AI活用事例ナビ

Atropos Healthは毎月数百件の観察研究を出していて、結果のまとめと背景づけに医師が1件あたり約10分かけていた。

要約を作るLLMのツールは本番で動いていたが、数百件の規模でどれだけうまく書けているのか分からなかった。

1. 研究結果の要約をLLMのツールに下書きさせた
2. 下書きは医師が読んで直す形にした
3. 本番の出力をArize AXへ集めた
4. 何を知りたいかを問いの形で出した
5. 答えられる少数の指標だけで測り始めた

医師ごとの直しを眺めるしかなかった状態から、本番の要約の出来を数百件の規模で見られるようになった。

測る流れが社内で回り出し、絞り込む指標を決める段階へ進んだ。

病原菌と植物のタンパク質の組み合わせは数え切れないほど多く、どれが実際にぶつかり合うのかを追い切れなかった。

質量分析のデータも増え続けて、クラスタリングと分子ネットワークづくりが詰まっていた。

1. 病原菌のタンパク質の配列から感染に関わる特徴を持つものに絞る
2. 絞った組み合わせをBioNeMo Boltz-2 NIMへ渡す
3. 構造と結合の強さを予測させて相互作用の地図を作る
4. 予測はH200のGPUで回して他のモデルと精度を比べた
5. 質量分析データのクラスタリングをRAPIDS cuMLで行った

BioNeMo Boltz-2 NIMはオープンソースのモデルより4.15倍速く、数年かかっていた相互作用の地図づくりが数週間で終わるようになった。

質量分析のクラスタリングは80〜100倍まで速くなり、解析を流す頻度が四半期ごとから毎月に増えた。

以前は短い動画を出すのに長いYouTube動画を撮って切り出すか、1本ずつ撮影して編集するしかなかった。

毎日出すには手間が追いつかない。

1. 借り手が検索しそうな質問と答えを先に用意する
2. 答えの原稿をHeyGenに渡して自分のアバターに話させる
3. 自分で録音した声を合わせて本人らしさを残す
4. 同僚のアバターやAIの話し手も混ぜて変化をつける
5. ブランドの色や文字を確かめてから公開する

カメラの前に立たなくてもまとめて動画を作れるようになり、公開待ちの投稿が何年分もたまった。

1日1本を3年続ける計画も回せる見通しになった。

AIを使った開発を試しから本番の案件まで広げる段階で社員のスキルが追いつかなかった。

社内の研修や外部の教材はあったが、役割ごとに段階を踏む道筋がなかった。

1. ソフトウェアエンジニアを対象にUdemy Businessで研修を始めた。
2. UdemyのSkills Mappingで役割別の学習コースを組んだ。
3. 入り口のLevel0をAIの基礎として1,235人に必須にした。
4. Level1から3は役割ごとに学ぶ深さを上げた。
5. 進み具合は管理者別のダッシュボードに自動で出した。

Level0は88%が修了し、社員の62%が毎日の仕事でAIを使うようになった。

新規の開発案件では45〜55%の効率改善が出た。

顧客が30万件を超えて増え、自社で作った問い合わせ基盤の保守が重くなった。

顧客の情報は複数のツールに散らばり詳しい知識も一部の担当者に偏っていたため、返答の前に社内で確認する手間がかかっていた。

1. 2024年にZendesk Suiteを入れ業務の流れを作り直した。
2. 2025年7月に移行を終え全チャネルの会話を1つに集めた。
3. サポート以外の部署にもEmployee Serviceを広げた。
4. Zendesk Copilotを入れナレッジベースを組み替えた。
5. 自社でアプリを2つ作り回答案を担当者の画面に出した。

CSATは87.5%になり平均の処理時間は85%減った。

未対応の積み残しも93%減り、Copilotの回答も安定して頼れる水準になった。

注文の遅れについての問い合わせがECで一番多く、量もさばききれなかった。

理由や到着日を聞くだけの内容でも、担当者が追跡情報を渡したり支援チケットを作る必要があった。

1. WhatsAppの導線にGenesys CloudのAVAを作った。
2. 学習には成績の良い相談員の応対スクリプトを使った。
3. AVAは追跡リンクを渡しLevel2の支援チケットを自動で作る。
4. 急を要する場面も受け持ち自己解決の窓口へ案内する。
5. 判断が必要な例外だけ相談員が引き取る形にした。

