この記事自体が「AI for Science」の実験です

本記事は、人間が書いたものではありません。

筆者が開発した AI エージェント群（SHIKIGAMI / SPReAD1000-Builder / MUSUBIX2）が、実際に Web 上の Azure 料金ページにアクセスし、GraphRAG の GitHub リポジトリを調査し、Microsoft Research の論文を精読し、その結果を構造化して設計書を生成し、この記事を執筆しました。筆者が行ったのは、「少子化の各国文献をAIで横断分析したい」というテーマの提示と、GraphRAG という技術選定、そしてエージェントとの対話による方向修正です。

つまり、この記事の作成プロセス自体が「AI for Science」の実験 です。

AI エージェントが最新の Azure 料金を取得して費用概算を算出する → 実験
AI エージェントが GraphRAG と通常 RAG のコスト差を検証する → 検証
AI エージェントが SPReAD1000 の予算制約内で実現可能なスコープを導出する → 分析
その一連のプロセスを記事として出力する → 文書化

「AI に研究計画を作らせたらどこまでできるのか」 — その答えが、以下に続く設計書一式です。

この記事は誰のためのものか

SPReAD1000 への応募を検討している研究者 の方へ。

文部科学省の応募者説明会で提示されたユースケースイメージを見て、「面白そうだけど、実際どうやってシステムを組むの？」「500万円 / 180日で具体的に何ができるの？」と思った方は多いのではないでしょうか。

本記事では、提示されたユースケースの一つ 「少子化に関する各国文献のAI横断分析」 を題材に、実際に必要な技術構成・コスト・期間・体制を具体的に試算しました。結論から言うと、スコープを適切に設計すれば SPReAD1000 の枠内で十分に意味のある成果を出せます。本格的な拡張は SPReAD1000 を足がかりに次のフェーズで展開する設計です。

その見通しを、Azure の具体的なサービス名と料金まで落とし込んでお見せします。

💬 「ChatGPT や Claude に聞けば同じようなものが出てくるのでは？」と思った方へ。

試してみてください。「SPReAD1000 で少子化の横断分析をしたい。Azure の構成と料金を教えて」と聞けば、それらしい回答は返ってきます。しかし、そもそも 「このユースケースには GraphRAG が必要だ」という技術選定の判断 を、汎用AIは下せません。ChatGPT に聞けば「RAG を使いましょう」と返ってくるでしょう。しかし通常の RAG では「38カ国に共通する未知の論点」は発見できません。GraphRAG の Global Search と Leiden 法によるコミュニティ検出がこのユースケースに不可欠だ と判断できるのは、AI for Science の技術動向を追い続けている実務者の知見です。

さらに、GPT-4o の入力トークン単価が $5/1M であること、Azure AI Search S1 が月額 $245.28 であること、GraphRAG のインデックスコストが通常 RAG の 100〜1,000倍であること — こうした 設計判断を左右する具体的な数値 は、汎用 AI チャットでは正確に出てきません。本記事では、SPReAD1000-Builder が Azure の最新価格表を実際に参照しながら、SKU 別の比較と費用概算を自動算出しています。

本記事の設計書は、筆者の AI for Science に関する知見（GraphRAG という技術選定）と、専用 AI エージェント群（最新価格を参照した Azure 構成設計・費用概算・設計書生成）の掛け合わせで生まれたものです。どちらか一方では成立しません（詳しくは第9節）。

1. ユースケースの全体像 — そもそも何をやるのか

文科省が提示したユースケースイメージ

世界各国の白書・論文・調査報告書等をAIで横断検索・比較し、少子化に関する未検証論点や、日本の分析で見落とされている論点を抽出。

もう少し噛み砕くと、こういうことです。

OECD加盟38カ国の少子化関連文献（白書・論文・報告書）を 大量に集めて
AIで中身を読み解き、各国の論点を 構造的に整理して
「日本ではまだ検証されていない切り口」を 機械的に発見する

なぜ人手では限界があるのか

壁	具体例
量の壁	38カ国 × 過去10年 × 白書+論文 ≈ 4,000〜9,000件。1人で通読するなら数年かかる
言語の壁	英語・仏語・独語・各国語が混在。検索キーワードすら網羅が難しい
比較の壁	「フランスの育児休業制度」と「韓国の保育費補助」を同じ軸で並べる作業は認知負荷が高すぎる
発見の壁	そもそも「日本で議論されていないこと」は、日本語の文脈だけでは気づけない

