Geminiの活用事例

夫婦生活費と子ども費とその他という独自の3分類が必要で、既存の家計簿アプリのカテゴリでは合わなかった。

そのため買ったものを一つずつレシートから拾って電卓で足す手作業が家庭内で続いていた。

1. 仕様の原典になる文書の構成をAIと決める
2. 作りたいものを音声入力で話し質問に答える
3. 文書間の食い違い10件を検証役が直す
4. データモデルと分類ルールと認証の3節を読み保留4件を決める
5. テスト駆動で4回に分けて実装させる

自分が手を動かした時間は2〜3時間で、コードは1行も書かなかった。

AIが書いたテストは330本で、テストを通ったあとに見つかったバグは1件だった。

家庭内の電卓での集計もなくなった。

自分で書いた雑文エッセイは誤字や語法の乱れに気づきにくく、値段など事実の裏取りも一人では手間がかかっていた。

1. エッセイ全文をAIに渡して校正を頼む
2. 誤字と語法と表現のゆらぎだけ抜き出させる
3. 本文中の事実確認もあわせて指示する
4. 同じ文章と指示を複数のAIに与え指摘を見比べる
5. 受け入れる指摘と原文のまま残す箇所を分ける

甘さ控えを甘さ控えめに直すなどの誤字が拾え、食感の描写も書き換えられた。

B級グルメの由来やチェーン店のカレーうどんが500円超え、名店が1000円超えという記述は事実と合っているとの確認が得られた。

モデル比較の記事は順位表の引き写しばかりで、自分の業務の文書を実際に通した記録が見当たらなかった。

出たばかりのモデルはとくに実例が乏しく、どちらを毎週の文書作成に使えばよいか判断できなかった。

1. 毎週作っている週報の起草を試験の題材にした
2. 記事別viewsや検索順位を含む1,341字の生データを入力にした
3. 本文500〜700字など5つの要件を決めた
4. 要件を機械で検査し数値照合とセクション数え上げを自動化した
5. 2モデルを各2回走らせコストを2層で並べた

4走とも生データにない数値は0件だったが、字数は768字から796字まで全走で上限を超えた。

実経路のコストはGemini直接APIが1走$0.0059〜$0.0088、CLI経由のSolが$0.036で、Geminiは503が続き3回目で成功した走もあった。

週報はGeminiの直接APIで回し、字数チェックと作り直しを工程に入れることにした。

高齢の親や愛犬と出かけるため、ペット可の宿だけでなく犬と入れる観光施設や飲食店まで一つずつ調べる必要があった。

候補探しに手間がかかり、計画づくりに数日を要していた。

1. 行き先と目的を書いてGeminiに渡す
2. 同行者の人数と年齢を添える
3. 予算や日数や行きたい場所を条件に書く
4. 定休日や天気予報をもとに日程を直す
5. 宿や航空券の予約まで進める

国内でも海外でも、以前は数日がかりだった旅行の計画と手配が2時間ほどで終わるようになった。

同行者に合わせた提案が返るため、条件探しの負担が大きく減った。

編集用の仮ナレ作りや深夜ニュースの読み上げにアナウンサーを確保する負担が重く、外国語ナレーションは人もお金も足りなかった。

1. GeminiとText-to-Speechを土台に自社の音声生成基盤を作った
2. 音声合成マークアップ言語で尺やアクセントを制御した
3. 原稿を入れて声色を選びワンクリックで音声を作る
4. アクセントを1文字ずつ直し固有名詞を手で整える
5. 報道は従来型モデル、ドラマはGemini系と使い分けた

正式公開から1年で利用者は800人を超え、作られた音声は合計500時間分を上回り、音声まわりの業務だけで20人月ほど減った。

費用の都合で読み手を立てられずにいた動画にも音声を付けられるようになり、外注した場合との差は概算で1000万円以上になった。

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。

転職で150社以上に応募しても通らず、原因の一つに見せられる開発実績が無いことがあった。

自分でコードを書く前提だったが、開発環境づくりの段階からつまずいた。

1. 職務経歴書を作るWebアプリという題材を決めた
2. devcontainerの構築からAIエージェントに任せた
3. 人は指示役に回り設計・実装・テストをAIが進めた
4. 進捗と方針をリポジトリ内にAIが書き残す形にした
5. 別PCではdocs/designを読んで続けろと指示し再開した

