技術Sカーブは、技術の性能向上がどの段階にあるかを見ながら、追加投資の余地や代替技術への切り替え時期を考えるためのフレームワークです。
生成AIを組み合わせると、過去データの整理、測定条件の抜け確認、改善率の変化の要約、代替技術との比較観点、追加で確認すべき論点の洗い出しを効率化できます。
一方で、AIに技術の成熟度を決めさせたり、投資判断を丸投げしたりするのは危険です。AIは、測定条件が異なるデータを同列に扱ったり、存在しない性能値を補ったり、もっともらしい理由で成熟期と断定したりすることがあります。
この記事では、生成AIを技術Sカーブの補助に使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤り・限界まで含めて解説します。
基本概念から確認したい場合は、技術Sカーブとは?を参照してください。人だけで進める基本手順は、技術Sカーブのやり方で確認できます。
生成AIを使うと効果が出やすい場面
生成AIは、次の作業で補助役として使いやすくなります。
- 技術テーマと性能指標の候補を整理する
- 過去データの表現をそろえる
- 測定条件の違いを洗い出す
- 改善率の変化を要約する
- Sカーブ上の現在位置の仮説候補を出す
- 追加投資で確認すべき改善余地を整理する
- 代替技術との比較軸を作る
- 投資判断前の確認質問を作る
- レビュー用チェックリストを作る
一方で、次の判断はAIだけに任せない方が安全です。
- 元データが正しいか
- 測定条件が本当に比較可能か
- 性能指標の選び方が妥当か
- 現在位置が立ち上がり期・成長期・成熟期のどこか
- 理論限界と実用限界の違い
- 代替技術の実現可能性
- 追加投資額と人員配分
- 継続・縮小・切り替えの最終判断
AIは「候補を出す」「違いを見つける」「レビュー観点を増やす」役に置きます。
1. 評価対象と性能指標の候補を整理する
プロンプト例
以下の研究開発テーマについて、技術Sカーブで追う主性能指標と補助指標の候補を整理してください。
テーマ:正極材料Aの高容量化
条件:
- 主性能指標は1つに絞る候補を出す
- 補助指標には寿命、安全性、コスト、量産性を含める
- 指標を勝手に確定せず、最終判断は人が行う前提にする
出力の使い方
AIは、主性能指標として重量エネルギー密度、補助指標としてサイクル寿命、安全性、材料コスト、量産性などを候補化できます。
人は、技術テーマの目的に最も直接つながる指標を選びます。
2. 測定条件の違いを洗い出す
プロンプト例
以下の性能データを比較する前に、測定条件の差として確認すべき項目を列挙してください。
対象データ:
- 2023年度:240Wh/kg
- 2024年度:275Wh/kg
- 2025年度:300Wh/kg
- 2026年度:309Wh/kg
条件:
- 温度
- 充放電条件
- 試料構成
- 評価セル
- 前処理
を含める
- 条件が違う場合は単純比較できないと明記する
出力の使い方
AIは比較条件のチェックリストを作れます。
人は実際の試験記録を確認し、同一条件で比較できるデータだけを採用します。
3. 改善率の変化を要約する
プロンプト例
以下の性能推移から、改善幅と改善率の変化を要約してください。
220 → 240 → 275 → 300 → 306 → 309 → 311 Wh/kg
条件:
- 数値の変化だけを説明する
- 「成熟期」と断定しない
- 改善幅が小さくなっている場合、その傾向を示すに留める
出力の使い方
AIは「後半ほど改善幅が小さくなっている」と要約できます。
ただし、これだけで成熟期と判断してはいけません。測定条件、補助指標、未検証の改良案、理論限界などを人が確認します。
4. Sカーブ上の現在位置の仮説を出す
プロンプト例
以下の情報から、技術Sカーブ上の現在位置について、断定ではなく複数の仮説を出してください。
