教育・学習・研修のAI活用事例

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。

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。

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。

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。

研修資料は英語だけで作っていた。

現場には英語を話さない作業員が多く安全の決まりや手順が伝わらなかった。

1. 研修資料や現場のルールをLILTに渡す
2. 英語からスペイン語などへ訳す
3. 翻訳の流れが無いため進め方の設計から相談した
4. 資料をプラットフォームに載せて順に処理する
5. 品質を確かめてから現場へ配る

多言語の研修をこれまでより早く現場へ出せるようになった。

品質も落とさずに量をこなせている。

開発の速度が上がって新機能が次々出る一方で、150人を超える顧客対応の担当者が売り方を覚えるのに3〜6か月かかっていた。

実際の販売店を相手に初めての商談を練習させるわけにもいかなかった。

1. 社内の通話記録15万件とSalesforceのデータをClaudeに読ませた
2. 難しい会話の型を取り出し練習用エージェントを作った
3. 新商品ごとに練習と認定の流れを用意した
4. 複雑な設計はOpusが担い決まった処理は軽いモデルに任せた
5. 月次レビュー資料はClaudeが下書きし担当者が直す

新商品に慣れるまでの期間は3〜6か月から平均1か月に縮んだ。

月次レビューの準備も3〜4時間から約30分になり、サポート案件は20%多く対応できるようになった。

世界最大級のセキュリティ会社として厳しい安全基準を保ちながら開発を速める必要があった。

後工程でバグが見つかると費用も信用も失う点が悩みだった。

1. ソフトが世に出るまでの流れを全部書き出した
2. 開発者の時間がどこに消えているかを調べる
3. 時間の30〜35%を占める初期の開発にAIを入れると決めた
4. コード補完とIDE内チャットでモデルを使い分けた
5. CI/CDで変数名の見直しやテスト生成をAIに任せた

機能開発の速度が20〜30%上がり新しい開発者が戦力になるまでの期間が数か月から数週間に縮まった。

試験導入では製品を知らない若手が統合作業を70%速く終えた。

社員が何をできるかの把握は面談とスプレッドシートの手作業で、まとめた時点から中身が古くなっていた。

新しい役割の人を探すときも身近な知り合いから選ぶことになっていた。

1. 社員ごとにスキルの記録をつくり使うツールまで書く。
2. 本人が自分で書き足し上司がそのスキルを認定する。
3. AIが記録をもとに近いスキルを提案する。
4. 役割とスキルのつながりをSkills Galaxyの図で見せる。
5. 足りないスキルが見つかったらDoceboの研修につなぐ。

始めてから数か月で社員の90%が365Talentsを使うようになり、1か月で250以上の新しいスキルが登録された。

部長級の役割には社内から27人の候補が挙がった。

商談の内容で言った言わないの行き違いが起き、社内の引き継ぎでも聞いていないというもめ事があった。

議事録づくりの負担も重かった。

1. Web会議の商談をaileadで録画して文字起こしする
2. 担当が変わるときは前回までの録画を見て引き継ぐ
3. 話者分離で重要な人が話した部分だけを確認する
4. 月1回みんなで見て良い商談と悪い商談に分ける
5. コメント機能で気づいた点を書き込み進め方を直す

毎月130件ほどの録画がたまり、部署をまたいで商談のやり方を学べるようになった。

苦手なところだけを選んで見直せるので、メンバーが学ぶ機会が増えた。

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。

職員の約半数が生成AIを使ったことがなく、日々の業務のどこで使えるかが分からない状態だった。

1. 対面の初級編カリキュラムで画面の基本操作を確認する
2. 庁内の資料を読ませるプライベートナレッジの使い方を試す
3. 議員からの質問への備えを想定し情報を集める場面を演習する
4. 職員が自分の担当業務に置き換えて質問を入力する
5. 質疑で機能の使い分けやAIモデルの違いを話し合う