2026年8月15日に始めた開発は8月23日に本番へのデプロイまで終わった。

かかった費用はGitHub Copilotのクレジット約40ドルとドメイン11.51ドル、それにVPSの36か月契約22,733円とGemini APIの5000円だった。

パッケージ時代から続く仕様書中心の開発の流れが残り、実装後に仕様書を書き直す手戻りも多かった。

AIを入れただけでは人の進め方が足かせになっていた。

1. 全社で使えるGeminiを土台に置く
2. 用途ごとにCursorやClaude Codeを使い分ける
3. 人が要求と制約を渡し設計から実装までAIに任せる
4. 仕様書をMarkdownに直しGitHubでまとめる
5. AIの実装を人が直しその成果物からAIに文書を作らせる

対象の開発案件で見積工数が約5分の1まで減った。

AIを使った開発手法のワークショップでは3日間でプロトタイプまで仕上がった。

プロダクトの技術的な問い合わせでは過去の記録やヘルプ、仕様書を横断して調べる手間があった。

受付から調査やクローズまでをCREが抱える形で、件数と対象プロダクトが増えると回らなくなっていた。

1. 社内メンバーがSlackの起票フォームに内容を入力する
2. ワークフローの途中でエージェントを呼び出す
3. 過去の対応記録やヘルプ、似た事例を探させる
4. 根拠と次に取る行動が分かる回答をスレッドに返す
5. 回答の良し悪しをボタンや絵文字とLLM採点で記録する

起票する前にメンションで聞いて、問い合わせた本人が自力で片付く場面が増えた。

最初は検索結果の羅列で終わることが多かったが、解決そのものを目的に据えて指示文を直した結果、何をすればよいかまで示す答えが返るようになった。

住宅の工事工程は担当者の経験に頼って組んでおり、経験の浅い社員だと節目の日取りを正しく置けず時間もかかっていた。

1. 現場監督がGeminiのカスタム機能で工程作成の仕組みを作る
2. 着工から引き渡しまで約150日を土台に設定する
3. 木工事完了日やクリーニング日など外せない節目を登録する
4. 着工日を入れるだけで各節目の日付を逆算して並べる
5. 出てきた工程を担当者が現場の事情に合わせて手直しする

入力するのは着工日だけになり、経験の浅い担当者でも精度の高い工程を引けるようになった。

代表からはカレンダーへ全工程を自動連携する次の案も出た。

インテリアを整えた経験がなく何をどこに置けばいいか分からなかった。

立体の完成像を頭に浮かべるのも苦手だった。

1. キッチンとダイニングを片付け現状を写真に撮る
2. 写真をChatGPTに送り変更点を画像付きで提案させる
3. イギリスの田舎と昭和レトロという方向を伝える
4. 棚の扉を外すなどの作業は自分で行う
5. 古道具の正体が分からないときはGeminiに聞く

半年かけて自分好みのキッチンダイニングができ、好きなものが視界に入る時間が増えた。

DIY初心者でもできる範囲が広がり、日々手を入れるのが趣味になった。

日記は毎日書くのが面倒で続かず、ノートに書きためても見返す習慣がないまま眠ったままになっていた。

1. 寝る前にiPhoneのボイスメモで5分ほどその日の出来事を話す
2. 思い出せないときはスケジューラを見て内容を補う
3. 録音ファイルをアプリからNotebookLMに共有する
4. 週末にファイル名を日付へ付け替える
5. たまった録音に振り返りと次への助言を求める

雑多な独り言のまま残した記録がAIへの質問で使える情報になり、振り返りやブログの題材選びにつながった。

無料だと1つのノートブックのソース上限が50個で2か月弱で埋まるため、上限300個のGoogle AI Proを契約した。

建築・住宅の業界では経営者が個人でAIを触っていても会社全体で回っている例は少なく、何から手を付けるか決められないまま止まっていた。

社内でも使う人と使わない人の差が広がっていた。

1. 社員のAI活用事例の提出を人事評価の項目に組み込む
2. 提出された取り組みを社内にためていく
3. 施工写真をGeminiのGem機能に読ませ投稿案と動画まで作らせる
4. 現地動画と現場の音声を渡し土地レポートPDFにしてLINEで送る
5. 2枚の図面を比較チェッカーに読ませ差分を色付けと一覧で出す

