HOME/ビジネス/AIソリューション/Microsoft Foundry開発/Foundry Local
LOCAL AI / ON-DEVICE

Foundry Local
データを端末の外に出さないローカルAIの実装支援

Foundry Localは生成AIをクラウドに送らずPCや端末の中で動かす、MicrosoftのローカルAI実行基盤です。
当社はモデルの選定から、Windowsアプリへの組み込み、手順書・⁠研修、製品の更新への追随まで、業務で使い続けられる状態をつくります。

01/概要

Foundry Localとは:PCの中だけで生成AIを動かす、Microsoft公式のローカルAI実行基盤

Foundry Local(ファウンドリー・⁠ローカル)は、生成AIのモデルをクラウドに送らず、利用者のPCや端末の中で動かすためのMicrosoftの仕組みです。アプリに組み込んで配布でき、入力した文章や音声は端末の外に出ません。通信がない場所でも動き、使った量に応じた課金(トークン課金)もかかりません。Microsoftの公式解説では、データを端末に残したい、オフラインで使いたい、応答を速くしたい用途に向くとしています。

端末の中で動かすのは、SLM(小規模言語モデル)と呼ばれる軽いAIモデルです。Phi、Qwen、Mistral、DeepSeek、gpt-ossなどの文章を扱うモデルと、音声を文字にするWhisperが、端末向けに小さく調整された状態で用意されています。PCにNPU(AI処理用の部品)やGPUがあれば自動で使い、なければCPUで動きます。

AIを動かす場所の3つの選択肢
クラウドで動かす
社員のPC・アプリ↓ インターネット経由クラウドのAI
大きなモデルを多人数で使う。Microsoft Foundry、Azure OpenAIなど
端末の中で動かす
社員のPC・アプリ↓ 端末の中で完結Foundry Local
データを外に出さない。オフラインでも動く。1人1台の利用に向く
社内のサーバーで動かす
複数のPC・アプリ↓ 社内ネットワーク社内のAIサーバー
Foundry Local on Azure Localなど。多人数の同時利用に向く
Microsoftの公式ドキュメントの記載をもとに作図

Foundry Localを使うメリット

メリット
内容
業務での使い道
データを外に出さない
入力した文章・⁠音声・⁠画像の処理を端末の中で完結させる
顧客情報や設計情報を含む文書の要約・⁠下書き
通信がなくても動く
最初にモデルを入れておけば、オフラインで使える
工場・⁠倉庫・⁠機内・⁠山間部など電波が届きにくい現場
使った量で費用が増えない
クラウドAIのような処理量に応じた課金がない
毎日大量に繰り返す定型の要約・⁠分類・⁠下書き
応答が速い
通信の往復がないため、すぐに答え始める
音声の文字起こし、入力中の補助など待てない操作
端末に合わせて自動で最適化
NPU・GPU・CPUのどれで動かすかを自動で選ぶ
機種がばらつく社内PCへの一斉配布
アプリに組み込んで配れる
本体は約20MBと小さく、アプリと一緒に配布できる
自社製品・⁠業務アプリへのAI機能の追加

02/注目される背景

機密データの扱いと、AIを使う場所の選び方への関心

ノートPCで資料を確認する会社員
写真はイメージです

生成AIの業務利用が広がるにつれ、「どのデータをAIに入れてよいか」が多くの企業の課題になっています。国の文書はAIサービスへ個人情報を入力する際の確認事項や、プライバシー保護とセキュリティの確保を、AIを使う事業者が守るべき指針として示しています。データを端末の外に出さずにAIを使う方法は、この要請に応える選択肢の一つです。

文書
発行主体・⁠時期
記載内容(要約)
個人情報保護委員会(2023年6月)
事業者が生成AIサービスに個人情報を含むプロンプト(AIへの指示文)を入力する場合、利用目的の範囲内かを確認すること、入力した情報が応答以外の目的(機械学習など)に使われないことを確認することを求めている
総務省・⁠経済産業省(2025年3月)
AIを開発・⁠提供・⁠利用する事業者に共通の指針として、プライバシー保護とセキュリティ確保を挙げ、AIの利用者にも入力するデータの適切な取り扱いを求めている
データの置き場所で考えるAIの使い分け
データを分類公開情報、社内情報、顧客情報・⁠機密情報に分ける
→
置き場所を決めるクラウドに出してよいか、社内・⁠端末に残すかを決める
→
AIの動かし方を選ぶクラウド、社内サーバー、端末の中から選ぶ
→
結果だけ共有端末で作った要約や下書きを、確認後に社内システムへ
上記の文書が求める「入力データの確認」を、業務の手順に置き換えて作図

