経理・総務・法務のAI活用事例

スキャンした領収書のフォルダをそのままChatGPTに渡してチェックリストを作らせたところ、紙で受け取った領収書のスキャン画像まで電子取引データとして扱われていた。

フォルダに入っているものはすべて対象という前提でAIが判断していた。

1. ファイル名の先頭に電子か紙かの区分を手作業で書き込む
2. ChatGPTに電子_のファイルだけでチェックリストを作らせる
3. 出てきたリストの件数をフォルダ側の件数と照らす
4. タイムスタンプの付与期限など日付は自分で数え直す

区分を先に決めてから任せる順番に変えたことで、対象外の書類が紛れることはなくなった。

今回は38件が電子取引のデータ、残る12件は紙をスキャンしたもので対象外という分かれ方だった。

月次の報告でこの話を共有し、上司から制度対応の精度を評価された。

メールやマニュアルを手で作る仕事が多く、時間がかかっていた。

会議の議事録は仕上がるまで2日かかっていた。

1. 複数のサービスを比べ社内データを参照できるRAG機能を持つChatSenseを選んだ
2. まず5〜10名で試し効果を確かめた
3. パソコンを使う社員全員が使える形に広げた
4. 議事録やメール、マニュアルの文面作成をAIに任せ担当者が中身を確かめて直す
5. 繁忙期に集中する契約書類のチェックにも使っている

2日かかっていた議事録が当日中にできるようになった。

繁忙期には月50件を超える契約書類のチェックにも使えている。

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。

社内法務デスクでは、AIの答えの精度を上げても最後に人の承認が要る流れのままで、使い続けてもらえないという壁があった。

1. 自社開発のZia LLMを土台に問い合わせ受付エージェントを組む
2. 担当者ごとの抱えている量と過去の対応記録を読ませる
3. どの担当に回すかを自動で決めさせる
4. 人は承認ではなく振り分け後の中身の判断に回る
5. 複数の大規模言語モデルに対応させ社内の文脈に合わせる

問い合わせの流れが滞らなくなり、業務の効率が15〜25％上がった。

Ziaのエージェントは登録企業が約9,000社、作成数は約19,000件に達している。

難しい問いにぶつかるたび弁護士を増やして時間をかけて表を作るやり方しかなかった。

20時間かけて資料を作る手間を考えると聞きたいことを聞けない場面も多かった。

1. 書いた却下の申立書をHarveyに入れる。
2. 相手方がどう反論してくるかを挙げさせた。
3. 出てきた指摘を手がかりに中身を練り直す。
4. 物件の書類一式を読ませ順守事項のチェックリストを作らせた。
5. 直近100件のローンに条項が何回出てくるかを調べる。

依頼者は自社の物件について契約上の義務だけでなく行使できると知らなかった権利まで短い期間で把握できた。

人手をかけていたリース概要の確認も大きく短くなり、弁護士は戦略や助言に時間を回せるようになった。

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。

半導体需要の伸びで契約審査の依頼が月約90件まで増え、その約3割を占めるNDAに時間を取られていた。

社内の生成AIはリスクを挙げるだけで、修正履歴やコメントを入れたWordファイルまでは作れなかった。

1. 自社のひな形と過去の審査実績をまとめる
2. AIが判断する審査基準（プレイブック）を組み立てる
3. 相手方の契約書を読ませ自社ひな形との違いを比べさせる
4. 各条項の可否を判定させ修正案をWordの修正履歴で出力させる
5. 出てきたWordを確認し必要な箇所だけ直して審査に乗せる

英文NDAの確認から修正案作成までが約2時間から約10分になった。

和文英文を合わせたNDA審査の工数は従来の約5分の1に減り、空いた時間を取引基本契約など重い案件に回せるようになった。

NASDAQへ上場してSOXの対象になり、経理の処理に厳しい統制が求められた。

残高の照合はExcelで回しており拠点ごとに3〜4日かかっていた。

1. 人事と経理をWorkdayへ集約しデータと監査の記録をそろえた
2. 残高の照合をWorksheetsとLive Reportsでの突き合わせに置き換える
3. Workday Contract Intelligenceを契約書の確認に入れた
4. 契約書を社内ルールと突き合わせ注意が要る箇所に印を付けさせる
5. 汎用のAIエージェントにレポートと請求書の添付を見比べさせた