3カ月で422件の事例が社内にたまった。

過去の提案資料を横断して探せる社内アプリは15分で作り翌日から使い始めた。

英語で自分の考えを表す力には生徒ごとに差があり合う学習方法も違う。

一律の練習では一人一人に合わせられなかった。

1. 前の時間に読み取った情報を整理しておく
2. 本時は表現を学ぶ方法を生徒が自分で選ぶ
3. 生成AIに質問する方法とクラスメートに相談する方法を用意する
4. AIアバターと英語でやり取りしてペアワークの予行をする
5. 最後にペアで自分の考えを伝え合う

生徒が自分の進み具合や得意不得意に合わせて練習方法を決める形になり個別に合わせた学習の機会が増えた。

社員が個々に抱える業務にAIをどう当てるかが決まらず、研修をしても現場で使われないままになりやすかった。

補助金や労務の対応は特定の社員しかできず、業務量も見えなかった。

1. 社員ごとにタスクと所要時間と頻度と属人度を洗い出した
2. 洗い出しをもとに一人ひとり専用のGemを組んだ
3. 担当業務に合わせた指示文を用意した
4. SNS担当は分析と台本や投稿文の下書きをAIに任せた
5. 総務は補助金の要領を読み込ませ質問に即答できるようにした

研修の翌週から現場でAIが動く状態になった。

SNSの制作時間が大きく減り、補助金や労務の属人化が解けて誰でも扱える形になった。

スタッフが思い思いにAIを触るだけで会社としての方針が無かった。

ECのバナー制作に最長5日かかり、物販のリサーチや行政資料の読み込みにも時間を取られていた。

1. Geminiの有料版Gemに用途ごとの指示を登録する
2. 登録したGemでECのバナーやクーポン画像を作る
3. リサーチ用Gemの指示を結果を見ながら直し続ける
4. 画像生成の指示はYAML形式で条件を分けて書く
5. 行政資料をNotebookLMに入れ質問して引き出す

バナー制作は最長5日から10分になり、物販リサーチで出荷に繋がる商品は0%から40%へ上がった。

画像生成の修正回数も約半分に減った。

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。

ごみの出し方や施設の場所を尋ねる電話が一日中鳴り続け、職員の手が取られていた。

1. Geminiでごみの分け方と出し方のガイドを作った
2. 品名を入れると出すときの注意点が出る形にした
3. 施設名を押すとGoogleマップが開くようにした
4. 中身はごみ処理施設の職員と話しながら詰めた

ガイドは30分ほどで仕上がった。

市民が自分で調べられる形になり、庁内へ小さな成功の例として示せた。

住宅不動産の現場は人が足りず、育成が先輩の背中を見て覚えるやり方に頼っていた。

プレイングマネージャーによる指導は人によってばらつきが大きかった。

1. 商談やロールプレイングの音声と動画をAIに読ませる。
2. 話の内容・声のトーン・表情の3つでトップ営業との差を数値で返す。
3. 上司から部下への指導もAIが確かめて指導の質を点数にする。
4. 商談の品質や提案の姿勢も数値にして評価に使う。
5. GeminiやNotebookLM・Claudeを組み合わせて土台を作った。

新人の研修期間を4ヶ月から3ヶ月へ、商談化率を20%から25%へという目標を掲げて稼働を始めた。

離職率は約20%改善を見込む。

製造現場にはノウハウが大量にあるものの言葉になっていなかったり紙のまま眠っていて、多くの社員が使える形になっていなかった。

完璧な答えを求めるあまりAIを使わずに終わる空気もあった。

1. 社長の分身となるAIをChatGPT上に作る
2. 経営の考え方や著書の内容を読める文章や表に直して渡す
3. 60点の答えでも捨てず聞き方や不足知識をAIに尋ねる
4. 出てきた内容は人が中身まで確かめて責任を持つ
5. 作業者を撮った動画をAIに見せ問題点を挙げさせる

