IT企業のAI活用事例

全米の市議会や都市計画委員会の会議は録画されても中身が追えず、誰がどの立場を取ったかが分からなかった。

音質も自治体ごとにばらばらで、会議が5時間を超えることもあった。

1. 会議の録画を音声認識APIに渡す
2. 話者分離で文字起こしする
3. Speaker Identificationで実名を結び付ける
4. 自前の処理で発言者を二重三重に確かめる
5. 時刻付きで検索できる記録として公開した

住民や記者が自分の市議会議員の発言履歴を調べられる無料のツールを公開した。

対象は数千の市にまたがる1万人以上の議員で、話者の識別では基盤モデル単体の3倍の価値を上乗せできたとしている。

ノードごとに最大の電力を押さえて確保していたため、実際には使われない電力が各ノードに閉じ込められていた。

施設全体では上限に届かないのに、GPUを増やせない状態が続いた。

1. GB300 NVL72のラックでKimi K2.5をFP4で動かした
2. 処理量を重視した推論と低遅延の推論を混ぜた
3. DSX MaxLPSでノード間に余った電力を回した
4. 電力会社の合図をDSX Flexで受けGPUの上限を自動で下げた
5. 140基の構成で基準を測り192基の構成と比べた

全体の推論の処理量が49.2%増え、確保した1ワットあたりの処理量も同じだけ上がった。

先に動いていた枠の性能は落ちず、需要の合図への対応ではGPUの電力を25%下げた状態を30分保てた。

冷却と電力と工程の解析が別々の道具に分かれていて受け渡しに手間がかかっていた。

新しい市場に向けた仕組みを短い期間で形にする必要もあった。

1. OpenUSDで部品ごとに分けた作りにした
2. Omniverseとつなぐ部分の骨組みと最初のテスト用例をAIに作らせた
3. 描画で重い計算をしている箇所を洗い出しGPU側へ移した
4. 顧客の声をすぐ試作に起こして短い周期で確かめた
5. 人がコードの確認と自動テストで品質を保った

最初の打ち合わせから4週間で動く試作ができ6か月で端から端まで通したMVPを出した。

検証済みの部品データから画面を自動で組み立てるので準備は数日から数時間に縮んだ。

AIが書くコードが増えてレビューの量に追いつかなくなった。

レビューが遅いと開発そのものを止めてしまう。

1. プルリクエストが上がるたび自動でレビューを始める
2. 差分だけでなくリポジトリ全体を読んで指摘する
3. 下位のエージェントを立ち上げ複数のモデルで分担する
4. オープンモデルの推論をTogether AIの基盤で動かす
5. コードを書いたモデルとは別のモデルが見る形にした

レビューの質を落とさず所要時間が半分になった。

最初の試用の段階で求めていた応答の速さを満たしたのでそのまま採用を決めた。

グループで約300人になっても人事は少人数のままで住所変更や交通費の申請といった定型の対応に毎日追われていた。

Excel中心の手作業なので処理のばらつきも出ていた。

1. 問い合わせと申請の窓口をエージェントに1本化した
2. 社員はチャット欄に用件を書くだけの形にした
3. 人事は判断と最終確認だけを担う形にした
4. 対象業務の洗い出しから設計まで一緒に進めた
5. やりとりはSlackの中ででき多言語でも答える

人事がこれらの対応に使う時間が約83%減った（自社調べ）。

24時間いつでも申請や相談ができるようになり人事は社員のキャリア相談や健康面の支援に時間を回せるようになった。

反論への切り返しの研修をしたあと、上司が1対1で復習を見ることになっていた。

中身は効いていたが全員に回せる時間がなく指導が広がらなかった。

1. 採点の道具を自作か購入かで比べてGongを選んだ
2. 研修で教えた切り返しの型でAI Scorecardを組んだ
3. 良い応対の定義を先に決めて基準点から採点させた
4. 電話を切った直後に本人へ点が返るようにした
5. AI Builderで個人別の分析と反論への台本を作らせた

指導を受ける担当者の数が人手の1対1のときの2倍になった。

MEDDPICCの項目の入力は820%増えた。

分析はGoogle スプレッドシートとAIで書いたSQLの寄せ集めで、指標の定義が人ごとに違っていた。

会社が伸びて問い合わせが増え、1人のアナリストが作るのを全員が待つ状態になっていた。

1. 社内に散らばる指標の定義と決まりを1か所に集めた
2. 列の名前と意味の対応表を作った
3. テーブルのつなぎ方の指示文をエージェントに読ませた
4. SlackやClaudeから同じデータに質問できるようにした
5. 何度も出る質問を手順として作り足した

