NotebookLMの活用事例

自分で書いた雑文エッセイは誤字や語法の乱れに気づきにくく、値段など事実の裏取りも一人では手間がかかっていた。

1. エッセイ全文をAIに渡して校正を頼む
2. 誤字と語法と表現のゆらぎだけ抜き出させる
3. 本文中の事実確認もあわせて指示する
4. 同じ文章と指示を複数のAIに与え指摘を見比べる
5. 受け入れる指摘と原文のまま残す箇所を分ける

甘さ控えを甘さ控えめに直すなどの誤字が拾え、食感の描写も書き換えられた。

B級グルメの由来やチェーン店のカレーうどんが500円超え、名店が1000円超えという記述は事実と合っているとの確認が得られた。

プロダクトの技術的な問い合わせでは過去の記録やヘルプ、仕様書を横断して調べる手間があった。

受付から調査やクローズまでをCREが抱える形で、件数と対象プロダクトが増えると回らなくなっていた。

1. 社内メンバーがSlackの起票フォームに内容を入力する
2. ワークフローの途中でエージェントを呼び出す
3. 過去の対応記録やヘルプ、似た事例を探させる
4. 根拠と次に取る行動が分かる回答をスレッドに返す
5. 回答の良し悪しをボタンや絵文字とLLM採点で記録する

起票する前にメンションで聞いて、問い合わせた本人が自力で片付く場面が増えた。

最初は検索結果の羅列で終わることが多かったが、解決そのものを目的に据えて指示文を直した結果、何をすればよいかまで示す答えが返るようになった。

AIエージェントで各自の作業量は増えたが、中身の共有が追いつかず長文は読まれないままだった。

発信を意志に任せると忙しい週ほど後回しになっていた。

1. 収集から原稿づくりの手順をClaude Codeのスキルにまとめる
2. 毎週金曜に自動起動しチケットとGit履歴を読み取り専用で集める
3. メンバー別ハイライト入りのポッドキャスト原稿を作りマスター原稿へ追記する
4. 受信箱フォルダのファイルを10分ごとのスクリプトで取り込む
5. 自社ネタは記事ドラフトのPRを自動作成し公開は人が決める

原稿は自動で常設ソースへ入り、NotebookLMのAudio Overviewで2人の話者が話す10分前後の音声になった。

人に残る手は音声を生成して聞くことと、公開してよいネタを承認することだけになった。

日記は毎日書くのが面倒で続かず、ノートに書きためても見返す習慣がないまま眠ったままになっていた。

1. 寝る前にiPhoneのボイスメモで5分ほどその日の出来事を話す
2. 思い出せないときはスケジューラを見て内容を補う
3. 録音ファイルをアプリからNotebookLMに共有する
4. 週末にファイル名を日付へ付け替える
5. たまった録音に振り返りと次への助言を求める

雑多な独り言のまま残した記録がAIへの質問で使える情報になり、振り返りやブログの題材選びにつながった。

無料だと1つのノートブックのソース上限が50個で2か月弱で埋まるため、上限300個のGoogle AI Proを契約した。

AIの動きは週ごとに変わるのに、育児と仕事で読む時間が取れず後回しの記事がたまっていた。

追いたい9つのテーマを扱う日本語の音声番組も見当たらなかった。

1. 追いたいテーマと除外したい話題をYAMLに書く
2. Claude Codeのスキルが検索語を組み立て記事を集める
3. 本文はdefuddleで取り失敗時はJina Readerに切り替える
4. 集めたURLを履歴と突き合わせ1日分をMarkdownにまとめる
5. NotebookLMへ送りAudio Overviewを日本語の対談形式で作る

生成は日中に自動で走り、翌朝のランニング中に最新のAIニュースを聴く流れができた。

10日目ごろには聴く習慣が定着し、基本構成は無料のまま回せている。

1時間のインタビューを自分で起こすと2〜3時間かかり、外注すると原稿料に見合わなかった。

大手のAIサービスに音声を渡すと、性的な話題が理由でまとめられたり口調を変えられたりして安定しなかった。

1. 薄型のAIボイスレコーダーPlaud Note Proを買う
2. ボタンの長押しだけで対話を録音する
3. 話者ごとに分かれたテキストと要約を受け取る
4. 要約を見ながら自分で原稿に書き直す
5. スマホでも同時に録り分かりにくい箇所を聞き直す

