特集：富士通発！行動変容支援プラットフォームとは？ 第3回「用途や個人に合わせて進化するアプリ」—国際学会BCSSでの発表内容を中心にご紹介！

コンバージングテクノロジー研究所の山口です。
私たちは、行動変容支援プラットフォーム（通称 BXPF）の研究開発を進めています。

2026年3月に、このBXPFの成果の一部である 「行動変容プランニング」 を公開しました。公開に伴い、本特集では「行動変容支援プラットフォーム（BXPF)」について、全4回で紹介しています。

● 第1回 DXの次はBX？ 行動科学を誰でも使える時代へ
● 第2回 人が動く施策を、エビデンスで設計する
● 第3回 用途や個人に合わせて進化するアプリ
● 第4回 BXでイベントプロモーションはどう変わる？

第2回では、行動科学の知見に基づいて「なぜその施策が有効なのか」を説明できるプランニングについて紹介しました。

blog.fltech.dev

前半のプランニングが担うのは、課題に対してどの行動原理（MoA）に着目し、
どの行動変容技法（BCT）を選ぶかを整理し、エビデンスに基づく介入設計を行うことです。
しかし、設計した介入は、それだけでは現場で機能する支援システムにはなりません。
実際には、その介入を画面や操作に落とし込み、体験可能な形で実装することが必要になります。

今回はそれを実現するカスタマイズを取り上げます。

今回は少し趣向を変えて、国際学会 BCSS 2026（14th International Workshop on Behavior Change Support Systems）で発表した内容を中心に、同じ基盤から用途や個人特性に合わせて行動変容支援システムがどう変わっていくのかをご紹介します。

特集：富士通発！行動変容支援プラットフォームとは？ 第2回「人が動く施策を、エビデンスで設計する」

こんにちは、コンバージングテクノロジー研究所の片桐です。

私たちは、行動や習慣に関する課題を解決するために、行動変容支援プラットフォーム Behavior Transformation Platform（通称 BXPF） の研究開発を進めています。

2026年3月に、このBXPFの成果の一部である 「行動変容プランニング」 を公開しました。公開に伴い、本特集では「行動変容プラットフォーム（BXPF)」について、全4回で紹介しています。

● 第1回 DXの次はBX？ 行動科学を誰でも使える時代へ
● 第2回 人が動く施策を、エビデンスで設計する ★今回★
● 第3回 用途や個人に合わせて進化するアプリ
● 第4回 BXでイベントプロモーションはどう変わる？

第2回の本記事では、「行動変容プランニング」が課題に合った介入を提案している仕組みを解説します。

特集：富士通発！行動変容支援プラットフォームとは？ 第1回「DXの次はBX？ 行動科学を誰でも使える時代へ」

コンバージングテクノロジー研究所の石原、山口、松木、片桐です。 私達の研究グループでは、行動変容支援プラットフォーム Behavior Transfomation Platform（通称 BXPF） の研究開発を進めています。

このBXPFの成果の一部である 「行動変容プランニング」 の公開に合わせて、TechBlogにて全4回に分けて特集記事を組みました。

● 第1回 DXの次はBX？ 行動科学を誰でも使える時代へ 　★今回★
● 第2回 人が動く施策を、エビデンスで設計する
● 第3回 用途や個人に合わせて進化するアプリ
● 第4回 BXでイベントプロモーションはどう変わる？

どうぞ最後までご覧頂けると幸いです。

AIは「なぜそう思うか」まで見せる！〜富士通の最先端グラウンディング技術がMLLMを革新〜

こんにちは、富士通研究開発センター（FRDC）のGenerative AI研究グループに所属しているFei Li、Jiaqi Ning、Ming Yangです。本日は、私たちが開発したマルチモーダル大規模言語モデル（MLLM）のための「グラウンディング技術」についてご紹介したいと思います。

富士通が提案する企業向けベンチマーク：AIエージェントモデルの真価を引き出す #3「読む」から「考える」へ：企業の法務AIを支えるFujitsu Assessing Compliance in Enterprise Datasetのご紹介

本記事は、TechBlog シリーズ「富士通が提案する企業向けベンチマーク：AIエージェントモデルの真価を引き出す」の第 2 回です。本シリーズは全 3 回で構成され、以下のスケジュールで公開しています

• 第 1 回：AIが「見ていないものを見る」とき：マルチモーダル大規模言語モデル（MLLM）の幻覚診断用ベンチマークの紹介（公開済）🔗
• 第 2 回：AAAI 2026 AABA4ET参加報告とFujitsu RAG Hard Benchmarkの紹介 (公開済)🔗
• 第 3 回：企業の法務AIを支えるFujitsu Assessing Compliance in Enterprise Datasetのご紹介（本記事）

