医療・介護のAI活用事例

入院説明など患者への同じ説明を職員が何度も繰り返しており、時間がかかっていた。

タブレットで動画を見せる取り組みはあったが、動画を作って配る仕組みが整っていなかった。

1. 院内のPowerPoint資料をVideoStepに読み込ませる
2. AIに中身を整理させて説明の台本を作らせる
3. 字幕と音声付き動画を担当者が言い回しと順番を直して仕上げる
4. パソコンの操作手順は画面録画で残し手順動画にする
5. 動画をURLとQRコードで配り患者が自分のタイミングで見られるようにした

リハビリテーション科と栄養管理課で動画が使われ始め、患者への説明を動画で補える形になった。

今後は病棟の看護師や知多半島りんくう病院にも広げる予定。

新卒採用のエントリーシートは文字数が限られ、学生の経験の背景や価値観、挑戦の過程までは読み取りにくかった。

書く力の差が評価に影響することも課題だった。

1. 2028年4月入社の新卒採用でエントリーシート提出を4社で廃止した
2. 代わりにタレスカAI面接を導入した
3. AIアバターと話すトークエントリー選考に切り替えた
4. 学生は自己PRや学生時代に力を入れたこと、志望動機を自分の言葉で話す
5. AIが潜在能力やコミュニケーション力などの観点で適性評価を支える

書く選考から話す選考に切り替わり、文章では伝わりにくかった経験の背景や考え方の変化まで学生が伝えられるようになった。

パーキンソン病と診断されたが公的支援制度は主体も窓口もばらばらで全体像がつかめず、治療の最新動向も主治医からの情報に偏っていた。

自分が欲しい情報をまとめた場所がどこにも見つからなかった。

1. 作りたいものの問いを自分で決める
2. 調査と要件のまとめをClaudeに任せる
3. 設計と実装と制度データの構造化をClaude Codeに書かせる
4. 治療情報の日次収集の仕組みもClaude Codeに作らせる
5. 出てきた成果を人がレビューし前提の誤りを直す

一人でParky Naviの初期版を公開するところまでこぎつけ、今は患者への聞き取りで内容を確かめている。

短期の目標として月間アクティブユーザー1万人を掲げている。

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。

市販後の医薬品の安全性情報を管理する仕事で、学術論文から医薬品名や有害事象名を抜き出す作業をすべて人がやっていた。

担当者によって作業の速さや査読の結果に差が出ることが困りごとだった。

1. AWS LambdaとDynamoDBでサーバーレスAPI基盤ANKOUを作った
2. 学習の場にAmazon SageMakerを選び機械学習を載せた
3. 文献検索と医薬用語検索の推測変換をさせている
4. 論文から医薬品名と有害事象名の記載箇所の抽出を機械に任せた
5. 因果関係や重さの判断は人が確かめる形にした

サーバー費用はEC2と比べて約1/10まで下がり、運用保守の費用も約1/3になる見込みになった。

インフラを用意するまでの時間も1週間程度からゼロに縮まり、担当者が改善に時間を回せるようになった。

在宅介護では利用者1人あたり月6万字にもなる記録を手作業でまとめており、1件の整理に20分以上かかっていた。

10年以上ためた記録データも使い切れていなかった。

1. Amazon S3に売上と介護記録と利用者情報をまとめて置く
2. Amazon QuickSightで数字を見られるようにする
3. Amazon Bedrockで報告の形を指定し文章を自動作成させる
4. 経営企画と介護現場とIT部門の混成チームで2週間ごとに改善する
5. 会話はAmazon Transcribeで文字にしBedrockで整える

記録の作成は数秒で終わり、確認を含めても平均14分と約30%短くなった。

利用者の多い事業所では月25時間が浮き、LIFEデータの予測分析の精度も25%上がった。

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。

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。

医師の働き方改革で時間外労働に上限がかかるなか、記録や事務の負担が重く患者と向き合う時間を取りにくかった。

紹介状の読み取りや会議の記録づくりに手間がかかっていた。

1. 院内で利用規程を作りAIの出力は下書き扱いと決めた
2. 最終確認は必ず医療職が行う体制にした
3. 前日分のカルテを深夜1時に自動で渡す仕組みを院内で組んだ
4. 紹介状を読み込ませて初診カルテの下書きを作らせた
5. 説明の場や会議の録音から記事案と議事録の素案を出させた