話者ごとに分かれた読みやすいテキストが出るようになり、要約のおかげで構成も組みやすくなった。

文字起こしは月300分まで無料で、今の仕事量なら追加の費用なしで足りている。

ライブラリの公式ドキュメントをNotebookLMに読ませたいが、ページを1枚ずつ写して貼る作業は現実的でなかった。

サイトが更新されるたびに語数の上限を見ながら手で分け直す手間もあった。

1. 公式ドキュメントを集めるクローラーを自作しDocker Composeで動かす
2. 対象サイトのURLを.envに改行区切りで並べて実行する
3. 本文をMarkdownに整えIndex.mdと対応表を出力する
4. 2回目以降はlastmodと条件付き取得とSHA256比較で差分だけ取得する
5. 出来上がったフォルダの中身をNotebookLMに上げる

サイト全体を毎回取り直さずに済み、中断しても続きから再開できるようになった。

コマンドが苦手な人向けにWindowsのデスクトップアプリ版も配り、URLを入れて実行を押す5手順で完結する形にした。

施術の考え方から店舗運営の判断まで、質問が創業者や一部のベテラン院長に集中していた。

店舗が増えるほど教育に時間がかかり、ノウハウの共有が追いつかなかった。

1. NotebookLMで対象の院長に関する社内情報を集めて整理する
2. 人格を定義するプロンプトを作りChatGPTのプロジェクト機能に読み込ませる
3. ベテランの対応事例や研修マニュアルも参照させ現場に即した回答にする
4. スタッフは本人に聞く前にボットへ相談し最後は人が判断する
5. 感情が絡む文面はAIと10〜20往復して角の立たない言い回しに整える

本人に聞く前の相談先ができ、教育にかかる手間と知識共有の速さが改善に向かった。

支援先では経営者個人が慣れる段階から、ヒアリングシートや契約書といった現場の定型業務へ広げる段階に進んでいる。

ECMAScriptを決めるTC39の議論は量が多く、過去の経緯をさかのぼって調べるのに時間がかかっていた。

同じことを何度も調べ直す状態が続き、追うのをやめてしまう不安があった。

1. LLM-Wikiの手順書をリポジトリ直下に置きAIに土台を作らせる
2. raw配下に議事録や提案のリポジトリをまるごと入れる
3. まず全体構造の把握だけをさせてトークン切れを避ける
4. 仕様単位でまとめさせ発言者の略称から人物ページも作る
5. 食い違いを直し新着を要約し質問の答えを書き戻す

提案ごとの経緯や誰が推していてどのブラウザが後ろ向きかまで議事録をもとにたどれるようになった。

外出先でもスマホから質問して確認でき、調べる手間が減った分を提案そのものを読む時間に回せるようになった。

スタッフが思い思いにAIを触るだけで会社としての方針が無かった。

ECのバナー制作に最長5日かかり、物販のリサーチや行政資料の読み込みにも時間を取られていた。

1. Geminiの有料版Gemに用途ごとの指示を登録する
2. 登録したGemでECのバナーやクーポン画像を作る
3. リサーチ用Gemの指示を結果を見ながら直し続ける
4. 画像生成の指示はYAML形式で条件を分けて書く
5. 行政資料をNotebookLMに入れ質問して引き出す

バナー制作は最長5日から10分になり、物販リサーチで出荷に繋がる商品は0%から40%へ上がった。

画像生成の修正回数も約半分に減った。

動画に慣れた世代の学生が増える中、スライドを見せながら話すだけの講義だと手元のノートばかり見て耳だけで聞き流されてしまう。

授業中にどうやって学生の目を前に向けるかが悩みだった。

1. NotebookLMで講義用のスライド資料を作る
2. その資料をNoLangに読み込ませて解説動画を生成する
3. 口頭で伝えていた部分の一部を動画に差し替える
4. 動画をPowerPointに埋め込み教室で流す
5. LMSにYouTubeリンクを載せ学生が後から見られるようにする

口頭の説明では顔が上がらなかった学生が、動画を流すと自然に顔を上げてスクリーンを見るようになった。

1年半以上使い続ける中で、注目を集めるのは教え方のうまさだけでなく動きと音声だと分かった。

住宅不動産の現場は人が足りず、育成が先輩の背中を見て覚えるやり方に頼っていた。

プレイングマネージャーによる指導は人によってばらつきが大きかった。

1. 商談やロールプレイングの音声と動画をAIに読ませる。
2. 話の内容・声のトーン・表情の3つでトップ営業との差を数値で返す。
3. 上司から部下への指導もAIが確かめて指導の質を点数にする。
4. 商談の品質や提案の姿勢も数値にして評価に使う。
5. GeminiやNotebookLM・Claudeを組み合わせて土台を作った。

新人の研修期間を4ヶ月から3ヶ月へ、商談化率を20%から25%へという目標を掲げて稼働を始めた。

離職率は約20%改善を見込む。

人手不足のなかで限られた人員のままサービスの質を保つ必要があった。

仕事の手順が人に付いていて、生成AIは難しそうという気持ちの壁もあった。

1. 若手を中心に研修を行い生成AIの基礎の使い方をそろえた
2. 選んだ3名に月1回の訪問でプロンプト作りとGAS・VBAを教えた
3. 入力や転記といった手のかかる作業を洗い出した
4. ChatGPTのほかNotebookLMや画像生成AIを用途で使い分けた
5. 質問はSlackやメールで随時受けて返した

