【2026年最新】LangGraph・CrewAI・AutoGen徹底比較｜AIエージェントフレームワーク勢力図

「AIエージェントを作りたいけど、どのフレームワークを使えばいいの？」

AIエージェント開発の現場で、最も頻繁に聞かれる質問のひとつです。Reddit や Hacker News でも毎週のように「Which agent framework should I use in 2026?」というスレッドが立ち、数百のコメントが付く状況です。それもそのはず——2026年3月時点で、主要フレームワークだけでも7種類以上が乱立し、それぞれが「最高の選択肢だ」と主張しています。

実際に複数の導入プロジェクトでフレームワーク選定を支援してきた経験から言うと、「どれが一番いいか」という質問に対する正直な答えは「用途によって全然違う」です。Python メインか TypeScript メインか、シングルエージェントで十分かマルチエージェントが必要か、ベンダーロックインを許容するかどうか——これらの条件によって、最適解は大きく変わります。

この記事では、主要7フレームワーク（LangGraph・CrewAI・AutoGen・OpenAI Agents SDK・OWL・Mastra・Google ADK）を、実際のコード例・GitHub Stars・ユースケース・長所短所の4軸で比較します。記事の冒頭に「用途別おすすめ早見表」を置きましたので、急いでいる方はそこだけ見てもOKです。

AIエージェントの基本的な設計パターンを先に学びたい方は、AIエージェント構築完全ガイドをあわせてご覧ください。

まず結論から。以下の表で、あなたのユースケースに最も近い行を見つけてください。

料金情報最終確認: 2026年3月13日（各フレームワークはOSSのため本体は無料。LLM API費用は別途）

1. フレームワーク勢力図の全体像

GitHub Stars推移と勢力分布

まず、数字で現状を把握しましょう。

GitHub Stars参照日: 2026年3月13日

数字を見ると、AutoGen（54.5k）とCrewAI（45.9k）が圧倒的なコミュニティ規模を誇っています。ただし、Stars数 = 品質ではない点には注意が必要です。AutoGenは2023年リリースで蓄積期間が長く、CrewAIはマーケティングが上手い——という側面もあります。

一方、LangGraph（15k）は「Klarna、Replit、Elasticが本番採用」という実績があり、エンタープライズ信頼性という別の指標では上位に来ます。

3軸で整理するフレームワーク選定マップ

2. 各フレームワーク詳細：特徴・コード例・長短所

LangGraph — 「制御性最強」のグラフベースオーケストレーター

LangChainチームが開発するLangGraphは、エージェントのワークフローを有向グラフ（DAG + サイクル対応）として定義するフレームワークです。「エージェントを状態機械として設計する」というアプローチが最大の特徴で、複雑な分岐・ループ・並列実行を細粒度で制御できます。

強み: 状態管理が最も精密、商用サポート（LangSmith）が充実、TypeScript版も完成度が高い、Klarna・Replit・Elasticが本番採用

弱み: 学習曲線がやや急、シンプルなユースケースではオーバーキル、LangChain依存が重く感じる場合がある

以下は、LangGraphでシンプルな「ツール呼び出し → 応答」エージェントを実装するコード例です。

# LangGraph: Hello World エージェント
# 動作環境: Python 3.11+, langgraph>=0.2.0, langchain-openai>=0.1.0
# pip install langgraph langchain-openai
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import os
from typing import Annotated
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.graph import StateGraph, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode
from typing_extensions import TypedDict

# 状態の型定義（LangGraphの核心 — 全ノードがこの状態を共有する）
class State(TypedDict):
    messages: Annotated[list, add_messages]

# ツール定義
@tool
def get_weather(city: str) -> str:
    """指定した都市の天気を取得します"""
    # 実際の運用ではAPIを呼び出す
    return f"{city}の天気: 晴れ、気温22℃"

tools = [get_weather]
llm = ChatOpenAI(model="gpt-4o", api_key=os.environ["OPENAI_API_KEY"])
llm_with_tools = llm.bind_tools(tools)