- 性能推移:220→240→275→300→306→309→311Wh/kg
- 最近は改善幅が縮小
- サイクル寿命と安全性にトレードオフあり
- 新しい粒子設計変更は未検証
条件:
- 立ち上がり期、成長期、成熟期のどれかを一つに断定しない
- 各仮説を支持する根拠と反証材料を書く
- 追加で確認すべきデータを出す
出力の使い方
AIは、
- 成熟期に近い可能性
- 一時的に改善が停滞しているだけの可能性
- 指標変更や設計転換で再加速する可能性
などを出せます。
人は、この仮説を元に追加実験や技術レビューを行います。
5. 追加投資の改善余地を整理する
プロンプト例
現在技術Aについて、追加投資で得られる改善余地を評価するための確認項目を出してください。
条件:
- 性能向上幅
- 必要期間
- 開発人員
- 安全性
- 寿命
- コスト
- 量産影響
を含める
- 投資継続を自動提案しない
出力の使い方
AIは、追加実験の論点を網羅できます。
たとえば、粒子設計変更で約5%改善の可能性があり、検証に9か月必要という情報があるなら、その改善幅が事業上意味を持つかを人が判断します。
6. 代替技術との比較軸を作る
プロンプト例
技術Aと代替技術Bを、技術Sカーブの観点で比較する軸を作ってください。
条件:
- 現在性能
- 改善速度
- 理論上限
- 量産性
- 安全性
- コスト
- 検証済み範囲
を含める
- 現在性能だけで優劣を決めない
出力の使い方
AIは比較軸を整理できます。
たとえば、材料Bは現在270Wh/kgでAより低い一方、改善速度や理論上限が高い可能性がある。ただし量産性と安全性が未検証、というように複数軸で比較できます。
7. 投資判断前の確認質問を作る
プロンプト例
以下の状況で、追加投資判断前に人が確認すべき質問を10個以内で作ってください。
- 技術Aは成熟期に近い可能性
- 追加改善余地は約5%
- 検証には9か月必要
- 代替技術Bは現在性能が低いが改善速度は高い可能性
- Bは量産性と安全性が未検証
条件:
- 継続・停止の結論は出さない
- 技術、期間、リスク、代替案、撤退条件を含める
出力の使い方
AIは、
- Aの5%改善が顧客価値につながるか
- 9か月投資した場合の機会損失は何か
- Bの量産性検証には何か月必要か
- Aを続けながらBを探索する余地はあるか
- どの条件ならAを縮小するか
といった質問を出せます。
8. 投資ポートフォリオ案を複数出す
プロンプト例
技術AとBについて、投資配分の選択肢を3案出してください。
条件:
- A全面継続
- A限定継続+B探索強化
- A縮小+B重点化
など複数案を含める
- 各案の前提とリスクを書く
- 推奨案を一つに断定しない
出力の使い方
AIはシナリオ比較を作れます。
人は、研究開発予算、顧客ロードマップ、設備制約、技術者配置を踏まえて選びます。
通し例|正極材料Aと代替材料Bを生成AIで整理する
研究開発チームでは、正極材料Aの高容量化に数年間投資していました。
同一条件での重量エネルギー密度は、
220 → 240 → 275 → 300 → 306 → 309 → 311 Wh/kg
と推移していました。
最近は改善幅が縮小していたため、チーム内では「もう成熟期なので投資を止めるべきでは」という意見が出ていました。
ここでAIへ、改善率の変化と現在位置の仮説を整理させました。
AIは、改善幅の縮小を指摘しつつ、成熟期に近い可能性、一時停滞の可能性、新しい設計変更で再加速する可能性を分けて提示しました。
人が確認したところ、粒子設計変更はまだ未検証で、成功すれば約5%改善する可能性がありました。ただし検証には9か月必要です。
次に、代替材料Bとの比較軸をAIに作らせました。
材料Bは現時点で270Wh/kgとAより低いものの、改善速度と理論上限は高い可能性がありました。一方で、量産性と安全性が未検証でした。
AIに投資配分案を複数出させたところ、
- Aを全面継続
