金融・保険のAI活用事例

電話とメールだけの対応ではIPO銘柄が出たときの問い合わせ急増をさばききれず、夜間や休日の即答もできなかった。

口座開設の手続きでつまずいた顧客が他社に流れる心配もあった。

1. KARTEの画面にチャット窓を出しKARAKURIを回答エンジンとしてつなぐ
2. 2018年8月に試験導入し口座開設のサポートから始める
3. 口座開設に詳しい4人で専任チームを作る
4. 既存FAQとオペレーターの質問を会話カードにする
5. 公開後も会話カードを足したり直したりして育てる

質問は約27,000件たまり、回答率は80％まで上がった。

19〜23時のメール問い合わせが減り、4人体制だった常時待機はオペレーター2名になって社員は育成や他チームの支援に回れるようになった。

サービス統合にともなう口座の初期設定について電話とメールの問い合わせが集中し、サポート窓口が回らなくなった。

オペレーターの研修に2カ月かかるため増員も難しかった。

1. 問い合わせページを刷新しチャットボットと検索FAQを設置する
2. 毎朝チャットのログを人が見てトレーニングを重ねる
3. 1つの回答に想定される質問の言い回しを大量に登録する
4. ChatGPTと連携し質問パターンを自動生成して言い回しを増やす
5. 確認事項が多い依頼はフォームで受け専任担当が対応する

リリースの翌月に7,000件、翌々月には1万件を超える対応となり、直近は2万件を超えた。

回答率は90%超、満足率は60%超になり、電話の受付を大きな問題なく終了できた。

契約件数が100万件を超えて電話が増える一方、2024年7月のホームページ刷新でパスワード要件を厳しくしたところログイン関連の入電が一時2〜3倍になった。

従来のシナリオ型ボイスボットは対応できる範囲が狭く、途中で話しかけられると会話が崩れた。

1. マイページのログイン問い合わせを音声AIに直接つなぐ設計にした
2. chatbotで積み上げた質問と回答がセットの会話カードを回答のもとに使った
3. 案内してよい内容だけをAIに話させた
4. 5社のデモを比べ会話の滑らかさで選んだ
5. 解決率と離脱の場所をデータで見て話し方の違和感を直した

営業時間18時を過ぎてもAIが案内する窓口ができ、これまで営業時間外の案内で終わっていた問い合わせが自分で解決できるようになった。

導入初期の解決率は約3割だった。

エスカレーションは約2割で離脱は約5割。

2026年5月時点でAI対応への苦情は0件だった。

新NISAの開始でファンドに関する問い合わせが増えると見込まれたが、従来のFAQはAIが入っておらず探しにくく更新もしにくかった。

電話とフォーム中心の体制では、投資初心者から経験者まで幅広い層に正確で分かりやすく答えるのが難しかった。

1. 検索性と更新性を重視しFAQ基盤を入れ替えた
2. キーワードのサジェストを入れFAQ構成を組み直した
3. 同じナレッジを使うチャットボットを追加した
4. 会話ログからページごとの要望を読み取った
5. 検索されなかった言葉を毎日拾い想定質問を足した

FAQのページ閲覧数は導入前と比べて約1.5倍になった。

検索された言葉が見えるようになり、ほぼ毎月新しいコンテンツを足す改善の流れが定着した。

口座数の増加で電話がつながりにくくなる場面があり、Webでの自己解決を促す取り組みを進めていた。

ただ担当の人数が少なく、目に見える課題への後追い対応で手一杯だった。

1. Webサイトの行動データをAIアシスタントに読ませる
2. 問い合わせが増えているページと回遊のしかたを見つけさせる
3. 購入手順で迷う仮説と打ち手の案までAIに作らせる
4. 案をほぼそのまま使いQ&A形式のサポートを設計して公開した
5. 担当チームへの聞き取りと内容のすり合わせに時間を使う