知識を言葉にしてAIに預けたことで、他の人が持っていたノウハウを別の場所でも使えるようになり、アウトプットまでの時間が極端に短くなった。

人が見ても気づかない作業の問題点を動画から指摘させる使い方もほぼ実用の段階に入った。

AIを使いたくても何から始めればいいか分からず、社内に専門の人材もいなかった。

研修を1回受けるだけでは社内に残らなかった。

1. 毎週金曜に1時間の勉強会を1年間続けた
2. 全10事業部から担当者を出し困りごとをその場でコードにした
3. GASで反響管理表の集計を自動にし案内文をChatGPTで作らせた
4. Geminiの生活相談員をChromebookに置いて24時間答える場を作った
5. Claudeで図面の差分を赤く表示させ最終確認は人が行う形にした

広報企画部では年間1,368時間の作業を減らした。

1年前にAPIやGASを分かっていたのは2名だけだったが、いまは全社で自分たちで作れるようになった。

マーケティングで見込み客の情報は集まるものの、営業担当は誰が買う可能性が高いのか判断できなかった。

その根拠も示せなかった。

1. データ分析の担当が社内の各システムをつないだ仕組みを作った。
2. 毎日自動で見込み客を判定し有望度を数値にした。
3. 予測AIが数値を出しGeminiが理由を文章にした。
4. 営業とマーケティングが数値と理由を日々の動きに使った。
5. 架電スクリプトの提案までAIに広げる形を検討している。

架電数が16.8%増え商談化率は15.1%向上した。

部署をまたいだやり取りにかかる手間も減った。

世界100カ国以上で1,520以上のホテルを持ち顧客の母国語で広告を届けたいと考えていた。

だが言語ごとに広告を作り分ける工程に数週間かかっていた。

1. Vertex AIとGeminiモデルを使う仕組みを整えた
2. 多言語広告の出し分けをこの仕組みに任せた
3. BigQueryにためたデータをAIモデルに学習させた
4. 広告の中身を言語や地域に合わせて調整した

数週間かかっていた工程が数時間で終わるようになった。

広告チームの生産性は50%上がりAIを使ったキャンペーンの収益も20%以上増えた。

AIが便利なのは分かっても何に使えるか分からないという声が社内に多かった。

使う人と使わない人の差が残っていた。

1. AI推進の部署を作りPerplexityを全員が使える状態にした。
2. 調べ物では複数AIの回答を見比べて根拠をたどる。
3. 問い合わせをAI関数で20のカテゴリーへ自動で振り分ける。
4. 要約から原因の特定と返信文の作成まで出させる。
5. 機械学習モデルのコードを説明させてレビューに使った。

導入1カ月の時点で全社の業務での利用率は92%となり、導入前から33ポイント上がった。

月の業務削減時間は768時間にのぼった。

毎週月曜の朝に経営会議で使う定例レポートを作っていた。

週明けの忙しい時間に手作業が重なり負担が大きかった。

1. BigQueryから必要な数字を集計する。
2. 集計した結果をGeminiへ渡す。
3. 視聴の傾向と過去の実績を比べた要約とコメントを書かせる。
4. 社員が押さえる見方をプロンプトへ落とし込んだ。
5. 出てきたレポートを経営層がそのまま読める形にそろえた。

担当者の手間が減り、レポートの中身も人によるばらつきが無くなった。

経験のある社員だけが書けていた気の利いたコメントもAIが出せるようになった。

以前は大きな発表があるときだけ単発でリリースを出しており1本あたりのPVは50〜100程度にとどまっていた。

原稿を1本仕上げるのに2-3時間かかっていた。

1. 伝えたい中身の概要を短くAIへ渡した
2. メインとサブのタイトル案を5つずつ出させた
3. 合う案を選び社内の言い回しに寄せて手直しした
4. 決まったタイトルをもとに本文を書かせた
5. 数字や固有名詞を人が確かめ画像を付けて公開した

30日間の合計は21,468PVで転載は833件になった。

1本あたりの平均は700PV超まで伸び原稿の作成時間は30分-1時間に縮まった。

生成AIを全員が使える組織にしたかったが、社内で使う人と使い方が揃っていなかった。

1. 2025年2月にAI推進のプロジェクトチームを作った
2. ツールの導入と使い方のルールを整えた
3. 開発部門はDevinやCursorにテストコードを書かせた
4. 営業は商談内容を自動で記録させ海外拠点は一次翻訳を任せた
5. バックオフィスはNotebookLMで社内問い合わせに答えるbotを作った

