AIが作った財務モデルを人手のモデルと突き合わせる｜ベンチマーク検証と差分の3分解

結論：AI生成モデルは「正しいか」ではなく「基準モデルとの差を説明できるか」で判定します

AIに財務モデルを作らせると、それらしい数字が並んだシートが数分で返ってきます。しかしそのシートを単体で眺めても、信用してよいかどうかは判断できません。財務モデルには唯一の正解がなく、前提の置き方と組み方によって結果が変わるからです。したがって実務での問いは「このモデルは正しいか」ではなく、「信頼できる基準と比べて、差がどこから来ているかを説明できるか」になります。

本記事は、AI生成モデル／人手モデル／基準モデルの3者を同じ前提で並べ、差分を①前提差 ②構造差 ③計算誤りの3つに分解して採否を決める手順を扱います。差の総額が小さいことは合格の理由になりません。要因ごとに分解し、それぞれが説明できて初めて、そのモデルを次の工程に渡せます。

なお本記事は「AIが作ったものを人が検証する」話です。逆方向、すなわち人が作ったモデルをAIにレビューさせる進め方は生成AIによる財務モデルレビューで扱っており、そこで示した言語化・矛盾探し・チェックリスト生成の3段階ワークフローは本記事では繰り返しません。両者は検証の向きが逆で、必要な道具も違います。AIにレビューさせるときの関心は「見落としを拾えるか」ですが、AIに作らせたものを検証するときの関心は「どこが自分の設計と違うか」です。

全体像：ベンチマーク検証の5工程

ベンチマーク検証は、前提を揃えるところから始まります。前提が揃っていない状態で結果だけを比べても、差の意味が読めないためです。工程は次の5つです。

3者の役割と、基準モデルの選び方

比較に使う3つのモデルは役割が違います。AI生成モデルは検証対象、人手モデルは担当者が設計意図どおりに組んだ比較対象、基準モデル（ベンチマーク）は「この辺りに着地するはず」という錨です。基準モデルがないと、AI生成モデルと人手モデルのどちらが外れているのかを判断できません。人手モデル側に誤りがある可能性を常に残しておく必要があります。

基準モデルには3つの選択肢があります。案件の重要度と使える時間で選びます。

実務では、まず単純な近似計算で桁を確かめ、案件が進んだ段階で既存の承認済みモデルまたは簡易な独立モデルに切り替えるのが現実的です。どれを基準に置いたかは必ず記録します。基準が変われば差分の意味も変わるためです。モデルのバージョン管理の考え方をそのまま適用し、基準モデルにもファイル名と版数を付けておきます。

工程①：前提を揃える（前提台帳を1枚にする）

ここが最も手を抜かれる工程です。AIに「このIMを読んで3期の財務モデルを作って」と依頼すると、AIは資料に書かれていない前提を自分で補います。補われた前提が何なのかを後から特定するのは非常に手間がかかるので、先に前提を全部書き出して固定し、それをAIにも人手にも基準モデルにも同じ形で渡します。

前提台帳に載せる列は、項目名／値／単位／期間／出所／固定か推定かの区分の6つです。前提シートを1枚のシートに集約し、モデル本体からは参照だけを行う設計にしておくと、この工程がそのまま検証の入口になります。「AIが埋めてよい前提」と「人が決める前提」を分け、前者には印を付けておくと、後で差の原因を追いやすくなります。

前提を渡す際は、成長率ではなく金額で固定できる項目は金額で渡してください。成長率で渡すと丸め処理の違いだけで結果がずれ、それが構造差なのか計算誤りなのか分からなくなります。

工程②：3者を並行して計算する（設例：城北プレシジョン）

以下は説明のための架空企業の設例です。精密部品メーカー「城北プレシジョン株式会社」の3期モデルを、共通の前提台帳から3通り作ります。単位はすべて百万円で統一します。

この前提から、次の3者を作ります。基準モデルは「単純な近似計算」型で、過去3期の営業利益率の平均12%を売上高に掛けただけのものです。人手モデルは前提台帳どおりに積み上げたモデル、AI生成モデルは同じ前提台帳と補足資料を渡して生成させたモデルです。結果は次のとおりでした。