初診の入力は1患者あたり平均22分から12分になり、月間新患約300件換算で月約3,000分（約50時間）、年間約600時間以上の削減につながった。

議事録づくりの労力は70%減り、1時間以内に出して共有できるようになった。

医療の高度化と人手不足で職員一人あたりの負担が重く、退院前カンファレンスの記録づくりに時間がかかっていた。

病棟や外来ではパソコンの前に座れず、AIを使える場面も限られていた。

1. 2024年9月から約80名で要約と音声認識を試した
2. 効果の大きい退院支援業務用にiPhoneアプリ版を用意した
3. 会話を音声で取り込みAIに要約させ記録の下書きを作る
4. 紙はカメラで読み取り医療文書はテンプレート化したプロンプトで作る
5. 閉域ネットワークで運用し最終確認と修正は職員が行う

退院前カンファレンスの記録作成は60分から10分になり、実施件数は月4件から月最大20件へ増えた。

退院時共同指導料の算定件数も月2件から月最大14件に伸び、院内全体への正式導入が決まった。

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。

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。

医師や看護師が退院サマリーなどの記録づくりに時間を取られ、十分な内容を書ききれないことがあった。

治験コーディネーターも電子カルテを読み込んで数十項目を手入力しており、負担が大きかった。

1. 電子カルテの記載をAIに読ませ登録項目を整理させる
2. 整理された内容を担当者が確認して登録する
3. 転院時のFAX23ページを読み取らせ初期記録の下書きを作る
4. 同意を得た説明の音声を文字起こしし記録に回す
5. 最終的な確認と修正は医療者が行う

治験コーディネーターのレジストリ登録は1時間あたり1.85件から4.31件になった。

緊急転院時の入院初期記録は通常約2時間かかっていたものが最短5分で終わった。

電子カルテにたまった診療記録や看護記録から必要な内容を探すのに時間がかかり、患者と向き合う時間が削られていた。

情報の読み取り方が個人の経験に頼りがちという問題もあった。

1. 電子カルテとつながる生成AIサービスSecuAiGentを導入した
2. 学習の仕組みを院内環境に置き患者情報が外部に出ない形にした
3. 医師は診療記録を読ませて退院サマリーの下書きを作らせる
4. 看護師やチームは患者ごとの経過をまとめさせ共有の下準備に使う
5. 出てきた文章は担当者が中身を確かめて直してから使う

退院サマリーの下書きは1人あたり平均10分から25秒になり、チーム医療の情報集めは患者1人あたり約30分から約3分に縮んだ。

よく使う職員111名の実績では年間5,472時間ぶんの効率化になり、入院患者が前年比5％増えるなかでも時間外労働の削減につながった。

会員が増えるにつれて飼い主からの相談が急に増えた。

犬が靴下を飲んだといった急ぎの相談に早く同じ品質で答え続けるのが難しくなっていた。

1. Sierraを土台にしたAIエージェントを窓口にした
2. エージェントが症状を聞き取って緊急度を切り分ける
3. よくある質問にはその場で答える
4. 人の対応が必要なときは状況をまとめて担当者へ引き継いだ

最大30分かかっていた返答が数秒で返るようになった。

来院が要らない約30%の相談をHerriotが受け持ち獣医のチームは急ぎの診療に集中できるようになった。

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。

900以上の医療機関から届く120種類の書類と2万件のファックスコードを人が処理していた。

入力ミスの危険と人の定着の悪さが重なっていた。

1. 種類がばらばらの書類をUiPathに読ませて必要な項目を取り出す
2. 取り出したデータを取引先の電子カルテと請求システムへ渡す
3. 患者の医療情報はAI Trust Layerで囲い権限を管理する
4. 生成AIの使い方も同じ仕組みで見張る

