AI活用事例ナビ

出荷の手続きがメールや表計算や船会社のポータルに分かれていて同じ内容を人が何度も書き写していた。

運賃の市況が落ち込んで人員を75%減らしたため元のやり方では回らなくなった。

1. 出荷の定型作業を78のAIエージェントに振り分けた
2. エージェントが状況を読み取り手配や連絡まで進める
3. 人は12人を残し例外の対応と最終責任を持つ
4. メールや表計算やERPの書き写しもエージェントへ寄せた

12人の体制のまま出荷の実行が回るようになった。

人を増やさずに扱える仕事の量を伸ばせるようになった。

案件の管理を表計算やメールやTeamsのやり取りと担当者の記憶に頼っていた。

ガントチャートを作るにはセルを何時間もドラッグし直す必要があり進捗も一人ずつ聞いて回っていた。

1. 新しい案件の受け付けをClickUpの中に一本化した
2. 自社の工程をおぼえさせたSuper Agentが初期構成を作る
3. Brain²に雑なデータを渡し並べ替えや一覧を作り直させた
4. 進捗の連絡文の下書きもAIに任せた
5. 担当者はリスクや依存関係の調整に時間を使う

手作業のやり直しに消えていた午後まるごとの時間が戻った。

新しい案件はどれも同じ標準から始まり、経営や顧客も今の状況をダッシュボードで自分で見られるようになった。

翻訳が人手中心で時間がかかり製品の公開や更新が遅れかねない状態だった。

訳の揺れが海外でのブランドの印象を損なう心配もあった。

1. LILTのAI翻訳基盤を機内向け翻訳の土台にした
2. 既存のシステムとつなぐ中央のハブを作り案件を回す
3. 字幕を含む多言語のデータをまとめて流し込む
4. 過去の訳をためる翻訳メモリで同じ表現は作り直さない

翻訳にかかる時間が短くなり正確さと表記の揃いは保たれた。

人手が空いた分を新しい企画づくりに回せるようになった。

2024年半ばに社内のAI環境を整えるとき、ひとつのベンダーに絞るとツールの進歩に追いつけない心配があった。

試作を作るには専門のツールが要り、デザイン出身でない社員は考えを形にしにくかった。

1. Claude for Workを社内に並べたAIツールの一つとして配る
2. 社員が試して覚える時間を会社として確保した
3. デザイナーは画面写真を渡しテンプレートの中身を埋めさせる
4. PMはProjects機能にデザインの方針をためて出力を揃える
5. Slackに成功例を出し合う場を作り学習用の教材も用意した

Claudeのアカウントを求める声が用意できる数を上回るほど広がった。

社員の65%がAIを毎日またはよく使って生産性を上げていると答えた。

英国から米国へ広げたあと欧州へ出るにあたり、複数の言語に対応する必要が出た。

地域ごとの用語が揃わず自社らしい言い回しが訳で消える心配もあった。

1. コネクタを2つつなぎ作業の流れの中から翻訳を出す
2. 主要な3言語を自社向けに調整したAIモデルで訳す
3. 出てきた訳は専門の翻訳者が確認して直した
4. その直しを次の訳に反映させる
5. 用語や言い回しの決まりはモデル側に持たせる

新しい製品を出すときの翻訳が速くなり品質も保てるようになった。

金融の規制に合う安全面の審査も通り、欧州へ広げ続けられる形になった。

話者の少ない言語で書かれた証拠が大量に集まっていた。

捜査と証拠の扱いに期限があるのに訳せる人が足りず立件が危うくなっていた。

1. 専門ではない職員が機械翻訳で大量の文書をざっと訳す
2. APIでまとめて翻訳に回し重要そうな内容を選り分ける
3. 翻訳者が予測型のCATツールで証拠用の文書を仕上げる
4. 翻訳者が直した内容をモデルの学習に戻した
5. 変わり続ける言い回しにも訳を追いつかせる

