市場調査に戻る
Kimaru AIは、製造とサプライチェーンのチーム向けに意思決定支援プラットフォームを開発している。企業システムの情報を業務ルールや計画担当者の入力と組み合わせ、生産、購買、在庫、物流の選択肢を比較する。ユーザーは提案された行動を確認し、接続されたシステムを通じた実行を承認し、意思決定の根拠と観測された結果を保存する。1
サプライチェーン総合評価：3.5/10
| 評価軸 | 評点 |
|---|---|
| サプライチェーンへの理解の深さ | 4.2/10 |
| 意思決定と最適化の実質 | 3.0/10 |
| 製品とアーキテクチャの一貫性 | 3.8/10 |
| 技術的透明性 | 2.8/10 |
| ベンダーの真剣さ | 3.6/10 |
Kimaruが述べる問題には筋が通っている。業務上の意思決定は、システムや人々の経験に分散した事実と制約に依存しがちだ。現在の製品は、周辺の発信にある壮大な世界モデルの宣伝よりも、範囲の限られた提案になっている。公開記録には、匿名の製造業での導入と、予測を結果と比較する過程が加わった。
決定的な弱点は数値エンジンに残る。公開資料は、因果モデルが代替的な未来をどう予測し、需要と供給の共同の不確実性をどう表現し、行動を経済的にどう順位付けするかを示していない。見える業務手順は、人間が意思決定を整理し、承認し、記憶するのを助ける。しかし、反復的な計画作業を大規模に取り除くことは実証されていない。
契約上の境界も、成果への責任と顧客投資の移転可能性を弱めている。意思決定の記憶という製品の物語と同じだけ、厳しく検討する必要がある。
KimaruとLokadの比較
Lokadの在庫最適化サービスは、サプライチェーンサイエンティストが維持する実行可能なモデルを通じて業務上の意思決定を生成する。専門家は、データ準備、経済的目的、不確実性、購買・配分・生産行動を選ぶロジックに取り組む。この作業は継続的であり、業務での失敗はモデルと事業解釈を改善する理由となる。
一方、Kimaruが提供する画面は、人間による比較と確定のために意思決定を整理し、その結果を記録する。創業者は、顧客の現場に入る技術者がコネクターを構築し、試験導入を立ち上げ、顧客の業務手順をコード化すると説明する。11 どちらにも専門的な作業が必要だ。生産性は、その作業が何を再利用可能にし、繰り返す解釈作業がどれだけ残るかによって決まる。
経済的な違いも同じく重要である。Introduction to Supply Chainで展開されたLokadの視点は、不確かな未来を入力として、金銭的な帰結に基づき行動を選ぶ。Kimaruは費用、サービス、権限を論じるが、公開モデルはそれらの対立を解決する計算を明らかにしていない。
計画担当者がなぜ注文を急がせたかを記録すれば、次の担当者に役立つことはある。より強い業務成果は、関連データと経済ロジックをコード化し、似た案件を何度も調べなくて済むようにすることだ。ホリミゼーションは、解く問題自体の継続的な見直しを重視する。Kimaruのモデル再利用の提案はその方向を向いているが、公開された証拠では、開発費用と自動化の成果はまだ分からない。
製品が明らかにする意思決定エンジンの実態
業務手順は明示されているが、計算は非公開である
製品は、再利用できるDecision Model、確認段階、承認された実行、期待結果と実績を結び付ける追跡機能を説明する。因果モデルは、行動、外部条件、中間的な影響、結果を分ける。文書化された拡張方針は、供給者の応答、生産、配分、顧客への約束のモデルを接続する。2
この構造は仮定を可視化できる。しかし関係が因果的であり、数量的に較正され、最良の行動を選ぶのに十分であるとは証明しない。グラフは計画担当者の理論を記録しながら、その誤りも忠実に再現しうる。
供給者の遅延を考えてみよう。生産と顧客への約束に対する影響を特定するのは出発点にすぎない。エンジンは、配送がどれほど遅れうるか、どの代替品が実際に届くか、他の注文が希少な材料をどう奪い合うか、各対応の金銭的費用を推定しなければならない。実行可能な選択肢の一覧だけでは、中心的な経済計算は未解決のままだ。
