経理・総務・法務のAI活用事例

中規模の事務所のまま大手並みの品質を求められ、書類を読み込む繰り返しの仕事に弁護士の時間が吸われていた。

顧客ごとに書面の書き方がぶれて品質をそろえるのも難しかった。

1. 10種類ほどのツールを試してHarveyに決めた
2. 質問の下書きと証言の記録をHarveyに読ませる
3. 抜けている論点を挙げさせて質問を組み直した
4. クロージング書類50通以上をVaultに入れて制限条項を抜き出させる
5. NDAのレビュー手順をエージェントにして同じ流れでコメントを付ける

デポジションの準備は1〜2日かかっていたものが約2時間で終わった。

制限条項の洗い出しは2日のプロジェクトが2時間になり、Harveyを定期的に使う人は週10時間以上を浮かせている。

発注書や見積の数が多く、メールの処理や決まった形でない書類からの読み取りを人が手で回していた。

手順が分かれたままなので時間がかかり、処理の内容もそろわなかった。

1. IBM Bobで調達用のAIエージェントを作った。
2. 作成からテスト・配置までを一つの流れにする。
3. 動かす場と統制はwatsonx Orchestrateが受け持つ。
4. NetSuiteやDoclingなどのツールとつないだ。
5. メールの仕分けから見積比較・買掛金処理まで進める。

調達の自動化で年間およそ11,500時間の削減を見込む。

社内の書類と取引先の発注書・仕入先の見積の突き合わせは30分から3分へ90%減る見込みで、AIエージェントを作って動かすまでは平均2週間から2日に縮まった。

調査のたびにゼロから資料を探していて、知識の置き場も散らばっていた。

拠点が3か所に広がって書類の作成と確認の量が増え、手作業のやり方では追いつかなくなった。

1. GDPRとNIS2の規制調査をHarveyの一次調査から始める
2. 弁護士は条文が顧客の状況に当てはまるかを確かめる
3. 契約の構造と条項の問題をHarveyに先に洗い出させる
4. Word用の追加機能で契約書と手引きの書式をそろえる
5. 訴訟では量の多い資料を要約させて時系列を組み立てる

弁護士1人あたり週3〜6時間が戻り、受けられる案件の数が増えた。

長いスキャン資料の確認が法律面の分析の足止めにならなくなった。

規制の厳しい国で守秘性の高い仕事をAIに預けられるかが最初の関門だった。

社内の関心が高まっている時期を逃すと広げる勢いを失う心配もあった。

1. クリスマス前に社内公開し6週間で全社に広げる計画を立てた
2. 必須のオンライン研修とルールを受けた人にライセンスを渡す
3. 全拠点のワークショップで自分用のワークフローまで作らせた
4. 拠点ごとのハッカソンで5分ずつ発表させその場で投票する
5. 15分以内の定例通話を続け使い方のライブラリも作った

全社の利用率は96〜97%になり、1日に約4,000件のプロンプトが動くようになった。

デューデリの書類確認の時間は最大95%減り、要約は最大30%速くなった。

進行中の案件の状況を知るには、タスクやドキュメントやメモを順に開いて自分で全体像を組み立てるしかなかった。

要約は手で書き、やることはやり取りの中から一行ずつ拾っていた。

1. 運用とマーケティングと案件管理を1つの場所に集めた
2. タスクやメモを材料にClickUp Brainへ要約を下書きさせた
3. 優先順位と次のアクションも下書きさせた
4. 管理担当は下書きを見て直す役に回った
5. 繰り返しの多い作業はSuper Agentsに渡して試した