「Fujitsu 因果AI」のご紹介 #3 因果アクション最適化技術の実証事例

こんにちは。人工知能研究所の高木です。 富士通では企業におけるデータドリブンによる意思決定を支援するため、「Fujitsu 因果AI」を開発しました。

この技術は、データから因果関係を分析し、それを用いることで最も効果が高くかつ悪影響を及ぼさない施策を広範囲な情報をもとに推薦するものです。

2025年7月より、そのアップデート版をAIサービス Fujitsu Kozuchi (R&D) のラインナップとして提供を開始しました。

本記事では、因果アクション最適化技術の実証事例をご紹介します。

Fujitsu ナレッジグラフ拡張RAG技術のご紹介 #6 ナレッジ公開 ～単なるデータから「使えるナレッジ」の共有へ～

こんにちは。人工知能研究所の菊月・成田・菊地・宮原です。

富士通では企業における生成AIの活用促進に向けて、多様かつ変化する企業ニーズに柔軟に対応し、企業が持つ膨大なデータや法令への準拠を容易に実現する「エンタープライズ生成AIフレームワーク」を開発し、2024年7月よりAIサービス Fujitsu Kozuchi (R&D) のラインナップとして順次提供を開始いたしました。

エンタープライズ生成AIフレームワークは、企業のお客様が特化型生成AIモデルを活用する上で生じる、

• 企業で必要とされる大規模データの取り扱いが困難
• 生成AIがコストや応答速度をはじめとする多様な要件を満たせない
• 企業規則や法令への準拠が求められること

といった課題を解決する以下の技術群で構成されています。

• Fujitsu ナレッジグラフ拡張RAG技術
• 生成AI混合技術
• 生成AI監査技術

本連載では、上記のうち「Fujitsu ナレッジグラフ拡張RAG技術」についての技術紹介を連載形式にてさせていただきます（*1）。皆様の課題解決のヒントとなれば幸いです。また記事の最後には本技術を試す方法についてもお知らせいたします。

*1: RAG技術：Retrieval Augmented Generation。生成AIの能力を外部データソースと組み合わせて拡張する技術。

海洋デジタルツインの社会実装へ ~複数種藻場を対象とした藻場定量化技術の実証実験~

こんにちは。コンバージングテクノロジー研究所の鈴木と、Human Digital Twin 事業部の伊集院です。 私たちは、海の環境をデジタル上に再現し、保全や産業活用につなげる『海洋デジタルツイン』の研究開発に取り組んでいます。 その一環として、海藻などがCO₂を吸収する量を定量的に評価し、カーボンクレジットとして活用するための藻場定量化技術を開発しています。 これまでに、単一の海藻種からなる藻場を対象として、国内のブルーカーボンクレジット制度であるJブルークレジットの認証を取得するなど、技術の有効性を実証してきました （参考：宇和島発！漁協・地域・自治体が連携したアマモ再生ブルーカーボンプロジェクト）。

現在は、こうした研究成果を実際のビジネスや社会実装につなげることを見据え、PoC（Proof of Concept：概念実証）に取り組んでいます。 本記事では、その取り組みの一つとして、山口県において複数の海藻種が混在する藻場を対象に実施した実証についてご紹介します。

AIに社員の性格をインストールする？富士通×お茶の水女子大によるペルソナLLMの試み​

こんにちは．富士通 コンバージングテクノロジー研究所の山並と，データ&セキュリティ研究所の志賀です． 私たちは，お茶の水女子大学との共同研究で「AIに社員の性格をインストールする」というユニークな試みに挑戦しています． その目的は，多様な社員の「声なき声」を拾い上げ，より良い組織をつくること．鍵となるのが，人の心を科学的に測定する心理学のアンケート（心理尺度）です． この記事では，まず心理学の知見で見えないバイアスを可視化する研究を紹介し，続いてその知見を応用したペルソナLLM開発についてお話しします．

マルチモーダルLLMハルシネーションを抑制する新技術：アテンション強化型ハルシネーション軽減

こんにちは、富士通研究開発センター（FRDC）生成AI研究グループのLi Fei、Shi Zhiqiang、Wang Jingyiです。本日は、私たちが開発した「アテンション強化型ハルシネーション軽減技術」についてご紹介します。この技術は、主に画像もテキストも理解するAI（マルチモーダル大規模言語モデル、略してMLLM）が、間違った情報を生成してしまう「ハルシネーション」という課題を解決するためのものです。

この技術に関する3本の論文が、画像処理や信号処理の国際会議WACV 2026（IEEE/CVF Winter Conference on Applications of Computer Vision）およびICASSP 2026（IEEE International Conference on Acoustics, Speech, and Signal Processing）に採択されました。

AAAI-26に参加しました #3 ～本会議で「仮説駆動型AI推論技術」について発表しました～

こんにちは、富士通人工知能研究所の山田です。

2026年1月20日から27日にシンガポールで開催された、AIに関する由緒ある国際学会”The 40th Annual AAAI Conference on Artificial Intelligence (AAAI-26)”において、富士通からは複数件の論文発表とワークショップ開催の形で参加しました。そこでAAAI-26に関する記事を連載形式でお届けします。

