経営・経営企画のAI活用事例

夜間や休日に内見の問い合わせが集中し、少人数の体制では受けきれなかった。

反響を逃すと物件が他社へ流れるため、通知が来るたびにPCを開いて対応していた。

1. KUZENを入れて流入元の広告から物件情報を送り分ける
2. 内見の受付を友だち追加直後の初回アンケートに置き換えた
3. 希望条件やエリアの回答をSalesforceへ自動で入れる
4. アンケート回答を受付完了の必須ステップにした
5. GCLIDを保存しGoogle広告へ返す仕組みを組んだ

1件あたり1〜2時間かかっていた対応が平均約30分になり、月約30時間の工数が減った。

手作業の転記と聞き漏れが無くなり、内見希望者のアンケート回答率はほぼ100%を保っている。

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。

一人ひとりが持つ仕事のコツややり方が個人に閉じたままで、社内で共有されにくかった。

AIを配っただけでは現場の仕事に合った使い方が広がらないという壁もあった。

1. 社内の推進組織が中心となりGemini Enterpriseを全社に導入した
2. 社員が自分の担当業務に合わせた小さなAIエージェントを自作できるようにした
3. エージェントに各自の手順や判断の勘所を書き込ませた
4. 使うだけの段階から社員が自分で作る段階へ広げた

導入から5か月で、社員が自発的に作った業務特化エージェントは約2万個になった。

社内に埋もれていた暗黙知が目に見える形になり、この取り組みはGoogleのクラウド関連の大規模イベントの基調講演でも先行例として語られた。

新規事業の部署では海外の相手と毎週のように企画やビジネスの話をしていて、外国語で話すことに気を取られ会議の負担が大きかった。

議事録まで手が回らず、会議の後に発言内容を確かめるやり取りも増えていた。

1. オンライン会議中にCoeFont通訳を開き翻訳文を字幕として読む
2. 聞き取れない単語や専門用語は画面の文字で確かめる
3. 分野特有の言葉を辞書登録機能に登録し訳のずれを防ぐ
4. 会議直後に作られる要約付き議事録でメモの不足を補う
5. 英語以外の言語の会議も同じやり方で対応する

会議の後に内容を確かめるやり取りが減り、コミュニケーションにかかっていた時間が数時間以上減った。

海外との会議だけでなく、社内の日本語の会議でも発言の記録や認識合わせに使うようになった。

経営判断の前に財務やマーケの数字を手作業で集める必要があり、集計に時間を取られていた。

複数のAIを動かすと誤った数字が報告に混ざる心配もあった。

1. Claude Codeを核に9体の役をMarkdownのfrontmatterで定義した
2. CFOは会計API、CTOはリポジトリとCIと一次データの担当を分けた
3. CEOは各役の報告を統合するだけにして数字の創作を防いだ
4. 連携はinbox・today・archiveの3つのYAMLで秘書役が管理した
5. 月次決算の手順はSKILL.mdにまとめコマンドで呼び出せるようにした

CEO役が常にダッシュボードを更新するようになり、経営者の時間を集計から判断へ移せた。

ただし運用期間は短く、安定稼働と言えるかは今後の実績待ちだと本人は述べている。

社長と直接話せる社員は限られ、経営判断の背景が現場まで届かなかった。

幹部会議の議事録をそのまま参照する幹部版は、顧客ごとの取引情報が含まれるため全社には開けなかった。

1. 幹部会議の議事録を要約し公開情報と組み合わせてナレッジにする
2. AIが個社名を某社に置き換え数値を伏せて要約する
3. 別プロンプトのAIが第三者の目で監査する
4. 人が加工済み議事録の約10%を抜き取って確認する
5. 公開後は社員からの通報を受けて該当箇所を消す

幹部層約70名のPoCでは9割が社長の方針を理解するのに役立ったと答えた。

2026年7月に全社版を公開し、1か月で社内の多数のAIエージェントのうち利用状況5位に入った。

社員がおらず、サイト制作や動画、経理の突き合わせといった作業を外に出すしかなかった。

中小企業のAI導入の話はうまくいった例ばかりで、実際にどこまで置き換わるのかが分からなかった。

1. コードを書かずに、やりたいことを言葉でClaude Codeに指示した
2. 作り直しの内容を伝えてホームページを自社で生成した
3. 机に並べた名刺をiPhoneで撮った写真12枚を渡してデータ化させた
4. 相手のサイトを読ませて法人向けメールを1社ずつ書かせた
5. 広告とLINEとサイトの数字をまとめた日報を毎朝8時30分に届かせた

