学校・塾・大学のAI活用事例

シャドーイング添削サービスで、アプリの利用者とLINEの友だちをスプレッドシート上で手作業で照合しタグを付けていた。

会員が増えるにつれてこの照合だけで月に約120時間かかっていた。

1. 会員情報とLINE IDをAPI連携で自動でひも付けた
2. LINE登録を条件にしたキャンペーンで連携を促した
3. アプリの行動データをLINE側へ取り込んだ
4. 提出が0回の人だけに応援メッセージを送る
5. 1to1チャットで顧客情報を見ながら答える

月120時間かかっていたタグ付けと顧客管理の工数がほぼゼロになり、LINE登録者の約9割がID連携済みになった。

空いた時間を配信の見直しに回した結果、有料転換率が上がり解約率も下がった。

オンライン資格講座スタディングの受講生が増え、問い合わせも同時に増えていた。

以前使っていた選択肢を選ぶ形のチャットボットでは疑問が解決しきらず、レポートや分析の形も自社に合わなかった。

1. 一問一答で答えるチャットボットに乗り換える
2. 管理画面の使いやすさとFAQの直しやすさで選ぶ
3. 30を超える講座ごとに起動メッセージを変えて出す
4. 毎日25件示される優先の問い合わせを担当者が直す
5. 迷う内容は週1回の打ち合わせで決める

導入前後を比べると、前年比で毎月約15%の問い合わせが減った。

本当に人の対応が必要な相手に時間を回せるようになり、問い合わせるほどでもない潜在的な疑問も見えてきた。

言葉の一致で探す従来の検索では、学びたいことから志望校へたどり着けなかった。

総合型・学校推薦型での進学が増え、相談したい高校生を受け止める入り口が足りなかった。

1. 全国約3,500校・13,600学科の情報をCSVで読み込ませた
2. 2026年4月に進学ポータルへ志望校マッチングAIを公開した
3. 話し言葉の入力に関連する学部や学科を返す形にした
4. 回答に画像やURLを入れて学校の詳細ページへつないだ
5. 各校のアドミッションポリシーも読み込ませた

相談の件数は伸び続けている。

相談した高校生のうち約60%がその流れで学校の詳細ページまで見に行くようになった。

Webからの申し込みごとに権限付与や案内メール送信を人が手で処理していた。

研修後のアンケートも回ごとの集計だけで、トレーナー個人の傾向や時間による変化を追えなかった。

1. Google WorkspaceとGeminiをつなぎ業務の流れを作り直した
2. 申込受付から権限付与と案内メール送信までを自動処理にした
3. アンケート集計を自動化し個人別や回数別のダッシュボードにまとめた
4. 人が目的を決めAIが処理し人が結果を見る流れで回している
5. うまく動かない工程は作り直し外部向けプログラムの原型にした

申込処理の手作業は100%なくなり、累計150件で合計37.5時間（1件あたり15分）分の作業が消えた。

Web診断の自動化では月100件稼働時に約50時間の削減を見込む。

子どもと防災の話はしていたが、下校中や留守番中に地震が起きた場合を聞かれると答えられなかった。

家庭での防災教育をどう進めればよいか分からなかった。

1. ChatGPTに小学生が命を守って動ける形で教えるよう頼む
2. 家の中・学校・外の場面ごとの行動と禁止事項を短く出させる
3. 家庭でできる練習メニューと家族のルール案も出させる
4. 出てきた中から親が伝える3つを選ぶ
5. 子どもと家を歩きながら中身を確かめる

「あわてない・頭を守る・安全な場所へ」という覚えやすい形に整理でき、親の合図で動く練習や家の中の危ない場所探しを子どもと実際にやれた。

防災リュックの場所を子どもが知らないことや、家族の集合場所を決めていないことにも気づけた。

生成AIに悩みを相談してZaPASSを知ったという顧客が増えていた。

だがGA4の流入データや担当者の手作業の検索では、どんな質問でどう紹介され競合とどう比べられているのかまでつかめなかった。

1. 狙いたい顧客像と検討の流れに沿ったプロンプトを設計する
2. 主なプロンプトごとにメンション率や引用状況と競合との差を計測する
3. AIが返す回答文を読んで紹介のされ方を確かめる
4. 改善レポートを基に記事のリライトやalt属性の修正を人が進める
5. AI検索に出ていないテーマは新しい記事を作り一次情報を発信する