状況の最初の読み取りが自動になり、担当者は資料を集める側から確認して直す側になった。

外部のAIに内容を貼り直して説明する手間も無くなり、請求につながるクライアントの仕事に時間を回せるようになった。

40社を超えるグループへ広がるにつれ、契約の中身がどこにあるか分からなくなった。

判断に必要な範囲や期限をすぐ取り出せず、意思決定が遅れていた。

1. Docusign IAMに契約の作成と交渉を集めた。
2. 全社の契約を探せて範囲や承認条件を引ける状態にした。
3. 自社のチェック観点を読ませ危ない条項を洗い出す。
4. 普通の言葉で質問して説明を受け取り自分で確かめる。
5. 論点が固まったものだけ法務へ回す。

契約交渉と赤入れにかかる期間は80%減り、承認は90%速くなった。

提案への返答も50%速くなり、依頼を受けてから48時間以内に返せるようになった。

スキャンした領収書のフォルダをそのままChatGPTに渡してチェックリストを作らせたところ、紙で受け取った領収書のスキャン画像まで電子取引データとして扱われていた。

フォルダに入っているものはすべて対象という前提でAIが判断していた。

1. ファイル名の先頭に電子か紙かの区分を手作業で書き込む
2. ChatGPTに電子_のファイルだけでチェックリストを作らせる
3. 出てきたリストの件数をフォルダ側の件数と照らす
4. タイムスタンプの付与期限など日付は自分で数え直す

区分を先に決めてから任せる順番に変えたことで、対象外の書類が紛れることはなくなった。

今回は38件が電子取引のデータ、残る12件は紙をスキャンしたもので対象外という分かれ方だった。

月次の報告でこの話を共有し、上司から制度対応の精度を評価された。

生成AIが広がり、社員が使うツールの可否を決める必要が出た。

だが審査は長い質問票と複数人のレビューに頼っていて件数に追いつかず、監査や顧客に見せられる記録も残っていなかった。

1. HarveyにAI関連の法律やNISTとISOの枠組みを読ませた
2. 四段階のリスク判定表を作らせた
3. 判定の根拠を示す70ページ超の手引きも用意した
4. 申請フォームをOneTrustに置き審査の流れを動かす
5. 契約書とセキュリティ資料から5〜10ページの評価メモを作らせた

申請ごとに議論していたAIの審査が、低リスクは即時に通し高リスクだけ上へ上げる決まった流れになった。

メモの結論は契約書や認証までたどれるので、監査や顧客への説明にもそのまま出せる。

医療テック企業の顧客に渡す契約書は穴があってはならず、似た文言を何度も読むうちに見落としが出る心配があった。

過去に使った言い回しを探すのにも時間がかかっていた。

1. 代理する当事者を指定してSpellbookに読ませる
2. AIが挙げた気になる点を弁護士が確かめて直す
3. 一般レビューとカスタムレビューを使い分けた
4. 補償条項を相互の内容に直すよう指示する
5. 過去の言い回しを探させて今の契約に合わせる

弁護士の最初のチェックで重要な点の抜けが減り契約書の質が上がった。

古い書類を何時間もかけて探す作業がなくなり、別の弁護士に二重チェックを頼む必要も減った。

メールやマニュアルを手で作る仕事が多く、時間がかかっていた。

会議の議事録は仕上がるまで2日かかっていた。

1. 複数のサービスを比べ社内データを参照できるRAG機能を持つChatSenseを選んだ
2. まず5〜10名で試し効果を確かめた
3. パソコンを使う社員全員が使える形に広げた
4. 議事録やメール、マニュアルの文面作成をAIに任せ担当者が中身を確かめて直す
5. 繁忙期に集中する契約書類のチェックにも使っている

2日かかっていた議事録が当日中にできるようになった。

繁忙期には月50件を超える契約書類のチェックにも使えている。

経理と管理会計とFP&Aがそれぞれ別のデータで動き、同じ事業の数字の見方がそろわなかった。

月次のローリング予測には2〜3日かかるうえ精度も足りなかった。

1. グループ全体の計画を1つの仕組みに集める
2. 毎月の実績を取り込んで予測を走らせる
3. 出た予測の結果を各事業へ配る
4. アルゴリズムの数字をたたき台にし必要な所だけ直す
5. 総勘定元帳の残高を渡し予測を作らせ人が確かめる

