AI LAB

Insights and Innovations

ISMのAIツール

無料で文字起こしをはじめる
点線の用語から説明を表示できます AIキーワード辞書 ↗
Sus8システム
2026/11/17
AIニュース
Noeriが1億1,000万ドルを調達、企業AIを「導入後も改善する仕組み」へ

この記事の要点

Noeriは1億1,000万ドルを調達し、企業の業務を学んで指示・ツール・モデルの変更案を提示するAIシステムを展開します。変更には人の確認を挟む設計です。特定業務に合わせた最適化で品質と費用の両立を目指しますが、企業には確認・修正の負担まで含めた効果検証が求められます。

目次
最新モデルの採用だけでは解けない、企業AIの費用対効果


高性能な生成AIを使えば業務の品質は上がっても、利用料が予算に収まらない。安価なモデルへ切り替えると、今度は確認や修正の負担が増えてしまいます。企業が直面するこの選択に対し、米国のAIスタートアップ、Noeriは、業務の進め方そのものを継続的に改善する仕組みで応えようとしています。

2026年11月16日の報道によると、同社は1億1,000万ドルの資金調達とともに事業を本格始動しました。調達を主導したのは、米国のベンチャーキャピタルであるMenlo Venturesです。Madrona Ventures、Kindred Ventures、Wing Venture Capital、NEAに加え、データ基盤を提供するSnowflakeや、Ciscoの投資部門であるCisco Venturesも参加しています。



Noeriが開発しているのは、企業のデータ、作業の流れ、業務プロセスを学び、個々の処理を効率化する変更案を提示するソフトウェアです。共同創業者はこれを、時間とともに改善する「生きたAIシステム」と表現しています。ただし、その言葉を、AIが人の関与なしに企業の仕事を変更し続けるという意味で受け取るべきではありません。提案を採用する前には、人による確認を挟む設計です。

この取り組みの焦点は、最も賢いモデルを一つ選ぶことから、業務に合う指示、ツール、モデルの組み合わせを育てることへ移っています。企業の立場では、モデル単体の性能だけでなく、導入後の運用を通じて品質と費用のバランスを調整できるかが評価軸になるでしょう。調達額は開発への期待を示しますが、個々の企業で得られる効果まで保証するものではありません。
改善する対象は、指示・ツール・モデルの組み合わせ


Noeriが示している変更案には、AIへの指示を書き換える、利用するツールを変える、業務の各工程を担当するモデルを別のものへ切り替える、といったものがあります。改善の対象は、文章を生成するモデルの内部だけではありません。仕事をどう分解し、何を使って処理するかという、システム全体の構成に及びます。

この違いは、社内問い合わせへの回答を例にすると理解しやすいでしょう。以下は仕組みを考えるための仮の例です。回答が不十分なとき、原因はモデルの能力不足とは限りません。質問の意図を整理する指示が曖昧な場合も、参照すべき情報へ到達する手段が合っていない場合も考えられます。その状態で高価なモデルに切り替えても、期待した改善につながるとは限りません。



Noeriでは、それぞれの提案に説明が付き、採用される前に人へ確認を求めます。AIが作成したプログラムの変更を開発者がレビューするように、業務の変更についても人が理由を読んで判断する考え方です。「改善案の生成」と「業務への適用」を分けて捉える点が、企業での運用を考えるうえでの要点になります。

もっとも、説明が付いていれば効果を確認しなくてよいわけではありません。導入を検討する企業には、変更前後を同じ条件で比べる評価が必要です。回答品質が上がったのか、処理時間が短くなったのか、利用料が下がったのかを分けて見なければ、何が改善したのか判断できません。承認の担当者と評価基準を用意できるかどうかが、継続改善を実務に組み込む際の課題になると考えられます。
GPT-5を上回ったという研究事例をどう読むか


Noeriの構想は、スタンフォード大学の微生物学・免疫学の研究チームが、OpenAIのモデルをより費用効率よく使うための取り組みから生まれました。共同創業者のYejin Choi氏によると、同氏とCarlos Guestrin氏は、OpenAIの旧世代モデルの使い方を学ぶ小型AIモデルを開発したといいます。その後の追加調整によって、研究チームのプロジェクトでは、より高度なGPT-5を上回る結果が得られたと説明しています。

ここで押さえたいのは、比較の対象が、その研究チームのプロジェクトだったという点です。小型モデルがあらゆる仕事でGPT-5より優れていると示されたわけではありません。どのような課題を使い、何を指標として優劣を判定したのかという詳細も、今回確認できた情報からは明らかではありません。



それでも、この事例は企業がAIを評価する際の問いを変えます。一般的な性能評価で順位が高いモデルを選ぶだけでなく、自社の仕事に適した処理の組み合わせを作れるか、という問いです。用途が限定され、必要な知識や出力形式が明確な場合には、業務に合わせた調整が成果へ結び付く可能性があります。ただし、これは適用条件を伴う見方です。

日本企業が同様の考え方を試すなら、外部の比較結果をそのまま導入根拠にするより、自社の実例を使うほうが判断しやすいでしょう。定型的な案件だけでなく、判断が難しい案件や、誤りを見逃したくない案件も含めて比較する必要があります。モデルの利用料が下がっても、人による手直しが増えれば業務全体の負担は軽くなりません。Noeriの研究事例は、特定業務への最適化を検討する材料として受け止め、実際の費用対効果は別途確かめるのが妥当です。
自己蒸留とエージェントの連携を支える研究者


