2018〜2025年度は連結財務諸表を作成しておらず、単体の数字です。
下の「他の会社と比べる」で会社Bを選ぶと、ここに2社目が並び、グラフの系列と表の行が増えます。
当社は、AI技術や数理最適化技術を用いたAIエンジン開発、システム開発及び運用・サポートを提供する「AI事業」、並びに系統用蓄電所の設計、開発及び譲渡等を行う「インフラアセット事業」の２つを報告セグメントとしております。以下に示す区分は、セグメントと同一の区分であります。有価証券報告書【事業の内容】より（2026年9月提出）
2025年度の売上収益は31億円で、売上収益を比べられる東証上場3,585社のうち3239番目、情報・通信業591社のうち447番目の大きさです。2020年度から2025年度までの売上収益の年平均成長率は+34.6%です。平均年間給与は888.3万円（2025年度・提出会社単体）で、情報・通信業585社のうち58番目。平均年齢は38.5歳、平均勤続年数は3.1年です。
事業の大きさと稼ぐ力
働く人の数字
順位は大きい順。平均年齢と平均勤続年数は大きいほうが良いとは言えないため、順位を付けずに業種の中央値と並べています。利益率・ROE・自己資本比率は業種による違いが大きいため、同じく業種の中央値と並べています。 平均年間給与・平均年齢・平均勤続年数は提出会社（単体）ベース、従業員数は連結ベースです。評価・推奨ではありません。
会社Bを選ぶと、下のグラフ・事業の構成・推移表に2社目が並びます。会社Aを変えると、そのままほかの会社のページに切り替わります。
グリッドと同業2社を、ダッシュボードで並べるＣＳ－Ｃ・大和コンピューターと、売上・営業利益・平均年間給与などの推移を重ねて比べられます指標を選ぶとグラフが入れ替わります。会社Bを入れると系列が2本になります。
▶ ＣＳ－Ｃ・大和コンピューターと3社で重ねる（決算ダッシュボード）→
有価証券報告書【セグメント情報等】からの売上構成比。会社Bを入れると横に並びます。
グリッド 最新期の売上構成比
有価証券報告書に事業の区分の記載がありません（単一セグメント）。
当社は、AI技術や数理最適化技術を用いたAIエンジン開発、システム開発及び運用・サポートを提供する「AI事業」、並びに系統用蓄電所の設計、開発及び譲渡等を行う「インフラアセット事業」の２つを報告セグメントとしております。以下に示す区分は、セグメントと同一の区分であります。
なお、当社は従来「AI事業」の単一セグメントとしておりましたが、蓄電所の開発を開始したことにより、当事業年度より、報告セグメントの区分を「AI事業」及び「インフラアセット事業」に変更しております。詳細は、「第５ 経理の状況 １ 財務諸表等 (1)財務諸表 注記事項（セグメント情報等）」をご参照ください。
当社は、「INFRASTRUCTURE＋LIFE＋INNOVATION」(インフラ ライフ イノベーション)を企業理念と定め、社会インフラにイノベーションを起こし、インフラ全体の最適化を目指し、社会に貢献することをミッションに活動しております。
現在の社会経済は、エネルギー価格の変動、サプライチェーンの寸断、カーボンニュートラル(注１)に向けたエネルギー消費の効率化、DX化に伴う業務の効率化等、様々なリスクや課題を抱えております。その中で迅速に最適解を選択し、施策や事業を管理運営していくことが、企業ひいては社会の持続的な成長に必要不可欠となっております。
電力、物流、サプライチェーンといった社会インフラも同様に、ビジネス上の様々な要素を考慮した上で計画的に管理運営されておりますが、その計画業務は熟練の人材による多大な労力と時間により成立しており、現在の複雑かつ不確実性の高い環境下で迅速に最適解を選択することは困難な状況となっております。
そこで当社は、属人性を排し、インフラのオペレーションに関わる様々な制約を変数として、複雑かつ不確実性の高い多数の要素も考慮した上で、AI技術を用いて短時間で最適な計画を提供するため、計画最適化事業を展開しております。具体的には、当社の社会インフラに関する業務知識の豊富なエンジニアが各顧客の計画対象業務を数式化することにより、複雑な業務を再現するシミュレータを開発し、デジタル空間上に機器、設備、人、車両等の動きを再現します。シミュレータ上では、仮想的に設備、車両等を動かし、業務のシミュレーションを行うことができるため、ビッグデータを使用せずにシミュレーション結果を生み出すことが可能となります。そしてその結果から得られるデジタルデータを基にKPI(注２)の最大化や計画の最適化を可能とするアルゴリズムを開発し、業務システムに組み込みます。
計画の最適化は、組合せ最適化の一種となります。組合せ最適化とは、一般に、複数の制約を満たす有限個の解から最良の解(最適解)を探し出すことを意味し、その解法として数理最適化(注３)やメタヒューリスティクス(注４)等の手法が用いられてきました。複雑な業務の計画は様々な要素を考慮して策定されるため、最適解を探し出すには膨大な数の組合せを考慮する必要があり、実務に耐えうる時間で最適解を導くことは高い技術を必要とします。
