マーケティング・広報のAI活用事例

新サービスの立ち上げでドライバーを一気に集める必要があった。

運転中でPCを開かない相手には従来のやり方が届かず、自前のLINE運用も手順が固まらないまま管理の手間が増えていた。

1. LINE公式アカウントの拡張ツールKUZENを入れた
2. 人材紹介システムのJOB階層とリアルタイムでつないだ
3. 希望の職種とエリアを選ぶと募集中の求人だけ表示する
4. 面談希望時間の聞き方をボタン選択に変えた
5. シナリオを作り直しABテストを続けて直している

有効エントリー数が導入前の2.6倍になった。

電話がつながる割合が上がって面談実施率は2倍になり、内定承諾のCPAは求人媒体の1/2・Web広告の1/4に収まった。

AI検索で自社サービスが紹介されているかを調べるため、複数の生成AIに担当者が手でプロンプトを打ち込み、回答をスプレッドシートにまとめていた。

工数が重いうえ、担当者ごとに回答が寄ってしまい客観的な数字が取りにくかった。

1. フロント向け2サービスの商材カテゴリーを軸にプロンプトを20個用意する
2. LLMリサーチでサービス名の出現割合とURL引用割合の2指標を測る
3. API経由で定期的に計測しレポートをワンクリックで出す
4. リスティング広告のデータを見て検索意図に近い言い回しへ直す
5. 人は数字を読んで次の打ち手を決める部分に回る

特定のプロンプトでのブランド露出率が導入前の水準と比べて130％になり、全リードに占めるAI起点リードの含有率は半年間で30％増えた。

集計の手間が減り、分析や打ち手を考える時間を増やせた。

カタログや施工事例の画像と資料が複数のストレージやExcel台帳に散らばり、目的の素材を見つけるには全データを落として一つずつ目で確かめるしかなかった。

誰がどのファイルを編集できるかもはっきりせず、価格改定時の更新や制作会社とのやり取りにも時間がかかっていた。

1. カタログと施工事例の2つを対象に管理基盤を組んだ
2. 既存データを移し替えてSSOをつないだ
3. フォルダ構造と閲覧・編集の権限を設計した
4. 検索やプレビュー、タグ付けを現場に合わせて整えた
5. 読み取り専用の利用者を設けて誤編集を防いだ

販促を担う部署の約20名が毎日の仕事で使う状態になり、素材探しのために全データを落とす手順はなくなった。

同社はこの部署の仕事の重さを2名分ほど減らすことを目標に置いている（数値での効果測定は今も続けている）。

GA4や定型レポートでページビューなどの個別の数値は見えても、訪問者がどこから来てどのページを通り次に何をしたかという流れがつかめなかった。

そのためサイトの直し方が感覚頼りになっていた。

1. サイト分析にデタクルを導入する
2. GA4からBigQueryへ出したデータを期間やページで絞って取り出す
3. 取り出したデータを生成AIが読める形に整えて渡す
4. 流入元や経由ページ、端末別の行動差の切り口で結果を出す
5. 結果を対話で掘り下げて改善案にまとめる

集計値だけでは気づけなかった行動が見えるようになり、サイト改善の新しい仮説が出せるようになった。

レポートを報告して終わりでなく、データを根拠にボタンの大きさなど具体的な直し方をその場で話し合えるようになった。

決算説明会の動画配信から英語翻訳、英語ボイスオーバー、公開までに1〜1.5か月かかっていた。

海外投資家から英語版を早く見たいという声が出ていた。

1. 説明会を収録し音声を書き起こして英語へ翻訳する
2. 翻訳原稿から社長の声に似せたAI英語ナレーションを作る
3. 口の動きも合わせた英語版動画に仕上げる
4. スケジュール表をもとに社内対応と外部委託の工程を分ける
5. 臨時の説明会では一部収録を自社で行い最短の形を決める

公開までの期間が従来の1〜1.5か月から最短1週間程度になり、国内と海外への情報提供のタイミングをほぼ同じにできるようになった。

個人投資家からは「もう出てるぞ」といった声が届き、海外からの催促も減った。

SEO記事はキーワード選びから競合調べや執筆をへて入稿まで工程が多い。

1本あたりの時間と費用がかさみ、外注すれば1記事数千円〜1万円かかっていた。

1. 人がキーワードを決め以降の工程をAIエージェントに渡す
2. 上位記事の見出し構成と文字数を調べH2/H3の構成案を作る
3. セクションごとに文字数を割り振り本文を書く
4. 11体のサブエージェントが観点別に並行で校閲する
5. 基準未達なら修正エージェントが直し再び校閲に回す