人手モデルの検算を示します。FY1は 10,000 − 6,000（原価60%） − 2,500（販管費 2,000＋500） − 300（減価償却） ＝ 1,200。FY2は 11,000 − 6,600 − 2,700 − 300 ＝ 1,400。FY3は 12,000 − 7,200 − 2,900 − 300 ＝ 1,600。合計4,200です。FCFのFY2は 1,400×0.7 ＝ 980、980 ＋ 300 − 350 − 120（運転資本増加 1,320−1,200） ＝ 810。3期合計は 670＋810＋950 ＝ 2,430です。

ここで目に付くのは、3期合計の営業利益はAI生成モデル4,010と人手モデル4,200で4.5%しか違わないのに、期別では −16.7%、＋25.0%、−21.3% と大きく振れていることです。合計だけを見ていたら見逃す差です。差分は必ず期別と合計の両方で取ります。

工程③④：差分を「前提差・構造差・計算誤り」に分解する

ここからが本記事の中心です。差の総額（営業利益で −190、FCFで ＋227）を、次の順序で分解します。順序には意味があります。

1. ①前提を揃える：人手モデルの入力値をAI生成モデルの入力値に置き換え、他は人手モデルのまま計算し直す。ここで動いた金額が前提差。
2. ②構造を突き合わせる：次に計算の組み方（式の構成、ブロックの有無）をAI生成モデルに合わせる。ここで動いた金額が構造差。
3. ③残差を計算誤りとして追う：ここまでで説明できずに残った金額が計算誤り。参照範囲のずれ、符号の反転、単位の取り違えなど、意図では説明できないものです。

この順序で進めるのは、前提差と構造差が「意図の違い」であるのに対し、計算誤りは「意図しない事故」だからです。意図の違いを先に消してから残った金額を追うことで、事故の在り処が特定しやすくなります。残差を最初に追うと、前提の違いに引きずられて無関係なセルを疑うことになります。差額から犯人を推理するデバッグ手順は、この③の局面でそのまま使えます。

設例で実際に切り分けると、AI生成モデルには次の3点がありました。

• ①前提差：売上原価率を60%ではなく62%で置いていた（補足資料に載っていた直近実績値を拾ったため）
• ②構造差：販管費を「売上高の20%＋固定費500」ではなく売上高の25%という単一率で組んでいた。さらにFCF計算に運転資本のブロックがなかった
• ③計算誤り：FY2の売上原価を計算する際、売上高の参照がFY1の10,000のまま固定されていた

期別の分解表は次のとおりです。左端の人手モデルから右へ順に置き換えていき、最右列でAI生成モデルの値に到達します。

検算します。①前提差は原価率2ポイント分なので 0.02 × (10,000＋11,000＋12,000) ＝ 660、符号はマイナスで −660。②構造差は販管費の差で、FY1は 2,500 と 2,500 で 0、FY2は 2,750 − 2,700 ＝ 50 増、FY3は 3,000 − 2,900 ＝ 100 増なので合計 −150。③計算誤りは (11,000 − 10,000) × 62% ＝ 620 の原価過少計上なので ＋620。合計は −660 − 150 ＋ 620 ＝ −190 で、4,010 − 4,200 ＝ −190 と一致します。

FCFも同じ枠組みで分解します。営業利益の差は税引後（0.7倍）でFCFに効き、運転資本ブロックの欠落は別建てで効きます。

検算します。−462 − 105 ＋ 360 ＋ 434 ＝ ＋227。2,657 − 2,430 ＝ ＋227 で一致します。要因別では、①前提差 −462、②構造差 −105 ＋ 360 ＝ ＋255、③計算誤り ＋434 です。FCFがAI生成モデルで大きく出ているのは、事業が良いからではなく、運転資本ブロックがなく計算誤りで原価が過少なためだと読めます。ここまで分解して初めて、経営層に「AIの出したFCFは使えません」と根拠付きで言えます。数字を意思決定に渡すには説明可能性が要るという点は、伝えるための道具としての財務モデルの考え方と同じです。

注意点として、3分解は順序に依存します。設例で③を最初に測ると ＋600（原価率60%ベースのため）、最後に測ると ＋620 になります。①も順序によって −660 と −640 で変わります。ただし合計はどちらの順序でも −190 で変わりません。だからこそ、社内では①→②→③の順を固定して記録するルールにしておきます。順序が揺れると、同じモデルを別の人が検証したときに数字が合わなくなります。

