Deskrex AIのチャット機能は、複数のAIモデルと自然言語で対話しながら、調査・分析・コード実行・画像生成など様々なタスクを実行できる多機能なインターフェースです。

​
🤖 チャット機能とは

チャット機能では以下のことが可能です：

多様なAIモデル

OpenAI、Anthropic、Google AI、DeepSeek、Grokなど複数のAIモデルから選択

多機能なアクション

検索、要約、コード生成、画像生成、ブラウザ操作など20種類以上の機能

ファイル処理

PDF、Word、Excel、PowerPoint、画像ファイルのアップロードと解析

リアルタイム検索

ウェブ検索、X（Twitter）検索、ブラウザ操作による最新情報の取得

​
🎯 基本的な使い方

​
チャット入力の基本操作

1

メッセージ入力

画面下部のチャット入力欄に質問や指示を入力します
2

AIモデル選択

右下のドロップダウンから使用するAIモデルを選択
3

アクション選択

”/“を入力して利用可能なアクションから選択
4

送信

青い送信ボタンをクリックまたはEnterキーで送信

​
チャット入力の高度な機能

​
スラッシュコマンド（/）

”/“を入力すると、利用可能なチャットアクションの一覧が表示されます：
  • ウェブ検索: インターネット検索による情報収集
  • X検索: X（Twitter）での最新情報検索
  • ブラウザ操作: 自動的なウェブサイト閲覧と情報抽出
  • ソース要約: 指定したURLの内容を詳細分析

​
メンション機能（@）

”@“を入力すると、過去の調査結果を参照してより精密な回答を得られます：

@メンション機能

機能:
  • 過去の検索結果や収集したソースの原文を全文参照
  • 要約ではなく元の情報を直接利用した回答生成
  • 複数の文献を同時に参照可能
使い方:
  1. ”@“を入力
  2. 検索窓でタイトルを検索
  3. 参照したい文献を選択
  4. 質問を入力して送信

​
🔄 フォローアッププロンプト機能

​
AI自動提案システム

調査の結果に基づいて、AIが次に実行すべきアクションを自動的に提案します。

6種類のアクションパターン

  • アイデア探索: 研究結果からの洞察発見
  • ウェブ検索: 特定情報の直接検索
  • 多角的調査: 複数角度からの情報収集
  • サイトクローリング: 特定サイトからのデータ収集
  • 可視化: データの視覚的整理・分析
  • ブラウザ操作: インタラクティブなサイト探索

​
データソース詳細指定

データソースを指定すると、過去の調査結果をベースに分析や調査の参考にできるようになります。

ソース選択機能

機能:
  • ウェブ検索、テーマ、データベース、レポートの個別選択
  • 各ソース内の特定項目の選択的使用
  • 一時的除外による柔軟な調査範囲調整
  • リアルタイム設定保存
活用例:
  • 過去の調査レポートを参照した調査や分析
  • 特定の業界データベースのみを対象とした業界分析
  • 信頼性の高いソースのみに絞った精密な分析

​
📁 ファイルアップロード機能

​
対応ファイル形式

文書ファイル

  • PDF: 論文、レポート、資料
  • Word: 文書、企画書
  • Excel: データ、表計算
  • PowerPoint: プレゼンテーション

画像ファイル

  • JPG/PNG: 写真、スクリーンショット
  • チャート・グラフの画像解析
  • OCR（文字認識）による文字抽出

​
ファイル処理の流れ

1

ファイル選択

📎アイコンをクリックでファイルをアップロード
2

自動処理

  • 文書: テキスト抽出と構造化
  • 画像: OCR処理とコンテンツ解析
  • Excel: データの読み込みと分析準備
3

AI分析

アップロードしたファイルの内容を基にAIが回答や分析を実行

​
🔍 チャットモードの種類

​
エージェントモード（デフォルト）

エージェントモード（デフォルト）

機能: 複雑なタスクをAIが自動的に分析し、最適なアクションを選択して実行特徴:
  • 質問内容に応じて自動的に適切なアクションを選択
  • ウェブ検索、X検索、ブラウザ操作、データ分析などを柔軟に組み合わせ
  • タスクの性質を理解して最適な処理フローを自動構築
  • ユーザーは細かい指示を出す必要がない
プロセス:
  1. ユーザーの質問や要求を分析
  2. 必要なアクション（検索、分析、生成など）を自動判断
  3. 複数のツールを適切に組み合わせて実行
  4. 統合された結果を提供
活用例:
  • 「最新のAI市場について教えて」→ 自動でウェブ検索、X検索、分析を実行
  • 「この企業の財務状況を分析して」→ ブラウザ操作とデータ分析を組み合わせ
  • 「競合分析レポートを作成」→ 複数の調査手法を統合して包括的レポート作成

