AI研修 LMS

Reckitt が生成 AI とシミュレーションで研究開発を加速｜R&D の付加価値の低い作業で最大 70% の時間削減、2,000 人超を育成（同社発表）【AI活用事例】

公開: 2026-11-06

Reckitt（レキット）消費財・ヘルスケア（衛生・健康・家庭用品）研究開発・商品開発の加速（予測科学・シミュレーション・生成 AI による意思決定支援）海外大手Digital Science（予測科学とシミュレーション技術を組み合わせた同社の取り組み）生成 AI（専門家の意思決定支援・生産性向上・ワークフロー短縮）自社の独自データと専門知識

この事例でわかること

  • 英国の消費財メーカー Reckitt が、予測科学・シミュレーション・生成 AI を組み合わせた「Digital Science」で、主力ブランドの商品開発を加速（公式発表 2026-05-14）
  • 同社発表の成果: R&D の付加価値の低い作業で最大 70% の時間削減、案件の平均規模（期待増分純収益ベース）が前年比 25% 増
  • 展開は全ての主力ブランド（Powerbrands）・20 か国超。R&D とマーケティングの 2,000 人超が新しいソリューションの訓練を受けた
  • 「70%」は最大値で対象は付加価値の低い作業のみ、「25%」は期待収益で実売上ではない。測定方法と AI 単独の寄与は非公表
  • 学べる型: AI 投資は段階的に行い、価値が見えなければ早めに止め、効果を厳密に追う（同社 AI 責任者の発言）。演習は Links-Create の研修用提案

主な指標（一次ソース確認済み）

R&D の付加価値の低い作業の時間
最大 70% 削減（同社発表）

Reckitt 公式発表（2026-05-14）の「Up to 70% time savings on lower-added-value tasks across R&D function」に基づく。「最大」の値であり平均ではない。対象は R&D 部門の「付加価値の低い作業」に限られ、R&D 全体の工数や開発期間の削減率ではない。どの作業を含めたか、比較の基準時点・測定方法は非公表。

案件の平均規模
前年比 25% 増（期待増分純収益ベース）

公式発表の「Average project size, in terms of expected incremental net revenue, has increased by 25% year-on-year」に基づく。「期待」増分純収益であり、実際に計上された売上の増加ではない。AI 単独の寄与か、案件の選び方の変化を含むかは示されていない。

展開範囲
全 Powerbrands・20 か国超

公式発表は、Digital Science の能力が全ての Powerbrands（同社の主力ブランド群）に、20 か国超で展開されたと記載。各国・各ブランドでの利用の深さは非公表。2026 年を通じて他部門へ広げ始めるとしている。

育成した社員
2,000 人超（R&D とマーケティング）

公式発表は、R&D とマーケティングの 2,000 人超が新しいソリューションを使えるよう訓練を受けたと記載。研修の内容・時間・その後の利用率は非公表。

一次ソース: https://www.reckitt.com/news/digital-science-enabling-reckitt-to-drive-growth/ （公開: 2026-05-14）

要約

英国の消費財メーカー Reckitt（レキット） が、予測科学・シミュレーション・生成 AI を組み合わせた「Digital Science」で、主力ブランド群（Powerbrands）の商品開発を加速していると発表しました（公式発表 2026-05-14）。

同社が発表した成果は次のとおりです。

  • R&D の付加価値の低い作業で、最大 70% の時間削減
  • 案件の平均規模（期待増分純収益ベース）が前年比 25% 増
  • 全ての Powerbrands・20 か国超に展開し、R&D とマーケティングの 2,000 人超を育成

この事例から学べるのは、AI の技術そのものより、AI 投資をどう進め、どう止め、どう測るかです。同社の AI 責任者は「段階的に投資し、価値が見えなければ早めに止め、効果を厳密に追う」と述べています。