端末の中で動くAIが実用段階に入った

これまでローカルで生成AIを動かすには、モデルの入手、PCの部品に合わせた設定、動作確認を自前で行う必要がありました。Microsoftは2026年4月にFoundry Localの一般提供(正式版)を開始し、モデルの入手からPCに合わせた最適化までを製品として引き受ける形にしました。複数の社員が同時に使う場合や工場の設備の近くで動かす場合は、社内のサーバーで動かすFoundry Local on Azure Localも用意されています。

クラウドの生成AIは、使った量に応じて費用が増える料金体系が広がっています。毎日大量に繰り返す定型の処理を端末側に移すことは、AI利用コストの管理(AI FinOps)の観点からも検討されるようになっています。

Microsoftの発表は英語の一次情報です。最新の提供状況は公式ページでご確認ください。

03/仕組み

アプリ・Foundry Local・AIモデル・PCの部品の4層構成

Foundry Localは業務アプリとPCの部品の間に入り、AIモデルの入手、PCに合わせた最適化、回答の生成を引き受けます。アプリを作る側はどのPCで動くかを細かく意識せずにAI機能を組み込めます。

業務アプリ
社員が使う画面。チャット、文書の要約、音声入力、点検記録の作成など。Windowsアプリ、Webアプリ、自社製品の中に組み込む
WindowsアプリWebアプリ自社製品
Foundry Local
モデルの入手と保存、PCに合わせた最適化、回答の生成を担う。クラウドのAIと同じ呼び出し方(OpenAI互換)で使える
SDK(C#・Python・JavaScript・Rust)OpenAI互換Windows ML
AIモデル
端末向けに小さく調整されたモデル。業務に合わせて選び、バージョンを固定できる
PhiQwenMistralWhisper
PCの部品
NPU・GPUがあれば自動で使い、なければCPUで動く
NPUGPUCPU
Microsoftの公式ドキュメントの記載をもとに作図。対応するモデル・⁠部品は公式ページでご確認ください
NPUを搭載したノートPCで作業する様子
写真はイメージです

Foundry Localでできること

できること
内容
業務での使い道
文章の生成・⁠要約
指示に沿って文章を作る、長い文書を短くまとめる
日報・⁠点検記録の下書き、会議メモの要約
音声の文字起こし
話した内容を端末の中で文字にする(Whisper)
現場での音声メモ、聞き取り記録
ツールの呼び出し
AIが必要に応じて社内の機能を呼び出す(Function Calling)
在庫の照会、手順書の検索、帳票への転記
社内文書を使った回答
端末内の手順書・⁠マニュアルを検索して答える(ローカルRAG)
保守・⁠点検現場のQ&A、新人の問い合わせ対応
クラウドとの切り替え
端末で足りない処理だけクラウドのAIに回す
機密は端末、重い分析はクラウドの使い分け

ツールの呼び出しは、AIエージェントの部品を社内システムにつなぐMCP(Model Context Protocol)と組み合わせて使えます。社内文書を検索して答える仕組みはRAG(検索拡張生成)と同じ考え方で、検索する文書も端末の中に置けます。

04/使いどころ

データを外に出せない業務と、電波が届かない現場

工場の設備の前でタブレットを使って点検する作業者
写真はイメージです

Foundry Localが力を発揮するのは、クラウドに送れないデータを扱う業務、通信が不安定な現場、同じ処理を毎日大量に繰り返す業務です。業界ごとの使いどころを整理しました。