伴走を始めて4ヶ月で年間約720時間の削減効果になった。

入力・転記の自動化で約185時間、データの引き当ての効率化で約170時間を減らした。

週次や月次の連絡、名刺の入力、広告レポートの確認といった手作業が広報の担当者に積み上がっていた。

AIの仕組み作りを外部に任せていて、社内で自分たちが組み立てられる状態ではなかった。

1. 2024年10月から週1回のオンライン会を続けた
2. 事業部ごとに目指す形を自分で決めた
3. GoogleフォームとGmailにChatGPTとChatworkをつないだ
4. 名刺の画像をGemini APIに読ませて入力を自動化した
5. 広告レポートと告知文をGPTsとNotebookLMに下書きさせた

広報企画部は年間1,368時間の業務時間を削減した。

削減の効果は前年比で約1.5倍になった。

生成AIを全員が使える組織にしたかったが、社内で使う人と使い方が揃っていなかった。

1. 2025年2月にAI推進のプロジェクトチームを作った
2. ツールの導入と使い方のルールを整えた
3. 開発部門はDevinやCursorにテストコードを書かせた
4. 営業は商談内容を自動で記録させ海外拠点は一次翻訳を任せた
5. バックオフィスはNotebookLMで社内問い合わせに答えるbotを作った

従業員の生成AI利用率が100%になり、82.9%がほぼ毎日使うようになった。

72.9%が1日30分以上の時短を挙げ、全社で16.5%の業務削減を見込む。

岡山県西粟倉村の温泉旅館や役場など3つの事業者は、情報発信のやり方に悩みを抱えていた。

支援する側も短い滞在で現場の実情をつかむ必要があった。

1. 訪問前に村のオープンデータを集めた
2. リモートで事業者に話を聞いた
3. 現地の長時間インタビューと業務体験で一次情報を集めた
4. 集めた話とデータを複数のAIに読ませ課題と対策案を出させた
5. 大量の案はAI自身に評価させて絞りチームで見直した

顧客像の設定と購買までの流れの整理は、これまで1ヵ月以上かかっていたのが実質2～3日程度で仕上がった。

最終日にはホールで3事業者へプランを発表し、役場からは今後の政策づくりの参考にしたいという声が出た。

議事録づくりに時間がかかり、出来ばえも担当者によってばらついていた。

次の動きに移るまでが遅れることも困りごとだった。

1. Google Workspaceを土台に生成AIを庁内の仕事へ組み込んだ
2. 会議の内容をGeminiに渡し要約とやるべきことを抽出させている
3. NotebookLMに資料の整理と分類をさせた
4. 子育て応援ブックをAIで動画にした
5. 2025年5月から勉強会を開き業務アプリを4つ作った

議事録の作成時間は90％削減され、精度も情報共有の速さも上がった。

メール作成のアプリでは慣れていない職員でも狙った文章をすぐ用意できるという声が出ている。

学力調査の結果は量が多く、児童の課題を短くまとめて教員の間で共有するのが難しかった。

1. 学力調査の結果をNotebookLMに読み込ませる
2. 児童の具体的な学習課題を三つ挙げるよう指示する
3. それぞれ20字以内でまとめさせる
4. 算数や国語の誤答の例や質問紙の傾向まで受け取る
5. さらに要約させて一言まで絞り改善方法を考える

数値をもとに課題を挙げられたので分析に客観性が出た。

挙がった課題を土台に教員同士で解決策を話し合う材料がそろった。

めあて・振り返りシートは生徒が慣れるほど記述が増えて深くなり、全体を見渡して次の授業に生かすのが難しくなっていた。

1. 生徒が書いためあて・振り返りシートをNotebookLMに読み込ませる
2. 全体の傾向を分析させ次の授業で押さえる点を探る
3. 出てきた内容を教員が確かめて指導のポイントにまとめ直す
4. まとめたものを次回の授業へ返した

普段の見取りでは気づけなかった生徒のつまずきや課題が見つかり、次の授業に反映できた。

音声を残したり議事録を作ったりする場面が増えていた。

その場でメモして会議後に記録する方法では、1時間の打ち合わせに4時間かかっていた。

1. 打ち合わせを録音しておく
2. 音声データを読み込ませて議事録の形に起こさせる
3. できた議事録をもとに会議の概要も表示させる
4. 動画やYouTubeの動画も同じやり方で議事録にする