約60名が参加し、文書づくりだけでなく情報を集めて整理する場面でも使えることを体験した。

参加者からはここまで高度な情報収集ができるのかという声が上がった。

自社の担当者とBPOが拠点ごとに別の仕組みで動いていて全体の状況が見えなかった。

担当者によって回答がばらつき品質管理にも手間がかかっていた。

1. 電話設備を入れ替えずにCrestaを各拠点に載せた
2. 応対中にAgent Assistが画面へ進め方を出す
3. 担当者はその場で正しい手順を確かめる
4. 自動のQMが通話を採点する
5. 管理者は空いた時間をコーチングの組み立てに回す

品質管理の費用は50%減り、NPSは30pt上がった。

他の担当者へ回す割合は30%から8%になった。

人件費の上昇でオフショアへ移す方針にしたが売上と顧客満足が落ちる不安があった。

会話の中身が見えず既存の品質チェックでは営業の手順を守れているか確かめられなかった。

1. 自社の4段階の営業手順に沿った画面を作った
2. 成績が良いオペレーターの進め方を手本にする
3. ヒントと返答案を新人へその場で出す
4. オペレーターは返答案を確かめてから送る
5. Cresta QMが全ての会話を数時間で採点する

3か月でチャットあたりの売上が35%伸びCSTも6.5%上がった。

返答案の入力補助でオペレーター1人あたり月14.07時間のタイピングが減った。

講座が複数のサイトに分かれて何千もあり、社員は目的に合うものを探すだけで疲れていた。

受け身で一覧を眺めるだけの学び方になっていた。

1. 社内AI基盤の中に学習の相談役としてTolbotを作った
2. 社員は役割や伸ばしたい力を普通の言葉で書いて質問する
3. Udemyなど複数の提供元から短い講座を選んで薦める
4. 社内のスキルとキャリアの枠組みに合う講座に絞る
5. 学習センターの画面から使えスマホでも講座を開ける

利用者の評価は5点満点で平均4.0になった。

質問の内容を理解できたか、薦めが質問に合っていたかを聞くと、多くの人が当てはまると答えた。

債務整理は長く続ける必要があり、早い段階の対応の質が継続できるかを左右する。

担当者ごとに応対がばらつき、通話の中で何が起きているかも見えなかった。

1. Crestaを通話に入れて次の案内を画面に出す
2. 通話が終わると要約を自動で作る
3. 担当者は記録を手で書かずに次の相手へ移る
4. Coaching Hubで一人ひとりの成績を見て計画を立てる
5. 指導の観点を責任者どうしで同じものにそろえる

通話後の事務作業は75%減り、コスト生産性の指標は約26%良くなった。

保留時間は50%短くなり、投資に対する回収は約3倍になった。

通話の一部だけを聞いて採点していたため、大半の会話は誰にも見られないままだった。

指導が実際の会話から2〜3週間遅れ、その場の行動を変えられなかった。

1. Crestaの品質管理機能で全部の会話を自動採点する
2. 営業の通話ではヒントとコールフローを画面に出す
3. Insightsで会話全体の傾向を見る
4. 上司は効果の大きいところから指導に入る
5. 面談ではうまくいった行動を再現させる

抜き取りの採点をやめ、100%の会話が指導とリスクの把握に使えるようになった。

上司が見るデータは2〜3週間遅れではなくリアルタイムになった。

旅行需要の回復が早く在宅の新人オペレーターが育つ前に見込み客だけが増えた。

管理者は45分もある通話を聞き直して指導の材料を探すしかなく手が回らなかった。

1. 在宅のオペレーターにCresta Agent Assistを入れる
2. 通話中のやり取りをその場で解析させる
3. 断り文句への返し方を画面にヒントとして出す
4. 管理者はCresta Coachで進行中の会話を見る
5. 録音の告知が守られているかを全通話で自動点検させた