そこで当社では数理最適化やメタヒューリスティクスの手法に加えて、機械学習(注５)や強化学習(注６)等のAI技術を応用し、各種の計画に適した数理最適化の手法とAI技術を組み合わせたアルゴリズムをAIエンジンとして開発することで、最適解を探索する範囲を限定し、実務に耐えうる時間で最適解を導く手法を採用しました。また、AIエンジン開発を中心に、その前段となるコンサルティングフェーズから、AIエンジンを組み込んだシステム実装・運用フェーズまでを手掛けることで顧客生涯価値(CLTV)(注７)を最大化し、かつ運用・サポートサービスを担うことで、安定的な収益に繋げることをビジネスモデルとしております。
［開発プロセス］
AI技術による計画の最適化を事業展開するにあたり、当社が注力している分野は、電力、製造・運輸、都市・交通の３分野となります。
機械学習・強化学習をはじめとしたAIアルゴリズム開発手法に加え、数理最適化等の手法を用い、ビジネス課題の解決に必要な技術手法を用いることで、実効性の高い効率的な各種計画の策定を支援するAI開発事業を展開しております。
以下では(１)事業分野、(２)AI事業の特徴、(３)テクノロジー、についてそれぞれ説明いたします。
(１) 事業分野
自動運転、翻訳、スマートフォン、画像認識等コンシューマー向け分野ではAIの実用化が進んでおりますが、インダストリアル分野、特に社会インフラ領域ではAIの実用化は必ずしも進んでおりません。当社は「インフラと社会を、その先へ」をミッションとし、AI技術の実用化に主眼を置き、社会インフラ領域における計画最適化のエンジニアリング及びサービス事業を展開しております。
計画最適化は生産計画、輸送計画、材料開発、拠点配置計画、スケジューリング計画、適正価格設定等様々な用途で活用が期待されておりますが、組み合わせるシナリオの数の多さに起因して計算量が増大し、現実的な時間内での計算が困難になることや問題の定式化に伴う実装の難しさから導入されている分野は限定的でした。当社は、画像認識、需要予測といった領域で広く利用が進んでいるAI技術を計画最適化に応用し、問題の難易度や要求事項に対して柔軟にAIアルゴリズムを組み合わせることで、エネルギー消費量の削減、輸送効率や生産効率の向上といった顧客の課題を解決しております。また、当社は社会インフラ領域にフォーカスし、特に①電力分野、②製造・運輸分野、③都市・交通分野の３つの分野に注力しており、各分野における計画最適化は化石燃料の削減に直結するため、重要な社会問題であるカーボンニュートラルの実現にも貢献することができると考えております。
［注力する社会インフラ３分野］
① 電力分野
国内電力事業者向けに発電所の需給計画の最適化プログラムを開発納入しております。電力自由化に伴い、電力需要に即した需給計画の立案が今後ますます重要になると思われ、脱炭素社会実現の観点からも効率的な需給計画を立案し、発電所を稼働させることが求められます。当社は電力需要を予測し同予測に基づく発電が可能となるよう、各発電所の需給計画についてAIアルゴリズムで最適化する技術サービスを提供しております。これにより各発電所の発電機を電力需要に即して起電、停電させることで過剰な発電を抑え、発電に要する燃料の使用量を低減させることが可能になります。
② 製造・運輸分野
原油、セメント、鉄鋼、製紙、化学品、消費財等様々な分野で生産者は原材料や商品を船舶やトラック等で運搬しており実際の輸送計画は人の経験と知識に基づいて立案されているケースが殆どであります。輸送計画は気象条件、積荷集配箇所、納期等多くの制約条件に基づいて作成されるにもかかわらず、計画最適化に適したソフトウエアが開発されていないため、これまで特定の人材の知識と経験に基づいて計画作成が行われておりました。そのため、輸送計画業務が属人化することや、立案した輸送計画が最適な計画かどうかを検証することが難しいという問題が顕在化しております。
当社は、輸送計画にAIアルゴリズムを取り入れることで輸送計画を最適化する技術サービスを提供しております。様々なビジネス上の制約を加味しながら計算時間を短縮したAIエンジンの開発を行い、最適な輸送計画によって輸送に要する燃料コストの削減を実現しております。
また、輸送計画最適化の応用分野としてサプライチェーン分野での計画最適化の技術サービスも提供しております。調達、在庫、生産、配送、販売に至るサプライチェーンの全工程をデジタル空間に再現し、全体最適や部分最適に関し顧客のKPIに応じて対応可能な技術を有しております。
③ 都市・交通分野
