製造業のAI活用事例

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。

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。

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。

工場自動化やエネルギーなど部門ごとにデータが分かれていて、客の動きを横からつかめなかった。

表形式のデータをうまく使えないことが最大の悩みだった。

1. Serendieという基盤をSnowflake上に作った
2. 部門にまたがる業務データをつなげた
3. AIの使い道を要約から問題発見へ移した
4. 担当者が表データへ普通の言葉で尋ねる
5. 権限設定で部門をまたいでも安全に見せ合う

約15万人の社員が部門をまたいで客のデータを共有できるようになった。

市場ごとに一人ひとりへ向き合う商売の仕方を進められる土台ができた。

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。

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。

AIサーバーのラック1台は数千点の部品でできていて、炭素量を出すには材料のレベルまで5〜6層たどる必要があった。

1万件超の排出係数から最も近い1件を選ぶ作業は1製品あたり150時間を超え、算定全体の90%超を占めていた。

1. AIと人で分担する算定の流れを作った
2. 多階層の部品表を物質のレベルまでAIにたどらせる
3. 1行ごとに分類させて材料の申告内容を整えさせた
4. 部品の種類に合う計算方法を当てはめて排出係数を割り当てる
5. 結果と例外は担当者が確認して品質を保つ

排出係数の割り当てにかかる時間は手作業に比べて90%超減り、1製品3,000点超の部品を数秒で処理できるようになった。

半年で数十製品分の算定に広がり、約25,000点の部品を扱った。

社員が知りたいことを聞くたびに専用のダッシュボードを作る必要があった。

技術の分からない人はデータへ自分でたどり着けなかった。

1. Claudeを複数の専門エージェントの司令塔に据えた
2. 社員の質問からClaudeが動かすエージェントを決める
3. 計算と商品マスタと地域マスタを別々のエージェントに任せた
4. Claudeが各エージェントの結果をまとめ答えと図にする
5. 利用者の権限を確かめながら社内データ基盤へ問い合わせる

会話で聞ける分析の正答率が90%から99%へ上がった。

社内のAI基盤は1日15,000人・月44,000人が使い月250万件のメッセージが行き来している。

翻訳を1社の会社に任せきりで手作業と調整が多かった。

社内のシステムともつながっておらず製品を各国へ出す速さに追いつけなかった。

1. 自社向けに学習させた翻訳モデルを使う
2. GitHubやDrupalとつなぎ書いた場所で訳す
3. 担当者が自分で依頼を出し流れを設定する
4. モデルが実際の直しから言い回しを学ぶ
5. 管理者も自分で案件を動かせるようにした

翻訳にかかる費用が下がり納品までの時間も短くなった。

開発者は翻訳の作業から離れてコードを書くことに集中できるようになった。

12か国に拠点があるのに国ごとのページを現地チームが手で訳していた。

ページ間で言い回しがそろわず、内容が最新かどうかも追えなくなっていた。

1. Craft CMSからLILTへ原稿をそのまま送る。
2. LILTの翻訳者が訳し進み具合を連携画面で見る。
3. 訳文をCraft CMSへ戻し見た目のまま確かめて公開した。
4. 各国の社員が自分の言語で訳文を見直した。
5. 見直しは閲覧の多い上位100ページから先に進めた。

サイト全体にあたる150万語以上をフランス語・ドイツ語・日本語へ訳せた。

CSVの書き出しと整形が要らなくなり、技術に詳しくない現地の担当者もすぐ使えるようになった。

買い手である不動産管理者がGoogleではなくAIに質問して業者を絞るようになり、Qwikkitはその答えの中に出てこなかった。

少人数のマーケ担当は広告やメールに追われて長い記事を書く時間がなかった。

1. HubSpotのAEOの提案で自社が出ていない質問を調べる
2. 抜けが見つかった題でContent Agentに記事作成を指示する
3. AIが調べて書いて検索向けに整えた下書きを受け取る
4. 自社の書き方の決まりと照らして細かい部分だけ直す
5. 公開した記事はLinkedInの広告にも回す