公開から約1週間で7件の問い合わせ削減を確認し、年間換算で約400件の削減が見込める結果になった。

取り組みを立てるまでの工数は2〜3営業日から1営業日に縮まった。

社内の規程やマニュアルはあったが保管場所が分かれていて目的の答えまでたどり着けなかった。

旧型のチャットボットは1問1答しかできず条件で枝分かれする質問に答えられなかった。

1. 旧型のチャットボットをPKSHA ChatAgentへ入れ替えた。
2. 条件で枝分かれするツリー式のシナリオを組んだ。
3. 社内規程をKnowledge Streamに読ませQAを作らせた。
4. 出てきたQAと既存のFAQを見比べて中身を差し替えた。
5. ナレッジをPKSHA FAQに貯めチャットから引き出す形にした。

PKSHA FAQへのアクセス数は導入前比で約15%増え問い合わせは月間1,000件〜1,500件前後で動いている。

自己解決率は最大31.4%まで上がり担当者への直接の問い合わせも減ってきた。

営業店から本部への電話照会が月間数千時間に達していた。

業務のやり方がベテラン行員に偏り、マニュアルの保管場所も部署ごとにばらばらで自力では探せなかった。

1. DX戦略部が12部署へ照会業務の量と原因を調べた
2. 散らばる約2000件のマニュアルを3か月で集めた
3. 集めた文書をHelpfeelに集約し検索できるようにした
4. ベテランの手順を現場担当者が記事として書き起こした
5. 文章を自動生成せず検索で答えを返す設計を選んだ

導入から10か月で問い合わせ削減率11%となり、年間約4,400時間の照会業務を減らした。

空いた時間は相続や資産運用など対面の相談に回す。

請求処理やカード管理のような決まった手順の業務は自動化できていた。

ただメールや書類が絡む複雑な流れには広げられずにいた。

1. 自動化する業務を洗い出して優先順位を決めた
2. 顧客メールを読ませて用件ごとの処理へ振り分ける
3. 決まった形のない書類から必要な項目を取り出す
4. 決まりきった作業はロボットが実行する
5. 判断が要るところは人が確認する

手作業は年70,000時間以上減った。

生まれた価値は$2.7 millionになった。

前のチャットボットは登録した語と完全に一致しないと答えられなかった。

言い方の揺れを担当者が一人で毎月直しており月約1,500件のうち半数近くに答えられていなかった。

1. 健保のホームページのURLをそのままChatPlusに読ませた。
2. ページを直せばAIが読み直して回答へ反映される形にした。
3. 足りない分だけQA形式で十件ほど足した。
4. 断り方や回答の調子をプロンプトで細かく決めた。
5. 個人の事情が絡む相談は電話やフォームへ回す設計にした。

回答率は95％程度まで上がり運用の作業量は約70〜80％減った。

月間の利用件数は約1,500件のままで答えられる件数はほぼ倍になった。

コールセンターが混み合う時間帯の待ち時間が長く、オペレーターごとに応答や品質の差が出ていた。

人の体制を保ちながら効率を上げる方法を探していた。

1. 基盤の入れ替えに合わせて自動応答の仕組みを検討する
2. 複数のサービスを比べるコンペを行う
3. 専門用語やあいまいな言い方を読み取れる点を重視して選ぶ
4. 電話の一次受けと定型の問い合わせをAIに任せる
5. 込み入った相談は人へ回し途中で割り込める機能を付ける

人のオペレーターが高度な相談や個別の対応に時間を割ける形が整ってきた。

待ち時間の解消と顧客満足の向上を同時に進めている。

役員会議や各種委員会の議事録を手作業で文字起こししており、会議ごとに担当者を割り当てる負担が大きかった。

金融機関としてのセキュリティ要件が厳しく、クラウドのサービスは使いにくかった。

1. インターネットにつながない環境で動くScribeAssistを導入する
2. 会議を録音してその場で音声認識にかける
3. テキスト編集と生成AIの要約を同じアプリ内で行う
4. ATUCシリーズのマイク設備とつなぎ音声精度を上げる
5. 担当者が原稿を読み誤りの部分だけ直して仕上げる

