海外の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。

1,600万人を超える利用者をねらう詐欺が巧妙になり、被害額は2022年にピークを迎えた。

モデルを1つ作るのに数週間かかり、対応が後手に回っていた。

1. AIの基盤を全社に入れた
2. 予測モデルと生成AIを組み合わせた
3. 数千のモデルで取引を即時に判定する
4. ノーコードで分析チーム以外も作れるようにした
5. 書類処理はOCRと自然言語処理を重ねた

不正は30%減り、詐欺による顧客の被害は2022年のピークから76%減った。

モデルの試作は数週間から2日になり、900人を超える分析担当が使えるようになった。

事業の許認可は紙とスキャンしたPDFで処理され、職員が項目ごとに手で転記して複数のシステムを突き合わせていた。

1件に14〜30日かかり、繁忙期には滞留が膨らんでいた。

1. 国内のデータセンターにサーバーを置いた
2. 自国語だけの追加学習で国産のLLMを作った
3. OCRが申請書類から項目を抜き出す
4. 書類の種類を判定して政府の記録と突き合わせる
5. おかしな点は人の確認に回す

申請の処理は14〜30日から約90秒になった。

これまでに130件以上の許可を出し、今後1年で1,500件を見込む。

メールとSMSの反応が落ちてきていた。

人が電話をかける方法は費用がかかりすぎて数を増やせなかった。

1. 4年使っていたForethoughtに音声AIエージェントを足した
2. 離れた利用者への発信に音声AIを使った
3. 顧客管理のBrazeにつなぎメールと同じ手順で電話を出せるようにした
4. 最初のやり取りの記録を見て個人が分かる部分を隠す決まりを作った
5. 立ち上げはサポートとライフサイクルの担当者が進めた

呼び戻しでいちばん伸びたキャンペーンでは入金のあるアクティブな口座が23%増え、同じ内容のメール配信のほぼ2倍になった。

1年で800万ドル超の費用を抑え、音声のAIエージェントは1体から7体に増えた。

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。

撮影のたびにカメラの位置や画角を人に見てもらう必要があった。

画面読み上げの音が録音に入ることもあり、編集も一人では進めにくかった。

1. ChatGPTに全盲の事情を伝え使えるサービスを探してもらった
2. HeyGenで自分の姿のアバターを作った
3. 書いた台本を入れて動画にする形に切り替えた
4. 画面読み上げで分かりにくい操作の案内もChatGPTに頼んだ
5. 出来た動画をChatGPTに説明させ見え方を言葉で確かめた

台本から動画を作って公開できるようになり、撮影の手伝いを毎回頼まずに済むようになった。

人の目が必要な場面は残るが以前より大きく減り、他の人や団体への動画制作の提供も始めた。

世界の工場に散らばるデータがそのままでは使えず汎用のモデルは製造現場の言葉や作業に合わなかった。

大きなモデルの学習にも時間がかかっていた。

1. LlamaやGemmaなどの公開モデルを自社環境へ取り込んだ
2. 工場のデータを足し視覚と音声と言語をDGX SuperPODで分散学習した
3. NeMoで製造や検査やロボットの作業に追加の学習を重ねた
4. モデルを用途ごとにGenesis PlatformとCityGPTに分けた
5. Mission Controlで資源を見ながら200超の拠点へ配った

120Bのモデルの学習が従来のH100の構成に比べて2.48倍速くなり1兆トークンを12日で処理できた。

生産計画にかける時間は25%減りエンジニアの作業は50%減った。

顧客対応は質問に答えて注文を受けるだけの役割にとどまっていた。

品質の確認は人手の抜き取りで全体を見られていなかった。

1. 通話の録音と文字起こしと感情の分析をそろえた
2. Auto QAで音声の通話を自動で採点し指導点を絞った
3. 着信のたびに裏のデータベースで対象の顧客かを確かめた
4. 次に何を伝えるかの短い指示だけを画面に出した
5. 通話後の要約と区分をAuto SummaryがCRMへ書き込んだ

