キリンが独自開発した嗜好AI、おいしさの要因を成分単位で定量化する試み

ビールの香味をどこから直すべきか。その探索は、醸造家の知見と限定的なデータ分析を組み合わせる形で進められてきました。腕のある人がいて初めて成り立つやり方であり、経験と暗黙知に頼る比重が大きいという課題が残っていました。

ただ、困りごとの本質は人手や技量の不足ではなかったと考えられます。同社にはお客様調査データと成分分析データという厚い蓄積があり、材料そのものは揃っていました。それでも探索が職人技に寄っていたのは、「おいしい」という感想が言葉のまま止まり、「次はどの成分をどちらへ動かすのか」という作業の指示に翻訳されないままだったからではないでしょうか。感想を語るデータと、分析装置が吐き出すデータは、いわば別々の言語で書かれています。両者を突き合わせる翻訳機がないかぎり、間をつなぐ役割は人の記憶と勘に委ねられ続けます。

要因分解にまで踏み込んだ設計が、この取り組みの核だと編集部は見ています。基礎データから官能評価の結果を当てるだけでも予測モデルとしては成立しますが、それでは「この試作品は評価が高そうだ」までしか分かりません。各成分の寄与度を定量化するところまで仕組みに含めたことで、出力が採点ではなく改善の手がかりに変わりました。改善点を成分レベルで特定できるという性質は、この一段の深さから生まれています。

新しくデータを集めにいくのではなく、すでに手元にある二種類の資産を接続対象に選んだ判断も見逃せません。お客様調査データと成分分析データは、ふだんは別の目的で、別の担当が扱うものです。それらを同じ土俵に載せて対応づけたことが、長年の蓄積を初めて一つの分析素材として使える形にしたと考えられます。

AIの出力を最終回答に据えず、醸造家の知見と掛け合わせる役割分担も、実運用を支える設計でしょう。成分の重要度は理想の香味へ向かうための出発点であり、そこから配合や工程条件をどう組むかは経験の領域に残されています。人が判断する余地を意図的に残した構図が、現場に受け入れられる形をつくっていると読み取れます。

現時点で示されているのは実績ではなく見通しです。理想の香味に効く重要成分を醸造家が即座に把握できるようになり、試作設計や工程条件の検討が大幅に迅速化される見込みとされています。FJWLAは2026年3月以降に発売されるビール類から順次導入される予定で、その先はRTD（缶チューハイなど、そのまま飲める飲料）やワイン、清涼飲料へと対象領域を広げる方針も示されています。