IT企業のAI活用事例

AIを使った開発を試しから本番の案件まで広げる段階で社員のスキルが追いつかなかった。

社内の研修や外部の教材はあったが、役割ごとに段階を踏む道筋がなかった。

1. ソフトウェアエンジニアを対象にUdemy Businessで研修を始めた。
2. UdemyのSkills Mappingで役割別の学習コースを組んだ。
3. 入り口のLevel0をAIの基礎として1,235人に必須にした。
4. Level1から3は役割ごとに学ぶ深さを上げた。
5. 進み具合は管理者別のダッシュボードに自動で出した。

Level0は88%が修了し、社員の62%が毎日の仕事でAIを使うようになった。

新規の開発案件では45〜55%の効率改善が出た。

大事な合図がメールのやりとりやセンサーの通知に埋もれて、判断が遅れていた。

管理の担当者は手作業でメールを振り分け、記憶を頼りに追いかけるしかなかった。

1. 自社のエージェント基盤にIBM Bobの空間の理解を組み込んだ
2. カメラやセンサーの情報を人と場所と設備と出来事のつながりに整理させる
3. 複数の形式を合わせて考える部分はIBM watsonx.aiに任せた
4. メールと予定表と商談の情報をつないで急ぎ具合で並べ替える
5. 提案は下書きで出して人が承認する形にした

管理職はメールの振り分けと打ち合わせ前の下準備や予定の調整で週8〜12時間を浮かせた。

必要な情報にすぐ届くようにもなった。

ANZのマーケティングチームは、サイトのページごとにチャットボットの会話の流れを手で作っていた。

汎用のボットは誰が来ても同じ返事を返すだけで、サイトを直すたびに別の画面でボットも手直しする必要があった。

1. QualifiedのAI営業役Piperを入れる
2. 管理画面にプレイブックとテーマを登録する
3. サイトから直接情報を取ってくる形にした
4. 訪問者ごとに話す内容を変えて予約まで案内させる
5. 予約が入るとSalesforceとSlackへ自動で流す

メールのフォローは開封率87%で業界平均の15〜20%を上回り、パイプラインは150%増えた。

人を増やさずに訪問者全員へ24時間いつでも対応できるようになった。

Perplexityのサポートはメール1本で受けていて、利用者が増えるほど追いつかなくなった。

1日あたりの問い合わせは前年から269%増え、時差をまたいですぐ返事がほしいという声も強まった。

1. DecagonのAIエージェントSageを入れる
2. 利用者にいちばん近い担当者が動き方を決める形にした
3. AOPと呼ぶ手順書に方針と受け答えと人へ渡す線引きを書く
4. Duetに既存のポリシー文書を渡して手順の下書きを出させた
5. レポートで利用者の反応を追い重い案件は人が引き取る

直近30日は70以上の問い合わせの種類に対応しながら、78%を人に回さず解決できた。

有人のチームは障害対応や法人の請求や個人情報の依頼といった難しい案件に時間を使えるようになった。

Vodafone Ideaは150を超えるアプリを止めずに更新していて、開発の進め方がチームごとにばらばらだった。

同じ作業を別々のチームが繰り返し、分かったことも共有されないまま開発が遅れていた。

1. IBM Consulting Advantageを開発の流れ全体に入れた
2. 業務分析から障害調査まで120超のAIアシスタントを用意した
3. 機密の文書を扱う場面はインド国内のLLMサービスへ回す
4. 検証を通ったアシスタントだけをチーム全体へ広げる
5. 社内のハッカソンで138のユースケースを集めた

生産性は25〜30%上がり、市場に出すまでの時間も25〜30%短くなった。

IT業務の工程のうち約55%に生成AIが入り、80%超を目指す計画になっている。

できて間もないセキュリティ対応のチームが、ログの集まる先がばらばらで調査の記録が1か所に残らない環境を引き継いだ。

1日100件以上のアラートを1件ずつ調べるのに手間がかかっていた。

1. Elastic Security Serverlessに一本化した
2. 32のログ源をECSという共通の形にそろえて取り込む
3. 900本以上の検知ルールをコードとして置き管理した
4. 利用者や端末の文脈を足して危ない動きから先に拾う
5. 検知をケース管理へ流し判断の候補を出す形を試す