録音を何度も聞き返す作業がなくなり、議事録作成にかかる時間が3〜4割減った。

操作が簡単で現場にも定着し、今後は役員会議以外にも広げる。

ESG評価に必要な非財務情報は企業ごとに様式の違うPDFに散らばっており、抽出作業に時間と手間がかかっていた。

社内チャットだけでは検索の質と効率に限界が残った。

1. 環境分野で対話する約70社の統合報告書3年分を対象に決める
2. 独自の評価観点から検索キーワードを決めてベクトル検索をかける
3. Claude 3 Opusが検索結果から関係する記述を選び要約を作る
4. 要約をファイルに出し社内チャットのカスタム機能から呼び出せるようにする
5. 要約にPDFの該当箇所へのリンクを付け元文書で確かめられるようにする

統合報告書の分析業務は3〜5倍に効率化され、現場の作業時間は従来の3分の1程度に短縮された。

キーワード検索では見落としがちな記述も意味で拾えるようになった。

保険の提案は担当者のカンや経験に頼る部分が大きく、営業の生産性が上がらなかった。

代理店ごとに顧客データを生かしきれていなかった。

1. 契約内容や事故情報、家族構成の変化などのデータをAWS上の分析基盤に集めた
2. 大規模分析基盤と汎用分析基盤の2つで機械学習を回した
3. 顧客ニーズの変化を予測させた
4. 業務システム画面にAIロボットを常駐させ行動や情報をプッシュ通知した
5. AIの保険プランは動画で説明し最終提案は担当者が判断した

2020年2月の稼働から1年弱の2020年11月末時点で利用率は約70%になった。

開発期間は1年半で済み、すべて自社設備で作った場合に見込まれた3年の半分に収まった。

開発者3000人にAIコーディング支援を配ったが使われるのはコード補完だけで高度な機能が眠っていた。

費用の膨張やセキュリティ面の統制も課題になった。

1. 社内専用チャットbotを作り従業員の7割に広げた
2. 開発者にGitHub Copilotを配布した
3. 人事部門と組んで6つの学習コースを用意した
4. 自社製の管理ツールで利用量をダッシュボード化した
5. 消費が急増した用途は安いモデルへ切り替えた

導入から1年でIT子会社Liberty ITのGitHub Copilot利用率は90％に達した。

数時間で2万ドルかかっていた処理はモデルの入れ替えで最終的に4万ドルの費用削減につながった。

半期ごとの運用実績の振り返りと今後の方針づくりを一人で行っており、自分にない視点や作業の手間の軽減を求めていた。

分析の効率を上げたい一方で、自分の考えを言葉にして整理する相手も欲しかった。

1. 保有資産と配当をまとめたExcelをChatGPTに渡した
2. 構成分析と地域・商品別の配分確認と資金の流れを頼んだ
3. 表の数字から離れない条件と裏づけの提示を先に伝えた
4. 出力を自分の管理ファイルと突き合わせて確認した
5. おかしい箇所は理由を問いただし推測を認めさせた

受領配当のランキングに保有していない銘柄が並び、途中で元データを参照できなくなったまま推測で数値を出していたことをChatGPT自身が認めた。

根拠のない総合評価「★★★★☆（4.5/5）」も提示され、以後は資料作成や壁打ちなど補助的な使い方に絞ることにした。

センターに月2万件ほどの電話が集中し、客が目的の窓口までたどり着けないことがあった。

応対のあとに内容をまとめてCRMへ入れる作業も現場の重荷だった。

1. 問い合わせの理由を分類し解決率の低い項目を洗い出した
2. Visual IVRで急ぐ用件は電話へ他はFAQへ振り分ける
3. FAQで解けない相談はMOBI AGENTの有人チャットで受ける
4. 応対が終わるとMooAが会話履歴を要約する
5. 個人情報は二段階認証で扱い履歴に残さない

有人チャットの解決率は89%に達し応答率は99%を保った。

チャットの問い合わせは倍増して月間500件になり浮いた時間を営業の架電に回せるようになった。

電話は15秒で出て満足度も高い状態だったが事業や進出先が広がると同じ応対品質を保てなくなる心配があった。

自前でRAGの仕組みを作ろうとしたが認証や不正の検知などで手が止まり公開まで届かなかった。

1. チャットのエージェントを作り12種類の手続きに対応させた
2. 会話が始まる前に社内ツールを呼び顧客の状況をそろえる
3. 与信枠の見直しは3つのツールで確かめて即答する
4. カードが通らなかった場合は伝えてよい範囲を決めて案内する
5. 気になる会話に印を付けて見直せる仕組みを初日から入れた

