AI活用事例ナビ

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。

公開直後に利用が一気に増え数万の顧客それぞれに分けた検索用の索引を1人で支えきれなくなった。

最初の作りでは規模に耐えられず顧客同士のデータが混ざる不安もあった。

1. 文書の取り込みと分割と埋め込みの生成を自前で行った
2. ベクトルとメタデータをWeaviate Cloudへ保存する
3. セマンティック検索とハイブリッド検索で関係部分を取り出した
4. 取り出した文脈をLLMへ渡して根拠のある回答を作る
5. 顧客ごとにテナントを分けてデータが混ざらないようにした

5万を超えるテナントまで広がり1年で610万件超の質問に答えられるようになった。

データベースの面倒をWeaviateに任せ創業者は製品づくりに時間を回せるようになった。

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。

会議のメモを人が読み直し報告を毎回ゼロから書いていた。

案件の情報があちこちに散らばり全体像をつかむだけで一日の多くが消えていた。

1. 範囲を絞った試験導入から始めた
2. ClickUpのAIに会議の内容を短くまとめさせる
3. 案件の資料から必要な情報を抜き出し報告の下書きを作らせる
4. 長い議論をやるべきことと共有用の更新に分ける
5. 担当者とアシスタントが中身を確かめてから関係者へ配る

話し合いから経営層向けの報告を出すまでの時間が大きく縮んだ。

案件の情報が1か所に集まり担当同士の引き継ぎもしやすくなった。

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。

創業者が一人で全案件の遅れを探して次の手を決めていた。

案件の状況が記憶やWhatsAppに散らばり問題に気づいてから動くまでの時間が伸びていた。

1. 営業から案件の進行まで1つのワークスペースへ集めた
2. 取引先と担当者と接触履歴をつなぎCRMとして動かす
3. Super Agentを4体作って役割を分けた
4. Ops AIが期限切れと担当のいない作業を毎日洗い出す
5. Sales Ninjaが返信の来た案件を次の段階へ進める

遅れている作業がまとまって出てくるので同じ場で担当を決めて直せるようになった。

広告の数値が膨らんで見えたときも原因の切り分けからその場の修正までつながり無駄な広告費を止められた。

Futurehomeはノルウェー以外へ販売を広げるため、アプリの文言やヘルプ記事まで9言語にそろえる必要があった。

早く出しながら技術的な内容の品質も落とせなかった。

1. Zendeskの新しいヘルプ記事をコネクタでLILTへ取り込む
2. LILTのAIが訳文の候補を出す
3. 担当の翻訳者が訳文を直して確認する
4. その直しを自社専用のLLMの学習に回す
5. アプリ内の文言はGitのコネクタでやり取りする

アプリ内の文言やヘルプ記事やブログなど50万語を超える内容を訳し、5つの海外市場の顧客に届けられるようになった。

以前はTrello・Google Keep・Airtable・散らばった文書の4つに情報が分かれていた。

金曜ごとに通知を追ってタスクを手で閉じるのに15〜20分、走り書きを箇条書きに直すのにさらに15分かかっていた。

1. 作業場所をClickUpの1つのワークスペースにまとめる
2. Super Agentを3つ用意する
3. Podcast Managerが毎週金曜に終わったタスクを閉じる
4. Content Reviewが下書きの抜けを指摘し直しを割り当てる
5. 走り書きのメモをClickUp Brainに貼り行動計画を受け取る

メモを書き直す作業は15分から30秒になった。

金曜のポッドキャスト準備は担当者が移動中でも進み、事務の手作業が無くなった。

世界規模で伸びる商いに見積から入金までの流れが追いつかなくなっていた。

手作業が多く営業の動きが止まりがちだった。

1. 見積と請求をRevenue Cloudの標準オブジェクトへ移す
2. Snowflakeの利用データをData 360で請求記録と結び付ける
3. Agentforceで見積を自動で作るエージェントを開発する
4. 担当者は話し言葉で頼み更新用の見積を受け取る
5. 価格や課金の決まりに合うかをエージェントが確かめる

見積の作成は1件あたり90秒短くなる見込みで、請求処理の80%が自動になった。

ERPへ請求記録を直接渡せるようになり、営業はSales Cloudで支払い状況を見られる。

四半期ごとのまとめ処理に頼っていたため報告が遅れ、顧客がすぐに判断できなかった。

自前で動かすKafkaの手入れにも人手を取られていた。

1. Kafkaの自前運用をやめてConfluentの基盤へ移した
2. 用意された接続部品でSQLやMongoDBのデータをつないだ
3. 流れてくるデータをAzure OpenAIのモデルへ渡した
4. チャットボットが資料の要約と供給網のリスクを返す

