投資
成長型中小企業等研究開発支援事業(Go-Tech事業)
所管:経済産業省/中小企業庁フェーズ2:応用研究・実用化研究
NEDO「Generative AI Accelerator Challenge(GENIAC)」関連事業
所管:経済産業省/NEDOフェーズ2〜3:生成AI基盤強化・計算資源確保
ディープテック・スタートアップ支援事業
所管:NEDOフェーズ2〜3:商用化に向けたスケール開発
研究開発税制(増加型・高水準型)
所管:国税庁全フェーズ:法人税額控除
中小企業経営強化税制/中小企業投資促進税制
所管:中小企業庁フェーズ1〜3:研究開発設備の即時償却・税額控除
東京都 創業助成事業/TOKYO戦略的イノベーション促進事業
所管:東京都産業労働局フェーズ1〜2:人件費・販路開拓費
JST 研究成果展開事業(A-STEP)
所管:科学技術振興機構(JST)フェーズ1〜2:産学共同研究フェーズの加速
AMED/NEDO等の医療データ研究関連助成(応用領域による)
所管:AMED/NEDOフェーズ2〜3:医療・ヘルスケア応用の場合に限定
(B) 投資家からの資金調達
シードラウンド

エンジェル投資家、独立系VCからの出資。

シリーズA

ディープテック特化VC、コーポレートVCからの出資。

シリーズB以降

国内外グロース投資家を想定。

優先株式設計

みなし優先株式・残余財産分配権・希薄化防止条項等は、当社顧問弁護士・公認会計士・税理士の監修の下、合理的かつ透明な条件で組成しています。

(C) 自己資金

当社事業から得られる継続キャッシュフローおよび創業者資金により、研究員人件費・基盤運用コストの一定割合を内部留保資金で負担します。

1-7

3年間ロードマップ(フェーズ1〜3)

1
基礎研究・PoC構築期
フェーズ1|1年目
研究開発テーマ

文脈感応型レコメンドモデル(CAORA)の理論定式化と公開データセットでの再現実験。

ベースラインモデル(Two-Tower/DeepFM/SASRec/BERT4Rec)の比較ベンチマーク。

LLMを補助モジュールとして組み込む「LLM-Augmented Recommender」のPoC。

プライバシー保護学習(差分プライバシー・連合学習)の基礎検証。

マイルストーン

国際査読論文1〜2本の投稿(共著/大学側ファースト想定)。

PoC環境(Snowflake/Feast/PyTorch/MLflow)の構築完了。

先行特許出願1〜2件(共同出願)。

SBIR等の補助金1件以上の採択。

資金配分(概算ウェイト)
約50%国の補助金・助成金
約40%投資家資金(シードラウンド)
約10%自己資金
2
応用研究・実証実験期
フェーズ2|2年目
研究開発テーマ

CAORAの実産業データ(EC、メディア、人材、金融、教育)への適用。

オフポリシー強化学習による「長期LTV最大化レコメンド」の実装。

生成型レコメンド(Generative Recommendation)の商用品質検証。

AI Fairness/Explainability対応モジュールの組み込み。

マイルストーン

パートナー企業3〜5社との共同PoC実施・KPI改善実証。

商用APIアルファ版の社外限定公開。

追加特許出願2〜3件、商標出願1件。

Go-Tech/NEDO等の補助金採択。

資金配分(概算ウェイト)
約40%国の補助金・助成金
約50%投資家資金(シリーズA)
約10%自己資金
3
商用化・スケール期
フェーズ3|3年目
研究開発テーマ

業種別レコメンドモジュール(Vertical Recommender)のリリース。

マルチテナントSaaS基盤との接続(第2部「SaaS事業」と統合)。

AIエージェント連携(MCP・Function Calling経由でのレコメンド呼び出し)。

国際展開を見据えた多言語・多通貨・多法制度対応。

マイルストーン

商用APIの正式GA(一般提供)開始。

有償顧客10社以上、ARR目標達成。

特許ポートフォリオ累計5件以上の出願完了。

ディープテック・スタートアップ支援事業等の採択。

資金配分(概算ウェイト)
約25%国の補助金・助成金
約60%投資家資金(シリーズB)
約15%自己資金(事業収益含む)