AI検索での見え方が数値と回答文の両方でつかめるようになり、既存のSEO記事約100本のリライトなど次に直す場所が決まった。

今後はメンション率と回答内容の変わり方を追っていく。

教室での学科授業は指導員が準備から事務処理まで抱えていて負担が重かった。

コロナ禍でオンライン学科が認められたが、なりすましや居眠りを防ぐ厳しい要件を満たす仕組みが必要だった。

1. アニメ教材をライブ配信用に変換する
2. CloudFrontとS3で教習生に配信する
3. 受講中の画像を取り顔認識で本人と様子を判定する
4. 指導員が後から画像やログを見て受講の事実を確かめる
5. 受講ログを出力し判定の根拠を調べられるようにする

南福岡自動車学校では学科指導員の工数を7割ほど減らし、空いた時間を技能講習や個別指導に回せるようになった。

サービス開始から1年で100校以上の自動車学校が採用した。

英語の話す力を測るテストの自動採点モデルを、当初はローカルPCで作っていた。

開発者1人が一度に1つの学習しか回せず、開発の詰まりどころになっていた。

1. 受験の出題側と採点側を分け、音声解答をAIが採点する仕組みにした
2. 学習用の受験者データをAWS GlueとAmazon Athenaで取り出した
3. モデル学習をAmazon SageMakerのトレーニングジョブに移した
4. マネージドスポットトレーニングで費用を抑えて学習を回した
5. 受験開始と同時に前処理を走らせ、Amazon SQSで両側をゆるくつないだ

ローカルPCと比べて学習時間は最大4分の1に縮み、学習効率は10倍以上に上がった。

1人の開発者でも上限まで複数の学習を同時に回せるようになった。

会員数が増え、教材を使わない自由会話のレッスンで講師が一人ひとりに合う話題を考える手間が膨らんでいた。

1日に数十レッスンを受け持つ講師からは指導そのものに集中できないという声が出ていた。

1. Amazon Bedrock を土台にAIトピックサジェスト機能を作った
2. 会員の年齢や職業などのプロフィールを渡し話題を出させた
3. 不適切な返答を避けるガードレールを組んだ
4. 既存のPDFからベクトルDBを作りRAGを用意した
5. PoCを1〜2週間で行い実装を1〜2か月で終えた

講師は1レッスンあたり平均3.2回この機能を使い、発音や文法の指導に集中できるようになったという声が届いた。

メール問い合わせの一次応答にも同じ基盤を入れ、人を増やさずに対応件数を120％まで広げた。

ネットワークスペシャリスト試験の過去問はPDFで公開されているが、読めても横断して数えられない。

手元の2年分だけを見て、ある領域を対策から外すと決めていた。

1. 1年度ごとに問題冊子と解答例と採点講評の3種を1組にする
2. 令和1・3・4・5・6・7年度の46ファイルを読み込ませた
3. 参考書は混ぜず一次資料だけにそろえて出典をたどれるようにする
4. どの技術が何年度のどの設問で問われたかを出典付きで一覧化させた
5. 採点講評6年度分を読ませて繰り返し落とす箇所を聞いた

DNSは6年度で3回出題されており、対策から外す判断が誤りだと分かった。

さらにSSO・認証連携／PKIが出題回数3位の4回でありながらノートが1本も無く、当日に概念ノートを5本作って穴を埋めた。

季節ごとに6〜8週間で最大100人のコーチを集める必要があった。

手作業が多く面接の日程を決めるだけで2週間かかり候補者を見極める時間が残らなかった。

1. 会話型のATSを採用の入り口に置いた
2. 24時間動くAIがショートメッセージで応募を受け付ける
3. 質問への回答と面接の日程調整もAIに任せた
4. 選考の質問に加えてコーチの一日を映した動画を送る
5. AIが集めた候補者の情報を読んでから人が電話面接する

