小売・ECのAI活用事例

自社ECと楽天やAmazonなど複数モールから届く問い合わせが多く、対応に時間の大半を取られていた。

品質向上やVOCの取り組みが後回しになり、CSチームの成長が止まりかけていた。

1. 問い合わせデータの分類を生成AIに任せた
2. タグ付けの条件を後から変えられるようにした
3. 全テキスト対応をAIが評価する仕組みを作った
4. 良い点と直す点を翌日までにメンバーへ返した
5. 人は分析とフィードバックに回した

手作業のタグ付けがなくなりオペレーターの負担が軽くなった。

月に1〜2回、数件だけだった品質チェックは毎日全ての対応を翌日までに評価できるようになり、3ヶ月後や半年後を見据えた計画を立てる余裕が生まれた。

配送状況や輸入可否、通関ルールなど一件ごとに事情が違う問い合わせが多く、決まった回答しか返せない従来のボットと社内の商品データを別々に更新する手間がかかっていた。

マニュアルは複雑で目的の記述にたどり着きにくく、担当者が自作した手順書に頼る属人化も進んでいた。

1. 管理者と現場担当5名ほどで2か月のトライアルを行った
2. 仮のデータを入れて応答の出方を確かめた
3. マニュアルやルールをナレッジとして登録した
4. 過去のエスカレーション事例をQ&Aの形に直して入れた
5. テンプレートや文例を100件以上集め精査して一部を登録した

チーム約20名が利用し、分散していたマニュアルやルールが集約されて調べる場所が定まり、判断のスピードが上がった。

頻発していたエスカレーションの一部は担当者が自分で解決できるようになり、回答への不安も和らいだ。

顧客対応を自社で行うため商品好きな未経験者を採用したが、文章作成に手間取り応対の質が落ちることを心配していた。

複数のモールごとに返信の定型文を用意するのも手間だった。

1. ブラウザ拡張のオペレーター支援ツールを入れる
2. どの窓口でも同じ画面から定型文を呼び出せるようにする
3. 定型文をブロック単位で並び替えチャットとメール返信に使う
4. レビュー返信は指示文から生成AIに下書きを作らせ手直しして送る
5. 繁忙期前に研修へ時間をかけ新人に操作を覚えてもらう

メール対応の1日平均は25件から30件になり、誤字脱字による差し戻しは23%から0.36%に減った。

新人のOJT期間は40〜45日程度から15日になり、レビュー返信1件の作成時間は半分になった。

出店する場所を決めるには商圏人口や競合店、道路や駐車場の条件など見るべき要素が多く、担当者の経験や外部の調査に頼る部分が大きかった。

建築費や土地代が上がる中で、投資の判断を外すリスクも増していた。

1. 自社POSデータで既存店を分析する
2. 商圏データと競合店データを重ねる
3. 人口・世帯データを加えて売上予測モデルを作る
4. 地図上で候補地を指し売上見込みを出す
5. 条件を変えた影響を比べ現地確認と合わせて判断する

2024年秋からの試験運用を経て本格運用に入り、検証した対象では予測誤差率が中央値で7%台まで下がった。

出店判断の客観性と再現性が上がり、担当者と経営層が同じ前提で議論しやすくなった。

サポート窓口の道具がばらばらで担当者は10以上の画面を行き来していた。

手作業が多く待ち時間が長引き一次解決も伸びなかった。

1. 問い合わせの入口にZoom Virtual Agentを置いた。
2. 解決しない分はAIの要約を付けて担当者へ渡す形にした。
3. 通話中はAI Expert Assistが合う記事を出す。
4. 通話後の要約とチケットをAI Companionが自動で作る。
5. Workforce Managementでシフトと人の配置を組み直した。

顧客が自分で解決する割合が50%になりコール放棄率は90%減った。

待ち時間は15〜20分から2分未満に短くなった。

問い合わせ1件を処理するのに複数のツールを行き来する必要があり顧客情報や注文情報がばらばらだった。

電話とメールの履歴がつながらず同じ内容を聞き直す場面が起きていた。

1. 問い合わせの窓口をZendeskに集めた
2. 電話とメールのやり取りを同じ画面で追えるようにした
3. よく聞かれる質問をFAQとして整えた
4. AI機能とマクロで回答の下書きを出させる
5. 担当者が中身を確かめてから送る