// Part II — SaaS Business

第2部 SaaS事業

研究開発フロー

2-1

SaaS事業の定義

SaaS(Software as a Service:サース)とは、インターネット経由でソフトウェアの機能をサービスとして提供するクラウドコンピューティングの一形態です。利用者は、自社サーバへのインストールやライセンス購入を必要とせず、ブラウザまたはAPI経由で機能にアクセスし、対価を「サブスクリプション」「利用量」「成果」のいずれかの単位で支払います。

当社は、SaaSを技術形態としてだけでなく、「事業モデル」「課金構造」「データ資産」「顧客との継続的価値共創関係」を一体として捉える経営概念と位置付けています。

SaaSの特徴的属性
マルチテナント・アーキテクチャ

単一インフラで複数顧客を効率収容。

従量/定額/成果型課金

ARR(年間経常収益)/MRR(月次経常収益)として可視化。

継続的アップデート

顧客はバージョン管理から解放される。

カスタマーサクセス前提

解約抑制(Churn管理)・アップセル設計が事業KPIの中核。

データネットワーク効果

利用が進むほどモデル品質が向上する自己強化サイクル。

2-2

SaaS事業の網羅的類型(カテゴリーマップ)

SaaS事業は、対象業務・対象業種・課金モデル・AI統合度の4軸で分類できます。当社は本マップに基づき、自社事業の戦略ポジショニングを明確化しています。

(1) 業務横断型(Horizontal SaaS)
CRM/SFA顧客関係管理、営業支援、リード管理、商談管理。
ERP会計、購買、生産、在庫、人事、給与の統合管理。
HRTech/HCM採用管理(ATS)、労務、勤怠、評価、タレントマネジメント。
FinTech/会計経費精算、請求書、電子帳簿、与信、決済、資金管理。
MarTechMA、CDP、広告運用、SEO、コンテンツ管理、メール配信。
コラボレーションチャット、文書共有、プロジェクト管理、Web会議、ホワイトボード。
セキュリティ/IT管理ID管理(IAM)、SSO、エンドポイント保護、SIEM、ゼロトラスト。
カスタマーサポートヘルプデスク、FAQ、ナレッジベース、チャットボット、CS分析。
BI/データ分析ダッシュボード、ETL/ELT、データウェアハウス、データカタログ。
LegalTech契約管理(CLM)、電子契約、リーガルチェック、知財管理。
(2) 業種特化型(Vertical SaaS/バーティカルSaaS)

医療:電子カルテ、医事会計、地域医療連携、AI画像診断連携。

不動産:物件管理、賃貸管理、仲介支援、ビルメンテナンス。

建設:施工管理、原価管理、図面共有、安全管理。

製造:MES、品質管理、設備保全、IoT統合。

物流:WMS、TMS、配車最適化、トラックバース予約。

飲食・小売:POS、在庫、予約、顧客管理、デリバリ統合。

教育:LMS、出席管理、学習分析、保護者連絡。

金融:口座管理、与信、保険、資産管理、監査。

公共・自治体:申請受付、住民管理、税務、文書管理。

(3) AIネイティブSaaS

従来SaaSの特定機能ではなく、AIモデルそのものをコア価値として提供。

生成AIアシスタント、AIコパイロット、AIエージェント、自律型ワークフロー。

LLM+RAG+ベクトルDB+ツール呼び出しの統合プラットフォーム。

(4) インフラ・開発者向け

API管理、Observability(監視)、CI/CD、ベクトルDB、ローコード/ノーコード基盤、開発者ツール一般。

Product-Led Growth(PLG)モデルでフリーミアムから自然なアップセル動線を設計。

(5) 課金モデルによる類型

シート(ID)課金:ユーザー数×単価。古典的SaaSの主流。

利用量課金(Usage-Based):API回数、トークン数、データ量、トランザクション数。

成果課金(Outcome-Based):解決件数、削減金額、獲得リード数等の達成成果に対する課金。

ハイブリッド課金:基本料+従量+成果ボーナスの三層構造。

2-4

共同研究体制(産学連携スキーム)

