AIが間違わなくなっても、人が学ぶことはやめない文献ラボ株式会社

文献ラボ株式会社は、京都市下京区で、大学の研究成果を企業の事業に生かすための橋渡しをしている会社です。論文を読み解いて次の研究開発テーマを探し出すリサーチやコンサルティングを手がけ、そのほとんどの案件で生成AIを活用しています。ただ、AIが間違えやすいのは、最先端の分野です。代表の夏目典明氏は、AIと議論しながらその誤りを一つずつ正していきます。そのやり取りは、夏目氏自身の理解を深める学びの時間にもなっています。

文献ラボ株式会社は、京都市下京区に拠点を置く会社である。2023年8月に夏目典明氏が設立した。学術書の出版支援や、企業と大学をつなぐ産学連携の支援を掲げ、いま事業の多くを占めるのは、研究開発の支援や技術調査といったリサーチとコンサルティングだ。学術的な最新情報を企業の事業と結びつけ、新しい研究テーマを探していく。

夏目氏は京都大学大学院で宇宙物理学を修め、野村総合研究所などでコンサルティングに携わってきた。同社が目指しているのは、大学の研究室で生まれた高度な知識を、論文の中にとどめず、もっと世の中で役立つものにすることだ。生成AIは、そのための手段として使われている。

AIを使い始めたきっかけ

そのきっかけは、起業前にまでさかのぼる。当時、夏目氏はPythonでコードを書き、論文の文章の特徴を、数値（ベクトル）に変換して分析していた。fastTextやTransformerを用いたモデルなど、複数の方法を試し、内容の近い論文をグループに分けることで、研究の動向を読み解こうとしていた。

そこへ登場したのがGPT-3だ。「これめっちゃおもろいやん」というのが、夏目氏の最初の感想だ。

さっそく試したのは、論文のグループと、同じ方法で分けた企業の技術グループを掛け合わせ、GPTに研究開発のアイデアを出させることだった。これが、大規模言語モデルを実務で使い始めた最初の試みになる。アイデアを文章で出すタスクだけでなく、文章を数値に変換するタスクでも、手元の環境よりOpenAIのモデルのほうが精度がはるかに高いとわかり、分析の仕組みをOpenAIのAPIと連携させる形へ一気に切り替えた。

目的はただ作業の手間を減らすことではない。夏目氏は「業務効率化というよりは、付加価値を上げるためにAIを使った」と振り返る。AIのモデルを活用することで、従来よりも論文を意味的なまとまりに沿って分類できるようになり、手元のパソコンで行っていた分析も効率的に進められるようになった。また、それまで人間が頭を悩ませながら進めていた、大学の研究と企業の技術を組み合わせて新しい着想を得る作業にAIを使えるようになったことも大きい。その際、AIが生み出したアイデアに関連する論文の情報を添え、着想の背景を確認できる形で顧客に提案するのが、当時のやり方だった。

使う前は、どうしていたか

以前からPythonで扱える自然言語処理のモデルは存在しており、夏目氏はそれらを活用し、ときにはモデルを使わずに機械的に処理するやり方も組み合わせていた。

しかし、それだけでは思い描いていたシステムは思うように動かない。そんなときに登場したのが、大規模言語モデルとその関連技術だ。これを活用することで、論文の分析精度が向上しただけでなく、分析結果をもとに新たなアイデアを生み出すことも可能になった。「これでなんか行けそうだ」と感じたことが、2023年に会社を立ち上げた理由のひとつになったと夏目氏は語る。

とはいえ、当時のAIはプログラムを書く力までは十分でなかった。コードは夏目氏が自分で書き、リサーチやコンサルティングの現場でも人間が力を尽くして業務を回す。GPTに頼る仕事は、アイデア生成や要約といった一部の作業に限られていた。

いま、どう使っているか

流れが大きく変わったのは2025年頃からだ。AIがコードを書く能力が目に見えて向上し、夏目氏もClaude CodeやCodexを仕事で本格的に使い始めた。

社内で使うツールや試作品のレベルであれば、いまは夏目氏自身がコードを書くことはほとんどない。指示を出し、おかしな動きを指摘すれば、AIがそれなりに手直ししてくれる。資料のスライドやWebページの作成もAIに任せるようになった。

本業であるリサーチやコンサルティングでも、生成AIが関わっていない案件はほとんどない。自前で開発した分析ツールや、顧客の要望に合わせて作る仕組みを使って論文を読み解き、その結果をもとに提案を行う。論文を統計的に分析する「計量書誌学」という学問分野に基づきプログラムを組む他、新たな価値創出のために京都工芸繊維大学河野研究室との共同研究も進めている。

