「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 因果AIは、従来の施策推薦技術が抱えていた、以下のような課題を解決するために生まれました。

施策による悪影響（副作用）の考慮が難しい
複数の因果関係を同時に考慮できず、最適とは言えない施策を提案してしまう可能性がある
単一データセットしか使えないので、データ量や偏りの影響を受けやすく、限定的な施策提案しか得られない

それぞれ、以下の記事で詳細を解説しております。

(1) 因果アクション最適化技術(公開中) 本技術は、数値データから事象間の因果関係を高速に分析し、その因果関係をグラフと自然言語の文章で説明します。さらに、その因果関係の結果を踏まえて、最も効果が高くかつ悪影響のない施策を推薦する技術です。

(2) 知識誘導因果探索 (公開中) 知識誘導因果探索技術は、因果関係を探索するときの前提知識として過去の因果関係のグラフを活用することで、データ数が少ない場合でも信頼性の高い分析を実現します。

(3) 因果AIの適用事例紹介 (本記事)

企業のエンゲージメントサーベイ分析やビールの醸造プロセスにおけるパラメータ設計に本技術を活用した実証実験の事例をご紹介します。

因果AIで「副作用のない施策」を設計する

アンケート結果や業務データから「どこを変えると、何がどれくらい良くなるのか」を読み解くのは、意外と難しいものです。相関分析や機械学習モデルで「効いていそうな項目」を見つけても、

実際にそこに介入して本当に効果があるのか？
他の重要指標に悪影響（副作用）は出ないのか？

という問いに、きちんと答えられないことがよくあります。

ここで力を発揮するのが「因果AI」です。

事象の因果関係を”因果グラフ”として可視化することで、「どの項目がどの項目に因果的に影響しているのか」「施策を打つべき介入項目はどこか」「副作用の経路はないか」を、構造として把握できるようになります。

以下では、2つのユースケースとして

エンゲージメントサーベイ
ビール醸造

を取り上げ、因果グラフを可視化しながら、副作用の少ない施策をどう設計していくかを具体的に見ていきます。

ユースケース1：エンゲージメントサーベイ

エンゲージメントサーベイの現場では、次のような悩みがよく聞かれます。

設問数が多すぎて、エンゲージメントに対して本当に効いている要因が分からない。
「福利厚生を充実させました」といった施策が、目的変数（離職低減・エンゲージメント向上）に繋がっているのか効果検証したい。
部署やマネージャーの違いや年齢差を無視して、全社平均だけを見た「平均対応」になりがち。

ここで因果AIを使うと、単なる相関関係ではなく、「変えると本当に因果関係の下流が動くポイント」を構造として抽出できます。

例えば上記の例では

「エンゲージメント」の直接原因は「充実感」と「自社推薦度」である
「充実感」は「成長機会」や「ワークライフバランス」からなる
「成長機会」は「個人の尊重」が直接影響を与えている（左）
ワークライフバランスがエンゲージメントにつながっていない（右）

などが分かります。矢印についた数字はその影響の大きさを表現し、括弧の中の数値は因果が存在する確信度を表現しています。

因果AIは統計的因果探索を基礎とし、データの背後にある生成過程を明らかにします。これにはデータが持っている数理的な関係性やノイズの分布などに適したアルゴリズムが必要となりますが、富士通の因果AIは様々なアルゴリズムの独自の高速実装を用意して、より大規模なデータに対応することが可能です。実際、エンゲージメントサーベイでは質問項目が50以上ある場合もありますし、さらに従業員の平均時間外労働時間や成績、健康診断データなどのデータを組み合わせることもあります。そのような膨大なデータセットに対して迅速に因果グラフを計算することが可能です。

年齢別・役職別・部署別に「因果構造の違い」を見る

エンゲージメントサーベイの難しいところは、「どの層に効くか」が違うことです。

ここでも因果AIは、データを自動的に分割してセグメントごとに因果グラフを学習することで、

若手 vs ベテラン
一般職 vs 管理職
組織X vs 組織Y

といったグループごとの因果構造の違いを可視化できます。

例えば、次のような違いが見えるかもしれません。

若手では「成長実感 → エンゲージメント」のパスが極めて強い
ベテランでは「裁量権 → エンゲージメント → 定着」というパスが強く、「成長実感」はあまり効いていない
管理職層では「上位マネジメントの方針の明確さ → 自部署の心理的安全性」というパスが顕著

