飲食店のAI活用事例

数千店舗ぶんのメニューや在庫のデータはあったのに、固定のレポートやダッシュボード越しでしか見られなかった。

接客している最中に必要な答えが出るまで何時間もかかっていた。

1. MCPサーバーを立ててAIモデルをTeradataへ直接つなぐ
2. 中継ソフトや書き出しを挟まずテーブルの構造ごとAIに渡す
3. 現場のスタッフが在庫や売れ筋を普通の言葉で尋ねる
4. SQLもダッシュボードも使わず数秒で答えが返る
5. 参照できる範囲はデータベース側の権限で管理した

数時間かかっていた分析が数分で終わるようになった。

接客しながら在庫や売れ筋を確かめられるようになり、おすすめの精度も上がった。

マーケティングの情報がメールや電話や資料に散らばり最新版がどれか分からなくなっていた。

ボードも重複していてファイル名もそろわず広告の公開が遅れていた。

1. 4か国のボードを1つのマスターテンプレートに統一した。
2. 中央の情報を直すと各国のダッシュボードが同時に変わる形にした。
3. 広告を背景色や商品画像や価格の部品に分けてボードで管理する。
4. 価格を更新するとAPI経由で完成した広告が自動で作られる。
5. 担当者はSidekickで進捗を入力し自分用の簡易画面を作る。

デジタル広告は最初の指示から公開まで最大で数週間かかっていたが数分で出せるようになった。

利用者は2023年から2026年で150人から200人に増え代理店への請求時間も減った。

鰻の成瀬はテイクアウトの需要が高く電話注文が多いが、混み合う時間帯の着信がそのたびに調理と接客の手を止めていた。

電話に出られず注文を取り逃がすことも起きていた。

1. 店舗への電話に対話AIのアイブリーが応答する
2. テイクアウトのメニューを音声で案内し品目と数量を聞き取る
3. オプションと受け取り時間と氏名も続けて確認する
4. 聞き取った内容をテイクイーツへ連携し予約として登録する
5. スタッフは調理と接客を続け登録された注文を見て用意する

電話対応にかかる現場の手間を大きく減らせる形になり、目の前の客への対応に集中できる環境ができたとPafit側は説明する。

全店ではなく一部店舗で実証を進めている。

エラーやログを見て原因を探し分からないときは詳しいメンバーに聞くかネットで調べていた。

検索の言葉を見つけるまでに時間がかかり複数の情報源を確かめる必要があった。

1. 改修や調査の中身を整理して設計書とソースコードとエラーログをそろえる。
2. ChatGPTへ困っている点とソースコードとエラーメッセージを渡す。
3. 実装方法と原因の候補を出させる。
4. 返ってきた内容を設計書や業務の要件と突き合わせ追加で質問する。
5. 答えをそのまま採用せず自分で検証してから成果物へ反映する。

不具合調査にかけていた30〜60分が10〜20分になり原因の候補や調べる観点を早く整理できるようになった。

調査から資料作りまで含めて1日あたり30分〜1時間ほどの効率化につながっている。

店のホームページもSNSも感覚と経験だけで作っていた。

ターゲットも過去の来店客や口コミから漠然と決めていたため特定の層に刺さる伝え方ができなかった。

1. 誰に何を伝えたいかを決めてChatGPTへ具体的に伝える。
2. 来店前の不安をいくつも想定させ場面ごとの台本とキャラクターを作らせる。
3. ストーリーボードや尺や動きや文字を出すタイミングまで指定する。
4. 色使いとターゲット層も伝え狙いに合うまで直させる。
5. 出来上がった台本をもとに動画を作りTikTokへ投稿する。

ショート動画の再生回数が伸びSNSのフォロワーは2倍になった。

予約は月20件から35件に増え売上も15%上がった。

社内研修「ワイン大学」だけでは業務の合間に出る細かい疑問に答えられず、スタッフごとに学ぶ速さも違っていた。

産地や品種、料理との組み合わせなど覚える範囲が広く、必要なときに確かめる手段がなかった。

1. 研修「ワイン大学」の内容と店の知識をAIが読める形に整理する
2. スタッフがチャットで産地や品種、ペアリングを質問する
3. 新人は用語や歴史を自分の速さで学び、バイヤーは銘柄の背景を調べる
4. LINEやSlack、Teamsからも使えるようにする
5. 管理画面で質問の傾向を見て回答や資料を追加する