業界
使いどころ
ポイント
製造
点検・⁠保全記録の下書き、設備マニュアルを使った質問応答、作業手順の音声入力
工場内は持ち込み端末や通信が制限されることが多い。製造業向けAIやAzure IoT Edgeと組み合わせる
電子部品・⁠機器メーカー
自社の機器や製品にAI機能を組み込んで出荷する
利用者ごとのクラウド費用がかからず、製品の価格を決めやすい
金融・⁠保険
顧客情報を含む申込書の要約、引受審査の下書き
個人情報を端末の外に出さずに、AIの下書きを人が確認する流れを作れる
医療・⁠介護
記録の文字起こし・⁠要約
要配慮個人情報を扱うため、端末内で完結させる設計が向く
運輸・⁠建設・⁠インフラ
機内・⁠車両・⁠山間部・⁠地下などでの報告書作成
オフラインで動き、通信が戻ったら結果だけ送る
自治体・⁠公共
窓口の記録や文書の下書き
ネットワークの分離が求められる環境でも使いやすい
全業種(社内IT)
社員PCでの要約・⁠翻訳・⁠文章の校正
大量の定型処理を端末側に移し、クラウドの利用量を抑える

向いているケースと向いていないケース

向いているケース

扱うデータを社外に出せない/通信が不安定な場所で使う/同じ処理を毎日大量に繰り返す/自社製品にAIを組み込みたい/社員1人1台のPCで使う

向いていないケース

最新の大規模モデル並みの文章力や、複雑な判断をこなす力が要る/多数の社員が1台のサーバーに同時にアクセスする(社内サーバー型を検討)/PCの性能がそろっていない状態で重いモデルを使う

05/当社の支援内容

適用診断から、Windowsアプリ化、仕様変更への追随、全社展開まで

当社は、ローカルAIを「試して終わり」にせず、業務で使えるアプリにして、使い続けられる状態にするまでを支援します。支援は4つの段階で組み立てます。

支援の段階
入口:適用診断業務・⁠データ・⁠端末を確認し、端末で動かす処理を決める(支援1)
→
最初の1本:試作とアプリ化モデルを選び、業務アプリとして作る(支援2)
→
使い続ける:更新と追随モデルや製品の更新に合わせて検証・⁠改修する(支援3)
→
全社に広げる:定着と教育手順書・⁠研修で社内に広げる(支援4)
現場への伴走は、X-Tech FDEのエンジニアが現場に入り、試作から定着まで一緒に進めます

支援1 適用診断・⁠技術選定

対象業務とデータの扱いを整理し、端末で動かす処理とクラウドで動かす処理を分けます。社内PCの性能を確認し、モデルと開発方法(SDK)、ツールの呼び出し方を比べて選びます。

支援2 試作とWindowsアプリ化

検証用の試作から、社員が使うWindowsアプリ(.NET/C#)まで作ります。画面、社内文書の検索、ツールの呼び出し、テストまでを含みます。

支援3 更新への追随

Foundry Localやモデルの更新が出たら、変更点と影響を調べ、動作を検証してからアプリと手順書を直します。モデルのバージョンを固定し、計画的に上げます。

支援4 手順書・⁠研修・⁠社内展開

導入・⁠設定の手順書、運用のガイドライン、社員向けの研修資料を作り、説明会と質疑対応まで行います。全社展開はAI Agent CoEの支援につなげます。

06/当社の特長

検証した技術を、業務アプリと社内に残る資料に変える

当社の特長 当社の強みはローカルAIを試すことよりも、試した結果を社員が使えるアプリと、説明・⁠教育に使える資料に変えるところにあります。

モデル・⁠開発方法・PCの組み合わせを見極める

モデルの比較、開発方法(SDK)とツール接続の選定を、実際のアプリを動かしながら行います。うまくいかない組み合わせや制約も記録し、選定の理由を残します。

Pythonの試作からWindowsアプリへ

検証で多いPythonの試作を、企業のPCで配りやすい.NET/C#のWindowsアプリに作り直します。画面、ツール接続、テストまでを一続きで担います。

手順書と研修に落とし込む

ガイドライン、導入手順、社員・⁠お客様向けの研修資料を作り、説明会と質疑対応まで行います。技術を社内に残る資産にします。

更新への追随とクラウドとの組み合わせ

Foundry Localの大きな更新では、変更点を調べ、手順どおり動くかを確かめてから資料を直します。端末だけで完結させるか、Microsoft Foundryなどクラウドと組み合わせるかも設計します。

技術解説(Zenn):Foundry Localをさわってみた、オフラインSLMをmacOSで使う、Foundry LocalモデルでFunctionCalling、Foundry Local 深掘り、WindowsローカルAI実践 第5回

