McKinseyの農家AI調査、支出縮小局面で低コストツールが台頭

McKinseyによると、農業支出の計画が全般的に縮小するなか、調査対象農家の17％が現在、農作業に生成AIを利用している。McKinseyの農家AI調査では、回答者のうち利用料金を支払っているのはわずか4％であるにもかかわらず、この技術を農業分野で最も急成長しているツールの一つに位置づけている。

この対比は、導入率の見出しが示す以上に重要だ。農家は農機の購入を先送りし、不可欠な投入資材を厳しく精査している。それでも、多くの農家はセンサーを設置したり機器を入れ替えたりせずに、汎用AIアシスタントを試すことができる。

これは、ソフトウェアがトラクター、精密散布機、あるいは農業技術者に取って代わったことを意味しない。資本集約的なアグテックがはるかに厳しい予算審査に直面するなか、導入時の摩擦が最も少ないツールが注目を集めているということだ。

この調査結果は、2026年9月8日に公表されたMcKinseyの世界の農家調査によるものだ。研究者は4月から7月にかけて、10カ国の農家5,500人を調査した。

この調査は、そうした熱意には明確な境界があることも示している。生成AIまたはAI検索を信頼できる意思決定情報源とみなす農家はわずか6％だった。農業技術者は56％の農家にとって依然として影響力を持つ。

つまり農家は、探索と権威を分けて捉えている。AIは文章作成、要約、比較、情報検索を担えるが、収量、投入コスト、栽培シーズン全体に影響する判断については、信頼される専門家がなお検証している。

McKinseyの農家AI調査が捉えた予算の反転

農家がほぼすべての主要支出をより厳選し始めているまさにその時に、生成AIは利用者を増やしている。

McKinseyの報告書は、小規模農家、大規模商業農場、畑作農家、特用作物事業者を対象としている。回答者は10カ国から集められ、新たに中国、ペルー、スペインのサンプルも加わった。

サンプルは作物生産に偏っていた。畑作のみを行う農家は59％を占め、畑作と特用作物の両方を栽培する農家は22％だった。残る19％は特用作物のみを栽培していた。

農場規模には大きな幅があった。インドと中国の回答者のほぼ全員が、50ヘクタール、すなわち約120エーカー以下を管理していた。

一方、2,500ヘクタールを超える農場はカナダの回答者の23％を占めた。米国サンプルでは17％だった。

この幅は世界的な視点を確立する助けとなるが、単純な比較も難しくする。AIチャットサービスが提供する価値は、小規模農家と大規模商業事業者では大きく異なる。

共通する要因は財務的圧力だ。McKinseyによると、農家の収益性は2021年と2022年にピークを迎え、その後、商品価格は下落した。

一方で、肥料、労働力、土地、農機、エネルギー、資金調達のコストは高止まりするか、変動が大きい状態が続いた。こうした状況は生産者を、短期的で目に見える収益が得られる購入へと向かわせた。

複数の主要農業市場では、支出意向が2024年の調査から低下した。アルゼンチンでは純支出センチメントが49ポイント下落した。

カナダは29ポイント、インドは28ポイント、ブラジルは24ポイント低下した。純支出とは、支出増を見込む回答者と支出減を見込む回答者の差を指す。

農機でさえ先送りの対象となった。収益性が悪化した場合に最初に削減するカテゴリーとして、16％が設備を挙げた。

ただし、利益が回復した場合に最優先で資金を配分すると答えた人は36％だった。この結果は、農機が恒久的に拒絶されているのではなく、需要が先送りされていることを示している。

生成AIは、この制約の多い市場に構造的な優位性を持って参入する。農家は既存のスマートフォンやコンピューターで、数分以内に汎用サービスを開ける。

精密農業用ハードウェアには、導入、統合、トレーニング、そして多くの場合に大きな資本投下が必要だ。自律型機器には、保守、サポート、安定した接続性、既存業務との互換性も求められる。

この違いは、Bloombergの見出しが方向性として重要である一方、文脈が必要な理由を説明する。AIは、導入済みの基盤数で見れば農業で最も広く展開されている技術ではない。