1つのクラスタだった処理は複数のクラスタへ広がり、データの欠落は起きなかった。

障害の予測は以前の2分前から30分前になり、前より1,400%早くなった。

特許検索の意味検索を、ベクトル検索向けに作られていないLucene系のAWSサービスで動かしていた。

データを全部メモリに載せてハードを多めに用意する必要があり費用がふくらんでいた。

1. 自前で動かすFaissやMilvus・Pineconeと比べた
2. マネージド型のWeaviate Cloudを選んだ
3. 接続をWeaviateのPythonクライアントへ差し替えた
4. ハードの面倒はWeaviate側に任せた
5. 開発の担当を製品の機能づくりへ戻した

運用コストが80%以上減った。

インフラに手を取られなくなり、RAG分野の新しい機能づくりへ人を回せるようになった。

世界中の利用者にそれぞれの言語で製品を届ける必要があった。

速さを落とさずブランドらしい言い回しを保てる翻訳の流れが無かった。

1. 社内の各システムとLILTをコネクタでつないだ
2. 新しい文章と更新した文章を自動でLILTへ送った
3. 翻訳メモリで作った専用モデルが訳文の候補を出す
4. 翻訳者が候補を直しその直しをモデルの学習へ返す
5. 仕上がった文章を自社のシステムへ戻して公開した

訳文の精度は調整していないLLMより17.5%高くなり、費用は20%以上抑えられた。

2022年6月からの積み上げで900万語を超える原文を7言語へ訳した。

世界中で日々増え続ける外国語の文書を、限られた人数の翻訳者では訳しきれなかった。

処理が追いつかないと判断が遅れる。

1. 外国語の文書を機械翻訳でざっと訳す
2. 翻訳者以外の担当者が重要な文書を選ぶ
3. 選ばれた文書だけを翻訳者へ回す
4. 先回りで出た訳文を翻訳者が確かめて直す
5. 手順を2段階に絞り手引きと研修をやめた

翻訳者の生産性は3〜4倍、処理の速さは10倍になった。

慣れるまでの時間は50%以上短くなり、4か月でそれまでの2年分を超える量を訳し終えた。

製品画面は46言語に対応していたのに、見込み客が読むWebサイトや資料は英語だけだった。

海外を広げるうえで体験がちぐはぐになっていた。

1. Webサイトとネット広告を訳す対象に選ぶ
2. 重点の5言語へ訳す範囲を決める
3. エンジンが下訳を作り翻訳者が仕上げる
4. 社内のネイティブ担当者が訳文を直す
5. 直した内容を翻訳メモリへためていく

訳したページから新規の閲覧が大きく増え、LinkedInとGoogleの翻訳広告は3万回を超えるクリックを集めた。

日本語のキーワードは英語版より最大38%高いクリック率になった。

NAMIのサイトを多言語にするため表計算ソフトへ書き出し訳文を手でシステムへ戻していた。

工程が分かれていて時間がかかっていた。

1. 翻訳の速さと費用を基準にLILTを選ぶ
2. LILTをWordPressとつなぐ
3. コンテンツ集から数千件をまとめて取り込む
4. 訳した内容を開発で使える形式で書き出す
5. 表計算への書き出しと貼り戻しを無くす

訳したページを以前より早く公開できるようになった。

資料ページで扱う言語の数も増やしている。

開発ツールにAIを組み込みたかったが、どのモデルがコードの作業に向くか分からなかった。

1. 複数のモデルを比べAmazon Bedrock経由のClaudeを選んだ
2. エディタ内のコード生成と文書生成に組み込んだ
3. 社内の基準で品質を測った
4. コーディングエージェントのJunieで難しい作業をClaudeに任せた
5. 計画を開発者が承認したあとコードを書きテストまで走らせた

社内のベンチマークでドキュメント生成が19%良くなり、利用者が指示するリファクタリングの成功率は59%上がった。

タスクの完了成功率は53%以上になった。

案件の情報が大量の表計算ファイルに散らばり、全体の状況がつかめなかった。

経営の確認会議のたびに資料づくりへ長い時間を取られていた。

1. ClickUpを1つの作業場にして進み具合を集めた
2. ClickUp Brainを全社で入れ依頼の受付とタスク確認に使った
3. 営業は見込み客の調査と提案資料づくりに使った
4. ChatGPTとGeminiとClaudeを中から切り替えて呼び出した
5. Salesforceとつなぎ顧客の声を案件の流れへ渡した