別々のモデルを接続しても、共同最適化が保証されるわけではない。個別には妥当な緊急輸送、生産変更、配分が、同じ予算や在庫を競合して使うこともある。モデル間で文脈を渡すには、数量、時刻、不確実性、目的の整合が必要になる。Kimaruはその調整方法を公開していない。
トラック積載の例は従来の在庫日数計算を使う
Causal AI Modelerの公開スクリーンショットは、その名称より具体的な情報を示す。トラック計画の例では、週間予測を稼働日数で割って一日当たり需要を求め、手持ち在庫と一日当たり需要から在庫日数を計算し、目標に対する補充不足を測る。倉庫ごとの緊急度や、欠品、過剰在庫、配車回数の結果も表示する。18
これはよく知られた在庫計算である。その限界は重要だ。一週間を同一の稼働日に平均化すると、販促、配送日程、曜日パターンを隠してしまうことがある。在庫日数の目標は、問題を選んだ在庫水準まで補充することへ置き換えるが、その水準が欠品と過剰の期待金銭損失からどう導かれるかは示さない。
図のモデルには販促行動が含まれる。販促に対する需要反応は、介入に対する予測だ。過去の相関だけでは、オファーを変えたことで生じる販売を特定できない。公開資料には、弾力性モデル、対照比較、販促効果と製品・暦の効果を分離する方法が示されていない。
世界モデルと呼んでも、デジタルツインは予測を行わなければならない
Kimaruの世界モデルに関する論考は、シミュレーションを言語モデルの計画の根拠とし、人間のフィードバックによって組織の選好を学習すると説明する。12 投資家はさらに踏み込み、確率的な言語モデルと物理シミュレーションを対比し、推奨は数学的に証明されていると述べる。17
物理的制約は不確実性を取り除かない。トラックの容量は有限でも、到着時刻、積める数量、配送先の需要は不確かである。それらの将来状態をシミュレーションすることは予測することだ。指定した制約との数学的な整合性だけでは、そのシナリオが起きることも、推奨行動が利益を生むことも証明できない。
必要な証拠には、較正された需要とリードタイムの分布、その依存関係、約束を確定する期限に合った予測期間、代替行動の検証がある。Kimaruは、不確実性の共同の扱いを評価できるほど詳しく、これらの方法を公開していない。
同社の2026年9月の論考は、代替的な意思決定の評価には将来状態の予測と誤りからの学習が必要だと認めている。14 こちらのほうが適切な捉え方である。不足しているのは、誤った予測が数値モデルをどう変更し、その修正が標本外の後続の意思決定を改善するかという、検証可能な実証である。
製造業の事例とその限界
Kimaruは、匿名の航空機用カーペット製造企業で稼働するアプリケーションを説明している。材料準備、織機の適合性、ロット混合の制約、能力を組み合わせる。ホームページは、新規注文の納期内生産が43%から75%へ、ERPと計画の整合検証が第24–26週で96%から100%へ改善したと報告する。検証の指標は、納期内生産や納期内配送とは明示的に区別されている。1
最初の変化は32パーセントポイントである。その事業価値は、どの注文が改善し、遅延にどれほど費用がかかり、追加の作業や在庫がどれだけ改善を支えたかに依存する。第二の指標は、計画とERP記録の整合性を測る。完全に整合した計画でも、遅れたり経済的に悪かったりすることはある。
表現上の問題もある。製品ページでは43%–75%の指標を納期に間に合う計画の改善と呼ぶが、ホームページでは納期内の生産と呼んでいる。2 実行可能な日程になることと、工場が時間どおりに作業を終えることは異なる。公開事例には、安定した定義、観測期間、分母、計画された結果と実行された結果の区別が必要だ。
顧客名、元となる注文数、労働の内訳、正味の財務計算は添えられていない。事例があること自体は一般的な便益の幅より有益だが、購買、配分、物流の広い範囲での再現性までは示せない。