むしろMcKinseyによれば、米国におけるAIの導入ペースは、農業技術で記録された最速級の導入率に似ている。物理的な障壁が少ないまま、その勢いを実現している。

2024年の農家調査結果は有用な基準線となる。この調査では、既存のデジタル農業カテゴリー全体で成長がより緩やかだったことが示された。

少なくとも一つの新しい業務技術を利用または検討している農家は、2022年比で3ポイント増加したと報告している。当時、生成AIは個別に測定されていなかった。

したがって2026年の調査は、この新しいカテゴリーについて初めて明確な世界的把握を示したものだ。農業向け生成AIについて、長期的な歴史的傾向を確立したものではない。

この限界は、農場がこの技術を中心に恒久的に再編されたという主張を抑制すべきだ。この調査が示すのは厳しい景気循環の中での急速な実験であり、変革の完了ではない。

それでも、この反転は現実のものだ。農家は計画支出を減らす一方で新しいデジタルツールを導入している。ソフトウェアを試すほうが、設備を購入するよりも財務的摩擦が小さいためだ。

農業AIの導入がハードウェアより速く進む理由

AIはトラクター、センサー、灌漑コントローラーに触れる前に、意思決定と文書処理を通じて農場に入ることができる。

生成AIは、自然言語による指示に応じて、文章、画像、その他のコンテンツを生成する。農場における当面の価値は、自律的な圃場作業よりも情報業務にある。

生産者は、圃場メモの整理、機器マニュアルの要約、製品情報の比較、農業技術者に尋ねる質問の準備などに利用できる。こうした作業は、生産上の意思決定の周辺で行われる。

McKinseyは、生成AIを日常的な意思決定を支援するものとして説明している。報告書は、この技術が播種、散布、収穫、家畜管理を独立して制御すると主張しているわけではない。

この違いは、対話型AIを既存の精密農業と分ける。精密農業ツールは、農機、センサー、地図、自動制御を通じて、位置固有の情報を収集または活用する。

既存カテゴリーは長年にわたり、測定可能な業務能力を提供してきた。自動操舵、収量マッピング、可変施用、狙いを定めた散布は、圃場での活動を直接変えられる。

しかし、こうしたシステムは投資の壁を越える必要がある。機器コスト、不確実な収益、分断されたデータ、互換性のないシステムが、購入を遅らせたり利用を制限したりする可能性がある。

連邦政府の技術評価によると、2023年に精密農業の実践を利用していた米国の農場または牧場は27％だった。この指標は作物または家畜の管理を対象としていた。

この評価では、高い初期費用、不明確なデータ所有権、低い相互運用性が導入の障壁として挙げられた。相互運用性とは、異なる機械やソフトウェアが利用可能な情報を交換できることを意味する。

AIチャットツールは、初期の実験段階ではこうした障害の一部を回避できる。新しい圃場用ハードウェアなしで稼働でき、すでにデジタル形式で利用可能な情報の活用を支援する可能性がある。

この手軽さは、利用と支払いの隔たりの説明にもなる。調査対象農家の17％が農場関連での利用を報告した一方、AIサービスに支払っていたのは4％にすぎなかった。

この有料利用の数値には、農業専用製品ではなく一般的なサブスクリプションが含まれる可能性がある。したがって、農業専用AIの大規模な確立市場を示すものではない。

むしろ、多くの農家が依然として試用段階にあることを示唆している。無料アクセスにより、測定可能な業務上の成果を求める前にユースケースを試す余地が生まれる。

AIツールを開くハードルは低い。作物保護、動物の健康、投入資材の施用に関する回答を信頼するハードルは、はるかに高くあるべきだ。

有用な農業上の判断は、土壌、天候、作物の生育段階、病害圧、規制、利用可能な機器など、地域の条件に左右される。汎用モデルにはこの文脈が欠けている場合がある。

モデルはまた、自信ありげに聞こえても裏付けのない情報を含む回答を生成することがある。この失敗モードは、しばしばハルシネーションと呼ばれる。

要約を求める農家は、元の文書を確認できる。しかし化学剤に関する推奨を求める農家は、異なる水準のリスクに直面する。

より安全な短期的パターンでは、AIを検証可能な情報に結びつけたままにする。このツールは検索、要約、比較、下書きを行い、人が出力を評価する。

これは、AIが孤立したプロンプトに依存せず関連情報を横断して機能するknowledge blendingに似たアプローチだ。農場では、こうした資料に記録、マニュアル、アドバイザーの助言を含められる。