品質評価の対象が音声の通話の100%に広がりAuto QAを入れたあとは評価の点数も上がった。

担当者は手で記録を取らなくなり問題の解決に加えて追加の販売や商品の案内までできるようになった。

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。

少人数のチームで規模の大きい開発を進める必要があった。

製品が変わるたびに社内の説明資料が古くなりPMがコードの変更を毎回文章に直していた。

1. チケットごとに目的と受け入れ条件をつなげた
2. 同じ材料をCursorのエージェントに渡して開発させた
3. コードのどこを読むか案内する地図を用意した
4. 3つのツールで説明を書き2人が確かめて正式版にした
5. 取り込みのたび影響するページの修正案を出させる

ユーザーストーリー1本の提供が約10日短くなり開発の効率は41%上がった。

ドキュメントの確認は週約10時間から約90分になり1人あたりの提供価値は73%増えた。

3年で10倍に伸びて取引の量が一気に増えた。

監視する道具が分かれていたため障害の原因を突き止めるのに時間がかかり先の読めない状態だった。

1. 指標とトレースとログとコードをDatadogに集めた
2. Bits AIが突き合わせて原因分析と振り返りを自動で作る
3. 出てきた直し方の案から数分で調べる方向を決める
4. セキュリティ障害の報告はBits Chatで作らせる
5. 既知の失敗を自動で回復させる仕組みも入れた

全体のMTTRが11時間から1時間未満になり約90%短くなった。

重大な障害の切り分けは最大80%短縮し稼働は安定して保てるようになった。

20以上のブランドで数百万人の客に応対していて同じ品質を保つのが難しかった。

AIにどこまで任せられるかも分からなかった。

1. Talkdesk CXAを今ある仕組みにつないで小さく試した
2. 実際の会話を見て客が何に困っているかを拾う
3. うまくいかない部分だけ手直しして応対の中身を作り直す
4. 試して直す流れを繰り返してから本番の範囲を広げた

AIが応えたやり取りの95%は人へ渡さずに解決した。

80%は内容で振り分けられ販売の転換率は5%上がった。

送電設備の設計や運用を書いた資料は社外のネットワークへ出せない決まりがある。

共用の計算機は順番待ちになり試したい検証がその都度削られていた。

1. 社内の端末だけで動く文書調査の仕組みを作った
2. 研究者が選んだ技術文書やログをモデルに読み込ませる
3. 中身のgpt-oss-120bを1台の端末の中に収めた
4. 気象予測はGenCastとFourCastNetで動かした
5. CorrDiffで25kmの格子を2〜3kmまで細かくする

50メンバーのアンサンブル予測はCPUだけのサーバーで推定10時間以上だったが150秒で出せるようになった。

文書との対話も1人なら毎秒35トークン、10人同時でも合計毎秒150トークンで返る。

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。

相談は数時間続きボランティアの交代をまたぐため、引き継ぐ側は経緯の要約が必要だった。

試した汎用の要約は団体で決めた型に合わず使えなかった。

1. SMSとウェブチャットをFrontの共有受信箱に集めた
2. 監督役が相談の担当を割り振る形にした
3. 自作のAIを相談の画面から呼べるようにした
4. 相談員はSummarizeなど3つから選ぶだけにした
5. 交代時は要約を出し相手に合う情報も出させた

1日の相談は約2件から33件まで増え、スタッフ12人と契約の監督役10人で回せている。

1件あたりの会話も約48分から約75分へ伸びた。

AIで顧客の期待や通信網の運び方が変わる速さに、全社で決めて動く力が追いついていなかった。

使い方がばらばらに増えると、どのAIがどこで動いているか分からなくなる恐れもあった。

1. データとAIを全社の業務に組み込む計画を立てた
2. 外部の専門家と自社の担当者を1つのチームにした
3. AIアプリとモデルと費用を1画面で見られるようにした
4. 顧客対応や通信網の運用など8つの取り組みに広げた
5. 社員向けの学びの場を用意し講座を受けられるようにした

5年かける予定だったデータとAIの計画が2年に縮まった。

AIで問い合わせを自分で解決した顧客は3倍になり、データの取り込みにかかる手間は70%減った。

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。

週あたりの問い合わせが約2,500件から約60,000件まで増え、外部委託の増員では追いつかなくなった。

チャットはAda・メールはUltimateと道具が分かれ、知識で答えるだけの自動化にとどまっていた。

1. まずチャットとメールに入れた
2. 件数の多い報酬の再送を手順にまとめた
3. 二要素認証で持ち主を確かめてから自動で送り直した
4. あとから電話へ広げ難しいものだけ担当へ回した
5. 企業ごとに自動化の度合いと引き継ぎ条件を変えた