研修の場に加えて、日々の接客の中でも必要なタイミングで知識を確かめられる形になった。

新人の自主学習やペアリング提案の下調べにも使われている。

アルバイトに正論で詰めてしまい人格否定になっていて、それが離職につながっていた。

本やネットで伝え方を学んでも自分の言葉にするのが難しかった。

1. アルバイトのミスの出来事をChatGPTに書いて渡す。
2. 自分がかけようと思っていた言葉もそのまま打ち込む。
3. 表現のきつい所や柔らかくした方がよい所を指摘させる。
4. 納得いくまでやり取りし頑張った点を先に認める形にする。
5. 仕上げた文面をLINEで送る。

営業後にフィードバックを求めに来るアルバイトが0人からその日の出勤者全員になった。

口コミは1日3件から10から12件に増え、評価は4.7を保っている。

会議の録音を聞きながら手で打ち込んで議事録を作っていた。

打つ速さが追いつかず再生と停止を繰り返す作業になっていた。

1. 会議をスマホの録音アプリでm4a形式で録る。
2. データをGoogle Driveへ上げパソコンへ落とす。
3. NotebookLMへ読み込ませ文字起こしか要約を頼む。
4. 会議名と参加者名、会場とZOOMの人数を添える。
5. 議題を書き出して議題ごとの要約も指示する。

議事録づくりが1件120分から15分ほどになった。

担当の割り振りのような気を遣う内容も書きやすくなった。

混み合う時間帯は店のスタッフが電話に出きれず営業時間外は予約の電話を取れなかった。

取りこぼした電話の分だけ売上の機会を落としていた。

1. PolyAIの音声AIを各店の電話に置いた
2. 予約の登録や変更と取り消しを電話だけで受ける
3. 場所や営業時間やメニューのよくある質問にもAIが答えた
4. OpenTableとつなぎコースや席の希望を案内する
5. 大事な大人数の予約は人のスタッフが引き取る

店舗への導入から半年で営業時間外の予約が25万ドルの売上を生んだ。

予約に関する電話の68%はAIだけで片づき店にかかる電話の半分以上をAIが受けている。

電話が鳴りやまず、店のスタッフが接客から電話に引き離されていた。

営業時間の外の問い合わせや予約も取りこぼしていた。

1. 24時間電話に出る受付のAIを作った
2. 声をブラジル南部の話し方に寄せて人柄を伝えた
3. OpenTableとつないで予約の登録を電話の中で終わらせる
4. 会員プログラムの案内も同じ電話の中でAIに任せる
5. 毎日の打ち合わせと通話の聞き直しで2週間かけて直した

会社の歴史で初めて電話の100%に応答できた。

予約の完了率は88%で会員登録は40%、客の満足度は95%になった。

金曜や土曜の混み合う時間は接客に追われて電話に出られなかった。

取りこぼしは年におよそ42,000件・全体の20%にのぼり、何の用件だったのかも分からなかった。

1. 全14店舗の電話を営業時間外も含めて音声AIが受ける形にした
2. OpenTableとつないでその場の空席を案内して席を押さえる
3. 店の雰囲気に合う話し方になるまで声を調整した
4. メニューの追加や急な休業はAgent Studioで自分たちで直す
5. 2〜4名の予約ではカード登録を求めるのをやめた

電話の取りこぼし率は20%からゼロになり、2025年7月以降で80,000席分の予約が入った。

電話からの成約率も店舗で受けていたときの8〜9%から11〜12%に上がった。

配色やレイアウトの良し悪しは時間を置いて見直したり友人や上司に見せて意見をもらっていた。

パッとしない理由を自分では言葉にできず直し方が分からないことがあった。

1. サイズと完成イメージとレイアウトの狙いをChatGPTへ説明する
2. 写真の向きや集客目的などの条件を並べて型を提案させる
3. ワイヤーフレームの画像を読み込ませ視認性と視線誘導を見てもらう
4. 修正案は画像で出すよう頼む
5. 完成したバナーも読み込ませて全体のバランスを確かめる