大きな捜査でこの流れが使われ数百件の逮捕と違法な薬物や銃器の押収につながった。

期限内に大量の証拠を訳して確認できるようになった。

計画と報告と連絡が十数個のツールに散らばっていた。

担当者が手で情報を回すうちに版が食い違い古い内容が客先へ届くこともあった。

1. 計画と報告と会話をClickUpの1つの作業場へまとめた。
2. 同じ場所でClickUp Brainと2体のSuper Agentを動かす。
3. 1体に複数の案件から役員向け報告書の下書きを作らせる。
4. もう1体は社内資料をもとに入札の手順の質問へ答える。
5. 担当の割り振りや承認やCRMの追いかけを自動化に任せる。

役員向けの報告書は数分で下書きが出て入札の質問には数秒で答えが返るようになった。

資料を探し回る手間が減り答えのばらつきも減った。

客が増えるにつれ書類を扱う手作業が積み上がっていた。

問い合わせの量も増え文書の仕分けや翻訳や下書きに時間を取られて対応が詰まっていた。

1. AWS Bedrock経由でClaudeを社内15以上のアプリへ組み込んだ。
2. 客向けの案内役が5言語で24時間いつでも答える。
3. 毎日数千件の会話を要約して傾向をまとめる。
4. チャージバックでは資料を訳し判断の案まで出す。
5. 紙の申立書を種類ごとに分けて担当チームへ回す。

対象にした業務で最大70%が自動で回るようになり手作業は最大50%減った。

新しい仕組みは着想から最初の評価まで1〜2週間で立ち上がる。

臨床研究や診療で使う評価ツールを国ごとの言語へ訳す必要があった。

手作業が中心の翻訳は費用が高く納期も長いため市場へ出すのが遅れていた。

1. 翻訳を任せられる相手を探し直しLILTへ切り替えた。
2. 設問の意味や意図がずれないように訳す。
3. AIを使う仕組みで速さと費用を抑えつつ品質を保つ。
4. 同じ技術を社内の別の取り組みにも回した。

翻訳にかかる費用は最大10倍下がった。

数か月単位だった納品が数週間で戻るようになった。

各チームが思い思いにベクトルデータベースを入れ始め、1か月で4〜5種類が社内に並んだ。

支える仕組みが膨らむ前に1つに決める必要があった。

1. リードのエンジニアが各チームに必要な条件を聞き取った
2. 毎秒のクエリ数や導入の速さや高可用性で候補を比べた
3. AWS EKS上に検査済みの雛形でWeaviateを載せた
4. ハイブリッド検索や再ランクを自作せずアプリ作りに集中した
5. 社員は社内チャットにファイルを上げて中身を質問する

1年かからずにAIを使った商品を世に出せた。

コードが書けない社員でも、自分のファイルを上げて質問できるようになった。

海外への販売を広げる中で、Shopifyの店舗を複数の言語で出す流れが整っていなかった。

商品やレビューの入れ替えが多く、従来の手作業の翻訳では更新に追いつかなかった。

1. Shopifyの管理画面からLILTのコネクタを開いた
2. テーマや商品やメニューなど訳す範囲を選んで送る
3. 品質を重く見る文章はVerified Translationに回した
4. 翻訳者の直しが自社専用エンジンにその場で反映される
5. 急ぎの分はInstant Translationで訳しSlackに通知が届く

約1年使い続け、ドイツ語のShopify店舗とレビューやプロモーションを手戻りの少ない流れで訳せるようになった。

多言語の商品パッケージも短い納期で仕上がり、各国の店頭に商品を並べられるようになった。

バグ票のやり取りが長く状況をつかむだけで20分以上かかっていた。

QAと開発が同じスレッドを別々に読み直すため手間が二重になっていた。

1. QAがバグのタスクを開いてClickUp Brainに要約させる
2. 検証済みの内容と残りと本当の原因を数秒で受け取る
3. その要約をもとに人が返信してチケットを次へ進める
4. バグ要約と状況把握と振り分けの3つのエージェントを組んだ
5. 設定は初日に済み調整の前から使える要約が出た

スレッド全体を読む20分以上の作業が数秒の要約に置き換わった。

ログが散らばって更新が食い違う難しいバグでも要点を外さなくなった。

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。

会議のたびに議事録係を決めて書き起こして配る必要があった。

営業はリスト作りとデータ集めに時間を取られ週次報告の抜けは代表が手で確かめていた。

1. 社内の仕事を1つのClickUpのワークスペースに集めた
2. 組織図に合わせて5体のSuper Agentを作った
3. 点数化と競合追跡と商談前の準備を各エージェントに割り振った
4. Brainのスキルが週次更新の抜けを担当者へ催促する
5. 月曜の会議をBrainの要約で非同期に変えた