許容差の設定と判定：合計だけで合格にしない

差が出ること自体は問題ではありません。問題は、どこまでの差なら受け入れるかを事前に決めていないことです。決めていないと、差が出てから「まあこの程度なら」という後付けの判断が入ります。許容差は検証を始める前に文書で決めます。

設定は最低2段階にします。最終アウトプット（ここでは3期合計FCF）に±5%、中間指標（各期の営業利益）に±3%、といった形です。中間指標のほうを厳しくするのは、相殺によって合計が偶然近づく現象を防ぐためです。水準は案件の性質で変えます。売買価格に直結するモデルなら最終±2%・中間±1%まで締めることもありますし、初期スクリーニングなら最終±10%で十分なこともあります。

この表の2行目が、許容差運用でいちばん危ない場所です。AI生成モデルと基準モデルの営業利益差は ＋1.3% で、合計だけを見れば許容差 ±5% の内側に収まっています。しかし中身は前提差 −660、構造差 −150、計算誤り ＋620 が偶然打ち消し合った結果です。合計の一致は正しさの証拠になりません。だから許容差は合計と期別の両方に設定し、3分解の各要因についても「説明できるか」を条件に加えます。

AI出力のばらつき（再現性）をどう扱うか

ここは実務で最も誤解されている点です。同じ資料と同じ指示を与えても、生成AIの出力は実行のたびに変わり得ます。表現だけが変わることもあれば、モデルの組み方や補われた前提そのものが変わることもあります。設定（温度などの生成パラメータ）や製品側の実装によって変動の程度は異なり、外部から一律に断定できる性質のものではありません。したがって、1回の出力を「そのAIの実力」として評価してはいけません。

実務での扱い方は3つです。

1. 複数回実行して幅を見る：同じプロンプト・同じ資料で3回程度作らせ、主要指標の幅を記録します。幅そのものが判断材料になります。
2. 前提を固定して構造だけを比べる：前提台帳の値をすべて明示的に渡し、AIが埋める余地を消したうえで、計算構造の違いだけを比較対象にします。ばらつきの主因である「AIが勝手に補った前提」を除去できます。
3. ばらつきが許容差を超えたら、モデルではなく指示を疑う：出力の幅が許容差より大きいなら、それはAIの当たり外れではなく、前提や出力様式の指定が不足しているサインです。

設例で、同じ前提台帳を渡して3回生成させたと仮定した記録（説明のための仮設例）を示します。3期合計営業利益は 4,010／4,010／3,540 でした。幅は470（人手モデル4,200に対して −4.5%〜−15.7%、幅は11.2%相当）です。3回目は販管費を「20%＋固定500」で正しく組んだ一方、FY2の参照ミスは起きませんでした。つまり同じ指示でも構造の選択と事故の発生が揺れるということです。

この幅（11.2%）は、先に決めた許容差（最終±5%）より大きい水準です。この場合、個々の出力を採点するのではなく、まず前提と出力様式の指定を強化して再実行します。3回とも許容差の内側に収まるようになって初めて、そのプロンプトと手順が「使える型」になったと言えます。AI支援モデリングを業務に組み込むなら、この安定化までを一度やっておく価値があります。

AIに任せる部分と、人間が判断する部分

境界は「基準を決めることは人、基準に当てはめることはAIでも可」です。特に3分解の線引きはAIに任せられません。たとえば「販管費を単一率で組んだ」ことを構造差と呼ぶか、単一率という前提を置いた前提差と呼ぶかは、社内での定義に依存します。定義を先に文書化し、AIにはその定義を渡して当てはめさせます。

実務プロンプト例：3者比較と差分分解の依頼

特定製品に依存しない汎用の型です。3者の数値をすべてこちらから与え、AIには分解と検算だけをさせます。モデルを作らせるプロンプトではない点に注意してください。作らせる工程と検証する工程は必ず分けます。

あなたは財務モデルの検証を担当するアナリストです。

【目的】
2つの財務モデル（モデルA＝AI生成、モデルB＝人手）の出力差を、
①前提差 ②構造差 ③計算誤り の3つに分解し、分解の合計が全体差と
一致することを確認してください。

【入力資料】
・前提台帳（下記の表1）
・モデルAの出力（表2）とモデルAが使用した前提・計算式（表3）
・モデルBの出力（表4）とモデルBが使用した前提・計算式（表5）
※表1〜5は本メッセージの末尾に貼り付けます。