記事づくりの90%をAIが担うようになった。

以前は何日もかかっていた下書きが短い時間で用意できるようになった。

以前は複数の外部ベンダーに翻訳を任せ手作業と別々のシステムが混ざっていた。

動きが遅いうえ費用もかさみ事業の速さに追いつけなかった。

1. 翻訳の工程をLILTの基盤へ一本化した
2. 用途や分野ごとに60を超える専用AIモデルを用意する
3. 39言語の翻訳を各モデルへ振り分けた
4. AIが出した訳文を人が確認して品質を保証する
5. 確認した結果を再学習へ回した

提携から数か月で39言語に300万語を超える翻訳を行った。

納期は前のベンダーより最大60%短くなりコストは50%削減、精度は調整していないLLMより15%高くなった。

60か国以上に拠点があり翻訳の依頼は増え続けるのに予算は横ばいか減っていた。

新しい事業分野の案件が増えて過去の翻訳資産も使いにくくなっていた。

1. 既存の翻訳の体制にLILTを加えた
2. AIエンジンが原稿を訳し社内の翻訳者が手直しする
3. 手直しの内容をその場でエンジンの再学習に反映する
4. コネクタで既存システムと作業の流れにつないだ
5. 試験導入で処理量の伸ばしやすさと相性を確かめた

同じ量の文章を訳しながら翻訳費用が前年比で40%下がった。

ある事業部門は予算をわずかに増やすだけで翻訳量を2倍にできた。

週に150〜200件の問い合わせが入る一方で営業は6人しかおらず、初回の連絡までに8時間かかっていた。

2時間以内に返すという目標はほとんど守れなかった。

1. 人を増やす代わりにSales Cloudの営業エージェントを入れた
2. SNSから来た見込み客をエージェントに担当させた
3. 営業は確度の高いサイト経由の問い合わせに集中する
4. 数分で1通目を送り4日かけて4通のメールを出す
5. 返信が来たら営業へ通知し記録を引き継いで商談に入る

SNS経由の反応率は4%から10%近くまで上がった。

初回の連絡は8時間から数分に縮み、エージェントが連絡した見込み客の約2%が商談になった。

新しい薬ごとに数百ページの文書が要り、治験の総括報告書は執筆と修正と承認に何か月もかかっていた。

外部の会社に頼んでも追いつかず、書き手1人が年に2.3本しか仕上げられなかった。

1. 文書づくりの基盤をClaude Codeで開発した
2. Amazon BedrockとMongoDB Atlasの上にRAGを組んだ
3. 承認された文章と案件ごとの変数を合わせて文書を作る
4. まず総括報告書に絞って精度を詰めた
5. 出来た文書は人がレビューして承認する

総括報告書の執筆時間が90%減り、数か月かかっていた冊子や患者向けの案内は1分以内で作れるようになった。

規制当局からも良い評価が返ってきている。

海外向けの翻訳をメールで頼むやり方だったため時間がかかっていた。

前の業者の訳は文脈を踏まえておらず品質もそろわなかった。

1. 以前はTMSから原稿を書き出しメールで依頼していた
2. LILTのコネクタで自社システムとつなぐ
3. 原稿の受け渡しを自動にする
4. Zendeskのコネクタでサポートのページを各国語へ訳す
5. 出てきた訳は担当者が確認する

訳の品質が大きく上がり確認のやり取りが減った。

費用も前の業者より安く済むようになった。

部門ごとに翻訳のやり方がばらばらで翻訳基盤も4つに分かれていた。

過去に訳した用語や文が業者をまたいで使えず同じ内容に何度も払っていた。

1. NVIDIA Nemotron Speechで最初の訳文を作る
2. その訳文をLILTの多言語AIが直した
3. 重要な文書だけ専門の翻訳者が確認する
4. 37言語の外はLILTが残りの言語を引き受けた
5. 翻訳者が直した箇所を戻しモデルを調整する