社員1人あたり1日およそ2.5時間・全体で月およそ2,400時間が空いた。

毎日の利用率は37%から94%へ上がり商談の受注率も8%上がった。

営業がいくつものタブと調査ツールを行き来して見込み客を探していた。

最初の接触までが遅れ関係づくりや商談に回す時間が削られていた。

1. Sales Cloudの中でProspecting Agentを動かした
2. 見込み客の調査と絞り込みをエージェントに任せた
3. 条件に合う相手を24時間探しメール送付の流れへ入れる
4. なぜその相手を選んだかの短い説明も付けた
5. 営業が判断の妥当さを確かめ狙いどころを直す

架電数が3倍になりメールの返信率は2倍になった。

北米のパイプラインの60%をエージェント経由が占めるようになった。

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。

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。

実質2人で会社を回しており電話を受けた担当者が面談リンクや顧客の区分をそのつど代表とCMOへ確認していた。

規制の関係で外部のAIを顧客データにつなげられなかった。

1. 社内審査を通ったHubSpotの中だけでAIを動かす
2. Agent Builderで商談を見るエージェントを作る
3. 5つ6つの項目をまとめて見て判断させる
4. 止まっている商談を拾い次にやることを出す
5. 自社の決まりと顧客の分類を覚えさせた

エージェントはこれまでに36回動き商談の追いかけと次の段階への進行に使われている。

問い合わせを受けた担当者が代表やCMOへ確認を回すことはほぼなくなった。

5つの部署の手順書や案件が散らばっており進み具合を人が一つずつ読んで確かめていた。

書いていない人を追いかける手間もかかっていた。

1. 会社全体の手順書と案件をClickUpのワークスペースに集約した。
2. ClickUp Brainが前日から動いた内容をまとめて出す。
3. Task/Project Agentが5部署を見て手当てが要るものを拾い出す。
4. 仕入れの打ち合わせの粗いメモを下書きの形に整えてから人が直す。

進み具合の確認が人の仕事ではなくなった。

朝に開いた時点で必要な情報がそろっている状態になり文章を一から書き起こす手間も減った。

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。

テストの担当者が長い要件定義や機能仕様、あちこちに散ったコメントを毎回1行ずつ読んでいた。

テストを始める前の下調べだけで週に3〜4時間が消えていた。

1. 品質チェックの作業をClickUpへ寄せ仕様書とタスクを同じ場所に置く。
2. 自分たちで組んだSuper Agentに仕様書を指し示して渡す。
3. ClickUp Brainがテストの筋書きと確認手順を組み立てて返す。
4. 出てきた結果を見て担当者が足りない観点を補った。

仕様書からテストケース一式を作る時間が1分未満になり、週3〜4時間かけていた下準備が消えた。

ログイン機能の改修では期限切れトークンや転送先の抜けといった条件を機械側が指摘し、本番に出る前に見つけられた。

食事・運動・睡眠・活動量のデータが別々の仕組みに散らばっていた。

利用者はフィルターや一覧画面から自分で探すしかなく、トレーナーも手作業の分析に時間を取られていた。

1. 整理した健康データをベクトルデータベースへ入れる
2. 意味の近さでデータを探せる状態にする
3. 利用者が普通の言葉で聞いた内容をQuery Agentが受け取る
4. 必要なデータを選んで取り出し読みやすい返事にまとめる
5. 決めた基準を超えたときに助言が自動で出るようにした

利用者は従来の画面よりも会話で3倍多くやり取りするようになった。

トレーナーの分析時間は60%減り、指導そのものに時間を回せるようになった。

APIを作った後のテストや文書や仕様の更新がばらばらの手作業で残り、変更のたびに中身がずれていた。

自社の調べでは開発者の69%がAPI関連の作業に週10時間を超えて使っていた。

1. 開発とコーディングの課題で複数のモデルを比べた
2. Agent Modeの既定にClaude Opus 4.6を選ぶ
3. Amazon Bedrock経由で数時間でつないだ
4. コレクションやテストやGit履歴を読ませる
5. エンドポイント指定でテスト作成と仕様更新まで任せる