水曜に使い始めて金曜には採用担当の予定表が15-20件の面接で埋まった。

事務作業が自動で片づき採用までの期間も縮んだ。

古代ギリシャ語の資料は人が書き写して読み解くしかなく傷んだ断片は手つかずのままだった。

読まれていないパピルスが世界中にたまりオーストリア国立図書館だけでも数万点を抱えていた。

1. Mistralと組み古代ギリシャ語向けのLLMを作った。
2. ギリシャ語文献6億語と碑文やパピルスで学習させた。
3. 欠けのある碑文や文書を渡して候補を出させた。
4. 意味のつながりをたどり関連する記述を探した。
5. 欧州内の基盤で動かし研究者が結果を確かめた。

以前は数年かかった解読と修復が数時間でできるようになった。

研究者は復元そのものより解釈と分析に時間を回せるようになった。

家では携帯が気になり長時間の勉強が苦手だった。

前に通った個別指導塾では初歩的すぎると思われないか気になって先生に質問できないこともあった。

1. 塾でatama+を使い学校の授業範囲を終わらせた
2. タブレットで問題を解くとAIが次の問題を出す
3. 苦手な国語は受験対策の教材でひたすら解いた
4. テストの2週間前にテスト対策モードへ切り替えた
5. 正答率が8割を超えるまで5回ほど解き直した

学校の内申点はほとんど5で4は2つだけだった。

模試は夏がD判定で直前もC判定だったが千葉市立千葉高等学校理数科に合格した。

機密性の高いヒアリング録音を手打ちで書き起こしており、1時間の音声に3時間以上かかっていた。

案件が重なると外部業者への高額な依頼か、人事課6名での残業対応しか選べなかった。

1. 対面ヒアリングや委員会をICレコーダーで録音する
2. 音声ファイルをRimo Voiceに上げて話者分離する
3. AI要約で全体像をまとめさせる
4. 文字起こしと要約を画面で確かめWord形式で落とす
5. フォルダごとにアクセス権を分けて共有する

文字起こし前後の作業時間が50%以上減った。

3件の特別案件が同時に進むなかでも事務局担当1人で記録と共有をやり切れた。

数百名が関わるスクール運営では、人の出入りがあるたびに担当者がフォルダを個別に確認し、見せてよい範囲を判断しながらアドレスを手で打ち込んでいた。

件数が重なると数日間そればかりに追われる状態だった。

1. 生成AIとGoogleの自動化機能を組み合わせる
2. 管理シートを起点にした権限付与の仕組みを作る
3. 担当者はシートに1行足すか消してボタンを押す
4. 所属に合わせた全フォルダの権限を一括で設定・削除する
5. 閲覧権限の一覧を自動更新し外し忘れと付け漏れを防ぐ

1回あたりの対応時間は71.4時間から1時間になり、最大98.6%減った。

権限管理を後回しにせず素早く回せる体制になった。

生徒一人ひとりの英文について文法や語句と構成の直しを教師が全部見るには時間がかかった。

その分だけ中身を深める指導に手が回らなかった。

1. 掲示板の記事に届いた質問やコメントを読む
2. ペアで返信の中身と書くことを先に整理する
3. 回答案をCopilotへ渡し文法や構成の直し所を出してもらう
4. AIの英文と自分の英文を並べて違いを探る
5. ペアで返し方を確かめ直したところを振り返る

文法や語句と構成の指導にかかる時間が減った。

教師は生徒それぞれの経験や考えに合わせて中身を深める指導へ時間を回せるようになった。

児童が質問に単語だけで答えてしまい、文で伝えられなかった。

ペアワークは決まった言い方に偏りやすく、教師が全体の様子をつかむのも難しかった。

1. 授業の目的とテーマをプロンプトで先に設定する
2. 教師とALTのやり取りを聞いてゴールの姿を確かめる
3. ペアで行きたい国とその理由を伝え合う
4. 同じ話題でAIとやり取りし自分の音声を吹き込む
5. 手が止まった児童に個別に声をかける