11本ある月次のローリング予測をすべてAIが作り、売上とEBITDAの精度は実績に対して約98.5%になった。

予測の作業は一連の流れで約4時間で終わり、数週間かかるはずのキャッシュフロー予測は約10分で出せた。

郡や支払機関や学区や取引先との数百件の契約を3人で手作業で見ていた。

最大200ページの文書からベッド保持の料率や自治体ごとの決まりを1つずつ探す必要があり、標準的な郡の契約でも一次確認に3〜4時間かかっていた。

1. 契約をWorkdayの契約管理サービス2つに集約した。
2. 免責や有効期限や契約の種類は自動で抜き出させる。
3. 細かい条件はAsk AIに質問し根拠の文言と照らし合わせる。
4. 示された箇所を担当者が自分で読んで内容を確かめる。
5. DocuSignやSharePointとつなぎひな形も用意した。

標準的な契約の一次確認にかかる時間が半分になった。

ニューヨーク州OIDDの200ページの契約は数日かかるところが1時間半で終わった。

社内の規程やマニュアルはあったが保管場所が分かれていて目的の答えまでたどり着けなかった。

旧型のチャットボットは1問1答しかできず条件で枝分かれする質問に答えられなかった。

1. 旧型のチャットボットをPKSHA ChatAgentへ入れ替えた。
2. 条件で枝分かれするツリー式のシナリオを組んだ。
3. 社内規程をKnowledge Streamに読ませQAを作らせた。
4. 出てきたQAと既存のFAQを見比べて中身を差し替えた。
5. ナレッジをPKSHA FAQに貯めチャットから引き出す形にした。

PKSHA FAQへのアクセス数は導入前比で約15%増え問い合わせは月間1,000件〜1,500件前後で動いている。

自己解決率は最大31.4%まで上がり担当者への直接の問い合わせも減ってきた。

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。

社内法務デスクでは、AIの答えの精度を上げても最後に人の承認が要る流れのままで、使い続けてもらえないという壁があった。

1. 自社開発のZia LLMを土台に問い合わせ受付エージェントを組む
2. 担当者ごとの抱えている量と過去の対応記録を読ませる
3. どの担当に回すかを自動で決めさせる
4. 人は承認ではなく振り分け後の中身の判断に回る
5. 複数の大規模言語モデルに対応させ社内の文脈に合わせる

問い合わせの流れが滞らなくなり、業務の効率が15〜25％上がった。

Ziaのエージェントは登録企業が約9,000社、作成数は約19,000件に達している。

15の拠点と多くの保育やキャンプの施設がそれぞれ契約を受け付けていて依頼は個人のメールや共有メールや表計算に散らばっていた。

外部の弁護士に頼るレビューが多く費用も時間もふくらんでいた。

1. 契約依頼の入り口をAgreement Deskへ一本化する。
2. 専用フォームで契約の種類や重要な日付を先に集める。
3. 他社から来た契約書をAIに読ませ赤入れの下書きを作らせる。
4. 自社の基準やリスクの範囲に収まっているか担当者が直す。
5. 金額や種類に応じて承認者へ自動で回し署名後は期日を取り出す。

契約の依頼は約99%が一本化した入り口から入るようになった。

初期のレビューにかける時間はおよそ50%減り外に出していた作業を自分たちの中で回せるようになった。

難しい問いにぶつかるたび弁護士を増やして時間をかけて表を作るやり方しかなかった。

20時間かけて資料を作る手間を考えると聞きたいことを聞けない場面も多かった。

1. 書いた却下の申立書をHarveyに入れる。
2. 相手方がどう反論してくるかを挙げさせた。
3. 出てきた指摘を手がかりに中身を練り直す。
4. 物件の書類一式を読ませ順守事項のチェックリストを作らせた。
5. 直近100件のローンに条項が何回出てくるかを調べる。