自社の見積もりでは開発者1人あたり年間で最大1,150時間を削れる。

10人のチームなら年間で100万ドル近い費用の削減にあたる。

世界中に利用者が増え、画面の文言から広告まで多言語で出す量がふくらんでいた。

少ない担当者のまま翻訳の速さと言い回しの統一を保つのが難しかった。

1. 翻訳管理の画面で新しい文章にLILTを割り当てる
2. 渡った文章を分野に合う翻訳者に振る
3. 翻訳者が専用モデルの訳案を直し意見を返す
4. 返した内容をその場でモデルの学習に回す
5. 仕上がった訳文を戻し社内が確認して公開する

提携から3か月で、学習前のモデルと比べて機械翻訳の単語予測の精度が14%上がった。

最初の数か月でアプリと広告の文章を36言語に35万語超訳した。

ソマリ語のように話す人の少ない言語ではGoogle翻訳の精度が足りず、人の翻訳者に直してもらう場面が続いていた。

訳した文を学校のCMSへ戻せないため同じ直しを何度も繰り返していた。

1. 学校のサイトと家庭向け文書をLILTに渡して訳す。
2. 機械の訳をそのまま出さず人の翻訳者が手を入れる。
3. 以前のCMSとGoogle翻訳のつなぎ込みをやめた。
4. 翻訳の流れをLILTに一本化する。
5. 担当者が技術の設定を気にせず進められるようにした。

前より多くの文書を訳せるようになった。

家庭へ必要な情報を以前より速く高い品質で届けられるようになった。

技術者ごとに好みの開発環境が違うため6種類のコーディング支援を用意したが、社外のパッケージを各自で入れる形は供給網を狙った攻撃の危険があり配布に踏み切れなかった。

1. Anthropicと組み署名済みの法人向けバイナリを作る。
2. 2〜3か月かけて検証と手直しを重ねた。
3. 全員のノートPCと開発機にあらかじめ入れておく。
4. ルールとトークンと認証まで設定済みにした。
5. AIを社内を知らない優秀な新人として扱うよう伝える。

あるチームが10,000行のScalaコードを4日でJavaへ書き換えた。

手作業なら10人週かかると見ていた仕事で、新しいJDKへ移れて性能の改善も進んだ。

タスクはTrello、報告はGoogleのシートとドキュメント、ボードはMiroと道具が分かれていた。

スプリントのたびに同じ土台を作り直し、報告も手でつなぎ合わせていた。

1. 製品や開発など4チームを1つのClickUpへ集める。
2. ひな形から毎回のボードとダッシュボードを作らせる。
3. タグ付けと未完了タスクの持ち越しを自動化に任せた。
4. ClickUp Brainに成果物の説明文を下書きさせる。
5. エージェントに指示と状態を読ませレポートを作らせた。

以前は週に何時間もかけていたレポート作成が裏で片づくようになった。

作り直しとタグ付けに取られていた時間が減り、クライアント向けのアプリ開発に時間を回せるようになった。

PayPalのAPIは組み合わせが膨大で、加盟店が使い始めるまでに時間がかかっていた。

資料はJSONばかりで読み解きづらく更新にも追いつかなかった。

1. 公開APIの資料をPostmanの共有スペースにまとめた
2. そのまま複製して使えるコレクションとして配った
3. 複雑な決済の流れをPostman Flowsで図にした
4. Agent Modeで普段の言葉から手順を組み立てさせた
5. MCPサーバーを用意しClaudeやCursorから試せるようにした

最初のAPI呼び出しまでが1分になり、3年で10万件を超えるコレクションのフォークが生まれた。

加盟店が売上を立てるまでの時間も短くなった。

営業担当は商談前に4つのシステムを行き来し、30分以上かけて履歴や関係先を調べていた。

データは増える一方で次に何をするか決めきれなかった。

1. 前から使っていたSalesforceの上にAgentforceを載せた
2. 自社の営業の手引きをData 360に置き回答の土台にした
3. 5つの使い方を8週間で本番に出し500人の営業に配った
4. 朝のDaily Digestで声をかける順番まで出した
5. 更新はAIの案を担当が承認してから反映した