外に出していた仕事をほぼやめ、少なく見積もって年300万円の外注費が消えた。

一方で無料で渡した業務用の道具8社分は誰にも使われ続けず、広告が6日間止まっていた期間は問い合わせが5件まで落ちた。

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。

営業担当との定期ヒアリングで聞かれてから考えると、その場で思い出せた作業を並べるだけになっていた。

初回にスライド生成を試したときも、出来上がってから構成や見た目が違うと気づき、作り直しを繰り返していた。

1. 顧客名や人物名を外した活動メモをMarkdownでGitHubに残す
2. 報告に使ってよいものだけを選ぶ
3. Codexにメモを読ませ質問させ4項目のMarkdownを正本にする
4. Gemini Notebookに骨子や記事を追加しアウトラインを相談する
5. デザイン案をPNGで確認してからスライドを生成し人が最終確認する

Markdown原稿は20枚のスライドに展開された。

出力後は気になるページだけを指定して直せるようになり、全体を何度も作り直す進め方から抜けられた。

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。

リサーチや資料作成、データ加工など小さな手作業が全社に散らばり、個別のシステム化がしにくかった。

AIを入れても使い方が個人任せだと、成果が人ごとの慣れに左右されてしまう。

1. 社員と業務委託の計59名に実行環境をそろえてClaude Codeを配る
2. 2026年7月から8月に全部門向け研修を行う
3. うまくいったやり方をスキルという手順書にして共有基盤へ登録する
4. 配色や書体やロゴの規定をAIが読める形に直す
5. 登録されたスキルをレビューして部門をまたいで共有する

2026年8月末までに45名の手で、手順書が743件、業務ごとのAIエージェントが127体たまった。

研修後の社内調査では、エンジニア以外の回答者のうち53％が毎日のように使っており、その中の69％が同じ成果物を作る時間は半分以下になったと答えた。

税理士や社労士など約200名の専門家が、議事録づくりや契約書の確認、財務資料の読み込みといった判断の手前の作業に時間を取られていた。

部門ごとに進め方が違い、成果物の出来にも差が出やすかった。

1. 部門をまたぐプロジェクトを作りパート社員も含む全員にアカウントを配る
2. 社内の改善提案の仕組みで現場の要望を集める
3. 業務ごとにAIエージェントを32個組み立てる
4. 面談音声から議事録を起こし問い合わせには一次対応ボットを置く
5. 提案資料は人が骨子を作り画像生成も混ぜて仕上げる

提案資料は数日かかっていたものが約30分で使える水準になった例が出た。

財務分析の時間が従来の10分の1以下になったケースもあり、議事録づくりではアシスタントの同席が不要になった案件も出ている。

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。

紙の図面や検査記録が社内にあふれ、書類を探すだけで現場が1〜2時間動き回ることもあった。

創業50年でも手順書は50件ほどで、多くの作業のやり方はベテランの頭の中だけにあった。

1. AIとの対話を1500時間以上重ねコーディングを学んだ
2. タブレットとSlackで内線電話や紙探しをなくした
3. Claude Codeで社内アプリをフルスクラッチで内製した
4. 生産実績や設備稼働などを同じデータベースにひも付けた
5. 手順書アプリでAIが100点満点で採点し改善案を出す

月400〜500時間程度の作業時間を減らし、価格改定資料の作成時間は90％短縮した。

紙は月間約6000枚減り、手順書は1年足らずで290件集まった。

顧客の氏名や年収など個人情報を日々扱うため、どこまでAIに入力してよいか判断がつかず社内での利用が広がらなかった。

社内に複数のAIツールが混在し、ルールも定まっていなかった。

1. 企業向けのGemini Enterpriseに利用環境をまとめる
2. 権限管理と入力してよい情報の基準を社内規程で決める
3. 週1回の勉強会を全8回開き基礎からGASまで扱う
4. 非エンジニア社員が自部署の作業でアプリを作る
5. 前後で同じ設問の社内アンケートを取り変化を確かめる