ケースは1日150〜200件を扱う。

そのうち約60%は数分で自動的に片づき、残りを担当者が調べる。

ScribdとSlideshareに利用者が上げた文書は4億件を超え、規約に反する中身がないか見きれなくなっていた。

中身の種類ごとに専用の判定モデルが必要で、自前で作れば何年もかかり外部の製品では費用が見合わなかった。

1. 判定する文書をCloud Storageにまとめて置く。
2. Gemini Enterpriseのバッチ予測へまとめて投げた。
3. 判定役はGemini 2.5 Flash Liteにする。
4. PDFを変換せずそのまま渡して文字と画像を読ませる。
5. 出力はGemini 2.5 Proで全件もう一度見直させた。

ScribdとSlideshareにある4億件を超える文書（120億ページ超）を数か月で判定し終えた。

全体の99%以上は前処理なしでそのまま読ませられ、バッチ予測は対話で使うより50%安い料金で回せた。

オーストラリアの個人事業主は会計ソフトを使わずExcelの表で請求書と領収書と税金を手で管理していた。

新しく立ち上げたチームは人数が少なく、増員せずにサポートを回す必要があった。

1. サポートを別窓口にせず製品の中へ組み込む形で設計した
2. 問い合わせのやり取りとサポート記事から知識を作った
3. ZendeskのAIエージェントが時間を問わずすぐ答える
4. 正確さの判断が要る場面はAgent Copilotが担当者を助ける
5. ノーコードのApp Builderで口座の状態が分かる表示を作った

問い合わせの90%超が人の手を介さず処理され、CSATは92%になった。

2025年はサブスクの目標を45%上回り、増員をやめて20万ドルの運用費を製品づくりへ回した。

サイトへの訪問が減り来る人はすでに検討の後半にいた。

資料のフォームをやめたせいで誰が何の目的で来たのか分からなくなり多言語と時差への対応も人手では追いつかなかった。

1. AI営業エージェントを全ページで最初に話しかける役にした。
2. 深掘りの質問を投げて答えに合わせ出す内容を変える。
3. 開発者と基盤を選ぶCIOを見分けて事例や競合比較を出し分ける。
4. Salesforceと6senseをつないで相手の会社を判別した。
5. 離脱した相手へ自動でメールを送り書かれた言語で返す。

条件に合う会話の70%が商談の予約につながりメールでの働きかけは1,000万ドル超のパイプラインに効いた。

マーケティング発の商談がそのまま案件へ進むようになりパイプラインは150%増えた。

1年前まで仕事は受信箱とチャットと表計算に散らばっていた。

技術者は最初のコードを書く前に自分で朝会の報告を書き、問い合わせは1つの窓口に積み上がって手で振り分けていた。

1. 仕事の置き場をClickUpの1つの作業場にまとめた
2. Echoが作業の記録を読み朝会の原稿を先に書いた
3. Delegatorが届いた依頼を担当チームへ振り分けた
4. Notetakerが通話を担当者と期限の付いたタスクに変えた
5. ClickUp Brainが期限を過ぎそうな作業を知らせた

製品を出す直前にBrainが見落としの5件を見つけ、3日の遅れを避けて予定どおり公開できた。

4つのチームが1つの作業場で動くようになった。

会議のメモは人が書き起こし、やることの抜き出しはプロジェクト管理者が担っていた。

進み具合の報告もタスクやコメントや資料をつなぎ合わせて作るため1人あたり週に数時間かかっていた。

1. 部門ごとの仕事をClickUpの1つのワークスペースにまとめた
2. ClickUp Brainと6体のエージェントを動かす
3. 会議の要約と資料の下書きとタスクの割り振りを任せた
4. エージェントが進み具合の報告を作り承認の詰まりを知らせる
5. 人は出てきた内容を確かめて判断と実行を担当した