スライド資料を作る運用をやめ、経営陣はその場の数字が出るダッシュボードで状況を見るようになった。

会議前の準備にかかっていた長い時間も無くなった。

急な成長で仕事がメールやJira・Teams・Outlookに散らばっていた。

案件の進み具合を知るには忙しい同僚に聞いて返事を待つしかなかった。

1. 全チームと案件と期限を1つのClickUpへ移した
2. 19のスペースに分け進捗の質問はClickUp Brainに答えさせた
3. 経営陣は動いているダッシュボードを見る形にした
4. SentryをClickUpにつなぎエラーで自動でタスクが立つようにした
5. 最初の仕様書はLLMが下書きし人が中身を見て手を入れた

12か月未満で6,000件を超えるタスクが1か所に集まり、Jira・Teams・Outlookは使わなくなった。

300人を超える会社が同じ情報を見て動くようになった。

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。

チームも道具もばらばらで誰が何をいつまでにやるのかが分かりにくくなっていた。

生成AIで仕事の進め方を変えたかったが倫理や透明性の考え方が合う提供元を選ぶ必要があった。

1. 自社のWork GraphにClaudeをつないだ
2. 提供元の先行利用枠で一緒に検証しながら組み込んだ
3. 自動処理と4つのSmart機能を画面の中に置いた
4. 進捗報告の下書きや要約を出し最後は人が直す形にした
5. ベータ版の枠で独自の流れや先回りの通知も試している

数年かかると見ていた機能を少人数のチームが数週間で出せるようになった。

15万社を超える利用者側でも目標がはっきりし経営層の判断にかかる時間が減った。

AIモデルの評価に使う文章を本物の人が書いたような質のまま大量に集める必要があった。

15言語とアラビア語の複数の方言に対応しつつ個人情報の混入を絶対に避ける条件もあり量と質の両立ができずにいた。

1. AIの下書きを人が直す流れと人だけの流れを用意した
2. 品質が届かないときは人だけの流れへ切り替えた
3. 話題や人物像や口調を回ごとに機械的に振り分けた
4. 複数の段階の検品を通し確認の記録を1件ずつ残した
5. 書き手ごとに廃棄率や質のぶれを数字で追った

15言語で週2万件のデータを届けられるようになり2週間の立ち上げのあと制作の周期が30%短くなった。

個人情報の流出は1件も起きなかった。

顧客ごとにデータを別のクラウド環境で持つ決まりにしていた。

取り込みのたびにエンジニアが専用のスクリプトを書く必要があり手間が大きかった。

1. 顧客ごとにDatabricksのワークスペースを用意する
2. Fivetranの接続とdbtのプロジェクトも顧客ごとに作る
3. 決められた担当者だけが触れるようにする
4. クリックや閲覧のデータを取り込みdbtのSQLで変換を定義する
5. 整えたデータを機械学習へ流し広告費の配分を予測する

1件のデータ連携は100〜150時間から10時間になり、夜通しで最大20時間かかっていた処理も4〜5時間で終わるようになった。

切り分けにかかる時間は全体の50%から20%未満へ下がり、受けられる顧客は30%増えた。

手を動かす作業が多く時間が足りなかった。

数千のサービスが絡むコードの把握に時間がかかり、顧客担当は個別の案内を主要な顧客にしか作れなかった。

1. Claude CodeをMCPで社内のサービスや仕組みにつなぐ
2. 移行や修正の作業をClaude Codeに任せる
3. 実際の業務の課題で比較テストし手直しが少ないものを選ぶ
4. プロジェクト機能に前提の情報と指示をためて記事や案内を作らせる
5. 出てきたものは担当者が確かめて直す