この最後の 「知らないことを知らない」問題 が核心です。通常のキーワード検索では、知っていることしか検索できません。ここにAI、特に GraphRAG を使う理由があります。

2. なぜ「普通のAI検索」ではダメなのか — GraphRAG という選択

📌 著者の知見: このユースケースに対して GraphRAG を選択したのは、汎用AIに聞いて出てきた答えではありません。Microsoft Research の GraphRAG 論文、LazyGraphRAG のベンチマーク結果、そして複数の RAG 手法の比較検証を通じて、「未知の論点を発見する」というこのユースケースの本質的要件には、通常の Vector RAG では不十分であり、GraphRAG の Global Search が不可欠だと判断したものです。技術選定こそが、AI for Science プロジェクトの成否を分ける最大のポイントです。

一般的な RAG の限界

最近よく聞く RAG（Retrieval-Augmented Generation）は、文献をチャンク（断片）に分割し、質問に似た断片を探してLLMに渡す方式です。「この文献の中に○○について書いてある箇所はどこ？」という質問には強いのですが——

このユースケースの中核的な問い には答えられません。

「38カ国の少子化対策に共通する論点は何か？」 → 全体俯瞰ができない
「日本で見落とされている論点は何か？」 → 知らないことは検索できない
「フランスとドイツと韓国の施策はどう関連しているか？」 → 文献間の関係が見えない

GraphRAG が可能にすること

Microsoft GraphRAG は、文献から エンティティ（概念・制度・人名・組織） と関係を抽出し、知識グラフを自動構築します。さらに Leiden法 というコミュニティ検出アルゴリズムで、トピックの自然なクラスタを発見します。

普通のRAG:
  文献 → 断片化 → "似た断片を探す" → 回答
  → 「知っていること」しか見つからない

GraphRAG:
  文献 → エンティティ・関係を抽出 → 知識グラフ構築
       → コミュニティ（トピック群）を自動検出
       → 「各コミュニティの要約」から全体俯瞰
  → 「知らなかったこと」が浮かび上がる

研究者にとって最も価値があるのは、この 2つの検索モード です：

モード	問いの例	仕組み
Global Search	「各国の少子化対策で共通する論点トップ10は？」	全コミュニティのサマリを横断して回答
Local Search	「フランスの父親育休制度の詳細は？」	特定エンティティ周辺のグラフを深掘り

💡 研究者向けのポイント: GraphRAG の Global Search は、いわば「4,000件の文献を全部読んだ上での俯瞰レビュー」を機械的に行うものです。未知のトピッククラスタが自動で見つかるため、システマティックレビューの「網羅性」を飛躍的に高める 可能性があります。

ただし、コストに注意

GraphRAG のインデックス構築（全文献からエンティティを抽出する工程）は、通常のRAGの100〜1,000倍のLLM推論コストがかかる とされています。これが後述のコスト試算に大きく効いてきます。

3. システム構成 — 何をどう組むのか

Azure 上に構築するシステムの全体像です。研究者の方が「どんなサービスを契約する必要があるのか」をイメージできるよう、具体的なサービス名で記載します。

全体アーキテクチャ（3レイヤー構成）

┌──────────────────────────────────────────────────────────────────┐
│                    Azure Resource Group                          │
│                                                                  │
│  ┌─────────────────┐  ┌──────────────────┐  ┌─────────────────┐  │
│  │ Data Ingestion  │  │  GraphRAG Core   │  │ Query & Analysis│  │
│  │                 │  │                  │  │                 │  │
│  │ Blob Storage    │→ │ Azure OpenAI     │→ │ Azure AI Foundry│  │
│  │ (文献保管)       │  │ (GPT-4o)         │  │ (検索UI)        │  │
│  │                 │  │                  │  │                 │  │
│  │ Container Apps  │  │ Cosmos DB        │  │ Global Search   │  │
│  │ (MarkitDown)    │  │ (知識グラフ)      │  │ Local Search    │  │
│  └─────────────────┘  └──────────────────┘  └─────────────────┘  │
│                                                                  │
│  ┌──────────────────────────────────────────────────────────┐    │
│  │ Key Vault / Monitor / Container Registry / VNet          │    │
│  └──────────────────────────────────────────────────────────┘    │
└──────────────────────────────────────────────────────────────────┘

