キリンの嗜好AI開発、ビールのおいしさを成分の寄与度に分解する仕組み

これまでの香味の改善点探しは、醸造家の知見と限られた範囲のデータ分析を突き合わせる形で進められてきました。

困りごとの本質は、分析の手数が足りないことよりも、お客様の評価とつくり手が動かせるものとの間に翻訳の断絶があった点にあると考えられます。調査から返ってくるのは人の感覚を通した「好ましさ」の評価である一方、実際に手を入れられるのは成分の量や工程の条件です。この二つを結びつける作業が個々の経験則に委ねられていれば、試作と評価の往復は増え、蓄えたデータも次の一手には直結しません。長年データを持ち続けてきたからこそ、「持っていること」と「使えること」の差が課題として立ち上がったのではないでしょうか。

性質の異なる二つのデータを同じ土俵に載せた点が、この仕組みの中核にあります。お客様調査で集まるのは「おいしい」という人の感覚の評価であり、成分分析で得られるのは客観的な測定値です。前者を予測する対象、後者を説明する側に置いたことで、本来つながりにくい二種類の情報が一つのモデルの中で結びつきました。

予測で止めず、各成分の寄与度を定量化するところまで出力を設計したことも見逃せません。試作品の評価が高いか低いかを当てるだけでは、つくり手は次に何を変えればよいのか分からないままです。どの成分がどれだけ効いているかを示す形にしたことで、AIの出力が試作設計や工程条件の検討という具体的な次の作業に直結します。

AIを醸造家の代わりに置かず、蓄積された知見と組み合わせる前提で位置づけている点も特徴的です。適用範囲もまずビール類に定め、RTDやワイン、清涼飲料へ段階的に広げる進め方をとっています。商品カテゴリが変われば評価の軸も関わる成分も変わるため、一つの領域で運用を固めてから横に展開する順序は、精度と現場の納得の双方を確保するうえで理にかなった判断でしょう。

公表されている効果は、現時点では見込みの段階にとどまります。示されているのは、醸造家が理想の香味に重要な成分を即時に把握でき、試作設計や工程条件の検討を迅速化できるという内容で、実運用にもとづく削減時間などの数値は示されていません。導入は2026年3月以降に発売するビール類から順次進める計画で、効果の実像が見えてくるのはこれからです。