# ノード定義（グラフの各処理ステップ）
def agent_node(state: State):
    response = llm_with_tools.invoke(state["messages"])
    return {"messages": [response]}

def should_continue(state: State) -> str:
    """ツールを呼ぶか終了するかをルーティング"""
    last_msg = state["messages"][-1]
    if last_msg.tool_calls:
        return "tools"
    return END

# グラフ構築
graph = StateGraph(State)
graph.add_node("agent", agent_node)
graph.add_node("tools", ToolNode(tools))
graph.set_entry_point("agent")
graph.add_conditional_edges("agent", should_continue)
graph.add_edge("tools", "agent")

app = graph.compile()

# 実行
result = app.invoke({"messages": [("user", "東京の天気を教えて")]})
print(result["messages"][-1].content)

ポイント: StateGraph と add_conditional_edges がLangGraphの核心です。エージェントがツールを呼ぶか終了するかを should_continue 関数でルーティングしています。この構造を拡張することで、どんな複雑なワークフローも表現できます。

CrewAI — 「チーム設計」が直感的なマルチエージェントの雄

CrewAI（45.9k Stars）は、「役割（Role）を持つAIエージェントのチームを組んでタスクを実行する」という概念が非常にわかりやすいフレームワークです。LangChainやLangGraphに依存せず、完全独立したコードベースで書かれており、軽量さが特徴です。

強み: 役割・タスクの定義が直感的でシンプル、Python初心者でも3時間で動くマルチエージェントを作れる、エンタープライズ版（CrewAI+）も提供

弱み: 複雑な状態管理・条件分岐はLangGraphほど細かく制御できない、エージェント間の通信制御が粗い場面がある

CrewAIのHello Worldは「Researcher + Writer の2エージェントチーム」です。

# CrewAI: Hello World マルチエージェント
# 動作環境: Python 3.11+, crewai>=0.80.0
# pip install crewai crewai-tools
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import os
from crewai import Agent, Task, Crew, Process

# エージェント定義 — 役割・ゴール・バックストーリーで人格を作る
researcher = Agent(
    role="AIリサーチャー",
    goal="最新のAIエージェント技術を正確にリサーチする",
    backstory="10年のAI研究経験を持つシニアリサーチャー。最新論文を読み解く能力に長けている",
    verbose=True,
    allow_delegation=False,
    llm_config={"model": "gpt-4o", "api_key": os.environ["OPENAI_API_KEY"]}
)

writer = Agent(
    role="テックライター",
    goal="リサーチ結果をわかりやすい日本語記事にまとめる",
    backstory="テクノロジーを一般読者に伝えることが得意なライター。正確性と読みやすさを両立する",
    verbose=True,
    allow_delegation=True,
    llm_config={"model": "gpt-4o", "api_key": os.environ["OPENAI_API_KEY"]}
)

# タスク定義 — 誰が何をやるかを明示
research_task = Task(
    description="LangGraph、CrewAI、AutoGenの2026年最新機能を調査し、技術的な比較サマリーを作成せよ",
    expected_output="各フレームワークの主要機能・長所・短所をまとめた箇条書きレポート（日本語、1000字以上）",
    agent=researcher
)

write_task = Task(
    description="リサーチャーの調査結果をもとに、開発者向けの解説記事（導入部+比較表+おすすめ）を作成せよ",
    expected_output="読者がフレームワークを選べるようになる解説記事（日本語、2000字）",
    agent=writer
)

# Crew（チーム）の組成と実行
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,  # sequential（順番）または hierarchical（階層型）
    verbose=True
)

result = crew.kickoff()
print(result)

ポイント: Agentにrole・goal・backstoryを持たせるのがCrewAI最大の特徴です。人間のチームに役割分担するのと同じ感覚でエージェントを設計できます。Process.hierarchicalにするとマネージャーエージェントが自動生成され、タスクの割り振りと品質チェックをLLMが担います。

AutoGen（v0.4）— 「非同期・イベント駆動」に刷新されたMicrosoft製フレームワーク

Microsoft Researchが開発するAutoGenは、GitHub最大コミュニティ（54.5k Stars）を誇るフレームワークです。2025年1月リリースのv0.4では、アーキテクチャを非同期・イベント駆動型に完全刷新しました。従来の同期的なチャットベースから、より堅牢なメッセージパッシング設計に進化しています。