各コンポーネントの役割

処理段階	何をするか	Azure サービス	一言で言うと
文献保管	PDF/DOCX を格納	Blob Storage	クラウド上のファイルサーバー
文書変換	PDF → テキスト(Markdown)に変換	Container Apps + MarkitDown	Microsoft製の高精度文書変換ツール
エンティティ抽出	文献から概念・制度・関係を抽出	Azure OpenAI (GPT-4o)	最もコストがかかる工程
埋め込み生成	テキストをベクトル化	Azure OpenAI (text-embedding-3-small)	類似検索のための数値変換
知識グラフ保存	エンティティと関係を格納	Cosmos DB (Gremlin API)	グラフデータベース
ベクトル検索	類似文献・概念の検索	Azure AI Search	ハイブリッド検索エンジン
分析UI	研究者が検索・分析を行う画面	Azure AI Foundry + Web UI	チャット形式の分析インターフェース

💡 MarkitDown は Microsoft が公開しているオープンソースツールで、PDFの表・図表・数式なども高精度にテキスト化できます。白書のように複雑なレイアウトの文書に有効です。

4. リアルなコスト試算 — ここが一番知りたいところ

前提条件

項目	値	根拠
対象文献数	約6,000件	OECD 38カ国 × 白書 + 学術論文
総ページ数	約75,000ページ	6,000件 × 平均12.5ページ
総トークン数	約1.5億トークン	75,000ページ × 2,000トークン/ページ
為替レート	1 USD = 155 JPY	2026年4月時点

Azure 利用料の内訳

リソース	用途	月額目安	12ヶ月計
Azure OpenAI (GPT-4o)	エンティティ抽出・サマリ生成	¥28,000〜45,000	¥336,000〜540,000
Azure Cosmos DB	知識グラフ保存	¥36,000	¥432,000
Azure AI Search (S1)	ベクトル検索	¥38,000	¥456,000
Container Apps	MarkitDown・Indexer	¥5,000〜15,000	¥60,000〜180,000
その他（Storage等）	ファイル保管・監視	¥4,000	¥48,000
Azure 合計			¥113万〜¥125万

人件費を含めた総コスト

カテゴリ	金額	構成比
Azure 利用料	¥113万〜¥125万	9.4〜10.3%
人件費	¥1,020万	84.6%
その他（DB利用料等）	¥60万	5.0%
総計	約¥1,200万 / 12ヶ月	100%

📊 最大の発見: コストの84%は人件費

Azure の利用料は ¥113〜125万円で、実はそれほど高くありません。
問題は、GraphRAG パイプラインの構築・チューニング・論点の解釈・計画策定を行う 人的リソースの確保 です。

PI（研究代表者）1名、AIエンジニア1名、データエンジニア1名で、月額約85万円。
これが12ヶ月で約1,000万円になります。

SPReAD1000 の枠（500万円 / 180日）を最大限活かすには？

スコープを戦略的に設計することで、SPReAD1000 の枠内で十分な成果が出せます。

5. SPReAD1000 に最適化した設計

500万円 / 180日の枠を最大限に活かし、意味のある成果を出すための設計です。

何に集中し、何を次フェーズに回すか

項目	将来的な拡張版	SPReAD1000 版	判断理由
対象文献	6,000件（38カ国）	1,000〜2,000件（主要10カ国）	英語圏 + OECD公式文書に絞る
GraphRAG方式	フルGraphRAG	LazyGraphRAG	インデックスコスト90%削減
研究期間	12ヶ月	6ヶ月（180日）	Phase A-C に集中
人員	PI + エンジニア2名 + RA	PI 1名 + 技術支援（部分委託）	既存の研究室リソース活用
最終成果	分析計画書15件	未検証論点リスト + 概要レベルの方針	Phase D は次フェーズで展開