部門をまたいだローンチでは承認の詰まりを早い段階で見つけ、すぐ手を打てた。

プロジェクトの状況を知りたいときも同僚の手を止めずにClickUp Brainへ聞けるようになった。

プロジェクト管理者とメンバーがタスクの文面を書き、更新のまとめや状況の確認まで手でやっていた。

5つの部門で同じ作業が繰り返され週に数時間が消えていた。

1. 5部門をClickUpの1つのワークスペースに入れた
2. ClickUp Brainがタスクの文面を下書きして整える
3. 案件の現在地と残っている項目を一覧にした
4. エージェントと処理の流れを話し言葉で作る
5. 人は出てきた要約を見て中身を直す

更新の記録が多い案件でも、全部のタスクを順に読み直す手間がなくなった。

複数の案件の今を追いかける時間が減った。

分析で見つけた相手を広告の配信先へ回す作業が手作業のままだった。

表を書き出して並べ直し部署をまたいで調整する間に配信が遅れた。

1. Fivetranで170超のシステムからBigQueryへデータを集める
2. 計測モデルと独自の項目を当てて用語をそろえる
3. そろえたデータをAgent Calが読む文脈の層へ流す
4. マーケターが普段の言葉で聞いてリストを作る
5. リストをActivationsでLinkedInやGoogle Adsへ送る

ターゲットを配信に回す速さが2倍になり、4時間かかっていたキャンペーン用のリストが25分未満で作れるようになった。

自前で作らずに済んだ分で年間40万ドル相当のエンジニアの手が空き、ロードマップは最大12か月分前倒しできた。

1件の依頼を終えるのにZendeskとTelstraのシステムや経費管理のツールを行き来していた。

画面を移るたびに入力の間違いや情報の抜けが起きやすかった。

1. やりたいことを普段の言葉でプロンプトに書く
2. Zendesk App Builderがアプリの形にする
3. できたアプリを作業画面の中で動かしながら直す
4. 最初に経費管理のBillViewとつなぐサイドバーのアプリを作った
5. 社内向けに16人のチームの通話状況が分かるアプリも作った

対象になるチケット1件あたり1〜3分が減り、依頼をその場で終えられるようになった。

3か月で3つのアプリを作り、うち2つは本番で動いている。

1万人を超える社員から来るIT部門への依頼のうち4分の1は単純な質問だった。

そのたびに担当者が手で答えていて複雑な依頼に時間を回せなかった。

1. どんな依頼が来ているかを細かく調べる
2. IT依頼の4分の1は人が答えなくても済むと分かった
3. Zendesk AIで社内向けのAIエージェントBuddyを作る
4. 社員の地域を見分けて地域に合った答えを返す
5. 地域ごとの試験から始めて14のZendesk環境を1つにまとめた

5月半ばの公開から2,800人を超える社員が使い、7,800件を超える質問を処理した。

AIだけで片づいた割合は79%になり、IT担当は複雑な依頼に時間を回せるようになった。

製品ごとの炭素排出量を出すには、何万行もの部品表を人が1件ずつ調べる必要があった。

仕入れ先の資料は形式がばらばらで抜けも多く、評価が終わる頃には製品が発売済みということも起きていた。

1. 部品表やPDF・CAD図面・仕入れ先のメールを取り込んだ
2. 製品と供給網をつないだ炭素のグラフに作り直す
3. 部品表の各行を約100種類の分類へ振り分けた
4. 1万件を超える排出係数から近いものを選ぶ
5. 3つの処理をNVIDIA Nemotron 3 Ultraへ載せ替えた

仕入れ先データの読み取りは84.0%から87.7%へ、部品の分類は80.0%から83.5%へ上がった。

コストは0.20倍と0.49倍になり応答の速さも前のモデルと同じか速くなった。

AIアシスタントの利用が広がり、預かる会議の記録や個人のメモなどの機密性が高まっていた。

鍵や秘密情報の管理は手作業で散らばり、どう守られているかが見えにくかった。

1. IBM Vaultを入れて機密データと秘密情報の管理をまとめた。
2. 組織と利用者とセッションごとに区切りを作りデータを分けた。
3. 鍵の入れ替えと監査の記録とルールの適用を自動で回す。
4. 人が手で持っていた鍵は中央でまとめて管理する形にした。