FAQだけで解決する割合が約90%まで伸び人が応対する件数は77%抑えられた。

AI機能によって対応にかかる時間は40%短くなり返品・交換の担当チームでは最大46%まで縮んだ。

専任のエンジニアがいないまま各自がばらばらにClaude Codeを使い、仕様やコードが個人のチャット履歴やPCに埋もれていた。

確認不足のまま統合する危険や、不具合時に元へ戻す手順が無いことも不安だった。

1. 3日間の研修で開発の進め方を学んだ
2. 初日に画面とデータと処理のつながりを学んだ
3. AIの案をうのみにせず人が設計方針を決めた
4. 2日目にGitの変更履歴やブランチ運用を練習した
5. 3日目に現場の困りごとを要件にまとめアプリを作った

受講者の半数以上がプログラミング未経験だったが、最終日に8つの実務アプリをリリースした。

領収書PDFを一括で集める仕組みやAmazonのAPIと連携した在庫管理システムなどが生まれ、受講満足度は全日程・全項目で受講者全員が5点満点だった。

オンラインストアでは文字と商品画像だけの案内になり、実店舗のような着こなしの相談に応えにくかった。

雰囲気や体型、場面といった言葉にしづらい要望はサイト内検索で絞り込めなかった。

1. ECサイトにチャットボット「AIデジタルスタッフ」を置く
2. サイト内の情報をもとに回答を作らせる
3. visumoのスタッフ投稿をつなぎ合う投稿をカード形式で並べる
4. 靴やトップスなど複数アイテムを一度のやり取りで示す
5. フェミニンや結婚式などの抽象表現も文脈から読み取り案内する

チャット接客のCVRは11.4%を記録した。

提案のあとにさらに質問が続いた割合は41%で、通常のチャット接客と比べて対話数が約1.5倍に広がった。

メルマガの文章づくりと校正に人手がかかり、担当者の経験によって出来にも差が出ていた。

社内で生成AIを試す動きはあったが、業務に結びつく形にはなっていなかった。

1. AWS公開のGenUを基にBedrockでメルマガ作成・校正ツールを自社開発した
2. 過去配信メルマガを参考に読ませ字数や要約可否の条件をプロンプトに書いた
3. 校正側は景表法や薬機法の辞書をプロンプトに持たせNG表現を検出した
4. 性別や年代や商品を選んで押すだけの画面を用意した
5. AWSのPrototyping Programで事業部門とエンジニアが3か月で仕上げた

作成側は1か月あたり133時間、校正側は200時間ぶんの手間がなくなった。

事前に行った5万件のA/Bテストでは、人が書いた文面に対してCVRが2倍近くまで伸びた。

膨大な種類のカメラやレンズから持ち込まれた機種を正確に見分けるのは正社員でも難しく、パート社員だけの店舗では中古買取ができなかった。

買取の認知度が上がる一方で、対応できる店舗が限られていた。

1. 店員が専用タブレットで持ち込まれたカメラやレンズを撮影する
2. 写真をシステムへ送り学習済みデータと照らして機種名や型番を返す
3. 返答は2〜3秒で店員がマニュアルを見ながら値付けする
4. 導入時に約10万点の商品画像を学ばせる
5. 店頭で撮った写真も追加学習させて精度を上げ続ける

これまで買取ができなかった店舗でも対応できるようになり、買取実績がゼロの店舗をゼロにする目的を達成した。

教師データは約3万点増えて約13万点に達し、認識精度の向上を続けている。

1980年代から内製してきたIBM i/AS400の基幹システムは独自言語で書かれ、読める技術者が数名に偏っていた。

Webアプリへの作り直しが進まず移行計画が止まりがちだった。

1. 社内コードが再学習されないAmazon Bedrockを選んだ
2. GenUを試し情報システム部全員が使うチャット環境を整えた
3. 旧システムのソースコードを読ませ処理概要とデバッグを依頼した
4. 確認すべき点の返答をもとに核心だけベテランに確認した