一人ひとりの関心に合わせた質問でやり取りでき、児童が自分の考えを深められるようになった。

教師はつまずいている児童に適切な支援を回せるようになった。

児童が学んだ語句や表現に自信を持てず、友達と伝え合う場面で声が小さくなりがちだった。

進み方の速い子とゆっくりな子で必要な支援も違っていた。

1. 学習する語句と表現を示し全体で発音練習をする
2. アプリで見本音声を聞き自分の英語を録音する
3. 発音と流暢さの評価を見て言い直しを重ねる
4. ペアで学んだ語句と表現を使いやり取りする
5. やり取りを録画し良かった点と改善点を振り返る

導入前より児童の声が大きくなり、個人ワークやペアワーク、発表でも発話に自信が出てきた。

進度の速い児童は先へ進み、教師はゆっくり取り組む児童に付いて支援できるようになった。

生徒の振り返りが具体性に欠け、自分の学びがどう変わったかに気づきにくかった。

正確な英語で書くための注意点や自分の間違いの癖もつかめていなかった。

1. 教師が授業のテーマと評価規準をプロンプトで先に設定する。
2. 生徒が前の時間に書いた紹介文をAIとチャットして推敲した。
3. ALTや友達への相談も組み合わせて直す。
4. 推敲した英文をグループで発表して質問し合った。
5. 最後に活動をAIと対話しながら振り返る。

振り返りが浅い生徒にもAIが問いを重ねることで、学びの変化を自分で言葉にできるようにした。

最後に次の学習へ向けた励ましのメッセージも出している。

聴覚に障害のある生徒は英語の音声を聞き取りにくく、自分の発話がどう相手に届いたのか確かめられなかった。

そのため英語を話すことに自信を持ちにくかった。

1. 教師が写真やイラストを見せ生徒が伝えたいことを整理する。
2. モデル文で目的を表す不定詞の意味と使い方を学んだ。
3. 人工内耳や補聴器にアプリをつないでAIと英語で話す。
4. 発音や文強勢のフィードバックを生徒同士で伝え合う。
5. 改善点を意識してもう一度アプリと話した。

音声がよりはっきり聞き取れるようになり、話すことへの意欲が高まった。

自信を持って英語学習に取り組めるようになった一方、文字起こしやフィードバックがうまく出ない場面も残った。

生徒同士のペアワークだけでは決まりきったやり取りで終わりがちだった。

社会的な話題まで含めてその場で話せる力が育ちにくかった。

1. 教師が生徒の関心に合う話題を週ごとに決める。
2. 週の初めはペアで5分話し言えない表現を全体で共有した。
3. 次の2回は授業の最初にAIキャラクターと5分やり取りする。
4. 3段階の難易度から相手を選び文字起こしで改善点を確かめる。
5. 週の終わりにもう一度ペアで話して変化を振り返った。

AIとの会話が成立していなかった生徒も質問に答えられるようになり発話量が増えた。

ターン数や語数とAIの定性評価も上がり、英語を話す自信につながった。

授業で読ませる英文や課題を教師が毎回ゼロから作るのは負担が大きかった。

生徒の英語レベルや扱いたい文法に合う教材を十分にそろえるのが難しかった。

1. テーマと英語のレベルと文章の長さを指定して英文を作らせる
2. 学習させたい文法や語彙を伝えて課題も作らせる
3. ディベートの下地になる読み物や初見の長文も同じ形で用意する
4. 出てきた文章に教師が必ず目を通す
5. 間違いや授業に合わない箇所を手直ししてから配る

教師へのアンケートでは各学年とも70%前後が、準備にかかる手間が減って中身もよくなったと回答した。

文法の誤りや発音の直しは本来一人ずつ見るべきだが時間がかかり全員には手が回らなかった。

1. 人魚姫の結末についてどちらがよいか整理しペアで共有する
2. 自分の意見を録音しGELPで文字に起こす
3. 画面に出る文法と発音の指摘を見て正しい表現に直す
4. 直した文章で再びペアに伝える
5. 周りの生徒や教師やALTの意見を聞いて意見を言い直す