SaaS事業領域においても、当社は国内某国立大学法人の情報科学系・経営情報学系研究室と、共同研究契約および秘密保持契約の下で連携しています。第1部の枠組みと同様、基本契約・個別研究契約・データ移転契約・共同特許出願覚書の4階層で構成されます。

研究テーマ分担の概念
大学側

マルチテナント・スケーラビリティ理論

分散システム研究

フォーマル検証

プライバシー保護計算の理論研究

当社側

商用品質のSaaS基盤実装

運用自動化

SLA担保

商用化検証

顧客導入支援

共同研究契約のスキーム
1
共同研究契約(基本契約)

研究目的、研究期間、研究分担、知的財産の帰属、論文公表のリードタイム、対価条件を規定。

2
個別研究契約

フェーズごとに研究テーマ・成果物・予算・マイルストーンを設定。

3
データ移転契約(MTA/DTA)

研究データの取扱いを別契約で規定。

4
共同特許出願に関する覚書

持分比率・権利行使ルール・実施料分配スキームを取り決め。

2-5

採用AIツール群と選定根拠

SaaS研究開発のスタックは、レコメンド事業のスタックと一部共通させることで、社内ナレッジの蓄積効率を最大化しています。

クラウド基盤
採用ツールAWS / Google Cloud / Microsoft Azure(マルチクラウド)
選定根拠BCP・国際展開要件・コンプライアンス(ISMAP等)に対応するためマルチクラウド方針。
コンテナ/K8s
採用ツールKubernetes / Helm / Argo CD / Istio
選定根拠マルチテナントの分離・スケーリング・GitOpsデプロイの標準。
DB/ストレージ
採用ツールPostgreSQL / Aurora / Spanner / DynamoDB / S3 / pgvector
選定根拠OLTP・OLAP・ベクトルの混在を想定。RLS(行レベルセキュリティ)でテナント分離。
認証・認可
採用ツールAuth0 / Okta / Keycloak / OPA(Open Policy Agent)
選定根拠SSO・MFA・テナント間アクセス制御。AIエージェントへの権限委譲設計。
LLM/生成AI
採用ツールAnthropic Claude API / OpenAI API / Google Gemini API / Cohere
選定根拠AIエージェント実装の主要API。マルチプロバイダで冗長化・コスト最適化。
エージェント基盤
採用ツールLangGraph / AutoGen / Semantic Kernel / MCP(Model Context Protocol)
選定根拠ステートフルなエージェント/ツール呼び出し/ワークフロー設計に対応。
オーケストレーション
採用ツールTemporal / Apache Airflow / n8n
選定根拠耐障害性のあるロングランニングワークフロー実装。
Observability
採用ツールOpenTelemetry / Datadog / Grafana / LangSmith
選定根拠分散トレース・LLM推論ログ・コスト追跡を一元化。
セキュリティ
採用ツールSnyk / Trivy / Vault / AWS KMS / GuardDuty
選定根拠SBOM管理、脆弱性スキャン、シークレット管理、暗号鍵管理。
品質保証
採用ツールPlaywright / Jest / pytest / k6
選定根拠E2E、ユニット、負荷試験を継続的に実行しSLA保証。
AIガバナンス
採用ツールGuardrails AI / NVIDIA NeMo Guardrails / Lakera Guard
選定根拠プロンプトインジェクション対策、機密情報漏洩対策、出力制御。
2-6

研究開発手順(SaaS Engineering Cycle)

当社のSaaS研究開発は、Discovery → Design → Development → Deployment → Operation → Governance の6ステージで構成されます。

Step 01
Discovery(市場・課題探索)

業界課題のヒアリング(ペルソナインタビュー)、TAM/SAM/SOM算定、競合分析。

AIによるペルソナ・シナリオ生成支援(Claude/GPT等)。

Step 02
Design(プロダクト・アーキテクチャ設計)