依頼者は自社の物件について契約上の義務だけでなく行使できると知らなかった権利まで短い期間で把握できた。

人手をかけていたリース概要の確認も大きく短くなり、弁護士は戦略や助言に時間を回せるようになった。

役員会議や各種委員会の議事録を手作業で文字起こししており、会議ごとに担当者を割り当てる負担が大きかった。

金融機関としてのセキュリティ要件が厳しく、クラウドのサービスは使いにくかった。

1. インターネットにつながない環境で動くScribeAssistを導入する
2. 会議を録音してその場で音声認識にかける
3. テキスト編集と生成AIの要約を同じアプリ内で行う
4. ATUCシリーズのマイク設備とつなぎ音声精度を上げる
5. 担当者が原稿を読み誤りの部分だけ直して仕上げる

録音を何度も聞き返す作業がなくなり、議事録作成にかかる時間が3〜4割減った。

操作が簡単で現場にも定着し、今後は役員会議以外にも広げる。

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。

買収と世界での成長が続き18人の法務チームの手が回らなくなっていた。

契約のやり取りはメール頼みで、どれが最新版か分からなくなることが多かった。

1. 契約の種類ごとに回す先を分ける。
2. NDAのような定型は契約の担当者へ自動で送る。
3. 弁護士は難しい案件だけを見る形にする。
4. 営業が見積りや注文書を自分で作れるようにする。
5. 自動更新の条項と期限が近い契約を洗い出す。

法務が手を入れなくても進む契約が78%になり、特別な内容の契約が5倍に増えても折り返しの時間は変わらなかった。

複雑な大口契約が130%増えても回り、単発の法務文書を作る月ごとの依頼は無くなった。

NASDAQへ上場してSOXの対象になり、経理の処理に厳しい統制が求められた。

残高の照合はExcelで回しており拠点ごとに3〜4日かかっていた。

1. 人事と経理をWorkdayへ集約しデータと監査の記録をそろえた
2. 残高の照合をWorksheetsとLive Reportsでの突き合わせに置き換える
3. Workday Contract Intelligenceを契約書の確認に入れた
4. 契約書を社内ルールと突き合わせ注意が要る箇所に印を付けさせる
5. 汎用のAIエージェントにレポートと請求書の添付を見比べさせた

Excelでやっていた残高照合は元データを直せばレポートを更新するだけで終わるようになった。

AIエージェントは経理が手でやっていた請求書の突き合わせを自分で画面を動かしてこなした。

規制の条文をPDFで受け取り、表計算ソフトへ貼り付けて自社の製品が合っているか1条ずつ確かめていた。

1つの規制で1か月以上かかることもあった。

1. 規制の文書をAmazon Textractで読み取る
2. 取り出した文章と表をデータベースに入れる
3. Amazon Bedrockの生成AIで条文と自社資料を突き合わせる
4. 出てきた判定は担当者が目を通して確定させる
5. 専門の知識がなくても操作できる画面を作った

規制のデータベースを作る時間が1か月から数分になった。

適合の確認も数時間や数日かかっていたものが数分で終わるようになった。

全国に散った営業が契約書をメールや郵送でやり取りしていた。

書類が行方不明になって作り直しが起き、1件ごとに費用と時間と危なさが積み上がっていた。

1. SalesforceとDocusignをつないだ
2. Docusign Genで契約書を自動で作れるようにした
3. 営業は数回のクリックで提案書やNDAを出す
4. 署名の前にAIへ危ない条項の印を付けさせる
5. 署名の後はAIが更新日や支払いの義務を抜き出す

契約のやり取りは70%速くなり、締結までの期間は平均2日未満になった。

1件あたり34.40ドルの費用が浮いた。

520万人の職域年金の会員から住所変更などの紙の書類が年間100万件以上届いていた。

処理できる量が担当する人の数で頭打ちになり、決められた期間内に返すのが苦しかった。

1. スキャンした年金の書類をAmazon Textractに渡して読み取る
2. Docusortが書類を種類ごとに分け必要なデータを取り出す
3. 取り出したデータを業務システムへ送り顧客情報を書き換える
4. モデルの学習と運用はAmazon SageMakerで回す
5. 処理の量に合わせてサーバーレスで増やしたり減らしたりする