一人ずつやるはずの文法と発音の指導を短い時間で回せるようになった。

教師は生徒の考えを広げたり深めたりする支援に時間を使えるようになった。

単元の最後の発表に向けて表現を身につけさせたいが教科書の題材だけでは練習の幅が足りない。

生徒ごとの英語力の差にも合わせにくかった。

1. 生徒のCEFRレベルに合ったロールプレイ課題を配信する
2. 授業の冒頭に比較級を使ってAIとやり取りし練習する
3. そのあと同じ表現でペアワークに移る
4. 会話を深める質問の仕方を教師が途中で教える
5. 指名した生徒と教師のやり取りをクラス全体で見せる

教科書と違う題材でも言語活動ができるようになり生徒の力に応じた表現を会話の流れの中で学ぶ機会が増えた。

単語を声に出すだけの練習になりやすく一人ずつの発音を見るのも難しい。

教科書の表現だけでは地域の話題を扱えなかった。

1. 教師が地元の食材のカレーを説明する英語表現を事前に登録する
2. 児童が前の時間に学んだ具材の単語を振り返る
3. 自分が考えたカレーをアプリに向かって話す
4. スコアと誤った箇所の表示を見て直す
5. そのうえでペアで紹介し合う

児童が自分の発音を確かめて繰り返し練習できるようになり授業に積極的に参加するようになった。

地元の食材という身近な題材で英語のやり取りができた。

英語で自分の考えを表す力には生徒ごとに差があり合う学習方法も違う。

一律の練習では一人一人に合わせられなかった。

1. 前の時間に読み取った情報を整理しておく
2. 本時は表現を学ぶ方法を生徒が自分で選ぶ
3. 生成AIに質問する方法とクラスメートに相談する方法を用意する
4. AIアバターと英語でやり取りしてペアワークの予行をする
5. 最後にペアで自分の考えを伝え合う

生徒が自分の進み具合や得意不得意に合わせて練習方法を決める形になり個別に合わせた学習の機会が増えた。

英語の習熟度に差があり一人ずつに合った練習をさせにくい。

いきなりAI相手に話すのは苦手な生徒には難しかった。

1. 前の時間にレストランでの注文の表現を学んでおく
2. 授業の最初にレストランのシナリオで一対一のロールプレイをさせる
3. そのあと同じ場面をペアで実際にやり取りする
4. 注文したいことをどう言うかをペアで考える
5. 最後に教師を相手に注文のやり取りをする

例示された表現をそのまま言うだけだった生徒が自分の注文したいものとその理由を言えるようになった。

授業の最初から英語を話す状態に入れた。

スピーチコンテストの指導では限られた時間で全員の発音を見るのが難しい。

授業の外での練習量も足りなかった。

1. 生徒はアプリを使わず自分でスピーチ原稿を書く。
2. 教師が原稿をELSA for schoolsに登録し練習用の単語リストを作る。
3. 生徒は模範音声や単語の並べ替えで単語を覚えたうえで音読する。
4. 発音とイントネーションと流暢さの評価を受けて直す点を決める。
5. 教師も同じ指摘を見て苦手な単語や強調したい表現に絞って対面で教える。

教師やALTがいない時間も即座に細かい指摘が返るので個別の練習量と質が上がった。

対面の指導では話の組み立てや伝わりやすさに時間を使えるようになった。

以前のFAQでは研修中に出た操作の疑問を解くのに時間がかかりメールや社内チャットへ問い合わせが来ていた。

どこで迷って離脱したかが記録に残らず改善の手がかりが有人対応だけだった。

1. オンライン研修のシステムに生成AI型のチャットボットを置く
2. 受講者が操作で迷った内容をその場で自動回答する
3. 始める前に部内外の10人以上がテストユーザーとして試した
4. 答えられなかった相談や離脱した画面を履歴から読み取る
5. 定期の打ち合わせで何を覚えさせるかまで決める