【対象期間・単位】
FY1〜FY3の3期。単位は百万円。小数は使わず整数で示すこと。

【計算方法（この順序を厳守）】
1. モデルBを出発点とする。
2. モデルBの前提値をモデルAの前提値に置き換え、他はモデルBのまま
   再計算する。この増減を「①前提差」とする。
3. 次に計算構造（式の構成、計算ブロックの有無）をモデルAに合わせる。
   この増減を「②構造差」とする。
4. ここまでで説明できない残額を「③計算誤り」とし、どのセル・どの
   参照が原因かを特定する。
5. ①＋②＋③がモデルA−モデルBの全体差に一致することを検算し、
   一致しない場合は「不一致」と明記して原因の候補を挙げる。

【出力形式】
・表A：期別および3期合計の3分解表（列＝モデルB／①／②／③／モデルA）
・表B：③計算誤りの一覧（該当期・項目・推定原因・影響額）
・本文：分解の要約を200字以内で

【禁止事項】
・前提台帳にない数値を補わないこと。
・差の原因を推測で断定しないこと。根拠となる式や値を必ず示すこと。
・「おおむね一致」などの曖昧な表現を使わないこと。金額で示すこと。

【不明情報の処理】
判断に必要な情報が資料にない場合は「不明」と書き、何が不足して
いるかを列挙してください。推測で埋めないでください。

【出典の表示】
各差分について、根拠とした表番号と行・列を併記してください。

【検算】
表Aの各行について、モデルB＋①＋②＋③＝モデルA が成立することを
確認し、成立の可否を行ごとに○×で示してください。

【レビュー項目】
最後に、この分解で見落とされている可能性がある論点を3つ挙げて
ください（例：符号、期ズレ、単位、税率の適用範囲）。

出力例（抜粋）

上のプロンプトに設例のデータを与えた場合、期待される出力は次のような形になります。

③の一覧としては「FY2・売上原価・売上高の参照がFY1（10,000）に固定・影響額 ＋620」という行が返ってくれば期待どおりです。ただしこの出力もそのまま信じてはいけません。次節の検証を必ず行います。

Excelでの実装：分解シートを1枚追加する

特別なアドインは不要です。比較対象の2モデルとは別に「差分分解」シートを1枚作り、次の行構成にします。

1. 行1：モデルB（人手）の出力を値貼り付け
2. 行2：①適用後の出力（モデルBのコピーの前提セルだけをAの値に差し替えて再計算した結果を値貼り付け）
3. 行3：②適用後の出力（さらに構造をAに合わせたコピーの結果）
4. 行4：モデルA（AI生成）の出力を値貼り付け
5. 行5：①＝行2−行1、行6：②＝行3−行2、行7：③＝行4−行3
6. 行8：検算＝行1＋行5＋行6＋行7−行4（すべて0になること）

行8は必ず条件付き書式で0以外を赤く塗ります。分解の途中で式を触ると、ここが即座に反応します。差し替え用のコピーは元ファイルを直接編集せず、名前を付けて別ファイルにします。数式監査のトレース機能で参照先を確認しながら進めると、③の特定が速くなります。

AI生成モデルの検証方法：この工程に特有の確認項目

生成AI出力一般の検証手順（出典の実在確認から論理整合まで）は生成AI出力の検証手順で扱っています。ここでは、3者比較の場面でのみ必要になる項目に絞ります。

• 分解の合計が全体差に一致するか：一致しない場合、分解漏れの要因が残っています。「その他」に押し込まず、要因を追加して名前を付けます。
• 置き換えの独立性：①の置き換えで構造まで変わっていないか。前提セルを差し替えたつもりが、数式ごと書き換わっていることがあります。
• 順序の記録：どの順序で置き換えたかをシートに明記したか。順序が違うと各要因の金額が変わります。
• 基準モデルの独立性：基準モデルを作った人がAI生成モデルを先に見ていないか。見ていれば、その基準はもう独立した錨ではありません。
• 符号の向き：差を「A−B」で取るか「B−A」で取るかを全表で統一したか。混在すると分解の合計が合いません。
• 相殺の点検：合計が許容差内でも、期別・要因別で大きな逆符号が同居していないか。
• ③に分類した項目の再現性：計算誤りとした箇所を修正して再計算し、差が消えることを確かめたか。消えなければ分類が誤っています。