他の割合には、さらに厳密な出所の区別が必要である。Indelible Venturesの2026年の投資説明は、在庫回転率20%–30%改善と品切れ40%削減を、広範な顧客検証のない目標として扱っている。17 Kimaru創業者のインタビューは、McKinseyの業界指標を引き、対応する測定値を公表せずに顧客改善を語る。11 業界一般の成果を、この製品の実績に置き換えることはできない。
Decision Trackerの画面は、欠品率、保管費、配車回数を基準と比較して表示する。20 ダッシュボードの計算だけでは、成果の原因は特定できない。製品構成、注文の緊急性、販売数量、利用可能能力が変われば、ソフトウェアが良い意思決定を生まなくても同じ指標が動く。
生産性、モデル保守、総費用
Kimaruの9月の記事は、意思決定ロジックを保存し、変わる条件の下で試し、供給者のリードタイムや段取り替え時間といった誤った仮定を改めることを提案する。14 これは有用な保守作業を挙げている。業務上の問いは、それを製品がどれだけ体系化するかだ。
再利用できるモデルには、保存した説明以上のものが必要である。識別可能なデータとルールの版、関係する過去条件でのテスト、管理された展開手順、悪い修正を戻す方法が求められる。例外的な注文から得た教訓は、次の注文には誤りかもしれない。顧客の選好も矛盾したり変わったりするので、計画担当者の反応を取り込めば自動的に有効な学習信号になるわけではない。
6月の記事は、顧客データを顧客の管理下に置きながら、接続された連合型モデル間でパターンを学ぶと説明する。13 教訓を受け入れるアルゴリズム、適用範囲の限界、局所的に成功したルールが広いネットワークを悪化させることへの保護は説明していない。
人間の承認は依然として中心にある。確認画面では、推奨を受け入れ、調整し、延期でき、その後にSAPへの送信、CSVへの書き出し、HubSpotへの受け渡し、報告書の生成を選べる。19 これらは画面に描かれた選択肢であり、処理量やコネクターの信頼性の測定値ではない。
まれな戦略的な約束なら、承認者を明確にするのは適切な場合がある。小売補充、配分、配車の反復的判断では、すべての推奨を人間に通すと労働のボトルネックが残る。有意義な生産性指標なら、文脈の収集、モデル設定、推奨確認、失敗調査、連携保守に費やす総作業を数えるべきだ。Kimaruはその内訳を公開していない。
ライセンス条件によって、保守負担は商業的にも重要になる。追加の導入要員や独自開発には、追加の有償注文が必要になることがあり、専門サービスの利用では顧客が案件責任者を用意する。4 したがって契約料金だけでは保有費用を表せない。
製品の下に、既存の計画アプリケーション、データシステム、エージェント、人間の承認手順といった相当な基盤が残ることもある。意思決定層の追加が費用に見合うのは、それが作る以上の調整・モデル化作業を取り除く場合だけである。匿名の生産事例には、こうした運用費の正味の削減を示す証拠はない。
技術の歴史：語彙を広げる若い企業
Kimaruの会社ページは、米国法人の日付を2024年11月15日とし、共同創業者をEvan BurkoskyとHareesh Nambiarとしている。3 この事業は、法人の日付より前の2024年10月にAlchemist Japanの参加企業に登場した。修了報告では、2025年9月にAlchemist Class 40を終え、その後さらに二件の投資を完了したとしている。6 7
確認できる歴史は短いが、商業上の節目と技術的な提供実績はすでに区別できる。
| 時期 | 証拠 | 提供実績の評価 |
|---|---|---|
| 2024年10月 | Alchemist Japanへの選出時には、在庫、価格、物流の意思決定支援を掲げていた。6 | アクセラレーター上の節目であり、本番性能の成果ではない。 |
| 2025 | 在庫とレジリエンスの記事は業務改善を宣伝し、AIの記事は外部の業界指標を再掲した。9 10 | 広い用途と借用した指標は、Kimaru固有の収益を示さなかった。 |
| 2025年10月 | INTLOOPの受賞発表は協業計画を説明し、概念実証の範囲や展開は今後の調整としていた。8 | 顧客案件への道筋であり、完了した企業導入ではない。 |