07/取り組み事例

エレクトロニクス商社:ローカルAIのデモアプリ開発から研修まで

エッジ機器の販売と導入支援を行うエレクトロニクス商社と、Foundry Localを使ったデモアプリの開発、Windowsアプリへの移行、導入を検討する企業向けの研修を継続して進めています。

取り組みの進み方
1
技術選定とデモアプリの開発既存のエッジAIのデモをFoundry Localで動かせるかを検証。モデル(Phi-4-mini、Phi-4など)の比較、ツールの呼び出しや社内機能への接続に使う開発方法を選び、検証結果をまとめました
モデル選定SDK選定ツール接続
2
Windowsアプリへの移行Pythonで作ったデモを.NET/C#に移し、画面、ツール接続の部品、統合テストまでを実施。予定した作業を完了しました
.NET/C#UI開発統合テスト
3
導入を検討する企業向けの研修既存のガイドラインをもとに研修資料を作り、リハーサルを経て説明会と質疑対応を行いました
研修資料説明会質疑対応
4
製品の更新への追随Foundry Localの大きな更新に合わせて、変更点と影響を調べ、ハンズオンの手順が動くかを確かめてから、手順書と画面写真を直しました
変更点の調査動作検証教材の更新

関連する公開事例

東京エレクトロンデバイス様と共同でエッジAIを検証
CASEエッジ生成AI

東京エレクトロンデバイス様:SLMとAzure IoT Edgeによるエッジ生成AIの共同検証

小規模言語モデル(Phi)の量子化・⁠追加学習と、Azure IoT Edgeでの配備を共同で検証し、エッジAIとしてのSLM展開ガイドラインをまとめました。

お知らせを見る →

日本航空様:オフライン対応の客室乗務員レポート作成
CASEオフラインSLM

日本航空様:オフラインで使えるレポート作成アプリ

機内のように通信できない環境でも使えるよう、小規模言語モデルで客室乗務員のレポート作成を支援するアプリを開発しました。

お知らせを見る →

Windows AI Day Osakaでの登壇
EVENTローカルAI・NPU

Windows AI Day Osaka:NPUを使うローカルAIの活用を講演

Microsoftが開催したAI PCのイベントで、NPUを使ったローカルAIの可能性と、利用者の状況を読み取って先回りする当社のエージェントの構想を紹介しました。

レポートを見る →

公開事例は端末で動く小規模言語モデル・⁠ローカルAIの取り組みとして掲載しています。

08/顧客価値

課題から価値までのつながり

よくある課題
Foundry Localでの対応
得られる価値
機密データをクラウドのAIに入れられず、生成AIを使えない業務が残る
入力の処理を端末の中で完結させる
使える業務が広がり、全社のAI活用に取り残される部署が減る
工場・⁠倉庫・⁠移動中など、通信が不安定でAIが使えない
モデルを端末に入れ、オフラインで動かす
現場で記録をその場で作れ、事務所に戻ってからの転記が減る
定型の要約・⁠分類を大量に回すと、クラウドの費用が読めない
大量の定型処理を端末側に移す
利用量が増えても費用が増えにくく、予算を立てやすい
自社製品にAIを入れたいが、利用者ごとのクラウド費用が重い
アプリにAIを組み込んで出荷する
製品の原価が安定し、オフラインで使える付加価値を付けられる
試作はできたが、社員のPCで配れるアプリにならない
Windowsアプリとして作り、手順書と研修を整える
試作で止まらず、現場で使われる状態まで進む

立場ごとの価値

立場
価値
事業部門
顧客情報や設計情報を含む文書でも、AIの下書き・⁠要約を業務に使える
情報システム部門
クラウドに出すデータと端末に残すデータを分け、AI利用の規程と運用をそろえられる
セキュリティ担当
データの持ち出し経路を増やさずに生成AIを導入できる
製品開発部門
自社製品にAI機能を組み込み、オフラインでも動く製品を作れる
経営・⁠企画
AIの利用量と費用の関係を管理しやすくなり、投資判断がしやすい

09/想定ROI

現場の点検記録をオフラインで下書きする場合の試算

通信が不安定な設備で点検を行い、記録を事務所に戻ってから作っている現場を想定します。点検担当者が端末で音声メモを残し、Foundry Localで記録の下書きを作り、担当者が確認・⁠修正する流れに変えた場合の作業時間を比べます。