1,000件の書類を30分で同時に処理できるようになった。

決められたサービス水準を守りやすくなり5人を別の業務へ移した。

請求書の処理を人手でさばいていて、1つの国だけで毎月およそ2,000件が届いていた。

定型の作業に担当者の時間が取られていた。

1. 社内の技術研修を受けた社員が開発を担当した。
2. Amazon Bedrockで請求書処理の仕組みを作った。
3. 大規模言語モデルに請求書を読ませて種類を判別させた。
4. 判別した請求書を担当先へ自動で振り分けた。
5. 人が見るのは例外や確認が要るものだけにした。

1つの国だけで毎月およそ2,000件の請求書を扱う業務で、手作業が90%減った。

研修の参加率は85%で、AWSの研修を受けたチームは1年で38%増えた。

ライセンスは全社に配ったものの、使い道が議事録の要約とメールの下書きで止まっていた。

どの業務のどこを置き換えるかが各社員任せで、成果に個人差が出ていた。

1. 総務課の122業務をすべて書き出した
2. 頻度と年間作業時間から効果の大きい23業務を選んだ
3. 誰がどの資料で何分かけるかを工程ごとに聞き取った
4. Copilotに任せられる工程だけを切り出し操作を見せた
5. 捺印請求ではPDFから4項目を理由つきで判定させた

選び出した23業務は合計で年間約1,842時間かかっていたが、そのうち約373時間（20.3%）が浮いた。

捺印請求の確認は元が年間600時間で、155〜220時間（25.8〜36.7%）分が軽くなった。

総務本部では毎月同じ定型作業を1件ずつ手で処理し月に何時間もかかっていた。

生成AIへの関心はあったが何から手をつけるか決められずにいた。

1. エンジニアが現場で担当者と話し業務の流れを洗い出す
2. 文章作成や情報整理の作業を生成AIに任せる部分として切り出す
3. 既存の業務の流れに組み込む形で自動化を設計する
4. 最後の確認は人が行い品質を保つ
5. 運用マニュアルをそろえ担当者が自分で回せるようにする

複数の部署にまたがる計7テーマの自動化が動き出し、毎月繰り返していた作業の時間が減った。

担当者が自分で運用と改善を続けられる状態になり、他部署へ広げる土台もできた。

電子帳簿保存法に合わせて請求書や見積書をGoogleドライブへ1枚ずつ上げ、ファイル名や検索用ラベルを手で打ち込んでいた。

月およそ1,000件に達し、複数人で毎月約30時間かかり、月末月初は残業や入力ミスが生じていた。

1. 全社のGoogleドライブ環境はそのまま残す
2. 専用のAI-OCRと自動仕分けの仕組みを外部に作ってもらう
3. 書類画像を取り込みAI-OCRで記載内容を読み取る
4. ファイル名と属性情報を自動で付け所定の場所へ振り分ける
5. 担当者は読み取り結果を最後に確かめるだけにする

手入力の作業工数は感覚値でこれまでの1/10程度になり、毎月約30時間の負担が減った。

入力ミスや分類のばらつきも抑えられ、空いた時間を生成AIの取り組みなどに回している。

契約書がメールや書類箱に散らばり、どれが有効かも分からなくなっていた。

第三者から届く契約書は形式も条件もばらばらで確認に時間がかかっていた。

1. Docusign CLMで契約書を一か所に集めた。
2. Salesforceの画面から営業が扱えるようにした。
3. 第三者の契約書のレビューにAI-Assisted Reviewを使う。
4. AIがプレイブックと条文を突き合わせ外れた箇所に印を付ける。
5. AIが直し方の案を出し法務の担当者が最後の判断をする。