Hexで自分でデータを見る社員が全社の5%から75%に増えた。

利用者の44%はSlack経由で使い、エージェントとのやり取りは55,000件を超えた。

経営陣が見る数字も1つのダッシュボードにまとまった。

社内の70体のエージェントを作る開発者が、42のシステムの鍵を自分の.envファイルに貼り付けて使っていた。

社内監査で開発者の端末やCI設定に278本のAPIキーが散らばっていると分かり、しかも読み取りだけでよいはずの鍵が削除や全社設定の変更までできる状態だった。

1. .envの値を本物の鍵からPassportの参照IDに置き換えた
2. 常駐プログラムが呼び出しを社内のプロキシへ渡す
3. プロキシだけが保管庫から鍵を読んでAPIを呼ぶ
4. 42のシステムを104の承認済みエンドポイントに絞った
5. 呼び出しを開発者・エージェント・実行の単位で記録する

開発者の端末にある本番の鍵はゼロになり、278本のキーが使われなくなった。

新しい本番システムを目録に足す日数は15日から3日になり、新しく入った開発者は2時間でどのエージェントにも手を入れられるようになった。

導入後もエージェントは32体から70体、つなぐシステムは27から42へ増えたが鍵の露出はゼロのままだった。

新人の営業が独り立ちするまで3か月かかり、指導役が録音を1件ずつ聞いて直すしかなかった。

相手の役割ごとにメールやトークを手で作り分けるのも追いつかなくなっていた。

1. 通話をOutreachに取り込み会話分析で数字を見る
2. 担当者ごとの話した割合と会話の流れを確認する
3. どこで相手に話させるかを通話ごとに本人へ返す
4. 成績の良い担当者の切り返し方を型にまとめる
5. メールとトークを相手の役割ごとに書き分ける

新人が立ち上がるまでの期間が3か月から最短3週間になり75%短くなった。

1日50件の通話を担当者ごとに見て指導できるようになった。

社内のデータが別々の置き場に散らばり集計しにくかった。

担当者が1人しかおらず手術で抜けた間に作られたダッシュボードは中身の正しさも見られる範囲も管理できていなかった。

1. Salesforceのデータから大事なテーブルだけに絞った
2. 要る列だけを残し列ごとに平易な説明を書き足した
3. テーブルをワークブックにまとめMCPサーバー経由でClaudeにつないだ
4. 聞き方の型とデータのつながりを書いた専用skillを全員に入れた
5. 研修を開き相談用のSlackチャンネルも用意した

始めてから営業や事業側からの問い合わせが250%伸びた。

99.9%が答えを返し中央値63ミリ秒で結果が出るので誰でも数字を取りに行けるようになった。

込み入ったセキュリティの問いに答えるには長い問い合わせを何本も書いて一つずつ確かめる必要があった。

経営陣も誰かがダッシュボードや資料を用意するまで数字を待つしかなかった。

1. データレイクと分析をSnowflakeに寄せる
2. ベテランの技術者がCoCoに普通の言葉で問いを投げた
3. 複数システムの数字の突き合わせをCortex Agentsに任せる
4. 合わないところは指示を書き直して追い込んだ
5. 経営陣にCoWorkを配り自分でデータに聞ける形にする

1〜2週間かかっていたセキュリティの分析が数日で終わるようになった。

経営陣が自分でデータに問いを立てられるようになった。

ログと指標と通知が4つの別々の仕組みに散らばり、障害のたびに画面を行き来して原因をたどる必要があった。

監視の仕組み自体が監視対象と同じ基盤の上で動いていたため、障害が起きると状況が見えなくなる弱点もあった。

1. 4つに分かれていた監視をObserve by Snowflakeへ寄せた。
2. Kubernetesの各クラスタにエージェントを入れた。
3. 米国とEUで別テナントを用意し設定はTerraformで管理する。
4. 集めたテレメトリーを社内のAIエージェントにつないだ。
5. エンジニアはSlackで疑問を投げて答えを受け取る。

障害対応にかかる時間の中央値が約80%短くなった。

年10万ドル超のAWSの費用も要らなくなり、障害時に状況が見えなくなる弱点も消えた。

顧客企業はアプリごとに認証や権限の管理ツールへ手作業で登録する必要があり、見落としが生まれていた。

調べた環境では30%から60%超の識別情報が本来の管理の外に置かれていた。

1. 遠隔ログインができるアプリを自動で洗い出した。
2. アカウントと認証の流れと権限をまとめて集めた。
3. 集めたデータをSnowflakeへ取り込みdbtで整えた。
4. Dynamic Tablesで30分ごとに最新へ入れ替える。
5. 分析はデータにつないだLLMに任せ調査を自動で進めさせた。