SPReAD1000 版の予算案

カテゴリ	金額	備考
Azure 利用料	¥40万	LazyGraphRAG で大幅削減
エンジニア委託費	¥300万	GraphRAGパイプライン構築 3ヶ月
その他	¥80万	文献DB利用料、学会費等
合計	約¥420万	SPReAD1000 枠内 ✅

縮小版でも出せる成果

削ったのはスケールであって、研究の核は残しています。

成果指標	本格版	縮小版
文献検索対象の拡大	従来比50倍	従来比10倍
未検証論点の抽出	30-50件	10-20件
分析計画の具体化	15件	概要レベルで5件
再現可能なパイプライン	✅	✅（これが最大の資産）

💡 SPReAD1000 応募のポイント: 縮小版でも「パイプラインが動く」ことを実証できれば、次のフェーズの大型研究費 への布石になります。SPReAD1000 は「AI活用の実証」が目的なので、完全な研究成果よりも 「この手法が機能することの証明」 を前面に出すほうが採択に有利と考えられます。

6. 研究計画の時間軸 — 180日で何をするか

SPReAD1000 の180日（約6ヶ月）に合わせたスケジュールです。

Month:  1        2        3        4        5        6
        ├────────────────┤
        Phase A: データ収集・前処理
        ├ 文献リスト策定（主要10カ国）
        ├ PDF/DOCXダウンロード
        └ MarkitDown でMarkdown変換

                         ├──────────────────┤
                         Phase B: GraphRAG構築
                         ├ Azure環境プロビジョニング
                         ├ LazyGraphRAG インデックス構築
                         └ コミュニティ検出・サマリ生成

                                            ├──────────────────┤
                                            Phase C: 論点抽出・分析
                                            ├ Global Search で俯瞰分析
                                            ├ 日本文献との差分抽出
                                            └ 未検証論点リスト作成

各フェーズの具体的な作業

Phase A（Month 1-2）: 文献を集めて整える

OECD・各国政府サイト・Scopus/PubMedから文献を収集
Microsoft MarkitDown で PDF → Markdown に一括変換
国名・年度・文書種別のメタデータを付与

⚠️ ここでの注意: 各国白書の著作権・利用規約の確認が必要です。OECD文書は比較的オープンですが、各国政府文書は条件が異なります。

Phase B（Month 2-4）: AIに「読ませる」

LazyGraphRAG でエンティティ・関係を抽出（コスト90%削減版）
Cosmos DB に知識グラフを格納
Azure AI Search にベクトルインデックスを構築
コミュニティ検出で「少子化に関するトピック群」を自動分類

Phase C（Month 4-6）: 論点を発見する

Global Search: 「38カ国の少子化対策の主要論点は何か」と問う → コミュニティ横断の俯瞰回答
差分分析: 海外文献のコミュニティ vs 日本文献のサブグラフを比較 → 日本に存在しない論点を抽出
研究者の専門知識で論点を評価・優先度付け

7. コスト最適化のヒント — 知っておくと得する技

GraphRAG は強力ですが、使い方次第でコストが桁違いに変わります。

LazyGraphRAG を使う（必須）

Microsoft Research が2024年末に発表した LazyGraphRAG は、フルインデックスを事前に構築せず、クエリ時に必要な部分だけ処理する方式です。

方式	6,000件のインデックスコスト	品質
フル GraphRAG	約¥25万	◎
LazyGraphRAG	約¥2.5万	○（フルの85-90%程度）
通常の RAG	約¥500	△（Global質問に弱い）

SPReAD1000 の予算を最大限に活かすなら、LazyGraphRAG 一択 です。

その他の節約テクニック

テクニック	効果	リスク
GPT-4o-mini でエンティティ抽出	推論コスト 97%削減	抽出精度が低下する可能性
Cosmos DB を Serverless に	月額 ¥36,000 → 利用量次第で大幅減	高負荷時にスロットリング
AI Search を Basic に変更	月額 ¥38,000 → ¥11,000	インデックスサイズ上限あり
不要時のリソース停止	Phase A/B 完了後に不要サービス停止	再起動時に手間