したがって、急速な導入を支える仕組みは単純だ。生成AIは知識業務から始まり、農家がすでに所有するデバイスを使い、高額な物理的統合を後回しにする。

推奨を実行に移す段階では、ハードウェアがなお重要となる。チャットボットは、データ、互換性のある農機、検証済みの運用指示なしに肥料を正確に施用することはできない。

農業AIの導入が速く進んでいるのは、ソフトウェアが最初に意思決定層へ到達するからだ。制御層へ到達するかどうかには、はるかに強力な証拠が必要となる。

農業技術者は依然として信頼のラストマイルを担う

農家はAIを使って情報収集の入口を広げているが、最終的な権限を委ねてはいない。

McKinseyは、農業購買のあらゆる段階で、2024年から2026年にかけてデジタルチャネルの利用が拡大したことを明らかにした。最も大きな変化は、調査と比較の段階で起きた。

回答者の31％は、製品を調査するためにデジタルチャネルを使用した。36％は選択肢の評価・比較に利用しており、14ポイントの増加だった。

この行動は生成AIにとって明らかな機会を生む。対話型インターフェースは、製品説明を要約し、選択肢を整理し、サプライヤーやアドバイザーへの質問を作成できる。

それでも、生成AIツールまたはAI検索を信頼できる意思決定情報源として挙げた人はわずか6％だった。農業技術者は回答者の56％にとって、依然として主要な影響力を持っていた。

農業技術者は、作物、土壌、害虫、投入資材に関する科学的知識を農業上の判断に適用する。その強みは、単に情報を持っていることではない。

彼らは農場の条件を把握しており、一般的な推奨が特定の圃場に合うかを判断できる。また、専門的・評判上の説明責任も負っている。

McKinseyによると、営業担当者の影響力は世界全体で11ポイント低下した。この低下が調査で記録されたのは初めてだ。

農家へのインタビューは一つの説明を示した。オンライン情報が広く利用可能になったことで、一部の生産者は、販売する製品を優遇する可能性のある担当者への依存度を下げた。

ただし、それが自動的にAIへ権限を移すわけではない。むしろ農家は、技術専門家による検証を求める前にデジタル調査を利用しているように見える。

ここに、この記事の中心的な対立がある。低コストで即時に利用できるAI支援と、信頼され文脈に富む人間の助言だ。両者は注目を奪い合うが、現在は異なる目的を果たしている。

AIが最も強いのは、意思決定ファネルの上流だ。情報の所在を見つけ、選択肢を示し、密度の高い資料を実用的な言葉に変える支援をする。

農業技術者が最も強いのは、実行を決める段階だ。農家が資金を使ったり慣行を変えたりする前に、地域の証拠を解釈し、結果を評価する。

若手農家も、この人による支援の層を捨てているわけではない。McKinseyによると、40歳以下の回答者は、地域平均よりも小売農業アドバイザーを挙げる割合が高かった。

若手農家では、北米で70％、中南米で89％に達した。欧州は42％、アジアは19％だった。

これらの数字は、単純な世代論を崩す。デジタルツールへの慣れが、必ずしも人間の専門知識への需要を減らすわけではない。

むしろ、農家がより多くの相反する主張に触れることで、その需要を高める可能性がある。どの情報が作物、圃場、季節、事業に適しているかを判断する人が必要になる。

農業サプライヤーは現在、両側から圧力を受けている。農家が製品を独自に比較できるようになると営業チームの影響力は弱まる一方、AIの出力には依然として信頼できる検証が必要だからだ。

生産者向け企業には、このハイブリッドなプロセスで機能する根拠が求められる。農家が複数の情報源で主張を迅速に比較できるようになると、販促的な表現の有用性は低下する。