1年で翻訳モデルの品質が30%上がり、費用は32%下がった。

使う翻訳基盤は4つから2つに減りローカライズできる量は2倍になった。

拠点のデータがばらばらで、技術者は不具合が起きてから動くしかなかった。

修理の38%が事後対応になり停止時間が費用を押し上げていた。

1. Claudeを組み込んだ現場向けアシスタントを使う
2. 設備図面とセンサーの値を読み込ませる
3. 機器の画像と稼働データから壊れる前の兆候を拾う
4. MCPで古い設備ともつなぎデータを一つにまとめた
5. 最終の判断と作業は現場の技術者が行う

停止時間が減って生産量が上がった。

通常運用に乗れば、この1拠点だけで年840万ポンドの削減になると見込んでいる。

技術者の経験差が大きく、持っている知識がうまく共有できていなかった。

そのため対応が終わるまでに時間がかかり、顧客の満足度も下がっていた。

1. Amazon Bedrock上に診断アシスタントを作る
2. DataRobotで全体の流れを動かす
3. 技術者が入力した内容をそろった形に整える
4. 故障の中身を分類し対処法の候補を出す
5. 技術者が候補を見て実際の対応を決める

データを確かめて処理する手間が70%減り、AIチームは新しいモデルを前より早く出せるようになった。

品質管理と現場技術の部門全体でサポートの質が上がり、顧客満足度と業務の効率も改善した。

4年前に自分で作った日報の仕組みは数量や時間の欄は問題なかったが、自由記述の表記ゆれや誤字で過去の記録が検索に引っかからなかった。

トラブルの処置や次の直への申し送りといった大事な情報が、残っているのに使えない状態になっていた。

1. 日報のテキストをClaudeのAPIに渡し決めた形に構造化させる
2. 表記ゆれの名寄せと日付や単位の統一をさせる
3. 記入漏れや矛盾は品質の指摘として出させる
4. 未記入は計算で埋めずnullにするよう指示文で禁じる
5. 整えたデータを複数日まとめて渡し繰り返しやずれを探させる

OCRの崩れや全角半角の混在を含む架空の日報14枚で試したところ、外径が一方向に増えているのに公差の記載がない点や、トラブル欄に記載があるのに時間が0.0hになっている矛盾を出せた。

申し送りの懸念が扱われず同じ損失が再び起きていることも見つかり、費用は1枚の正規化が約10円、14枚の横断分析が約30円だった。

2,000行を超える商品データを熟練の担当者が手書きのマニュアルや経験で捌いており、辞めると情報が消えてしまう状態だった。

従来のシナリオ型チャットボットは作り込みと運用の手間が重く、担当者の負担も大きかった。

1. 新規事業の問い合わせ窓口にサイトを読んで回答するGeNを置いた
2. KARAKURI assistに工場の対策報告書をそのまま入れた
3. 決めた項目で箇条書きに整理するよう指示を出した
4. 整理された原因と対策をもとに担当者が詫び状に書き直した
5. 月1〜2回の壁打ち会で同じお題を入れ合い指示の書き方を共有した

技術者向けに書かれた報告書の読み解きと詫び状の作成が、30分から5〜10分で済むようになった。

問い合わせ件数の削減ではなく顧客体験を重視する方針で、少人数でも対応の質を保てる体制になった。

新薬を患者へ届けるまでに研究者は生物や化学や画像や臨床の膨大なデータを読み解く必要があった。

拠点も分野も分かれていて、一つの研究で分かったことが別の研究へ回りにくかった。

1. 計算基盤にNVIDIA DGX SuperPODを入れる
2. 用途に合わせて計算資源を研究者へ振り分ける
3. NVIDIA MONAIで臨床試験のCTとMRIを整える
4. CT画像の80%〜90%を隠して復元させ学習する
5. 作ったモデルを公開データで追加学習させる