AVAはやり取りの84%を自己解決のまま終えた。

従来のチャットボットは30%で、顧客満足は60%上がった。

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。

大事な合図がメールのやりとりやセンサーの通知に埋もれて、判断が遅れていた。

管理の担当者は手作業でメールを振り分け、記憶を頼りに追いかけるしかなかった。

1. 自社のエージェント基盤にIBM Bobの空間の理解を組み込んだ
2. カメラやセンサーの情報を人と場所と設備と出来事のつながりに整理させる
3. 複数の形式を合わせて考える部分はIBM watsonx.aiに任せた
4. メールと予定表と商談の情報をつないで急ぎ具合で並べ替える
5. 提案は下書きで出して人が承認する形にした

管理職はメールの振り分けと打ち合わせ前の下準備や予定の調整で週8〜12時間を浮かせた。

必要な情報にすぐ届くようにもなった。

2016年から人の手で1件につき3回まで電話をかける形だったが、紹介の件数が増えて追いつかなくなった。

2023年にはかかりつけ医の診断から最初の連絡までが平均28日まで延びて、手つかずの紹介が約15,000人分たまった。

1. 紹介を受け取った時点でSMSとメールと自動音声で連絡を入れる
2. 申し込みとコース選びを話し言葉のままやりとりできるようにした
3. 予約を確定する前に参加条件を満たすかその場で照合する
4. 人の対応が必要なときは1クリックで優先の列へ回した
5. 初回の前に会場とコーチ名を入れたリマインダーを自動で送る

かかりつけ医の紹介から最初の連絡までが速くなり、プログラムに参加する人が増えた。

オンラインで受ける人も伸びた。

ANZのマーケティングチームは、サイトのページごとにチャットボットの会話の流れを手で作っていた。

汎用のボットは誰が来ても同じ返事を返すだけで、サイトを直すたびに別の画面でボットも手直しする必要があった。

1. QualifiedのAI営業役Piperを入れる
2. 管理画面にプレイブックとテーマを登録する
3. サイトから直接情報を取ってくる形にした
4. 訪問者ごとに話す内容を変えて予約まで案内させる
5. 予約が入るとSalesforceとSlackへ自動で流す

メールのフォローは開封率87%で業界平均の15〜20%を上回り、パイプラインは150%増えた。

人を増やさずに訪問者全員へ24時間いつでも対応できるようになった。

JLLは技術職の人材が足りず採用も定着も進まなかった。

現場で働く人が何百もの拠点に散らばっていて、人事の手続きや社内の求人情報を同じように届けられなかった。

1. 現場で働く人を役割ごとのペルソナに分ける
2. ペルソナごとに求める情報と手続きを整理した
3. ParadoxのAIで年150万人の応募を受け付ける流れを作る
4. 応募の受け付けと絞り込みをAIに担わせた
5. 社内公募にも広げ従業員が別の仕事へ手を挙げられるようにする

応募者の絞り込みにかかる時間は70%減り、節約額は約1,200万ドルと見込まれる。

社内公募には6,700件を超える登録が集まり、430人以上が新しい仕事へ移った。

Perplexityのサポートはメール1本で受けていて、利用者が増えるほど追いつかなくなった。

1日あたりの問い合わせは前年から269%増え、時差をまたいですぐ返事がほしいという声も強まった。

1. DecagonのAIエージェントSageを入れる
2. 利用者にいちばん近い担当者が動き方を決める形にした
3. AOPと呼ぶ手順書に方針と受け答えと人へ渡す線引きを書く
4. Duetに既存のポリシー文書を渡して手順の下書きを出させた
5. レポートで利用者の反応を追い重い案件は人が引き取る

直近30日は70以上の問い合わせの種類に対応しながら、78%を人に回さず解決できた。

有人のチームは障害対応や法人の請求や個人情報の依頼といった難しい案件に時間を使えるようになった。

Vodafone Ideaは150を超えるアプリを止めずに更新していて、開発の進め方がチームごとにばらばらだった。

同じ作業を別々のチームが繰り返し、分かったことも共有されないまま開発が遅れていた。

1. IBM Consulting Advantageを開発の流れ全体に入れた
2. 業務分析から障害調査まで120超のAIアシスタントを用意した
3. 機密の文書を扱う場面はインド国内のLLMサービスへ回す
4. 検証を通ったアシスタントだけをチーム全体へ広げる
5. 社内のハッカソンで138のユースケースを集めた

