海外のAI活用事例

Claude Codeが使うトークンの約9割が、込み入った推論ではなくファイルの読み込みや定型コードの出力に消えていた。

高価なモデルに単純作業まで任せる状態が続いていた。

1. 読む担当bulk-readerと書く担当code-writerの2モードを作る
2. 作業用モデルにGemini 2.5 Flashを割り当てる
3. bulk-readerで大きなファイルを読み要約だけをClaudeへ返す
4. code-writerは参考ファイル指定を必須にしひな型を出力させる
5. shuntのPreToolUseフックで350行超の読み込みを止める

Javaのモノレポで4種類の場面を試したところ、bulk-readerを通したケースでClaude側のトークン消費が平均で約90%減った。

一方で軽量モデルはスレッドセーフティーに関わる問題を見落とすことがあった。

Claude Codeを本格的に使うと開発者1人あたり月200〜500ドル、時に2000ドルを超える費用がかかっていた。

質問に答えるため数千行のファイルを丸ごと読み込み、ほとんど使わない行まで課金される点が重かった。

1. 読み取りや定型生成を安いGemini 2.5 Flashに回す2つのモードを用意した
2. bulk-readerで大きなファイルを読ませ必要な情報だけ箇条書きで返させた
3. code-writerでテストや設定の雛形を作りファイルへ直接書き込んだ
4. プラグインshuntで350行超のReadを止めcatなど抜け道も塞いだ
5. 編集や深い推論や安全性が絡むコードはClaudeに任せた

Javaのモノレポで4つの場面を比べたところ、bulk-reader経由のときのClaude側のトークン消費は平均で約90%減った。

ただし委譲1回につき10〜30秒かかり、要約には正確な行番号が残らないため編集は任せられない。

営業や技術の担当者がメールや技術資料を探し回ってから回答していた。

提案やエスカレーションに時間がかかり、顧客との相談に手が回らなかった。

1. UiPathと組み社内情報を探すAIアシスタントKAIを作った
2. 答えのもとになる資料を承認済みのものだけに絞る
3. 製品仕様や設備の空き状況や回線の性能まで返せるようにする
4. 安全面の制限を組み込み回答の正しさを何度も直していった
5. 社員はKAIの答えを顧客や社内への返答に使う

KAIは月11,300件の問い合わせのうち11,000件に答えており、回答までの時間は1〜5日から1〜3秒になった。

年間25,000〜30,000時間の手作業が減り、およそ12人分の余力が生まれた。

ファンからの問い合わせ窓口がチャネルごとにばらばらで、応対の質にもムラがあった。

数字が手元に届くまでに12〜24時間以上かかることもあり、担当者は状況が見えないまま対応していた。

1. 電話とチャットとビデオの窓口をZoom CXに寄せた
2. 問い合わせを内容に合う担当者へ自動で振り分ける
3. 応対中にナレッジ記事をその場で出す形にした
4. 会話の熱量や感情のスコアで確認する通話を絞り込む
5. 見えた得意と弱点をもとに指導内容を決めた

管理者1人あたり1シフトで約2時間が浮き、確認できる通話は50%増えた。

振り分けと応答が速くなり、ファンの満足度も上向いた。

家を建てたい人は情報をできるだけ早く集めたがっていた。

以前は相談のたびに車で面談場所へ出向く必要があり、相談員側の手間も大きかった。

1. サイトのボタンで地域ごとの担当相談員へ振り分ける
2. チャットや電話の相談をビデオ面談に切り替える
3. コンタクトセンターを自社のCRMとつないだ
4. 応対中に自社のナレッジベースから手がかりを出す
5. 通話内容の要約をAIに作らせて後から確認した

月曜から日曜まで朝から晩まで地域の担当者と話せるようになり、顧客の満足度が上がった。

相談員の効率も目に見えて良くなった。

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。

問い合わせの入口が電話とウェブチャットの2つだけでしかも別々の基盤で動いていた。

買収を重ねて社員も問い合わせも増え従来の仕組みでは手に負えなくなっていた。

1. 問い合わせの窓口をZoom Contact Centerにまとめた。
2. 自社のナレッジベースをZoom Virtual Agentへ読み込ませた。
3. 担当者がAIで応答の流れを組んだ。
4. 片づかないものは有人の担当者へ回した。
5. 通話のあとにアンケートを出して評価を集めた。

