金融・保険のAI活用事例

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。

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。

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。

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。

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。

マネー・ローンダリング対策のデータ検証が表計算のマクロや特定の担当者の腕に頼る形になっていた。

異動や引き継ぎが難しく、現場で見つけた問題をすぐに直せなかった。

1. 研修で資格を取った社員を集めた
2. 半年のハッカソンで実際の業務課題を題材にした
3. 100万件規模のデータ結合をワークフローにした
4. 1か月分の処理を1日単位に分けて自動で回した
5. 現場がワークフローの運用と保守まで担った

4〜5時間かかっていた100万件規模のデータ結合が40〜50秒になった。

処理時間が短くなった分の人件費は年間約250万円の削減と見込んでいる。

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。

30年以上動かしてきたIBM i上のRPGアプリが600万行を超え、積み上がった古い作りと埋め込まれた業務ルールで手が付けられない状態だった。

1日に何百万件ものAPIの呼び出しをさばく必要もあり、作り替えの道筋が見えなかった。

1. Ensonoと組んで今の仕組みを調べることから始める
2. IBM Bobに600万行のRPGコードを読ませた
3. 設計は上からコードは下から両方向でたどる
4. Bobが最新の仕様の文書を自動で作った
5. 残すところと部品に分けるところを決めて計画に落とす

ふつうなら数か月かかる評価を6週間で終えた。

Bobは他のツールより最大4倍速く結果を出し、それまで見えていなかった要点も掘り出した。

依頼が表計算ソフトとメールとWhatsAppに散らばり、技術担当が1人で全部を手作業でタスクに起こしていた。

6つの事業を1人で見るため週に数時間が調整だけに消え、抜け漏れも出ていた。

1. 6事業の依頼を1つのClickUpのワークスペースに集めた
2. backlogからcompleteまでの4段階で進める形にした
3. Triageに同じ内容の既存タスクを先に調べさせた
4. Progress Trackerが作業を3〜10個のサブタスクに割った
5. 定型作業はコメントで記録し人は確認と手直しだけにした

同じ話の古いタスクを見つけて開き直し、説明とサブタスクを更新して変更点をコメントに残すところまで自動で進むようになった。

タスクごとに進み具合が見えるので状況確認の会議が減り、空いた時間を自動化の開発に回せた。

古い電話の仕組みは通話録音とテレフォンバンキングと品質管理がばらばらだった。

少し変えるだけでも手作業が必要で、在宅の担当者は接続の不具合にも悩まされていた。

1. 寿命を迎えたテレフォンバンキングをAutopilotで作り直した
2. PortX経由でJack Henryの勘定系とつないだ
3. 電話がかかると本人確認をして用件を読み取る形にした
4. 声で本人確認できた会員は定型の用件をAIのAvaに任せた
5. 込み入った用件は担当者へ引き継ぎCopilotが情報を出した

Avaに回した電話の平均80%が、その場で解決するか適切に担当者へ引き継がれる形で収まった。

Avaが対応した1件のコストは約1ドルで、担当者が対応した場合の12ドル以上より安くなった。

顧客が求めるレポートが細かくなるほど、ダッシュボードの設定と検証に何時間もかかっていた。

数千万行の取引データを数百の列で扱うため、手作業の組み立てと確認が重かった。

1. Workbooks as Codeでワークブックをコードとして読み書きする
2. 画面で一つずつ設定する作り方をやめた
3. レポートの構想やモックをAIに渡し下書きを作らせる
4. できた下書きを見ながら手を入れて仕上げる
5. 空いた時間は要件の詰めと使いやすさの確認に回した

最初の下書きが約4時間から10〜15分でできるようになり、約94%の短縮になった。

その後の作り直しも速くなった。

取引の件数が増えて報告の締めも厳しくなり財務の担当者が手作業の事務に多くの時間を取られていた。

入札への回答は年1,000件ほどあり1件の準備に5〜6日かかって調べ物と書類の確認が専門の担当者に偏っていた。

1. まず財務の繰り返し作業を自動化した
2. 各部署で話し合いの場を作り300以上の候補を集めた
3. 入札の書類を読んで求められている条件を拾わせた
4. 社内の資料と照らして提案の下書きと要約まで作らせた
5. 最後の中身は担当者が確かめて直した

自動化で月6,400時間以上の作業が減り投資の回収は8〜9か月でついた。

提案の準備が短くなり生産性は約30%上がる見込みで社内の調査では89%がロボットは役立つか欠かせないと答えた。

担当アドバイザーが会議メモの確認や市場データの整理と提案書づくりに何時間も取られていた。

ZoomやTeamsの要約は浅く顧客に出せる中身にならなかった。

1. 自社の画面デザインのままAIアプリを社内に入れた
2. メールやCRMとポートフォリオの仕組みにつないだ
3. メール文案と販促文づくりから使い始めた
4. 調査の要約と会議の文字起こしや要点出しを足した
5. 規制面の事前チェックを全エージェントの手前に置いた