問い合わせ件数は導入後に半減し受講者が自分で解決する割合が大きく増えた。

他部門ではリリースから3か月で393時間（月平均131時間）の対応時間が減り1572件をチャットボットが受けた。

動画に慣れた世代の学生が増える中、スライドを見せながら話すだけの講義だと手元のノートばかり見て耳だけで聞き流されてしまう。

授業中にどうやって学生の目を前に向けるかが悩みだった。

1. NotebookLMで講義用のスライド資料を作る
2. その資料をNoLangに読み込ませて解説動画を生成する
3. 口頭で伝えていた部分の一部を動画に差し替える
4. 動画をPowerPointに埋め込み教室で流す
5. LMSにYouTubeリンクを載せ学生が後から見られるようにする

口頭の説明では顔が上がらなかった学生が、動画を流すと自然に顔を上げてスクリーンを見るようになった。

1年半以上使い続ける中で、注目を集めるのは教え方のうまさだけでなく動きと音声だと分かった。

部活の遠征や病気や家庭の事情で登校できない生徒が授業に入れなかった。

英語を母語としない生徒は難しい内容を追うのが大変だった。

1. 各教室にカメラとマイクと電子黒板とZoom Roomsを入れた
2. LTI ProでCanvasとつなぎ遠隔の生徒を教室の画面に出す
3. 授業が始まると録画と文字起こしが自動で走る
4. Zoom AI Companionが作った授業の要約をCanvasへ出す
5. 要約や文字起こしを授業の補強と連絡メールの下書きに使う

遠征や体調不良で教室に来られない生徒も普段どおり授業に参加できるようになった。

録画は365日分たまり生徒は試験前に見直せる。

文字起こしと翻訳は20〜50言語に対応し英語が母語でない生徒も母語で内容を追える。

出張費は行程がひとつずつ違うため決まりに合わない申請や二重の申請を人の目で見つけにくかった。

全件を確かめようとすると手間と費用がふくらんでいた。

1. 手作業の確認の一部をWorkday Expense Protectへ移した
2. 半年の試験運用を始め担当チームだけがAIの点数を見た
3. リスクが高いと判定された書類は自動で確認の流れへ回した
4. 金額の小さい申請は機械に任せ人が見る基準を引き上げた
5. 問題のある申請は申請者へその場で戻し直してもらった

稼働から数時間で二重の経費報告2件を見つけ、最初の半年で2万ドル超の二重請求を防いだ。

提出された全件をAIが見る形になり、監査チームは年160時間分の手間が減って精算の戻りも6日早まった。

PR・ブランディングを少人数で回しており、取材から文字起こし、執筆までの負担が重くブログの更新が止まりがちだった。

個々にAIを試したものの文章の調子や品質がそろわず、直す手間もかかっていた。

1. インタビューの音声データを読み込ませ記事の下書きまで一気に作らせる
2. レシピ機能に自社の書き方の決まりを覚えさせる
3. 大げさな言い回しや保護者をあおる言葉を避ける指定で調子をそろえる
4. 1つの取材素材を複数の発信先に回して使い分ける
5. 残りの2〜3割の仕上げと最終確認は人が担う

ブログの更新頻度が月1本から月2本になった。

音声を入れれば記事の7〜8割ができるため書き始めの心理的な負担が下がり、外部委託と比べた費用の面でも効果を感じている。

少人数クラスでも教員が全員と事前に会話練習をして細かく直していくには時間が足りなかった。

授業の中だけでは学生が英語を話す機会を十分に作れなかった。

1. AI講師を英語ディスカッションの授業に入れた
2. 授業のテーマと過去の課題を学習ログとして参照させた
3. 学生は授業外にAIと英語で対話して本番に備えた
4. AIは直すところとすぐ使える英語表現を返した
5. 語彙や流暢さの変化を記録して伸びを確かめた