チャットの自己解決はZoom導入前の30%未満から2か月で75%へ向かっている。

平均の通話時間は2分以下になり通話後アンケートの良い回答はおよそ90%になった。

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。

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。

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。

エージェント型AIと書類読み取りの計算量が増え、必要なときだけGPUを立ち上げるやり方では余った容量の費用がかさんでいた。

高性能GPUの入手も難しく、地域ごとの専用クラスタを抱える手間も重かった。

1. 製品ごとに分かれたGPUを一つの共有フリートにまとめる
2. 昼はリアルタイム推論、夜間や閑散時間はバッチ学習へ自動で切り替える
3. 重い学習はH100のA3、軽い推論はRTX Pro 6000のG4と使い分ける
4. Dynamic Workload Schedulerで学習の実行を前もって予約する
5. スタック全体をGoogle Kubernetes Engine上で動かす

GPUの可用性と信頼性が上がり、学習と本番推論を止め合わずに回せるようになった。

この基盤を使うOmega Healthcareでは1億件を超える処理が自動で流れ、精度は99.5%、かかる時間は40%減った。

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。

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。

こちらから電話をかける流れとばらばらの予約ツールでは診られる患者数に限りがあった。

夜間に届いた問い合わせは返せないまま残っていた。

1. ZoomのCX基盤でオンラインの診察室をつくった
2. 受付担当とビデオでつながり本人情報を確かめる
3. 資格と症状と医師の空きに合わせて看護師へ自動で振り分けた
4. 看護師がバイタルと症状を聞いてから医師へ引き継ぐ
5. 夜間の予約受付は仮想エージェントが代わりに受けた

一部の事業で予約枠が月1万件から6万件になった。

以前は月2000人ほどだった患者が直近のある月は1万人を超え、1時間に診られる人数も増えた。

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。

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。

店頭で働く人に応募してもらうのにログインを作らせて長い入力フォームを書かせていた。

途中でやめる人が多く採用担当も事務作業に追われて人を見極める時間が取れなかった。

1. 採用サイトとQRコードからAIエージェントを24時間動かした。
2. ログインとフォームをやめてチャットだけで応募を終える形にした。
3. 希望と勤務地から合う求人を示して面接候補日を送る。
4. 内定後の本人確認や書類送付もエージェントが進める。
5. 滞留時間と通過率を見て自動化するか人が出るか決める。

長くかかっていた入社前の手続きが数日で終わるようになり金曜の夜に内定を受けた人もそのまま進められるようになった。

採用担当は事務作業から離れて候補者との対話に時間を使えるようになった。

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。

社員の書類を人手で探して分類していたため時間がかかりミスも起きやすかった。

同じ作業の繰り返しが担当チームの負担になっていた。

1. ロボットが対象のファイルを自動で集める
2. OCRで中身を読み取りAIが書類の種類ごとに分ける
3. 意味のまとまりに束ねて担当者へ回す
4. 人が中身を確かめて承認する
5. 読み取れない日付は人が入れる形にした

従来のやり方と比べて処理時間が60%減った。

今は49人の人事担当者が毎日この仕組みを使っている。

採用の流れが20を超える工程に分かれ、面接の日程調整や急な変更に採用担当の時間が取られていた。

履歴書と募集要件の突き合わせも手作業で事業の速さに追いつけなかった。

1. 候補者対応エージェントを入れ選考の絞り込みを自動にした
2. エージェントが候補者に合う求人を案内する
3. 募集要件を満たすかの確認もエージェントが行う
4. 候補者と採用責任者の空き状況を見ながら面接日程を組む
5. リマインドの通知を送って当日の欠席を減らす

採用にかかる期間が75%短くなり、事務的な作業は5,000時間分減った。

面接の日程確定は最短9秒で、日程の組み直しの割合は19%から10%に下がった。

顧客は飲食店や小売店の経営者で、給与計算やシフト公開の困りごとが深夜や早朝にも起きていた。

電話サポートは平日だけで1日12時間しか開けられず、24時間の対応は採算に合わなかった。

1. AIエージェントをサポートの入口に置いた
2. 範囲の狭い用件から会話の流れを組んだ
3. 品質の数字が安定してから対象を広げた
4. 起こりやすい質問を先に3つ出す
5. 用件のあとに新機能を伝え予約まで受け付ける

問い合わせの70%をAIだけで数分のうちに解決している。

担当者1人が扱う件数は3分の2以上減り、AIが答えた分の満足度は人の対応と同じ水準になった。

採用担当が電話面談や面接の日程を全部手作業で押さえていた。

予定を1つ入れるだけで何日もかかり採用の動きが遅れていた。

1. Paradoxの候補者対応エージェントに日程調整を任せた
2. 候補者を通すと空き時間をショートメッセージで送る形にした
3. 候補者が時間を選ぶとOutlookに仮予約が入るようにした
4. 日程の変更もエージェントとのやり取りだけで済ませた
5. 後半の面接は会議室やURLを人が入れて以降を引き継がせた