モデルそのものの品質確認（数式のハードコード、循環参照、書式規律など）は別工程です。財務モデルのクオリティチェックで扱う手順をそのまま回してください。ベンチマーク検証はQCの代わりにはなりません。QCが「そのモデル単体が壊れていないか」を見るのに対し、ベンチマーク検証は「別の作り方と比べてどう違うか」を見るものです。

機密情報・個人情報の注意

ベンチマーク検証では、前提台帳と3者の出力という「モデルの中身そのもの」を扱うため、案件名・対象会社名・非公開の実績数値が混ざりやすい工程です。外部AIサービスに渡す場合は、社名や事業所名を記号に置き換え、金額の桁を保ったまま実数を変える等のダミー化を検討してください。判断の詳細は生成AIに入れてよい情報・いけない情報を参照し、社内の利用環境区分に従ってください。なお、AI側の利用規約でも「監査に関わる計算の未検証利用」は推奨されていない旨が明記されている場合があります（Anthropicの公式ヘルプ、2026年8月2日確認）。

よくある失敗

1. 前提を揃えずに結果だけ比べる：差の大半が前提差なのに、構造や計算誤りを探して時間を溶かします。まず前提台帳を1枚にします。
2. 合計だけで合否を決める：設例のとおり、要因が相殺して合計が近づくことがあります。期別と要因別の両方で判定します。
3. 差が出てから許容差を緩める：後付けで水準を動かすと、検証は形式だけのものになります。許容差は着手前に決めて記録します。
4. 「その他差異」という箱を作る：説明できない残額を一括りにすると、そこに計算誤りが隠れます。残額は必ず特定するか、特定できないことを明記して差し戻します。
5. 1回の出力でAIの良し悪しを決める：出力はぶれます。複数回実行して幅を見てから評価します。
6. 人手モデルを無条件に正解扱いする：3者比較の目的の一つは、人手モデル側の誤りを見つけることです。基準モデルとの差が説明できない場合は、人手モデルも疑います。

実務チェックリスト

• 前提台帳を1枚のシートに集約し、項目・値・単位・期間・出所・固定/推定の区分を記入した
• 成長率ではなく金額で固定できる前提は金額で渡した
• 基準モデルの種類（承認済み／独立／単純近似）を選び、理由を記録した
• 基準モデルを作った人がAI生成モデルを事前に見ていないことを確認した
• 3者の出力を同じ様式・同じ単位・同じ期間で並べた
• 差分を期別と3期合計の両方、金額と%の両方で出した
• 許容差（最終アウトプット±X%／中間指標±Y%）を検証着手前に決めて記録した
• ①前提差→②構造差→③計算誤りの順で置き換え、順序をシートに明記した
• 分解の合計が全体差に一致することを検算行で確認した（差0）
• ③に分類した箇所を修正して再計算し、差が消えることを確かめた
• 合計が許容差内でも、期別・要因別に逆符号の相殺がないか点検した
• 同一プロンプトで複数回生成し、主要指標の幅を記録した
• 幅が許容差を超える場合、前提・出力様式の指定を強化して再実行した
• 案件名・対象会社名・非公開実績のマスキングまたはダミー化を行った
• 採用・修正・差戻しの判定と判定者を記録に残した

日本企業・日本市場での留意点

日本の実務では、投資委員会・稟議・審査部レビューといった社内承認プロセスの通過が最終目的地になることが多く、そこでは「なぜこの数字になったか」を口頭と文書で説明できることが必須です。AI生成モデルをそのまま添付しても審議は進みません。3分解の表は、そのまま説明資料になります。

また、金融機関では金融庁が2021年11月に公表した「モデル・リスク管理に関する原則」の考え方が定着しており、モデルの開発・検証・利用を分離し、検証を独立して行うことが求められます。AI生成モデルはこの枠組みでいう「モデル」に該当し得るため、検証記録の保存とモデル台帳への登録が必要になる場合があります。事業会社でも、監査法人のレビューを受ける計算（減損の将来キャッシュ・フローなど）に使うのであれば、同水準の記録が求められると考えて設計するのが安全です。誰が作り、誰が検証し、誰が承認したかの分離は、モデルレビューと引き継ぎの作法で扱う体制設計と同じ発想です。