| 2026年1–8月の発信 | 世界モデルの論考は、因果シミュレーション、人間の反応、組織の理解に関する広い主張を組み合わせる。12 | 意思決定手順からその理解水準への飛躍を支える、公開モデルや評価はない。 |
| 2026年の投資 | Indelible Venturesは概念実証段階への出資を確認し、成果目標を広範な検証と区別する。17 | 資金調達と、明示された成熟度の限界。 |
| 2026年6–9月 | 発信は、再利用可能モデル、管理された学習、意思決定の継続的な改訂を発展させる。13 14 15 | より具体的な運用手法だが、数値実装の版に結び付く証拠はない。 |
| 現在の製品 | 航空機カーペットの事例は業務上の割合を示し、サイトは範囲を限った意思決定へ提案を絞っている。1 2 | 測定可能な事例が一般的な野心の一部を置き換えたが、定義と原因の特定は未完成である。 |
以前の記事のいくつかは2026年8月に改訂されている。現在の説明は、古い世界モデルや継続学習の言葉と、新しい管理型モデルの語彙を混在させている。主張する各機構を提供された版へ結び付けるリリース年表は公開記録にない。
したがって歴史的な懸念は、概念の拡張と検証可能な実装の隔たりにある。脳の比喩、投資家の数学的保証、組織の記憶という物語は、それぞれ異なる証拠を必要とする主張を増やす。現在の限定された位置付けは実証された業務手順により合っているが、公開された数値手法は追いついていない。
ソフトウェアの構成要素
Kimaruは展開の選択肢とデータ処理者を開示するが、データベース、数値ソルバー、モデル学習の技術構成、実行調整のランタイムは開示していない。
| 構成要素またはサービス | 公開情報で確認できる役割 | 未解決の費用または境界 |
|---|---|---|
| 顧客が管理するAWS | 現在の製品説明にある展開の選択肢。2 | 顧客基盤、サポートのアクセス、更新、復旧責任は実装に依存する。 |
| Kimaruの専用テナント、または合意したオンプレミス・専用クラウド展開 | 追加の提供形態。2 | 参照構成、資源要件、リリース管理手順は公開されていない。 |
| AWS、Azure、OpenAI | DPAで認められた個人データの再処理委託先。5 | どの顧客構成でどのサービスが動き、どの情報を受け取るかは特定されていない。 |
| GitHub | 創業者がコードとレビューの用途として挙げる。11 | 開発ツールであり、本番構成を示すものではない。 |
| データベース、シミュレーター、数値最適化器、学習の実装 | 検討した技術資料では不明。 | 基盤の規模と中核の意思決定エンジンの保守費用は評価できない。 |
未解決の構成上の問題は、データ更新、シミュレーション、承認、実行を通じて、一貫した意思決定をどう維持するかである。段階の間に在庫や能力が変われば、承認済みの推奨は実行不可能になるかもしれない。古い状態の確認、重複実行の防止、一部だけ実行された場合の扱いは、公開資料で規定されていない。
セキュリティの境界は展開ごとに異なる
ホームページは、管理されたファイルや読み取り専用のデータベースビューから価値の実証を始められるとしている。1 これによりトランザクションシステムへの直接変更の一部は制限される。それでも読み取り権限は業務情報を露出させ、後の実行機能はさらに重大な権限を持ち込む。
DPAは暗号化、認証、アクセス制御について一般的な約束をし、指定された再委託先による個人データ処理を認める。5 テナント隔離、エージェントツールのネットワーク制限、秘密情報の扱い、復旧試験、改変できない実行監査は説明していない。アカウント侵害や誤操作後の被害を評価するには、こうした設計上の性質が必要である。
連合型モデルの記事は顧客情報が顧客環境内にとどまるとする一方、製品は複数のホスティング形態と、契約次第の外部モデル利用を提供する。13 2 したがって展開ごとのデータフロー説明が必要だ。一般的な連合型という主張だけでは、実際の処理境界は決まらない。
Lokadのセキュリティ原則では、人間の確認や合意した権限には、技術的な強制が伴わなければならない。Kimaruはその強制の設計を公開していない。