日程が決まるまでの時間が大きく縮まり、面接までの待ち時間も短くなった。

採用担当と調整役の手作業が減り、候補者と向き合う時間が増えた。

古い仕組みと新しい仕組みが入り混じり端末の交換に何日もかかっていた。

システムがつながっておらず多くの注文が手作業での対応を必要としていた。

1. 基幹の仕組みは入れ替えず既存システムをまたいで流れをつないだ
2. 顧客対応から開通と請求までを一つの層でまとめて動かす
3. 止まっている処理や詰まりをリアルタイムの画面で見つける
4. 人は見つかった詰まりの判断と手当てにまわる

最大10日かかっていた携帯回線の開通が10分未満で終わるようになった。

試験導入から本番運用まで短い期間で進んだ。

第III相の試験は医薬品開発で最も金と手間がかかる段階で1回あたり1,900万ドル〜1億ドル超の負担になる。

パートナー企業や実施施設をまたぐ運営が複雑で進みが遅れやすかった。

1. 外部の支援先と組んで試験の進め方そのものを見直した
2. AIの分析結果と業務データを1つの画面にまとめた
3. 主要な指標と次にやることを追跡できる形で出す
4. 過去に分かったことも同じ場所へ貯めて共有する
5. 優先度の高い試験チームから使い始めた

優先度の高い30を超える試験チームで使われるようになった。

3か月でユニークユーザーは100名未満から900名近くまで増え全社の公式な基盤になった。

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。

公開のAIサービスに社内の情報を入れるとEU外で処理される心配があり社員が自由に試せなかった。

サービスごとに契約とログインが分かれて管理の手間も増えていた。

1. 外部のコンサル会社と組み社内向けのCopilotを作った
2. 複数の大規模言語モデルを切り替えられる土台にした
3. データの保管先をEU内に保ちメールやSlackや社内文書をつないだ
4. RAGで社内のデータに沿った回答を返すようにした
5. プロンプトからメール送信や要約やチケット作成も動かせる形にした

文書づくりや情報探しにかかっていた手間が減り社員が使う時間の節約を実感するようになった。

今は600人以上が日常的に使い対象となる社員の約90%まで広がった。

季節ごとに6〜8週間で最大100人のコーチを集める必要があった。

手作業が多く面接の日程を決めるだけで2週間かかり候補者を見極める時間が残らなかった。

1. 会話型のATSを採用の入り口に置いた
2. 24時間動くAIがショートメッセージで応募を受け付ける
3. 質問への回答と面接の日程調整もAIに任せた
4. 選考の質問に加えてコーチの一日を映した動画を送る
5. AIが集めた候補者の情報を読んでから人が電話面接する

水曜に使い始めて金曜には採用担当の予定表が15-20件の面接で埋まった。

事務作業が自動で片づき採用までの期間も縮んだ。

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。

募金を立ち上げる人のほとんどが初めてで文章を書くことに慣れていない。

つらい状況の中で題名と本文と目標額と写真を白紙から用意させる負担が大きかった。

1. 募金ページ作りの入口をSierraのエージェントとの会話に変えた
2. エージェントが今の状況を尋ねながら題名と本文と目標額と写真をそろえる
3. 過去の膨大な募金ページから学んだ内容をもとに助言を返す
4. 病気のペットのためなら一緒の写真や獣医の請求書を足すよう促した
5. 本人の言葉をそのまま生かし文章を書く自由は取り上げなかった

多くの主催者が募金の作業のつらさが減り支えられていると感じたと答えた。

寄付額は5%増えた。

市販のモデルではシンガポール特有の言い回しや現場の事情をつかめなかった。

外部のネットにつながらない環境で動かす必要があり必要な知識をモデル自体に入れておくしかなかった。

1. 2025年3月からMistralと組み基盤モデルに独自データを足す
2. 追加学習させPhoenixというモデル群を作る
3. Phoenix-VL1.5Mediumは123Bで画像と文章を扱う
4. 学習はAI Forgeで行い運用と評価はAI Studioに乗せる
5. 通報記録やSNSやセンサーの情報を読み込ませて要約させる

Phoenixの小型版と中型版がNGINE上で動き標準的なLLMの評価で上位の成績を出した。

事務作業の負担が減り現場の職員の対応が速くなった。

古代ギリシャ語の資料は人が書き写して読み解くしかなく傷んだ断片は手つかずのままだった。

読まれていないパピルスが世界中にたまりオーストリア国立図書館だけでも数万点を抱えていた。

1. Mistralと組み古代ギリシャ語向けのLLMを作った。
2. ギリシャ語文献6億語と碑文やパピルスで学習させた。
3. 欠けのある碑文や文書を渡して候補を出させた。
4. 意味のつながりをたどり関連する記述を探した。
5. 欧州内の基盤で動かし研究者が結果を確かめた。