8. 応募に向けて — この設計をどう活用するか

申請書に書くべきこと

SPReAD1000 の申請書で求められるのは「AI活用の必要性」と「実施計画の具体性」です。本記事の内容を以下のように活用できます：

申請書の項目	本記事で使える内容
AI活用の必要性	第1節の「人手の限界」（量・言語・比較・発見の4つの壁）
技術手法の選定理由	第2節の「なぜGraphRAGか」（通常RAGとの比較表）
システム構成	第3節のアーキテクチャ図とコンポーネント表
コスト根拠	第4節の Azure 料金内訳（公開価格ベース）
実施計画	第6節の Phase A-C タイムライン
期待される成果	第5節の「縮小版でも出せる成果」

本記事の設計書一式

本記事の元になった詳細設計書をリポジトリで公開しています：

ファイル	内容
`phase0-research-plan.md`	12ヶ月研究プラン（4フェーズ構成）
`phase1-azure-architecture.md`	Azure構成設計書（全コンポーネント詳細）
`phase2-cost-estimate.md`	詳細コスト見積もり（Azure料金ソース付き）
`phase3-proposal.md`	統合プロジェクト計画書
`system-architecture.drawio`	Azure構成図（Azure公式アイコン使用）

⚠️ これらは AI が生成した叩き台 です。実際の応募書類にそのまま使うのではなく、ご自身の研究テーマ・専門知識・所属機関の状況に合わせてカスタマイズしてください。特にコスト試算は、Azure Pricing Calculator で最新価格を確認してください。

9. 補足: この設計書はどうやって作ったか

ChatGPT / Claude との壁打ちでは、こうはならない

ここまでの設計書一式を見て、「ChatGPT に頼めば同じものが出るのでは」と思うかもしれません。実際に試してみるとわかりますが、汎用 AI チャットで得られるのは 「それらしい雰囲気の回答」 であり、設計判断に使える精度の情報 ではありません。

汎用AIチャットに聞いた場合	本記事の設計書
「Azure AI Search を使います」（料金不明）	S1: 月額¥38,000、Basic: ¥11,000 と最新価格表から根拠付きで比較
「GraphRAG がおすすめです」（コスト不明）	通常RAGの100〜1,000倍のインデックスコストを明示
「Cosmos DB を使います」（SKU不明）	Autoscale 4,000 RU/s で月額¥36,000、Serverless との比較も提示
「500万円で可能です」（根拠なし）	現実は¥1,200万。縮小版で¥420万とAzure実価格ベースで誠実に算出
「構成図を作ってください」→ テキスト説明	Azure公式アイコンの.drawioファイルを自動生成

この差が生まれる理由は明確です：

技術選定は人間の知見 — 「このユースケースには GraphRAG が必要」という判断は、汎用AIからは出てこない。AI for Science の技術動向を追い続けている実務者だからこそ下せる判断
汎用AIは最新料金を知らない — 学習データのカットオフ以降の価格改定を反映できない
汎用AIはWebにアクセスしない（多くの場合）— Azure Pricing Calculator の実データを取得できない
汎用AIにドメイン知識がない — SPReAD1000 の予算設計・審査観点・スケジュールを考慮した最適な構成を提案できない
汎用AIに設計プロセスがない — 「調査 → 分析 → 設計 → 見積もり」を一貫したワークフローで実行できない

つまり、「何を使うべきか」を決めるのは筆者の知見、「それをどう設計書に落とし込むか」を高速化するのが専用エージェント — この両輪があるから約40分で設計書一式が完成します。以下にその仕組みを説明します。

約40分で設計書一式を生成できた仕組み

ツールの全体像 — 3層のAIエージェント連携

研究者の一言
  「少子化の各国文献をAIで横断分析したい」
       │
       ▼
┌─────────────────────────────────────────────────────┐
│  SPReAD1000-Builder（応募支援 Agent Skills）         │
│  「SPReAD公募の文脈で何が必要か」を知っている          │
│  Azure最適構成設計 / 最新価格表参照の費用概算          │
│  12スキル: コンテキスト収集 → 研究計画 → Azure設計     │
│           → コスト算出 → 申請書作成 → 最終レビュー     │
├─────────────────────────────────────────────────────┤
│  SHIKIGAMI（Deep Research Agent + MCP Server）      │
│  「調べもの → 構造化 → レポート」の品質を保証する       │
│  6フェーズ: 目的探索 → 調査 → 分析 → レポート生成      │
│  53フレームワーク / 33テンプレート / 11 MCPツール      │
├─────────────────────────────────────────────────────┤
│  MUSUBIX2（SDD開発基盤 + MCP Server）                │
│  「アプリケーションを仕様駆動で開発する」基盤           │
│  26パッケージ / 61 MCPツール / EARS形式の要件管理      │
│  コードグラフ解析 / 形式検証（Lean4） / Wake-Sleep学習 │
└─────────────────────────────────────────────────────┘
       │
       ▼
  GitHub Copilot CLI + draw.io MCP Server
  （オーケストレーション + Azure構成図の自動生成）