移行も新しい基盤もなしに8週間で本番へ出し、500人の営業が使い始めた。

30%〜40%の生産性の向上を目標にしている。

一人ずつにAIが付いても、確認のやり取りや日程合わせで仕事が止まる場面は減らなかった。

部署ごとにボットが散らばって何をしているか見えない状態も起きていた。

1. AI Teammatesの頭脳にClaudeを選んだ
2. 全体をまとめる上位のエージェントにClaudeを置いた
3. 下のエージェントは速さと考える力で使い分けた
4. Agent Skillsで文書編集機能の開発期間を縮めた
5. AIにアカウントを持たせコメントで呼び出した

キャンペーンの企画書は何日もやり取りしていたものが15分で確認できる下書きに変わった。

動いた内容はすべてタスクの履歴に残る。

新しい脆弱性が見つかるたびに担当の4人がパートナー1社ずつへ手でメールを送っており、1件あたり2時間ほどかかっていた。

まとめて一斉に送ると読まれにくいうえに転送先には自社の名前も残らなかった。

1. 脅威情報チームが新しい脆弱性をHubSpotのチケット窓口に入れる
2. エージェントが中身を読み受信を希望する24社を絞り込む
3. 担当者本人の名前で1社ずつに個別のメールを送る
4. 材料はCRMの顧客データや取引の履歴をそのまま使う
5. 作りたい動きを普通の言葉で書き2週間で動かした

脅威情報が入った瞬間に24社へ自動で個別メールが飛ぶようになり、1件あたり約2時間かかっていた手作業が要らなくなった。

週の進み具合をスプリント管理と会議メモとチャットに分けて追いかけており、まとめを夜遅くに手で書いていた。

問い合わせも1件ずつ人が読んで振り分けていて、忙しい時期は列が追いつかなかった。

1. ClickUpに開発と問い合わせと運用と宣伝を集める
2. ClickUp Brainがタスクや会議メモをつなぎ文脈を持たせる
3. 専用エージェントが問い合わせを仕分けし返信の下書きを作る
4. 会話をスプリントのまとめや積み残しの更新に変える
5. 手順書や新人向けの案内をAIが下書きし人が直す

小売向けERPの導入では人が気づく前にエージェントが請求と在庫をつなぐAPIの抜けを見つけ、予定どおりの公開を守れた。

新しく入った人も先輩に聞かずに自分で答えを探せるようになった。

1日50万件を超える形の違う書類を扱うのに、正確さと速さを同時に満たす基盤が無かった。

欧州や金融の顧客はデータを国外やクラウドへ出せず、置き場所も選べる必要があった。

1. 自社の使い方に合わせたベンチマークを先に作る
2. 取り出しの正確さと応答の速さで複数のDBを比べる
3. 選んだWeaviateへ書類から取り出したデータを入れる
4. 密ベクトルと疎検索を組み合わせたハイブリッド検索で引く
5. テナント単位で分けて保存し該当分だけを照会する

5万を超えるテナントを1つのクラスタに収め、特定のテナントのデータをミリ秒で引けるようになった。

1顧客向けに450種類以上のデータ型を取り込めた。

規制の厳しい金融の現場で、複数の言語の文章を正しく素早く作る必要があった。

外部の代理店に頼る部分も大きく、費用がかさんでいた。

1. 複数のAIを試して比べClaude for Workを選んだ
2. 12月から4月まで段階を分けて広げる
3. 研修は管理職から先に受けてもらう
4. マーケは各言語の文章作成と翻訳に使う
5. アナリストはSQL作成と決まったデータ処理を自動化する

一部の使い方で生産性が100%上がり、分析チームは週70時間を浮かせた。

投資は3か月かからずに回収できた。

広く浅く集める従来のやり方では、31言語ぶんの学習データに深さが足りなかった。

言語ごとに誤りの採点の基準もそろわず、改善の度合いを比べられなかった。

1. 31言語ごとに母語話者の専門家が質問と回答を作る
2. 分野をまたぐデータをそろえ話題の変化に備える
3. わざとモデルを詰まらせる入力を書き弱点を洗い出す
4. 出力の誤りをMQMという共通の枠組みで採点する
5. 日本語の敬語の判定など母語話者しかできない作業も任せた