目標30%で始めた自動対応は公開初日に35%となり今は60%まで上がった。

最初から人の対応を求めた顧客は想定の15%に対して4%だった。

オペレーターの応対品質を上げる指導に客観的な物差しが無かった。

埼玉の投資信託コールセンターは規模が小さく大きなシステム投資ができなかった。

1. フルクラウドの架電システムにMiiTelを足した
2. 台本の伝える言葉を言えたかキーワード出現で確かめる
3. 話速の差や声の抑揚を解析して話し方を調べた
4. オペレーター別にレーダーチャートを作る
5. 管理者が推奨値との開きを見せて直す点を伝える

話速の差が小さく抑揚の大きい通話ほど申し込みにつながると分かった。

感覚ではなく数字で改善点を示せるようになり同じビルの別フロアと分けて受電できる体制も整った。

1人のインサイドセールスが1000社以上を担当することもあり電話営業が人に依存していた。

異動が多く新しく来たメンバーをすぐ戦力にする必要もあった。

1. クラウドのIP電話MiiTelを入れ通話を録音した
2. 新人が先輩の成約した通話を聞き入り方をつかむ
3. 通話ごとにメモを残し種別のルールも決める
4. トーク比率や問いかけの多さをスコアで見比べる
5. CRMやMAとつなぎ応対状況を1か所で見る

教育コストは約40％減り毎週開いていた指導の集まりが要らなくなった。

コロナ前と比べてB2Bセールスグループ全体の成約率は130％以上伸びた。

スマホアプリの広がりで問い合わせ窓口が増える中、以前のチャットボットでは利用者が求める答えに届かないことがあった。

FAQを作って直して見直す手間も重くなっていた。

1. 約3年分の問い合わせ内容をもとにFAQを設計した
2. チャットボットが一次対応を担う形にした
3. 複雑な相談は人のオペレーターへ回した
4. 実際のやり取りを見てFAQの中身を直し続けた
5. 電話が混む場面はチャットへ誘導した

問い合わせが通常月比で約4倍に増えた時期でも、チャット対応件数が通常期比2倍超に伸び、電話の集中がやわらいだ。

利用者が自分で解決できる割合が上がり、有人稼働時間は約35%減った。

非対面の法人営業で面談の内容を記録する負担が大きかった。

応対の中身が担当者の中に閉じてしまい外から見えない状態だった。

1. Zoom PhoneとMiiTelを一体で使う形にした。
2. 通話が終わると面談記録が自動で作られ要約まで出る。
3. 担当者はその記録を確かめて案件の管理につなげた。
4. 成果を出す担当者の話し方も記録に残しチームで見比べた。

1日あたり1時間ほどかけていた面談記録の作成を75%減らした。

空いた時間を顧客への対応に回し提案件数は約140％まで伸びた。

問い合わせ先が分からず担当者への転送が何度も起きていた。

業務のほとんどがマニュアル化されており必要な箇所を都度探す手間も大きかった。

1. PKSHA AI HelpdeskをTeamsに入れ窓口を一本化した
2. FAQ回答とRAGのマニュアル検索と有人チャットをつないだ
3. 始める範囲をOKBアプリとローンの問い合わせに絞った
4. 既存のチャットボット用FAQの一部を移し約150件そろえた
5. 回答に参照した資料を表示し中身を確かめられるようにした

社内からの問い合わせ件数を3〜4割減らせた。

海外拠点や外国語を話す顧客とのやり取りが増え言葉の壁が業務の足かせになっていた。

英語版の資料づくりは外部の業者に頼らざるを得ない場面もあった。

1. 日本語のファイルをDeepLに読ませ書式のまま英語版を作る
2. 金融の専門用語を用語集に登録して訳語をそろえる
3. 決算期のIR資料は英語版と日本語版を同じ流れで用意する
4. 投資家との質疑応答の記録を社内で訳し自社サイトに載せる
5. 進め方の検討やデータ整理のコード書きにChatGPTを使う