自己解決の割合は90%近くまで上がり、CSATは92%になった。

初回の応答は約1営業日から即時になり、平均の解決時間は3.5営業時間へ短くなった。

13年ぶん積み上げた栄養の知識があるのに、カメラの前に立つのが苦手で動画に手が出せなかった。

記事とメールだけで届く範囲が止まっていた。

1. 調べものと台本づくりは自分でやった
2. 台本をアバターに読ませて縦動画にした
3. 撮影も撮り直しもしない形にした
4. 4つのSNSへ毎日1本出した
5. 見た人をメールの登録へつないだ

毎日1本の投稿が続き、以前の投稿より視聴が大きく増えた。

Instagramから来てメールの登録をする人も増えた。

投稿が静止画と文だけで、見るのは既についている人ばかりだった。

カメラに出たくないので動画は手付かずだった。

1. 住宅ローンやお金の基本を自分で台本に書く
2. 台本をHeyGenのアバターに読ませて短い動画にする
3. 撮影はしない形で動画を用意する
4. Facebook・Instagram・LinkedInへ週2〜3本出す
5. TikTokを新しく始め静止画は週4〜5本続ける

動画を週2〜3本出せるようになり、リーチもコメントも増えた。

発信先はTikTokを足して4つになった。

10億ドル規模の方針転換で組織が小さくなり、弁護士3人で各国の法務を抱えることになった。

定型の下書きや確認に人手を取られ本来は外部に出す必要のない案件まで外部の事務所へ回していた。

1. 契約書はHarvey for Wordで社内の弁護士が下書きする
2. 構成と分析を自分で行い最終版の約8割まで仕上げる
3. 外部の事務所にはその取引の確認だけを頼む
4. 投資先の調査はデータルームの資料をVaultに入れる
5. 海外の規制も外部に頼らず調べて社内で理解する

3人のまま取引の進みが以前の最大10倍になり外部の事務所への依存は50%以上減った。

弁護士1人あたり週10時間以上が空き、投資の組み立てや交渉に回せるようになった。

集合住宅の契約は現地の内見で決まるのに、案内担当への指導は内見の前と後でしかできなかった。

既存の音声認識はストリーミングが電話向けで、バッチは録音が終わるまで結果が出ないため内見中の助言に使えなかった。

1. 内見中の音声を短い区切りでAssemblyAIのAPIへ送る
2. APIが届いた分をすぐ文字に起こして返す
3. 文章から話し方や説明の抜けを判定する
4. 担当者のスマホ画面に助言を出す
5. 成績のよい担当者の動き方を学ばせチームへ広げる

案内担当が内見の最中に助言を受け取れるようになり、どの見込み客にも同じ水準の案内ができるようになった。

この機能は既存の法人契約の顧客だけが使える。

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。

艦艇向けの技術や国が指定した中核技術を抱える一方で、韓国の製造業を狙う攻撃が増えていた。

セキュリティの警告が大量に出るため、本当に危ないものと雑音の区別が難しかった。

1. TDRを使った24時間体制のSOCを設計して提供した
2. Autonomous Securityの中でATOMがセキュリティ運用を回す
3. EDRのデータをSIEMへ取り込む
4. 独自に作ったルールで不要な警告を落とす
5. 3拠点をつないで時差で引き継ぐ運用にした

独自ルールによってSIEMとEDRで出る警告の数が65%減り、見るべき事象に集中できるようになった。

点検の対象としてWebとインフラの資産を4,600以上洗い出し、28%の生産性向上も見込んでいる。

フランス・ベルギー・ドイツで7つのブランドを持ち、データが2002年のMicrosoft SQL ServerからGoogle BigQueryまでばらばらの基盤に散らばっていた。