以前は数年かかった解読と修復が数時間でできるようになった。

研究者は復元そのものより解釈と分析に時間を回せるようになった。

社内プラットフォームのCortexは動かした本人にしか結果が見えず他の社員に届かなかった。

LLMを組み込んでも返事の遅いAPI呼び出しの域を出なかった。

1. Notionを全社の情報が集まる場所にした
2. 会議のメモを自動で作りタスクを切り出す
3. タスクを得意な役割のエージェントへ割り振った
4. Slack送信や画像生成をJavaScriptの関数で用意する
5. Notion上で承認するとGitHubへ反映される形にした

会議が終わってお茶を淹れている間に割り振ったタスクが片付くようになった。

エンジニア以外の社員もターミナルを触らずにスキルを足せるようになった。

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。

患者からの電話はプッシュ操作の自動音声で振り分けていた。

選択肢を押し間違えると最初からやり直しになり患者の負担が大きかった。

1. 残高確認や支払い計画など件数の多い電話をAIが受ける形にした
2. 決まった順路をやめ最初に用件を聞いてから進める
3. 電子カルテや予約や口座のデータをつなぎ残高を合算した
4. 本人確認を用件の聞き取りの後に行う順へ入れ替えた
5. 判断が要る相談は本人情報と会話を渡して人へ引き継ぐ

初期のテストで入電の最大40%をAIエージェントだけで解決した。

本人確認にかかる時間は半分以下に縮んだ。

工場と倉庫が多く在庫の今の状態がすぐ見えなかった。

これまでのやり方では需要の読みが外れやすく担当者が手作業で数量を直し続けていた。

1. 需要予測と在庫最適化の2つを18か月かけて入れた
2. 3つの基幹システムにまたがる10のデータソースを1画面にまとめた
3. AIが出した需要予測を安全在庫の目安と補充の発注案に変える
4. 計画担当と生産スケジュール担当と管理者の3種類の画面を作った

手持ち在庫が25%減り手作業での注文投入は55%減った。

サービスレベルは3%上がり需要予測の精度も6%良くなった。

世界の採用チームが面接の日程調整と組み直しに毎月8,000時間を超える時間を取られていた。

候補者への電話や伝言で手が埋まり、採用の中身を考える時間が残らなかった。

1. 採用担当が応募者管理システムで手続きを始める
2. AIエージェントが候補者へ面接の候補時間をテキストで送る
3. 担当者のカレンダーと同期して空き時間を最新に保つ
4. 候補者が時間を選ぶと仮予約を入れて担当者へ知らせた
5. 日程変更のテキストを受け取り数分で組み直す

日程調整に使っていた8,000時間はゼロになり年間300万ドル超を削減した。

ネットプロモータースコアは5ポイント以上上がった。

クリスマスや年末年始に電話が集中し人手が追いつかなかった。

保留時間が延びて社員には残業が課され、答えられない質問も出ていた。

1. 給与処理の電話を音声AIエージェントが年中無休で受ける
2. 何時間分といった依頼を声で聞き取りそのまま処理する
3. 声と最初の案内を近所の担当者と話す印象に調整した
4. 運用しながら挨拶を短くし法律用語の説明も削った
5. 担当者は専門的な判断が要るHRの相談に回る

使った顧客の満足度は95%で手間の少なさの評価は93%だった。

一度使った顧客が繰り返し使うようになった。

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。

一部の部門だけで試して旗振り役を育てるやり方では弁護士の働き方までは変わらなかった。

事務所が目指す規模の変化には届かないと早い段階で気づいた。

1. 責任者3人で推進チームを組んだ
2. 試験導入を挟まず全ての拠点へHarveyを開放した
3. 経営トップがアソシエイト全員のAI認定を必須にした
4. 効果を感じたパートナーが部下にも利用を求めた
5. 部門長との作業会で業務の組み直しを進めている

Harveyを使う人は1日700人まで増え1か月では1,400人になった。

アソシエイトのAI認定は100%になり仕事の速さを評価した顧客からの依頼も増えた。

店長が応募書類を見て自分で電話をかけ面接の日程を組んでいた。

候補者と電話がつながらず採用まで13日かかり、店は人手が足りない状態が続いていた。

1. Workday Paradoxを入れ日程調整をAIエージェントに任せた
2. 店長の空き時間をもとに面接できる時間をSMSで送る
3. 候補者が時間を選ぶと予定を押さえて店長へ知らせる
4. 会話型のATSで求人の開始や終了をスマホから操作できるようにした
5. 応募の受付から入社手続きまで任せ採否は店長が判断する

採用までの日数は13日から4日へ短くなり、店の人員が埋まるようになった。

採用の流れの9割以上がSamで自動になった。