管理業務と繰り返し作業で90,000時間以上を削り、年間500万ドル超の効率化につながった。

社員が自分で作ったエージェントは2,600件を超えた。

BIツールで自社のAIモデルを見張っていたため、精度の崩れに気づくまで1〜2日かかっていた。

重い計算がBIサーバーの半分以上を占め、担当チームは新しいモデルを作る時間を取れず、不調を業務部門に先に見つけられることもあった。

1. 監視の仕組みを作るか買うかを比べて選んだ
2. PythonのSDKでモデルを出す側のAPIにつないだ
3. しきい値を自分で決めた自動の見張りを置いた
4. 学習時と検証時と本番の数字を並べて比べた
5. 守るべき属性で結果が偏っていないか確認した

投資の回収は2か月未満で、初年度のROIは500%超と見ている。

社内で監視の仕組みを作らずに済んだぶん初年度で2〜3人分の工数が浮き、年あたり数百時間のチーム時間も空いた。

15人の担当者が月5,000件を超える電話を古い電話システムで受けていて、他の道具とつながっていなかった。

会員の質問に紙のファイルを探して答えるため保留は20分を超え、1件の対応も15分以上かかっていた。

1. 古い電話の仕組みをやめてTalkdeskへ入れ替えた
2. 着信を基幹のFiserv DNAとつなぎ会員の情報を画面に出した
3. 商品や手続きの調べ物はCopilotがその場で答える形にした
4. 管理者が通話数と待ち時間と対応時間を見るダッシュボードを持った
5. 全部の通話に品質の点数が付くようにした

保留は20分超から1分未満になり、月の平均で20秒まで下がった月もある。

1件の対応時間は15分超から約5分になり、NPSはマイナスから半年平均75へ上がった。

以前は短い動画を出すのに長いYouTube動画を撮って切り出すか、1本ずつ撮影して編集するしかなかった。

毎日出すには手間が追いつかない。

1. 借り手が検索しそうな質問と答えを先に用意する
2. 答えの原稿をHeyGenに渡して自分のアバターに話させる
3. 自分で録音した声を合わせて本人らしさを残す
4. 同僚のアバターやAIの話し手も混ぜて変化をつける
5. ブランドの色や文字を確かめてから公開する

カメラの前に立たなくてもまとめて動画を作れるようになり、公開待ちの投稿が何年分もたまった。

1日1本を3年続ける計画も回せる見通しになった。

顧客が30万件を超えて増え、自社で作った問い合わせ基盤の保守が重くなった。

顧客の情報は複数のツールに散らばり詳しい知識も一部の担当者に偏っていたため、返答の前に社内で確認する手間がかかっていた。

1. 2024年にZendesk Suiteを入れ業務の流れを作り直した。
2. 2025年7月に移行を終え全チャネルの会話を1つに集めた。
3. サポート以外の部署にもEmployee Serviceを広げた。
4. Zendesk Copilotを入れナレッジベースを組み替えた。
5. 自社でアプリを2つ作り回答案を担当者の画面に出した。

CSATは87.5%になり平均の処理時間は85%減った。

未対応の積み残しも93%減り、Copilotの回答も安定して頼れる水準になった。

週に何度もリリースが出るため社内ナレッジや公開FAQの更新が追いつかなかった。

開発の量が3倍になり仕様書や承認の手作業が足を引っ張っていた。

1. Slackのプロダクトチャンネルをエージェントに見張らせた。
2. 対象のリリースだけをNotionのデータベースへ記録させた。
3. 別のエージェントが社員の製品質問へ出典つきで即答する。
4. 修正役のエージェントが古い記述を見つけNotionを直した。
5. 技術変更の一次レビューを任せ人は最終の判断だけ行う。

フィードバックの仕分けとリリース資料の更新と開発の受け渡しを合わせて週24時間以上の手作業が消えた。

レビュー役のエージェントは453件を処理して37時間以上を浮かせ製品質問に答える役は最初の1週間で160件に対応した。

ルールで動く前のチャットボットは決まった言い回ししか読めず、支払いや契約変更のような定型の質問まで人へ回っていた。

夜間や混み合う時間の問い合わせは翌朝まで残り、2025年のNPSは平均-47だった。

1. Botpressで作ったAIエージェントが一次対応を24時間引き受ける
2. ZendeskのAPIから記事の本文だけを取り出しHTMLを外す
3. 選んだ約44本を商品ごとの知識のもとに分けて登録した
4. どの商品か分からない質問は先に商品を聞き返す
5. 自信が無いときは営業時間を見て有人へつなぐ