責任と所有権：契約は宣伝より狭い
Kimaruの公開ライセンスは2025年3月8日付で、現在のホームページからもリンクされている。エージェントの設定と学習は顧客だけの責任とし、出力を信頼する前の検証を要求し、人間の介入なしに依存しないよう警告する。また、顧客による出力の解釈や利用に応じて対応する義務も否定する。4
これらの条項は、製品が価値を約束する場所、つまり業務の文脈を信頼できる意思決定へ変換する部分に負担を割り当てる。顧客は説得力のある推奨を確認するだけで、非公開の数値手法を完全には検証できない。誤りは承認者の判断ではなく、行動の選択範囲、予測、目的関数、連携に潜んでいるかもしれない。
同じライセンスは、顧客によるプラットフォーム評価の公開と、出力をAI技術の訓練、検証、テストへ利用することを禁止する。独自機能の所有権は、サービス注文で明示的に変更しない限りKimaruに帰属する。4
ここにはふたつの実務上の緊張関係がある。第一に、独立した成果の証拠が制限される一方、ベンダーの選んだ事例の主張が販売の中心に残る。第二に、顧客が蓄積した意思決定履歴は、企業の記憶という物語から想像するほど、代替システムの開発や評価に再利用できないかもしれない。業務情報の所有権、独自ソフトウェアの所有権、出力の再利用権は別々の権利である。
現在のサイトは、展開と契約の境界が適用されるとしている。創業者は、組織の知識は外部AIモデルが変わっても残るべきだと主張する。3 16 この約束を果たすには、過去の画面を見られるだけでなく、明示的なエクスポート形式と、記録されたロジックを再利用する権利が必要だ。
公開ライセンスの末尾には、追加の条項は完全な契約に含まれるとの注記がある。4 見える条件には、正味の収益への約束や金銭的救済のルールはない。個別の注文で条項を変更することはできるが、公開された標準条件は、主張する経済成果に対する責任が弱い。
サプライチェーン評価
サプライチェーンへの理解の深さ
| 基準 | 評点 |
|---|---|
| 経済的な問題設定 | 5/10 |
| 最終的な意思決定への到達 | 5/10 |
| サプライチェーンに関する概念の明確さ | 4/10 |
| 時代遅れの中心的教義からの自由度 | 3/10 |
| KPIの見せかけへの耐性 | 4/10 |
平均：4.2/10。
経済的な問題設定 — 5/10。 Kimaruは意思決定を費用と事業上の帰結に結び付けている。ただし、対立する結果を一貫した財務順位へ変える目的関数は公開されていない。14
最終的な意思決定への到達 — 5/10。 画面は承認された行動やエクスポートにまで達している。本番の証拠は、宣伝する全範囲で信頼できる無人実行を確立していない。19
サプライチェーンに関する概念の明確さ — 4/10。 発信は、システムをまたぐ制約と帰結を認識している。ネットワーク全体で結合された意思決定を解く方法は非公開である。13
時代遅れの中心的教義からの自由度 — 3/10。 図示された補充ロジックは、在庫日数の目標と平均需要に結び付いたままだ。新しいモデル化画面だけでは、異なる経済的意思決定手法を示したことにはならない。18
KPIの見せかけへの耐性 — 4/10。 製造事例はERP検証とサービス成果を分けている。それでも、計画か生産かの曖昧さと原因特定の不足によって、主要成果を経済的に解釈することはできない。1 2
意思決定と最適化の実質
| 基準 | 評点 |
|---|---|
| 確率的モデル化の深さ | 2/10 |
| 独自性のある最適化または機械学習の実質 | 2/10 |
| 現実の制約への対応 | 4/10 |
| 意思決定の自動化と労働生産性 | 3/10 |
| 現実の業務の複雑さに対する適応力 | 4/10 |
平均：3.0/10。
確率的モデル化の深さ — 2/10。 需要、供給、リードタイムの較正された共同予測は開示されていない。シナリオと物理制約では、欠けている確率は埋まらない。12
独自性のある最適化または機械学習の実質 — 2/10。 因果モデルと世界モデルの主張には、検証可能なアルゴリズムや対照比較がない。見えている計算は、提案する技術的な違いを裏付けない。12 18