バナー1枚の制作が5時間から2時間になった。

直したい所を言葉にしてもらえるので作り直しも大きく減った。

店舗も本部も業務を抱えて手一杯で、生産性を上げる必要があった。

生成AIを入れたものの、どの業務にどう使えばよいかが分からず手探りだった。

1. 2025年5月にexaBase 生成AIを導入し翌月にDX推進委員会を立ち上げた
2. 契約書を読み込ませて稟議書のたたき台と整合性チェックを任せた
3. 店舗ではイベント出店先の商圏ニーズ調査や棚卸リスト更新に使った
4. 社内資料を参照するRAGを組み合わせメルマガや雑談スレッドで事例を配った
5. 部署代表が1か月使い方を競う生成AIチャンピオン制度を走らせた

月間利用率は80％に届き、一部の業務では作業時間が平均51％減った。

DX戦略の作りこみやDX認定に出すページのHTML作成にも使い、宅配ピザチェーンで初のDX認定事業者となった。

離職率が211%まで上がり、年に12,000人の採用を店の責任者が追いかけ続けていた。

経験の浅い人ばかりになり、採用にかかるお金も膨らんでいた。

1. 応募から面接までのやり取りをParadoxの会話型ATSに任せた
2. 店の責任者が手を動かす場面を減らした
3. 選考の早い段階でTraitifyの性格診断を受けてもらう
4. 診断結果から長く続きそうな人と店に合いそうな人を見つけた
5. 人数を集めるより合う人を採る方へ切り替えた

離職率は75%下がり、店の空いている枠は前年に比べて33%減った。

長く続く人が増えて、採用にかかるお金を数十万ドル分抑えられた。

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。

全国の店舗で働く約10万人のクルーが、必要なマニュアル情報にその場でたどり着けずにいた。

サービスの幅も働く人の背景も広がり、同じ品質を保つことが難しくなっていた。

1. 社内の動画やPDFを回答の情報源に設定する
2. 動画の音声を先に文字起こしして根拠にする
3. 普段の言葉の質問に要約と動画リンクを返す
4. 人事や給与など答えさせない話題を決める
5. 利用者の属性で閲覧範囲を分け複数言語で返す

2026年1月から2月に437店舗で試したあと、全店約2,600店舗へ広げた。

試用中のアンケートで回答がとてもわかりやすいという答えが1回目から2回目にかけて14ポイント伸びた。

175店舗を超える全店の採用を実質1人で回していて選考や面接の日程調整に追われていた。

返事が遅く候補者が次々に抜けてしまい求人広告を増やしても割に合わなかった。

1. Conversational ATSを入れAIエージェントを候補者の窓口にした
2. AIエージェントが24時間いつでも候補者の質問に答える
3. 一次の選考質問と面接の日程調整をショートメッセージで自動で進める
4. 採用担当と店長は事務作業から離れ候補者と向き合う時間に回した

面接の無断キャンセルが30%減った。

Indeedへの支払いは月65,000ドルから月6,000ドルになり応募は月42,000人まで増えて年間840,000ドルの削減になった。

採用を各店舗の責任者に任せていたため採用までに時間がかかり応募者の体験も良くなかった。

人手の足りない店舗が残り働く人の不満もたまっていた。

1. Paradox のしくみで会話型の ATS を入れた
2. Frankie と名付けた AI が応募者とのやり取りを受け持つ
3. 店舗の責任者は自動で進まないところだけを見る形に変えた

採用の流れのうち90%が自動で進むようになり年間90万時間が浮いた。

採用までの期間は21%短くなり店舗の責任者は従業員や客に向き合う時間を増やせた。

毎日大量に入る注文の問い合わせを、決まった選択肢をたどる形の窓口でさばいていた。

台本どおりの返答しかできず、注文がどこにあるか聞くだけの用件まで人へ回っていた。

1. 問い合わせの内容を読んで必要なデータを分類する
2. 必要なぶんだけAPIを呼び注文状況や配達位置を取る
3. 返ってきたJSONを自然な文へ直す
4. 会話の履歴と社内の決まりを合わせたプロンプトをLlamaへ渡す
5. 人へ回す判定はガードレールと決まりの層で止める