売上や顧客といった基本の数字を全社で見ようとするだけで何週間もかかっていた。

1. 古い基盤を直さずSnowflake上に基盤を作り直した
2. 25年分の古いデータベースを6か月で1つに寄せた
3. 全ブランドが同じ数字を見られる状態にした
4. CoCoで作ったAIエージェントをSlackに置いた
5. ハッカソンで約70人に触らせ3案を製品化した

25年分の基盤の統合を6か月で終え、保守に15人分かかっていた体制が2人で回るようになった。

数字が出るまで何日も待っていたのが、ほぼその場で返ってくるようになった。

販売店の担当者が本番の客を相手にする前に接客の会話を練習する場がなかった。

言葉が違う市場ごとに同じ質で練習させるのも難しかった。

1. 担当者がAIアバターと声で接客会話を練習する
2. アバターが客役をして内容の正しさを確かめる
3. 話し方や伝え方への指摘を返す
4. 市場ごとに指示文と発音の速さを調整した
5. 騒がしい場所では文字入力に切り替える

各市場の担当者が自分の言葉で接客の練習をできるようになった。

音声認識を調整して雑音を取り除いたので、会話が途切れにくくなった。

前のチャットボットは置かれた商品ページしか見えず、別の候補を聞かれても答えられなかった。

関係のない種類の飲み物を勧めることもあり、答えを正しく保つために毎日1時間の手直しが必要だった。

1. Botpressで英語とケベックのフランス語に答える案内役を作った
2. 商品ページから商品名と値段と分類を渡す
3. 味や糖分や予算の希望に3〜5枚の商品カードを返す
4. 注文の問い合わせはサポート担当へ引き継ぐ
5. 毎朝スクリプトで商品一覧と栄養表をAPIへ送る

2か月で客の会話の93%をAlixが自力で解決し、5,000件を超える商品の提案を出した。

毎日の手直しがなくなり、会話の記録から買い物かごの不具合や栄養情報の抜けも見つかるようになった。

数千万人分のデータを抜き取りではなく全部使ってモデルを学習させたかった。

作ったモデルを実際に動いている仕組みへ載せる手立ても足りなかった。

1. 技術者の訪問なしで直せる不具合を見分けるモデルを作った
2. クラスの偏りを補う設定と間引きで多い側に寄らせない
3. 勾配ブースティング木で24時間先の人気を予測した
4. 利用者を似たまとまりに分けて伸びを出す
5. モデルをJavaに書き出すかウェブサービスとして本番に載せた

機械学習が分析の段階から実際の運用へ移った。

行かなくてよい技術者の訪問が減り、放送の24時間前に人気の出る番組を見通せるようになった。

自力で直す仕組みが問い合わせなしでエラーを解消している。

9社の航空券の仕入れ先ごとに仕様がばらばらで、運賃が出ない・座席が選べないといった穴が利用者に見えていた。

資料の無い仕入れ先もあり、原因調べに何日もかかっていた。

1. 予約の機能を検索や発券などに切り分けた
2. 仕入れ先ごとに設計の仕様書を書いてから実装した
3. 10万行超のAPI仕様をCursorに読ませ必要な所を探した
4. Pythonの中継プログラムを作り手元から試せるようにした
5. 実行環境をJava 8からJava 21へ移した

2〜3日かかっていた原因調べが約半日で終わるようになった。

往復検索の応答はp95で10秒から8秒になり、運賃ルールの網羅率は80%から90%へ上がった。

年に12万件を超える注文の多くがメールやスキャン画像で届き、書式がそろっていなかった。

担当者が手で打つしかなく、入力の間違いと出荷の遅れにつながっていた。

1. 届いた注文書をOCI Document Understandingに読ませた
2. 表や署名やバーコードなど形のそろわない情報を取り出した
3. 注文明細を抜き出しERPに決まった形の注文票を自動で作った
4. 担当者は出来上がった注文票を確かめるだけにした

注文の手作業が20%減った。

データの正確さも上がり、担当者はより価値の高い仕事に回れるようになった。

退職後の積立プランは企業ごとに中身が違い、契約書の束を作るたびに営業と運用の担当者が設定を選び直し顧客情報を手で打ち直していた。

1件を出すまでに1時間15分かかり新規の受け入れが詰まっていた。

1. DocusignをSalesforceとつないだ
2. 営業はCRMの画面から契約の手続きを始めるだけにした
3. プランや投資商品に合わせて条項の出し入れを自動で切り替えた
4. 署名画面にStripeをつなぎ頭金の支払いも済ませた
5. 契約情報をためてチャットボットから質問に答えられるようにした

