オープンソース版 OpenDeepResearchの概要と始め方
はじめに
2025年のAI業界では、LLM（大規模言語モデル）にツールや検索を組み合わせた「AIエージェント」が大きな話題になっています。
OpenAI社は2025年2月にDeep Researchという自律型リサーチ機能を発表しました。
その公開直後、Hugging Faceの開発者チームが24時間ハッカソン形式でこの仕組みを再現し、オープンソースプロジェクト Open Deep Research を公開しました
最新のAIトレンドに対応した調査ツールを試したい人にとって、OSS版は無料でカスタマイズ可能という点が大きな魅力です。
このブログでは、OSS版Open Deep Researchの仕組みや使い方、活用例などを初心者にも分かりやすく解説します。
Open Deep Researchとは？
Open Deep Researchは、OpenAIが提供する「Deep Research」のオープンソース版です。
Hugging Faceのエージェントフレームワーク smolagents を活用して作られており、わずか24時間で実用レベルのリサーチエージェントを構築したことが話題になりました。
まだまだ改善余地はありそうですが、コードベースのエージェントを導入したことで性能が向上し、商用版に迫る精度を持ち始めています。
主な特徴
オープンソース：ソースコードが公開されており、誰でも自由に参照・修正・拡張できます。ライセンスについてはこのURLで確認しましょう。https://github.com/langchain-ai/open_deep_research
検索特化：LangChain版のOpen Deep Researchは検索機能に特化したAIエージェントであり、Hugging FaceやManusなど他のエージェントと比べてウェブ検索に強みがあります。
自動化された調査ワークフロー：ユーザーがトピックを入力すると、トピックを細分化して検索し、収集した情報を要約してレポートとして提示します。
高い汎用性：Summarization・Research・Compression・Final Report の各機能が個別モデルに分かれており、OpenAI・Anthropic・Google Vertex AIなど複数のモデルプロバイダーをサポートします。
アーキテクチャと動作の流れ
Open Deep Researchのワークフローは人間が行う調査・分析・レポート生成業務に近い設計になっています
トピックの入力 – リサーチしたいテーマを入力します。
プランニング – トピックを要素分解し、レポートのアウトラインを生成します。
検索 – 各要素に対してエージェントが検索クエリを自動生成し、検索APIを使って情報収集します。
ライティング – 検索した情報をもとに文章を生成し、途中で改善を繰り返してレポートを生成します。
プランニングとリサーチ／ライティングのサイクルが何度も繰り返されるため、ユーザーが知らない分野でも深いレポートを得やすいのが特徴です。
モデル構成
Open Deep Researchでは、用途に応じて複数のモデルを役割分担させています
デフォルトはOpenAI製モデルですが、Anthropicなど他社モデルも設定可能です。
モデル役割デフォルトモデル
Summarization model： 検索APIから取得した結果を要約する openai:gpt‑4.1‑nano
Research model ： 研究と分析を行うメインモデル openai:gpt‑4.1
Compression model： サブエージェントの結果を圧縮してまとめるopenai:gpt‑4.1‑mini
Final Report model： 完成したレポートを作成するopenai:gpt‑4.1
モデルはinit_chat_model() APIで設定するため、OpenAI・Anthropic・Google Vertex AIなどの適切なモデル名に置き換えれば各社の大規模言語モデルを利用できます。
カスタマイズ可能な設定
READMEには多くの設定項目が用意されており、Web UIまたは環境変数から変更できます
主な項目をまとめると次のようになります。
一般設定
設定項目説明デフォルト
Max Structured Output Retries： 構造化出力のパースに失敗した際の再試行回数
Allow Clarification： 調査開始前にAIが確認質問を行うことを許可するか
Max Concurrent Research Units： サブエージェントを同時に実行する単位数。大きくすると高速化するがAPI制限に注意
調査設定
設定項目説明デフォルト
Search API： Tavily・OpenAI Native Web Search・Anthropic Web Search・None から選択
Max Researcher Iterations： 研究者（Supervisor）が反省し再検索する回数
Max Research Tool Calls： 1回のリサーチステップでツール呼び出しを行う回数の上限
これらの設定を調整することで検索深度や応答速度をコントロールできます。
たとえば、速度よりも精度を重視する場合はMax Researcher Iterationsを増やし、複数のサブエージェントを併用したい場合は