AIを定常業務のプロセスに組み込む社員は57.8%から82.3%になり、API連携や定型処理の自動化を自分で実装した社員も21.2%まで増えた。

開発事業部では物件データの集計が約2時間から15分に短くなった。

自社で開発した建築・管理システムでは、原価の状況を人が読み解いたり発注申請の差し戻しが起きたりと、担当者の手間が残っていた。

見積依頼のメール作成も毎回手作業だった。

1. 自社開発の建築・管理システムにテックタッチAIHubを組み込んだ
2. 原価状況の要約と発注申請の確認と見積依頼メール作成の3業務を対象に選んだ
3. コードを書かず画面上の設定だけで組み立てた
4. DX推進部が業務の流れを見てAIを動かす場面を決めた

3つの業務をいずれもノーコードで実装し、最短30分で形にした。

この取り組みは同社のユーザーイベントで事例として発表された。

京都では観光客が中心部の定番スポットに集中し、交通渋滞が長年の課題になっていた。

道路整備だけでは限界があり、観光客の動き方そのものを変える手立てが必要だった。

1. 観光デジタルマップを作り混雑や駐車場情報を地図上にまとめた
2. 地図上でAI判定のスタンプラリーを開催した
3. QRを使わず参加者の撮影写真をAIが判定してスタンプを付与した
4. 判定スポットを中心部から離れた穴場に置きミッションを設定した
5. 第2弾では時間帯ごとにポイントを上げ下げし訪問時間を分散させた

第1弾の参加者は781名で目標500名に対し達成率156%となり、参加者の92%が普段行かない場所を訪れたと答えた。

満足度は91%、期間中の京スマのPVは1.6倍に増え、93.2%がマップの情報が混雑回避に役立ったと回答した。

支援先の訪問診療クリニックは17店舗あり、録音はあっても全部の応対を聞いて集計するのは難しかった。

月ごとに数店舗へ絞って見ていたため、グループ全体の品質までは手が回らなかった。

1. MiiTel Phoneで通話を録音し音声データをためる。
2. MiiTel Synapseへ渡すプロンプトを先に作り込んだ。
3. 確認が必要な応対だけを自動で拾い表の形で書き出す。
4. 出てきた表をもとに社内へ報告した。
5. 各クリニックへ直し方を伝えている。

応対を確認して集計する手間が10分の1になった。

人が聞ける範囲に頼らず、改善が要る事案を拾えるようになった。

Deep Researchは調べ物を数十分で終わらせてくれるが、出てくるレポートが何万字もあり読み通すのが重い。

中身は良くても全体をつかむまでに時間がかかっていた。

1. ChatGPTにリサーチ用の指示文を書かせる
2. その指示文でDeep Researchを走らせる
3. 出たレポートをMarkdownで保存しChatGPTに読ませる
4. HTML化の指示文を作らせそのままHTML出力させる
5. グラフのラベル重なりなど見た目の粗を直す

文字がびっしり並んだレポートが、グラフや表や折りたためる見出しの付いた資料に変わり全体をつかみやすくなった。

無料アカウントでも実用に足る出来で、有料との差は主に見た目だった。

間接部門の工数の3分の2が事業を維持するための業務に消えており、新しい価値を生む時間が取れなかった。

日報や技術情報などの文書もたまる一方で使い切れていなかった。

1. 各部署からデジタルに強い社員を選び少人数で使い始めた
2. 会議の記録づくりとExcelマクロのコード作成に使った
3. AIが書いたコードを人が確認して直す流れに変えた
4. 標準テンプレートで始め個別要望はカスタムを作った
5. 半年後に経営層へ報告し対象データの範囲を広げた

会議の記録づくりは月78時間分、コードを書く仕事は月79時間分の手間が減った。

ダッシュボードで効果が数値で見えたことが経営層への説明材料となり、2025年3月から全社展開が始まった。

全従業員が生成AIを使える環境を整えても、実際に使う人が一部に偏り日常の業務に根づかなかった。

使い方を学び合う場や続けて情報を届ける仕組みが足りなかった。

1. 全社共通の生成AI基盤「PX-AI」を用意した
2. Teams上に使い方や事例を持ち寄る場を作った
3. 動画やコラムなどの学習向けの中身を定期配信した
4. 反応を見て中身を作り直した
5. 隔日の確認と週次の定例で次の配信を決めた