生産性は25〜30%上がり、市場に出すまでの時間も25〜30%短くなった。

IT業務の工程のうち約55%に生成AIが入り、80%超を目指す計画になっている。

できて間もないセキュリティ対応のチームが、ログの集まる先がばらばらで調査の記録が1か所に残らない環境を引き継いだ。

1日100件以上のアラートを1件ずつ調べるのに手間がかかっていた。

1. Elastic Security Serverlessに一本化した
2. 32のログ源をECSという共通の形にそろえて取り込む
3. 900本以上の検知ルールをコードとして置き管理した
4. 利用者や端末の文脈を足して危ない動きから先に拾う
5. 検知をケース管理へ流し判断の候補を出す形を試す

ケースは1日150〜200件を扱う。

そのうち約60%は数分で自動的に片づき、残りを担当者が調べる。

出演してもらう医師は忙しく、撮影の日を押さえるだけで土曜の夜まで使うことがあった。

本業と並行してチャンネルを回すのに週45時間も取られ、続けるのが苦しくなっていた。

1. 自分で調べた台本を医師に医学的な正しさを確かめてもらう
2. 通った台本をHeyGenに読ませAIプレゼンターが話す動画を作る
3. 台本を解析してアニメーションの案と入れる場所を決める
4. DaVinci Resolve用のXMLに書き出す
5. 医師の撮影は必要なときだけ1回で10本分まとめて録る

中心となる作業は週45時間から約8時間に減った。

公開前の90%までが自動でそろうので、急ぎの話題でも数時間で仕上げられるようになった。

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。

13か国にまたがる提案書づくりとキャンペーンの報告に手間がかかっていた。

金額を扱う作業では間違いも起きていた。

1. BigQueryとGemini Enterpriseを組み合わせた。
2. 113個を超えるAIエージェントを自社で作った。
3. 用途ごとにエージェントを分ける。
4. 提案書づくり・報告・金額の処理を別々に担当させた。
5. 各チームは合うエージェントを呼び出して進める。

提案書を作る速さが5倍になり、キャンペーンの報告にかかる時間は80%減った。

金額の間違いの割合も0.01%未満になった。

ScribdとSlideshareに利用者が上げた文書は4億件を超え、規約に反する中身がないか見きれなくなっていた。

中身の種類ごとに専用の判定モデルが必要で、自前で作れば何年もかかり外部の製品では費用が見合わなかった。

1. 判定する文書をCloud Storageにまとめて置く。
2. Gemini Enterpriseのバッチ予測へまとめて投げた。
3. 判定役はGemini 2.5 Flash Liteにする。
4. PDFを変換せずそのまま渡して文字と画像を読ませる。
5. 出力はGemini 2.5 Proで全件もう一度見直させた。

ScribdとSlideshareにある4億件を超える文書（120億ページ超）を数か月で判定し終えた。

全体の99%以上は前処理なしでそのまま読ませられ、バッチ予測は対話で使うより50%安い料金で回せた。

予約の変更依頼がWhatsAppとLiveChatの会話の約8〜9%を占めていた。

それなのに客が自分で変更する手段がなく毎回オペレーターが対応していた。

1. Sprinklr AI+でWhatsAppに会話型の予約変更の仕組みを作った
2. 客がチャットで出発地・目的地・搭乗日・座席クラスを伝える形にした
3. AIが変更できる予約かを確かめ選べる案をその場で返す
4. 1件の変更で走る7〜8件のシステム連携を裏側で動かす
5. AIで完結しないときは有人のサポートへつなぐ

対象になる予約変更のうち約70%が人の手を借りずに終わった。

立ち上がりの使われ方が良かったのでLiveChatへも広げている。

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。

オーストラリアの個人事業主は会計ソフトを使わずExcelの表で請求書と領収書と税金を手で管理していた。

新しく立ち上げたチームは人数が少なく、増員せずにサポートを回す必要があった。

1. サポートを別窓口にせず製品の中へ組み込む形で設計した
2. 問い合わせのやり取りとサポート記事から知識を作った
3. ZendeskのAIエージェントが時間を問わずすぐ答える
4. 正確さの判断が要る場面はAgent Copilotが担当者を助ける
5. ノーコードのApp Builderで口座の状態が分かる表示を作った