Excelでやっていた残高照合は元データを直せばレポートを更新するだけで終わるようになった。

AIエージェントは経理が手でやっていた請求書の突き合わせを自分で画面を動かしてこなした。

ライセンスは全社に配ったものの、使い道が議事録の要約とメールの下書きで止まっていた。

どの業務のどこを置き換えるかが各社員任せで、成果に個人差が出ていた。

1. 総務課の122業務をすべて書き出した
2. 頻度と年間作業時間から効果の大きい23業務を選んだ
3. 誰がどの資料で何分かけるかを工程ごとに聞き取った
4. Copilotに任せられる工程だけを切り出し操作を見せた
5. 捺印請求ではPDFから4項目を理由つきで判定させた

選び出した23業務は合計で年間約1,842時間かかっていたが、そのうち約373時間（20.3%）が浮いた。

捺印請求の確認は元が年間600時間で、155〜220時間（25.8〜36.7%）分が軽くなった。

総務本部では毎月同じ定型作業を1件ずつ手で処理し月に何時間もかかっていた。

生成AIへの関心はあったが何から手をつけるか決められずにいた。

1. エンジニアが現場で担当者と話し業務の流れを洗い出す
2. 文章作成や情報整理の作業を生成AIに任せる部分として切り出す
3. 既存の業務の流れに組み込む形で自動化を設計する
4. 最後の確認は人が行い品質を保つ
5. 運用マニュアルをそろえ担当者が自分で回せるようにする

複数の部署にまたがる計7テーマの自動化が動き出し、毎月繰り返していた作業の時間が減った。

担当者が自分で運用と改善を続けられる状態になり、他部署へ広げる土台もできた。

電子帳簿保存法に合わせて請求書や見積書をGoogleドライブへ1枚ずつ上げ、ファイル名や検索用ラベルを手で打ち込んでいた。

月およそ1,000件に達し、複数人で毎月約30時間かかり、月末月初は残業や入力ミスが生じていた。

1. 全社のGoogleドライブ環境はそのまま残す
2. 専用のAI-OCRと自動仕分けの仕組みを外部に作ってもらう
3. 書類画像を取り込みAI-OCRで記載内容を読み取る
4. ファイル名と属性情報を自動で付け所定の場所へ振り分ける
5. 担当者は読み取り結果を最後に確かめるだけにする

手入力の作業工数は感覚値でこれまでの1/10程度になり、毎月約30時間の負担が減った。

入力ミスや分類のばらつきも抑えられ、空いた時間を生成AIの取り組みなどに回している。

毎月ほぼ同じ内容の経費精算の社内案内メールを一から書いていて、言い回しに迷う時間がかさんでいた。

月次処理の報告書も書き出しを考えるところで手が止まりがちだった。

1. 自分の仕事を頻度・手順化・影響の3つで仕分ける
2. 最初の1つとして経費精算の案内メールを選ぶ
3. 毎月の書式と伝える内容をChatGPTに渡し下書きを出す
4. 数字と固有名詞は自分の目で確認し手直しする
5. 同じやり方を月次報告書とマニュアルの下書きに広げる

文面を考える時間が体感でかなり短くなり、書き始めるまでのためらいも減った。

マニュアルを渡した後輩からは手順の確認ではなく判断の仕方を聞く質問が増えた。

部署間の請求書共有をチャットで行っていたため、依頼の投稿が他の会話に埋もれて支払いが遅れる恐れがあった。

経理は履歴から請求書を探す手間がかかり、依頼した側も支払日が分からなかった。

1. 請求依頼を送る専用の入力フォームを用意した
2. 送られたデータを既存のクラウド環境へ自動で整理した
3. スプレッドシートで進捗を一覧表示にした
4. 申請受領時と振込完了時に社内チャットへ自動通知を飛ばした
5. ドライブ内の請求書PDFをAI文字認識で読み取り支払データへ変換する