Max Concurrent Research Unitsを増やします。
セットアップ方法（Quickstart）
次の手順でローカル環境にOpen Deep Researchを導入できます
リポジトリのクローンと仮想環境の作成
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate依存関係のインストール
リポジトリ内の pyproject.toml に記載された依存ライブラリをインストールします
uv pip install -r pyproject.toml環境変数の設定
.env.example をコピーして .env を作成し、APIキーやモデル選択などの設定を記入します
cp .env.example .env今回は以下３つのAPIを利用しました。
OPENAI_API_KEY=
TAVILY_API_KEY=
LANGSMITH_API_KEY=
必要なAPIキーは各サイトから取得しましょう。
サーバの起動
LangGraphサーバを起動し、ブラウザからUIを開きます
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
ブラウザにLangGraph Studioの画面が表示されます。
使ってみる
LangGraph Studioの画面から使ってみましょう。
まずは挨拶してみます
こんにちは返事してくれました。
動作確認ができたので、さっそくレポートを作ってもらいました。
日本の自動車産業の未来を調査・分析してレポートしてください。スタートすると、左側のワークフローで稼働中のモジュールが表示されます。
まずは「supervisor」が動いているようです。
次に「supervisor_tools」が動いています。
toolを呼び出して実行しているようです。
以下のような途中経過も参照できます。
I want to investigate and analyze the future of Japan's automobile industry. My research should consider key factors such as advancements in technology (including electric vehicles, autonomous driving, and connectivity), government policies and regulations, domestic and international market trends, competition from global automakers, supply chain ch↓こallenges, and the industry's response to sustainability and climate change issues. If possible, please provide data and perspectives from both Japanese and international sources, preferably prioritizing Japanese-language sources but including significant international analyses where relevant. Since I have not specified a particular timeframe or sub-sector within the industry, please treat these as open-ended—considering both short-term and long-term trajectories and all relevant segments (e.g., passenger cars, commercial vehicles, component manufacturing).
最後に「final_report_generation」が動きます。
レポートを生成してくれているようです。
終了しました。
右側の「final_report_generation」にレポートが生成されています。
生成されたレポート
通常のLLM実行しただけでは得られないような深い調査をもとにしたレポートが生成されました。
参照文献の数も51件もあります！
少し時間はかかりましたが、10分くらいでこれほどのレポートが生成されると、生成AIの登場でコンサル企業が危機感を募らせているのもわかりますね。
# 日本の自動車産業の未来：総合調査・分析レポート（2025年）
## はじめに
日本の自動車産業は、国内市場・グローバル市場の構造的変化、電動化・自動運転・コネクティビティ（CASE）といった技術革新、政府政策、サプライチェーン問題、世界的な競争、そして気候変動とサステナビリティへの対応という多元的課題に直面しています。本レポートでは、各領域の動向と課題を詳細に分析し、日本の自動車産業の今後を展望します。
---
## 1. 技術革新：電動化・自動運転・コネクテッドカー・SDV
### 1-1. 電気自動車（EV）と次世代電動化技術
- 日本の新車販売に占めるEV（純電気自動車）の割合は2025年5月現在で2.6%前後と、中国（25.6%:2023年）、EU（18%）、米国（7.2%）など主要国に大きく遅れています。国内EV販売は減少傾向で、テスラなど海外ブランドが勢いを増しており、トヨタ・日産等の国産EVは苦戦しています[1][2]。