第3弾目の本記事では、大規模言語モデル(LLM)の"過去の経験を基に他のタスクを解く能力"を強くする技術についてご紹介します。他の連載記事は下記の通りです。

• 第一弾：AAAI-26に参加しました #1
  • ワークショップ主催に関する報告（公開中）
• 第２弾：AAAI-26に参加しました #2
  • 因果AI技術の論文発表に関する報告（公開中）
• 第３弾：AAAI-26に参加しました #3
  • AI推論技術の論文発表に関する報告（今回の記事）

富士通が提案する企業向けベンチマーク：AIエージェントモデルの真価を引き出す #2 AAAI 2026 AABA4ET参加報告とFujitsu RAG Hard Benchmarkの紹介

本記事は、TechBlog シリーズ「富士通が提案する企業向けベンチマーク：AIエージェントモデルの真価を引き出す」の第 2 回です。本シリーズは全 3 回で構成され、以下のスケジュールで公開予定です。

• 第 1 回：AIが「見ていないものを見る」とき：マルチモーダル大規模言語モデル（MLLM）の幻覚診断用ベンチマークの紹介（公開済）🔗
• 第 2 回：AAAI 2026 AABA4ET参加報告とFujitsu RAG Hard Benchmarkの紹介 (本記事)
• 第 3 回：エンタープライズデータセットにおけるコンプライアンス評価 (3 月下旬公開予定)

こんにちは。人工知能研究所の彭　思棋と福井　琢です。

2026年1月20日から27日まで、シンガポールで開催された国際会議 AAAI 2026 のワークショップ AABA4ET に参加し、ポスター発表を行いました。

AAAI 2026のワークショップについてのブログはこちら

本記事では、まずワークショップでの発表内容と反響を報告し、その後にポスターで発表したベンチマークを具体的に紹介します。

AAAI-26に参加しました#2 ～本会議で「異種データ上での因果探索技術」と「超高速な非線形因果探索技術」について発表しました～

こんにちは．人工知能研究所の鈴木と金森です． 2026年1月20日から27日にシンガポールで開催された，AIに関する由緒ある国際学会”The 40th Annual AAAI Conference on Artificial Intelligence (AAAI-26)”において， 富士通からは複数件の論文発表とワークショップ開催の形で参加しました． そこでAAAI-26に関する記事を連載形式でお届けします．

本記事では，本会議に採択された我々の研究成果である「異種データ上での因果探索技術」と「超高速な非線形因果探索技術」に関する研究論文についてご紹介します． 次回の連載では、もう一件の採択論文の内容について解説します．

• 第１弾：AAAI-26に参加しました #1
  • ワークショップ主催に関する報告（公開中）
• 第２弾：AAAI-26に参加しました #2
  • 因果AI技術の論文発表に関する報告（今回の記事）
• 第３弾：AAAI-26に参加しました #3
  • AI推論技術の論文発表に関する報告（3月16日予定）

富士通が提案する企業向けベンチマーク：AIエージェントモデルの真価を引き出す #1 AIが「見ていないものを見る」とき：マルチモーダル大規模言語モデル(MLLM)の幻覚診断用ベンチマークの紹介

本記事は、TechBlog シリーズ「富士通が提案する企業向けベンチマーク：AIエージェントモデルの真価を引き出す #1 」**の第 1 回です。本シリーズは全 3 回で構成され、以下のスケジュールで公開予定です。

• 第 1 回：AIが「見ていないものを見る」とき：マルチモーダル大規模言語モデル(MLLM)の幻覚診断用ベンチマークの紹介（本記事）
• 第 2 回：AAAI 2026 AABA4ET参加報告とFujitsu RAG Hard Benchmarkの紹介 (3 月 13 日公開予定)🔗
• 第 3 回：エンタープライズデータセットにおけるコンプライアンス評価 (3 月下旬公開予定)

AIが「見ていないものを見る」とき：マルチモーダル大規模言語モデル(MLLM)の幻覚診断用ベンチマークの紹介

はじめまして。富士通研究開発センター（北京）の人工知能研究所に所属する、Ziqiang Shi、Liu Liu、Zihao Guoです。本日は、MLLMが抱える、重要でありながら見過ごされがちな課題について、私たちの研究成果をご紹介します。それは、モデルが言語由来の知識に過度に頼るあまり、視覚情報と矛盾する回答を自信を持って生成してしまう現象です。私たちはこの現象をECHO（EvidenCe-prior Hallucination Observation）と名付け、この問題に対処するための初の専用ベンチマークFujitsu Hallucination Benchmarkと、そのベンチマークを活用した緩和戦略を提案します。