Cresta Agent Assistを使う担当は使わない担当より売上が72%多く四半期あたり平均235,528ドル上回った。

管理者は週に2〜4時間を指導以外の仕事に回せるようになった。

繁忙期を前に季節採用の担当者を早く戦力にする必要があった。

指導は週1回で1件あたり30分から1時間かかりさらに準備に30分取られていた。

1. Agent AssistとCoachとInsightsを試験導入した
2. 通話中の担当者へ改善できる点をその場で知らせる
3. 監督者はCoachで指導すべき場面を見つける
4. Insightsが通話の記録を判断の材料に変える
5. 人は示された場面を確認して指導内容を決める

導入から9か月で保険料の売上が伸び郵送経由の売上は7%増えた。

新人が戦力になるまでの期間も短くなった。

言葉の一致で探す従来の検索では、学びたいことから志望校へたどり着けなかった。

総合型・学校推薦型での進学が増え、相談したい高校生を受け止める入り口が足りなかった。

1. 全国約3,500校・13,600学科の情報をCSVで読み込ませた
2. 2026年4月に進学ポータルへ志望校マッチングAIを公開した
3. 話し言葉の入力に関連する学部や学科を返す形にした
4. 回答に画像やURLを入れて学校の詳細ページへつないだ
5. 各校のアドミッションポリシーも読み込ませた

相談の件数は伸び続けている。

相談した高校生のうち約60%がその流れで学校の詳細ページまで見に行くようになった。

生成AIを週1回ほど触る職員が半数以上で、QommonsAIを初めて使う職員も多く、業務のどの場面で使えるか分からない状態だった。

1. 対面の初級研修で基本操作を説明する
2. 随意契約の理由づくりや引継書づくりの例を示す
3. 職員が自分で操作しアンケートフォームやあいさつ文を作る
4. 議会対応のデモで議員の質問と再質問を想定し答えを準備する

午前午後で各回約40名が参加し、生成AIは文書を作る道具という思い込みが変わり、再質問を予測して備える使い方に気づいたという声が出た。

ワークでは隣の席の職員同士でモデルやプロンプトの違いを聞き合う場面も生まれた。

人同士のロールプレイングは相手役の癖や力量で中身が変わり、若手の伸び方に差が出ていた。

管理職の育成の手間も重く、練習の機会自体も減っていた。

1. 投資用マンションの営業部門にジシュトレAIを導入した
2. 現場の商談に近い台本を先に用意する
3. AIに買い手を演じさせ担当者が繰り返し練習する
4. 練習後にAIが点数と改善点を返し弱点をやり直す
5. 実施時間や台本や評価基準を共通ルールとして整える

導入から約1か月の時点で一部の社員が積極的に取り組む状態になり、練習の中身をそろえる土台ができた。

利用の頻度に個人差が残るため、営業部門共通のルール整備を進めている。

社員の99%が何らかの形でAIに触れていたのに、自己評価は5段階で平均2.65にとどまった。

250あったUdemyのライセンスはIT部門に偏り、他の部署には学ぶ道筋が無かった。

1. 習熟度に合わせて3つの学習コースを用意した。
2. 初級はCopilotで自分の仕事を速くする内容にする。
3. 1コースを2.5〜3.5時間の短い単位にまとめた。
4. 受講の前後にテストを入れて理解度の伸びを測る。
5. ライセンスを250から700へ増やした。

利用者は1か月で3倍になり、数週間で506件の受講が集まった。

社員の69%が毎日AIを使うようになり、理解度は33%伸びた。

AIを知っている社員はいても自分でAIの仕組みを作れる人がいなかった。

使う側から作る側へ移すための学びの道筋が社内に無かった。

1. Udemyを土台にした社内のAIアカデミーを作った
2. 学びを2段階に分け前半でClaude Codeを扱う
3. 後半はエージェント型AIとMCPを学ぶ内容にした
4. 受講の進み具合を追い社内ハッカソンで手を動かして作らせた
5. 作ったものを他の部署でも使い回せる形にそろえた