暗号処理の監査は100%カバーになり、全てのテナントで止めずに鍵を入れ替えられるようになった。

本番環境から平文の機密データが消えてVaultのAPI呼び出しも96%減った。

チケットの数が2022年から2024年で86.7%増えた。

管理職まで対応に回る状態になり、チームを率いる時間が取れなくなっていた。

1. メッセージ対応にAIエージェントを入れて使い方の質問をAIに答えさせた
2. 回答のもとに社内チームが作ったナレッジベースを使う
3. AIの回答を見直し半年でナレッジを約20%改善した
4. 人が出る案件は自動で担当へ振り分けた
5. 対応の質を専用のQA機能で見てまずい対応を直す

主力製品の自動解決率が39%から46%に上がり、製品全体でも約30〜49%になった。

月620時間分の手が空き、CSATは97.8%を保っている。

案件の管理を表計算やメールやTeamsのやり取りと担当者の記憶に頼っていた。

ガントチャートを作るにはセルを何時間もドラッグし直す必要があり進捗も一人ずつ聞いて回っていた。

1. 新しい案件の受け付けをClickUpの中に一本化した
2. 自社の工程をおぼえさせたSuper Agentが初期構成を作る
3. Brain²に雑なデータを渡し並べ替えや一覧を作り直させた
4. 進捗の連絡文の下書きもAIに任せた
5. 担当者はリスクや依存関係の調整に時間を使う

手作業のやり直しに消えていた午後まるごとの時間が戻った。

新しい案件はどれも同じ標準から始まり、経営や顧客も今の状況をダッシュボードで自分で見られるようになった。

翻訳が人手中心で時間がかかり製品の公開や更新が遅れかねない状態だった。

訳の揺れが海外でのブランドの印象を損なう心配もあった。

1. LILTのAI翻訳基盤を機内向け翻訳の土台にした
2. 既存のシステムとつなぐ中央のハブを作り案件を回す
3. 字幕を含む多言語のデータをまとめて流し込む
4. 過去の訳をためる翻訳メモリで同じ表現は作り直さない

翻訳にかかる時間が短くなり正確さと表記の揃いは保たれた。

人手が空いた分を新しい企画づくりに回せるようになった。

2024年半ばに社内のAI環境を整えるとき、ひとつのベンダーに絞るとツールの進歩に追いつけない心配があった。

試作を作るには専門のツールが要り、デザイン出身でない社員は考えを形にしにくかった。

1. Claude for Workを社内に並べたAIツールの一つとして配る
2. 社員が試して覚える時間を会社として確保した
3. デザイナーは画面写真を渡しテンプレートの中身を埋めさせる
4. PMはProjects機能にデザインの方針をためて出力を揃える
5. Slackに成功例を出し合う場を作り学習用の教材も用意した

Claudeのアカウントを求める声が用意できる数を上回るほど広がった。

社員の65%がAIを毎日またはよく使って生産性を上げていると答えた。

バグ票のやり取りが長く状況をつかむだけで20分以上かかっていた。

QAと開発が同じスレッドを別々に読み直すため手間が二重になっていた。

1. QAがバグのタスクを開いてClickUp Brainに要約させる
2. 検証済みの内容と残りと本当の原因を数秒で受け取る
3. その要約をもとに人が返信してチケットを次へ進める
4. バグ要約と状況把握と振り分けの3つのエージェントを組んだ
5. 設定は初日に済み調整の前から使える要約が出た

スレッド全体を読む20分以上の作業が数秒の要約に置き換わった。

ログが散らばって更新が食い違う難しいバグでも要点を外さなくなった。

営業がいくつものタブと調査ツールを行き来して見込み客を探していた。

最初の接触までが遅れ関係づくりや商談に回す時間が削られていた。

1. Sales Cloudの中でProspecting Agentを動かした
2. 見込み客の調査と絞り込みをエージェントに任せた
3. 条件に合う相手を24時間探しメール送付の流れへ入れる
4. なぜその相手を選んだかの短い説明も付けた
5. 営業が判断の妥当さを確かめ狙いどころを直す