「PX-AI」はグループ内で約8万人が使う基盤に育ち、使った人へのアンケートでは1人につき毎月約7.5時間が浮いたという回答が集まった。

全体では月間約29万時間の効率化につながり、コミュニティには延べ3.1万人が参加した。

就業規則の質問が来るたび代表が大量の文書を読み返して答えていた。

受託したECサイトの使い方の質問も社員がヘルプページを調べて返信文を作るため時間がかかっていた。

1. 就業規則の文書をAmazon S3に置き常に更新する
2. ECのヘルプページをWebクローリングで集める
3. 集めた文書をKnowledge Basesに取り込む
4. 質問文でナレッジベースを検索するRAGの形にした
5. 会話履歴をAmazon RDSに残し担当者が後から補う

開発開始から約2か月で実運用に入り、バックオフィスとECのサポートを合わせた対応工数が3割ほど減った。

空いた時間を主力事業に回せるようになり、新しい案件の獲得にもつながった。

営業や設計といった業務ごとにシステムが分かれ、建設プロジェクトのデータが業務単位で閉じていた。

施工管理の人員予測も支店ごとにExcelで行われ、基準がそろっていなかった。

1. 全社データを集める基盤をAWS上に構築した
2. S3やRDS、AWS Glueでデータを集めて貯めた
3. 過去の施工実績を教師データにSageMakerで予測モデルを作った
4. 工事概要を入れると必要人員が出る形にしBIで可視化した
5. 基盤同士のつなぎ込みとセキュリティ対策を作り込んだ

2021年11月に運用を始め、2022年11月までに約25のアプリケーションを出した。

人員予測は統一した基準で算出できるようになり、2023年度中に百以上のアプリケーション開発を目指す。

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。

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。

移住相談用のLINEチャットボットは辞書に登録した質問にしか答えられず会話が続かなかった。

答えられない質問は職員が手作業で返していて早朝や休日の対応が難しく負担も重かった。

1. 外部サービスの提供終了を機にAmazon Bedrockへ移行した
2. 特定の語を含む質問は検証済みの辞書から返す
3. 該当が無ければRetrieve APIで回答データを探す
4. 信頼度が足りない時はClaudeに文案を作らせ職員が直す
5. マスコットの親しみやすい口調を保った

文脈をふまえた自然なやり取りができるようになり、ほとんどの質問にその場で答えられるようになった。

サーバーレス構成をそのまま使い、従来の予算内で運用できている。

治験計画の届出後に来る照会への回答づくりでは、似た質問や事例を人手で探して文章を組み立てるため時間がかかっていた。

全社で生成AIを使う土台も整っていなかった。

1. AWSの全社クラウド基盤にAmazon Bedrockを組み込む
2. 社員とAWS担当でスクラムチームを作り1週間ごとに計画とレビューを回す
3. 1画面で複数LLMを選べる形にし入力を再学習に使わない設定にする
4. 社内データをRAGでつなぎ照会回答の下書きをAIに作らせる
5. 担当者が中身を確かめて仕上げ週次リリースでひな形を増やす

2024年10月時点で全社員の約80%にあたる約6,000人が使うようになった。

照会対応の一例では約57%の業務削減につながった。

経営データの取得から分析、リスクの予兆をつかむまでを人が順に進めており、経営会議に出す材料をそろえるまでに日数がかかっていた。

1. 部門長から担当までの4階層をすべてAIで組む
2. 依頼が入ると上位AIが役割を決め担当AIを生成する
3. 担当AIにパーパスと行動規範を判断の前提として組み込む
4. 経営分析はデータ取得から分析とレポート作成まで一続きで進める
5. 稼働状況はデジタルツインで見え、最終判断は人が担う

経営会議で示す分析やシミュレーション、リスクの予兆までをAIが一続きで担い、対象業務の時間が7分の1になった。

AI社員向けのサーベイで集めた課題は、上位のAIが審議して自分たちで直せるものは自ら改善する流れになった。

会議のたびに参加者がメモ取りに追われ、欠席者は録画を見直さないと決定事項をつかめなかった。

会議後に発生する連絡や資料の直しも人が拾い直す必要があった。

1. 生成AIを社員が毎日使う会議環境の中に組み入れた
2. 約11万人が使う共通基盤に載せWeb会議の流れのまま要約を出した
3. まず実際の仕事でAIを使い効果を体感してもらった
4. そのうえで仕事の進め方自体を変える段階へ進めた
5. 電話やチャットの会話をつなぐことを次の段階に据えた