メモから書き起こしていたころは4時間かかっていた1時間分の議事録作成が、5分で終わるようになった。

校務の細かい処理を手で回しており時間割の登録や未入力者への連絡に手間がかかっていた。

1. 作りたい処理の中身をプロンプトにして生成AIへ渡す。
2. 返ってきたGoogle Apps Scriptを動かし結果をまた生成AIに入れる。
3. このやり取りを繰り返してプログラムの精度を上げる。
4. 時間割の登録や未入力者への連絡など3つの仕組みを作った。
5. 学習指導要領解説のPDFを読み込ませて自作の授業案を分析させた。

今ある仕組みを組み直したことで一部の業務が効率化し時間も短くなった。

授業構想では指導方法について新しい気付きが出た。

指導案の検討は時間がかかるうえに経験の浅い教員が一人で進めにくかった。

1. 学習指導要領解説と理科の指導案をNotebookLMに読み込ませる。
2. 手立てが具体的に書けているかをチャットで尋ねる。
3. 評価基準や発問など観点ごとに質問を変えて聞く。
4. 回答に付く番号をたどって元の資料で根拠を確かめる。
5. 教員向けの体験会でこの流れを実際に試してもらう。

時間や場所を選ばず一人でも精度を保ったまま指導案の検討を進められることを参加者が実感した。

読み込ませる資料が足りないと例の具体性が欠けるという課題も出た。

授業で配る資料や小テストを作るのに手間がかかっていた。

生成AIは事実と違う答えや偏った答えを出すおそれがあり使いにくかった。

1. 自作のプリントや文部科学省の資料をソースとして上げる。
2. 使うものにチェックを入れて答えの範囲を絞る。
3. その状態で小テストや授業資料の案を作らせる。
4. Webや動画は中身が信用できるか先に確かめる。

元にする資料を限定できるため誤った内容が混じりにくくなった。

小テストや資料づくりの時間を減らせると見込んでいる。

北海道では企画を担う人が足りず、アイデアを出す仕事に手が回らない。

生成AIが創造の場で役に立つかどうかも確かめられていなかった。

1. 社員30名を6名ずつ5チームに分けた
2. 社員アンケートをNotebookLMに読ませ文化と強みを取り出した
3. Perplexityでグループ会社の理念と変わった名刺を出典つきで集めた
4. 得た内容をClaudeに渡しアイデアのたたき台を作らせた
5. ChatGPTで審判役を作り3つの基準で1〜3点の採点をした

生成AIを使ったチームは使わなかったチームの平均より2倍以上のアイデアを出した。

高い点が付いたアイデアの数も平均の2倍だった。

データ入力やメールのやりとりなど手作業が多く残っていた。

部署ごとに書類を突き合わせる作業も人の時間を取っていた。

1. 部署をまたいでGoogle WorkspaceのGeminiを入れた。
2. 見積依頼や検査報告書を社内の基準と突き合わせる。
3. 運用マニュアルや手順書はNotebookLMに読ませた。
4. 困ったときは対話で答えを探す。
5. 古くなった資料を新人向けの教材へ作り直した。

2000人を超える社員が文書の突き合わせやマニュアル検索をAIに任せられるようになった。

長いメールのやりとりは要約で把握でき、画面に向かう時間が減った。

各クリニックでマーケティングと分析を受け持つCPPは、量も質も落とせない状態が続いていた。

分析した中身を手でPDFにまとめ直してから報告しており、手間がかかっていた。

1. Google Workspaceに入っているGeminiを日々の仕事で使う
2. 伝えたい点と要望を渡しキャッチコピー案を出させる
3. 出た案をターゲットごとに絞り込む
4. アクセス状況とキーワードの動きは集計まで任せる
5. 改善案と専門用語の説明も出させる

調べたCPP4名では1人あたり年間211時間ぶんの手間が減った。

ハロウィーン企画のショートムービーの見本は10分ほどで出来上がった。

担当するビジネスアプリは独自の言語で作られていて開発者が少なくネット上の情報も乏しかった。

難しい対応が特定の人に偏り、経験の浅い担当者の質問が上位者へ集中して上位者の作業が止まっていた。

1. 社内で書いたスクリプトと公式のリリース情報と関連資料を集める
2. 書式がばらばらの資料をGeminiで読みやすい形式に整形する
3. 整形した資料をNotebookLMへ入れて誰でも引けるナレッジベースにする
4. サンプルコードの取り出しとスクリプトの自動生成を任せる
5. 経験の浅い担当者はGeminiが作ったコードを上位者へレビューしてもらう

1日がかりだったスクリプト作成が5〜10分で終わるケースが出てきた。

質問がぼんやりした相談から具体的な技術の確認に変わりチーム内のやりとりの手間も減った。