従業員の生成AI利用率が100%になり、82.9%がほぼ毎日使うようになった。

72.9%が1日30分以上の時短を挙げ、全社で16.5%の業務削減を見込む。

岡山県西粟倉村の温泉旅館や役場など3つの事業者は、情報発信のやり方に悩みを抱えていた。

支援する側も短い滞在で現場の実情をつかむ必要があった。

1. 訪問前に村のオープンデータを集めた
2. リモートで事業者に話を聞いた
3. 現地の長時間インタビューと業務体験で一次情報を集めた
4. 集めた話とデータを複数のAIに読ませ課題と対策案を出させた
5. 大量の案はAI自身に評価させて絞りチームで見直した

顧客像の設定と購買までの流れの整理は、これまで1ヵ月以上かかっていたのが実質2～3日程度で仕上がった。

最終日にはホールで3事業者へプランを発表し、役場からは今後の政策づくりの参考にしたいという声が出た。

庁内の仕事のやり方を変えたいが、文書づくりや資料作成に時間を取られていた。

業務ごとに合う道具もそろっていなかった。

1. 2024年度に3つの生成AIを職員の自席PCで使える形に整えた
2. 挨拶文の下書きやアイデア出しに使っている
3. 予算資料の作成や議会対応の文章づくりにも広げた
4. 道路の判定AIや議事録AIやAI-OCRも業務へ入れた
5. ガイドラインと研修で職員を支える形をとっている

削減できた時間は1か月あたり662時間になった。

職員の満足度も80.5％と高く、難しい仕事に挑む気持ちが強まるなど意識の変化も出ている。

先に入れていたAIツールは出てくる中身が実務で使える水準に届かず、資料作りやコードを書くのに時間がかかっていた。

1つのアカウントでチャットルームを1つしか持てず、社内から不満も出ていた。

1. セキュリティと機能と価格を見比べてツールを選んだ。
2. ChatGPTとClaudeとGeminiを用途ごとに使い分けた。
3. 長い文章の求人原稿はClaudeに任せた。
4. 記事や資料や新規事業のアイデアをAIに下書きさせた。
5. 出てきた文章は最後に人が読んで直す流れを組んだ。

4〜5時間を要していた仕事が1〜2時間で片づくようになった。

ルームに関する社内の不満の声はゼロになり、約1,200名が日常的に使っている。

前に入れたAIツールは出てくる内容が実務で使える水準に届かず、資料作りやコード書きに時間がかかっていた。

1アカウントで1つのチャットルームしか持てず社内から不満も出ていた。

1. セキュリティと使い勝手と価格を比べてツールを替えた。
2. 約1,200名が記事や資料やアイデア出しに毎日使う。
3. 長い文章や求人原稿はClaudeに任せる。
4. AIが書いたものは最後に人が読んで直す。
5. 話題ごとにルームを分けて履歴をさかのぼれるようにした。

同じ仕事にかけていた4〜5時間が1〜2時間まで減り、仕上がりの質も上がった。

1つのルームで別の話題を扱いたいという社内の不満も出なくなった。

養護教諭は保健室に一人でいることが多く、端末の使い方を聞ける相手がいなかった。

PCが配られてもデジタル化が進まない状態だった。

1. 講師はオンラインで登壇し会場のPCにつないで80分教えた。
2. 前半でCanvaの使い方とGeminiへの指示の出し方を説明する。
3. Geminiで気をつける点も合わせて説明した。
4. 後半は必ず作る保健だよりをCanvaで作るワークに移る。
5. 受講者どうしで相談しながら手を動かして仕上げた。

アンケートでは69.2%が学んだ内容はとても役立ちそうと答え残りも役立つと答えた。

Canvaを使いたいという肯定的な回答は100%でGeminiは94.8%だった。

各教科でルーブリックを作る研究を進めていたが、ゼロから作ると時間がかかりすぎた。

教員の負担が重くなっていた。

1. 教科書の内容や授業で行う活動をプロンプトに書き出す。
2. ChatGPT4oやGeminiへ渡して評価基準のたたき台を出させる。
3. 出てきた案を教員が細かく直して最終版に仕上げる。
4. 完成したルーブリックを生徒とも共有する。
5. 教科や授業の中身に合わせてプロンプトの書き方を変える。