現実の制約への対応 — 4/10。 製造事例は実務上の制限を特定している。その表現、相互作用、失敗形態は、広い適用可能性を評価するほど詳しく文書化されていない。1
意思決定の自動化と労働生産性 — 3/10。 手順は原理上、準備と承認された行動を速める。公開証拠には、反復的な確認と保守をどれだけなくしたかを示す総労働の測定がない。19
現実の業務の複雑さに対する適応力 — 4/10。 Kimaruは、誤った仮定の修正とモデル再利用を明示的に提案する。それを信頼できる修正にするためのテスト、版管理、展開手法は公開されていない。14
製品とアーキテクチャの一貫性
| 基準 | 評点 |
|---|---|
| アーキテクチャの整合性 | 4/10 |
| システム境界の明確さ | 6/10 |
| セキュリティへの真剣さ | 3/10 |
| ソフトウェアの簡素さと保有費用 | 3/10 |
| プログラムおよびエージェント支援による運用との適合性 | 3/10 |
平均：3.8/10。
アーキテクチャの整合性 — 4/10。 製品の意思決定手順は理解しやすい。公開構成は、業務状態が変わる中で、接続されたモデルがデータと目的の整合をどう維持するかを示していない。2
システム境界の明確さ — 6/10。 人間の権限、外部システム、展開の選択肢は区別されている。具体的な許可と処理責任は、なお非公開の実装詳細に依存する。2
セキュリティへの真剣さ — 3/10。 DPAは処理義務を定義するが、封じ込めと復旧の仕組みは公開しない。侵害されたツールや特権アクセスの影響は、こうした約束だけでは評価できない。5
ソフトウェアの簡素さと保有費用 — 3/10。 顧客現場の技術者と残される顧客業務は継続費用を生む。追加した意思決定層が総保有費用を減らすことを示す、作業量や保守の計測はない。11
プログラムおよびエージェント支援による運用との適合性 — 3/10。 実行インターフェースは図示されるが、検証可能なAPI仕様や信頼できる自動化ベンチマークは公開されていない。ライセンスも、蓄積された出力を用いる開発を制限する。19 4
技術的透明性
| 基準 | 評点 |
|---|---|
| 公開技術文書 | 3/10 |
| ベンダーの仲介なしでの検証可能性 | 2/10 |
| 可搬性とロックインの可視性 | 2/10 |
| 実装方法の透明性 | 4/10 |
| 技術的主張を裏付ける証拠の密度 | 3/10 |
平均：2.8/10。
公開技術文書 — 3/10。 製品画面は、手順と計算の一部を明らかにする。中核のシミュレーション、予測、学習の方法は文書化されていない。18
ベンダーの仲介なしでの検証可能性 — 2/10。 独立した数値再現はできない。顧客評価の公開制限が、見える証拠をさらに狭めている。4
可搬性とロックインの可視性 — 2/10。 業務の記憶という提案には、モデルの書き出しと再利用を保証する文書がない。標準の権利境界によって、独立して継続できるかを評価する費用が増える。4 16
実装方法の透明性 — 4/10。 創業者はコネクターと業務手順の実装を説明する。公開資料は、変更検証と保守責任の移管に必要な運用方法を記載していない。11
技術的主張を裏付ける証拠の密度 — 3/10。 記録には具体的な導入の主張と製品の図がある。はるかに広いモデルの主張を支える数値実験や、繰り返し確認された顧客成果はない。1 17
ベンダーの真剣さ
| 基準 | 評点 |
|---|---|
| 公開発信の技術的な真剣さ | 4/10 |
| 技術ロードマップの一貫性 | 4/10 |
| 概念の明確さ | 5/10 |
| 経済的な説明責任 | 2/10 |
| エージェント型ソフトウェア時代における競争力の持続性 | 3/10 |
平均：3.6/10。
公開発信の技術的な真剣さ — 4/10。 現在の限定された表現は、周辺の脳や世界モデルの宣伝より改善している。後者は依然として、対応する技術証拠のない推測的な仕組みを提示する。12 15