問い合わせの90%超が人の手を介さず処理され、CSATは92%になった。

2025年はサブスクの目標を45%上回り、増員をやめて20万ドルの運用費を製品づくりへ回した。

週に何度もリリースが出るため社内ナレッジや公開FAQの更新が追いつかなかった。

開発の量が3倍になり仕様書や承認の手作業が足を引っ張っていた。

1. Slackのプロダクトチャンネルをエージェントに見張らせた。
2. 対象のリリースだけをNotionのデータベースへ記録させた。
3. 別のエージェントが社員の製品質問へ出典つきで即答する。
4. 修正役のエージェントが古い記述を見つけNotionを直した。
5. 技術変更の一次レビューを任せ人は最終の判断だけ行う。

フィードバックの仕分けとリリース資料の更新と開発の受け渡しを合わせて週24時間以上の手作業が消えた。

レビュー役のエージェントは453件を処理して37時間以上を浮かせ製品質問に答える役は最初の1週間で160件に対応した。

医師が診察のたびに手でメモを取り電子カルテへ入れ直していた。

電話やメールの割り込みも重なって疲れがたまり離職や患者対応の質への不安が出ていた。

1. 患者と医師のやり取りをそのままAIに聞かせた。
2. AIが臨床記録の下書きを作る形にした。
3. できた記録は使っている電子カルテへ自動で流れ込む。
4. 医師が記録に目を通して勤務時間の中で仕上げる。
5. 使う範囲を80の専門科と1,200人の医師まで広げた。

記録にかかる平均の時間が37.59%減り患者1人あたりの電子カルテ滞在時間も16.69%減った。

診た患者の数は18.36%増えて記録を家へ持ち帰る働き方が無くなった。

サイトへの訪問が減り来る人はすでに検討の後半にいた。

資料のフォームをやめたせいで誰が何の目的で来たのか分からなくなり多言語と時差への対応も人手では追いつかなかった。

1. AI営業エージェントを全ページで最初に話しかける役にした。
2. 深掘りの質問を投げて答えに合わせ出す内容を変える。
3. 開発者と基盤を選ぶCIOを見分けて事例や競合比較を出し分ける。
4. Salesforceと6senseをつないで相手の会社を判別した。
5. 離脱した相手へ自動でメールを送り書かれた言語で返す。

条件に合う会話の70%が商談の予約につながりメールでの働きかけは1,000万ドル超のパイプラインに効いた。

マーケティング発の商談がそのまま案件へ進むようになりパイプラインは150%増えた。

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。

問い合わせが増えて自動化を入れたものの、最初のAIは決められた答えを返すだけで判断ができなかった。

定期購入や返金のように事情で結論が変わるやり取りは人に戻り、指示文を書き足し続ける作業も負担になっていた。

1. AIエージェントに解約手続きそのものを任せた
2. 解約はLoopとつなぎメールアドレスと定期購入を確認させる
3. 実行の前には必ず客が最終確認する
4. 記録を見直して人へ渡す要らない条件を外した
5. 住所変更はRecheckで出荷前に注文を止めた

解約依頼のおよそ5件に1件をGraceが最後まで処理するようになった。

解約の代わりに一時停止やスキップを出せるので、解約依頼の約13%は契約が続く結果になった。

ルールで動く前のチャットボットは決まった言い回ししか読めず、支払いや契約変更のような定型の質問まで人へ回っていた。

夜間や混み合う時間の問い合わせは翌朝まで残り、2025年のNPSは平均-47だった。

1. Botpressで作ったAIエージェントが一次対応を24時間引き受ける
2. ZendeskのAPIから記事の本文だけを取り出しHTMLを外す
3. 選んだ約44本を商品ごとの知識のもとに分けて登録した
4. どの商品か分からない質問は先に商品を聞き返す
5. 自信が無いときは営業時間を見て有人へつなぐ

NPSは2025年平均の-47から2026年は+13.86へ上がり、有人への引き継ぎは18%から13%に減った。

会話の約87%をAIだけで終えるようになり、1日のAI費用も80ドルから43ドルに下がった。

1年前まで仕事は受信箱とチャットと表計算に散らばっていた。

技術者は最初のコードを書く前に自分で朝会の報告を書き、問い合わせは1つの窓口に積み上がって手で振り分けていた。

1. 仕事の置き場をClickUpの1つの作業場にまとめた
2. Echoが作業の記録を読み朝会の原稿を先に書いた
3. Delegatorが届いた依頼を担当チームへ振り分けた
4. Notetakerが通話を担当者と期限の付いたタスクに変えた
5. ClickUp Brainが期限を過ぎそうな作業を知らせた