AIを使った標的探しで研究者の手作業が数週間分減った。

画像モデルは病変やがんの検出で人と同じ精度に届き、筋肉量や脂肪や骨密度まで数値で出せるようになった。

1日に数百件の問い合わせが届き多くの人手をかけていた。

担当者が幅広い質問を一人でさばけるまで3〜6か月かかっていた。

1. 過去の問い合わせ履歴から多い質問をFAQにまとめた
2. 代理店専用ポータルと同じページにFAQとChatAgentを並べる
3. 基本の質問はFAQに答えさせ細かい内容はChatAgentへ渡す
4. 認証とつないで会社名や連絡先が自動で入るようにした
5. チャット履歴や0件ヒット率を見てFAQを直し続ける

代理店の自己解決率は69%になり、海外在庫の確認などはほぼチャットに移った。

担当は1名のままで、手入れは週1回10分程度で済んでいる。

カタログや施工事例の画像と資料が複数のストレージやExcel台帳に散らばり、目的の素材を見つけるには全データを落として一つずつ目で確かめるしかなかった。

誰がどのファイルを編集できるかもはっきりせず、価格改定時の更新や制作会社とのやり取りにも時間がかかっていた。

1. カタログと施工事例の2つを対象に管理基盤を組んだ
2. 既存データを移し替えてSSOをつないだ
3. フォルダ構造と閲覧・編集の権限を設計した
4. 検索やプレビュー、タグ付けを現場に合わせて整えた
5. 読み取り専用の利用者を設けて誤編集を防いだ

販促を担う部署の約20名が毎日の仕事で使う状態になり、素材探しのために全データを落とす手順はなくなった。

同社はこの部署の仕事の重さを2名分ほど減らすことを目標に置いている（数値での効果測定は今も続けている）。

開発者はAIツールを使いたがっていたが、ITARの対象になるコードや知的財産を外部へ出すわけにいかなかった。

月面着陸機や衛星の開発が同時に進み、開発者は200人超まで増えていた。

1. GitLab Duo Agent Platformを自社環境に置いた
2. AWS Bedrockで自分たちが選んだモデルを動かした
3. コードの読み解きとレビューをDuoに手伝わせた
4. 新しく入った技術者は最初からDuoを使う形にした
5. 拠点で実習形式の講習を開き使う人を広げた

GitLab Duoを使う席は1年で80から200以上へ倍以上に増えた。

新しく入った開発者は1〜2日でコードの中身をつかめるようになった。

少人数のチームが仕入先との契約や技術のライセンスを全部手で読んでいた。

標準の条項や代わりの言い回しは共有ドライブのWordに埋もれ、どの契約で使った文かを思い出しながら探すしかなかった。

1. 標準の言い回しをプレイブックへ登録した
2. RFPの草案と採点表を作り届いた提案を採点する
3. 外部事務所の指針を約29社ぶん読み込ませてまとめた
4. 他人が書いた契約を要約させ主要な条件と変更点を出す
5. スペイン語の訳と新旧2版の突き合わせにも使う

本来なら3週間かかるRFPの仕組みづくりを4日で作り終えた。

20分かかっていた契約の要約は2分になり、指針の見直しに合わせて外部事務所から一律10%の割引を取れるようになった。

1つの求人に100人を超える応募が集まり、電話での見極めに頼るせいで判断がぶれていた。

手続きが現場任せになり募集から入社までに45日かかっていた。

1. 応募者はATSから応募して4〜5問に答える
2. 条件に合う人へ仕事の実際を見せる案内を送る
3. 文字のやり取りで一次選考を行う
4. 質問をそろえた面接につなげる
5. ATSとつないで手順を全社でそろえる