技術ロードマップの一貫性 — 4/10。 アクセラレーターでの進展と稼働事例は、紹介ページ以上の開発を示す。ただし、位置付けの見直しには、相次ぐ技術的約束の提供を示すリリース履歴が伴っていない。7 8 1
概念の明確さ — 5/10。 意思決定、帰結、再利用できる修正へのこだわりは実在する問題に対応する。しかし、確率的な経済評価や代替案の数値評価とのつながりは不十分だ。14 15
経済的な説明責任 — 2/10。 提案された比較基準は、エンジン失敗時の責任の代わりにはならない。必要な顧客作業と不明確な救済によって、約束した収益への責任をベンダーに求めにくくなる。4
エージェント型ソフトウェア時代における競争力の持続性 — 3/10。 汎用エージェントが進歩しても、顧客固有モデルは価値を保つ可能性がある。ただし証拠は、独自エンジンや、モデル保守・意思決定確認の労働を再現可能に減らすことを示していない。16
出典
出典の閲覧日は2026年11月4日である。ベンダーが両方を示している場合、公開日と後日の改訂日を区別した。
[1] Kimaru Decision Optimization Platform
Kimaruの出典、日付不明。現在の機能範囲、製造事例、試験導入の境界、リンクされた条件。
Kimaruの出典、日付不明。モデルの手順、事例の表現、展開の選択肢、図示された画面。
Kimaruの出典、日付不明。法人の日付、共同創業者、保存される知識の契約上の範囲。
Kimaruの出典、2025年3月8日公開。顧客責任、評価・出力の制限、独自機能、一部のみ公開された契約。
Kimaruの出典、日付不明。個人データに関する義務、許可された再委託先、一般的なセキュリティ対策。
Kimaruの出典、2024年10月4日公開、2025年12月13日改訂。当時の参加企業発表と初期の意思決定支援範囲。
Kimaruの出典、2025年10月6日公開、2025年12月13日改訂。プログラム修了と報告された追加投資。
[8] INTLOOP Ventures Acceleratorの受賞
Kimaruの出典、2025年10月3日公開、2026年8月24日改訂。受賞と将来の概念実証計画。
Kimaruの出典、2025年2月16日公開、2026年8月22日改訂。顧客名を伴う成果のない在庫とレジリエンスの主張。
Kimaruの出典、2025年4月21日公開、2026年8月22日改訂。製品の位置付けに使われた外部の業界指標。
[11] IT Business Todayによる創業者インタビュー
Kimaruの出典、2026年1月17日公開、2026年8月22日改訂。導入作業、ツール、報告された成果に関する創業者の説明。
Kimaruの出典、2026年1月17日公開、2026年8月22日改訂。世界モデル、シミュレーション、人間のフィードバックの主張。
[13] 意思決定モデルはエージェント型業務に欠けた層である
Kimaruの出典、2026年6月17日公開、2026年8月24日改訂。接続されたモデル、連合型の仕組み、保存される顧客知識。
Kimaruの出典、2026年9月18日公開。予測、モデル改訂、再利用、経済的測定。
Kimaruの出典、2026年9月10日公開。意思決定の目的、人工的な入力、反復的な改善。
[16] 知能は汎用品になりつつある。意思決定はそうではない
Kimaruの出典、2026年7月23日公開、2026年8月24日改訂。企業知識と外部エージェントの役割。
[17] Indelible Ventures：Kimaru AIに投資した理由
Indelible Venturesの出典、投資は2026年と特定、ページは日付不明。投資方針、プレシード段階、技術的主張、成果目標の明示的な限界。
[18] Causal AI Modeler：トラック積載計画の画面
Kimaruの出典、日付不明。公開された製品図。週間予測から日次予測への変換、在庫日数目標、補充数量。
Kimaruの出典、日付不明。公開された製品図。人間の確認と図示された出力先。
Kimaruの出典、日付不明。公開された製品図。文書化された顧客成果ではなく基準指標。