AS/400の知識がない技術者もコードを読めるようになり、ベテランへの問い合わせが減って移行が速くなった。

技術者1人あたりの年間デプロイ数は60件台から2024年は75件まで伸びる見込みになった。

人手が足りず配送担当者向けのリーフレットや広報紙の制作、会議の議題準備と議事録づくりに時間がかかっていた。

外部のAIに機密情報を入れると学習される心配もあった。

1. 2024年4月にAmazon Bedrockを土台にした社内向けアプリを作った
2. 長文応答はClaude、要約や分類はAmazon Titanを使った
3. 画像づくりにはStable Diffusionを使い分けた
4. 会議録画から文字起こしと要約を自動生成し、確認は人が行う
5. まず約100名で始め、約4,000人への展開を進めた

会議資料は最初から3割ほどできた状態で始められるようになり、広報物の写真撮影や業者とのやりとりの時間は70%程度減る見込みになった。

社内マニュアルを検索先に入れたことでヘルプデスクへの問い合わせも減った。

定期購入が伸びるほど質問も増え、一時は出荷1件あたりで見た問い合わせの割合が10％を上回った。

月によっては5,000〜10,000件が届きその多くはサイトに載っている内容だった。

1. 曖昧な言葉でも答えに届く検索型のヘルプサイトへ入れ替えた
2. サイトやマイページやメールのフッターに入口を置く
3. 実際に打ち込まれた検索キーワードを見ながら記事を直した
4. 大型のコラボ前に想定される疑問を先に記事にする
5. 質問の意図をくみ取るAgent Modeを足し提供元と調整した

10％を超えていた問い合わせ率が6％台まで下がり調子の良い月は5％台になった。

20名いた対応人員は10名で回るようになりCS全体の費用も減った。

Yahoo!

オークションとYahoo!

フリマでは、数千件の検索クエリで違反の疑いがある出品を探し、人が一件ずつ確かめていた。

探し方も見る観点も担当者の経験に頼っていて、日々変わる違反の手口に追いつきにくかった。

1. 過去の審査結果から学ぶ分類モデルを作る
2. 違反の疑いが高い出品を優先して抜き出す
3. 確かめるべき違反の観点も候補として出す
4. LLMに商品情報とガイドラインと判断基準を渡し理由の素案を作らせる
5. 担当者が素案を基準と照らし最終の可否を決める

審査した商品のうち措置につながった割合は、クエリ時代を1とするとAIフィルター全体で約26倍、AIプレ審査を入れたカテゴリでは約50倍になった。

一方で人が全件を最後に確かめる構造は残り、業務時間は同じようには減らなかった。

かかってくる電話の量や時間帯や時差によって、担当者につながるまでの速さや答え方にばらつきが出ていた。

1. 5月からSierraの音声AIを受電に入れた。
2. AIが用件を聞き足りない点を質問して絞る。
3. 営業時間や在庫の有無はその場で答える。
4. 込み入った相談は担当者へつなぐ。
5. 査定や試乗の予約も扱えるよう作業を進めている。

導入後は電話で用件が片づく割合が上がり解決しないまま終わる電話が減った。

担当者は簡単な質問への対応から離れて車選びの相談に時間を使えるようになった。

睡眠ブランドNELLの商品企画で続けてきたユーザーインタビューは、10名規模でも着手から3〜4週間かかっていた。

モニター手配や日程調整や文字起こしの手間が重く、聞き手の腕前で結果が変わる点も負担だった。

1. 市場やユーザー調査を担うAIエージェントを商品企画の定性調査に入れた
2. AIが聞き手となりモニターへ自律的にインタビューする
3. 集まった発言をAIが分析しレポートまで自動で作る
4. 人は問いの設計と集まったデータの解釈に回る

調査期間は従来の3〜4週間から1〜2週間になり、対象者は数十〜数百名規模まで広がった。

モニター手配などの作業工数がゼロになり、調査完了から3日後には社内の承認会議へつなげられるようになった。

サプリメントを店舗でも売り始めて取引先が増え、様式の違う発注書を2人で手入力してダブルチェックしていた。

受注が増えるほどミスも増えて納品差異のフォローに追われ新規商談に出る時間も取れなかった。

1. 取引先ごとの発注書に合わせたテンプレートを作る
2. 自動振り分けで必要な項目を抜き出させた
3. 読み取った結果はCSVで出して出荷担当部署へ渡す
4. レシートは購入日と合計金額がファイル名になる形にした
5. 人はファイル名だけを見てエラーの画像を確かめる