顧客満足度は2倍になり、平均の応答時間は75%短くなって10秒未満に収まった。

1分あたり1,000件を超えるメッセージも低い費用でさばけるようになった。

混み合う時間は店の人手が足りず予約の電話を取りきれなかった。

営業時間の外は誰も出られないため予約の機会をそのまま失っていた。

1. PolyAIと組んで音声の受け手を全店に入れた
2. 客は電話で予約を取る・変える・やめるまでできる
3. 前金の支払いもその場で済ませられるようにした
4. 予約の仕組みをOpenTableとつないだ
5. 大人数の予約のような大事な電話だけ店の人が出る

店への導入を始めて半年で営業時間外の予約から25万ドルの売上が生まれた。

予約の電話の68%を音声AIが自動で処理し、店にかかる電話の半分以上を受けている。

混み合う時間帯は店の人手が足りず、営業時間の外にかかってきた電話も受けられなかった。

かかってきた電話の12%を取れていないと見ていて、バレンタインデーや母の日には予約の取りこぼしがさらに増えた。

1. PolyAIの電話応対エージェントに名前を付けて全70店舗で24時間受けられるようにした
2. 予約の受付と変更と取り消しを電話の中で済ませられるようにした
3. 予約情報をOpenTableとつないで席の管理へ流した
4. 場所やポイント制度などよくある質問もエージェントが答えるようにした
5. 人は大人数の予約など中身の濃い電話に回した

これまで取りこぼしていた電話のうち76%が予約につながり、月に3,000件の予約がAIの応対から生まれた。

かかってくる電話の72%は人を通さず済むようになり、店の人は接客に集中できている。

Bella ItaliaやCafé Rougeなど230店舗以上を持つ会社で、店の人は目の前の客を優先するため電話に出る余裕が無かった。

かかってきた電話の60%に出られず新しい予約を取り逃がしていた。

1. 予約の受付と変更・取り消しに答える音声AIを作った
2. 店の人のように聞こえる専用の声を用意した
3. 来週の木曜の正午のような普段の言い方も読み取れるようにした
4. 満席のときは別の時間や別の店を提案させた
5. 予約管理のZonalとつなぎカードでの保証も取れるようにした

3つの主要ブランド130店舗で全ての電話に応答できるようになり、電話からの予約は月平均3,800件で14万ポンド超の売上につながった。

店の人は鳴り続ける電話を気にせず目の前の客に向き合えるようになり、満席の日時の問い合わせから取り逃がしていた需要も見えるようになった。

店が増えて応募が大量に来る一方で、店の責任者が自分の携帯で面接の日程をやり取りしていた。

候補者を手早く選考へ進める仕組みが足りなかった。

1. Paradoxの候補者対応エージェントを入れた
2. AvaCadoという名前の採用の担当役を置いた
3. Avaが基本の情報を聞き取り面接の日程まで決める
4. 受け付けは24時間で4つの言語に対応させた
5. 店のQRコードから候補者がやり取りを始められるようにした

応募から入社までが12日から4日に短くなった。

応募の完了率は50%から85%に上がり、受け取る応募の数は2倍になった。

従業員が他の飲食店へ移り、店舗の人手が足りなかった。

採用担当は事務の作業に追われ、求人広告に月2万5,000ドル以上をかけていた。

1. 応募の受付をParadoxの会話型ATSに置き換える。
2. AIアシスタントが求職者とその場でやり取りした。
3. 質問に答えながら応募の手続きまで案内する。
4. 採用担当は面接と採用の判断に回れるようにした。
5. 各店舗の募集もこの流れで受け付ける。

応募にかかる時間が15分から3分に縮まり、採用までの時間は80%短くなった。

離職は37%減り、広告費と採用担当の時間をあわせて年間27万ドル以上を節約した。

生成AIへの関心はあったが、社員の多くが自分の仕事でどう使えばいいか思い描けずにいた。

自社だけで研修や調べ物を進めるのは負担が大きいという悩みもあった。

1. 普段使うGoogle Workspaceに付くGeminiを選び全社に広げた
2. 導入初期は外部の支援プログラムで基礎から段階的に学んだ
3. 議事録や企画書や報告書の下書きをGeminiに作らせた
4. 下書きの中身は人が確かめて仕上げる形にした
5. 情報開発部ではアプリづくりにも使い開発を速めた