項目
現在
Foundry Local導入後
1件あたりの記録作成
20分(メモの見直しと清書)
8分(AIの下書きを確認・⁠修正)
月の記録作成時間(100人×1日3件×20日)
2,000時間
800時間
月の削減時間
-
1,200時間
金額換算(時間単価3,000円)
-
約360万円/月(年間 約4,300万円)
クラウドAIの利用料
-
下書き作成の処理には発生しない(PCは既存の端末を利用)
前提:点検担当者100人、1人1日3件、月20日稼働。時間単価・⁠削減時間は仮定です。実際の効果は試作の段階で現在の作業時間を測って確かめます。

10/導入ステップ

適用診断から社内展開までの5つのステップ

導入の流れ
1
STEP 1 業務とデータの棚卸し対象業務、扱うデータの種類、使う場所(通信の有無)、社内PCの性能を確認します
業務の選定データ分類端末の確認
2
STEP 2 モデルと作り方の選定候補のモデルを業務データで試し、答えの質と速さを比べます。開発方法とツール接続の方法を決めます
モデル比較SDK選定
3
STEP 3 試作と効果の測定小さな試作アプリを現場で使ってもらい、現在の作業時間と比べて効果を測ります
試作アプリ効果測定
4
STEP 4 業務アプリ化Windowsアプリとして作り込み、社内文書の検索、ツール接続、テスト、配布方法を整えます
Windowsアプリ配布テスト
5
STEP 5 社内展開と更新の運用手順書と研修で展開し、モデルや製品の更新に合わせた検証・⁠改修の運用を始めます
手順書研修更新の運用

11/他の手段との違い

AIを動かす方法ごとの向き・⁠不向き

方法
動く場所
向いている使い方
注意点
クラウドのAI(Microsoft Foundry、Azure OpenAIなど)
クラウド
大きなモデルが必要な分析・⁠文章作成、多人数での利用
データをクラウドに送る。利用量に応じて費用が増える
Microsoft 365の生成AI(Microsoft Copilot、Copilot Studio)
クラウド
メール・⁠文書・⁠会議など日常業務での活用、ノーコードでのエージェント作成
社内データはMicrosoft 365の権限で守る。オフラインでは使えない
Windowsに標準で入ったAI機能
端末
要約や文章の書き換えなど、OSが用意した機能の利用
使えるモデルや機能はOSが決める。対応PCが限られる
個人向けのローカル実行ツール
端末
個人が手元で試す、モデルを比べる
会社のアプリとして配布・⁠更新・⁠管理する仕組みは自前で用意する
社内サーバーでの実行(Foundry Local on Azure Localなど)
社内のサーバー
多人数の同時利用、工場の設備に近い場所での処理
サーバーの構築・⁠運用が必要
Foundry Local
端末
社員1人1台のPCや自社製品で、データを外に出さずに使う
大規模モデル並みの性能は出ない。業務に合うモデルの見極めが要る

実際には一つに決めず、機密を扱う処理は端末、重い分析はクラウドと使い分ける構成が現実的です。エージェントの登録・⁠権限・⁠監査はAgent 365でまとめて管理し、エージェントの作り込みにはMicrosoft Agent Frameworkを使うなど、Microsoftの製品と組み合わせて設計します。

12/ガバナンス・⁠運用

端末で動くAIを安全に使い続けるための決めごと

社内のIT担当者がPCの管理画面を確認する様子
写真はイメージです

AIが端末の中で動くと、データの持ち出しは減る一方、端末ごとの管理が大切になります。導入時に次の決めごとを整えます。

項目
決めること
使う仕組みの例
モデルのバージョン管理
使うモデルとバージョンを固定し、更新は検証してから計画的に行う
Foundry Localのバージョン指定
端末の管理
配布先のPC、暗号化、紛失時の対応を決める
出力の確認
AIの下書きを人が確認してから登録・⁠送信する流れにする
回答の質の確認
業務データで定期的に答えを確かめ、誤りの傾向を記録する
評価用の質問と正解のセット
利用ルール
どのデータを端末のAIで扱ってよいかを規程にする