月60時間ほどかかっていた受注処理が20時間くらいになり導入から7カ月で読み取りミスはゼロだった。

キャンペーンの当選確認も1日1時間程度から10～20分になり80％以上短くなった。

採用担当が応募者の質問に一件ずつ自分で答え、つながっていない複数のシステムを行き来していた。

応募の手続きも長く途中でやめる人が多かった。

1. 候補者体験エージェントを入れCoryという名前のAIにした
2. AIが24時間応募者とやり取りして条件に合うか確かめる
3. 会社の雰囲気が分かる情報も応募者へ送る
4. ショートメッセージから応募できる導線を作った
5. 店長は日程決めを離れ応募者と向き合う時間に回した

応募を終えるまでにかかる時間が大きく短くなった。

応募から先へ進む割合も上がった。

約1,700万人の会員を抱え問い合わせが毎月およそ3,000件届き、担当者が調べれば分かる質問にも手を取られていた。

担当者とのやり取りが何度も往復する点も困っていた。

1. 運営する3つのサイトにAIエージェントをチャットボットとして置いた
2. FAQや記事を集めたナレッジベースを整えた
3. AIがナレッジを見て会員へその場で答える
4. 届いた問い合わせをAIが振り分け複雑なものだけ担当者へ渡す
5. 対応済みのケースを見直してAIの回答を直し続ける

当初は30〜35%を見込んでいた自動解決率が最初の2週間で60%になり、ピーク時には85%に届いた。

よくある質問については月によって90%台後半まで上がった。

電話やメールフォームなど年間32万件を超えるお客様の声を人の手で分類していたため、細かい声が改善に回らなかった。

応対品質の確認もオペレーター1人あたり月1〜2通話の抜き取りにとどまり、評価がばらついていた。

1. 音声のテキスト化ツールで通話とメールの内容を集めた
2. 集めた年間32万件の声をFlyleに流し込み自動分類した
3. 分類結果をダッシュボードに並べて確認した
4. AIの分析でエラー箇所を特定しFAQとWeb導線を翌日に直した
5. 月約1万件の全通話を解析し応対を点数化した

問い合わせが集中した日に200件を超えていた入電が、翌日は50件ほどまで落ち着いた。

調べるのに1週間かかっていた事象も、その日のうちに経営陣へ報告できるようになった。

毎月数万箱を届ける規模になり注文はどこか届くのはいつかといった同じ質問が大量に寄せられていた。

愛犬の好みや別れの相談など丁寧に向き合いたいやり取りに時間を回せなかった。

1. SierraでScoutという自社のAIエージェントを作った
2. 注文追跡や配送状況や簡単な会員手続きの質問を任せた
3. 非エンジニアの担当者が回答と話し方を直せる形にした
4. 犬の駄洒落を出す場面とそうでない場面を切り分けた
5. 気持ちが絡むやり取りは人のチームが引き取る

AIが問い合わせのかなりの部分を受け持つようになり顧客満足度は98%を保った。

よくある質問にはすぐ返るのでチャットの待ち時間も短くなった。

経理では毎月100件を超える請求書について、2つの基幹システムにまたがる複数の項目を人の目で見比べていた。

月末と月初に担当者の作業時間が大きく膨らんでいた。

1. 2つの基幹システムの請求書データで突き合わせる項目を整理する
2. その突合の判断をAIに任せ一致分は自動処理させる
3. 金額や明細がずれた例外だけ画面に出し人が判断する
4. 採用まわりのメール対応も並行して自動化する