レビューの流れが速くなり、契約の件数が増えても人を増やさずに回せる見通しになった。

日次の締め処理と評価の作業が人の段取りに頼っていて、担当者の都合や確認の受け渡しで所要時間がばらついていた。

取引量が増えるほど遅れと決済の危険が大きくなっていた。

1. Automation Anywhereで日次締めと評価の流れを自動化した
2. 届くファイルの形式が違っても同じ手順で処理するようそろえる
3. 確認の記録が工程ごとに自動で残る作りにした
4. 監査へ出す書類を人がまとめなくてよくする
5. 進み具合が通知で届くようにして様子を見る手間をなくした

EOD処理は90分から40分に減り、評価にかかる時間は67%短くなった。

監査の書類は全て自動で作られ、取引量が増えても人を増やさずに回せている。

生産計画と購買と物流と会計が別々のシステムに分かれていて判断が遅れていた。

排出量の計算とEUへ出す報告はメールと表計算でこなしていた。

1. 基幹の業務を Oracle Fusion Cloud へ移した
2. 計画と会計と排出量のデータをまとめる
3. 組み込みの仕組みが部品の不足を見つけ発注の案を出した
4. 会計に取り込んだ請求書から明細と費目を取り出す
5. 製品ごとの排出係数を当て排出量の台帳へ記録した

主要な仕入先の請求書は95%が人手を挟まずに取り込めるようになった。

月次の排出量の報告は3週間かかっていたものが一晩で出せるようになった。

毎月ほぼ同じ内容の経費精算の社内案内メールを一から書いていて、言い回しに迷う時間がかさんでいた。

月次処理の報告書も書き出しを考えるところで手が止まりがちだった。

1. 自分の仕事を頻度・手順化・影響の3つで仕分ける
2. 最初の1つとして経費精算の案内メールを選ぶ
3. 毎月の書式と伝える内容をChatGPTに渡し下書きを出す
4. 数字と固有名詞は自分の目で確認し手直しする
5. 同じやり方を月次報告書とマニュアルの下書きに広げる

文面を考える時間が体感でかなり短くなり、書き始めるまでのためらいも減った。

マニュアルを渡した後輩からは手順の確認ではなく判断の仕方を聞く質問が増えた。

経費のチェックに人手がかかっていた。

承認する上司や監査する経理は理由の分からないまま多くの申請を1件ずつ開いていた。

1. Amazon Bedrock経由でClaudeを組み込む
2. 申請を予定や位置や過去の使い方から自動で分類する
3. 社内の規程の文書を読み込ませて中身をルールにする
4. 監査の画面に関連する経費と気になる点をまとめて出す
5. 全部の取引を1明細ずつ調べ人は指摘された分だけ確認する

経費の処理が自動で進むようになり規程を守れた割合は94%になった。

業界の平均は70%で、顧客全体では人件費が年間5,650万ドル分浮いた。

入学事務のスタッフが出願書類を画面でめくりコピーと確認を繰り返して何時間もかけていた。

自動化を入れても画面の小さな変更で止まり保守の手間が増えた。

1. 財務のレポートから数値を抜き出す作業から自動化を始めた。
2. UiPath Orchestratorを足して社内向けのAI窓口を作った。
3. Document Screenerに形式の違う書類をまとめて上げる。
4. 利用者が選別の条件を自分で決める。
5. 出す形をPDFかExcelから選び処理後に結果がメールで届く。

何時間もかかっていた仕事が数分で終わるようになり、データを扱うときの人のミスも減った。

書類の形式が違っても扱えるので、別の部署にも広がった。

顧客から届く書類が誤っていると、監査担当が差し戻しのメールを毎回手で書いていた。

1件あたり10〜15分かかり、1回の監査で50〜75件出るうえ上位者の確認も要った。

1. 既存の仕組みに合わせAmazon BedrockのClaudeを選ぶ
2. 監査担当が顧客へ書類を依頼するツールを作った
3. 短いプロンプトを渡し誤りと次に出す書類を3〜4文にまとめさせた
4. ベテランの監査人が書いたような口調になるよう指示する
5. 出てきた文面は担当者が確かめてから顧客へ送る