製品を出す直前にBrainが見落としの5件を見つけ、3日の遅れを避けて予定どおり公開できた。

4つのチームが1つの作業場で動くようになった。

社内向けの埋め込みサービスはOpenSearchで動いていたが、使うチームが増えて扱う埋め込みは数億件になった。

速度を保つには調整を続けるしかなく、クラスタが大きくなるほど費用も膨らんだ。

1. 本番の使われ方に近いベンチマークを自分たちで組んだ
2. 1億件の埋め込みを載せ同時に走らせる数を増やした
3. 近傍検索と絞り込み付き検索と読み書き混在の問い合わせを流した
4. 同じ条件で比べぶれが最も小さいWeaviateを選んだ
5. 出入り口を社内サービスで隠していたので設定の書き換えだけで移った

ベンチマークではWeaviateがOpenSearchより20倍速く、運用の費用は40%下がった。

社内の色々なAIの仕組みが同じ基盤に乗るようになった。

受注が決まるたびに納品用の資料や作業計画や進行表を手で作っていて、1件で2〜3時間かかっていた。

この作業は客と会わない夜に回り、60分の通話ごとにメモとタスク作りで30〜45分が上乗せされた。

1. 1つの作業場にBrainと15体のエージェントを置いた
2. 受注が決まると契約の範囲を写した15ページのノートを作らせた
3. 署名済みの提案書を工程と子タスクと前後関係に分けた
4. 通話に同席させて決まった宿題をタスクに変えた
5. 本人は出来上がった提案書を15分だけ見直した

新規客の初期設定は2〜3時間から10分になり、提案書は15分の見直しで出せるようになった。

15体のエージェントは午後の作業1回で組み上げた。

毎月1週間を多言語のコンテンツ作りにあてていた。

急な対応や学校の休みが入ると後回しになった言語の発信が止まった。

1. 4ブランドの仕事を3つのClickUpワークスペースに集めた
2. 投稿のアイデアを1つ書いて5言語の下書きと画像を作らせた
3. 繰り返しの仕事は32体のSuper Agentが受け持つ
4. エージェントに北欧向けの投稿を週15件予約させた
5. 通関書類のCN22とCN23を確かめて作る

翻訳のために空けていた月1週間を自分にしかできない仕事へ回せるようになった。

北欧向けのチャネルは一番弱いところから一番安定したところに変わった。

クライアントごとの状況がボードやCRMやスレッドに散らばっていた。

ローンチの進み具合を1つ答えるだけで何十ものタスクを手で追う必要があった。

1. オンボーディングとキャンペーンのタスクを1つのワークスペースに集めた
2. ClickUp Chatの中でSuper Agentを数分で作った
3. タスクの状態やオンボーディングの進み具合を会話で聞く
4. CRMやwebhookで止まっている所も同じ場所で聞いた
5. 動いているクライアントのスペースを一度に全部読ませた

ボードをクリックして回るのに1時間かけていた状況確認がなくなった。

複数のCRM案件が重なったオンボーディングでは隠れた詰まりと未完了の項目を数秒で見つけ、ローンチの予定日を守れた。

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。

商業保険の仲介は紙の作業が多く手順も遅いままだった。

創業者はエンジニアではなく、仕組みを1人で作る必要があった。

1. AWSのコンソール画面のスクリーンショットをChatGPTに渡した
2. ChatGPTに聞きながらバックエンドとデータベースを立てた
3. CursorやClaude CodeやCodexで開発を進める
4. コーディングエージェントが扱いやすいWeaviateに決めた
5. 保険の書類を分類し項目を取り出してベクトル化する

2025年2月のアイデアから同じ年の11月には顧客のいる本番システムが動いた。

稼働から1年たたずに40口座で2,000万ドルの保険料を運用し、年間50万ドルを超える顧客も8件ある。

会議のメモは人が書き起こし、やることの抜き出しはプロジェクト管理者が担っていた。

進み具合の報告もタスクやコメントや資料をつなぎ合わせて作るため1人あたり週に数時間かかっていた。

1. 部門ごとの仕事をClickUpの1つのワークスペースにまとめた
2. ClickUp Brainと6体のエージェントを動かす
3. 会議の要約と資料の下書きとタスクの割り振りを任せた
4. エージェントが進み具合の報告を作り承認の詰まりを知らせる
5. 人は出てきた内容を確かめて判断と実行を担当した