強み: 圧倒的なコミュニティ規模（論文・事例・チュートリアルが豊富）、AutoGen Studio（ノーコードGUI）が充実、OpenTelemetry対応で本番観測性が高い、.NET対応予定（エンタープライズ向け）

弱み: v0.4はv0.2との破壊的変更が大きくマイグレーション工数が必要、APIの学習コストがCrewAIより高い

# AutoGen v0.4: Hello World — AgentChat API
# 動作環境: Python 3.11+, autogen-agentchat>=0.4.0
# pip install autogen-agentchat autogen-ext[openai]
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import asyncio
import os
from autogen_agentchat.agents import AssistantAgent, UserProxyAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import TextMentionTermination
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main():
    # モデルクライアント設定
    model_client = OpenAIChatCompletionClient(
        model="gpt-4o",
        api_key=os.environ["OPENAI_API_KEY"]
    )

    # アシスタントエージェント
    assistant = AssistantAgent(
        name="assistant",
        model_client=model_client,
        system_message="あなたは優秀なAIアシスタントです。タスクを完了したら'TERMINATE'と言ってください"
    )

    # ユーザープロキシ（人間の代わりに自動で応答するエージェント）
    user_proxy = UserProxyAgent(
        name="user_proxy",
        human_input_mode="NEVER",  # 自動実行モード
        max_consecutive_auto_reply=5
    )

    # チャット終了条件: "TERMINATE"が含まれたら停止
    termination = TextMentionTermination("TERMINATE")

    # グループチャット実行（v0.4の新API）
    team = RoundRobinGroupChat(
        [assistant, user_proxy],
        termination_condition=termination
    )

    result = await team.run(
        task="Pythonでフィボナッチ数列を計算する関数を書いてください"
    )
    print(result.messages[-1].content)

asyncio.run(main())

ポイント: v0.4では asyncio ベースの非同期API（await team.run()）が標準になりました。v0.2の initiate_chat() ベースのコードは動作しない場合があるため、マイグレーションガイドを必ず確認してください。

OpenAI Agents SDK — 「Swarmの後継」として本番対応を強化

2025年3月にOpenAIが正式リリースしたAgents SDKは、実験的フレームワーク「Swarm」の本番対応版です。4つのプリミティブ（Agents・Tools・Handoffs・Guardrails）を組み合わせて、シンプルなシングルエージェントから複雑なマルチエージェントまで構築できます。

強み: OpenAI製なのでGPT系モデルとの統合が最もスムーズ、ガードレール・ハンドオフ・トレーシングがビルトイン、音声エージェント（Realtime Agents）に対応

弱み: OpenAIエコシステムへの依存度が高い（Claude等への切り替えに工数がかかる）、コミュニティ規模はAutogenやCrewAIより小さい

# OpenAI Agents SDK: Hello World
# 動作環境: Python 3.10+, openai-agents>=0.0.6
# pip install openai-agents
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import os
from agents import Agent, Runner, function_tool

# ツールをデコレータで定義（Pydanticバリデーション自動生成）
@function_tool
def calculate(expression: str) -> str:
    """数式を計算します。例: '2 + 3 * 4'"""
    try:
        result = eval(expression)  # 本番ではastモジュールで安全に評価すること
        return f"計算結果: {result}"
    except Exception as e:
        return f"計算エラー: {e}"

# エージェント定義
math_agent = Agent(
    name="MathAgent",
    instructions="数学の問題を解くAIアシスタントです。必ずcalculateツールを使って計算してください",
    tools=[calculate],
    model="gpt-4o"
)

# 実行（同期ラッパー使用）
result = Runner.run_sync(
    math_agent,
    "123 × 456 の計算をしてください",
    context={"openai_api_key": os.environ["OPENAI_API_KEY"]}
)
print(result.final_output)

# ハンドオフ（エージェント間の引き継ぎ）の例
# triage_agent = Agent(name="Triage", handoffs=[math_agent, writing_agent])

ポイント: @function_toolデコレータが特徴的で、通常のPython関数をそのままツールとして登録できます。handoffsパラメータを使うと、トリアージエージェントが専門エージェントにタスクを引き渡す構造も簡単に実装できます。