ジョブ理論・JTBD(Jobs To Be Done)に基づくプロダクト要件定義。

マルチテナント分離方式(Pool/Silo/Bridge)の選定。

データ・モデル設計、API設計(OpenAPI/GraphQL/gRPC)、課金メーター設計。

Step 03
Development(実装)

DDD(ドメイン駆動設計)に基づくマイクロサービス/モジュラーモノリス。

AIエージェント機能はLangGraph/MCPで疎結合化。

CI/CD(GitHub Actions、GitLab CI)でtrunk-based開発。

Step 04
Deployment(リリース)

Canary/Blue-Green/Feature Flagによる段階的展開。

マルチテナント別ロールアウト戦略。

Step 05
Operation(運用・SLA管理)

SLO/SLI/エラーバジェット管理(SRE運用)。

LLM推論のコスト監視と自動スケーリング。

Step 06
Governance(ガバナンス)

ISMS(ISO/IEC 27001)、SOC 2、ISMAP対応。

EU AI Act・経産省AI事業者ガイドライン・APPI対応。

2-7

ラボ役割分担(当社R&Dラボ × 大学研究機関)

研究開発の役割は、「基礎研究・理論検証は大学研究機関」「応用研究・実証実験・商用化開発は当社R&Dラボ」を原則とし、各工程で双方が連携します。

分散システム理論
大学研究機関
整合性モデル(CAP/PACELC)の研究
マルチテナント分離の数理証明
フォーマル検証(TLA+等)
ヌースコアR&Dラボ
本番運用に堪える分離設計の実装
SLA・パフォーマンス測定
障害想定の運用設計
プライバシー
大学研究機関
差分プライバシー
連合学習
準同型暗号
ゼロ知識証明
ヌースコアR&Dラボ
APPI/GDPRコンプライアンス実装
データ保護影響評価(DPIA)
社内DPO体制の構築
AIエージェント
大学研究機関
マルチエージェント協調理論
Tool-use学習
推論評価ベンチマーク
ヌースコアR&Dラボ
本番エージェントの実装
MCPサーバ群の構築・運用
AgentガードレールのSaaS統合
UX/HCI
大学研究機関
ユーザー認知・行動モデリング
アクセシビリティ研究
ヌースコアR&Dラボ
プロダクトUI実装
アクセシビリティ準拠検証
カスタマーサクセス運用
経営情報学
大学研究機関
SaaSメトリクス研究(ARR、LTV、CAC、Churn)
Pricing理論研究
ヌースコアR&Dラボ
実データに基づく価格テスト
課金システム実装
財務シミュレーション
商用化
大学研究機関
原則として商用化には不関与
ヌースコアR&Dラボ
商用ライセンス設計
販売・サクセス・サポート
国際展開
知的財産
大学研究機関
発明者の認定
論文公表との調整
ヌースコアR&Dラボ
特許出願事務
営業秘密管理
OSSライセンス管理
2-8