IRの質疑応答資料は100％社内で作れるようになった。

外部委託が減り作業の負担とコストが下がった。

保険の契約と給付金の請求が増え、支払査定の負担が重くなっていた。

査定は約款の読み解きや医療の知識、過去の事例をあわせた専門の判断が必要で、担当者が育つまでに長い時間がかかっていた。

1. 診断書や領収書の画像をAIに読み取らせる
2. 支払可否の判断と給付金額の算出まで一続きで処理させる
3. 約款やマニュアルをAIが自ら参照するAgentic RAGを組む
4. 過去の査定事例をAIが要約して記録し似た事例に使わせる
5. 2025年9月の試作後に人が最終可否を確かめる形で検証した

難易度の高いケースを含む検証でAIの査定正答率は90%以上になり、同じ条件で繰り返してもばらつきは出なかった。

書類の読み取りは約90%の精度で必要な情報を抜き出し、入力作業の工数は約1/3、担当者による査定の工数は約40%削減できると見込んでいる。

年末調整の時期に住宅ローン年末残高証明書の再発行の電話が集中し月間で最大約1,600件に達していた。

以前のボイスボットは支店名や口座番号の記録に誤りが出るため行員が全件を目視で照合して折り返していた。

1. ローンの証明書6つの発行申請を電話で自動受付した。
2. ボイスボットが取引店舗名と希望の証明書を聞き取った。
3. あいまいな言い方は登録情報から候補を推測して示した。
4. 業務外の回答をさせない設定を入れた。
5. 3カ月の実証実験で精度を確かめ本番運用に移した。

住宅ローン年末残高証明書など一部の証明書は問い合わせの約9割が折り返し電話なしで完結した。

折り返しにかかる時間は4カ月で約65時間減り郵送作業の時間も4カ月で約90時間減った。

問い合わせ対応が担当者の人数に左右され混み合うと順番待ちが伸びた。

営業時間の外は受けられずブランドごとの作り込みも見た目だけにとどまっていた。

1. AIエージェントに残高照会や支払いやカード再発行をさせた
2. 共通のエージェントを土台にブランドごとに口調を上書きする形にした
3. 会員の状態ごとに使える機能を書き出した
4. 法律で決まった言い回しはverbatimタグで一字一句そのまま出した
5. テストの記録を全部残し提携銀行の監査へ示せるようにした

残高確認や支払いやカード再発行といったよくある手続きは人が出るより速くなった。

待ち時間なしで本人確認から用件の完了まで進むようになった。

マニュアルの改訂が頻繁なのに研修動画の更新は年1回ほどで内容がずれ、トレーナーへの質問が増えていた。

1対1の対面ロープレが中心で他の研修生に待ち時間が生まれ、緊張して実力を出せない人もいた。

1. 全国4拠点約400名の研修にオンデマンド学習とAIロープレを同時導入した
2. トレーナーの座学内容を動画に収録した
3. マニュアル改訂時は動画をすぐ差し替える運用にした
4. AIが顧客役となり複数受講者が同時に練習しフィードバックを受ける
5. トレーナーは空き時間にモニタリングと個別フォローへ回る

新人の研修1巡でトレーナーが受け持っていた5時間50分の座学は動画に置き換わった。

待ち時間や準備にかかっていた工数も2〜3日分（半日3時間相当）減り、全員に同じシナリオと基準でフィードバックできるようになって担当者ごとのばらつきも消えた。

リモートで金融商品を案内する担当者が社内システムへ面談記録を打ち込むのに時間を取られていた。

担当ごとの動きの量をつかむ手立ても無かった。

1. 窓口の電話にMiiTel Phoneを入れ通話を録音して文字に起こす
2. 自動要約で通話から面談記録の下書きを作る
3. 担当者が中身を確かめて社内システムへ登録する
4. 通話回数と通話時間と提案内容を数字で見えるようにした
5. 責任者がその数字をもとに担当者へ助言を返す