Noeriの技術基盤には、共同創業者が進めてきた二つの研究があります。一つはGuestrin氏による自己蒸留です。蒸留とは、モデルが生み出す出力などを学習に利用し、別のモデルなどへ能力を移す手法を指します。自己蒸留では、モデル自身を教師のように活用する考え方が中心になります。同氏の研究は、誤りを改善のための学習材料に変える仕組みとして紹介されています。

もう一つは、Choi氏が取り組んできたエージェントのオーケストレーションです。ここでいうエージェントは、作業を進めるためにモデルやツールを使うAIの仕組みを指し、オーケストレーションはその役割分担や実行順序を調整することです。Choi氏の研究は、小型モデルが複数のエージェントとツールを指揮することで、より大きな最先端モデルを低い費用で上回り得るという方向を示しています。



両氏には、研究と実用化の双方に関わってきた経歴があります。Guestrin氏は、機械学習ライブラリのXGBoostの開発に携わり、共同創業したGraphLabは後にTuriへ改称しました。同社は2016年にAppleに買収され、同氏はAppleでも機械学習とAI研究を率いています。Choi氏は、AI研究機関Allen Institute for AIで常識推論の研究チームを率いた後、Nvidiaを経てスタンフォード大学へ移りました。

これらの経歴はNoeriの研究上の背景を理解する手掛かりになります。ただし、研究手法の有効性と、企業で安定して運用できる製品の完成度は、分けて評価する必要があるでしょう。学習に使う情報の扱い、改善が失敗した場合の検知、変更の管理など、実務では別の確認事項が生じます。自己改善という名称だけから、継続的な性能向上が自動的に保証されると考えるのは早計です。
複数モデルへの対応が企業の選択肢を広げる条件


Noeriは、学習済みの重みを公開するオープンウェイトモデルと、企業が独自に提供する非公開モデルの両方に対応すると説明しています。また、顧客は構築したワークフローとAIシステムの所有権を保持できるとしています。Noeriという名称には「複数形の知性」という意味を込めており、少数の強力なモデルだけがAIの将来を担うわけではないという共同創業者の考えを表しています。

両氏が問題視しているのは、企業の中核業務が単一のAI提供者へ強く依存する構図です。提供条件が変わったときに選び直せるか、自社の業務知識を別の構成でも使えるかは、企業にとって長期的な運用の問題になります。複数モデルを使う設計には、仕事の難しさや要件に合わせて選択を変えられる利点が期待できます。



ただし、対応モデルが多いことと、移行が容易であることは同じではありません。一般に、モデルが変われば指示への反応や出力の形式も変わるため、切り替え時には再評価が必要です。オープンウェイトも、利用条件に制約がないことを意味しません。企業としては、モデルの選択肢に加え、業務定義や評価用データをどのように管理できるかを確認したいところです。

この方向性はNoeriだけのものではありません。Thinking Machines LabのTinkerはモデルの追加学習を支援するサービスであり、Applied Computeは顧客企業にエンジニアを配置してAIシステムの調整を支援しています。提供方法には違いがありますが、汎用モデルをそのまま利用する段階から、企業ごとの仕事へ適合させる段階に事業機会を見いだしている点は共通しています。企業の競争力が、モデルの選定に加えて運用設計にも左右されるという見方につながります。
日本企業が試すなら、改善を測れる一つの業務から


Noeriは、投資家の一部を含む複数業界のパートナーと取り組んでいると説明しています。幅広い仕事に触れられるよう、投資家も意図的に選んだとしています。ただし、今回確認できた情報だけでは、日本向けの提供体制、料金、個別の導入条件までは判断できません。日本企業にとっては、サービスの採用可否と、その背景にある継続改善の考え方を取り入れるかどうかを、分けて検討するのが現実的です。

試行の対象として考えやすいのは、担当者が成果物を確認でき、処理の良し悪しを比較できる業務です。たとえば社内資料の要約や回答案の作成は候補になり得ますが、これはNoeriの導入実績を示すものではありません。自社で評価方法を設計するための例です。業務の範囲を広げすぎると、モデル、指示、情報の与え方のうち、どの変更が成果に効いたのか見えにくくなります。



評価には、出力の正確さだけでなく、担当者が確認と修正に使った時間も含めるとよいでしょう。モデルの利用料、処理の待ち時間、修正の負担を一緒に見ることで、業務全体として改善したかを判断しやすくなります。変更案を承認する担当者や、問題があった場合に以前の構成へ戻す手順も、試行の段階で決めておく必要があります。

Noeriの提案が投げかけているのは、「どのモデルを買うか」だけではなく、「自社の仕事をどう改善し続けるか」という問いです。導入検討の最初の一歩は、候補製品を並べる前に、一つの業務について現在の費用、成果物の品質、確認時間を記録することでしょう。その基準があって初めて、AIが提示する変更を、魅力的な提案として読むだけでなく、自社に利益をもたらす改善として採用できるか判断できます。

ISM AI CONSULTING

AIを、自社の業務で
使える仕組みに。

ISM株式会社は、システム開発で培った技術と現場理解をもとに、AIの業務活用を支援します。課題の整理から導入・運用まで、貴社に合う進め方を一緒に考えます。

  • 活用テーマの整理
  • 業務への組み込み
  • 導入後の定着
AI活用について相談する

「何から始めるか」のご相談から承ります。

AI LAB 一覧へ戻る