求人の起票から入社までが48日から30日に縮んだ。

応募から内定までは3.5日になり、Virtual Job Tryoutの完了率は77%で面接の完了率は79%だった。

畑の見た目は作物の成長や光や土の状態で次々に変わる。

実際の畑で映像を集めて印を付ける作業は時間も費用もかかり、認識モデルの学習が追いつかなかった。

1. 屋外向けの世界モデルAlchemyを作った
2. NVIDIA Cosmos 3を農地向けに追加学習させた
3. 自社ロボットが撮った約3,000本の映像を素材にした
4. 雑草の量や成長段階や光を変えた場面を作り出す
5. 計算装置をJetson Orin NX3台に置き換えた

実データ1%と合成データ99%で学習した認識モデルで、畑の自律除草ができるようになった。

計算の使用率は約100%から約30%まで下がり、腕4本の設計を載せる余裕も生まれた。

PLCのラダープログラムを検索して要約する社内サービスを作ったが、プロンプトインジェクションや内部情報の漏れといったAI特有の危険がどこにあるか分からなかった。

安全対策をどう検証すればよいかも手探りだった。

1. ソースコードと機能を調べリスク一覧を作る
2. 影響の大きさと起こりやすさの2軸で整理する
3. 攻撃の筋書きを書き疑似攻撃を実施する
4. 防御あり・なしで攻撃の成否を比べる
5. しきい値やポリシーを調整し報告会で共有する

不適切な出力や内部情報の露出など3種類の弱点が見つかり、そのうち2種類に対して高い検知性能を確認した。

通常利用での誤検知率は1.7%にとどまった。

攻撃の見逃し率は4.7%で評価にかかる時間も100ミリ秒以下となり、本番導入が決まった。

紙の図面や検査記録が社内にあふれ、書類を探すだけで現場が1〜2時間動き回ることもあった。

創業50年でも手順書は50件ほどで、多くの作業のやり方はベテランの頭の中だけにあった。

1. AIとの対話を1500時間以上重ねコーディングを学んだ
2. タブレットとSlackで内線電話や紙探しをなくした
3. Claude Codeで社内アプリをフルスクラッチで内製した
4. 生産実績や設備稼働などを同じデータベースにひも付けた
5. 手順書アプリでAIが100点満点で採点し改善案を出す

月400〜500時間程度の作業時間を減らし、価格改定資料の作成時間は90％短縮した。

紙は月間約6000枚減り、手順書は1年足らずで290件集まった。

多くの国とブランドで消費者の問い合わせを受けており、言語も窓口もばらばらだった。

1. Cognigyで作ったAIエージェントを11か国7チャネルに置いた
2. 10を超えるブランドの問い合わせを複数の言語のまま答えた
3. コンタクトセンターにその場で訳す機能を組み込んだ
4. やり取りの記録を分析にまわし消費者の求めるものを読み取った

25体のAIエージェントが年間500万件を超えるやり取りをさばき、300万人以上が使っている。

消費者の動きを調べる速さは68%上がった。

顧客からの問い合わせを人手で受けていて、対応にかかる費用が重かった。

1. Cognigyで顧客が自分で答えにたどり着ける窓口を作った。
2. よくある質問はAIが最後まで受け持つ形にした。
3. 答えの出ないものだけ担当者へ渡した。
4. 通販サイトの中でも使えるようにした。
5. 買い物の途中で出た疑問にその場で答える形にした。

問い合わせの37%をAIだけで完結させ、対応にかかる費用を80%減らした。

通販サイトでの購入率も上がった。

海外の販売パートナーへの製品教育が文字の資料と口伝えに頼っていて言葉の壁があった。

使い方を目で見て分かる教材も足りなかった。

1. 技術スタッフが製品の使い方を話す映像を撮る
2. その映像をHeyGenでアバターに変える
3. アバター動画を各国の言語へ翻訳する
4. 現地のパートナーと見直して言い回しを合わせる
5. 撮影が苦手なスタッフは原稿を出すだけにする