​
ゴールシークモード

ゴールシークモード

機能: 設定した目標に向けて、AIが反復的に調査・分析を実行プロセス:
  1. 目標の設定（例：「競合他社の戦略を分析して自社の改善点を見つける」）
  2. AIが調査計画を生成
  3. 段階的な情報収集と分析の実行
  4. 結果の評価と次のステップの決定
  5. 目標達成まで自動的に繰り返し
活用例: 市場調査、競合分析、課題解決

​
インサイト・アイデア生成

インサイト・アイデア生成

機能: これまでの調査結果を元に、新しい視点や気づき、解決策を生成特徴:
  • 収集した情報を分析して潜在的なパターンや関連性を発見
  • 異なる情報源を組み合わせて新しいアイデアを初旨
  • 既存の情報から見えない機会やリスクを特定
  • ビジネス戦略、製品開発、マーケティングなどの新しいアプローチを提案
プロセス:
  1. テーマに関連する調査データを統合分析
  2. データ間の関連性やトレンドを特定
  3. 異なる角度からの視点や新しい切り口を探索
  4. 実行可能なアイデアや推奨事項を具体的に提案
活用例:
  • 市場調査データから新しいビジネス機会を発見
  • 競合分析から差別化戦略を立案
  • カスタマーフィードバックから製品改善アイデアを生成
  • 業界トレンドから将来の戦略方向性を探索

​
推定機能

推定機能

機能: 調査結果を元に、定量的・定性的な推定や予測を実行特徴:
  • 既存データを基に論理的な推論で未知の数値や傾向を算出
  • 市場規模、競合状況、リスク評価などを包括的に分析
  • フェルミ推定や構造化された分析手法を活用
  • 特定のテンプレート（事業計画、ファイブフォース分析等）を利用可能
利用可能な推定タイプ:
  • カスタム: 自由な推定内容を指定
  • 事業計画: 市場規模、競合状況、収益モデル、必要投資、リスクを考慮した包括的な事業計画
  • 市場規模: TAM（全体市場）、SAM（実行可能市場）、SOM（獲得可能市場）のフェルミ推定
  • ファイブフォース分析: ポーターの競争環境分析フレームワーク
プロセス:
  1. 利用可能なデータと情報を整理
  2. 適切な分析手法やフレームワークを選択
  3. 論理的な仮定と計算で未知の値を算出
  4. 結果の信頼性や不確実性を評価して報告
活用例:
  • 新規事業の市場ポテンシャル推定
  • 製品ローンチの売上予測
  • 投資判断のためのリスク評価
  • 競合他社の戦略分析と対応策検討

​
ウェブ検索・X検索

ウェブ検索・X検索

機能: インターネットやX（Twitter）から最新情報を自動収集・分析ウェブ検索の特徴:
  • Google検索を使用して関連情報を収集
  • 複数のサイトから情報を統合して包括的な回答を生成
  • 信頼性の高いソースを優先的に選択
  • リアルタイムの情報取得が可能
X検索の特徴:
  • X（Twitter）の最新投稿から情報を収集
  • トレンドやリアルタイムの反応を把握
  • インフルエンサーや専門家の意見を収集
  • ハッシュタグやキーワードベースの検索
活用例:
  • 最新ニュースや業界動向の調査
  • 競合企業の発表や反応の追跡
  • 市場の感情やトレンドの分析
  • イベントやカンファレンスの情報収集