この結果から、

若手向けには「成長の可視化・フィードバック設計」を優先施策とする
ベテラン向けには「裁量権の設計・ジョブクラフティング支援」を優先施策とする
管理職には「上位方針の伝達とマネジメント研修」を重点的に行う

といったセグメント別の施策設計が可能になります。

ユーザーがこのようなセグメント分割を選択することも可能ですが、富士通の因果AIでは「男性かつ管理職だとエンゲージメントの点数が高い」など、自動的に特徴のあるセグメントを見つけることも可能です。

さらに、富士通の因果ＡＩは因果グラフとインスタンスごとに最適な施策を立案することができます。たとえば図の組織Ｙの因果グラフから導かれるものは成長機会（キャリア形成）や裁量性の向上ですが、組織Xではワークライフバランスが重視されて施策が提案されます．このように個々人の施策を最適化することが可能です．

ユースケース2：ビール醸造

ビール醸造は、多変量をコントロールする必要があります

麦芽配合（モルトの種類・割合）
ホップ投入タイミングと量
発酵温度・時間
酵母の特性
清澄化プロセス　…など

これらが複雑に絡み合って、

香り
苦味
ボディ感

といった官能評価に影響します。

さらに、歩留まり（収率）やコストといった副作用も無視できません。「この香りを再現したいが、毎回微妙に違う味になる」「香りを上げると、歩留まりが悪くなってコストが合わなくなる」こうしたトレードオフの感覚は職人の頭の中にありますが、定量的に説明するのは難しい領域です。

そこで因果AIを適用して説明が可能か検証してみました。

ビール醸造データへ因果AIを適用したところ、

レシピ／工程条件 → 化学的指標（香気成分、IBU、色度など） → 官能評価（香り・苦味・ボディ） → 市場評価（リピート率、販売数量、レビュー評価）という因果グラフをモデルとして抽出することができました。

例えば、「苦味を上げる」ためにホップの投入量を増やしたり、特定ホップを後半投入に切り替えたりすると、

苦味評価は上がる
しかし歩留まり（収率）が下がり、コストが上がる

といったトレードオフが発生することがあります。

因果AIでは、

「苦味成分Aを上げる介入」が官能評価・市場評価にどれだけ効くか
同じ介入が歩留まりやコストにどれだけ副作用を与えるか

を、因果グラフ上のパスとして評価できます。

これにより、

「苦味を少し上げつつ歩留まりをほぼ維持できる介入施策」
「苦味は大きく上げ、歩留まりの犠牲（副作用）をカバーする別の介入施策」

などを、副作用の少ないレシピ改善を自動で提案できます

まとめ

因果AIを使って因果グラフを可視化すると、

どの項目を変更すれば、どの指標が因果的に動くのか
どの経路で副作用が出る可能性があるのか
セグメント別・設備別に構造がどう違うのか

を、構造として整理できます。

従業員エンゲージメントサーベイの分析では、年齢別・役職別・部署別に因果グラフを分けることで、「全社平均対応」ではなく、セグメントごとに本当に効く施策を設計することが可能になります。ビール醸造では、レシピや工程から市場評価までを因果鎖として捉え、香り・味と、歩留まり・コストとのトレードオフを定量的にコントロールできるようになります。どちらのユースケースでも、「因果構造＋シミュレーション」によって、副作用をコントロールした現実的な施策をデザインしていくのが、因果AIの真価と言えます。

Fujitsu 因果 AI を試してみませんか

今回ご紹介した因果探索とアクション最適化の機能は、富士通のAI サービス「Fujitsu Kozuchi」を通じて、APIとGUIで手軽にご利用いただけます。

プログラミングは不要です。CSV ファイルをアップロードするだけで、お手元のデータから因果グラフを可視化し、施策の候補リストを得ることができます。

ユースケース	入力	Kozuchi が提案するアウトプット
ビール開発	味覚チャート (苦味・甘味・香りなど)と工場設定値(発酵温度やホップ投入量など)に関するデータ、および、味覚チャートの目標値	発酵温度・時間、麦芽配合比、ホップ投入タイミングなど、製造レシピ全体
従業員エンゲージメント	現状サーベイ結果と目標スコア	研修内容、ピアボーナス額、上司との1on1 の頻度など、具体的な人事施策