2025年から自社で回し続けた結果、月間3万PVを記録し複数のキーワードで検索上位を取った。

企業向け提供版のAPI利用料は100記事あたり約5万円前後が目安になっている。

ユーザー理解の深さに社員ごとの差があり、共有したインタビュー記録は興味のある人しか読まなかった。

実際のヒアリングは設計から資料作成まで5日かかっていた。

1. 100名規模のインタビューから声を抜き出した
2. 個人が分からないよう削除や抽象化をした
3. 5〜8名分ずつ束ねて人格を設計した
4. カスタムエージェントを12個作った
5. ペルソナ5人に総評を頼み良い点と気になる点を出させる

ユーザーヒアリングにかかる日数が5日間から1日になった。

ユーザーの目線で考える動きが一部の社員から事業本部の全員へ広がった。

TOBU POINT IDで乗車や買い物のデータが集まり顧客の姿は見えてきたが、その情報を使った販促の精度を上げきれずにいた。

狙う顧客を決めるまでの検討にも時間がかかっていた。

1. 会員データと改札データ、購買データを共通IDでつなぐ
2. AIエージェントに渡し月別や曜日別、時間帯別の属性を設計させる
3. 購入金額のカテゴリ比率から志向や沿線利用のタグを付ける
4. キャンペーン反応確率の予測モデルで反応しそうな人を先に選ぶ
5. 既存のCDPやMAは残し判断する部分だけAIで足す

機械学習で1,000以上のタグが自動で作られ、鉄道と流通をまたいだ顧客像を描けるようになった。

反応が見込める顧客に優先して案内を届け、関係の薄い通知は減らせる見通しになった。

主力サイトのパンフレット専科がサーバー障害で検索流入を落とし、社内にエンジニアがおらず原因をつかめなかった。

メディア露出が少なく、AI検索では社名やサービス名が他社と取り違えられていた。

1. 表示速度改善や構造化データの実装など技術面を直した
2. 都道府県名を含む地域向けページを新規に作り既存ページも直した
3. 監修者情報ページを設け受賞歴や制作実績を数字つきで載せた
4. サービスページが無かったサイトに新規でページを作った
5. コラムの下書きをAIに任せ公開のペースを保った

毎月1〜2件のペースでAI検索からの問い合わせが届く状態になり、そのうち6件が商談へ進んで成約した案件も出た。

ホームページ制作専科もオーガニックセッションが月320から1,150へ伸びた。

SEOの提案では競合サイトや流入キーワード、検索ボリュームを調べて提案の材料にまとめるまでに時間がかかっていた。

受注前の商談では、調べる深さと手間のつり合いが取れなかった。

1. Ahrefs連携の対話型AIに競合サイトとキーワードを指定して調査を指示する
2. やり取りの中で数値を呼び出し競合と自社サイトの流入キーワード差を確かめる
3. 検索ボリュームや競合性と事業との関わりから優先キーワードを絞る
4. 事業領域全体の検索需要を見て市場規模をつかむ
5. 用途ごとの基本の指示文を社内で共有し出力のばらつきを抑える

商談の前でも競合と検索市場を調べて仮説を用意できるようになり、その結果は受注後の案件にも引き継がれた。

1人が担当できる案件数が増え、経験の浅いメンバーでも一定水準の分析ができるようになって上長のレビュー回数も減った。

世界中に膨大な数のファンがいる一方でグランプリを実際に見に行ける人はごく一部だった。

1950年からの勝者を言える古参と最近入ってきた若い層の両方に応えられるアプリが必要だった。

1. 熱心なファンから初めての人までの人物像を調べた。
2. アプリの構造と画面の流れを設計し直し導線を組み替えた。
3. レースの要約をIBM watsonx.aiで自動で作る。
4. 過去の名レースの読み物をAIが作った解説から組み立てた。
5. IBM watsonx.dataでレースと物販のデータをまとめた。