鉄道事業者においては、運行の定時性を維持しながら、ダイヤや乗務員に関する多くの制約条件を満たした上で、車両運用及び乗務員運用を効率的に行うことが求められておりますが、多くの場合、これらの計画業務は熟練担当者の経験や勘に依存しており、専門性の高いノウハウの継承が課題となっております。当社は、AIアルゴリズムを用いて車両及び乗務員の最適な運用計画を自動生成する技術サービスを提供しており、遅延の最小化や人員・車両の効率的な利用の実現に取り組んでおります。具体的には、鉄道会社と共同で、標準構内作業ダイヤや車両検査等の情報を基に構内作業計画を自動生成するシステムを開発するなど、計画策定時間の大幅な短縮と業務の属人化解消を進めております。
また、計画最適化の他にも機械学習を応用した高速道路の渋滞予測システムを提供しており、都市・交通分野における当社のAI活用の幅を広げております。
(２) AI事業の特徴
当社は、新しいテクノロジーにチャレンジするアーリーアダプター顧客(注８)に向けて顧客要望に応じたAIエンジニアリングプロジェクトを成功させ、これまでに確立したノウハウをReNom APPS(注９)として集約し、クラウドサービス化して展開しております。AI技術を用いた社会インフラ領域における計画最適化にフォーカスし、PoC(Proof of Concept：概念実証)ではなく本番導入を前提としたAIエンジンの開発から入り、実装に至る実績を積み上げてまいりましたが、当社は、①明確な経済的導入効果、②CO2削減効果、③大手企業中心の顧客構成、④CLTV最大化、⑤ソリューション提供手法の共通化、⑥クラウドサービス提供、⑦人材戦略といった特徴を有しております。以下では、特徴に関し、それぞれ説明いたします。
① 明確な経済的導入効果
典型的なAI適用領域である画像認識や需要予測は、経済的な導入効果が曖昧といわれておりますが、AIによる計画最適化は、化石燃料削減やオペレーションコスト削減といった直接的なコスト削減効果をもたらすことが可能となります。顧客は利害関係者にAIに対する投資対効果を明確に説明することができ、新しいテクノロジーの価値に見合った規模の投資が可能になります。このようにAI導入効果をROI(注10)として明確に数値化できることは、受注確度を高める効果があり、当社の収益性の基盤となっております。
出典：有価証券報告書【事業の内容】（2026年9月提出・S100Z4LV）。事業系統図は省いています。
親会社と、主な子会社・関連会社。有価証券報告書の【関係会社の状況】から作っています。上場している会社は、その会社の有報の数字を並べています。
持分法適用関連会社など 1社。子会社の割合は議決権の所有割合（間接所有を含む）。上場していない子会社の売上・利益が載るのは連結売上の10％を超える会社だけで、従業員数と平均年間給与は有価証券報告書に載りません。
会社が開示資料に書いたことを、そのまま引用しています。評価・予想・推奨は含みません。
中期経営計画
一次資料ベース中期の数値目標は有価証券報告書に記載がない。決算説明資料などで別途公表している場合がある。
有価証券報告書【経営方針、経営環境及び対処すべき課題等】より
配当の方針、株主優待、大株主を、有価証券報告書の記載のまま並べています。評価・推奨ではありません。
当社は、株主に対する利益還元を重要な経営課題と認識しており、財政状態、経営成績及びキャッシュ・フローの状況を勘案し、利益還元政策を決定していく方針であります。しかしながら、当社は、成長過程にあり、現時点では事業の効率化と事業拡大のための投資等に充当し、なお一層の事業拡大を目指すことが株主に対する最大の利益還元に繋がると考えており、現在のところ配当を実施しておりません。将来的には、内部留保の充実状況及び企業を取り巻く事業環境を勘案し、利益還元を行うことを検討してまいりますが、現時点において配当実施の可能性及びその実施時期等については未定であります。内部留保資金については、将来の成長に向けた投資資金として、M&Aや新たな事業への投資、今後の成長に資する優秀な人材の採用等に有効活用してまいります。
剰余金の配当を行う場合には、年１回の期末配当を基本方針としております。なお、当社は中間配当を行うことができる旨を定款に定めております。また、剰余金の配当等、会社法第459条第１項各号に定める事項については、法令に別段の定めがある場合を除き、株主総会の決議によらず取締役会の決議によって定めることができる旨を定款に定めております。
有価証券報告書【配当政策】より（2026年9月提出）
「株主に対する特典」は「なし」と記載されています。
有価証券報告書【提出会社の株式事務の概要】「株主に対する特典」の記載です。提出日時点の内容で、その後に変わっていることがあります。最新の内容は会社の発表で確かめてください。
| 順位 | 株主 | 持株比率（%） |
|---|---|---|
| 1 | 株式会社We(注)２ | 54.30 |
| 2 | 株式会社日本カストディ銀行(信託口) | 11.12 |
| 3 | 伊藤忠商事株式会社 | 2.12 |
| 4 | 丸紅株式会社 | 2.12 |
| 5 | 楽天証券株式会社共有口 | 1.26 |