学術論文を根拠に企業の意思決定を支援する以上、最も重視しているのは、情報とその解釈の正確さだ。この点について、夏目氏は「非常に工夫してます」と語る。AIが出した答えは、外部の確かな情報源と照らし合わせて検証できる形にしておく。人間がひと目見て間違いに気づける形に整えておくことも欠かせない工夫だ。

AIに任せきりにしないこと

夏目氏の仕事のなかには、AIが特に間違えやすい領域がある。それは最先端の科学技術分野だ。

最先端の科学技術では、情報が限られていたり、研究ごとに用語や前提条件が異なったりするため、AIの説明を慎重に確かめる必要がある。夏目氏も、専門的な内容に踏み込むほど、概念の取り違えや説明の飛躍に気づくことが多い。たとえば量子コンピューティングの専門的な研究開発状況を調べる際にも、AIの説明に誤りが見られることがある。

そうした内容も、まずはAIにある程度整理させる。そのうえで、論文などの一次資料と照らし合わせながらAIと議論を重ね、論理や物理法則との整合性、前提条件を確認してから顧客に伝えるのが基本だ。人の手を入れなくてもそれらしい回答は出てくるが、研究の流れや構造の分析については、「GPT-5レベルでも全然納得感のないものを出してきます」と夏目氏は話す。

たとえば、AIは技術の分野ごとに研究の動向もまとめてくれるが、夏目氏はそれをそのまま受け取るのではなく、自分の目で確かめ、該当論文数の推移などのデータと照らし合わせ、定性的な見立てがどこまで裏付けられるかを確かめてから、顧客へ届ける。

ただし、夏目氏が伝えたいのは「AIが間違うから人間が手直ししている」という単純な話ではない。

同社に持ち込まれる相談は、物理、化学、工学、薬学、医学から、人文・社会科学にまで幅広く及ぶ。たとえば医薬品の開発・製造ひとつをとっても、薬学だけでなく、化学工学や材料科学など幅広い専門知識が関わってくる。顧客の社内にもさまざまな分野の研究開発の専門家はいるが、日頃接点の少ない研究領域まで目を向け、新たな技術の可能性を探るために、外部の視点を交えて議論したいという需要は強い。企業の扱う事業と大学の研究テーマが掛け合わさるため、カバーすべき範囲は果てしなく広いのだ。

とはいえ、一人の人間が頭の中に持てる知識には限りがある。その隙間を補ってくれるのが、AIとの議論だ。AIの間違いを正していく作業を通じて、初めて触れる技術の仕組みへの理解が深まり、顧客にも自信を持って説明できるようになる。そこで得た理解が、まったく別の技術を考えるときのヒントになることもある。「学習の転移」と呼ばれる現象で、ほかの企業の課題を解決するアイデアにも広がっていく。

「将来的にAIが、間違えなくなりましたという世界になったとしても、人間自身がきちんと学んで理解するという行為はやめない方がいい」

夏目氏は、人間が学び続ける営みは何年経っても変わらないと考えている。

これから

道具としてのAIに望むのは、まずは間違えないようになってほしい、という点だ。今の現場では「それ違うよね」と突っ込みを入れる作業が毎日のように発生している。その手間が減れば、自動化できる範囲はもう一段広がるはずだ。技術の分類をGPTに頼めばそれなりの答えは返ってくるが、突き詰めていくとどこか違和感が残る。夏目氏は、事前にAIに読み込ませておくルールをさらに増やしていくつもりだ。AIの性能自体も、まだ伸びしろがあると見ている。

やりたいことも明確だ。AIと外部のデータやツールをつなぐ共通の仕組みである「MCP（Model Context Protocol）」を活用した連携システムの構築や、機密情報の扱いに配慮して顧客の社内環境で運用するローカルAIの導入が、次の目標だ。

AIにどこまで任せて、どこから人間が担当するのか。その境界線は、仕事の内容や求める成果によって異なるため、一言で決めることはできない。AIのモデルが進化するたびに何が変わったのかを見極め、自分たちの事業や仕事の進め方を柔軟に見直していく必要があると夏目氏は考えている。

人と直接言葉を交わす仕事について、夏目氏は「なくならないというより、人類としてあまりなくしてはいけない気がする」と話す。人はどこまでいっても、社会の中でつながり合って生きる生き物だからだ。