1つのアプリの脆弱性を調べる時間が約4時間から42分になった。

分析は80%速くなり、100万を超える利用者の識別情報を扱えるようになった。

顧客から修正の依頼が来るとLinearのチケットとSlackのやり取りに情報が散らばった。

全体像をつかむまでに時間がかかりコードを書く所だけが速い状態だった。

1. eveという枠組みでエージェントを作りVercel上で動かした。
2. 指示書とツールと手順を1つのフォルダにまとめた。
3. 担当者はChrome拡張で直したい内容を書いて渡す。
4. コーディング担当のエージェントが仕様とプルリクエストを作る。
5. 責任者が内容を見てから取り込む。

直近3か月で出荷の速さが3倍になった。

2人のチームは最初の4か月でLinearのチケットを800件以上終わらせ顧客の依頼は早いものだと2時間で本番へ入るようになった。

自社のAI機能を顧客へ出す前に、実際のデータと社内の決まりの中で使えるのか確かめる必要があった。

社内の業務は手作業の確認や日程調整に時間を取られていた。

1. 自分たちが最初の利用者になり社内業務に自社のAIを先に入れた
2. 社内アシスタントSanaを全社員が使えるようにした
3. 権限と本人確認を一つの仕組みにまとめ安全な範囲を先に決めた
4. 履歴書の下読みと面接日程の調整を自動にした
5. 契約の読み取りAIに確認待ちの1,500件を回し最後の判断は弁護士が残した

Sana は94%の社員が毎週使う状態になった。

契約1件の確認は6時間から15分に縮まり、法務には四半期で45,000時間が戻った。

営業まわりのAIが Cursor・Figma・Claude・ChatGPT などに散らばり、年間で数百万ドル規模の費用になっていた。

どの部門も費用に見合う成果を説明できず、使っているツールごとにAIが増えて無駄が重なっていた。

1. 社内の各システムにGleanをつないで索引にまとめた
2. 開く頻度や更新など80超の手がかりで索引を毎日保つ
3. 問い合わせは元データでなく索引へ投げる形に変えた
4. 試験のうちに40を超えるエージェントを作った
5. 500問のRFP回答は下書きを任せ人は仕上げに回る

索引済みのデータへ問う形にしたことでトークンの効率が30〜35%上がった。

数か月かかっていた顧客ごとの営業計画は、最初の成果物が1日で出るようになった。

買い手がChatGPTやGeminiに「控除管理のソフトはどれがよいか」と聞いて候補を絞るようになり、そこで名前が挙がらないと商談にすら近づけなくなった。

Semrushでは検索順位は見えても、答えを返すAIの中で自社がどう扱われているかは分からなかった。

1. HubSpotのAEOを入れて質問ごとの表示有無を並べて見る
2. 出てこない質問のまとまりを担当者が見比べる
3. 価値の高いものから記事の題材を割り振る
4. 競合の回答で引かれている出どころも題材に足す
5. Breeze Assistantに言葉で伝えレポートを作らせる

書く題材を勘で決めるのをやめ、検索のされ方で裏が取れたものから順に手を付けられるようになった。

レポートも軸や集計の設定を組む作業が無くなり、指示文を1つ渡すだけで済むようになった。

中核製品のサポートはFreshdeskで動き買収した経費管理の事業はZendeskとIntercomで別に動いていた。

担当者は顧客の全体像をつかむために2つの画面の間で情報を写し直していた。

1. 分かれていた3つの仕組みを4週間で1つの基盤へまとめた
2. チャットとチケットを1画面で扱い指標も1本にした
3. AIの担当役に話し方と社内の知識と想定の場面を渡した
4. チャットは7人が見てAIの補助を入れた
5. つなぎ込みなど難しい問い合わせは人が引き取った

月3,500件のチケットと1,000〜1,200件のチャットを1つの基盤で処理するようになった。

年末までにチャットの50%をAIで対応するか自己解決に回す目標を置いた。

買収を重ねて事業が広がる一方で、EMEAと南北アメリカとアジア太平洋に散らばる少人数の法務が人を増やさずに追いつく必要があった。

M&Aの調査や規制の対応や紛争といった重い仕事を外部の弁護士に出していて、費用もかさんでいた。

1. 契約を自社の標準条件と突き合わせるレビューにHarveyを使う
2. Vaultに相手方の契約書を入れて深く見る12本を絞り込んだ
3. 一次のレビューとリスクの指摘をさせ引用元で確かめる
4. HarveyをMicrosoft WordとGoogle Driveの中で動かした
5. 地域ごとに4人の使い手を置きプロンプトの記録を見直した

契約のレビューは60%速くなり、事業部門への回答も32%速くなった。

買収の調査を1か月で自社内でやりきって手作業のレビュー時間を73%減らし、1件で最大8万ポンドの外部費用を使わずに済んだ。

1人あたりの利用は月2.8時間から8.7時間へ増えた。

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。