グループで1日約2万回あるWeb会議のうち、約2500件がAIによる要約で処理されるようになった。

参加者は議論と意思決定に集中でき、欠席者も要約から決定事項を確認できるようになった。

AIで若手の仕事を減らす動きが業界に広がるなか、次の世代の育て方が揺らいでいた。

速さを上げても仕事の厳しさと質を落とさない形を探していた。

1. 法務向けAIのHarveyを研修の中へ組み込んだ。
2. パートナーと若手が同時に使える状態にした。
3. 冒頭陳述づくりと反対尋問の練習にHarveyを入れた。
4. 過去の書面を集めたVaultと手順のPlaybookを用意した。
5. 研修の約95%は社内の人が作って教える形にした。

廊下でAIの使い道を話し合う場面が増え、現場から新しい使い方の相談が上がるようになった。

2023年以降で約100人のパートナーが他事務所から移ってきており、移籍を考える弁護士からAIの環境を先に聞かれるようになった。

従業員の平均年齢が高くITが本業でないため、変革の取り組みが自分のこととして受け止められなかった。

機能説明中心の研修を開いても、何にどう使えばいいか分からないという声が残った。

1. 全員が一定の水準まで使えることを目標に置いた
2. DX推進課の担当者が講師となり対面の終日ワークショップを全23回・約500人に開いた
3. 業務でよく起きる場面を選びGeminiとGemini Notebookを手を動かして試した
4. 局長・部長級約50人向けの回を別に設け上司側の理解をそろえた
5. 社内規則のFAQや社史ドラフトなど約100例をケース集にまとめ全員が投稿できるようにした

月100回以上使うヘビーユーザーは1年で22名から224名へと10倍になり、月間アクティブ率もほぼ100%に届いた。

社内アンケートでは7割超が1日30分以上の効率化を感じ、平均は約48分だった。

国内4拠点と海外8拠点の間で多言語の資料を読み解く負担が重かった。

社規の新旧対照表づくりなど手作業のコピー＆ペーストも多く、社員が個人で生成AIを使い始めていて安全な環境も必要だった。

1. DX推進室の5名で議事録や翻訳やレポート作成を試した
2. セキュリティと管理画面の使いやすさで比べてツールを選んだ
3. 2023年10月に全社へ導入した
4. 業界レポートを要約させ情報源を必ず出力させた
5. 社内規程を読ませ条文つきで回答させ人が直した

業界レポートの読み込みと要約は1時間程度から約1分になった。

社内規程などの問い合わせ対応は体感で約80％減り、総務の担当者1人で一次対応を終えられる場面が増えた。

開発中や所有する案件の進捗をまとめるレビュー資料を、Excelで手作業で更新していた。

経営判断に使う数字のため確認の負担が重く、作成に5日間かかっていた。

1. 週次相談会に有志15名のチームで参加した
2. 案件一覧の項目と集計ルールをClaudeに渡した
3. Artifacts機能でWeb上のダッシュボードを組み立てた
4. 個別案件と全体傾向の両方が見える構成にした
5. 出てきた数字と表示を人が確かめて手直しした

資料作成と進捗更新の時間は従来の5日間（40時間）から6時間になり、約85%短縮された。

手作業時代の数字の誤りをAIが見つける場面もあり、アスコットは全社展開を決めた。

札幌の中小企業は補助金や入札や制度変更の情報が役所や銀行のサイトに散らばっていて、どれを先に確認すべきか判断しづらかった。

従来こうした仕組みを外注すると数百万円規模の見積もりになっていた。

1. 札幌市や北海道庁など35の情報源を目的別に整理した
2. RSSを出す4サイトを30分ごとに自動で取り込む作りにした
3. 拾った情報を至急確認と今週対応と変化を観測に振り分け残り日数を表示した
4. 手元現預金など4項目から6か月後の資金を3シナリオで試算する画面を付けた
5. AIへの指示は目的と出力形式と制約の3点にそろえ予測はさせない範囲に区切った

数年前なら数百万円規模だった構成を個人が週末で形にし、会員登録なしで公開した。

知り合いの経営者に見せたところ制作の依頼が増えた。

経営企画や営業などで見た目の分かりやすい資料を求められる場面が増えていた。

一方でデザインができる人は社内に少なく、担当者が資料作りに時間を取られていた。

1. 2025年12月から経営企画部だけでMiriCanvasを試した
2. 目的に合うテンプレートを選ぶ
3. 文章や手元の資料をもとにAIに初稿を作らせる
4. 初稿のレイアウトや構成要素を自分で直す
5. PowerPoint形式で書き出して既存の流れで使う