視聴した学習時間は19,527時間になりAIアカデミーの受講者は879人に届いた。

ハッカソンからは再利用できるAIスキルが200以上生まれた。

北欧の企業はAIへの期待が高い一方で、試験導入や一部の使い道で止まっていた。

Vivictaも開発者やデータ担当だけでなく全社員がAIを扱える状態を作る必要があった。

1. 職種ごとのAI学習コースを組み立てて全社に配った
2. 教材の土台にはUdemy Businessを使った
3. AzureやAWSの資格対策も受けられるようにした
4. 15週のCopilotとエージェント講座を社内で開いた
5. ロールプレイ機能で現場のやり取りを練習させた

2025年11月の導入後、生成AI関連の学習時間は1,700時間を超えた。

2,600人以上がCopilotとエージェントの講座に参加し、2026年上半期だけでAzure認定が700件を超えた。

採用担当は候補者1人につき8〜12分を手作業に取られていた。

LinkedInの検索や別々の道具でのデータ補完、ATSへの手入力が毎月300人以上分たまり、何も残らないまま消えていた。

1. 社内にUdemy Businessを開放した
2. プロンプトの作り方とAmazon Q Developerの講座をそろえる
3. 学ぶ順番は決めず詰まった人が必要な講座を選ぶ
4. プロンプトの型で採用担当6人の聞き取りを1本にまとめた
5. 前提を疑うAIアシスタントを自作し採用の流れを製品にする

Aptsenseの調査と整理の工程で、これまでかかっていた時間の60%〜70%を取り戻した。

空いた時間は利用者への聞き取りと開発側での検証に回した。

社員の99%が何らかの形でAIを触っていたが、AI知識の自己評価は5点満点で2.65にとどまっていた。

Udemyのライセンスは約250件がIT部門に偏り、他の部署には体系立てて学ぶ手段がなかった。

1. 初級・中級・上級の3段階のコースをUdemy上に作った
2. 内容を日常で使うMicrosoft 365 Copilotにそろえる
3. 受講前の配置テストで理解度を測り段階へ振り分ける
4. 各コースを2.5〜3.5時間の小さい単位にまとめた
5. 社内のAI規程をコースの中に入れ込む

開始から3か月で利用者は65人から506人に増え、学習時間は合計1,210時間になった。

AI知識の自己評価は33%上がり、AIのスキルと自信も22%伸びた。

顧客からAIをどう回して成果を出すかを問われるようになり、社内では日々の仕事にAIが入っていなかった。

バラバラの研修では必要な力が追いつかなかった。

1. Udemy上に職種別の生成AI学習コースを用意する
2. 担当者・管理職・技術者・PMで中身を分ける
3. 技術者に4段階の道筋を作り昇進の道筋と対応させた
4. AIアシスタントでコースを選び教材探しを数時間にする
5. 4週間の集中で自分の部署向けのAI補助役を作った

AIの学習に参加した社員は5,000人を超え、AI Learning Hubは4,452人が使って5点満点で4.7の評価になった。

RPAと組み合わせた結果、業務の効率と生産性は25%上がった。

42万人を超える社員がAIを試す段階から先へ進めずにいた。

学習の素材がプラットフォームやコミュニティに散らばり、全社で足並みをそろえにくかった。

1. AI Campusという学びの入口を一つ作る
2. 基礎から役割別までの道筋と教材をまとめる
3. ACTIVATEを生産性・案件・企業の3本立てにする
4. テストで80%以上を取るとバッジが出る
5. Prompt Battlesでプロンプトを繰り返し練習する

8月28日時点でAI Campusを使った社員は177,718人になり、ACTIVATEバッジは144,198件発行された。

Udemy Role Playは113,347人が試し、Prompt Battlesは132回で5,757人が参加した。

エンジニアがコードの生成や文書づくりやデバッグやテストや情報探しといった繰り返しの作業に時間の30〜40%を使っていた。

開発の速さが落ち納期のコストもふくらんでいた。

1. 人を増やさず全員の力を上げる方針にした。
2. 役割ごとの学習の道筋をUdemyで用意した。
3. 生成AIとプロンプトとRAGのコースを並べた。
4. 学んだことは進行中の案件ですぐ試させた。
5. 管理職はRole Playで面談の練習を回した。