人手でやっていた処理のうち約40%を自動に移した。

請求のサイクルが早まり処理にかかる費用も下がった。

健康診断は1件あたりの単価が低く、売上を保つには数を追うしかなかった。

営業の手が新規のアポ取りに取られ、既存客への提案や大企業の開拓に時間を回せなかった。

1. 企業データベースで拠点の近さと従業員規模から絞り込む
2. 健診の管理業務が重い全国展開の企業を優先して当たる
3. フォームやメールの文面をAIにたたき台として作らせた
4. 相手が気にする点に合わせて文面の中身を変えた
5. ターゲットごとにトークスクリプトと想定問答を用意した

アポイントの獲得率は導入前の2倍以上になった。

新規で取れた大企業の案件は単価が100倍規模になるケースも出て、フィールドセールスを新規担当と既存担当に分けられるようになった。

地域連携部門には毎月300通以上の紹介状や診療情報提供書がFAXで届いていた。

職員がスキャンして電子カルテへ打ち直す作業に月50時間以上かかっていた。

1. クリニックから届くFAXをクラウドFAXで受け取る
2. 紹介状や診療情報提供書をAI-OCRに読ませてデータに直す
3. できたデータを電子カルテへ自動で登録する
4. 処理の証跡を残す
5. 既存の仕組みは入れ替えずAIを段階的に足した

スキャンと手入力の作業が大きく減った。

緊急性の高い入院依頼への対応が速くなり、病棟や看護師の残業の負担も軽くなった。

医師2名と看護師4名で1日10〜20件の訪問診療と外来を回していた。

1か月分の訪問ルート作りは担当者頼みで丸1日かかり、月末には患者約180名分のカルテを読み返して療養計画書を書いていた。

1. IB-Linkを載せたPCでD-Medicalの3機能を動かす。
2. 訪問先を地図に並べて種類ごとに色分けする。
3. 1か月分の訪問ルート案を作らせる。
4. 同意を得た会話をその場で文字にしSOAP形式へ整える。
5. 在宅療養計画書はAIが下書きし医師が最後に確かめる。

丸1日かかっていた1か月分の訪問ルート作成が数分で終わるようになった。

計画書づくりは医師の最終チェックだけで済む形になり、担当者一人に頼る状態も解消した。

職員が500名を超えて救急の受入も5年で倍増し現場と事務の両方で負担が限界に近づいていた。

人事の3名が500名以上の労務管理をしながら給与や制度の質問にも答えており現場でも新人からの質問が業務を止めていた。

1. 部門横断の小委員会の案をもとにHelpfeelを入れた
2. まず就業規則を記事にしたが使われなかった
3. 職員アンケートで必要な情報を聞き直した
4. 感染症の対応ガイドラインや看護手順を足した
5. 社内チャットで操作方法を定期的に配信した

導入から約1年後のアンケートでは87%が存在を知っており75%が使いやすいと答えた。

人事部門の残業は2024年度に昨対比で年間約60時間減り離職率も前年比2.7%改善した。

頭痛や耳鳴り、倦怠感といった不定愁訴への鍼灸の効き目は利用者の感覚に頼っていた。

医学的な裏付けが足りず、効果を外に示しにくかった。

1. 全職員が未病健康アドバイザー研修を受けた
2. 特典のAI瞳孔計測器「AI Live」を院内に置いた
3. 施術の前と後に瞳孔を測った
4. 自律神経のバランスを神経学的な数値として取り出した
5. 変化をグラフや図にして利用者へ見せた

パイロット検証では、施術後に交感神経から副交感神経へ切り替わる動きを数値で捉えられた。

感覚頼りだった施術の効果を、誰が見ても分かる形で示せるようになった。

契約の管理を表計算とメールと紙の書類で回していて署名をもらう相手を会議の合間に探し回っていた。

電子で保存した契約もファイル名でしか探せず条文を確かめるには文書を個別に開く必要があった。

1. 薬局向けの契約書を集めて読み込ませた
2. AIが文書からデータ項目を抜き出す
3. 本文の中まで一度に検索できるようにした
4. 進み具合を追い署名待ちの契約を見つける
5. 顧客が自分でデータを取れる仕組みを作った