マーケティングはWeb制作とコンテンツ作りで最大40%の生産性向上になった。

複雑な技術の切り分けは3〜5日から1時間未満に縮み、新しく入った人も早く本番へコードを出せるようになった。

ブログ担当向けに手順書やプロンプトの型をまとめた社内の案内サイトを作りたかった。

社内の文書があちこちに散らばっていて、普通に進めると数週間かかる仕事だった。

1. Loomで操作の様子を録画する
2. その書き起こしをClaudeに渡す
3. スキルが書き起こしを手順書に整え動画のリンクもつなぐ
4. 参照する資料はパソコンのフォルダに置き直接読ませる
5. 作ったサイトを社内限定の公開にする

最初の版は約3時間で仕上がった。

その後の更新はLoomを録る時間だけで済むようになった。

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。

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。

似たようなデータモデルが別々に作られ、どれを信じていいか分からない状態だった。

品質の問題の対応にシニアディレクターが毎週最大1日を取られていた。

1. dbt Cloud上でプロジェクトを新しく作り直した
2. 追いかける指標を先に決めテーブルとDAGを組んだ
3. モデルの説明文はdbt Copilotに下書きさせた
4. 人が中身を確かめて整えた
5. 本番リリースを毎週金曜に固定しレビューとテストを通した

プルリクエストのレビューが30分から5分になり、ドキュメントの網羅率99%を保てるようになった。

以前は週に1件以上あったデータの問題も起きなくなり、チームはパイプラインの守りでなく分析そのものに時間を使えている。

朝いちばんの時間はSlackやタスク一覧をたどって夜のうちに何が終わったかを組み直す作業に消えていた。

問い合わせの振り分けだけで午前が埋まり段取りの仕事が週のかなりの部分を占めていた。

1. エージェントTriage Ninjaが夜間に問い合わせを分類する
2. 優先度を付けて担当へ回す
3. Standup Syncがタスクの動きとコメントから朝のまとめを書く
4. ClickUp Docs上で本物の数字を見ながら企画書を作る
5. AI Notetakerが打ち合わせをその場でタスクに変える

1人あたりの段取りの時間がまとまって手元に戻り朝の問い合わせ待ちの列も出社前に整った状態になった。

基盤の移し替えのときはStandup Syncが埋もれていたSEOの問題を朝会の前に表へ出し公開の遅れを防いだ。

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。

契約する学区ごとに学校の年間予定が違い、担当者が各学区のサイトやPDFを探して日付を手で打ち込んでいた。

1学区に15〜20分かかるうえ、休みの日を見落とすと学校が休みの日に授業が組まれてしまう。

1. 取引に結び付いたドメインから学区のカレンダーを探させる
2. 初日と最終日と休みの期間を読み取らせる
3. 予定管理のツールが求める形に整えて出す
4. 取引の学年度を直接読めるベータ機能を使う
5. 出力をそのまま取り込めるCSVにする拡張を自作した

1学区あたり15〜20分かかっていた調べ物が数秒で終わるようになった。

年に約350時間の削減になり、営業担当はウェブでの調べ物をしなくなった。

以前はMonday.comを使っていたが、3つの開発チームとデザインや商談の動きを同じ画面で見きれなかった。

進み具合は人が聞いて回り、SOWや変更依頼はそれぞれ別の場所にたまっていた。

1. 仕事の役割ごとにClickUpのスペースを分けた
2. 案件の中身を全部ClickUpへ集めた
3. ダッシュボードで手の空きと詰まりを見えるようにした
4. ClaudeをMCPでClickUpにつなぎ状態を読み取らせた
5. SOWと顧客への報告と見積もりを作らせ担当者が確認する

30件以上の案件を1つのワークスペースで回せるようになった。

Slackで状況を聞いて回る手間がなくなり、文書づくりの部分はClaudeが毎日の支えになっている。

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。

保険の請求処理は表計算ソフトや古いシステムを使った手作業が多く、件数が増えるほど滞りと人のミスが出ていた。

速さと正確さのどちらも落とせない業務だった。

1. Weaviateをベクトルデータベースに据えた
2. 保険証券や請求書や添付を1か所に保存した
3. エージェントが受付から判定まで通しで担当する
4. 顧客ごとにテナントを分けてクラウドへ置く
5. 珍しい案件は専門家が直し反応を戻して精度を上げる

手作業だと数日から数週間かかっていた請求処理が数秒で終わるようになった。

人の担当者は入力から全体の管理と品質チェックに移り、同じ人数で扱える件数が増えた。

音声モデル用のデータを5言語ぶん一気に増やしたかったが、一般のクラウドソーシングでは話者の質や方言がぶれた。

合成音声が学習データに紛れ込む心配もあった。

1. 5言語それぞれでバイリンガルの話者を選んだ
2. 声の質と演じ分けを確かめて話者を決める
3. 言語ごとに使う方言を1つに固定した
4. 自社の音声チェックツールでAIの声や複製された声を外す
5. 人による確認を20%に抑え残りはツールの判定に任せた