OWL（CAMEL-AI）— 学術発のGAIAベンチマーク最強フレームワーク

CAMEL-AIプロジェクトが2025年3月にリリースしたOWL（Optimized Workforce Learning）は、GAIAベンチマーク（汎用AI能力測定）でオープンソース1位（69.09%）を達成したことで一躍注目を集めました。公開から2日で6,000スターを突破し、現在19,000前後のスターを集めています（2026年3月時点）。

強み: 汎用タスク自動化の精度がOSSで最高水準、ブラウザ操作・コード実行・ファイル解析をひとつのフレームワークで統合、Apache 2.0ライセンスで商用利用可能

弱み: 学術発のため本番導入事例がまだ少ない、セットアップがやや複雑（依存ライブラリが多い）、日本語ドキュメントが少ない

# OWL (CAMEL-AI): Hello World
# 動作環境: Python 3.10+, camel-ai[all]>=0.2.0
# pip install camel-ai[all] owl
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import os
from camel.societies import RolePlaying
from camel.types import TaskType

# OWLはCAMEL-AIのRolePlaying上で動作する
role_play_session = RolePlaying(
    assistant_role_name="Pythonエンジニア",
    user_role_name="プロダクトマネージャー",
    task_prompt="ユーザーのCSVファイルを読み込み、売上データを集計してグラフを生成するPythonスクリプトを作成してください",
    task_type=TaskType.CODE,
    with_task_specify=True,
    model_type="gpt-4o",
    api_key=os.environ["OPENAI_API_KEY"]
)

# 会話ループ（最大10ターン）
n = 0
input_msg = role_play_session.init_chat()
while n < 10:
    n += 1
    assistant_response, user_response = role_play_session.step(input_msg)
    if assistant_response.terminated:
        print("タスク完了")
        break
    input_msg = assistant_response
    print(f"エンジニア: {assistant_response.msg.content[:200]}...")

ポイント: OWLはCAMEL-AIの「役割演技による協調エージェント」を発展させたフレームワークです。本格的な使用では owl パッケージを直接インポートし、ブラウザ自動操作やファイル処理ツールキットを組み合わせます。GAIAベンチマーク高スコアの源泉は、ツールの多様性と協調戦略の洗練さにあります。

Mastra — TypeScript開発者のための「本命」フレームワーク

Gatsby（React静的サイトジェネレーター）を創設したSam Bhagwat氏が率いるMastraは、「TypeScriptエコシステムでAIエージェントをファーストクラス市民にする」ことを目指すフレームワークです。Vercel AI SDKとネイティブ統合し、Next.jsやReactアプリへの組み込みが最もシンプルです。

強み: TypeScriptネイティブ（型安全性が高い）、Vercel AI SDK・CopilotKit連携でフロントエンドと直結、RAGパイプライン・オブザーバビリティが標準装備

弱み: Pythonエコシステムとの相互運用が弱い、コミュニティ規模はPython系に比べて小さい

// Mastra: Hello World エージェント
// 動作環境: Node.js 18+, mastra>=0.3.0
// npm install mastra @ai-sdk/openai
// 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import { Mastra } from "@mastra/core";
import { createOpenAI } from "@ai-sdk/openai";
import { z } from "zod";

const openai = createOpenAI({ apiKey: process.env.OPENAI_API_KEY! });

// Mastraインスタンス初期化
const mastra = new Mastra({
  model: openai("gpt-4o"),
});

// エージェント定義（ツールの型定義はzodで行う）
const weatherAgent = mastra.createAgent({
  name: "WeatherAgent",
  instructions: "天気情報を提供するアシスタントです",
  tools: {
    getWeather: {
      description: "指定した都市の天気を取得",
      parameters: z.object({
        city: z.string().describe("都市名（例: Tokyo）"),
      }),
      execute: async ({ city }) => {
        // 実際の運用ではAPIを呼び出す
        return { city, weather: "晴れ", temperature: 22 };
      },
    },
  },
});