面談記録の入力は1件20分から5分になり担当者の行動量は1.3倍に増えた。

前年同期比で金融商品の獲得額は2.6倍になりNISA口座の獲得件数は2倍になった。

ストラクチャードファイナンスでは過去案件を探すのに時間がかかり、事例やノウハウがベテラン行員に偏っていた。

100ページを超える融資契約書からモニタリング情報を抜き出して管理表に書き写す手作業も負担が大きかった。

1. 過去案件の融資契約書をAi Workforceに読み込ませる
2. 要点を抜き出してデータベースにためる
3. 契約書の中の言葉でも検索できるようにする
4. 新しい契約書から項目を抜き出し管理表を自動作成する
5. 若手中心に要件定義と意見出しを繰り返す

契約書類の管理業務で年間約7,000時間の削減を見込む。

内訳は契約書検索が約6,500時間/年、管理表作成が約500時間/年で、空いた時間は顧客対応や品質向上に回す。

地方銀行での導入は初で、他部署への広がりも生まれた。

仕組み金融の現場では、以前結んだ契約書を探し出すのに手間がかかっていた。

管理の仕方も入り組んでおり、一部の担当者しか回せない状態で負荷が重かった。

1. AIプラットフォームを契約書管理の土台として導入する
2. PDFやWord、Excelの契約書を取り込む
3. 過去契約の検索を精度高く行える状態にする
4. 契約管理表の作成をAIワークフローに任せる
5. テンプレートへの転記まで自動で進める形にした

過去契約書の検索の高度化と契約管理表作成の自動化で、年間約7,000時間の業務時間削減を見込む。

内訳は検索が約6,500時間、管理表作成が約500時間となっている。

投資チームは案件ごとに数百ページのデューデリジェンス資料や財務報告や法務書類を読む必要があった。

社内の文書があちこちのシステムに散らばり、必要な情報を素早く取り出せなかった。

1. 外部の開発会社と組み社内向けの生成AI基盤を作った
2. 複数のモデルから選べる作りにした
3. フランス語の文書と要約はMistralのモデルに任せた
4. 利用者は文書を手で上げて自然な言葉で質問する
5. Web検索とチームで共有できる固定フォルダを付けた

1年で本番稼働に入り投資の現場で欠かせない道具になった。

週に500人超が使い、これまでに18,000件超の文書を処理して280,000件超の依頼が出された。

電話が集中する時間帯は通話後の後処理を後回しにするしかなく記録の精度がばらついていた。

応答率も80%程度まで落ちていた。

1. 固定電話や既存のシステムを残したまま音声認識を入れた。
2. 通話中から文字が画面に出て電話を切ると要点が出てくる。
3. オペレーターは要約をほぼ直さず情報共有システムへ移す。
4. 問い合わせの中身に応じて住宅ローンなどのラベルを付ける。
5. 新任はラベルで絞り込み過去の通話を読んで学ぶ。

応答率が80%程度から95%程度まで上がった。

要約のために録音を聞き直す手間がなくなり新任の習熟も早くなった。

見込みの価格と実際の請求データの突き合わせが抜き取りの確認にとどまっていた。

大量の取引をひとつずつ見て正しさを確かめる方法がなかった。

1. UiPathでエージェントを組み財務データを読ませた
2. 請求ごとに想定した価格と実績を比べる
3. 食い違いがあれば理由と次にやることまで出させる
4. 読み取りはUiPath Document Understandingを使う
5. 業務部門の担当者がAgent Builderで組み人が確かめた

初期の検証で価格の見直しや監査の対象から外れていた請求コードが見つかった。

使われなくなった古いコードのほか売上の取りこぼしにつながるものも含まれていた。

カードの問い合わせが増えて内容も複雑になり、オペレーターの負担が重くなっていた。

メニューを押していく従来の自動音声では目的の窓口まで時間がかかり、担当外への転送も起きていた。

1. コンタクトセンターの一部回線に音声対話AIのX-Ghostを入れた
2. 音声のまま理解するモデルで用件を聞き取り窓口へ振り分ける
3. 社内システムやデータベースとAPIでつなぎ情報を参照する
4. 別のモニタリングAIが不適切な回答を止める
5. 込み入った内容は人が引き取る形にした