1,073人が学んで受講率は78.7%になり開発の生産性は37%上がった。

900人を超えるエンジニアが日々の仕事にAIを組み込みバックエンドとフロントエンドの30%がフルスタックへ15%がAI開発の役割へ移った。

技術の移り変わりが速く、社員の知識が追いつかない状態だった。

AIを扱える人を増やさないと顧客へ出せる提案の中身が薄くなる心配があった。

1. Udemy Businessの講座で役割別の学習の道筋を用意した。
2. 学びを知識を入れる段階と手を動かす段階に分けた。
3. 短い講座を日々の仕事の合間に受けられるようにした。
4. プロンプトや大規模言語モデルなど上級の道筋も足した。
5. 学んだことを顧客案件で試し社内のAIツール作りにつなげた。

開発工程に組み込んだAgentWaveで開発の費用が30%下がった。

顧客満足度は25%、NPSは18%良くなった。

業務が複雑になり、顧客は速くて一人ひとりに合った対応を求めるようになった。

社員がAIを実務で使える状態を先に作る必要があった。

1. 知識の段階と業務の必要に合わせて学習の道筋を複数用意する
2. まず生成AIやプロンプトの作り方を学ぶ
3. 次に仕事の自動化やAIを使った業務の進め方へ進む
4. Skills Mappingで足りない技能を見て道筋を業務に合わせた
5. Role Playで場面を練習してから現場で使う流れにした

840人以上がAIの学習に登録し、完了率は76%になった。

学んだ部門横断のチームが問い合わせ対応の一部を自動化し、処理時間が27%短くなり月60時間の削減になった。

職員によってAIの使う頻度に差があり、操作の仕方や応用の幅もそろっていなかった。

基本操作は分かっても実際の業務にどう結びつけるかが見えにくかった。

1. 担当者が市役所を訪れ初級編の対面演習を3回行った
2. 議事録作成と議会対応を題材に選んだ
3. 会議内容の要約や情報整理を職員が手を動かして試した
4. 指示を具体的に書き直し出力の違いを比べた
5. 出力は必ず職員が中身を確かめてから使う手順を確認した

研修には午前36名、午後1回目39名、午後2回目46名が参加した。

館林市ではQommonsAIの利用率が約5割に達し、挙手で確かめたところ毎日または週3回以上使う職員が約半数を占めた。

専門的で難しい内容を多くの人へ分かりやすく届けたいが時間が足りなかった。

録音とZoomを組み合わせる作り方では1本に数時間かかり撮り直しも多かった。

1. まず台本を書いて手直しする
2. 台本をHeyGenに入れて動画にする
3. 週の初めに5〜10分の要約動画を出す
4. 難しい概念が出た週は解説動画を1本足す
5. 同じ動画を各言語に訳して配る

1本に数時間かかっていた制作の手間が大きく減り5つの講座を持ちながら動画を出せるようになった。

学生の反応も良く動画を見た人から書籍の話が2件来た。

復興と住民サービスの業務が続くなか、生成AIを入れても職員が自分の担当業務でどう使えばよいか分からない状態だった。

入力してよい情報の線引きもはっきりしていなかった。

1. 対面とオンラインを併用した初級編の研修を開いた。
2. 基本操作を説明し職員が自分の端末で触るワークに移った。
3. 日ごろ書いている身近な文書を題材にAIと文章を整えた。
4. 機密情報の入力範囲や画像生成の広報利用を質疑で確認した。
5. 出た要望や質問を総務課と共有し利用ルールの材料にした。

午前は現地約35名、午後は現地約25名が参加し、AIは分からないと話していた職員も対話を重ねて自分の考えを文章にまとめられた。

庁内に広げるうえでの運用上の論点も共有できた。

Veridaは年およそ300万件の非緊急医療搬送を手配し大量の入電を受けている。

誰が電話をかけても同じ品質で応対し法令も守る必要があった。

1. Real-Time Agent Assistを通話画面に入れた
2. 次に話す内容や手順をオペレーターへ出した
3. 通話後はAuto QAが応対内容を自動で評価する
4. Moments機能で通話の重要な出来事を見つける
5. 見えた弱点をもとに台本や手引きを直した