架電数が3倍になりメールの返信率は2倍になった。

北米のパイプラインの60%をエージェント経由が占めるようになった。

テストの担当者が長い要件定義や機能仕様、あちこちに散ったコメントを毎回1行ずつ読んでいた。

テストを始める前の下調べだけで週に3〜4時間が消えていた。

1. 品質チェックの作業をClickUpへ寄せ仕様書とタスクを同じ場所に置く。
2. 自分たちで組んだSuper Agentに仕様書を指し示して渡す。
3. ClickUp Brainがテストの筋書きと確認手順を組み立てて返す。
4. 出てきた結果を見て担当者が足りない観点を補った。

仕様書からテストケース一式を作る時間が1分未満になり、週3〜4時間かけていた下準備が消えた。

ログイン機能の改修では期限切れトークンや転送先の抜けといった条件を機械側が指摘し、本番に出る前に見つけられた。

食事・運動・睡眠・活動量のデータが別々の仕組みに散らばっていた。

利用者はフィルターや一覧画面から自分で探すしかなく、トレーナーも手作業の分析に時間を取られていた。

1. 整理した健康データをベクトルデータベースへ入れる
2. 意味の近さでデータを探せる状態にする
3. 利用者が普通の言葉で聞いた内容をQuery Agentが受け取る
4. 必要なデータを選んで取り出し読みやすい返事にまとめる
5. 決めた基準を超えたときに助言が自動で出るようにした

利用者は従来の画面よりも会話で3倍多くやり取りするようになった。

トレーナーの分析時間は60%減り、指導そのものに時間を回せるようになった。

APIを作った後のテストや文書や仕様の更新がばらばらの手作業で残り、変更のたびに中身がずれていた。

自社の調べでは開発者の69%がAPI関連の作業に週10時間を超えて使っていた。

1. 開発とコーディングの課題で複数のモデルを比べた
2. Agent Modeの既定にClaude Opus 4.6を選ぶ
3. Amazon Bedrock経由で数時間でつないだ
4. コレクションやテストやGit履歴を読ませる
5. エンドポイント指定でテスト作成と仕様更新まで任せる

自社の見積もりでは開発者1人あたり年間で最大1,150時間を削れる。

10人のチームなら年間で100万ドル近い費用の削減にあたる。

技術者ごとに好みの開発環境が違うため6種類のコーディング支援を用意したが、社外のパッケージを各自で入れる形は供給網を狙った攻撃の危険があり配布に踏み切れなかった。

1. Anthropicと組み署名済みの法人向けバイナリを作る。
2. 2〜3か月かけて検証と手直しを重ねた。
3. 全員のノートPCと開発機にあらかじめ入れておく。
4. ルールとトークンと認証まで設定済みにした。
5. AIを社内を知らない優秀な新人として扱うよう伝える。

あるチームが10,000行のScalaコードを4日でJavaへ書き換えた。

手作業なら10人週かかると見ていた仕事で、新しいJDKへ移れて性能の改善も進んだ。

タスクはTrello、報告はGoogleのシートとドキュメント、ボードはMiroと道具が分かれていた。

スプリントのたびに同じ土台を作り直し、報告も手でつなぎ合わせていた。

1. 製品や開発など4チームを1つのClickUpへ集める。
2. ひな形から毎回のボードとダッシュボードを作らせる。
3. タグ付けと未完了タスクの持ち越しを自動化に任せた。
4. ClickUp Brainに成果物の説明文を下書きさせる。
5. エージェントに指示と状態を読ませレポートを作らせた。