本格導入の前の検証で、AIだけで完結した対応の正答率が9割以上、人のコミュニケーターへつなぐ成功率も9割以上になった。

コンプライアンスの遵守率も基準を満たし、2026年4月15日から一部回線で運用を始めた。

大企業を担当する法人営業では準備の工程が多い。

顧客や業界を調べて論点をまとめ提案の筋道を組むまでに時間がかかり、下書きを短時間で仕上げにくかった。

1. 担当先や提案の目的といった前提をOrchaに渡す
2. 調べる項目を分けて複数のエージェントで同時に調べる
3. 集めた内容から論点を整理し提案の構成案を作らせる
4. AIスライドでPowerPointの下書きと情報源一覧を出す
5. 銀行員が情報源を見て事実確認と直しを入れる

試験運用で提案書に使える水準の成果物を安定して作れると分かり、法人向け部門を軸に27部署まで使う範囲が広がった。

調べ物や論点整理にかかる最初の手間が減り、下書きが早く出るぶん検討の回数が増えた。

議事録は担当者が手書きメモと記憶をもとに書いており、完成まで長い時間がかかっていた。

書いた後の確認の負担も重く、会議の内容をすぐ共有したり振り返ったりできずにいた。

1. 本部の行員約400名を対象にYOMELを導入した
2. 専用アプリをワンクリックで起動し録音を始める
3. 対面でもWeb会議でも文字起こしと要約を自動で行わせる
4. ZoomやTeamsなど既存の会議ツールはそのまま残した
5. 議事録のフォーマットを見直し人は確認と整えだけにした

議事録の作成時間は平均で約75%短くなり、2時間かかっていた作業が10分で終わった例も出た。

利用者の98%が生産性の向上を感じていると答え、会議に出る人数も減らせた。

アドバイザーは面談中に要点を書き取りながら顧客との会話にも集中する必要があった。

終わったあともメモの清書とSalesforceへの入力で1件30〜40分かかっていた。

1. Zoomの面談にAIを同席させメモを自動で作る
2. できたメモをアドバイザーが読み直して抜けを書き足す
3. メモの内容をSalesforceへ自動で記録して担当者へ渡す
4. 話す時間と聞く時間の比率や相手の反応の強さを分析する
5. 上司と一緒に数値を見ながら話し方を直していく

面談後の手作業は半分になり1回につき15分が戻ってきた。

5人での試験導入から5か月でアドバイザーの80%が自分から使うようになった。

新しく始める銀行サービスでは口座開設の手続きに戸惑う顧客を少ない人数で支える必要があった。

AIが誤った案内をするリスクも避けたかった。

1. サポートページ右下に問い合わせアイコンを置いた
2. チャットボットの回答はFAQの登録内容から作らせた
3. 正確さが要る項目は提携銀行の案内ページへつないだ
4. 自社独自のサービスは複数人で確認し平易な言葉へ直した
5. 0件ヒットを週に3〜4回見て足りない質問を追加した

顧客がどこで迷っているかを0件ヒットから拾えるようになり足りない内容はすぐ追加できている。

心配していた誤答も抑えられ正確な案内ができている。

顧客向けFAQに関わる部署が3つに分かれ内容の追加や修正が進まなかった。

利用者が途中で離れているのは分かっても改善を頼む根拠のデータが足りなかった。

1. FAQシステムを入れ替えチャットボットも一緒に入れた
2. 検索は言葉を入れれば質問に届く形にした
3. トップに注目キーワードと新着と閲覧の多い質問を並べた
4. 毎月定例を開きレポートの分析と改善案を受け取った
5. 0件ヒットから出た言い回しを類義語として登録した

顧客向けFAQのアクセス数は2025年5月の月間2万9896件から11月は8万7041件と約3倍になった。

0件ヒット率は32.0％から21.3％へ下がり受けた84件の改善提案のうち40件を実施した。

小切手の不正確認を人手でやっていたため1日に見られる枚数に限りがあった。

見きれない分が不正による損失につながっていた。

1. 届いた小切手のデータをアプリで読み取る
2. 読み取ったデータをデータベースへ入れる
3. それを合図にUiPathの自動処理が1枚ずつおかしな点を調べる
4. 引っかかった小切手だけを不正対策チームへ回す
5. 人は回ってきたものの調査だけに手を動かす

1日に確認できる小切手の枚数が1000%以上増えた。

半年で不正による損失を約80万ドル減らした。