2025年5月のマイアミグランプリでの公開から1日あたりの利用者が2倍になり、アプリ内の平均滞在時間は35%伸びた。

インストール済みの利用者は36%増え離脱は34%減った。

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。

AI検索の回答に自社名が出るかどうかだけを追っても売上につながらず、比較の場面で選ばれるところまで届いていなかった。

1. 想起されたい問いかけの言葉を決める
2. AIが比較で使う基準（KBF）を洗い出す
3. 基準を満たす証拠（RTB）を整理する
4. 証拠をAIが参照しやすい面に置き直す
5. 推奨の出方を見ながら置き方と書き方を人が直す

支援先での推奨率は18%から49%に上がった。

LANY自身の問い合わせでも認知経路の25%がAI経由となり、Web検索に次ぐ2番目の入口になった。

オンラインカーリース「ニコノリ」は利用者の約7割が初めての契約で、どの車を選べばいいか迷う声が多かった。

仮審査の申し込みを増やす方法を探していた。

1. サイトに自由入力の質問へ答えるAIチャットボットを置いた。
2. 予算と使い道からおすすめ車種を出す診断ボタンも用意する。
3. 診断の結果から車の詳細ページへ進み仮審査へつなげた。
4. 入力された質問はCSVで落として週1回の会議で共有する。
5. 集めた質問をよくある質問の追加や記事づくりに回している。

チャットボット経由の審査通過率は30%以上を3ヶ月続け、ランディングページ経由の約33%とほぼ並んだ。

成約率は15%程度で、仮審査の獲得単価はランディングページ経由の半額以下になった。

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。

Webサイトを公開するにはコードを書くだけでなくサーバーやデプロイの準備も必要で、思いついた小さなツールを形にするまでの手間が大きかった。

1. 作りたいサイトの中身を話し言葉で伝えて骨組みを作らせた
2. 出来上がった画面を見ながら会話で直す点を伝えて整えた
3. 外部APIや環境変数はSecretとして設定画面に登録した
4. 取得したドメインを追加しDNSレコードを登録して接続した
5. 公開URLで見た目を確かめ直しを繰り返した

コードをほとんど書かずに個人サイトと、SEO診断やLLMO診断などの無料ツールを置いたページを公開できた。

一方で細かい数値や見た目の調整は指示の解釈にぶれがあり、プレビューで目的のページが出ずトップページばかり表示されることがあった。

メルカリやメルペイなど複数のサービスが1つのアプリに同居するため、誰にどの提案を出すかに大きな改善余地があった。

一人ひとりに合わせた出し分けを自前で作ると2〜3年かかる見込みで、最初の一歩を踏み出しにくかった。

1. 既存の仕組みに組み込めるAuxiaを選ぶ
2. アプリ内の案内の一部にAuxiaを入れた
3. AIが提案候補と利用者の組み合わせごとに反応しやすさを予測する
4. 社内の優先順位に利用者の反応しやすさという見方を足した
5. Auxia側のやり方を取り込み短い期間で検証を回した

CTRが継続して改善し、一部の取り組みではCVRが2%以上良くなった。

まずAIで試すという考え方が社内に広がり始めた。

参考にする広告やLPを探すたびに分析ツールを開いて条件を設定し、ランキングを上から一件ずつ見比べる必要があった。

まとめ直してチームへ共有する手間もかかっていた。

1. MCPで主要15媒体の広告データベースをClaudeやChatGPTにつなぐ
2. 同じジャンルのスワイプ型LPを10件のように条件を言葉で伝える
3. 抽出結果を見出しや構成などの構造化データで受け取る
4. 競合上位10社の広告と分析を週1回チームチャットへ自動配信する
5. 出てきた材料を見て人が構成や制作の方針を決める

LPの参考リサーチが約1時間から約15分になり、競合調査の手間は体感で約1/20に減った。

市場データと自社データをAIでまとめて制作の自動化までつないだ会社では、広告関連の業務が月50〜100時間減った。

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。

1億人を超えるdポイントクラブ会員に向けて月3,000件もの取り組みを人手で企画から検証まで回しており、工数と時間が膨らんでいた。

担当者の経験によって効果が変わる属人化も起きていた。

1. d払いアプリの案内表示にAuxiaをつないだ
2. 約2,000種類の会員プロファイルをAIに読ませた
3. 誰にどの内容を出すかをリアルタイムで決めさせる
4. 人はクリック率などの目標指標だけを渡す
5. アプリ内A/Bテストで従来手法と効果を比べた

d払いアプリ内のA/Bテストで、従来手法に比べクリック率が平均1.7倍になった。

個人の経験に頼っていたやり方を仕組みに置き換え、全社で一定の水準を保てるようになった。

部門ごとに別のツールで情報を管理していたため必要な資料を探すのに手間がかかっていた。

新機能の告知文は送る先ごとに書き分ける必要があり作成に時間を取られていた。

1. 2025年5月にNotionを全社へ入れて情報を一か所にまとめた
2. リリース情報に決まったプロンプトを当てて告知文を作る
3. 日本語と英語で4種類の告知文を同時に作る
4. ユーザーインタビューはAIミーティングノートでまとめる
5. 集めた要望をCursorに読ませPRD前の整理に使う