定型の突合作業にかかる時間が大きく減り、経理担当者は例外の確認に絞って手を動かす形になった。

定期購入の変更や解約の電話が事業の伸びとともに増え、コールセンターの応答率が目標を大きく下回り過去最低の水準まで落ちていた。

増員は採用が難しく一人前になるまで数か月の研修も要るため限界があった。

1. 電話の自動応答としてPKSHA VoiceAgentを入れた
2. 使う場面は営業時間内に受けきれない入電に絞った
3. EC-CUBEとつなぎ本人確認から解約まで声だけで終わる流れにした
4. 質問する順番や分かりやすい言い回しを一つずつ作り込んだ
5. 通話後のシステム登録まで自動にして後処理を無くした

応答率は過去最低の水準から10％以上良くなり、呼量が増え続ける中でも目標を保てるようになった。

解約時にポイントで継続を勧めて受け入れられた割合も、オペレーターの成功率に対し自動応答で50％程度だった。

ランウェイで注目を集めても通販ページは写真とサイズ表しかなく着たときの形や動きが伝わらなかった。

立体的な服ほど買う前に迷いが出ていた。

1. Fiducia AIとIBMと組みブラウザだけで動く試着の仕組みを作った。
2. IBM Cloud上のwatsonx.aiを土台に役割ごとにモデルを分けた。
3. 手順の制御はIBM Graniteが担い画像の処理はLlamaが受け持つ。
4. ファッションウィーク向けの設定と公開は5日で終えた。
5. 同じ作りを商品ページへ移しSpeedShotXを埋め込んだ。

イベント限りで終わらずShopifyの店舗で常に使える機能になった。

2月中旬から2,500人を超える人が試着を使った。

ゲーミングアクセサリー事業ではメールの問い合わせが月100〜200件から月1000件へ増え当日返信が守れない日が出ていた。

スマホケースは対応機種が多く注文間違いによるキャンセル対応が月200件も発生していた。

1. 手持ちのFAQをツール側へ渡して記事を整えてもらった
2. あいまいな言葉でも記事に届く窓口を2つの事業サイトに置いた
3. 検索ログを読みキャンセルという語が上位と分かった
4. FAQ記事からキャンセル受付フォームへ進む導線を作った
5. 保証の相談は記事から申請フォームへ送る形にした

月約200件あったキャンセル対応が約40件まで減った。

問い合わせ率は5〜6%台から4%台に下がり売上が4〜5倍になっても人を増やさずに回せている。

全国の事業部がそれぞれ一次面接を担当していたため、面接官によって見る視点や評価の深さが違っていた。

夜の時間帯を希望する候補者への対応や複数求人の同時進行で、日程調整に大きな手間がかかっていた。

1. 新卒と中途の一次面接をAI面接サービスに任せる
2. 求人ごとに評価基準と質問の設計を細かく作り込む
3. 候補者は事前登録なしで夜間や土日に受検する
4. 終了後に録画と議事録と評価レポートを自動でまとめる
5. 人事はレポートと動画を見て次の選考に進む人を決める

短期間で多くの人を採る時期に本格的に使い、中高年層の候補者でも受検の完了率が高いまま保てた。

人事が初回面接にかける手間は大きく減り、AI面接を通じた採用も複数生まれて選考のスピードが上がった。

ライブイベントのチケットは買う側の思い入れが強く小さな疑問でも不安につながる。

出品者も在庫も絶えず動くので問い合わせが集中して待ち時間が生まれていた。

1. Sierraで作ったAIエージェントを基幹システムとつなぐ
2. ログイン中の利用者を見分けて注文内容を呼び出す
3. よくある相談はその場で片づける
4. 答えが分からないときは確認する言い方を返す
5. 人の担当者は個別の相談と原因の修正に回る

AIだけで対応が終わる割合が40%増え顧客満足度は35%上がった。

担当チームは順番待ちの処理から原因の修正や新しい取り組みへ移った。

83か国へ広がる売上の伸びに合わせて問い合わせ対応を増やす必要があった。

扱うブランドや市場ごとに求められる話し方も違っていた。

1. Sierraで作ったAIエージェントを問い合わせ窓口に置いた
2. 返品では顧客情報を突き合わせて本人確認まで進める
3. 地域ごとの好みに合わせ応答する言語や手順を切り替えた
4. 自社らしい丁寧で親しみのある言い回しに調整した

短い期間で受け答えを任せられる状態になった。

売上の伸びる速さに合わせて対応する言語や手順を広げられるようになった。

自社ECに加えてYahoo!