個別に文書を開いて確かめていた作業が全契約をまとめて検索する形に変わった。

処理した契約の量を数字で示せるようになり担当が替わっても引き継げるようになった。

放課後等デイサービスの現場は人手が足りず職員の負担が重かった。

中でも個別支援計画の作成は時間がかかり、職員ごとの出来ばえの差も課題だった。

1. 9施設の業務の流れを調べ時間がかかる工程を洗い出した
2. 生成AIを組み込んだ支援システムを作った
3. 職員が子どもの様子などの情報を入力する
4. AIが個別支援計画のたたき案を出す
5. 職員が案を直し最終的な計画に仕上げる

新人の管理責任者で最大4時間かかっていた作成が約2時間になり、作成時間は30〜75％短くなった。

現場からは実務に合った使いやすいツールという評価が出ている。

20年前から使っている文書の保管先に契約書が積み上がり管理しきれなくなっていた。

少人数の担当で決まりを守れていることを示すのも手間だった。

1. 読み取りにくい文書26件を渡して精度を確かめた。
2. 契約ごとに原価部門と責任者の項目をAIで作った。
3. 6種類の契約の流れを用意してフォームで申し込みを受ける。
4. 医師の経費を契約の上限とAIで突き合わせた。
5. 更新期限や取引先の画面を印刷して理事会へ報告する。

契約に関わる仕事で1日あたり少なくとも1時間が浮き契約1件の対応は数日から数時間になった。

会計チームは監査で必要な契約を検索だけで取り出せるようになった。

訪日や移住で外国人の患者が増え、手術の流れやリスクを患者の母語で伝える必要が出てきた。

そのたびに医療スタッフが説明に時間を取られていた。

1. 手術や治療を説明する動画をAI動画翻訳くんに渡した。
2. 50カ国語以上へ翻訳し話し手の声質や話し方を元のまま残す。
3. 医療の専門用語を集めたデータベースで訳語をそろえた。
4. 最後に人が発音と中身を確かめてから患者へ見せる。

外国人の患者が治療内容やリスクを理解しやすくなった。

医療現場での説明業務は平均30％短くなる見込みとされた。

遠隔診療や処方と健康管理をまとめたアプリを開発会社に頼むと7万5000〜10万ポンドかかると言われた。

期間も最低12〜18か月で、利益の薄い事業には重すぎる負担だった。

1. Replit Agentに作りたい機能を言葉で伝えて土台を作らせた。
2. 医師の予約と処方のリクエストを先に形にする。
3. 患者の認証やメール連携と定額課金の仕組みを足した。
4. FitbitのAPIをつないで機器の数値を取り込めるようにする。
5. 相談に答える部分にDeepSeekを組み込んだ。

4日でアプリが完成し、かかった費用は合計175ポンドに収まった。

事業の立ち上げ予定は1年以上前倒しになった。

保険の申請状況を調べるため同じサイトやポータルを何度も見に行く作業が積み上がっていた。

10年ほど前に組んだ自動処理は画面の変更に追いつかず維持できなくなっていた。

1. UiPathのAI Computer Visionを入れる。
2. 画面のOCRで入力欄やボタンを見分けさせた。
3. 仮想デスクトップ越しでもロボットを動かす。
4. 患者の情報と請求データをシステム間で運ばせた。
5. 画面の作りが変わっても認識し直させる。

同じ人数分のロボットが以前の何倍もの請求を扱えるようになった。

VBAの改修に数か月かかっていた自動処理も数日で用意できるようになり、回収までの期間が短くなった。

各クリニックでマーケティングと分析を受け持つCPPは、量も質も落とせない状態が続いていた。

分析した中身を手でPDFにまとめ直してから報告しており、手間がかかっていた。

1. Google Workspaceに入っているGeminiを日々の仕事で使う
2. 伝えたい点と要望を渡しキャッチコピー案を出させる
3. 出た案をターゲットごとに絞り込む
4. アクセス状況とキーワードの動きは集計まで任せる
5. 改善案と専門用語の説明も出させる