以前は週に何時間もかけていたレポート作成が裏で片づくようになった。

作り直しとタグ付けに取られていた時間が減り、クライアント向けのアプリ開発に時間を回せるようになった。

一人ずつにAIが付いても、確認のやり取りや日程合わせで仕事が止まる場面は減らなかった。

部署ごとにボットが散らばって何をしているか見えない状態も起きていた。

1. AI Teammatesの頭脳にClaudeを選んだ
2. 全体をまとめる上位のエージェントにClaudeを置いた
3. 下のエージェントは速さと考える力で使い分けた
4. Agent Skillsで文書編集機能の開発期間を縮めた
5. AIにアカウントを持たせコメントで呼び出した

キャンペーンの企画書は何日もやり取りしていたものが15分で確認できる下書きに変わった。

動いた内容はすべてタスクの履歴に残る。

新しい脆弱性が見つかるたびに担当の4人がパートナー1社ずつへ手でメールを送っており、1件あたり2時間ほどかかっていた。

まとめて一斉に送ると読まれにくいうえに転送先には自社の名前も残らなかった。

1. 脅威情報チームが新しい脆弱性をHubSpotのチケット窓口に入れる
2. エージェントが中身を読み受信を希望する24社を絞り込む
3. 担当者本人の名前で1社ずつに個別のメールを送る
4. 材料はCRMの顧客データや取引の履歴をそのまま使う
5. 作りたい動きを普通の言葉で書き2週間で動かした

脅威情報が入った瞬間に24社へ自動で個別メールが飛ぶようになり、1件あたり約2時間かかっていた手作業が要らなくなった。

週の進み具合をスプリント管理と会議メモとチャットに分けて追いかけており、まとめを夜遅くに手で書いていた。

問い合わせも1件ずつ人が読んで振り分けていて、忙しい時期は列が追いつかなかった。

1. ClickUpに開発と問い合わせと運用と宣伝を集める
2. ClickUp Brainがタスクや会議メモをつなぎ文脈を持たせる
3. 専用エージェントが問い合わせを仕分けし返信の下書きを作る
4. 会話をスプリントのまとめや積み残しの更新に変える
5. 手順書や新人向けの案内をAIが下書きし人が直す

小売向けERPの導入では人が気づく前にエージェントが請求と在庫をつなぐAPIの抜けを見つけ、予定どおりの公開を守れた。

新しく入った人も先輩に聞かずに自分で答えを探せるようになった。

1日50万件を超える形の違う書類を扱うのに、正確さと速さを同時に満たす基盤が無かった。

欧州や金融の顧客はデータを国外やクラウドへ出せず、置き場所も選べる必要があった。

1. 自社の使い方に合わせたベンチマークを先に作る
2. 取り出しの正確さと応答の速さで複数のDBを比べる
3. 選んだWeaviateへ書類から取り出したデータを入れる
4. 密ベクトルと疎検索を組み合わせたハイブリッド検索で引く
5. テナント単位で分けて保存し該当分だけを照会する

5万を超えるテナントを1つのクラスタに収め、特定のテナントのデータをミリ秒で引けるようになった。

1顧客向けに450種類以上のデータ型を取り込めた。

広く浅く集める従来のやり方では、31言語ぶんの学習データに深さが足りなかった。

言語ごとに誤りの採点の基準もそろわず、改善の度合いを比べられなかった。

1. 31言語ごとに母語話者の専門家が質問と回答を作る
2. 分野をまたぐデータをそろえ話題の変化に備える
3. わざとモデルを詰まらせる入力を書き弱点を洗い出す
4. 出力の誤りをMQMという共通の枠組みで採点する
5. 日本語の敬語の判定など母語話者しかできない作業も任せた

顧客自身の評価でモデルが10〜30%良くなった。

納品物の受け入れ率は97%で、納期は100%守られた。

対応言語が100まで増えてテンプレートの翻訳が追いつかなくなった。

国ごとにデザイナーを抱えるやり方では伸びる速さに合わなかった。

1. 翻訳の相手先としてLILTを選んだ
2. AIが出した訳を翻訳者が画面上で直す
3. デザインの中での前後関係まで見て訳を決める
4. 自社はブランドの言い回しの基準を渡し品質を確認する
5. 量が少ない時期は品質と工程を固めることを優先した