| 6 | マネックス証券株式会社 | 1.06 |
| 7 | 株式会社SBI証券 | 1.02 |
| 8 | JP JPMSE LUX RE UBS AG LONDON BRANCH EQ CO | 0.96 |
| 9 | JPモルガン証券株式会社 | 0.84 |
| 10 | 日本マスタートラスト信託銀行株式会社(信託口) | 0.66 |
有価証券報告書【大株主の状況】より。持株比率は、発行済株式（自己株式を除く）に対する割合です。上位10名の合計は75.46%。信託銀行の名義には、投資信託や年金などの資金がまとめて入っています。
表示する指標をチェックで選べます。逆算 が付く指標は、開示値から計算したものです。
選択中 5 指標 ／ 候補 47 指標（有価証券報告書・決算説明資料・逆算）
← 横にスクロールできます →
| 指標 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | 2025 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 売上収益億円 | — | — | — | — | — | — | 13 | 7 | 7 | 9 | 14 | 17 | 21 | 31 |
| 営業利益億円 | — | — | — | — | — | — | — | — | — | 1 | 2 | 4 | 4 | 5 |
| 営業利益率% | — | — | — | — | — | — | — | — | — | 7.8 | 15.4 | 22.2 | 20.7 | 14.7 |
| 当期利益億円 | — | — | — | — | — | — | -1 | -7 | -2 | 1 | 2 | 4 | 3 | 3 |
| EPS円 | — | — | — | — | — | — | -14.9 | -192.9 | -58.0 | 25.3 | 62.9 | 86.7 | 63.0 | 72.4 |
空欄は「未収録」です。会社が開示していないか、まだ読み込んでいないかのどちらか。推計値では埋めません。
推移は、有価証券報告書の冒頭にある【主要な経営指標等の推移】から5期分ずつ取っています。売上高・経常利益・純利益・純資産・総資産・自己資本比率・1株情報・従業員数などが1つの表に並んでいるので、3期分の有報で最大14期そろいます。
有価証券報告書の【従業員の状況】から取れる数字と、そこからの逆算。投資の観点でも、企業研究の観点でも同じ表を見ることになります。
平均年間給与は提出会社（単体）ベースです。連結全体の数字ではありません。従業員数は連結ベースなので、この2つは母集団が違います。割り算をするときはその点に注意してください。
女性管理職比率・男性の育児休業取得率・男女の賃金の差異は、2023年3月期の有報から【従業員の状況】に載るようになった数字です。提出会社（単体）の値で、公表の義務が無い会社は記載していないことがあります。
男女の賃金の差異は、男性の平均賃金を100としたときの女性の平均賃金です。職種や役職の構成の違いを含んだ平均どうしの比べなので、同じ仕事の賃金の差ではありません。男性の育児休業取得率は、その年度に配偶者が出産した人の数で割るため、100%を超えることがあります。
有価証券報告書の表紙と【役員の状況】より（2026年9月提出）。
有価証券報告書【沿革】より（2026年9月提出・S100Z4LV）。会社が書いたとおりに載せています。
売上収益の最新の値が近い順に6社。情報・通信業の591社から選んでいます。
数値はすべて会社が公表した資料に紐づけています。出典のない数値はこのページに載せません。
一次資料 開示資料に記載のある値 逆算 開示された値から計算した値 デモ 画面確認用の仮データ
検索窓の扱いについて。入力された文字列は、あらかじめ収録した企業一覧との照合にだけ使っています。入力値をそのまま画面に書き戻したり、URL・問い合わせ文・生成AIへの指示文に混ぜたりはしません。
画面の描画は例外なく textContent で行い、innerHTML は一切使っていません。eval と new Function も使っていません。入力は40文字までで、日本語・英数字・一部記号以外は受け付けません。配信時は _headers で Content-Security-Policy を設定しています。
資料の読み込みを生成AIで行う場合も、PDFの中身は「指示」ではなく「データ」として扱い、抽出結果は必ず出典ページ番号とセットで保存して、人が突き合わせられる状態にします。
本ページは公開情報を整理したものです。特定の銘柄の取得・処分を推奨するものではなく、投資判断についての助言・評価・予想は含みません。
決算説明資料および中期経営計画の著作権は各社に帰属します。本ページは資料そのものを転載せず、数値の引用と出典の明示にとどめています。