1か月の試験導入で、学生からはミスを気にせず何度でも話せるという声が出た。

教員が抱えきれなかった事前の個別練習と細かい指導をAIが引き受ける形になった。

学生は部活動やサークルで得た経験を客観的に示しにくかった。

自分の強みを言葉にできないまま就職活動に入る人が多かった。

1. 学生同士がワークショップで互いの強みを出し合う。
2. その場で言葉にした内容を証明書として発行する。
3. フィードバック型とプロジェクト型の証明書をキャリアパスポートに貯める。
4. 貯まったデータをChatGPTベースのAI講師に渡す。
5. AIと話しながら自己分析や自己PR文の下書きを進める。

証明書の発行は総数4584件になり、AIとの対話時間は累計1,500時間以上に相当する。

大手・有名企業へのES通過や内定も報告されている。

業務委託の担当者がオンライン商談の録画を会社へ出す決まりでZoomの動画をYouTubeへ上げてリンクを表に貼る作業に毎回1時間以上かかっていた。

限定公開でも個人の端末にリンクが残ると退職後も見られてしまい情報漏れが心配だった。

1. 商談の録画と保管をaileadへ切り替えた。
2. 会議を先に登録して自動で録画と保存まで終わらせた。
3. 担当者は文字起こしと動画を見て自分の話し方を振り返る。
4. マネージャーは一か所の動画リンクから改善点を洗い出す。

動画のアップロードは10分もかからなくなり月80時間ほどかかっていた提出作業がほぼ手を動かさずに済むようになった。

録画の取り忘れもなくなった。

AIに触れた経験が無い学生が多く授業でどう使うかの具体像を共有しづらかった。

学びの成果を記録して評価する仕組みも足りなかった。

1. 授業で学生の課題と考えた過程を記録しデータベースにした。
2. 記録をVerifiable Credential形式の証明書にした。
3. 証明書を読み込ませたカスタムGPTが学生ごとに対話した。
4. 学生はAI講師と壁打ちしAIプロダクトを企画した。
5. チームごとに発表し自分のリーダーシップ論を書き直した。

7週間のプログラムでエンジニア経験の無い学生がAIプロダクトを作り上げた。

研究室マッチングAIや性格・キャリア診断AIなどが生まれた。

作品への講評は講師ごとに見方が変わりやすく一貫させにくい。

初学者はどこをどう直せばよいか分からず自分で改善を進めにくかった。

1. 外部企業と組みチューターAI「Ututor」を作った
2. 2025年4月から6月まで専門スクールで試した
3. 提出されたWebサイトや動画をAIが読み改善点を返した
4. Webデザインは3つの見方で評価し付箋で出した
5. 動画は編集ミスや音のずれを時刻付きで指摘した

Webデザインと動画制作の分野でフィードバック機能が役立つと確かめられた。

2025年8月からスクールの受講生とデジタルハリウッド大学の学生へ順に提供を始めた。

高校DX加速化推進事業の2年目にあたり、AIと人がどう共に生きるかを生徒が身をもって考える場が足りなかった。

1. Pepperを2台入れて情報Ⅱを選ぶ生徒の授業に使う
2. 生徒はパソコンでプログラムを組み機体で動きを確かめる
3. Robo BlocksのChatGPT機能で自由な会話を作らせる
4. 思った通りに動かなければ組み直してもう一度試す
5. 授業の前に情報科と英語ネイティブの教員が研修を受けた

プログラミングが初めての生徒も100分の授業でPepperを動かせるようになった。

生徒同士が気づいたことを伝え合う場面も多く出た。

事務の仕事が紙や手作業のまま残り、学生からの同じ質問への対応や議事録づくりに時間がかかっていた。

新しいシステムを入れる余裕もなかった。

1. 職員主導の事務DXチームを立ち上げる
2. 学内のMicrosoft365とCopilotの範囲で改善を進める
3. よく来る質問をCopilot Studioに覚えさせ自動応答させる
4. 会議音声をOneDriveに置きPower Automateで議事録を自動作成する
5. 紙の公文書の流れをMicrosoft Listsに移す

チャットボットは30分程度で作れた。

公文書の処理時間は従来の半分以下に縮み、取り組みは2025年5月にDX・AI推進課という正式な部門に発展した。