- ハイブリッド車（HEV）は依然として日本市場で人気が高く、インフラ未整備やバッテリー寿命への不安から消費者がBEVよりHEVやPHEVを選ぶ傾向が続いています[1][3]。
- 電動化の中心課題は「全固体電池」であり、トヨタは2027〜2028年に高性能全固体電池EVを市場投入予定、1,200km超の航続距離・10分急速充電など革新的スペックを目指しています。日産・ホンダも積極的な研究開発を進めていますが、中国（CATL,BYD等）の特許・量産力が先行しています[4][5][6]。
- EV用バッテリーマーケットは2024年約$452百万規模から2033年には36.2億ドルへ年率約26%成長が見込まれ、政府の補助金、バッテリー性能向上、コスト低減策が市場拡大を後押ししています[5]。
### 1-2. 自動運転の進展と展望
- 2023年4月の法改正で、日本国内でもレベル4自動運転公道走行が可能となりました。羽田空港周辺の専用道路や阪神圏の高速道路でバス・トラックの実証が活発化しています。実用商用化は2025〜2026年を目標に推進されています[7][8]。
- 国土交通省と経済産業省連携による「Mobility DX戦略」では、実証実験（FOT）を全国展開し、車車間/路車間通信（V2X）、シミュレーションベース安全評価手法、標準化推進などが産官学で進行しています[9][10]。
- 国際的には中国（百度、WeRide他）、米国（Waymo等）の自動運転実証・タクシー運用が先行していますが、日本もトヨタ等大手がNTTやIT企業と連携しAI大型基盤を2028年までに商用化予定、ソフトウェアプラットフォーム開発が加速しています[11][12]。
### 1-3. コネクテッドカー（Connected）・SDV（ソフトウェア定義自動車）
- 2025年1Qの国内コネクテッドカー販売は前年比34%増、トヨタがトップシェア（43%、T-Connect）で日産、スズキ、ホンダもサービス強化中。5G普及・AI連動で安全性・ユーザー体験が向上、Sibros等ベンチャーもプラットフォームで存在感を高めています[13][14]。
- 日本政府は2030～2035年までにSDV（ソフトウェア定義自動車）市場でグローバルシェア30%を掲げ、R&D、人材育成、標準APIや車載半導体開発、オープンソースソフト連携等に注力しています[15][16]。
- Tier1大手サプライヤーによるソフトシフトが進み、旧来の下位部品メーカーとの格差や競争力強化のためデジタル投資・M&A増大が求められています[17]。
---
## 2. 政府政策・規制とグリーントランスフォーメーション（GX）
### 2-1. 脱炭素・カーボンニュートラル政策
- 政府は2035年までに新車販売の全車「電動車」（HEV/BEV/PHEV/FCEV）化を目標とし、EV/FCV/PHEV 等に最大90万円の補助金、新規充電・水素ステーション建設、再生エネルギー導入等で支援を拡充しています。東京都では太陽光パネル＋V2H導入で合計100万円超の補助も実施中です[18][19]。
- 国全体のカーボンニュートラル目標は2050年ですが、トヨタやホンダ等 OEMも独自に2030-2040年代の電動化比率目標やLCAs（ライフサイクルアセスメント）による全工程でのCO2削減ロードマップを推進しています[20][21]。
### 2-2. デジタル／グリーントランスフォーメーション政策
- 「Mobility DX戦略」ではSDV化、自動運転、MaaS高度化、データ活用の活性化、人材育成、国際展開支援などが掲げられています[15]。
- 補助金は逐年改訂され実証実験型や先進的モビリティサービス向けへと重点配分されています。自動車整備規制も2025年7月に大幅見直しが実施され、デジタル記録化や自動運転車の整備士認定、遠隔／オンライン研修等が導入されました[22]。
- サプライチェーンの国産化促進やリスク分散政策、半導体・ソフトウェア産業育成策も官民一体で推進されています[23][24]。
---
## 3. サプライチェーン課題とサステナビリティ対応
### 3-1. サプライチェーンの脆弱性と対応
- 半導体・バッテリーの世界的な供給不足は2020年以降顕在化しており、日本では2027年のRapidusによる2nm国産半導体開発や、TSMC熊本工場等による製造基盤強化が官民連携で進行中です[25][26]。
- 原材料価格高騰（銅・アルミ・リチウム等）や米中対立等による調達リスク増大への対策として、取引先との情報共有プラットフォーム、「サプライヤーパーク」など協業型在庫管理、新興国生産の多極化推進が重要視されています[27][28]。
### 3-2. サステナビリティ／循環経済／気候変動対策
- カーボンニュートラル達成に向け、EV・PHEV・FCVと再生エネを軸に、リサイクル素材比率の向上（2030年に新車で15%目標）、廃車・ASR（自動車シュレッダーダスト）再利用率は国内97%超に達しています[29]。
- 小規模サプライヤーは、省エネ法・化学物質規制強化、グリーンサプライヤー要件（CO2絶対値削減・排出開示義務化）等に直面し、大手コンサルの支援のもと対応力を強化しています[30][31]。