支払い漏れの発生リスクはゼロを維持し、請求書の検索や支払完了の確認にかかる年間12時間を削減した。

支払日の個別確認のやり取りも不要になった。

5年で従業員が約5倍に増えSlackや個人のメモに情報が散らばっていた。

最新版がどれか判断しづらく詳しい人に聞きにいく時間が毎日のように生まれていた。

1. Notionに全社ポータルと部門スペースとゲストスペースを作った。
2. 部門ごとにNotion大臣を置き運用を支える体制にした。
3. マニュアルや早見表を1か所にまとめ図もNotion AIで作れるようにした。
4. エージェントに入力と処理と出力先をスキルとして先に決めた。
5. 利用レポートは集計から考察まで自動で作り担当者が中身を確かめる。

月間のアクティブメンバーは96%でAI活用率は91%になった。

約1時間かかっていた利用レポートの作成は数分で終わるようになった。

専任のヘルプデスクがなく社内の情報が人に依存していたため、申請ルールや制度の確認が詳しい社員に集中していた。

新しく入った社員は聞きづらさから手が止まることもあった。

1. Microsoft 365との相性を見てCopilot Studioを選んだ
2. 社内向けチャットボット「Ringrow総合窓口」を作った
3. 社内規程と申請フローを読み込ませた
4. 福利厚生の制度や各種マニュアルも入れた
5. 総務や経理が元の文書を整理し更新のたび反映する

2026年5月1日に運用を始め、総務や労務まわりの問い合わせを中心に24時間その場で答えが返るようになった。

今後は問い合わせの記録から、社員がつまずく場所や分かりにくい制度を洗い出す。

管理規約を改める際は現行の規約と国の標準管理規約を1条ずつ突き合わせる必要があり、1物件で数十〜100時間規模の手作業が発生していた。

標準管理規約の見直し間隔が短くなり、担当者の負担がふくらんでいた。

1. 構造が単純な1物件をモデルに選んで試した
2. 現行規約と標準管理規約を読み込ませる
3. 条文ごとの自動比較と差分の抽出を行う
4. 改正案のドラフトと新旧対照表を作らせる
5. 4回のやり取りで修正を反映させた

条文比較と改正案作成の作業が約100時間規模から20〜30時間ほどになった。

成果物の精度は初版で約85点、繰り返し直した後は約90点に達し、R社は本発注を決めた。

拠点が分かれた総務部で業務が属人化し、人を増やさないまま現場の事務処理を引き受ける必要があった。

メール1通に1時間かけるなど、丁寧すぎる確認作業が時間を奪っていた。

1. 2024年5月に複数のAIツールを比べて1つを選んだ
2. ログ記録とアクセス制御が効く点を決め手にした
3. 社内規定のPDFを読ませて回答精度を確かめた
4. メール末尾にAIが書いた旨を添えてよいことにした
5. 会議で議題をAIに説明させ参加者が順に質問した

総務部全体で約15%の業務効率化ができた。

増員せずに仕事量の増加をこなせたため、人件費を抑えた分が約9,500万円の利益に相当すると見積もられ、間接部門として初の社長表彰を受けた。

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。

Dentsuの法務・コンプライアンス部門は250人で、約120の国と地域の契約を抱えている。

人を増やさないまま処理量を上げる必要があった。

1. HarveyをOutlookやWordやSharePointと連携させた
2. 弁護士が普段使う画面のままHarveyを呼び出せるようにした
3. 契約書をHarveyに読ませて論点や隠れたリスクを洗い出す
4. 112件の変更覚書がある契約の初期レビューと文書作成を任せた
5. 外部の法律事務所とヴォールトを共有し同じ場で作業する