技術支援の重要性も高まる。地域での試験、明確な文書、迅速に対応する専門家を提供するサプライヤーは、AIを通じて見つかった情報を補強できる。

AIプロバイダーは逆の課題に直面する。利便性によって利用を獲得できても、持続的な信頼には信頼できる情報源、地域の文脈、不確実性の透明な提示が必要だ。

農場固有のアシスタントは、回答の出所を示さなければならない。メーカーのラベル、農学の出版物、農場記録、推論に基づく提案を区別すべきだ。

また、重大な結果を招く意思決定には境界線が必要である。地域の診断や規制遵守が重要な場合、システムは利用者を有資格の専門家へ導くべきだ。

短期的に有力なのは、アドバイザーなしのAIでも、AIなしのアドバイザーでもない。専門家に、より準備された質問と明確な根拠を提供するワークフローだ。

この結果は、依然として力関係を変える。農家はより独立した調査を行ったうえで対話に臨めるため、特定の販売者への依存を減らせる。

導入率が証明していないこと

この調査は実験的な利用と受容性を示しているが、生成AIが農場の利益、収量、レジリエンスを改善したことを証明するものではない。

McKinseyの調査は幅広い地域を対象としており、2020年に始まった隔年シリーズを継続している。ただし、生成AIに関する質問が追加されたのは2026年になってからだ。

2024年版には、直接比較可能な世界全体の数値はない。読者は17％という結果を、測定された2年間の成長率として解釈すべきではない。

このカテゴリーも幅広い。回答者は、汎用チャットサービス、農業特化型アシスタント、検索機能、生成機能を含むソフトウェアを利用している可能性がある。

農業関連の利用は、低リスクの文章作成支援から農学研究まで幅がある。これらの活動が生み出す価値や伴うリスクは同一ではない。

有料利用率4％という数字にも別の不確実性がある。一般目的で購入され、後から農作業に使われたサブスクリプションが含まれる可能性がある。

したがって、この調査は農業AIベンダーがどれほどの収益を得ているかを示していない。また、利用者が初期テスト後も使い続けているかも特定していない。

自己申告による導入は、検証済みの業務利用と同じではない。一度だけアシスタントを試した回答者は、日常的な利用者とは異なる回答をする可能性がある。

調査結果は、非常に異なる農場構造も対象としている。小規模農家、特産品生産者、大規模な畑作経営は、それぞれ異なる経済性と技術ニーズに直面している。

McKinseyによると、地域別の導入率は中南米と北米で最も高かった。公開された概要の本文では、国別のAIに関する結果がすべて示されているわけではない。

そのため世界平均は、相当なばらつきを隠している可能性がある。接続性、言語サポート、農場規模、作物価値、アドバイザーへのアクセスはいずれも、意味のある導入を左右し得る。

既存の精密農業技術は注意すべき先例となる。導入は数十年にわたり進んできたが、作物、農場規模、個別ツールによって利用状況にはなお偏りがある。

USDA adoption reviewによると、米国のいくつかの主要作物では、作付面積の半分以上で自動操舵が導入されていた。

一方で、収量マップ、土壌マップ、可変施用技術の導入は、他のいくつかの作物では作付面積の5～25％にとどまった。技術の普及は、特定の経済性に従った。

生成AIも同様の不均一性を示す可能性が高い。事務作業での利用は広く普及し得る一方、圃場レベルの推奨には、より良いデータと強力な検証が求められる。

データ品質は根本的な問題をもたらす。モデルは、不完全、古い、または構造化が不十分な記録から、正確な圃場条件を推測できない。

データの所有権も懸念を加える。明確な保護措置がなければ、農家は収量履歴、財務記録、投入計画、機械情報のアップロードをためらう可能性がある。

GAOは、データ共有と所有権への懸念が農業AIのより広範な導入を妨げ得ると指摘した。また、共通の技術標準が存在しないことも強調した。

軽量なサービスであっても、接続性は依然として重要だ。農村部のブロードバンドやモバイル通信のカバレッジが不安定な地域では、クラウドベースのアシスタントの信頼性が低下する。

チャットボットは控えめな帯域幅でも機能することがあるが、接続型センシングやリアルタイムの圃場システムには、より信頼性の高いインフラ層が必要になる。

精度は最も差し迫ったリスクである。汎用モデルが生成するのはもっともらしい文章であり、農学的真実が保証されたものではない。

その出力は、ラベル上の制約を見落としたり、作物の生育段階を誤解したり、別の地域向けの指針を適用したりする可能性がある。流暢な回答は、こうした誤りを発見しにくくすることがある。