調べたCPP4名では1人あたり年間211時間ぶんの手間が減った。

ハロウィーン企画のショートムービーの見本は10分ほどで出来上がった。

医療分野の厳しい決まりに合わせる必要があり、利用者が本人かどうかを調べる作業に数週間から数か月かかっていた。

社内のAI担当エンジニアは製品側の開発で手いっぱいで、他の部署が自分で自動化を組めなかった。

1. 社内向けの環境を用意し教材でn8nの使い方を広げた
2. エンジニアチームが2日で調査ワークフローを組んだ
3. 怪しい動きを見つけるとボットがデータを突き合わせる
4. AIエージェントが要約し監査用レポートに残す
5. 人の追加調査が要るかをその場で振り分ける

調査にかかる時間は数週間から30分ほどになり、手作業の97%がなくなった。

年3600時間のエンジニアの時間が浮く見込みで、今は200人以上の社員がn8nを使っている。

全国の営業担当が担当先の状況をつかむのに画面でいくつもの項目を選んで表計算に書き出し手で並べ替えていた。

売上の落ち込みや解約の兆しに気づきにくく訪問前の準備にも時間がかかっていた。

1. 顧客管理システムのデータを取り込み毎日更新する形にした
2. 売上の履歴や不具合や接点の記録をまとめて扱えるようにした
3. 普段の言葉で質問して最新の担当先情報を引き出せるようにした
4. 役割ごとに見える範囲を分けた
5. パソコンとスマホの両方で使える画面にした

重要な取引先の情報をつかむまでの時間が従来の半分になった。

設定から使い始めるまでも短い期間で済み問題のある取引先に先手で動けるようになった。

患者の情報を正しくつかむまでに1〜2時間かかっていた。

把握のため早く出勤する職員もいて負担が重かった。

1. Health Cloudを院内と院外をつなぐ土台に置いた。
2. 電子カルテの患者情報をEinsteinへ渡してサマリーを作らせた。
3. サマリーの運用を段階的に動かし始めた。
4. 全国医療情報プラットフォームとの接続をHL7FHIRで確かめた。
5. 院内のデータをTableauで分析し連絡はSlackでやり取りした。

1〜2時間かかっていた患者情報の把握が数分以内でできるようになった。

顧客との会話を残して分析する仕組みがなく、手書きのメモとたまの同席に頼っていた。

新人教育の中身が担当者ごとにばらつき、戦力になるまで時間がかかっていた。

1. 商談を録音させ文字起こしと分析までさせる
2. 成果の出た通話をコールライブラリに入れた
3. 話す割合などの数値を見て直す点を上司が決める
4. スコアカードとイニシアチブの画面で浸透を追った
5. 五つ星が付いた通話を自動でSlackへ流す

新人が戦力になるまでの期間が短くなり、全員の事務作業も減った。

マーケティングは通話から拾った顧客の反応をもとに言い方を直せるようになった。

問い合わせから受診までの手続きを人手でつないでいた。

患者の情報も複数のシステムに散らばり、担当チームが全体像をつかみにくかった。

1. Agentforceが問い合わせを受け患者の情報を聞き取る
2. 保険の資格を確かめて受診の予約まで進める
3. Data 360で複数システムの患者データをまとめる
4. よくある質問にナレッジ記事をもとにAIが答える
5. Slackで病歴の要約を頼み担当チームへ共有する

紹介や事務の手作業が減り、対応の速さと質が上がった。

担当チームは患者の状況をその場でつかんだうえで動けるようになった。

18か月で製品の幅が倍になり問い合わせの中身が複雑になった。

担当者を12人まで増やしても対応が追いつかず教育も足りなかった。

1. 過去の問い合わせ500件を手作業でFinに通した
2. どこまで答えられるかを先に確かめた
3. 個人情報が出る頻度と自動解決の割合を見積もった
4. パートナー100社に限って試した
5. 範囲を広げFinを問い合わせ対応の入口に置いた