ゼロから作る場合と比べて作成の時間が大きく減り、教員の負担が軽くなった。

一方で出力をそのまま使うのは難しく、教員の修正が欠かせない。

長期休業の動静表は全体の一覧表と個人表の間で行事や日直のデータを写す作業が多かった。

学校で最も忙しい教頭の負担になっていた。

1. 作りたい動きをChatGPTとGeminiへ伝えてコードを書かせた
2. 全体の一覧表を作る処理と個人ごとの動静表を作る処理を用意した
3. 修正の反映と行事や日直のデータをやり取りする処理も加えて4つにした
4. 一度では動かないので何度も対話を重ねて直した
5. コードの埋め込み方はYouTubeの学習動画で確かめた

4つのコードで動静表づくりが自動になり教頭の作業が減った。

出来上がった仕組みは市内の全校へ配った。

職員の多くは試しに使ったり調べものに使ったりする程度だった。

校務の中で使うところまでは進んでいなかった。

1. 校内研修でGeminiの使い方と使った例を職員へ紹介した
2. 例に挙げたのは面談の内容を考える場面や発表原稿を作る場面だ
3. 部活動の練習計画づくりや練習問題づくりも取り上げた
4. 研修では職員がGeminiを実際に触る時間も設けた
5. 使ったあとに良かった点と気になる点を出し合った

作業が早く終わるという声が多く出た。

一方で答えの正しさや考える力が落ちることを心配する声も多く、校務での本格的な利用までは届かなかった。

ちょっと誰かに相談したい場面が日々あった。

ただ他の職員を集めて意見を出し合う時間は取りにくかった。

1. 自分の考えを書き添えてGeminiへ投げ別の見方の案を出させた
2. 校区探検では子どもがわくわくするタイトル案を並べさせた
3. 出てきた案を担当者が考えた案と見比べた
4. 働き方改革ではアンケート以外の確かめ方を挙げさせた
5. 出てきた案はそのまま採らず担当者が選んで整えた

人を集めなくても複数人で話し合ったのと同じくらいの案が手に入るようになった。

通知表の所見は児童1人につき10分から30分かかっていた。

学級の人数分を書く担任の負担が大きかった。

1. その人に伝えたいことをプロンプトの形で書く。
2. 大まかな文章も一緒にGeminiへ送る。
3. 日本語の表記を正しくして無駄やぶれの無い文に組み立てさせる。
4. 出てきた文は最後に自分で直して決める。

所見の下書きにかかる時間が大きく減った。

ただし一人ひとりの学びの成果までは伝わらないため最終の文は教師が決めている。

職場体験を受け入れた事業所から事後アンケートが集まっても中身を読み込んで生徒の傾向をつかむ手間があった。

1. Googleフォームで事業所の事後アンケートを集める
2. 集まった回答をまとめてGeminiに渡す
3. 全体としてどんな傾向があるかを整理させる
4. 出てきたまとめを教員が確かめてから職員と生徒に見せる

事業所から見た生徒の傾向を職員と生徒の双方で共有できた。

学級編成は児童の個票を作って担任と専科教員など複数人で決めるため、時間がかかり人の手による間違いも起きやすかった。

1. 児童一人ひとりの個票から特性を項目に起こす。
2. その項目を数値にしてデータの形にまとめる。
3. まとめたデータをGeminiへ渡し学級の組み分け案を出させる。
4. 出てきた案を担任と専科教員が確かめて決める。

学級編成にかかる時間が大きく縮まり人の手による間違いも無くなった。

同じやり方は運動会の徒競走の走順決めにも回せると分かった。

生活目標の「互いの意見を大切にして話し合おう」を小学1年生にも分かる言い方で伝えるのが難しかった。

1. 生活目標の文言と伝えたい目的をGeminiに渡す
2. 伝え方の考え方と具体例をいくつも出させる
3. 返ってきた案の中から目的に合うものを選ぶ
4. 選んだ例を朝会の講話でそのまま話す

子どもの身近な体験と結びつけるとよいという助言と一緒に、みんなでアイスを選ぶ場面という具体例が出てきた。

その内容で話したところ児童の反応が良かった。