本記事は Reckitt の公式発表（2026-05-14）を一次ソースに、事実の整理と Links-Create の分析・研修用の演習を分けて解説します。演習の例は研修用の提案であり、Reckitt が実施した事実ではありません。

何が発表されたか（公式情報ベース）

発表主体は Reckitt 自身であり、成果の数値も同社による発表値です。同日、同社は投資家・アナリスト向けセミナー「Focus On: Digital Science」を開催しており、その内容に合わせた発表です。

Digital Science の概要

項目内容
位置づけ主力ブランド群のイノベーション（商品開発）の速度・規模・優位性を高める取り組み
中身予測科学とシミュレーション技術。独自のデータと専門知識を使う
ねらい物理的な試験の必要を減らす、開発コストを下げる、市場投入までの時間を短くする
生成 AI の役割専門家の意思決定の支援、生産性の向上、ワークフローの短縮
展開範囲全ての Powerbrands、20 か国超
育成R&D とマーケティングの 2,000 人超が訓練を受けた
今後2026 年を通じて、他の部門へ広げ始める

公式発表は、これらの能力を商品開発から発売まで組み合わせることで、早い段階で価値を確かめ、最も見込みのあるアイデアに資源を集中できるようになると説明しています。

同社が示した成果

指標公式の記載（要約）
時間削減R&D 部門全体の付加価値の低い作業で、最大 70% の時間削減
案件の平均規模期待増分純収益で見た案件の平均規模が、前年比 25% 増加

AI 投資の進め方（責任者の発言）

同社の SVP Global Business Services and AI Enterprise である Bastien Parizot 氏は、公式発表で次のように述べています。

"Every AI initiative at Reckitt is business-led, value-proofed, built on strong data foundations, and deployed with humans fully in the lead."（Reckitt の AI の取り組みはすべて、事業部門が主導し、価値を実証し、強固なデータ基盤の上に築き、人が完全に主導する形で展開している）— 出典: Reckitt 公式発表（2026-05-14、訳は Links-Create）

同氏は続けて、段階的に投資し、価値が明確でなければ早期に止め、効果を厳密に追跡していると述べ、その規律が変革を持続可能にしていると説明しています。

公式発表で開示されていない情報（推論で書かない）

確認した範囲で、次の情報は記載がありません。

  • 「付加価値の低い作業」に含めた作業の種類、時間の測定方法、比較の基準時点
  • 70% が最大値である作業以外の削減率、R&D 全体での平均
  • 25% の算出方法、AI 単独の寄与、実際に計上された売上への影響
  • 使っている生成 AI・シミュレーションのツール名、モデル名
  • 研修の内容・時間、2,000 人超のその後の利用率
  • 投資額、途中で止めた取り組みの件数や基準

これらは公式情報がないため、本記事でも記載しません。

設計の読み解き（Links-Create による解説）

ここからは、公開情報から読み取れる設計上のポイントを Links-Create の視点で解説します。以下は独自分析であり、Reckitt の公式見解ではありません。

1. 成果を「時間」と「案件の質」の 2 軸で示している

同社が示した 2 つの数値は、性質が異なります（Links-Create の整理）。

軸指標意味（解釈）
効率付加価値の低い作業の時間削減同じ人数で回せる作業が増える
質案件の平均規模（期待収益）見込みの大きい案件に資源を寄せられている

AI の成果を「時間削減」だけで語ると、浮いた時間が何に使われたかが見えません。効率と質の両方を指標にすることで、AI 投資が事業にどうつながったかを説明しやすくなります。

2. 生成 AI は「単独の主役」ではなく、シミュレーションと組み合わせている

公式発表では、商品開発の中心は予測科学とシミュレーションで、生成 AI は専門家の判断・生産性・ワークフローを支える役割として書かれています。試験の数を減らすのはシミュレーション、作業を速くするのは生成 AIと、役割を分けて読むと、自社に置き換えるときに何から手をつけるかが整理しやすくなります。