- Aを9か月限定で継続しながらB探索人員を増やす
- Aを縮小しBへ重点化
という案が出ました。
人は、顧客要求、検証期間、技術者配置を踏まえて、
- Aは9か月限定で継続
- 粒子設計変更を検証
- Bは探索人員を増やす
- 6か月後にAとBを再レビュー
という方針にしました。
この例でAIが担ったのは、改善率の整理、Sカーブ位置の仮説、比較軸、確認質問、投資配分の選択肢づくりです。
人が担ったのは、測定データの正誤確認、比較条件の統一、成熟度の判断、5%改善の事業価値評価、9か月という開発期間の妥当性、投資配分の最終決定です。
そのまま使える型が必要なら、技術Sカーブテンプレートを使うと、AIの出力を指標、測定条件、現在位置、改善余地、代替技術、投資判断へ整理しやすくなります。
具体的な案件への適用イメージを追いたい場合は、技術Sカーブの具体例が参考になります。よくある失敗を先に確認したい場合は、技術Sカーブで失敗しやすいポイントも参照してください。
人が必ず確認すべきポイント
元データの正しさ
AIは与えられた数値を正しい前提で扱います。測定ミス、転記ミス、条件差は人が確認します。
測定条件
温度、セル構成、試料条件、前処理が違えば、性能値を単純に並べられません。
主性能指標の妥当性
AIが分かりやすい指標を選んでも、その指標が事業価値に直結するとは限りません。
成熟度の判断
改善率低下だけで成熟と断定しないことが重要です。未検証の改良案、理論上限、補助指標も見ます。
代替技術の実現可能性
現在性能だけでなく、量産性、安全性、コスト、供給制約、検証済み範囲を確認します。
投資判断
AIのシナリオは候補です。予算、人員、顧客要求、競合状況を含めて人が決めます。
生成AIの誤りと限界
存在しないデータを補うことがある
欠損値を自然に埋めたり、一般的な性能値を事実のように扱うことがあります。
測定条件の違いを見落とすことがある
数値が整っていると、比較可能だと誤認する場合があります。
S字に見える説明を作りすぎることがある
限られたデータから、立ち上がり・成長・成熟をきれいに当てはめることがあります。
新技術を過大評価することがある
「新しい技術だから成長余地が大きい」と短絡する場合があります。
成熟技術を過小評価することがある
成熟期でも、コスト低減、安全性改善、用途最適化に価値がある場合があります。
投資判断を断定しやすい
「Aを停止してBへ移行すべき」といった結論を出しても、それは経営判断の代替にはなりません。
機密情報の扱いに注意する
未公開性能、顧客仕様、研究テーマ、特許戦略、投資額などを入力する場合は、自社の情報管理ルールに従います。
生成AIに任せすぎないためのチェックリスト
- 元データを人が確認したか
- 測定条件をそろえたか
- AIが補った数値を使っていないか
- 主性能指標を人が決めたか
- 補助指標も確認したか
- 改善率低下だけで成熟と決めていないか
- 未検証の改良案を確認したか
- 理論限界と実用限界を分けたか
- 代替技術を現在性能だけで比較していないか
- 量産性、安全性、コストを確認したか
- 投資配分をAIに丸投げしていないか
- 再レビュー時期を決めたか
- 機密情報を不用意に入力していないか
まとめ
生成AIは、技術Sカーブを効率よく使うための補助役として活用できます。
特に役立つのは、性能指標候補の整理、測定条件の抜け確認、改善率の要約、Sカーブ上の現在位置の仮説、追加投資の確認観点、代替技術との比較軸、投資判断前の質問、複数シナリオの作成です。
一方で、元データの正誤、測定条件、成熟度、改善余地、代替技術の実現可能性、投資配分の最終判断は人が担う必要があります。
生成AIに「この技術は成熟したか」を決めてもらうのではなく、「何を確認すべきか」「どの仮説があり得るか」「どの比較軸が抜けているか」を整理するために使うことで、技術Sカーブを研究開発・技術テーマ評価へ効率よく落とし込みやすくなります。