約3時間かかっていた告知文の作成が30分で終わるようになった。

ビジネス部門が自分で情報を見られるようになり開発部門への問い合わせは半減した。

中小企業を担当する営業が製品や料金の定型的な質問まで受けていた。

以前から置いていたチャットボットでは顧客が自分で解決できた割合を正しく測れなかった。

1. 法人向けサイトにSierraの対話型AIエージェントを置いた
2. 立ち上げ時に自社サイトの情報を読み込ませFAQを覚えさせた
3. 製品や料金や契約の質問に会話の形で答えさせた
4. 答えられない質問は問い合わせフォームへ案内した
5. 運用しながら答えの弱い質問を洗い出し足す情報を決めた

立ち上げ時に約50%だった自己解決率が70%まで上がった。

いまは1日およそ100件の問い合わせを受け、そのうち70%は顧客が自分で答えを見つけて解決している。

同じ妊活相談を打ち出す薬局が増え、紙媒体やWeb広告の費用対効果が落ちていた。

広告に頼らずに必要な人へ情報を届ける仕組みが無かった。

1. SEO未経験の薬剤師1人で月10〜20本の記事を出す体制にした
2. AI機能で検索上位ページから必要な要素を出させる
3. 見出しから本文までの大部分を自動で作る
4. 仕上げに薬機法の確認と専門家の手直しを人が入れる
5. 順位11〜30位の記事をリライト機能で書き直す

施策開始時に1,300程度だったセッションが8ヶ月で約27,000に達した。

新規記事の7割以上が10位以内に入り、東京・新潟・長崎など県外からのオンライン相談も届くようになった。

広告運用部門ではクライアント向けレポートを月150〜200本作っており、Excelの出力だけは自動でもPPT化や分析コメント、クリエイティブ分析が手作業で残っていた。

媒体数の多い案件は1本3〜4時間かかり、担当者1人が受け持てる案件数に上限ができていた。

1. 既存ツールから出したExcelやCSVをアップロードする
2. 全体サマリーや媒体別など15種類以上のスライドを自動生成する
3. クライアントごとにKPIや用語、トンマナを設定しておく
4. 担当者は最終チェックと手直しだけを行う
5. 直した言い回しを表現ルールとして次回に反映する

1本あたりの作業時間が約90分から約45分（約50%削減）になった。

空いた時間を効果改善や提案に回し、担当者1人あたりの対応案件数の上限を引き上げる体制ができつつある。

AIの試験導入が一部の部署で止まり、現場に根づかないままだった。

原稿作成のような手間のかかる業務も人手に頼っていた。

1. Copilot Studioで作ったエージェント環境をグループ全体へ開放した
2. 業務部門の社員が自分でエージェントを作れるようにした
3. 原稿チェック用エージェントに原稿を渡し誤字や表記ゆれを洗い出した
4. 直し方の案とFAQまで出させ人は中身を決めた
5. 各部署にアンバサダーを置き発表会で使い方を共有した

プロモーション業務では原稿作成の対応時間が約50%減り、これまで約1カ月かかっていた作業が1〜2週間ほどで終わるようになった。

レビュー時間の短縮や手戻りの減少にもつながっている。

広告や情報発信ごとの効果を金額で比べる仕組みがなく、どこに予算を回すかを決めきれなかった。

MMMは分析の難しさと外注費の高さから、大きな予算を持つ企業しか手を出せない状態だった。

1. Claude向けの分析の仕組みを院内に置き、3名のチームで運用する
2. 広告の出稿データと来院の実績データを整えてClaudeに読ませる
3. 取り組みごとの貢献度を計算させ、初診数の新規獲得CPAを出す
4. 出力をダッシュボードにまとめ、次の投資先を判断する