顧客自身の評価でモデルが10〜30%良くなった。

納品物の受け入れ率は97%で、納期は100%守られた。

対応言語が100まで増えてテンプレートの翻訳が追いつかなくなった。

国ごとにデザイナーを抱えるやり方では伸びる速さに合わなかった。

1. 翻訳の相手先としてLILTを選んだ
2. AIが出した訳を翻訳者が画面上で直す
3. デザインの中での前後関係まで見て訳を決める
4. 自社はブランドの言い回しの基準を渡し品質を確認する
5. 量が少ない時期は品質と工程を固めることを優先した

品質を落とさないまま翻訳の量とスピードを上げられて、担当チームは次の取り組みに時間を回せるようになった。

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。

チャットとメールの窓口が分かれていて、件名も注文番号もない問い合わせを人が読んで振り分けていた。

買う気の強い相談が営業へ届くまで待ちが生まれて、迷った客が離れることがあった。

1. Gorgiasに問い合わせとShopifyの注文情報をまとめる
2. 商品ページにAI FAQを先回りで出して質問に答える
3. Shopifyの在庫とつないで今買えるものだけすすめる
4. 担当者は過去の購入履歴を見ながら会話を続ける
5. 人は継続購入やレビューの取り組みに時間を使う

ライブチャットが88万5000ポンドを売る窓口になった。

AI FAQはShopping Assistantの会話のおよそ3分の1を占める。

新しいモデルや連携をすぐ足さないと競合に先を越される状況だった。

ベクトル検索を後付けしたデータベースでは性能とコストの両立が難しかった。

1. Pinecone・ChromaDB・Qdrantと比べてWeaviateを選ぶ
2. 顧客ごとのデータをマルチテナントの仕組みで分ける
3. ハイブリッド検索とメタデータの絞り込みを合わせる
4. 規制の厳しい顧客はEnterprise Cloudで置き場所を分ける
5. 新しい機能は技術チームと詰めて実装を早める

Pineconeを使う場合と比べて数万ドル規模のコストを抑えられた。

規制の厳しい業界の企業にも環境を分けて提供できるようになった。

キャンペーンの指示書は毎回ゼロから書き直していた。

打ち合わせのメモは各自の手元に散らばりSNS投稿の確認も手作業で1本に2〜3時間かかっていた。

1. 指示書の下書きをClickUp Brainに書かせる
2. 確認の工程にSuper Agentsを8体置く
3. 主なSNSごとに1体ずつ確認役を割り当てる
4. 日程の衝突はCampaign Plannerに先に知らせる
5. 月曜のまとめはReporting Agentが出し人が直す

人が開く時点で下ごしらえが終わっている状態になり週1回のステータス会議は無くなった。

イギリス・インド・アメリカの3市場の発売では締切の衝突2件を3週間前に見つけた。

Airtable・Asana・Slack・Google Workspace・Canvaを行き来して1日が過ぎていた。

担当者は数字を手で集め直し報告を別の場所に書き写していた。

1. 計画から承認と報告までをClickUpにまとめる
2. メールの下書きと意見の要約をBrainに任せる
3. アイデアの一覧をBrainへ渡し切り口を出させる
4. 出たものを担当者とタグの付いたタスクに変える
5. 決まった形のレポートはSuper Agentsが作る

1人あたり週におよそ6時間が空いた。

30本のアイデアを約3分でタスクにできるようになった。

UiPathは社内にローカライズの部署を作ったあと、さらに多い量と高い品質の翻訳が必要になった。

顧客は100か国以上に広がり文書の量も増え続けていた。

1. LILTを既存のTMSと直接つなぐ
2. 翻訳したい文書をTMSから数クリックで送る
3. LILTの画面で翻訳者が下訳を直す
4. 直しを自社専用の大規模言語モデルに学習させる
5. 下訳の質を上げ人が直す量を減らす

3年以上の取り組みで重要な業務文書を300万語以上翻訳した。

文書の量が増えても納品までの時間は1.7倍短くなった。

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。

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。