​
ブラウザ操作・自動化

ブラウザ操作・自動化

機能: 自動的にウェブサイトを閲覧し、深い情報収集と分析を実行特徴:
  • 複数のウェブページを自動的に巡回
  • ログインが必要なサイトへのアクセス（制限あり）
  • フォーム入力や検索操作の自動化
  • スクリーンショット撮影とコンテンツ解析
プロセス:
  1. 対象サイトへの自動アクセス
  2. ページ構造の解析と重要情報の特定
  3. 関連リンクの自動追跡
  4. 収集した情報の統合と要約
活用例:
  • 競合企業のサイト詳細調査
  • 製品情報や価格の比較収集
  • 求人情報やIR情報の系統的収集
  • ECサイトの商品情報分析

​
コード実行によるビジュアライズ・データ分析

コード生成・実行

機能: Python、JavaScript、SQLなどのコードを生成し、サンドボックス環境で実行対応言語・技術:
  • Python: データ分析、機械学習、ウェブスクレイピング
  • JavaScript: フロントエンド開発、データ可視化
  • SQL: データベース操作、データ分析
  • HTML/CSS: ウェブページ作成、レイアウト設計
利用可能ライブラリ（Python）:
  • pandas, numpy: データ処理・分析
  • matplotlib, seaborn: データ可視化
  • scikit-learn: 機械学習
実行環境:
  • 安全なサンドボックス環境でコード実行
  • リアルタイムでの結果表示
  • エラーハンドリングとデバッグ支援
  • ファイル出力とダウンロード機能
活用例:
  • CSVデータの統計分析とグラフ作成
  • APIからのデータ取得と処理
  • 機械学習モデルの構築と予測
  • ウェブスクレイピングによる情報収集

​
画像生成

画像生成

機能: テキストの説明から高品質な画像を自動生成対応モデル:
  • GPT-image-1: 高品質で指示追従性の高い画像生成
生成可能な画像タイプ:
  • 写実的な写真風画像
  • イラスト・アートワーク
  • ビジネス向けインフォグラフィック
  • プレゼンテーション用図解
  • ロゴやアイコンデザイン
特徴:
  • 日本語での詳細な指示が可能
  • スタイル、色調、構図の細かい指定
  • 複数のバリエーション生成
  • 高解像度での出力対応
活用例:
  • プレゼンテーション用のイメージ作成
  • マーケティング素材の制作
  • 製品コンセプトの可視化
  • ブログ記事やレポートの挿絵

​
🎯 効果的な活用方法

​
用途別チャット活用法

基本的な流れ:
  1. ウェブ検索で業界動向を収集
  2. 競合企業のサイトをブラウザ操作で詳細調査
  3. 収集したデータをExcelで分析
  4. 最終的な市場レポートを生成
活用例:
/ウェブ検索 「2024年 フィンテック市場 動向」
→ 結果を確認後
/ブラウザ操作 「主要フィンテック企業のサービス詳細を調査」
→ CSVファイルをアップロード
/データ分析 「市場シェアの推移を分析してグラフ化」

​
ベストプラクティス

効率的な質問の仕方

  • 具体的な指示: 「〜について調べて」より「〜の市場規模と成長率を2020-2024年で調査して」
  • 文脈の提供: 背景情報や目的を明確に伝える
  • 段階的なアプローチ: 複雑なタスクは小さなステップに分解

​
🚀 高度な機能

​
複数機能の組み合わせ

ワークフロー例: 競合分析レポート作成

ステップ1: ウェブ検索で業界概要を収集ステップ2: ブラウザ操作で競合企業サイトを詳細調査ステップ3: @メンションで過去の調査結果を参照ステップ4: Pythonコードでデータ分析と可視化ステップ5: 画像生成で説明図を作成ステップ6: 最終レポートの生成と編集

​
自動化との連携

チャットから自動化への発展

チャットで確立したワークフローは、自動化機能で定期実行可能：
  1. チャットで手動実行・検証
  2. 効果的なプロセスを特定
  3. 自動化設定で定期実行
  4. 結果の自動配信設定

​
クレジット節約のコツ

効率的な利用

  • 明確で具体的な質問を心がける
  • 必要以上に長い回答を求めない
  • 同じ内容を繰り返し質問しない
  • @メンション機能で過去の結果を活用

モデル選択

  • 簡単なタスクは軽量モデルを使用
  • 複雑な分析のみ高性能モデルを使用
  • 用途に応じて最適なモデルを選択
  • ブラウザ操作のステップ数を調整

​
🛠️ トラブルシューティング

​
次のステップ

チャット機能をマスターしたら、以下の機能も活用してみてください：