部門をまたいだローンチでは承認の詰まりを早い段階で見つけ、すぐ手を打てた。

プロジェクトの状況を知りたいときも同僚の手を止めずにClickUp Brainへ聞けるようになった。

案件ごとに外部の業務委託を集めて回していたため、出来ばえはその月に空いている人しだいだった。

データもSE RankingやFraseやGoogle Adsに散らばり、ホテルの顧客で広告の成績が落ちたときは数字を手で突き合わせていた。

1. ClickUpの1つのワークスペースに案件とCRMと手順書をまとめた
2. その上で20体のエージェントを動かす
3. SEO・営業・キャンペーン・運用ごとの組に分けた
4. Zapierで作ったMCPサーバー経由で各ツールの中で作業する
5. 出てきたものは人が確認してから顧客に出した

8人の体制で新しい顧客に1か月分のSEOとGEOの作業を1週間以内に出せるようになった。

広告アカウントの調査から戦略とキーワードと広告文づくりまで、1週間かかっていた作業が数時間に縮んだ。

プロジェクト管理者とメンバーがタスクの文面を書き、更新のまとめや状況の確認まで手でやっていた。

5つの部門で同じ作業が繰り返され週に数時間が消えていた。

1. 5部門をClickUpの1つのワークスペースに入れた
2. ClickUp Brainがタスクの文面を下書きして整える
3. 案件の現在地と残っている項目を一覧にした
4. エージェントと処理の流れを話し言葉で作る
5. 人は出てきた要約を見て中身を直す

更新の記録が多い案件でも、全部のタスクを順に読み直す手間がなくなった。

複数の案件の今を追いかける時間が減った。

分析で見つけた相手を広告の配信先へ回す作業が手作業のままだった。

表を書き出して並べ直し部署をまたいで調整する間に配信が遅れた。

1. Fivetranで170超のシステムからBigQueryへデータを集める
2. 計測モデルと独自の項目を当てて用語をそろえる
3. そろえたデータをAgent Calが読む文脈の層へ流す
4. マーケターが普段の言葉で聞いてリストを作る
5. リストをActivationsでLinkedInやGoogle Adsへ送る

ターゲットを配信に回す速さが2倍になり、4時間かかっていたキャンペーン用のリストが25分未満で作れるようになった。

自前で作らずに済んだ分で年間40万ドル相当のエンジニアの手が空き、ロードマップは最大12か月分前倒しできた。

1件の依頼を終えるのにZendeskとTelstraのシステムや経費管理のツールを行き来していた。

画面を移るたびに入力の間違いや情報の抜けが起きやすかった。

1. やりたいことを普段の言葉でプロンプトに書く
2. Zendesk App Builderがアプリの形にする
3. できたアプリを作業画面の中で動かしながら直す
4. 最初に経費管理のBillViewとつなぐサイドバーのアプリを作った
5. 社内向けに16人のチームの通話状況が分かるアプリも作った

対象になるチケット1件あたり1〜3分が減り、依頼をその場で終えられるようになった。

3か月で3つのアプリを作り、うち2つは本番で動いている。

1万人を超える社員から来るIT部門への依頼のうち4分の1は単純な質問だった。

そのたびに担当者が手で答えていて複雑な依頼に時間を回せなかった。

1. どんな依頼が来ているかを細かく調べる
2. IT依頼の4分の1は人が答えなくても済むと分かった
3. Zendesk AIで社内向けのAIエージェントBuddyを作る
4. 社員の地域を見分けて地域に合った答えを返す
5. 地域ごとの試験から始めて14のZendesk環境を1つにまとめた

5月半ばの公開から2,800人を超える社員が使い、7,800件を超える質問を処理した。

AIだけで片づいた割合は79%になり、IT担当は複雑な依頼に時間を回せるようになった。

製品ごとの炭素排出量を出すには、何万行もの部品表を人が1件ずつ調べる必要があった。

仕入れ先の資料は形式がばらばらで抜けも多く、評価が終わる頃には製品が発売済みということも起きていた。

1. 部品表やPDF・CAD図面・仕入れ先のメールを取り込んだ
2. 製品と供給網をつないだ炭素のグラフに作り直す
3. 部品表の各行を約100種類の分類へ振り分けた
4. 1万件を超える排出係数から近いものを選ぶ
5. 3つの処理をNVIDIA Nemotron 3 Ultraへ載せ替えた