NPSは2025年平均の-47から2026年は+13.86へ上がり、有人への引き継ぎは18%から13%に減った。

会話の約87%をAIだけで終えるようになり、1日のAI費用も80ドルから43ドルに下がった。

商業保険の仲介は紙の作業が多く手順も遅いままだった。

創業者はエンジニアではなく、仕組みを1人で作る必要があった。

1. AWSのコンソール画面のスクリーンショットをChatGPTに渡した
2. ChatGPTに聞きながらバックエンドとデータベースを立てた
3. CursorやClaude CodeやCodexで開発を進める
4. コーディングエージェントが扱いやすいWeaviateに決めた
5. 保険の書類を分類し項目を取り出してベクトル化する

2025年2月のアイデアから同じ年の11月には顧客のいる本番システムが動いた。

稼働から1年たたずに40口座で2,000万ドルの保険料を運用し、年間50万ドルを超える顧客も8件ある。

返済の連絡の時期や伝え方を一人ずつ変える機械学習モデルを増やしたかったが、少人数の体制では信頼性を保てなかった。

データがサービスごとに分かれ、作り方も人によってばらばらだった。

1. データの加工からモデルの実行までをSnowflakeの中に集めた
2. コードはPythonで1か所にまとめた
3. モデルごとにフォルダを作り設定ファイルに処理の流れと時間を書く
4. よく使う特徴量をFeature Storeに一度だけ定義する
5. 本番へ出せるのは自動のパイプラインだけにした

新しいモデルの立ち上げは数週間かかっていたが数日で本番に届くようになった。

10を超えるモデルが毎日動き、全米の数百万人に向けた提案を出している。

借金の相談は人に話しづらく、電話の待ち行列に並んだまま話せない人が多かった。

相談員は同じような連絡の対応に追われ、立ち退きや生活の危機が迫った深刻な相談に時間を割けなかった。

1. 問い合わせの入口にバーチャルエージェントを置いた。
2. 利用者が書いた困りごとから担当の相談員へ振り分ける。
3. 音声の自動応答からSMSを送りオンライン手続きへ誘導した。
4. Agent Copilotが次の一手と要約と分類の候補を出す。
5. 相談員は出てきた候補を確かめて直すだけにした。

ピーク時は週におよそ1,700件をバーチャルエージェントが受け持ち、25,000人を超える利用者を電話の待ち行列からSMSの案内へ移した。

デジタルでの登録完了は61%増え、年間およそ240万件のやり取りのうち93%を利用者がデジタルで選んでいる。

英国から米国へ広げたあと欧州へ出るにあたり、複数の言語に対応する必要が出た。

地域ごとの用語が揃わず自社らしい言い回しが訳で消える心配もあった。

1. コネクタを2つつなぎ作業の流れの中から翻訳を出す
2. 主要な3言語を自社向けに調整したAIモデルで訳す
3. 出てきた訳は専門の翻訳者が確認して直した
4. その直しを次の訳に反映させる
5. 用語や言い回しの決まりはモデル側に持たせる

新しい製品を出すときの翻訳が速くなり品質も保てるようになった。

金融の規制に合う安全面の審査も通り、欧州へ広げ続けられる形になった。

客が増えるにつれ書類を扱う手作業が積み上がっていた。

問い合わせの量も増え文書の仕分けや翻訳や下書きに時間を取られて対応が詰まっていた。

1. AWS Bedrock経由でClaudeを社内15以上のアプリへ組み込んだ。
2. 客向けの案内役が5言語で24時間いつでも答える。
3. 毎日数千件の会話を要約して傾向をまとめる。
4. チャージバックでは資料を訳し判断の案まで出す。
5. 紙の申立書を種類ごとに分けて担当チームへ回す。

対象にした業務で最大70%が自動で回るようになり手作業は最大50%減った。

新しい仕組みは着想から最初の評価まで1〜2週間で立ち上がる。

各チームが思い思いにベクトルデータベースを入れ始め、1か月で4〜5種類が社内に並んだ。

支える仕組みが膨らむ前に1つに決める必要があった。

1. リードのエンジニアが各チームに必要な条件を聞き取った
2. 毎秒のクエリ数や導入の速さや高可用性で候補を比べた
3. AWS EKS上に検査済みの雛形でWeaviateを載せた
4. ハイブリッド検索や再ランクを自作せずアプリ作りに集中した
5. 社員は社内チャットにファイルを上げて中身を質問する