医療コラムが5,882円、YouTubeのオーガニックが11,517円というように施策ごとの初診数CPAが並んで見えるようになった。

支援した秤によると、Claudeを使うことでMMMの工数は70〜90%減り、自分たちで投資先を決められる体制になった。

調査から提案資料づくりまで担当者の手作業が多く、使うツールも分かれていて時間がかかっていた。

プロンプトの専門知識がないと生成AIを業務に載せにくいことも壁になっていた。

1. 社内の複数の部署でGensparkを共通の作業場として使い始めた
2. 調べたい内容や作りたい資料を普通の言葉で指示する
3. Gensparkが指示をタスクに分け70以上のモデルから選んで進める
4. 出てきた資料の中身を人が確かめる
5. 提案の狙いに合うよう対話しながら整える

使い始めて2ヶ月のチームで一人あたり週平均6時間12分が浮き、1年で見ると約40営業日分にあたる削減が見込まれる。

スライド作成では社員一人あたり月平均25時間が減った。

内部SEO・AIO・記事・広告・素材制作・LP改善の6つの領域を兼務の担当者が回しており、月50時間規模の工数が必要で片手間になっていた。

広告を止めると流入が落ちる構造からも抜け出せなかった。

1. 自社開発のAIエージェントに6領域を任せ統合ダッシュボードで運用した
2. サイト構造や内部リンク、メタ情報をAIに解析させ改善案を出した
3. 記事を企画から公開まで生成・監査させた
4. 広告は各媒体APIとつなぎ毎朝の調整案を運用者が反映した
5. LPは滞在時間や離脱位置から改善案を作らせ日次・週次で直した

2026年4月の1ヶ月で自社サイト30万PVを獲得し、その大部分が自然流入だった。

採用応募は約120件、問い合わせは約50件で、広告費は約85万円だった。

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。

パッケージの案出しはデザイナーに商品コンセプトを伝えてから2〜4週間かかり、出てくる案も1〜3案どまりだった。

短い時間で幅広い方向性を見比べたいという要望があった。

1. 商品のオリエンで狙いを整理する
2. その内容をもとにAIでデザイン案を大量に生成した
3. 案を並べて関係者で方向性を話し合う
4. 固まった方向でデザイナーが制作した
5. 消費者インタビューで直す点を洗い出す

1週間で80案ほどの提案が出て、開発の初期から幅広い案を見比べながら進められた。

イメージの共有がしやすくなり、他の商品でもAIを使ったデザイン開発が動き出した。

1日10〜13件の打ち合わせがあり記録と振り返りが追いつかなくなっていた。

メンバーのプレゼンに同席したり録画を見返したりするフィードバックだけで月約24時間かかっていた。

1. aileadで商談や打ち合わせを録画する
2. 文字起こしと要約を自動で作らせる
3. AIフィードバックのプロンプトをサンプルを土台に組む
4. マネージャーの指導の視点を社内で聞き取り反映する
5. 複数のAIツールで出力を比べ評価の軸を直す

月約24時間かかっていたフィードバックの打ち合わせが月1時間になった。

空いた時間で商談のお手本を抜き出してナレッジとして共有できるようになった。

生成AIを週に数回以上使う社員が83%いた一方で、スキルに自信がある社員は5.6%にとどまっていた。

既存の自動化ツールが対応していない媒体のレポート整形が人手に残り、提案や分析も毎回ゼロから組み立てていた。

1. 業務の流れを洗い出しAIを差し込む場所を決めた
2. 営業や運用担当10名が自分の担当業務を題材にした
3. プロンプトとGemと人が確認する運用ルールをセットで設計した
4. ローデータから決まった書式のExcelレポートを出す仕組みを作った
5. 分析コメントや提案書などGem3つを組み上げチームで共有した

未対応媒体のレポート作成が月100時間から月3時間まで減る見込みとなり、Gem3つで月23時間を含め合計で月120時間の削減につながった。

使いこなしの自信度は平均2.72から4.42へ上がった。

記事タイトルを決める前に競合サイトを1つずつ開き、流入キーワードをツールで調べる手作業が続いていた。

対象記事が増えるほど時間を取られていた。

1. Google Apps ScriptとOpenAIをつなぎ自作ツールを作った
2. 画面はAIに書かせたHTMLでWebアプリの形に整えた
3. 自社URLと競合URLを貼り流入キーワードと検索ボリュームを一覧表示する
4. 入れたいキーワードと対策キーワードを指定しAIにタイトル案を出させる
5. どの案を採るかはコンサルタントが判断し手を入れて仕上げる