5言語で1,000時間を超える音声データがそろい99%が採用された。

合成音声は学習データに入る前に取り除かれ、EC企業はLILTの声のうち6つを製品向けに契約した。

新しい担当区域を引き継いだ営業が取引先の過去のやり取りを調べるのに時間を取られていた。

社内会議を何度も設定したりバラバラのCRM記録を探し回ったりしていた。

1. Sales CloudとData 360で社内のデータを1つにまとめた
2. 使い込む少人数で試してから営業全体に広げる
3. 取引先の要約を頼むと履歴や強みと狙える部分を返す
4. 商談管理をまとめた30ページの手順書を読み込ませた
5. 案件の動きを24時間見張り次にやることをCRMに出す

大口の新規口座を引き継いだ営業が数時間かけていた下調べをしなくてよくなった。

同僚が過去に話した内容もエージェントが拾って、次の商談で何を伝えるか助言するようになった。

有名人など顧客になりすました画像や動画をネット全体から探すため、膨大なデータを扱う必要があった。

最初に使っていたベクトルデータベースは維持の手間が多く、データサイエンス部門の責任者が本業に時間を回せなくなっていた。

1. 顔認識で作った特徴量をWeaviateにためた
2. 公開されているネット上の画像や動画と照合する
3. ベクトルDBをWeaviateへ移し90億件を扱えるようにした
4. 保存先はAWS S3の3.5ペタバイトでGPU環境とつなぐ
5. 見つかったなりすましに自動で削除を求めた

90億件の顔ベクトルを抱えたままでも動きが安定し、毎日ぼう大な量の画像と動画を調べられるようになった。

データベースの保守に取られていた時間が空き、データサイエンスの責任者は本来の仕事に戻れた。

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。

顧客対応を代わりにこなすデジタル社員は、1件の問い合わせで何度も社内の情報を検索する。

Postgresで組んだ当初の仕組みでは返答まで数分かかり、人が自分で調べたほうが早い状態だった。

1. データベースをPostgresからWeaviateへ入れ替えた
2. DockerとAWSのテンプレートで自社テナント内に置いた
3. 商品情報やFAQに会話と注文の状況も加えて検索できるようにした
4. 自作の並べ替えの仕組みを標準モジュールへ差し替えた
5. 回答はSlackやTeamsやZendeskから返した

検索の結果が返るまでの時間が平均10秒から1秒未満になった。

ためられるデータの件数は前のデータベースの1000倍になり、手入れが要る自作部品も減った。

Spotifyは数千のリポジトリを抱え言語やフレームワークの更新が絶えず発生していた。

従来の自動化はASTや正規表現でスクリプトを書く必要があり意味を読み取る複雑な移行は手作業のまま残っていた。

1. 社内のFleet ManagementにClaude Agent SDKを組み込んだ
2. 大きな移行では指示文をGitで管理した
3. 複数のリポジトリへ一斉に実行させた
4. 個別の作業は社内のSlackボットから呼び出した
5. PR前に整形とlintとビルドとテストを自分で回させた

数百人の技術者が使い月650件を超えるプルリクエストが本番にマージされている。

手作業で移行を書いていたときと比べ最大90%の時間が浮いた。

担当する顧客もチャネルも増え部署ごとに情報が散らばっていた。

承認のやりとりだけが流れから外れてメールへ移り修正や版の違いが返信の中に埋もれていた。

1. 顧客の案件を1つのタスクとして起票する
2. 制作や配信の担当が同じタスクに作業を重ねる
3. レビューの段階でneeds client approvalへ動かす
4. ClickBotが顧客のメールへ直接送る
5. 約10〜15体のSuper Agentが毎月の定型タスクを作り直す

承認がタスクの中で完結しメールに散らばらなくなった。

毎月手で作り直していた定型タスクも気づかないうちに揃うようになった。

Shopifyで売上データを深く見るにはShopifyQLを覚える必要があった。

店を始めたばかりの人ほどそこで止まり数字をもとにした判断へ進めなかった。

1. 商売の相談役になるSidekickをClaudeで組み立てる
2. 管理画面から話しかけられるようにする
3. 話し言葉の質問をShopifyQLのクエリへ置き換える
4. 1回のやりとりで複数のツールを順番にも並列にも呼び出す
5. Claude Sonnet 4.5をGoogle Cloud上で動かす