1年かからずにAIを使った商品を世に出せた。

コードが書けない社員でも、自分のファイルを上げて質問できるようになった。

実質2人で会社を回しており電話を受けた担当者が面談リンクや顧客の区分をそのつど代表とCMOへ確認していた。

規制の関係で外部のAIを顧客データにつなげられなかった。

1. 社内審査を通ったHubSpotの中だけでAIを動かす
2. Agent Builderで商談を見るエージェントを作る
3. 5つ6つの項目をまとめて見て判断させる
4. 止まっている商談を拾い次にやることを出す
5. 自社の決まりと顧客の分類を覚えさせた

エージェントはこれまでに36回動き商談の追いかけと次の段階への進行に使われている。

問い合わせを受けた担当者が代表やCMOへ確認を回すことはほぼなくなった。

PayPalのAPIは組み合わせが膨大で、加盟店が使い始めるまでに時間がかかっていた。

資料はJSONばかりで読み解きづらく更新にも追いつかなかった。

1. 公開APIの資料をPostmanの共有スペースにまとめた
2. そのまま複製して使えるコレクションとして配った
3. 複雑な決済の流れをPostman Flowsで図にした
4. Agent Modeで普段の言葉から手順を組み立てさせた
5. MCPサーバーを用意しClaudeやCursorから試せるようにした

最初のAPI呼び出しまでが1分になり、3年で10万件を超えるコレクションのフォークが生まれた。

加盟店が売上を立てるまでの時間も短くなった。

営業担当は商談前に4つのシステムを行き来し、30分以上かけて履歴や関係先を調べていた。

データは増える一方で次に何をするか決めきれなかった。

1. 前から使っていたSalesforceの上にAgentforceを載せた
2. 自社の営業の手引きをData 360に置き回答の土台にした
3. 5つの使い方を8週間で本番に出し500人の営業に配った
4. 朝のDaily Digestで声をかける順番まで出した
5. 更新はAIの案を担当が承認してから反映した

移行も新しい基盤もなしに8週間で本番へ出し、500人の営業が使い始めた。

30%〜40%の生産性の向上を目標にしている。

規制の厳しい金融の現場で、複数の言語の文章を正しく素早く作る必要があった。

外部の代理店に頼る部分も大きく、費用がかさんでいた。

1. 複数のAIを試して比べClaude for Workを選んだ
2. 12月から4月まで段階を分けて広げる
3. 研修は管理職から先に受けてもらう
4. マーケは各言語の文章作成と翻訳に使う
5. アナリストはSQL作成と決まったデータ処理を自動化する

一部の使い方で生産性が100%上がり、分析チームは週70時間を浮かせた。

投資は3か月かからずに回収できた。

タスクや文書やSlackのやり取りに情報が散らばり状況を追うだけで手間がかかっていた。

会議の話を報告の形に整えるのにPMやデザイナーが30〜60分使っていた。

1. ClickUp Brainで役割ごとのエージェントを用意した
2. Echoがタスクと文書から日々の要約と進捗を作る
3. Sprint Assistantが目標を作業に分け滞りを知らせる
4. Design Flow AgentがUX調査のメモを説明書へ整える
5. Triage Agentが届いた依頼を担当チームへ振り分ける

手作業でプロジェクトの要約を作る時間が減った。

ある案件ではPM Update Agentがタスクの流れに埋もれていた開発とデザインの依存関係を見つけ同じ日に日程を直せた。

1.7兆ドルの資産を運用するため毎日大量の調査資料や市場データや規制文書を読み込む必要があった。

投資分析に耐える精度がありながら技術に詳しくない担当者でも扱えるAIが見つからず9,000社分のESG分析も負担になっていた。

1. 複数のLLMを人が採点する形で比べた
2. 拡張思考を使うClaude Sonnet 4.5を選んだ
3. 2週間の試験導入から始め役割ごとの研修を用意した
4. 50人をAIアンバサダーに育て使い方を社内で共有させた
5. 分析担当にClaude Codeを渡し小さな道具を作らせた

社内調査ではAIを使う業務で週の時間の20%以上が浮いた。

2か月で600人以上が日常的に使う状態になり運用や法令対応の部門でも文書作成が自動化された。

支払いが失敗した理由を1件調べるだけでも、カードの状態や口座情報や残高や取引を順に確かめる必要があった。

欧州2000万人の利用者を従来の窓口ではさばききれず、後続の自動処理に渡すJSONが一つ崩れるだけで流れが止まる状態だった。

1. 複数のモデルをA/Bテストで比べてClaudeを選んだ
2. 社内のLLMルーターに載せ数日で組み込んだ
3. 支払い失敗や異議申し立ての確認順をClaudeに決めさせた
4. 領収書などの書類を画像認識で読み取り本人確認も自動で通した
5. 後続の処理に渡す構造化データもClaudeに作らせた