Finが関わった会話の26%を自動で解決した。

CSATは90%超を1年以上保ったまま8月と9月に2pp上がり、自動解決率は2か月で20pp上がった。

新卒の内定承諾率は約25%で600名を超える最終合格者を一人ずつ支える必要があった。

面談の質は担当するリクルーターの力量次第で承諾率に数十ポイントの差が出ていた。

1. 年間1,000件規模の最終面接の内容をAIに読ませた
2. 自社の採用要件ごとに要点をまとめさせる
3. 要約を引き継ぎとメッセージの下書きに使った
4. 引き継ぎと魅力づけとフィードバックの3つを出す
5. 面接官が管理システムへ移し足りない部分だけ直した

記録に一人20〜30分かかっていた作業が転記と確認だけで5分もかからなくなった。

合否の当日入力率は26卒比で8.0ポイント上がり最終面接官の満足度は90%以上になった。

27卒の内定承諾率は26卒を上回る水準で進んでいる。

薬が効かない細菌が増え、毎年多くの死亡に関わっている。

土や植物から新しい分子を探す従来のやり方は時間がかかり、試行錯誤に頼っていた。

1. DNAを情報として扱い、分子を選び出す問題に置き換える
2. チームの考えをChatGPTに入れ、候補を絞るアルゴリズム案を出させる
3. Codexでパターン発見や図にする処理のプログラムを書く
4. 最後は研究者が候補分子を見極め、実験につなげる

新しい抗菌薬の分子を数年かけずに数時間で見つけられるようになった。

ChatGPTはチームの共有の頭脳のような存在になり、計算を扱わなかった研究者も自分でアルゴリズムを書けるようになった。

外部との打ち合わせが週に10回以上あり1回あたり1〜2時間かかっていた。

医療や科学の専門的な話が多いうえ7割が英語のため議事録を1本作るのに半日を要していた。

1. 議事録ソフトを比べてNottaを選び担当者がまず自分で試す
2. オンライン会議はNottaをオンにして録音と文字起こしをさせる
3. 日本語と英語の両方を記録する
4. 出てきた要約を元の発言と画面で見比べて直す
5. 上長へは資料を作らず記録と要約をそのまま共有する

半日かかっていた議事録作成が5〜10分で終わるようになった。

優先度の低い会議も含めてすべての記録と要約が残るようになり空いた時間を打ち合わせや公募書類の確認に回せるようになった。

医療の専門用語や略語が飛び交う会議の記録に手間がかかり、1時間の会議で2時間ほどかけて議事録を作ることもあった。

人事異動で担当が入れ替わるため記録の精度に差が出て、監査や診療報酬請求の根拠が弱くなる心配もあった。

1. 対面とWebが混ざる会議をNottaで文字起こしする
2. ICレコーダーの音声はファイルとして読み込ませる
3. 医療用語を辞書に登録して変換の精度を上げる
4. 数十秒で出るAI要約を担当者が確かめて直す
5. 過去の会議ログを音声付きで検索し引き継ぎ教材にする

議事録づくりにかかる時間は最大2時間から約30分以下となり80%減った。

多い職員で月20時間だった作業が数分〜30分程度に収まり、空いた時間を経営の分析や資料づくりに回せるようになった。

加盟店を回るスーパーバイザーが訪問後の報告書を記憶に頼って手入力しており、月末に十数件分がまとまって残る状態だった。

会議のたびに記録係を1名置き、終了後も数時間かけてまとめていた。

1. 訪問先の面談をパソコンやスマホのNottaで録音する
2. Nottaが作った要約をコピーし報告書アプリに貼る
3. 表現の細かい部分だけ直して保存し加盟店へメール送信する
4. オンライン面談は自動録音ボットを入れ話者を分けて記録する
5. 日本語が話せない相手との商談では翻訳機能を画面に出す

報告書1件あたり30分かかっていた作業が最短5分になり、月末に溜まっていた16〜20件を訪問当日に終えられるようになった。

事務方は月10時間以上かけていた確認と送信の作業から解放され、記録係も本来の会議準備に回れるようになった。