差し戻しの文章を書く時間が65%減り、追加の確認のやり取りも60%減った。

使った人の90%が以前より自信を持てると答えた。

人身事故の案件は2,000ページから10万ページの記録が届き、担当者が1行ずつ読んで治療の経過をまとめていた。

手作業の重さが受けられる案件の数を抑えていた。

1. 書類が届くとClaudeが種類を判定して合う処理を走らせる
2. 中身を抜き出して治療の時系列に組み込む
3. 事務所ごとのひな形を読ませて言い回しを合わせた督促状に仕上げる
4. 難しい案件はOpusに軽い抜き出しはSonnetに振り分ける
5. 弁護士が朝に仕上がった成果物を確認して承認する

利用する事務所の和解は最大60日早まり、和解の金額は30%上がった。

社内の開発でも不具合の切り分けが3〜4時間から数分になった。

助成を出す前のNPOの財務確認は人手の作業で決まったやり方が無かった。

届く書類の形式がばらばらで数字を探すのに時間がかかり、写し間違いも起きていた。

1. 審査ツールをClaudeで作った
2. 財務の書類をそのままの形式で読ませる
3. 必要な指標を抜き出して財団ごとの基準に合う形に整える
4. 出すのは可否ではなく確かめたい点の一覧にした
5. 最後の判断は担当者が行う

Grant Guardianは全米で100以上の財団が使い、これまでに数百件の助成審査を通した。

書類を書き写して突き合わせる手間が無くなり、担当者ごとにぶれていた見方もそろった。

社内の弁護士は1人で何十人もの依頼を抱え、簡単な質問でも調べて書くのに何時間もかかっていた。

以前のAIは手直しが多く、時間の節約にならなかった。

1. 弁護士が質問や契約書をAIに入れる
2. 契約レビューや規制調査など決まった流れに振り分ける
3. その会社の方針と過去のやり取りを一緒に渡す
4. 日常の処理はSonnetが担当し込み入った推論はOpusに回す
5. 出力に付いた引用で根拠と条文を確かめて最終版にした

使っている社内法務チームの作業が平均で週14時間減った。

外部の弁護士に払う費用は14%下がり、法務の作業の正確さは一般のAIツールより21%高かった。

部署間の請求書共有をチャットで行っていたため、依頼の投稿が他の会話に埋もれて支払いが遅れる恐れがあった。

経理は履歴から請求書を探す手間がかかり、依頼した側も支払日が分からなかった。

1. 請求依頼を送る専用の入力フォームを用意した
2. 送られたデータを既存のクラウド環境へ自動で整理した
3. スプレッドシートで進捗を一覧表示にした
4. 申請受領時と振込完了時に社内チャットへ自動通知を飛ばした
5. ドライブ内の請求書PDFをAI文字認識で読み取り支払データへ変換する

支払い漏れの発生リスクはゼロを維持し、請求書の検索や支払完了の確認にかかる年間12時間を削減した。

支払日の個別確認のやり取りも不要になった。

財務と人事と営業と顧客対応のデータが別々のサーバーに置かれていて、つながっていなかった。

そのため手作業が多く残っていた。

1. 分かれた業務データをOracle ERP・HCM・CXへ載せ替えた
2. アプリに組み込まれたAIエージェントと自動処理を使う
3. 経費の申請処理を人手を挟まずに回した
4. 顧客の依頼対応と給与計算も人手を挟まずに回す
5. 四半期ごとの更新は自動で入る形にした

経費管理と顧客対応と給与計算が自動で回るようになり、運用のコストも下がった。

従業員は2倍の件数の依頼を半分の時間で処理している。