// 実行
const result = await weatherAgent.generate("東京の天気は？");
console.log(result.text);

// Next.js App Router での使用例:
// export async function POST(req: Request) {
//   const { message } = await req.json();
//   const result = await weatherAgent.generate(message);
//   return Response.json({ text: result.text });
// }

ポイント: z.object（Zod）でツールのパラメータを型定義することで、TypeScriptの型推論が完全に機能します。Next.js App Routerから直接インポートして呼び出せるため、「バックエンドとフロントエンドのコードが分離しない」統合感が最大の魅力です。

Google ADK — エンタープライズ向けVertex AI統合フレームワーク

Googleが開発するAgent Development Kit（ADK）は、Vertex AI Agent Engineとのシームレスな統合を最優先に設計されたOSSフレームワークです。Sequential・Parallel・Loopのワークフローエージェントをビルトインで持ち、Agent2Agentプロトコル（A2A）対応でマルチモーダル入出力にも対応しています。

強み: Vertex AI Agent Engineでワンクリックデプロイ、GCPエコシステム（BigQuery・Cloud Run・Cloud Storage）との深い統合、Agent2Agentプロトコル対応

弱み: GCPへの依存度が高くAWS/Azureへの移行が困難、コミュニティ規模は他フレームワークより小さい、日本語情報がまだ少ない

# Google ADK: Hello World
# 動作環境: Python 3.10+, google-adk>=0.3.0
# pip install google-adk google-cloud-aiplatform
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

import os
from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.runners import LocalRunner

# ツール定義
def search_database(query: str) -> dict:
    """データベースを検索します"""
    return {"results": [f"'{query}'に関するデータ: サンプル結果1, サンプル結果2"]}

# エージェント設定
agent = Agent(
    name="data_agent",
    model="gemini-2.0-flash",  # Geminiモデルと最もシームレスに統合
    instruction="データベースを検索してユーザーの質問に答えるエージェントです",
    tools=[FunctionTool(func=search_database)]
)

# ローカル実行
runner = LocalRunner(agent=agent, app_name="demo")

for event in runner.run(user_id="user_001", session_id="session_001",
                         new_message="AIエージェントフレームワークに関する情報を検索して"):
    if event.is_final_response():
        print(event.content.parts[0].text)

# Vertex AI Agent Engineへのデプロイ:
# from vertexai.agent_engines import AdkApp
# remote_app = AdkApp(agent=agent, enable_tracing=True)
# remote_app.deploy(project="my-project", location="us-central1")

ポイント: ADKはGeminiモデルとの統合が最も最適化されています。runner.run()をそのままvertexai.agent_enginesに置き換えるだけでクラウドデプロイできる設計が、GCPユーザーにとって最大の魅力です。

3. 機能横断比較表

◎=優秀 / ○=良好 / △=制限あり / ×=非対応

4. フレームワーク選定フローガイド

以下のフローに従って質問に答えると、あなたのプロジェクトに最適なフレームワークに辿り着けます。

5. GitHub Stars推移から読み取るコミュニティ活性度

Stars数の「伸び方」も選定の参考になります。

注目点: CrewAIとOWLの伸びが特に顕著です。CrewAIは「作りやすさ」でユーザーを獲得し続けており、OWLはGAIAベンチマーク1位という技術的インパクトで急増しました。一方、AutoGenは学術・研究コミュニティからの継続的な支持で安定成長しています。

【要注意】フレームワーク選定でよくある失敗パターン

失敗1: 「Stars数が多い = 自分のユースケースに合う」思い込み

❌ 「AutoGenのスターが一番多いから、まずAutoGenで試そう」
⭕ 「TypeScriptプロジェクトだからMastraを選ぶ」「シンプルなシングルエージェントだからOpenAI Agents SDKで十分」

なぜ危険か: AutoGenは研究・実験用途で積み上げたStarsが多く、シンプルなビジネス自動化には過剰スペックです。「動かしてみたが複雑すぎて挫折した」という事例が頻発しています。ユースケースから逆算してフレームワークを選ぶことが最重要です。