平均処理時間が短くなり、オペレーターは複雑な用件に時間を回せるようになった。

新人研修にかかる期間も縮まり、通話から分かったことをもとに社内の手順や方針も見直した。

スキルシートを一度書くと見直さないまま面談を迎えていた。

自分では当たり前と感じている経験が書く価値のある強みかどうか判断しづらかった。

1. 採用担当者の立場で深掘り質問をさせる指示書を作る
2. スキルシートと自分の技術記事を渡して一問一答で掘り下げる
3. 聞き出した内容を書く価値があるかAIに判定させる
4. 数字や固有名詞を残して短くまとめさせる
5. AIが理解した内容を毎回確認してから次へ進む

定量的な成果の記載が1件、属人化を解消したエピソードが1件加わり、曖昧だった表現が実態に合う形に直った。

書面上は運用保守中心の印象に見えていることも分かった。

生成AIに触れたことがない職員が多く、何ができるのか分からず近寄りがたさを感じていた。

議会答弁の作成も手ほどきのないまま担当することが多かった。

1. 初級編のカリキュラムで対面研修を行う
2. 体験ワークとして挨拶文を作らせる
3. 自分で指示文を組み立てて出力の違いを試させる
4. 迷うときは必要な情報を一問ずつ質問してと頼む
5. 過去の答弁や議員ごとの特徴をふまえた文章作成を操作して確かめる

午前35名、午後は3自治体の34名に加え公開研修に約80名が集まった。

研修後は職員からの利用申込が複数あり、AIへの心理的な抵抗感が下がったという声が出た。

音楽で英語を教える仕組みは広がっていたが、文字のやり取りだけでは学ぶ人の気持ちが続きにくかった。

もっと人と話しているように感じられる形が欲しかった。

1. 会話AIにD-IDの動画生成APIをつないだ
2. 顔の見えるデジタル教師を作った
3. 話した内容に音声と表情でその場で返す形にした
4. 返すまでの速さを詰めて間が空かないようにした
5. 複数のデジタル教師を並べ学習者に試してもらった

テストでは85%がD-IDで作った教師を選んだ。

紹介の動画を出しただけで2,000人を超える順番待ちができた。

動画の制作を外の業者に任せていて費用も時間もかかっていた。

社内のチームだけで中身を作り直せる仕組みが無かった。

1. 教育担当のチームがD-IDのCreative Reality Studioを使う。
2. PowerPoint用のプラグインで手元のスライドに原稿を入れる。
3. スライドをアバターと多言語音声がしゃべる動画に変える。
4. 新しい仕組みや手順の説明は短いモジュールに分けて作る。
5. 他部署は動画を依頼し教育担当が見た目と文言を整える。

外注に出さずに社内で動画が作れるようになり制作の時間と費用が減った。

社員からも使いやすいという声が多く出た。

専任のエンジニアがいないまま各自がばらばらにClaude Codeを使い、仕様やコードが個人のチャット履歴やPCに埋もれていた。

確認不足のまま統合する危険や、不具合時に元へ戻す手順が無いことも不安だった。

1. 3日間の研修で開発の進め方を学んだ
2. 初日に画面とデータと処理のつながりを学んだ
3. AIの案をうのみにせず人が設計方針を決めた
4. 2日目にGitの変更履歴やブランチ運用を練習した
5. 3日目に現場の困りごとを要件にまとめアプリを作った

受講者の半数以上がプログラミング未経験だったが、最終日に8つの実務アプリをリリースした。

領収書PDFを一括で集める仕組みやAmazonのAPIと連携した在庫管理システムなどが生まれ、受講満足度は全日程・全項目で受講者全員が5点満点だった。