研究開発予算と資金調達構造

SaaS事業も、第1部と同じく「国の補助金・助成金」「投資家からの資金調達」「自己資金」の3層構造で運営します。SaaS事業に親和性の高い制度を以下に示します。

(A) 国の補助金・助成金

研究開発フェーズに応じ、複数の制度を組み合わせて活用します。各制度の採択結果および交付決定通知は、本ホームページにて速やかに開示します。

(B) 投資家からの資金調達

VC・エンジェル投資・コーポレートVCからの出資により、研究開発のスケーリングを図ります。

(C) 自己資金

継続キャッシュフローおよび創業者資金による長期的なコミットメントを担保します。

(A) 国の補助金・助成金(活用予定・申請予定スキーム)
IT導入補助金(顧客側で活用)
所管:中小企業庁当社SaaSを導入する顧客企業の費用補助。販売支援。
ものづくり補助金(DX枠・グリーン枠)
所管:中小企業庁フェーズ1〜2:開発設備・クラウド開発環境投資。
成長型中小企業等研究開発支援事業(Go-Tech事業)
所管:経済産業省/中小企業庁フェーズ2〜3:実用化研究、共同研究費用。
中堅・中小成長投資補助金
所管:中小企業庁フェーズ3:事業拡大・スケール投資。
NEDO ディープテック・スタートアップ支援事業
所管:NEDOフェーズ2〜3:商用化と国際展開。
J-Startup/J-Startup TOKYO
所管:経済産業省/東京都認定による間接的支援(広報・国際展開・公共調達)。
オープンイノベーション促進税制
所管:経済産業省/国税庁出資側の投資家向け税優遇により資金調達を促進。
研究開発税制
所管:国税庁全フェーズ:法人税額控除。
中小企業経営強化税制
所管:中小企業庁クラウドインフラ・ソフトウェア資産の即時償却。
東京都 革新的事業展開支援事業
所管:東京都産業労働局フェーズ2〜3:新製品・新サービスの実装・販路開拓。

※ 上記制度の採択は確定情報ではなく、申請予定または採択を目指している制度を含みます。各制度の正式採択/交付決定後、本ホームページにて速やかに開示します。

(B) 投資家からの資金調達
シードラウンド

エンジェル投資家、独立系VCからの出資。

シリーズA

ディープテック特化VC、コーポレートVCからの出資。

シリーズB以降

国内外グロース投資家を想定。

2-9

3年間ロードマップ(フェーズ1〜3)

1
基礎研究・MVP構築期
フェーズ1|1年目
研究開発テーマ

マルチテナントSaaS基盤のリファレンス設計(PostgreSQL RLS+OPA+Auth0)。

AIエージェント連携(MCP/LangGraph)のPoC。

価値メーター(Value Meter)に基づくUsage-Based/Outcome-Based課金エンジンのPoC。

ISMS(ISO/IEC 27001)取得準備。

マイルストーン

社内α版リリース。

早期アクセス顧客(Design Partner)3社獲得。

補助金1件以上採択(ものづくり補助金等)。

先行特許出願1〜2件、商標出願2件。

資金配分(概算ウェイト)
約45%国の補助金・助成金
約45%投資家資金(シードラウンド)
約10%自己資金
2
応用研究・有償β期
フェーズ2|2年目
研究開発テーマ

バーティカルSaaSモジュールの設計・開発(不動産・建設・人材・教育のいずれかを優先)。

AIエージェント駆動のワークフロー自動化(自社SaaS内 + 外部MCPサーバ)。

プライバシー保護AI(差分プライバシー、連合学習)の組み込み。

SOC 2 Type II取得。

マイルストーン

有償β顧客10〜30社獲得、PMF(Product-Market Fit)の定量検証。

ARR目標達成。

追加特許出願2〜3件。

Go-Tech補助金等の採択。

資金配分(概算ウェイト)
約35%国の補助金・助成金
約55%投資家資金(シリーズA)
約10%自己資金
3
商用化・スケール期
フェーズ3|3年目
研究開発テーマ