ショッピングや楽天市場など複数のモールの問い合わせを別々に管理していたため対応状況が見えなくなっていた。

返信用のテンプレートも担当者ごとのやり方に偏り、data分析が進まなかった。

1. 各ECモールやLINEの問い合わせをRe:lationに集約した
2. タイムライン形式で対応状況を見えるようにした
3. 過去の応対ログを読み込ませ担当者に回答案を出す形にした
4. よくある質問はRe:Chatで自己解決に回した
5. ダッシュボードで解決できた数を数え改善につなげた

これまで数時間、内容によっては翌日になっていた回答が数分で終わるようになった。

チーム全体の対応品質が上がり、工数も大きく減った。

UNDER ARMOURの公式ECは商品数が多く、用途やサイズや素材の情報をシナリオへ入れる手間が増えていた。

事業が広がるほど更新の負荷が高まり、作業が顧客満足に結びつかなくなっていた。

1. シナリオ検索型から生成AI型のChat Plusへ切り替えた
2. 商品の用途やサイズや素材の情報を学習させた
3. 有人チャットや電話とメールの問い合わせも学習元にした
4. プロンプトを決めて回答を試し直す流れを続けている
5. 10店舗のスタッフが投稿したコーディネートも読ませた

チャットボットを通った人の一訪問あたり売上は、通らない場合と比べて約7倍になった。

回答を出せた割合は9割前後まで上がった。

問い合わせ対応の道具がばらばらで担当者は10以上のタブを行き来していた。

待ち時間は15〜20分まで伸び一次解決率も上がらなかった。

1. Zoom Virtual Agentで客が自分で解決できる窓口を作った。
2. 解決しない問い合わせはAIがまとめて担当者へ渡す。
3. 通話中はAI Expert Assistが合う記事や資料を出す。
4. 通話後の要約とチケットはZoom AI Companionに任せた。
5. シフト作りや通話の評価にもAIの分析を使った。

電話の放棄率が90%下がり待ち時間は15〜20分から2分未満になった。

問い合わせの50%は担当者につながずに解決している。

冬の3〜4か月に売上と問い合わせが集中し毎年季節スタッフを雇って教え直す必要があった。

店舗にいる詳しいスタッフの知識をネット上の接客で出せないことも困りごとだった。

1. Sierraで作ったAIエージェントをまず返品の問い合わせに使った。
2. 答えられる範囲が広がり商品ページでの相談にも広げた。
3. 腕前や雪質や行くスキー場を聞いた上で板やブーツを勧めた。
4. 答えきれない会話は人の担当者に引き継いだ。

Sunnyとの会話の満足度は90%で人に引き継いだ会話の68%を上回った。

Sunnyと話した客の購入率は話していない客の3倍になりこの冬は季節スタッフを新たに採用していない。

新しいブランドラインを作るには企画も広報もデザインも要る。

少ない人数で早く形にする進め方が必要だった。

1. 生成AIの基盤Maison AIの上に22体のAIエージェントを用意した。
2. 役割をブランドディレクターやPRやデザイナーや買い手に分けた。
3. 人はディレクター1名だけが入り相談しながら決めた。
4. 買い手役のエージェント同士を会話させて悩みを拾った。
5. 最後に決めるのは人が担った。

担当1名と22体のAIエージェントで新ブランドラインNAVYNAVYを立ち上げた。

少人数のまま企画から売り方まで速く決められた。

人事担当が約2年ごとに入れ替わる体制で引き継ぎと新任者の育成に毎回大きな手間がかかっていた。

ノウハウが溜まらず面接官ごとに面接の質がばらついていた。

1. 面接のカレンダーに共通アカウントをゲストで足した
2. ACES Meetが自動で入って録画する
3. 録画と文字起こしと要約を1つの画面にまとめた
4. 要約はプロンプトで見たい観点を指定して取り出す
5. 迷う面接は関係者で見て意見を出し合う

