Research
設備工事の経営課題を、調査と現場の言葉で考える。
AIGENT ACE Equipment Intelligence。採用・育成・受注Capacityに関する独自調査と公的統計を、同一のデータ資産から公開します。
公開中のResearch
電気工事会社100社の採用サイト調査【2026年】
採用ページを取得・解析できた40社を対象に、給与・休日・残業・資格支援・教育プログラム・応募導線の公開状況を観測。Recruitment Information Scoreの平均は18.7/100（usable 40社）でした。
AIGENT ACE Equipment Intelligence
設備工事Verticalを支えるResearch/Data基盤です。企業マスター、採用情報の構造化、Recruitment Information Score、e-Statによる市場・地域ベンチマーク、定点観測を同一のデータ資産から生成し、調査記事・Whitepaper・営業資料に展開します。
Scoreは公開ページ上の記述的評価であり、採用成功率や企業の品質を測定するものではありません。
採用情報の構造化とScore
採用ページの情報公開状況を同一基準で観測し、改善の優先度に使える形にします。
市場・地域ベンチマーク
statsDataIdと取得日時を記録した公的統計のみを使用します。未確認の統計IDは登録しません。
定点観測
同じ観測方法を繰り返し、時系列の比較ができる形で蓄積します。
調査方法の公開
観測チェーン（gBizINFO → 検索 → 公式サイト → 採用ページ → ルールベース抽出）と人間検証の範囲を開示します。
調査記事の開示基準（全記事共通）
Sample Size
観測した企業数（Score対象と異なる場合は分けて明記）
Observed Date
観測日。更新時は再観測日を追記
Source
gBizINFO / e-Stat / 原典URLなど取得元
Denominator
各集計の分母（観測可能企業のみの場合は明記）
Missing Rule
Present / Absent / Unknown の3値定義。Unknownは記載なし・0として扱わない
Score Definition
Scoreの評価対象と配点。採用成果の測定ではない旨
Limitations
測定していないもの（採用成功率・応募率・因果など）
Human Validation Status
人間検証の範囲と進行状況
AI実証レポート
最新AIの振る舞いを、同一条件での反復検証で確かめた実証レポートです。
- AIはユーザーに媚びるのか？Sycophancy（同調バイアス）の現在地と反論実証【実機検証ログ】
- 割れ窓理論とAIガードレールの脆弱性：多重対話による安全フィルター突破メカニズム【実証解説】
- 「ステップ・バイ・ステップで考えて」でなぜ正答率が跳ね上がるのか？自己説明効果の科学【実証解説】
- 人間が悩むよりAI自身にプロンプトを最適化させた方が精度が上がる理由（OPRO実証）【実機検証ログ】
- 選択肢の順番を変えるだけで正答率が最大17.6ポイント変動する実測データ【実機検証ログ】
- 「名前」だけで合否を選んでいたAI：過去85.1%の偏りから最新0/5への劇的進化【実機検証ログ】
- AIに「外向性を最大/最小に」と1行伝えただけで、文体・思考が別人格化する実証【実機検証ログ】
- プロンプトの口調を変えただけで、AIの返信量が2.8倍に跳ね上がる現象【実機検証ログ】
- 命令通りに動いて大失敗：AIと動物実験に共通する「箱庭の最適化の罠」【実証解説】
- ツールを持たせすぎるとAIも人間もサボり始める「選択肢過多」の罠【実証解説】
Research
調査記事には Sample Size / Observed Date / Source / Denominator / Missing Rule / Score Definition / Limitations / Human Validation Status を必ず付けています。Unknown（観測できなかった値）を記載なしや0として扱いません。確認できていない仮説はEvidence Gapとして管理します。
自社の課題を整理する
業種とボトルネックを確認し、必要な検証テーマをご案内します。まずは無料の採用情報診断から確認できます。