各ツールの役割

SPReAD1000-Builder — SPReAD公募に特化した Agent Skills

npm install spread1000-builder でインストールすると、GitHub Copilot に 12のサブスキル + 2つのカスタムエージェントが追加されます。

最大の特徴は2つ：

Azure上でのベストな構成を自動設計する — 研究テーマに応じて、適切な Azure サービスの組み合わせ・SKU選定・ネットワーク構成を提案。単に「Cosmos DB を使いましょう」ではなく、「Gremlin API / Autoscale 4,000 RU/s / Serverless との比較」まで踏み込む
最新の価格表を参照しながら費用概算を算出する — Azure Pricing Calculator の実データにアクセスし、GPT-4o のトークン単価、AI Search の SKU 別月額、Cosmos DB の RU/s 単価など、設計判断に直結する具体的な金額 を根拠付きで算出。汎用AIチャットが「数万円程度です」と曖昧に答えるのに対し、「S1: 月額¥38,000 vs Basic: 月額¥11,000、インデックスサイズ上限に注意」と比較可能な形で提示

フェーズ	スキル	何をしてくれるか
0	`context-collector`	1問1答で研究テーマの不足情報を収集
1	`research-planner`	Web調査を通じたAI活用研究計画の作成
2	`azure-architect`	研究プランに最適なAzure構成の設計
3	`diagram-generator`	draw.io MCPによるAzure構成図の生成
4	`cost-estimator`	Azure料金に基づくコスト見積もり
5	`proposal-writer`	SPReAD公募申請書の作成支援
6	`final-reviewer`	6審査観点でのスコアリング・提出可否判定
7	`submission-guide`	AIインタビュー・e-Rad提出の手順案内
8-9	`iac-deployer` / `azure-deployer`	Bicepテンプレート生成とAzureデプロイ
10	`experiment-guide`	実験手順書の生成
11	`post-award`	採択後の中間報告・最終報告の管理

つまり、応募の準備から採択後の報告まで一貫して支援するツール です。今回の記事では Phase 0〜5 のスキルを使用しました。

SHIKIGAMI — Deep Research Agent

GitHub Copilot の AGENTS.md（Custom Instructions）として機能し、AI Coding Agent を 「構造化されたリサーチエージェント」 に変換します。

6フェーズの品質管理: プロジェクト初期化 → プロンプト最適化（6要素分解）→ 目的探索（1Q1A対話）→ Deep Research → フレームワーク分析 → レポート生成
53種のコンサルフレームワーク: SWOT、3C、PEST、5Forces など。調査テーマに応じて自動選択
MCP Server（11ツール）: Web検索・ページ訪問・調査結果の自動保存・セマンティック検索など
品質ゲート: 各フェーズ間でクオリティチェック。「的外れな調査結果のまま次に進む」を防止

今回は、Azure料金の調査（GPT-4o・AI Search・Cosmos DB等の最新価格取得）とGraphRAGの技術調査にSHIKIGAMIを活用しました。

MUSUBIX2 — Specification Driven Development 基盤

実際のアプリケーション開発では、MUSUBIX2 が 要件定義 → 設計 → 実装 → テスト のワークフローを管理します。

EARS形式の要件管理: 「When [条件], the system shall [動作]」のような構造化された要件記述
100%トレーサビリティ: 要件 ↔ 設計 ↔ コード ↔ テスト間の完全な追跡
26パッケージのモノレポ: コードグラフ解析、知識グラフ、形式検証（Lean4）、プログラム合成など
61のMCPツール: SDD ワークフロー、知識操作、コード解析、セキュリティスキャンなど