使い始めて2ヶ月の時点で承諾率が全体で約2%上がった。

カジュアル面談でもメモ取りを気にせず会話へ集中できるようになった。

ガソリンや運送の業者から1日200〜500件、多い日は700件の請求書が届いていた。

担当者はメールを開いて取引先IDを調べ、1件3〜5分かけて手で入力していた。

1. botが請求書付きメールを読み、請求書以外は担当者へ回す
2. OCRでページの頭と終わりを判別して請求書を1ページずつに分ける
3. Document Understandingで日付や番号や金額や支払期日を読み取る
4. 運送業者の船荷証券の項目はAI Centerで学習させて拾えるようにした
5. 確度95%超は照合キューへ自動で送り、下回った分は担当者が確かめる

本番で使い始めると請求書の93%が人の手を通らず照合のキューまで流れるようになった。

1件3〜5分かかっていた処理は数秒で終わるようになった。

商品やレシピの情報は本社で作られ部門ごとにばらばらに管理されていた。

店舗へ十分に伝わらず、経験の長いスタッフに社内からの質問が集中していた。

1. 既存のMicrosoft 365ライセンスを土台にする
2. Teamsの中に社内向けチャットボットを置いた
3. 社内情報をAIが検索して答えるRAGを組む
4. 足りない部分だけAzure OpenAIを足した
5. Copilot Studioで担当者が直せる形にする

夜間や休日も含めて社内の質問にAIが答えるようになり、ベテランへの問い合わせの偏りが減った。

スタッフは接客や店舗運営といった本来の仕事に時間を回せるようになった。

それまでのシナリオ型チャットボットでは、内容が複雑で幅の広い問い合わせに答えきれなかった。

夜間の受付には人を置く必要もあった。

1. 住宅設備サイトのWeb接客にAIアバターを入れた
2. キャラクターが用件を聞き取る対話の流れを設計した
3. 案内までつなぎCVボタンから申し込みへ進む導線を用意した
4. 夜間も含め24時間そのまま受け付ける形にした

導入から1か月で問い合わせ受付数が従来の2倍、約2,000件/月になった。

そのうち約半数が夜間の利用で、夜間対応の人員3〜4名分にあたる削減につながった。

グループ全体で業務の無駄を減らしたいが、社員ごとにAIの使い方がそろっていなかった。

ガイドブックや社内規定は量が多く、必要な情報にたどり着くまで時間がかかっていた。

1. 社内公募で集まった46名でプロジェクトを立ち上げた。
2. 動画で使い方やプロンプトを社員へ配った。
3. 全社員にGeminiの有料版を配って毎日の業務で使うよう呼びかけた。
4. ガイドブックと社内資料をRAGに読み込ませ問い合わせを検索に置き換えた。
5. ベトナムの開発拠点ではGitHub Copilotを開発に使っている。

2025年4月の社内アンケートでは月に数回以上使う社員が95.18％になり、ひと月で6,268時間を生み出した。

年間に直すと75,216時間で、AIロープレの導入により研修運営の管理者負担も約30%減った。

ECの商品説明文を1本作るのに20分かかっていた。

スタッフスナップの写真も撮影が必要で用意に手間がかかっていた。

1. グループの複数の部門にMaison AIを入れた。
2. 商品説明文とSNS投稿の文章づくりに使う。
3. 実写の撮影に代えてスタッフスナップの画像をAIで作った。
4. 管理部門では社内チャットボットとして質問に答えさせた。
5. ブランドらしさを覚えさせたAIの担当役を部門ごとに使い分ける。

EC商品説明文を作る時間が20分から約3分に縮まった。

AIで作ったスタッフスナップは実写と同等の売上効果が出た。

ネットスーパーでは商品名やカテゴリ名に無い言葉で検索すると商品が出てこなかった。

手でタグを付ける方法はあるが商品点数が多く運営担当の負担が大きかった。

1. 商品名とカテゴリ名と説明文を生成AIへ渡した。
2. 検索されそうなキーワードをAIに洗い出させた。
3. 出てきた言葉を検索タグとして各商品へ自動で付けた。
4. モデルはGemini 2.0 Flashを使った。
5. 新しいモデルが出たら乗り換えられる作りにした。

タグが付いている商品は全体の約1.5%から約95%になった。

検索しても商品が1つも出ないゼロマッチは18%減った。