- 欧州の強い脱炭素政策や米国のZero Emission Vehicle規制、中国のEVシフト圧力等、国際政策の影響も日本のサプライチェーン・製品戦略に波及しています。リード・ザ・チャージ評価レポートでは、日本メーカーは環境・人権調達分野で他国大手（Tesla, Mercedes, Ford等）に後れを取っており、産業全体の底上げが課題とされています[32][33]。
---
## 4. 国内外市場動向・輸出・競争戦略
### 4-1. 国内市場：成長と構造変化
- 2025年3月までの国内自動車販売は前年同期比14%増（約110万台）、ハイブリッド車や軽自動車が牽引。市場回復傾向ながら、2018年をピークに13.3%減少しており、コロナ後遺症や自然災害、リコール問題等が影響しています[34][35]。
- MINI車（軽）が大幅成長、コンパクト＆安全・低燃費車が根強い支持を得ており、トヨタ/ホンダ/スズキが国内シェアを保持[34][35]。
### 4-2. 生産・輸出：再編と海外競争圧力
- 2024年の国内生産は8.23百万台（前年比8.5%減）、国内販売4.42百万台（7.5%減）、輸出4.21百万台（4.6%減）で、中国（5.9百万台）に世界輸出首位を明け渡しました[36][37]。
- 2025年4月までの生産は前年同期比10%増（280万台）と持ち直し傾向ですが、米国向け（▲26.7%）など輸出は依然苦戦[37]。
- ASEAN市場（インドネシア・タイ等）では中国BYDの台頭で日本車ブランドのシェアが低下し始めており、日本企業は現地EV生産・再生資源活用プロジェクト強化等で巻き返しを狙います[38][39]。
### 4-3. 米中欧・ASEANの競合状況
- 中国自動車産業（BYD等）はNEV市場シェア40→70%、2025年には海外生産拠点拡大（タイ・インドネシア・欧州等）と輸出増で日本勢を圧倒しつつあります。EU・米国とも中国車への高関税で対応しつつ現地生産拡大策が活発です[40][41]。
- 韓国・欧米勢も現地EV工場建設・ソフト資源投資でシェア拡大を図り、日本メーカーにとって新規提携やM&A、デジタルプラットフォーム戦略強化が急務となっています[42][43]。
- 自国内の電動化は慎重姿勢ながら、米国では関税対策として現地生産・合弁会社による車載電池工場を建設、テスラやBYD等グローバル新興勢力との競争・提携が現実味を帯びています[44]。
---
## 5. 産業構造・主要サプライヤーの動向と課題
- 2025年の自動車部品市場規模は約5.9億ドル、2035年までに7.7億ドルへ年率2.45%成長が見込まれるが、Tier1とTier3間の利益格差拡大が顕著です。デジタル投資や事業転換を進めないサプライヤーは淘汰圧力が強まります[45][46]。
- 全体の雇用規模は約558万人、生産・輸出・国内拠点は愛知県・三河地域・東京等に集積。中小部品会社の人材不足やデジタル対応は構造的課題[47][48]。
---
## 6. サイバーセキュリティ・安全規制
- コネクテッドカー・自動運転の普及で車載サイバーセキュリティ市場は2025−2032年に年率21%超で成長が見込まれ、SOC2, UL4600, ISO/SAE規格への対応が業界標準となりつつあります[49][50]。
- 新規制下で、保守・点検デジタル化や遠隔診断サービス、安全・データ連携プロトコルの準拠が必須となり、国内外の標準化競争も激化しています[51]。
---
## 7. 課題・展望と戦略
- 世界のEV化は加速するも、日本市場の消費者はインフラ・コスト不安から慎重。じわじわと輸出競争力が低下しており、中国・韓国による技術・価格攻勢が顕著。
- サステナビリティ・持続可能な循環経済型サプライチェーン確立、脱炭素・規制対応、デジタル人材の育成、新たな産官学連携によるイノベーション創出が今後のカギです。
- トヨタ・ホンダ・日産等の合意・提携と大型再編、SDV・MaaSなど次世代サービスへの重点投資、調達・生産の高度分散化、サイバー・デジタル対応の底上げ、気候変動リスク・機会への迅速な意思決定が求められます。
---
## まとめ
日本の自動車産業は、従来の成功構造の変化を余儀なくされており、国際競争の激化、脱炭素規制、デジタルシフトに即応できる体制構築と社会・産業の両面で「再定義」が迫られています。EV・SDV・自動運転など技術革新の先導役を目指す一方、地域経済や雇用への持続的な貢献、気候変動への責任、グローバル競争力を兼ね備えた産業エコシステムの構築が最重要課題です。今後の戦略的パートナーシップ・オープンイノベーション・政策と民間の結節点創出が未来の鍵となるでしょう。
---
## Sources
[1] Japan EV Market Overview May 2025:
https://blog.evsmart.net/electric-vehicles/electric-vehicle-sales-in-japan/
[2] Japan EV Sales Status March 2025:
https://ev-times.com/2025/05/01/33683
[3] 日本自動車メーカーEV市場競争の課題:
https://diamond.jp/articles/-/367459