弁護士の93%が毎週Harveyを使い、1人あたり週4〜10時間が浮いた。

データ保護影響評価のエージェントは工程を75%短くし、外部弁護士に頼る場面も減った。

年間およそ2万件の受注データについて、出荷や請求の内容と食い違いがないかを人の目で1件ずつ確かめていた。

品番の表記ゆれや単位の違いなど例外が多く、3名が確認作業に時間を取られていた。

1. Slack上のやり取りで受発注まわりの流れを整理した
2. データ突合を自動化する突合.comを導入した
3. 受注と出荷と請求のデータを機械側で照合させた
4. AIのマッチングで表記ゆれや単位違いも拾えるようにした
5. 人は弾かれた例外だけを確かめる役割に変えた

3名で回していた受注チェックが1名体制になり、業務時間は約半減した。

空いた人手は品質管理や新規取引先の開拓に回している。

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。

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。

現場に送る商品の荷札は基幹システムの出力をExcelに打ち直し紙に印刷して切る手作業だった。

検収書も東京だけで1日10件が手書きで写真の整理まで含めると負担が大きかった。

1. 外部の生成AI顧問と契約しSlackで相談できる体制を作った
2. 基幹システムのCSVをスプレッドシートに貼りGASで項目を抜き出した
3. 抜き出した項目をラベル印刷サービスに転記する流れに変えた
4. 検収書はGoogleフォームで入力と写真を受けDocxを出す仕組みにした
5. 会議はNottaで録りChatGPTで整えてやることリストまで出した

荷札作成の工数は90%減り、入社1カ月の社員でも作れるようになって全拠点に広がった。

IT調達の見直しで約10万円のコスト削減につながり、社内のAI利用者は17名以上になった。

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。

クライアント側も生成AIを使い始めたため法律事務所として何ができるかを把握する必要があった。

大量の資料を読み込む作業にも時間がかかっていた。

1. 複数の生成AIを比べてHarveyを選ぶ
2. 300人の弁護士で試験運用を行う
3. 実際の案件で契約書を読ませ論点の一覧を作らせた
4. 社内の法務テック担当が研修と実務への組み込みを進める
5. 出てきた論点や下書きを弁護士が確かめて仕上げる

3,000人を超える弁護士のうち95%以上が実際に使う状態になり7,200人の全社へ広げた。

以前より大きな量の資料を短い時間で確認できるようになった。

毎月4,000枚を超える請求書が届き、取引先や内容ごとに違う科目と明細を経理担当が1枚ずつ手で入力していた。

年間1,344時間かかるうえ、入力の細かい決まりが口頭で引き継がれ担当者に依存していた。

1. 届いた請求書データをTOKIUM AI明細入力に読ませる
2. 明細と仕訳の入力をAIに代行させる
3. 経理担当が出てきた仕訳を確認し違う所だけ直す
4. 直した内容をAIが覚え入力の決まりが形に残る
5. TOKIUMインボイスとアシスタントと組み合わせて回す

支払完了までの期間が4週間ほどから1週間程度に短くなった。

TOKIUM利用前と比べて年間912時間の工数削減が見込まれ、担当者に頼る状態の解消も進んだ。

契約する300箇所以上の健診機関からそれぞれ違う様式の紙の結果が届き約40項目をExcelへ手で打ち込んでいた。

年末年始は1ヶ月で2,000件に達し産業医へ3ヶ月以内に報告する期限がぎりぎりになることが多かった。

1. 届いた紙の結果を複合機でPDFにする
2. PDFをフォルダへ入れて全国の拠点の担当者と共有する
3. 担当者がDX Suiteに読み込ませてデータ化した
4. 同じ担当者がそのまま中身を確かめる
5. 単位は読ませず数字だけを取り出すよう設定した

1件あたりの処理時間が15分から4分になり11分短くなった。

年間3,500時間かかっていた業務がおよそ1,000時間になり年間2,500時間を減らせたうえ細かな入力ミスも1件も出ていない。

事業が広がり月に3000〜4000件の経費明細の確認と年間約2700件の出張申請が発生していた。

管理部門の負担が重く、現場のマネージャーが本来の仕事に時間を回せなかった。

1. 外部委託向けに文章化していた経費チェックのルールをAIに覚えさせた
2. 申請と証憑をAIが先に精査する流れに変えた
3. 不備のある申請は自動で差し戻す設定にした
4. 上司には整った申請だけが届く仕組みに切り替えた
5. 出張の事前申請から宿泊や交通の予約までAIに任せた