GraphRAG パイプラインや分析UIの実装フェーズでは、MUSUBIX2 が仕様から実装までの品質を保証します。SPReAD1000 で採択された後の開発工程で威力を発揮するツールです。

所要時間

ステップ	使用ツール	所要時間
研究テーマの構造化	SPReAD1000-Builder + SHIKIGAMI	10分
技術・コスト調査	SHIKIGAMI MCP Server	2分
設計書4件の生成	SPReAD1000-Builder	5分
Azure構成図の生成	draw.io MCP Server	5分
この記事の作成	SHIKIGAMI MCP Server	15分
合計		約40分

これを人手でやった場合（Azure料金調査で半日、GraphRAG技術調査で1-2日、設計書作成で2-3日、構成図作成で半日）は 約4-6日 かかります。

💡 なぜ汎用AIチャットではなく専用エージェントが必要なのか

ChatGPT や Claude は「何でも答えてくれる汎用ツール」ですが、AI for Science の研究計画策定には「実務者の技術選定眼 × 最新情報へのアクセス × 構造化された設計プロセス」の三位一体が必要です。

筆者の知見 が「GraphRAG + LazyGraphRAG + Cosmos DB Gremlin API」という技術選定を決める
SPReAD1000-Builder が公募の審査観点・予算制約に合わせて設計書を構造化する
SHIKIGAMI が Web上の最新料金・技術情報にアクセスし、設計書に落とし込む
MUSUBIX2 が設計書の要件を EARS 形式で管理し、実装との100%トレーサビリティを保証する

「何を使うべきか」は人間が判断し、「どう設計書にするか」はエージェントが高速化する — この役割分担を明確に設計したエージェントスタックだからこそ、約40分で設計書一式が生成できました。汎用AIとの壁打ちでは、たとえ丸一日かけても、技術選定の根拠がない「雰囲気の設計書」しか出てきません。

本記事の作成プロセス自体が、「適切な知見を持つ研究者 × 適切に設計されたAIエージェント」の掛け合わせが研究計画策定を劇的に加速する という SPReAD1000 の趣旨の実証になっています。

まとめ

問い	答え
このユースケースは技術的に実現可能か？	Yes — GraphRAG + Azure AI Foundry で構築可能
SPReAD1000（500万円/180日）で実施できるか？	条件付きYes — 対象を主要10カ国に絞り、LazyGraphRAG を使えば
最大のコスト要因は？	人件費（84%） — Azure費用は全体の10%程度
「普通のRAG」ではダメなのか？	このユースケースではダメ — 「未知の論点発見」には GraphRAG の Global Search が必要
SPReAD1000 で最も重視すべき成果は？	「パイプラインが動く」ことの実証 — 完全な成果より手法の有効性証明

SPReAD1000 は、AI for Science の「最初の一歩」を踏み出すための制度です。 500万円で世界を変える研究は難しくても、「このアプローチが使える」ことを実証し、次の大型研究費につなげる — そのための180日と考えれば、十分に意義のあるプロジェクトになるはずです。

応募を検討されている方の参考になれば幸いです。

参考リンク

Microsoft GraphRAG — 知識グラフベースの RAG フレームワーク
Microsoft MarkitDown — PDF/DOCX → Markdown 高精度変換
Azure AI Foundry — AI エージェントのオーケストレーション基盤
LazyGraphRAG — Microsoft Research — コスト90%削減の GraphRAG 手法
Azure Pricing Calculator — Azure 料金の見積もりツール
draw.io MCP Server — Azure構成図の自動生成（700+ Azureアイコン内蔵）
MUSUBIX2 — Specification Driven Development（SDD）基盤、26パッケージ・61 MCPツール
SHIKIGAMI — Deep Research Agent Skills + MCP Server
SPReAD1000-Builder — SPReAD公募支援 GitHub Copilot Agent Skills（12スキル）

⚠️ 免責事項: 本記事の設計書・コスト見積もりは AI が生成した参考資料です。SPReAD1000 への応募にあたっては、応募者ご自身の責任で内容を精査・修正してください。Azure 料金は変動するため、最新の Pricing Calculator で確認することを推奨します。文部科学省の公式情報は SPReAD1000 公式サイトでご確認ください。