13/当社について

Microsoft AI Innovation Partner of the Year 2024 受賞

Microsoft AI Innovation Partner of the Year 2024 受賞

Microsoftのパートナーとして、Azureを中心にAIの設計・⁠実装・⁠運用を支援しています。

お知らせを見る →

AzureのSpecialization認定

AzureのAI PlatformなどのSpecialization認定

AI基盤の構築と開発の生産性向上の分野で、Microsoftの専門性認定を取得しています。

お知らせを見る →

X-Tech FDEによる、現場起点のAI実装

X-Tech FDEによる、現場起点のAI実装

現場に入り込むエンジニアが、課題の発見から実装・⁠定着までを伴走します。

X-Tech FDEを見る →

14/はじめ方

ローカルAIの適用診断と試作から

まずは対象にしたい業務を1つ選び、扱うデータ、使う場所、社内PCの性能を確認します。そのうえで候補のモデルを業務データで試し、小さな試作アプリで効果を確かめます。端末で動かすべき処理か、クラウドや社内サーバーと組み合わせるべきかも、この段階で判断します。

適用診断

対象業務とデータの扱い、端末の性能を確認し、端末で動かす処理を決めます。

試作と効果の確認

モデルを業務データで比べ、試作アプリで現在の作業時間と比べます。

15/関連ソリューション

SLMアプリ開発

SLM(小規模言語モデル)アプリ開発

小規模言語モデルを使った対話型AIアプリの開発と、業務に合わせた追加学習を支援します。

SLMアプリ開発を見る →

Microsoft Foundry

Microsoft Foundry開発

クラウドでAIエージェントを開発・⁠評価・⁠運用する基盤の構築を支援します。端末のAIと組み合わせる構成も設計します。

Microsoft Foundry開発を見る →

MCP

MCP(Model Context Protocol)

AIエージェントを社内システムやツールにつなぐ共通の接続方式の導入を支援します。

MCPを見る →

製造業向けAIソリューション

製造業向けAIソリューション

生産データの分析や設備の予知保全から現場のAI活用まで、製造業のAI導入を支援します。

製造業向けAIを見る →

AI FinOps

AI FinOps

AIの利用量と費用を見える化し、クラウドと端末の使い分けを含めて費用を管理します。

AI FinOpsを見る →

X-Tech FDE

X-Tech FDE

現場に入り込むエンジニアが、AIの試作から定着までを伴走します。

X-Tech FDEを見る →

16/よくあるご質問

Q.Foundry Localとは何ですか。
A.Foundry Local(ファウンドリー・⁠ローカル)は、生成AIのモデルをクラウドに送らず、PCや端末の中で動かすためのMicrosoftのローカルAI実行基盤です。オンデバイスAIとも呼ばれる使い方で、入力したデータは端末の外に出ず、オフラインでも動きます。
Q.費用はかかりますか。
A.Foundry Local自体の利用にAzureの契約は不要で、クラウドのAIのような使った量に応じた課金(トークン課金)もありません。アプリの開発・⁠配布・⁠運用の費用は別にかかります。
Q.どんなPCで動きますか。
A.Windows、macOS(Apple Silicon)、Linuxに対応しています。NPUやGPUを搭載したPC(Copilot+ PCなどのAI PC)では自動でそれらを使って速く動き、搭載していないPCではCPUで動きます。
Q.日本語は使えますか。
A.モデルによって日本語の質に差があります。当社は業務で使う文書や質問で候補のモデルを比べ、要約・⁠下書きなど用途に合うものを選びます。
Q.クラウドの生成AIとどう使い分けますか。
A.機密情報を扱う処理、通信が不安定な場所での処理、大量に繰り返す定型の処理は端末、大きなモデルが必要な分析や多人数での利用はクラウドが向いています。両方を組み合わせるハイブリッド構成もご提案します。
Q.個人向けのローカルAIツールとの違いは何ですか。
A.Foundry Localはアプリに組み込んで社員や顧客に配布することを前提に作られています。モデルの入手、PCに合わせた最適化、モデルのバージョンの固定を製品として引き受けるため、会社のアプリとして配布・⁠管理しやすい点が違います。
Q.多くの社員が同時に使えますか。
A.Foundry Localは1台の端末を1人で使う形に向いています。多くの社員が1台のサーバーを同時に使う場合は、社内のサーバーで動かすFoundry Local on Azure Localなどを検討します。

Foundry Local・ローカルAIの導入についてのご相談

端末で動かす業務の選定から、モデルの比較、Windowsアプリへの組み込み、手順書・⁠研修、更新の運用まで、貴社の状況に合わせてご提案します。

お問い合わせ