競合調査からタイトル案の下書きまでをその場で終えられるようになり、調べ物に費やしていた時間を考える作業に回せるようになった。

社内では同じやり方で作った小さなツールを共有の置き場にためている。

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。

90以上の市場へ出す文書をすべて外部の翻訳会社に頼んでいて、品質は高いものの時間と費用がかさんでいた。

特許を含む機密を扱うため安全面の基準も厳しかった。

1. 社内のデジタル化の中で翻訳を対象に選ぶ
2. 試験段階で社員が品質と使いやすさを確かめた
3. 他の翻訳ツールや翻訳会社とブラインドで比べる
4. 法令遵守の担当とIT部門が機密データの扱いを検証した
5. マーケティング部門が製品説明を十数言語へ訳している

品質を保ったまま翻訳にかかる時間と費用が減った。

外部への依存が下がり年間で数万ユーロ規模の削減を見込む。

人材業界向けメディアHRogの編集部は異動や兼任で人手が足りず、記事の更新頻度が落ちてインプレッション数も下がっていた。

外部ライターに頼む場合も、取材音源の文字起こしや構成案づくりに時間がかかっていた。

1. 取材音源をStoryHubに読ませ文字起こしを整理させる
2. 続けて記事の構成案をAIに作らせる
3. 制作工程の約7割をAIが担う形にする
4. 残る3割で言い回しやメディアらしさを編集部が整える
5. レシピ機能で記事の品質をそろえる

記事1本あたりの作成時間が最大で1/3程度に縮まり、外部委託のコストも減った。

手が回らなかった取材依頼も受けられるようになった。

作ったコンテンツが公開直後にしか読まれず、その後の使い回しができていなかった。

コンサルタントの持つ専門的な話をコンテンツにする手間や、手作業の文字起こしにも時間がかかり、少ない人数で発信を続けるのが難しかった。

1. AI編集アシスタントのStoryHubを導入する
2. 公開済みブログをSNS投稿の形に要約・再編集させる
3. 社内の業界ニュース情報をニュースレター原稿へ変換させる
4. 新規記事では文字起こしや下書きをツールに任せる
5. 人は中身の確認と手直しに回る

一度出したコンテンツをSNSやニュースレターへ回せるようになり、少ない体制でも発信を続けられる形になった。

今後はイベントやポッドキャストで生まれた話もコンテンツに変えていく。

ライブ配信の応援は画面の中で終わってしまい、ライバーとリスナーのつながりを深めて収益につなげにくかった。

手元に残る形の特典が無かった。

1. ChatGPTでライバーごとのアートワークを作った。
2. その絵をホログラムのステッカーへ印刷した。
3. 各配信サービスの上位30名と総合TOP10の計100名を対象にした。
4. 1人あたり10枚の計1,000枚を限定特典に回した。

ライバーからは普段以上にみんなが一丸となって応援してくれたという声が出た。

配信のやる気が上がり、リスナーが参加や課金に動く後押しになった。

ポータルサイトやGoogleマップの口コミ返信とブログ更新をスタッフの自主性に任せていたため、営業時間外の作業になりがちだった。

1記事に30〜40分かかり、書き手によって出来にも差が出ていた。

1. 店舗情報の発信をSTOREPADに集約し複数媒体を一画面で扱う
2. 投稿テンプレートに沿ってブログを書き一括投稿で各媒体へ出す
3. AIの返信案を土台にスタッフが店舗の言葉づかいに直して送る
4. AIの口コミ分析の指摘を読み接客の直し方を決める

ブログ1記事の作成時間が40分から2分になり、得意不得意にかかわらず同じ品質で出せるようになった。

口コミ分析からBGMやシャンプー台の音への反応が分かり、接客の改善につながった。

週次や月次の連絡、名刺の入力、広告レポートの確認といった手作業が広報の担当者に積み上がっていた。

AIの仕組み作りを外部に任せていて、社内で自分たちが組み立てられる状態ではなかった。

1. 2024年10月から週1回のオンライン会を続けた
2. 事業部ごとに目指す形を自分で決めた
3. GoogleフォームとGmailにChatGPTとChatworkをつないだ
4. 名刺の画像をGemini APIに読ませて入力を自動化した
5. 広告レポートと告知文をGPTsとNotebookLMに下書きさせた

広報企画部は年間1,368時間の業務時間を削減した。

削減の効果は前年比で約1.5倍になった。