自動で解決できる問い合わせの割合が8%上がり、全体の8割超に届いた。

新しく入った開発者が使えるコードを出すまでの時間は40時間から16時間になり、口座開設も5分で終わるようになった。

40年かけてためた独自の金融データをチャットで引ける形にしたかった。

ただし答えが本当に正確で最新かを保証できるかが不安だった。

1. WeaviateをDockerでローカルに立ち上げる
2. 自社データの一部を入れて試した
3. 長文のリサーチ記事と実時間データをベクトル検索に載せる
4. 文書の切り分け方を文脈に合わせて変えた
5. 回答には出典を必ず添える

投資調査アシスタントのMoを数週間で公開できた。

この基盤の上に社内で数百のアプリが作られ社内用と外部向けの両方で動いている。

カメラの前に立つのが苦手で、30秒の動画1本でも台本を間違えずに読むまでに2時間かかっていた。

週3本の解説動画を出したいのに、実際は3週間に1本しか出せなかった。

1. 本人が解説の台本を書き自分の声でナレーションを録る。
2. その音声をHeyGenに入れて似せたアバター動画を作る。
3. Video AgentとAI Studioで言い回しと見た目を整える。
4. 宣伝ではなく質問に答える作りにそろえる。
5. 撮影と編集の工程はやめて公開までこの流れで回す。

投稿は3週間に1本から週3本になった。

ある解説動画は約13,700回再生され、視聴者の30%が約22秒見続けた。

動画で見込み客に知ってもらいたかったが、納得できる出来にするには撮影費が高くつくと感じていた。

そのため動画は作っていなかった。

1. 週に出す話題を自分で決める。
2. ChatGPTに台本の下書きを作らせる。
3. 下書きを自分の言いたいことに合わせて整える。
4. 台本をHeyGenへ渡し自分の顔と声の動画にした。
5. 毎週月曜にInstagramへ1本出し後半にもう1本足す。

動画を作っていなかった状態から毎週の投稿が続くようになり、1本を出すまでの手間は最長でも5分で済む。

宣伝費をかけていない医師向けの動画を見て、地元の外にいる医師2人から連絡が来た。

それまでの予測分析ソフトでは必要なアルゴリズムが足りず、規制で求められる管理や書類も用意できなかった。

モデルを一通り作り直すのに4〜5年かかる状態だった。

1. クレジットスコアの予測モデルをDataRobotで作る形に切り替えた
2. 数億件の記録と数千列のデータをそのまま取り込む
3. 欠損や外れ値はDataRobot側で見つけて処理させる
4. 数百のモデルを比べて勝ち残ったものを本番に回す
5. 規制向け書類の半分を自動で作り人が中身を確かめる

信用へのアクセスが8%広がり、新しい融資は数百万ドル規模になった。

1年で18本のモデルを出し、以前なら4〜5年かかる量をこなした。

人を増やさずにAIの成果を広げる必要があった。

データサイエンティストが少なく不正検知のモデルは1本あたり4〜5日かかっていた。

1. DataRobotをAWS経由で入れて1〜2日で動く状態にした
2. AWS Bedrockの基盤モデルと組み合わせて予測と生成を実行する
3. データ分析の経験が無い社員も画面上で学習を試せるようにした
4. 本番に出したあとは精度のずれをDataRobot上で監視する
5. 金融の規制に合わせて偏りを抑える機能も利用した

モデル1本の作成が5日から4時間未満になった。

12時間の集中対応で不正な注文を止めるモデルを仕上げ翌日には本番で悪質な注文だけを遮断した。

電話とメールだけの対応ではIPO銘柄が出たときの問い合わせ急増をさばききれず、夜間や休日の即答もできなかった。

口座開設の手続きでつまずいた顧客が他社に流れる心配もあった。

1. KARTEの画面にチャット窓を出しKARAKURIを回答エンジンとしてつなぐ
2. 2018年8月に試験導入し口座開設のサポートから始める
3. 口座開設に詳しい4人で専任チームを作る
4. 既存FAQとオペレーターの質問を会話カードにする
5. 公開後も会話カードを足したり直したりして育てる

質問は約27,000件たまり、回答率は80％まで上がった。

19〜23時のメール問い合わせが減り、4人体制だった常時待機はオペレーター2名になって社員は育成や他チームの支援に回れるようになった。