パートナーがいつでも見られる教育動画の置き場ができた。

実写の撮影が要らなくなり販売の伸びとパートナーとの関係の強まりにつながった。

コマツは151か国の販売店へ機械の使い方や仕様の研修を届ける必要があった。

パワーポイントに機械音声を当てた教材や外注の動画は費用と手間がかかり受講者は途中で見るのをやめていた。

1. 社内の専門家が持つ資料をもとに研修の台本を用意する
2. ウェブページのURLから台本の下書きを出す
3. 自社用のアバターに台本を読ませ短い解説動画に仕上げる
4. 英語の元の動画を翻訳機能でドイツ語とフランス語とイタリア語へ変える
5. 作り方の決まりを整え各国の制作者をまとめて管理する

視聴者の80〜90%が動画を最後まで見るようになった。

全社員向けの人権研修は14言語へそろえて訳せてテストの点も上がった。

社内の研修動画を作るたびに出演者の手配と各国への出張が必要で数か月かかっていた。

言語ごとの編集も重なり予算と手間がふくらんでいた。

1. 研修の内容を台本に起こす
2. HeyGenのアバターと読み上げ音声で動画にする
3. 撮影スタジオも出演者も使わず社内で公開する
4. 手順や規定が変わったら文章を直して作り直す
5. 同じ台本から複数の言語版を出す

研修動画の制作費が大きく下がり1分の内容あたり1,000ユーロを浮かせた。

半年たたないうちに出せる本数が増え動画作りに慣れていない人も作れるようになった。

設計と検証で使うツールが分かれていて、データのずれや手戻りが起きていた。

大きくて複雑なモデルは表示も重く実物の試作に費用がかさんでいた。

1. Teamcenterの複数CADデータをビューアで写実的に映す
2. 設計の確認は同じ画面で書き込みながら進める
3. 変更のやり取りはTeamcenterに記録を残した
4. 空気の流れの計算をGPUで動かす
5. 現場ではIndustrial Copilotが作業者の質問に答える

Industrial Copilotを使う作業者は突発の保守にかかる時間が25%減り、工場の生産量は20%増えた。

設備投資も10%〜15%抑えられた。

およそ1,000件のプロジェクトで見つかる脆弱性を人が1件ずつ調べていた。

誤検知も多く、開発の手が止まる原因になっていた。

1. 検知された脆弱性をAIエージェントが1件ずつ受け取る
2. 関連する情報を集めて危険度を判定する
3. 判定の根拠と直し方の案を開発チームへ渡す
4. 誤検知とみられるものを先に仕分けする
5. 最後に担当者が内容を確かめる

脆弱性1件あたりの処理時間が約70%減り、セキュリティと開発の両チームで年間およそ500時間が浮いた。

稼働までは1か月だった。

半導体需要の伸びで契約審査の依頼が月約90件まで増え、その約3割を占めるNDAに時間を取られていた。

社内の生成AIはリスクを挙げるだけで、修正履歴やコメントを入れたWordファイルまでは作れなかった。

1. 自社のひな形と過去の審査実績をまとめる
2. AIが判断する審査基準（プレイブック）を組み立てる
3. 相手方の契約書を読ませ自社ひな形との違いを比べさせる
4. 各条項の可否を判定させ修正案をWordの修正履歴で出力させる
5. 出てきたWordを確認し必要な箇所だけ直して審査に乗せる

英文NDAの確認から修正案作成までが約2時間から約10分になった。

和文英文を合わせたNDA審査の工数は従来の約5分の1に減り、空いた時間を取引基本契約など重い案件に回せるようになった。

新製品開発や設計審査、プロジェクト管理の規程が細則を除いても約3,000ページあり、必要な内容を自力で探すには知識と経験が必要だった。

社内の検索環境の整備が課題になっていた。

1. 社内カンパニーが規程を調べるポータルを用意した
2. 検索の仕組みをSharePointからRAG型サービスへ差し替えた
3. 社員は質問を入れ回答と規程一覧を同時に受け取る
4. 全社のCopilotとは役割を分け規程検索はCogmoを使う

導入から約一年たった今も月間平均約4,000回使われ続けている。

業務改善につながったと評価され、他のカンパニーや部門へも広がっている。