品質を落とさないまま翻訳の量とスピードを上げられて、担当チームは次の取り組みに時間を回せるようになった。

新しいモデルや連携をすぐ足さないと競合に先を越される状況だった。

ベクトル検索を後付けしたデータベースでは性能とコストの両立が難しかった。

1. Pinecone・ChromaDB・Qdrantと比べてWeaviateを選ぶ
2. 顧客ごとのデータをマルチテナントの仕組みで分ける
3. ハイブリッド検索とメタデータの絞り込みを合わせる
4. 規制の厳しい顧客はEnterprise Cloudで置き場所を分ける
5. 新しい機能は技術チームと詰めて実装を早める

Pineconeを使う場合と比べて数万ドル規模のコストを抑えられた。

規制の厳しい業界の企業にも環境を分けて提供できるようになった。

UiPathは社内にローカライズの部署を作ったあと、さらに多い量と高い品質の翻訳が必要になった。

顧客は100か国以上に広がり文書の量も増え続けていた。

1. LILTを既存のTMSと直接つなぐ
2. 翻訳したい文書をTMSから数クリックで送る
3. LILTの画面で翻訳者が下訳を直す
4. 直しを自社専用の大規模言語モデルに学習させる
5. 下訳の質を上げ人が直す量を減らす

3年以上の取り組みで重要な業務文書を300万語以上翻訳した。

文書の量が増えても納品までの時間は1.7倍短くなった。

公開直後に利用が一気に増え数万の顧客それぞれに分けた検索用の索引を1人で支えきれなくなった。

最初の作りでは規模に耐えられず顧客同士のデータが混ざる不安もあった。

1. 文書の取り込みと分割と埋め込みの生成を自前で行った
2. ベクトルとメタデータをWeaviate Cloudへ保存する
3. セマンティック検索とハイブリッド検索で関係部分を取り出した
4. 取り出した文脈をLLMへ渡して根拠のある回答を作る
5. 顧客ごとにテナントを分けてデータが混ざらないようにした

5万を超えるテナントまで広がり1年で610万件超の質問に答えられるようになった。

データベースの面倒をWeaviateに任せ創業者は製品づくりに時間を回せるようになった。

Futurehomeはノルウェー以外へ販売を広げるため、アプリの文言やヘルプ記事まで9言語にそろえる必要があった。

早く出しながら技術的な内容の品質も落とせなかった。

1. Zendeskの新しいヘルプ記事をコネクタでLILTへ取り込む
2. LILTのAIが訳文の候補を出す
3. 担当の翻訳者が訳文を直して確認する
4. その直しを自社専用のLLMの学習に回す
5. アプリ内の文言はGitのコネクタでやり取りする

アプリ内の文言やヘルプ記事やブログなど50万語を超える内容を訳し、5つの海外市場の顧客に届けられるようになった。

世界規模で伸びる商いに見積から入金までの流れが追いつかなくなっていた。

手作業が多く営業の動きが止まりがちだった。

1. 見積と請求をRevenue Cloudの標準オブジェクトへ移す
2. Snowflakeの利用データをData 360で請求記録と結び付ける
3. Agentforceで見積を自動で作るエージェントを開発する
4. 担当者は話し言葉で頼み更新用の見積を受け取る
5. 価格や課金の決まりに合うかをエージェントが確かめる

見積の作成は1件あたり90秒短くなる見込みで、請求処理の80%が自動になった。

ERPへ請求記録を直接渡せるようになり、営業はSales Cloudで支払い状況を見られる。

四半期ごとのまとめ処理に頼っていたため報告が遅れ、顧客がすぐに判断できなかった。

自前で動かすKafkaの手入れにも人手を取られていた。

1. Kafkaの自前運用をやめてConfluentの基盤へ移した
2. 用意された接続部品でSQLやMongoDBのデータをつないだ
3. 流れてくるデータをAzure OpenAIのモデルへ渡した
4. チャットボットが資料の要約と供給網のリスクを返す

1つのクラスタだった処理は複数のクラスタへ広がり、データの欠落は起きなかった。

障害の予測は以前の2分前から30分前になり、前より1,400%早くなった。