構成やデザインに時間がかかっていた資料も短い時間でたたき台ができるようになり、内容を考える時間に回せるようになった。

販促物や社内資料を担当者自身で作れる範囲が広がり、テンプレートを使うことで人による資料の出来のばらつきも抑えられた。

部署ごとに情報が閉じてしまい、組織をまたいだやり取りやアイデアの共有が進まなかった。

長年のMicrosoft Office中心の運用から抜け出せず、クラウド前提の働き方に移れないままだった。

1. 経営トップの号令でGoogle WorkspaceとGeminiを全社に入れ替えた。
2. 会議はGoogle Meetの文字起こしで記録する。
3. 文字起こしをGeminiに渡し要約のプロンプトで議事録にまとめさせる。
4. 研修とeラーニングで社員の慣らしを進めた。
5. プロンプト共有アプリとポータルを社内で作り表彰の制度も組み込んだ。

半日から1日半かかっていた議事録作成がすぐ終わるようになった。

現場からIT企画課へ効率化の相談が持ち込まれるようになり、Microsoft Officeライセンスは約7割の削減を目標に置いている。

施術の考え方から店舗運営の判断まで、質問が創業者や一部のベテラン院長に集中していた。

店舗が増えるほど教育に時間がかかり、ノウハウの共有が追いつかなかった。

1. NotebookLMで対象の院長に関する社内情報を集めて整理する
2. 人格を定義するプロンプトを作りChatGPTのプロジェクト機能に読み込ませる
3. ベテランの対応事例や研修マニュアルも参照させ現場に即した回答にする
4. スタッフは本人に聞く前にボットへ相談し最後は人が判断する
5. 感情が絡む文面はAIと10〜20往復して角の立たない言い回しに整える

本人に聞く前の相談先ができ、教育にかかる手間と知識共有の速さが改善に向かった。

支援先では経営者個人が慣れる段階から、ヒアリングシートや契約書といった現場の定型業務へ広げる段階に進んでいる。

事業が伸びて仕事量が増える一方で、少ない人数でこなすための全社的な効率化が課題だった。

複数のSaaSを入れても改善が部署ごとで止まり、会社全体に広がらなかった。

1. 既存のMicrosoft 365と同じIDで管理できるCopilotを選ぶ
2. 2025年7月にDX推進部門と経営メンバー約10名で試す
3. 管理者向けワークショップで使いどころを押さえる
4. 同年9月に社員全員分のアカウントを一度に配る
5. 240名向け研修後は朝会で社員が事例を共有し合う

管理物件の入居審査で勤務先や滞納履歴といった大量の情報を突き合わせる作業の所要時間が大きく縮まり、担当者は判断や分析に時間を回せるようになった。

中途入社の社員がTeamsの履歴から過去の経緯を話し言葉で探せるようにもなり、会社としては生成AIで業務コスト30％削減を目標に掲げている。

夜間はトラブルが起きてもスタッフが支配人の指示を待つしかなく、対応が止まっていた。

紙の宿泊者カードや清掃の進み具合の共有にも手間がかかっていた。

1. 社外の生成AI環境をもとに自社向けAI支配人を作る
2. 過去の応対記録と手順書など社内文書だけを読ませる
3. 社内にデータが無いときは情報が無いと返す作りにする
4. 宿泊者カードをデータ化し清掃管理システムとつなぐ
5. タブレットでチェックアウト状況を見えるようにする

夜中でも上長の返事を待たずに現場の判断で先へ進めるようになり、400室以上の清掃も効率よく回せるようになった。

空いた時間を接客に回せてリピーターが増え、大卒初任給はこの10年で7万円上がって24万円になった。

山口事業所は少ない人数で既存業務と未経験の新規事業開発を両方抱え、議事録や資料づくりに時間を取られて本来の仕事に手が回らなかった。

現場はデジタルに触れる機会が少なく、拠点をまたいだやり方の共有も進んでいなかった。

1. 会議の音声や下書きを渡し議事録と要約を作らせる
2. 出てきた内容を人が確かめて判断する形にする
3. テンプレートとエージェント機能で市場調査や画像作成に広げる
4. 工場ではヒヤリハット対策案と教育資料づくりに使う
5. 管理職向け教育を行い月ごとの利用レポートを公表する

山口事業所では月間アクティブユーザー率が70％を超え、月15回以上使う人が全体の30％になった。

浮いた時間は組織で見ると1日1,500〜2,000分ほどまで積み上がり、使う人も7名から12名に増えた。