上司の前にAIが一次チェックを入れる流れに変わり、管理者は心理的な負担なく重点確認だけに集中できるようになった。

経費承認と出張手配にかかる手間の大きな削減が見込まれている。

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。

経験のある弁護士が初稿づくりや書類の確認に多くの時間を取られていた。

やり取りはメールや変更履歴に散らばり大事な場面で手間になっていた。

1. 導入前に情報の扱いと安全面を社内で審査した
2. データをドイツ国内で暗号化して置く条件を確かめた
3. 法務の弁護士全員がHarveyを日常の仕事で使う体制にした
4. 若手は条項の下書きと報告書の問題点の洗い出しに使った
5. 戦略やリスクの最終判断は弁護士が担う

法務チームの弁護士全員が日常の仕事でHarveyを使うようになった。

若手は毎日まとまった時間Harveyを使い弁護士は戦略やリスクの判断に時間を回せるようになった。

海外の取引先と英文メールをやり取りする機会が多く、契約書や質問票の確認にも時間がかかっていた。

従来の翻訳ツールは直訳が中心で、言い回しやニュアンスの調整は担当者の英語力に頼るしかなかった。

1. 英文メールは問い合わせ内容や納期の前提をAIに渡す
2. 相手や状況に合う言い回しに整えさせる
3. 契約書や質問票は要点を抜き出させ担当者が最終判断する
4. 会議は録画データを渡して議事録にまとめさせる
5. 法令確認や社内規程との突き合わせも下書きを作らせる

文書まわりの業務時間は約70％減り、長い文書から要点をつかむ速さと意思決定の速さが上がった。

まずAIに聞くという進め方が社内に根づいた。

配送のたびに出る紙の伝票を経理の担当者が一枚ずつSAPと突き合わせて保管していた。

毎日何人もの担当者が昼から深夜まで作業に張り付き休みの予定も崩れていた。

1. 直販や代理店経由など様式が違う伝票をまとめてUiPathに読ませる
2. 書類を自動で仕分けして必要な項目を取り出す
3. 取り出した項目をSAPの記録と照合する
4. 署名と印を機械が見つけやすいよう帳票の様式を先に作り直した
5. 読み取った内容を基幹システムへ登録し人は外れた分だけ確認する

年に1000時間を超えていた残業がゼロになった。

帳票を作り直したことで読み取りの正確さは97%を超えた。

900以上の医療機関から届く120種類の書類と2万件のファックスコードを人が処理していた。

入力ミスの危険と人の定着の悪さが重なっていた。

1. 種類がばらばらの書類をUiPathに読ませて必要な項目を取り出す
2. 取り出したデータを取引先の電子カルテと請求システムへ渡す
3. 患者の医療情報はAI Trust Layerで囲い権限を管理する
4. 生成AIの使い方も同じ仕組みで見張る

人手でやっていた処理のうち約40%を自動に移した。

請求のサイクルが早まり処理にかかる費用も下がった。

5社の合併前に各社がばらばらに保管していた8万5000件の契約書を期限管理も含めて一つにまとめる必要があった。

担当者の異動で交渉の経緯や背景が失われ、事業部門が契約内容を確認しにくい状態でもあった。

1. 紙で残っていた契約書をデータ化する
2. 締結済みを含む契約書をHubbleに集約する
3. 必要項目と独自項目をAIの自動入力で埋める
4. 更新期限の通知を設定する
5. 審査依頼から作成と保管までを同じ場所でつなぐ

紙と電子が混ざっていた契約書が一つの場所にまとまり、内部統制が強まった。

事業部門や経営層が契約の中身を理解したうえで動けるようになり、リスクの管理もしやすくなった。

請求書の照合は150を超える取引先プログラムごとに決まりや承認の流れが違った。

書式が予告なく変わるたびに自動化が止まり担当者の手作業と引き継ぎが増えていた。

1. UiPath Document Understandingで請求と送金の情報を読み取らせた
2. 読み取った内容をまとめてOracle PeopleSoftで照合させた
3. ETLの処理と管理表の更新まで機械に任せた
4. 列の追加や並びの変更はエージェントが決まりに沿って判断する
5. 判断できないものだけ担当者へ回す