会計期間の扱いにも注意が必要です。3月決算の日本企業と12月決算の海外子会社を1つのモデルに乗せる場合、AIが期をどう揃えたかは前提台帳に明記させないと差の原因を追えません。

面接での答え方（30秒回答例）

「AIに財務モデルを作らせたことはありますか」「その結果をどう扱いましたか」といった質問への回答例です。

回答例：「AIに作らせたモデルは、単体で正しいかを見るのではなく、自分で組んだモデルと簡易な基準モデルの3つを同じ前提で並べて比較しました。差が出たら、前提の違い・計算構造の違い・単純な計算誤りの3つに順に切り分け、分解の合計が全体差と一致することを確認します。実際に営業利益の差は合計では4%程度でしたが、要因別に見ると原価率の前提差と参照ミスが相殺していただけで、期別では20%以上ずれていました。合計の一致は正しさの証拠にならないと考えています。」

よくある質問（FAQ）

Q. 人手モデルを作る時間がありません。AI生成モデルと基準モデルの2者比較では足りませんか。
A. 初期スクリーニングなら2者でも判断材料にはなります。ただし差が出たときに、AI生成モデル側と基準モデル側のどちらが外れているのかを切り分けられません。金額の重みが大きい判断に使うなら、簡易でよいので3者目を用意することをおすすめします。

Q. AIに同じ指示を出せば毎回同じモデルが返ってきますか。
A. 返ってこないことがあります。表現だけでなく、補われる前提や計算構造まで変わることがあります。変動の程度は設定や製品の実装によって異なり、外部から一律には言えません。実務では複数回実行して主要指標の幅を記録し、その幅が許容差の内側に収まるまで前提と出力様式の指定を詰めるのが現実的です。

Q. 「前提差」と「構造差」の線引きが判断に迷います。
A. 「値を1つ差し替えれば解消するもの」を前提差、「式やブロックを組み替えないと解消しないもの」を構造差、と定義しておくと迷いが減ります。設例の販管費（単一率25%か、変動20%＋固定500か）は式の形が違うので構造差に分類しました。定義は社内で1つに固定し、分解表の冒頭に書いておいてください。

まとめ

AIが作った財務モデルの信頼性は、そのモデルを眺めても評価できません。同じ前提から作った人手モデルと基準モデルを並べ、差がどこから来ているかを説明できるかどうかで判断します。差は①前提差 ②構造差 ③計算誤り の順に切り分け、分解の合計が全体差と一致することを検算で確かめます。設例では営業利益の差 −190 が −660／−150／＋620 に、FCFの差 ＋227 が −462／＋255／＋434 に分解できました。

許容差は着手前に、最終アウトプットと中間指標の2段階で決めます。合計の一致は正しさの証拠になりません。要因が相殺しているだけのことがあるからです。そしてAIの出力はぶれます。1回の結果を実力と見なさず、複数回の幅を見てから型を確定させてください。この一連の記録が残っていれば、AI生成モデルは社内の承認プロセスに乗せられる成果物になります。

出典・参考（2026-08-03確認）

• 金融庁「『モデル・リスク管理に関する原則』に対するパブリックコメントの結果等について」（2021年11月12日公表） https://www.fsa.go.jp/news/r3/ginkou/20211112.html
• Anthropic 公式ヘルプ「Use Claude for Excel」（監査に関わる計算の未検証利用等を非推奨と明記。2026-08-02確認） https://support.claude.com/en/articles/12650343-use-claude-for-excel
• Anthropic 公式製品ページ「Claude for Microsoft 365」（2026-08-02確認） https://claude.com/claude-for-microsoft-365
• Microsoft 公式サポート「Frequently asked questions about Copilot in Excel」（2026-08-02確認） https://support.microsoft.com/en-us/excel/copilot/frequently-asked-questions-about-copilot-in-excel
• 本記事の設例（城北プレシジョン株式会社）はすべて架空の数値であり、実在の企業とは関係ありません。

※本記事は教育目的の一般的な解説であり、法務・税務・会計・投資に関する助言ではありません。実際の判断は専門家にご確認ください。設例は理解のための仮設例です。AI製品の仕様・料金は変更されることがあるため、利用前に各社の公式情報をご確認ください。