以前は技術の知識が要った分析が会話だけでできるようになった。

新しく始めた事業者が最初の売上に届くまでが数週間から数日へ縮まった。

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。

金融機関の担当者は決算の分析のために何本もの資料を手で読み込んでおり何時間もかかっていた。

持ち株の複数社が同じ日に決算を出すと見落としも起きやすかった。

1. FactSetとMorningstarのデータとSEC書類を集めた
2. 自社の取り込み処理で数千社分をWeaviateへ入れた
3. 意味で探す検索とキーワード検索を組み合わせた
4. 答えに文とセル単位の出どころを付けた
5. 顧客ごとに専用環境と共用環境を使い分けた

本番で4,200万ベクトルを動かしている。

大手投資銀行向けの専用環境の検証は1日で始められた。

対応する企業を増やすためベクトル数は今後5倍以上になる見込み。

22言語にわたる高度な推論やマルチモーダル理解の評価が必要だった。

不特定多数に振り分ける従来のやり方では深さと安定性が足りなかった。

1. 評価を割り振りでなく設計の仕事として組み立てた
2. 各言語のテストを2,000超のモジュールで用意した
3. 90%を超えた人だけ本番の作業に入れるようにした
4. 基準合わせの会を続けて判断のズレを詰めた
5. 全作業の20〜25%を抜き取って人が確認した

基準合わせ後の一致率は95%になり除外率は3%未満に収まった。

最も難しいマルチモーダル理解の課題では参加した業者の中で1位になった。

前の翻訳会社のやり方ではファイルの上げ下ろしに時間がかかっていた。

戻ってきた訳文が自社で決めた言い回しと合わないこともあった。

1. 使い慣れたCMSから数クリックで原稿を送った
2. 専用のContextual AIエンジンが訳文の案を作る
3. LILTの翻訳者が訳文の案を直す
4. 直した内容をその場でエンジンの学習に回す
5. 訳文をConnector経由でCraft CMSへ戻した

米英語・英英語・ドイツ語の3つの市場向けにサイトとブログを出せるようになった。

担当者は前の会社の訳と比べて自分たちの声のまま読めると話している。

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。

たまったデータから答えを出すにはSQLの知識と手間が要った。

依頼がデータ部門に積み上がり現場は分析結果を何日も待たされていた。

1. 複数のモデルを比べてClaudeを選ぶ
2. ClaudeをCortex Analystに組み込んだ
3. 普通の言葉の質問をClaudeがSQLに書き換える
4. Claudeをセキュリティ境界の中で動かした
5. SQLやPythonやREST APIから呼び出す

社内の基準で測ると複雑なtext-to-SQLで90%を超える精度が出た。

10,000社を超える企業が自然言語でデータを引けるようになった。

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。

手順書を白紙から1項目ずつ書き起こし、人づてに直しを回していた。

会議で決めたことはメールや記憶に残るだけで採用と資格確認と運用の受け渡しのたびに抜けが出ていた。

1. 採用から資格確認までの流れを1つのワークスペースに集めた
2. 手順書の最初の下書きをAIに作らせた
3. 担当者は言い回しと手順の正しさだけを見る
4. エージェントが当日の応募者を項目付きのタスクへ並べ替える
5. もう1つが資格確認の書類を見て足りない書面を知らせる

手順書づくりは数時間かかっていたが最初の下書きが数分で出るようになった。

書類仕事に取られていた時間が減り応募者が抜け漏れなく選考を進むようになった。

専門のローカライズ担当がおらず各チームが思い思いに翻訳していて品質が保てなかった。

海外の顧客が読める記事が足りず問い合わせが積み上がっていた。

1. 記事を置くWordPressとLILTをコネクタでつないだ
2. 記事はボタン1つで送り担当を割り当てる
3. 訳文は大規模言語モデルが作り翻訳者が直す
4. 直した内容を取り込んで次の訳に反映する
5. 新機能のリリースノートを先回りして訳す

翻訳の回転が速くなり、専任チームを置かずにローカライズを続けられるようになった。

複数の業者に分かれていた工程が1つにまとまり手違いの起きる場面が減った。

英語以外を話す住民へ危険な気象の情報を届けるには、高い正確さと素早い多言語化の両方が要る。

これまで扱えていない言語もあり担当者の負担が重かった。

1. 気象の文書をLILTの翻訳画面へ通す
2. 機械が出した訳の候補を職員が見る
3. 候補をそのまま通すか手で直す
4. 直した内容はその場で学習され次の候補に反映される
5. 専門の用語がたまるほど自動の訳も精度が上がる