担当者は毎週の照合作業から解放され顧客への助言や新規取引先の立ち上げに時間を回せるようになった。

技術者も壊れた自動化の手直しから離れ他の経理業務へ自動化を広げられた。

社員が個人の無料アカウントで生成AIを使い始め、図面や見積もりなどの機密情報が漏れる心配があった。

人手不足でシステム部門の人員も足りず、新人は会議の議事録づくりに時間を取られていた。

1. 入力が学習に使われない法人向けAIを50アカウントで導入した
2. 稟議書と添付資料をトライアル環境で作らせ経営層の承認を得た
3. 会議の録音データを渡し文字起こしと要約を指示する
4. 分からない専門用語はその場でAIに解説させる
5. 要点を人が確かめ先輩に確認して議事録を仕上げる

1時間の会議の議事録作成が2時間近くから15分足らずになった。

新人がいつでも質問できる相手を得たことで先輩の教育負担も減り、若手がベテランのAI利用を手伝う関係が生まれた。

経理では引当や配分の処理に何百時間もの手作業がかかっていた。

人事の書類移行も1件ずつ落として上げ直す必要があり、事業を広げる妨げになっていた。

1. 100万ドルを超える取引の監査用資料作りをロボットに任せた
2. 人事の書類を古いシステムから新システムへ自動で移した
3. 注文書の署名確認はDocument Understandingに読ませた
4. 顧客と自社の署名がそろっているか判定させる
5. 人は出てきたデータの確認と承認だけを担う

売上の監査資料作りは数日がかりから数時間になった。

書類の移行も少なくとも5か月かかる見込みが約12日で終わり、決算の締めは最大50%速くなった。

Microsoft 365とDropboxを併せて使っていたため情報が別々の場所に散らばっていた。

AIを入れたくても費用とセキュリティが引っかかっていた。

1. 入力が学習に使われない点を見てGoogle Workspaceへ移した
2. ひな形の無い契約書はGeminiにたたき台を書かせた
3. たたき台の中身は弁護士が詰める形にした
4. 電話の内容をまとめる専用のGemを作り要約を任せた
5. 過去の資料はドライブとDeep Researchで探せるようにした

ひな形の無い契約書のたたき台は2〜3時間かかっていたのが10〜15分程度になった。

入って間もない担当者でも長く勤めた人と変わらない正確さで報告を出せるようになった。

多数の顧客をまとめて価格改定したくても、通知の決まりや上限や同意の要否が900件超の契約文書に埋もれていて調べようがなかった。

前の年の似た作業では10人を2週間借り出し手で表に写していた。

1. 調べたい顧客の文書をツールに指定する
2. ツールがSalesforceから該当する契約を取り出す
3. 欲しい項目を自然言語のプロンプトで指定した
4. 条件を変えたいときは文章を書き直す
5. 抽出した内容は人が確かめてから使った

必要な内容が数時間で段落ほどの要約にまとまり、この業務だけで800時間超を減らした。

価値が出るまでの時間は99%速くなり、試作からまもなく本番へ移った。

月末に経費精算が集中し毎月500〜600行の承認作業が経理部門の重荷になっていた。

不備の差し戻しや申請者への確認連絡に時間を取られ月次決算に手が回らなかった。

1. 経費精算の承認にTOKIUM AI経費承認を入れた
2. 申請内容と証憑をAIが読み取り一次承認か差し戻しかを判断する
3. 不備がある申請の差し戻しもAIが代わりに行う
4. 経理担当者は最終確認に回る
5. 出力の精度を上げるルール作りとAIへの教育を続けている

毎月16時間かかっていた承認作業が2時間で終わるようになり、年間で約170時間の削減を見込む。

申請者とのやり取りも減り、見落としのリスクも下がった。