3. 「止める基準」を先に持っている

「価値が明確でなければ早期に止める」という方針は、AI 活用でよくある「試したまま続いている取り組み」を防ぐ考え方です。止める基準を先に決めておくと、続ける取り組みにも説明がつきます。具体的な基準は公表されていないため、自社で決める必要があります（演習 3）。

4. 数値を引用するときの 3 つの注意

  • 「最大 70%」: 最大値で、対象は付加価値の低い作業のみ。R&D 全体や開発期間の短縮率ではない
  • 「25% 増」: 期待増分純収益で見た案件の平均規模。実際の売上の増加ではない
  • 同社発表値: 測定方法・比較条件・AI 単独の寄与は非公表

推奨する表現は「Reckitt は、R&D の付加価値の低い作業で最大 70% の時間削減、案件の平均規模（期待収益ベース）が前年比 25% 増と発表。測定条件は非公表。」です。

5. 既存の事例との違い

事例AI の使いどころ本事例との違い
大林組の構造設計 AI設計業務の効率化設計作業の支援が中心。本事例は商品開発全体の投資判断の進め方まで示す
野村総合研究所の業界特化型 LLM業務向け LLM の高精度化と社員の利用社内利用の広がりを示す事例。本事例は効率と案件の質の 2 軸で成果を示す

自社に置き換える演習（Links-Create の研修用の提案）

以下の演習と表の例は、Links-Create が研修用に提案するものです。Reckitt が実施した手順や事実ではありません。 表の「例」は考え方を示す架空の例です。

演習 1: 「付加価値の低い作業」を棚卸しする

1 週間の作業を書き出し、判断を伴わない作業を特定します。

作業の例（研修用の例）判断を伴うか生成 AI の候補か
試験結果の転記・集計伴わない候補
文献・過去資料の要約一部伴う候補（人が確認）
商品コンセプトの最終判断伴う対象外（人が判断）

演習 2: 成果指標を「効率」と「質」の 2 つ決める

軸指標の例測り方の例
効率対象作業の時間導入前後の 1 か月で、1 件あたりの時間を記録
質判断に使えた情報の量、手戻りの回数案件ごとに記録

「時間が減った」だけでなく、「浮いた時間で何ができたか」を記録します。

演習 3: 「続ける・止める」の基準を先に書く

項目例（研修用の例）
評価期間2 か月
続ける条件対象作業の時間が 2 割以上減り、手戻りが増えていない
止める条件確認・修正の時間が増え、全体で時間が減らない

基準を先に決めておくと、うまくいかなかったときも学びとして残せます。

法人 AI 研修への示唆（Links-Create の視点）

  1. ツール導入と人の育成をセットにする — 2,000 人超の育成のように、使い手の訓練を計画に入れる
  2. 成果は 2 軸で測る — 時間削減だけでなく、仕事の質の変化も指標にする
  3. 止める基準を研修で決める — 「段階的に投資し、早めに止める」を、自部門の基準に落とす演習を行う

関連リソース

出典・引用ポリシー

本記事の事実情報は、次の公式発表のみを一次ソースとしています。

設計の読み解き・演習・研修への示唆は Links-Create の独自分析・研修用の提案であり、Reckitt の公式見解ではなく、同社が実施した事実でもありません。

定量値は公式発表の限定（最大値・付加価値の低い作業・期待増分純収益・同社発表）を維持し、成果保証としては記述していません。価格・販促の最適化に関する第三者記事の数値は、Reckitt の公式発表で確認できないため用いていません。引用文の和訳は Links-Create によるものです。

公式情報の更新があれば、本記事も追従して更新します。

関連する AI 研修コース・ガイド

この事例で見た AI 活用を、自社のエンジニア・実務者が手を動かして再現できる 実装演習とガイド記事です。Anthropic Academy の概念入門の次に位置する、 実装力定着のためのカリキュラムをご覧ください。