契約書の束を出すまでの時間が75分から5分になり、受け入れにかかる時間は93%短くなった。

毎月200時間が浮き、署名後の離脱は70%減って月1,000社超の新規を受け入れられるようになった。

AI向けの複雑なチップが増え、設計と製造のシミュレーションに膨大なCPUの計算時間がかかっていた。

マスク1組で3,000万時間以上のCPU計算が必要になることもあり、技術者は結果を待たされていた。

1. マスク合成ソフトのProteusをcuLithoと組み合わせる
2. 並列性の高い計算をCPUからGPUへ移す
3. 計算をNVIDIA B200 GPUの上で動かす
4. CUDA-Xのライブラリで既存のソルバーも速くする
5. 材料探索ではQuantumATKをcuESTで最適化する

露光計算のシミュレーションはCPUのモデルに比べて最大20倍速くなる見込みになった。

Applied Materialsの初期の結果では量子化学の計算が30倍速くなる可能性が出て、Northrop Grumman Microelectronics Centerでは開発が数週間から数時間に縮んだ。

繁忙期は10を超える市場で大量のキャンペーンを同時に動かし、数字をExcelにまとめてグラフや資料を作るのに何時間も何日もかかっていた。

配信前の変数やフッターや言語の確認も1件あたり1時間かかり、作業が詰まっていた。

1. 社内で使っていたClaudeからBrazeのMCPサーバーにつなぐ
2. APIの識別子でキャンペーンとCanvasのデータを呼び出す
3. 市場をまたいだ成績を集めてレポートまで作る
4. 毎週のメール到達の要約をSlackへ流す
5. 配信前のリンクを貼って変数や言語の間違いを一覧で返す

成績レポートを作る時間は2日から20分になり、99%減った。

配信前のキャンペーン確認は1件1時間から5分になり、人の目が見落としがちな細部も拾えるようになった。

返金の依頼が問い合わせ全体の40%を占め、終わるまで平均10時間かかっていた。

担当者が全部の案件を受けていて、人が向き合うべき難しい相談に手が回らなかった。

1. AIチャットボットで客が自分で返金を済ませる流れを作る
2. 客はチャットの中で手続きを進めてボットが返金まで片づける
3. 例外の判断が必要な複雑な案件だけ担当者へ渡す
4. ボットが答えられる範囲を前より広げる

返金の手続きは10時間から10秒になった。

チャットボットだけで終わる会話は15%から70%に増え、367%の伸びになった。

分析の道具がMatomo・Adobe Analytics・Google Analyticsの3つに分かれ数字を見比べられなかった。

長年つぎ足してきた設定が複雑で中身を読み解きにくかった。

1. 導入支援の会社と組み3つの分析ツールをAmplitude一本へ寄せた
2. 2,000以上のイベントを意味のまとまりでまとめ直した
3. 細かい違いはプロパティへ移した
4. プロダクトオーナーと開発者が最初からイベント設計に入った
5. ダッシュボードはAIに2〜3回指示して作り担当者が直す

ダッシュボードを作る時間が1時間から5分になり90%以上短くなった。

10以上のアプリとサイトをつなぎ移行は2か月で終わった。

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。

提案やRFPの回答を作るのに必要な資料が散らばり案件ごとに時間がかかっていた。

AIエージェントが自分で作るSQLが顧客ごとのデータの仕切りを飛び越えてしまう心配もあった。

1. 専用のAIデータベースで社内ナレッジの仕組みを数日で組んだ
2. 選び抜いた文書だけを元にエージェントがRFPの回答文と構成図を組み立てる
3. 誰がどのデータを見られるかをデータ側に持たせた
4. 権限の判定をアプリやMCPのコードに書かせない作りにした
5. 要件整理やコード生成から稼働後の支援まで使う場面を広げた

RFPの回答にかかる時間が数週間から数日に縮み1件あたり7万5,000〜8万ドル浮いたと見ている。

同時に300セッションを流しても大半の問い合わせが15秒以内に返った。

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。