マルチリージョン展開(日本・東南アジア・北米)。

Optima Recommend Worksとの統合(Recommend-as-a-Service モジュール提供)。

ISMAPクラウドサービス登録(公共・自治体顧客向け)。

AIエージェント・マーケットプレイスの開設検証。

マイルストーン

正式GA、ARR目標達成。

J-Startup認定、ディープテック支援事業採択。

特許ポートフォリオ累計5件以上。

国際展開ローンチ。

資金配分(概算ウェイト)
約20%国の補助金・助成金
約65%投資家資金(シリーズB)
約15%自己資金(事業収益含む)
3-1

財務・資金調達の観点

本研究開発フローの健全性・透明性・適法性を、財務・資金調達の専門家視点から補足します。

フェーズごとの資金設計

フェーズごとに必要資金を見積もり、補助金・助成金(非希薄化資金)/投資家資金(希薄化資金)/自己資金の最適バランスを設計しています。

両シナリオのキャッシュフロー計画

補助金・助成金は採択前提ではなく、複数制度への並行申請と「採択前提と非採択前提の両シナリオ」を備えたキャッシュフロー計画を運用しています。

段階的調達とコンバーティブル証券

投資家資金については、優先株式(Series Seed/A/B)を用いた段階的調達、SAFE/J-KISS等のコンバーティブル証券の活用も柔軟に検討しています。

ランウェイ目標18〜24ヶ月

ランウェイ(Runway)目標は最低18か月、理想24か月を確保し、不測の事態に備えるエクイティバッファを設計しています。

3-2

会計の観点

当社は、顧問税理士・公認会計士の監修の下、研究開発費からSaaS収益認識まで、適正な会計処理を徹底しています。

研究開発費の発生時費用処理

研究開発費は、原則として発生時費用処理(日本基準・IFRS/IAS 38に準拠)。資産計上の要件(技術的実現可能性等)を満たす場合のみ無形資産化を検討します。

補助金収入の圧縮記帳

補助金収入は、税務上「圧縮記帳」の適用可否を顧問税理士が判断し、適切に処理します。

SaaS収益の認識基準

SaaS収益は、IFRS 15/日本収益認識会計基準に基づき、履行義務の充足時点に従って認識します。

ARR/MRRと会計収益の区別

ARR/MRR等のSaaSメトリクスは、会計上の収益認識とは別概念であることを顧客・投資家向け資料で明確に区別します。

3-4

知的財産の観点

弁理士との連携の下、研究開発成果の知的財産保護とリスク管理を多層的に行っています。

3層の重畳的保護

研究開発成果は、(i) 特許権、(ii) 著作権(プログラム・データセット)、(iii) 営業秘密(不正競争防止法)の3層で重畳的に保護します。

共同出願と持分比率の明確化

共同研究の発明は、原則として大学研究機関と共同出願人として出願し、持分比率・実施料分配・第三者ライセンスに関するルールを共同特許出願覚書で明確化します。

学生研究員の権利取扱い

学生研究員の発明・著作については、当該大学の発明規程・学生規程に従い、適正な権利移転または共有合意を行います。

商標出願とブランド保護

サービス名(ヌースコア/Nuscore/Optima Recommend Works等)について、関係区分(第9類、第35類、第42類等)で出願し、ブランド毀損を防止します。

OSSライセンスの継続的可視化

OSSライセンスは、ライセンス監査ツール(FOSSA、Snyk等)による継続的な可視化と、配布形態に応じた義務遵守(コピーレフト系の取扱い等)を徹底します。

AI学習データの合法収集・利用

AI学習データの収集・利用は、各データ提供契約の利用条件、APPI、著作権法第30条の4等に整合する形で運用します。

生成AIのハルシネーション対応

生成AIの出力に対するハルシネーション・第三者権利侵害リスクへの対応として、出力フィルタリング、人手レビュー、利用規約の免責設計を多層的に行います。

3-5

弁理士・知財専門家からの推奨アクション

当社の知的財産戦略を支援する弁理士・知財専門家からの推奨事項です。

01
Action 01
先行技術調査(FTO)の実施

研究テーマ着手前に「Freedom to Operate」を実施し、第三者特許との抵触リスクを事前評価する。

02
Action 02
発明審議会の開催

論文公表予定の研究テーマは、公表前に発明審議会を開き、出願要否・出願タイミングを判断する。

03
Action 03
PCT国際出願ルート

特許出願は、初手で日本出願→PCT国際出願→主要国移行のルートを基本とする。

04
Action 04
共同発明の契約面での事前整理

顧客導入後の改良発明(共同発明)の取扱いを契約書面で事前に整理する。

05
Action 05
知財ポートフォリオの年次棚卸し

年1回以上、知財ポートフォリオの棚卸しを行い、保有特許の出願戦略・維持戦略・売却戦略を見直す。

// Ready When You Are

Start at Any Stage

Already have a script? A rough cut? We can jump in at any point in the pipeline and take it to the finish line.