これまで数時間かかっていた警報の翻訳が数分で出せるようになった。

訳し間違いの危険が下がり、対応できる言語も増えた。

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。

汎用の機械翻訳では同じ種類の誤りを毎回直す手間がかかっていた。

6万語に及ぶ調査レポートもあり、人の手による見落としも起きていた。

1. 社内の20人の翻訳者が画面で直接作業する
2. AIが過去の翻訳データを読み訳の候補を先に出す
3. 翻訳者は候補を受け入れるか言い回しを直して確定する
4. 直した内容はその場でエンジンに反映される
5. 60種類以上のコネクタとAPIで既存の仕組みにつないだ

翻訳者の作業効率が20%上がった。

人件費と案件の費用が下がり、5言語のレポートを35か国の顧客へより早く届けられるようになった。

ドキュメント作成やテスト、レビューといった繰り返しの作業に開発者の時間が取られていた。

慣れない部分のコードに触れるまで数週間かかり、レビュー待ちの滞りも起きていた。

1. まず30人のエンジニアで試し開発チーム全体に広げた
2. 共通のプロンプトやコマンドを社内リポジトリに置いた
3. 各自が初期設定で取り込み文書作成やテストに使う
4. CIではヘッドレスで動かしPRを自動で作らせる
5. 出てきた変更はエンジニアが確認して直す

慣れない領域でも数週間でなく数日で手を動かせるようになった。

見た目の回帰テストの基盤は数時間で移行を終え、プルリクエストのレビューも待ち時間なく返ってくるようになった。

会計と経営教育を手がける少人数の会社で打ち合わせの記録を手で打ち直し問い合わせも人が仕分けしていた。

着手までに週10〜15時間が消えていた。

1. 社内の仕事をClickUpのワークスペース1つにまとめた
2. AI Notetakerが打ち合わせの音声から要点を書き起こす
3. ClickUp Brainがやり取りの流れを短くまとめる
4. 3体のSuper Agentが問い合わせを担当ごとに振り分けた
5. 人がタスクの中身と担当を確かめて動き出す

下ごしらえの手作業が減り週10時間分を別の仕事に回せるようになった。

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。

ほぼ1日おきに新機能を出す開発の速さが持ち味だが コードとテストの往復や障害時の情報集めに手間がかかっていた。

1. Claude Codeをターミナルから呼び出しテストとつないだ
2. コード作成とテスト修正の繰り返しを自動で回す
3. コードベース全体の説明書きも自動で作らせた
4. 1つのコードベースで複数セッションを同時に走らせる
5. DatadogやSentryとつなぎ障害の情報を集めた

30日で100万行を超えるAI提案のコードを取り込み 開発者のおよそ50%が毎週使うようになった。

障害の初動調査にかかる時間は最大80%減ると見込まれている。

営業担当が書類をそろえてメールで送る作業に時間を取られ、顧客と向き合う時間が減っていた。

新規の顧客も同じ内容を複数の書類へ何度も書き込む必要があった。

1. SalesforceにDocusign IAMをつなぐ
2. 営業がボタン1つでオンボーディングを始める
3. 顧客データをWeb Formsへあらかじめ入れる
4. 契約の種類ごとに送り先や言語を振り分ける
5. 完了した書類をSalesforceへ書き戻す

成約までにかかる時間が41%減り、署名までの平均時間も25%短くなった。

24時間以内に完了する契約の割合は55%から87%に上がった。

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。

シャドーイング添削サービスで、アプリの利用者とLINEの友だちをスプレッドシート上で手作業で照合しタグを付けていた。

会員が増えるにつれてこの照合だけで月に約120時間かかっていた。

1. 会員情報とLINE IDをAPI連携で自動でひも付けた
2. LINE登録を条件にしたキャンペーンで連携を促した
3. アプリの行動データをLINE側へ取り込んだ
4. 提出が0回の人だけに応援メッセージを送る
5. 1to1チャットで顧客情報を見ながら答える

月120時間かかっていたタグ付けと顧客管理の工数がほぼゼロになり、LINE登録者の約9割がID連携済みになった。

空いた時間を配信の見直しに回した結果、有料転換率が上がり解約率も下がった。