文章を作る仕事が大きく楽になり、情報開発部ではアプリの開発期間が1ヶ月から1週間に縮まった。

社員の間で自分の仕事でも使えそうだという気づきが広がった。

米国で年160,000人を超える現場スタッフを採用し、常に13,000〜17,000件の求人を抱えていた。

書類選考も面接の日程調整も人手で回していたため時間がかかり、決定の早い他社に候補者を取られていた。

1. 応募の入口をAIエージェントのOliviaに任せた
2. 応募をテキストの会話に置き換える
3. 条件確認と質問対応と日程決めをOliviaが進める
4. 既に使っているATSとHCMにつないだ
5. 採用サイトの各ページにもOliviaを置いた

応募が終わるまでの時間は3分未満まで短くなり、応募者の転換率は600%上がった。

採用担当1人で8000人を採用する回し方ができるようになった。

店長が応募書類を自分で見て応募者へ電話をかけ面接日を決めていた。

調整だけで数日かかって応募者が途中で抜け落ち、求人広告には月2万5000ドルを使っていた。

1. 採用サイトのウィジェットと店内QRから会話型AIにつなぐ
2. 応募者はチャットで求人を探し数通で応募を終える
3. AIが最低限の条件を満たすかを判定する
4. 通過者へ店長の空き時間を送り予定を押さえる
5. 日程の変更もチャットで受ける

応募にかかる時間が15分から3分になり年間の離職は37%減った。

求人広告費は年間27万ドル減り、応募者1人あたりの費用は50ドルから1ドルになった。

毎年6万人を超える現場スタッフを採用する必要があるのに、手作業中心の流れで選考が進まなかった。

待たされた候補者が途中で離れ、人手が足りない状態が続いていた。

1. Workday ParadoxのConversational ATSを入れた。
2. AIのDexiが応募者とテキストでやり取りする形にした。
3. Dexiが応募条件を質問で確かめ面接日程まで決める。
4. 100以上の言葉を判別して相手に合わせて切り替える。
5. 入社手続きまで自動で進み担当は候補者を知る時間に回す。

採用にかかる平均日数が60%短くなった。

導入から10日で10,000人を採用した。

サービス管理に6つ以上のツールを使っていて情報が散らばり、必要なものを探すのに手間がかかっていた。

長い障害の振り返りレポートを読んで次の作業につなぐのも人任せだった。

1. 全社の仕事をAtlassianの基盤にまとめた
2. 会議の最中に必要な情報をその場で引き出す
3. 長い障害の振り返りレポートを要約させる
4. 要約した中身からJiraのチケットを作る
5. ナレッジ管理の担当者も日々の調べ物に使う

ナレッジ管理の担当者は使い始めた最初の週に2.3時間を減らした。

全社の規模で見れば年に数千時間分の余裕が生まれると見ている。

約1,800名のうち77%を占めるパート・アルバイトには社内チャットのアカウントが無く聞く手段が限られていた。

伝達が店長頼みになり書類を間違えるなどのやり直しが起きていた。

1. 新しい就業規則をSmartHRのAIアシスタントへ上げた
2. 雇用形態と勤務場所ごとに見える範囲を分ける
3. 従業員は自分に当てはまる規則だけをもとに何度でも質問できる
4. 人事は問い合わせをまずAIアシスタントで確かめるよう案内する
5. 今後は評価制度や経理・法務の資料も足していく

人事や店長への問い合わせが減り一次対応をAIに任せられるようになった。

担当者がいない土日や深夜でも従業員がその場で正しい答えを得られる。

新機能の話ばかりが先に立ち基盤の安定や拡張の作業が後回しになっていた。

部品ごとの状態や持ち主も見えず、障害が起きてから直せる人を探すため対応が遅れていた。

1. ソフトウェア部品を一つのカタログにまとめた
2. 状態と担当者と依存関係を一画面から見える形にする
3. 基準を下回りそうな部品へ自動で警告を出した
4. カタログから対応できる人を探してコードを直す
5. 新機能と基盤の改善を同じ場所に並べて優先順位を決めた

Change Agentによって手作業が90%減った。

AtlassianのAutomationsとRovoで手作業のレビューが約80%なくなった。