AI生成の素材が検索結果を通じて流通すると、問題はさらに大きくなる。モデルは、別の自動化システムに由来する未検証の主張を要約してしまう可能性がある。

農家とアドバイザーには、根拠となる情報源へ直接アクセスできることが必要だ。有用なツールは、引用、日付、地域、文書のバージョンを保持すべきである。

USDA AI strategyも同様に、責任ある導入、ガバナンス、人材育成、公共の信頼を重視している。これらの原則は政府による導入にとどまらず重要だ。

いかなる調査結果も、農場での検証の必要性をなくすものではない。農業の成果は引き続き、生物学、天候、タイミング、地域の管理によって左右される。

責任ある解釈は見出しよりも限定的である。農家は多くの予想より速く便利なインターフェースを採用しているが、信頼と実証された収益性はなお未解決である。

圧力は今、農業技術ベンダーに向かっている

農家の選別的な支出は、ベンダーに対し、技術をカテゴリーとして売るのではなく、既存のワークフローの中で価値を証明することを迫っている。

従来のアグテック企業は、機械、センサー、衛星画像、農場管理プラットフォームを接続することに長年取り組んできた。これらのシステムは、非常に具体的な運用データを取得できる。

生成AI企業は、より簡単な参入点を提供する。情報の上に会話型レイヤーを置き、利用者が物理インフラを置き換えずに始められるようにする。

この2つのアプローチは、ますます融合する可能性が高い。機器および農場管理ベンダーは、自社システムがすでに収集しているデータに会話型インターフェースを追加できる。

汎用AIプロバイダーは、農業の文脈を提供するパートナーシップを模索できる。ただし、農場データへアクセスできても、それを利用する許可が自動的に得られるわけではない。

ベンダーは実務的な質問に答えなければならない。アップロードされた記録を誰が所有するのか、どれほど長く保持されるのか、将来のモデルの訓練に使用できるのか。

また、推奨がどのように作られるかも説明する必要がある。追跡可能な根拠のない洗練された回答は、農学者から権威として認められにくい。

市場の圧力は、投入材メーカーや流通業者にも及ぶ。デジタル比較により、営業との会話が始まる前に製品の主張を検証しやすくなる。

McKinseyは、営業担当者の影響力が弱まる一方で、技術アドバイザーが中心的な役割を維持していることを明らかにした。これは、信頼できる専門知識と意思決定支援への投資を促す変化だ。

サプライヤーは、より明確な圃場での根拠を公開し、より早い段階で専門家を利用可能にすることで対応できる。また、農学者を模倣するのではなく支援するAIシステムを設計することもできる。