[4] Toyota Solid-State Battery Strategy:
https://aconnect.stockmark.co.jp/coevo/all-solid-state-battery-pickup/
[5] Japan Automotive Battery Market Forecast:
https://www.grandviewresearch.com/horizon/outlook/solid-state-battery-market/japan
[6] SNEResearch All-Solid-State Battery Technologies 2025-2035:
https://www.sneresearch.com/en/business/report_view/212/page/0
[7] Japan MLIT Autonomous Driving Policy and Initiatives:
https://www.mlit.go.jp/policy/shingikai/content/001623770.pdf
[8] Japan Government Autonomous Driving Roadmap:
https://jidounten-lab.com/u_autonomous-plan-japan
[9] METI Mobility DX Strategy 2025:
https://www.meti.go.jp/policy/mono_info_service/mono/automobile/jido_soko/pdf/018shiryo.pdf
[10] Japan Autonomous Driving FOT 2025:
https://www.meti.go.jp/policy/mono_info_service/digital_architecture/lifeline/20250630.html
[11] SDV and Autonomous Driving Technology in Japan:
https://www.mobilitydx.go.jp/event/pdf/ev05_05pdf_ito.pdf
[12] Toyota–NTT AI Collaboration News:
https://jidounten-lab.com/u_connected-car-service-matome
[13] Connected Car Technologies & Services Japan & Global 2025:
https://jidounten-lab.com/u_connected-car-service-matome
[14] Sibros OTAA Vehicle Data Platform:
https://note.com/semiconnavi/n/n1df53c215d8a
[15] 「モビリティDX戦略2025 アップデート（案）」経済産業省:
https://www.meti.go.jp/policy/mono_info_service/mono/automobile/jido_soko/pdf/018shiryo.pdf
[16] PwC SDV次世代モビリティ:
https://www.pwc.com/jp/ja/knowledge/journal/next-generation-mobility/next-generation-mobility24-11.html
[17] Automotive Industry Supply Chain Report Japan July 2025:
https://newspicks.com/news-in-app/14725155/
[18] 2025 クリーンエネルギー自動車導入補助金:
https://www.meti.go.jp/policy/mono_info_service/mono/automobile/cev/r6_gx_pr.pdf
[19] 東京都ZEV補助金:
https://evdays.tepco.co.jp/entry/2021/05/06/000009
[20] トヨタカーボンニュートラル方針:
https://global.toyota/pages/global_toyota/sustainability/esg/environmental/climate_public_policies_2024_jp.pdf
[21] JAMA令和6年度事業報告:
https://www.jama.or.jp/operation/about/docs/business_report_r06.pdf
[22] 自動車整備規制アップデート 2025年7月8日実施:
https://smbiz.asahi.com/article/15894938
[23] 半導体調達・Rapidus連携:
https://www.csis.org/analysis/japan-seeks-revitalize-its-semiconductor-industry
[24] TSMC熊本工場:
https://www.jusdaglobal.com/en/article/japan-automotive-supply-chain-trends/
[25] 車載半導体不足分析:
https://www.dbj.jp/upload/investigate/docs/fbcf18674a55ef65f464dcfbfef84e56.pdf
[26] 半導体産業の強靭化:
https://www.meti.go.jp/press/2022/07/20220701006/20220701006-a.pdf
[27] 原材料高騰・調達課題:
https://sourceability.com/post/copper-tariffs-put-the-chip-supply-chain-under-pressure
[28] o9 Digital Brain:
https://www.cloud-for-all.com/blog/supplychain-for-automotive-industry
[29] 自動車リサイクル制度・ASR:
https://www.meti.go.jp/shingikai/sankoshin/sangyo_gijutsu/resource_circulation/jidosha_wg/pdf/059_04_00.pdf
[30] PwC自動車業界脱炭素:
https://www.joho-fukuoka.or.jp/ev/archive/20250703/1.pdf
[31] グリーンサプライヤー要件:
https://greenai.app/media/MEB2GC13
[32] Lead the Charge 2025リーダーボード:
https://leadthecharge.org/wp-content/uploads/2025/02/2025%E3%82%88%E3%82%8A%E3%82%AF%E3%83%AA%E3%83%BC%E3%83%B3%E3%81%AA%E8%87%AA%E5%8B%95%E8%BB%8A%E3%82%B5%E3%83%97%E3%83%A9%E3%82%A4%E3%83%81%E3%82%A7%E3%83%BC%E3%83%B3%E3%82%92%E7%9B%AE%E6%8C%87%E3%81%97%E3%81%9F%E7%AB%B6%E4%BA%89-Leaderboard-Japanese.docx.pdf
[33] Automotive Environmental Guide Greenpeace:
https://www.greenpeace.org/japan/wp/wp-content/uploads/2022/09/bead122b-aeg2022_jp_final.pdf
[34] Japan Auto Market – Focus2Move:
https://www.focus2move.com/japan-auto-market/
[35] Japan Commercial Vehicles Market Size – Mordor Intelligence:
https://www.mordorintelligence.com/industry-reports/japan-commercial-vehicles-market
[36] AAA Weekly自動車生産統計:
https://www.marklines.com/en/statistics/flash_prod/automotive-production-in-japan-by-month
[37] SteelOrbis:
https://www.steelorbis.com/steel-news/latest-news/japanese-auto-output-up-10-percent-in-jan-apr-2025-1398667.htm
[38] EV Wars: How China is Outpacing Japan in Southeast Asia – ThinkTank.PK:
https://thinktank.pk/2025/03/04/ev-wars-how-china-is-outpacing-japan-in-southeast-asia/
[39] Japan looks to secure its position in the Southeast Asian auto market – RhoMotion:
https://rhomotion.com/news/japan-looks-to-secure-its-position-in-the-southeast-asia-auto-market-amid-chinese-competition/
[40] 欧州EV市場BYD台頭:
https://www.jato.com/resources/media-and-press-releases/byd-outsells-tesla-in-europe-for-the-first-time-as-registrations-surge-in-april
[41] 中国自動車輸出拡大:
https://www.bloomberg.com/graphics/2025-china-ev-byd-global-price-cuts/
[42] 韓国自動車産業2024:
https://www.jetro.go.jp/biz/areareports/2025/6ee7b640fc1d238f.html
[43] 日米・欧州自動車貿易動向:
https://jp.reuters.com/business/autos-transportation/shares-japanese-south-korean-european-automakers-surge-tokyo-trade-deal-2025-07-23/
[44] Japan's Auto Sector Shifts East:
https://www.ainvest.com/news/japan-auto-sector-shifts-east-navigating-tariffs-asean-opportunities-2506/
[45] 日本自動車部品産業2025年度:
https://www.japia.or.jp/files/user/japia/library/jidousyabuhinsangyo/nihonnnojidousyabuhinsangyo2025.pdf
[46] 帝国データバンク自動車サプライチェーン2025:
https://www.tdb.co.jp/report/economic/20250714-automotive-sc/
[47] Understanding Japan's Automotive Supply Chain:
https://www.jusdaglobal.com/en/article/understanding-japans-automotive-supply-chain-dynamics/
[48] 自動車産業のカーボンニュートラル対応:
https://www.murc.jp/library/report/cr_220118/
[49] Japan Automotive Cybersecurity Market:
https://www.linkedin.com/pulse/japan-automotive-cybersecurity-market-growthstatus-hgmcc
[50] May Mobility Japan Cybersecurity Compliance:
https://www.maymobility.co.jp/posts/cybersecurity-and-compliance-in-the-age-of-autonomy/
[51] Upstream 2025 Global Automotive Cybersecurity Report:
https://upstream.auto/reports/global-automotive-cybersecurity-report/
コスト
OpenDeepResearchは生成AIのAPIを使って動くのでAPI利用のお金がかかります。
時間がかかるということは大量にAPIを消費しているということなので、予想どおりそこそこAPIのコストはかかりました。
今回の実行１回で$1.12でした。
個人で気軽に利用するには高いですが、企業として導入する場合はとてもリーズナブルかもしれません。
今回はOpenDeepResearchで指定されているデフォルトのLLMモデルを利用しましたが、OpenAIのmini系の安いモデルを指定すればよりコスパ良く利用できると思います。
このように自分の利用用途に応じて、カスタマイズできるのもオープンソースのメリットですね。
活用例
Open Deep Researchは幅広い調査タスクに応用できます。
技術調査 – 最新技術の調査や論文など、開発者や研究者が自分の業務をしている間、OpenDeepResearchに調査を依頼することで、自身の業務に集中することができます。
市場調査・競合調査 – これまで何時間も時間をかけて調べていたような競合他社のサービスや価格などを検索して分析とレポートを生成することができます。
ブログ執筆 – OpenDeepResearchに最新の情報を検索したうえで、事実にもとづいたブログを執筆することができます。
メリットと注意点
メリット
自動で深い調査ができる： AIがクエリを生成して検索・要約・執筆を繰り返すため、ユーザーが詳しくない分野でも洞察あるレポートを得られます
カスタマイズ性が高い： 検索APIや使用するLLM、並列化の度合いなど多くのパラメータを調整でき、独自のMCPサーバを追加することもできます
ローカルで実行可能： OSS版は自身のPCやサーバで動かせるため、データのプライバシーを確保しながら利用できます。
注意点
APIコストがかかる： 繰り返し深い調査を行うので、その分APIコストがかかります。必要に応じて低コストなLLMモデルを使いましょう。コストを抑えるためOSSのLLMを使うという手もあります。
今後の展望
Open Deep Researchはコードエージェントの採用によって性能が向上しており、今後は画像や動画の処理、高度なWeb操作、より強力なオープンソースLLMとの連携が課題とされています
コミュニティによる改善が進めば、さらに高精度な調査ツールとして進化するでしょう。
まとめ
OpenDeepResearchの登場によって、OpenAIやGoogleのDeepResearchを使わなくても、OSSで同じようなDeepResearch機能が実現できます。
APIコストが課題ですが、低価格なLLMモデルを使ったり、LLMもOSSのものを使えば、かなりコストも抑えられるので、日ごろ調査、分析、レポートに時間をかけている人は、これで相当な時短が実現できるようになりました。
AIを使って、どんどん業務の効率化をしていきましょう。
コメント