失敗2: v0.2系のAutoGenコードをv0.4にそのまま移行しようとする

❌ v0.2の AssistantAgent(human_input_mode="NEVER") をそのままv0.4に持ち込む
⭕ v0.4のAgentChat APIドキュメントを最初から読み直し、新しい非同期パターン（asyncioベース）で書き直す

なぜ危険か: AutoGen v0.4はv0.2との破壊的変更が多く、v0.2時代のQiita記事やYouTube動画のコードが動かないケースが多いです。公式マイグレーションガイドを必ず確認してください。

失敗3: LangGraphを「最初から全て自作」しようとする

❌ LangGraphで1から複雑なグラフを設計し、開発に2週間かける
⭕ まず langgraph.prebuilt.create_react_agent でプロトタイプを動かし、必要になってから低レベルAPIに降りる

なぜ危険か: LangGraphは低レベルAPIが最も表現力が高い反面、最初から使うと学習コストで開発が止まります。create_react_agent など高レベルプリセットを先に試し、制御が必要になってからカスタマイズするのが正しい順序です。

失敗4: フレームワークを途中で乗り換えることを前提にしない

❌ 「とりあえずCrewAIで作り始めて、後からLangGraphに移行すればいい」
⭕ 選定フローで慎重に選んだ上で始める。どうしても移行が必要な場合はエージェント単位で段階的に行う

なぜ危険か: フレームワーク間のアーキテクチャは根本的に異なるため、移行コストは「書き直し」に近くなります。CrewAIの Crew 概念はLangGraphの StateGraph に直接マッピングできません。技術選定に時間をかけるほうが、長期的なコストが下がります。

6. 本番運用時のセキュリティと運用ルール

フレームワーク選定後、本番導入で必ず対処すべき共通事項です。

正直にお伝えすると、どのフレームワークも「完璧な自動化」はまだ発展途上です。本番環境では「AIエージェント＋人間のレビュー」のハイブリッド運用が最も安全で効果的です。エージェントに任せる範囲を段階的に広げていくアプローチをお勧めします。

あわせて読みたい

• Google ADKでAIエージェントを構築する実践ガイド
• OWLフレームワーク完全解説｜オープンソースで始める自律AIエージェント開発
• Claude Code Plugins完全解説2026｜自分専用エディタを作る
• OpenSandbox｜AIエージェント実行基盤 — Alibabaが公開したAIエージェント実行環境

あわせて読みたい

• AIコーディングツールで開発は速くなるのか？2026年最新研究が示す意外な結果 — AIコーディングツールの生産性に関する2026年研究データ

参考・出典

• microsoft/autogen — GitHub（参照日: 2026-03-13）
• AutoGen v0.4: Reimagining the foundation of agentic AI — Microsoft Research Blog（参照日: 2026-03-13）
• crewAIInc/crewAI — GitHub（参照日: 2026-03-13）
• langchain-ai/langgraph — GitHub（参照日: 2026-03-13）
• OpenAI Agents SDK 公式ドキュメント（参照日: 2026-03-13）
• camel-ai/owl — GitHub（GAIAベンチマーク OSSランキング掲載）（参照日: 2026-03-13）
• Mastra — The TypeScript AI Framework 公式サイト（参照日: 2026-03-13）
• Google Agent Development Kit（ADK）公式ドキュメント（参照日: 2026-03-13）

まとめ：今日から始める3つのアクション

1. 今日やること: 用途別早見表で自分のユースケースに合うフレームワークを1つ選び、この記事のHello Worldコードをローカルで動かしてみる（所要時間: 30分〜1時間）
2. 今週中: 選んだフレームワークの公式チュートリアルを1つ完走し、自分の業務で使えそうなユースケースを1件特定してプロトタイプを作る
3. 今月中: プロトタイプを社内で共有・デモし、フィードバックをもとに本番利用の可否を判断する。本番移行には上記「セキュリティと運用ルール」を必ず参照すること

あわせて読みたい:

• OWLフレームワーク徹底解説 — GAIAベンチマーク OSS 1位のマルチエージェント構築法
• AIエージェント構築完全ガイド — 設計パターンから本番運用まで

著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー10万人超。100社以上の企業向けAI研修・導入支援。著書累計3万部突破。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。