農業機械ベンダーは異なる課題に直面している。多くの生産者が大規模な購入を先送りする時期に、同社の製品には資本が必要だからだ。

McKinseyの回答者の16％は、機器を早期の支出削減項目として挙げた。それでも、収益性が改善すれば36％がそれを優先すると回答した。

この将来的な回復の見込みは、機械メーカーにAI機能を測定可能な成果へ結び付ける時間を与える。利便性だけでは大規模な機器購入を正当化できない。

最も強力な提案は、おそらく複数の利点を組み合わせるものになる。投入材の使用を減らし、労働を節約し、停止時間を防ぎ、圃場作業のタイミングを改善する可能性がある。

精密農業技術はすでに、この物理的な価値提案を実証している。対象を絞った散布、可変施用、自動操舵は、データを行動へ変換する。

生成AIは、こうしたシステムへの問い合わせを容易にできる。農家は、なぜ推奨が変わったのかを質問したり、複数の圃場にまたがる例外を要約したりできる。

ただし、基盤となるシステムは依然として信頼できる測定値を生み出さなければならない。会話は、正確なセンサー、校正された機械、農学モデルの代わりにはならない。

ここで農場特化型プロバイダーは差別化できる可能性がある。回答を地域の記録、機器の能力、承認済みの製品情報に結び付けられるからだ。

汎用モデルは、言語、幅広い調査、インターフェース設計で優位性を維持する。また、利用者がすでに他の用途で使っている可能性があるため、親しみやすさの恩恵も受ける。

農場特化型サービスは、より狭いが関連性の高い文脈を持つ。その課題は、無料の試用を有料利用へ転換するだけの日常的価値を提供することだ。

17％と4％の差が、この商業的な試金石を示している。利用は始まっているが、支払い意思は依然として限定的だ。

ベンダーは、すべてのAIとのやり取りを需要の証拠とみなすべきではない。継続利用、反復されるワークフロー、利用者が出力に基づいて行動するという根拠が必要だ。

また、季節変動に耐える成果も必要になる。ある栽培サイクルで有望だった結果が、作物や気象条件をまたいで一般化できるとは限らない。

独立した圃場試験は、特に価値を持つ可能性がある。インターフェースの魅力と真の業務改善を分けて評価できるからだ。

農学者は、これらの試験の設計や安全でない前提の特定を支援できる。その関与は、農家に新製品を評価するための信頼できる経路も与える。

したがって競争環境は、単純にソフトウェア対機械という構図ではない。摩擦の少ない試用と、検証済みの農場価値を提供するための困難な仕事との競争である。

農場AIに定着力があるかを示す3つの兆候

次の段階は、さらなるAI発表の波ではなく、有料利用の継続、専門家との統合、実際の運用から得られる根拠にかかっている。

第1の兆候は、有料利用が4％を超えて伸びるかどうかだ。この数字は、商業的なコミットメントを測るうえで最も明確な出発点となる。

次回の比較可能な調査で比率が上昇すれば、農家が再現可能な価値を見出したことを示唆する。有料利用が横ばいなら、試用が無料ツールに集中したままだったことを意味するだろう。

その成長の質は、割合と同じくらい重要だ。農場特化型のサブスクリプションは、汎用アカウントの付随的利用よりも強い農業市場を示すことになる。

継続利用は、栽培シーズンをまたいで測定すべきでもある。播種時に使われても収穫前に放棄されるツールは、業務システムになったとは言えない。

第2の兆候は、農学者や信頼できる農業情報源との統合がより深まることだ。この進展は、信頼する割合が6％という数字に直接対応する。

有用な製品は、引用を明示し、取得した事実とモデル生成による解釈を区別すべきだ。また、専門家が推奨を確認または制約できるようにすべきである。

アドバイザーの導入は重要です。農学者は調査対象農家の56％に影響を与えているためです。専門家の時間を節約するツールは、既存の信頼ネットワークを通じて広がる可能性があります。

そのネットワークを置き換えようとする製品には、より高い信頼性の証明が求められます。作物、地域、変化する条件をまたいで、地域に即した正確性を示さなければなりません。

農業小売業者、協同組合、農機メーカー、普及指導機関がAIをどのように導入するかに注目してください。その設計上の選択は、この技術が専門知識を支援するのか、それとも迂回するのかを明らかにするでしょう。

第3のシグナルは、独立して文書化された運用上の価値です。農家には、収益、労働力、投入資材の使用量、稼働停止時間、意思決定のスピードに結び付く証拠が必要です。

要約アシスタントは、収量を変えなくても有用であり得ます。しかし、より大きな主張をするベンダーは、実際の圃場条件下でシステムがどのような成果を出したかを示すべきです。

比較には、非現実的な「技術を一切使わない」基準ではなく、既存のワークフローを含める必要があります。また、農場規模、作物、地域、季節も開示すべきです。

証拠は平均値だけでなく、失敗も捉えなければなりません。多くの場合に機能しても、重大な条件下で失敗する推奨は、受け入れがたいリスクをもたらす可能性があります。

この3つのシグナルが、McKinseyの農家向けAI調査が持続的な変化を捉えたのか、それとも一時的な好奇心の高まりを捉えたのかを左右するでしょう。

初期の結果は依然として注目に値します。農家は新しいデジタルインターフェースを受け入れる一方で、支出意向を減らし、既存製品には迅速な投資回収を求めました。

しかし、導入は信頼を上回る速度で進みました。無料アクセスは有料化より速く進み、会話形式の使いやすさは、検証済みの圃場パフォーマンスより速く広がりました。

この隔たりは、農業AIを退ける理由ではありません。市場にとって次に取り組むべき課題です。

農家は、証拠を見えにくくすることなくAIが時間を節約できる、範囲が限定され検証可能な作業を見極めるべきです。ベンダーは、より大きな約束のすべてを地域データと測定可能な成果に結び付けるべきです。

アドバイザーは、専門的な判断を維持しながら、これらのツールが調査や文書作成をどのように改善するかを検証すべきです。購入者は、重要な回答の一つひとつを支える情報は何かを問うべきです。

次の栽培シーズンに向けた問いは、もはや農家がAIを試すかどうかではありません。AIが、農家がすでに信頼している人々や仕組みのそばに、持続的な居場所を築けるかどうかです。