仕入れ先データの読み取りは84.0%から87.7%へ、部品の分類は80.0%から83.5%へ上がった。

コストは0.20倍と0.49倍になり応答の速さも前のモデルと同じか速くなった。

返済の連絡の時期や伝え方を一人ずつ変える機械学習モデルを増やしたかったが、少人数の体制では信頼性を保てなかった。

データがサービスごとに分かれ、作り方も人によってばらばらだった。

1. データの加工からモデルの実行までをSnowflakeの中に集めた
2. コードはPythonで1か所にまとめた
3. モデルごとにフォルダを作り設定ファイルに処理の流れと時間を書く
4. よく使う特徴量をFeature Storeに一度だけ定義する
5. 本番へ出せるのは自動のパイプラインだけにした

新しいモデルの立ち上げは数週間かかっていたが数日で本番に届くようになった。

10を超えるモデルが毎日動き、全米の数百万人に向けた提案を出している。

借金の相談は人に話しづらく、電話の待ち行列に並んだまま話せない人が多かった。

相談員は同じような連絡の対応に追われ、立ち退きや生活の危機が迫った深刻な相談に時間を割けなかった。

1. 問い合わせの入口にバーチャルエージェントを置いた。
2. 利用者が書いた困りごとから担当の相談員へ振り分ける。
3. 音声の自動応答からSMSを送りオンライン手続きへ誘導した。
4. Agent Copilotが次の一手と要約と分類の候補を出す。
5. 相談員は出てきた候補を確かめて直すだけにした。

ピーク時は週におよそ1,700件をバーチャルエージェントが受け持ち、25,000人を超える利用者を電話の待ち行列からSMSの案内へ移した。

デジタルでの登録完了は61%増え、年間およそ240万件のやり取りのうち93%を利用者がデジタルで選んでいる。

10人から12人の部門に同じ内容の問い合わせが次々に届き、一件ずつ手で返すしかなかった。

金曜の夜に事故や車両の傷の連絡が入っても、月曜の朝まで保険の担当へ回せなかった。

1. 過去1年ぶんのFreshdeskのチケットを書き出した。
2. 保険や整備などテーマごとの参照資料に組み直す。
3. 質問と答えの一覧にせずAIが判断できる文章にそろえた。
4. 公開の前に各部門の管理者が全項目を読み想定質問で試す。
5. まずCVM部門の4つのメールの窓口だけで動かした。

対象にした問い合わせの88%にAIが答え、そのうち85%が正しい内容だった。

答えたチケットの4件に1件は担当者が一切触らずに終わり、夜間や週末でもすぐ返事が届くようになった。

AIアシスタントの利用が広がり、預かる会議の記録や個人のメモなどの機密性が高まっていた。

鍵や秘密情報の管理は手作業で散らばり、どう守られているかが見えにくかった。

1. IBM Vaultを入れて機密データと秘密情報の管理をまとめた。
2. 組織と利用者とセッションごとに区切りを作りデータを分けた。
3. 鍵の入れ替えと監査の記録とルールの適用を自動で回す。
4. 人が手で持っていた鍵は中央でまとめて管理する形にした。

暗号処理の監査は100%カバーになり、全てのテナントで止めずに鍵を入れ替えられるようになった。

本番環境から平文の機密データが消えてVaultのAPI呼び出しも96%減った。

チケットの数が2022年から2024年で86.7%増えた。

管理職まで対応に回る状態になり、チームを率いる時間が取れなくなっていた。

1. メッセージ対応にAIエージェントを入れて使い方の質問をAIに答えさせた
2. 回答のもとに社内チームが作ったナレッジベースを使う
3. AIの回答を見直し半年でナレッジを約20%改善した
4. 人が出る案件は自動で担当へ振り分けた
5. 対応の質を専用のQA機能で見てまずい対応を直す

主力製品の自動解決率が39%から46%に上がり、製品全体でも約30〜49%になった。

月620時間分の手が空き、CSATは97.8%を保っている。

広く送るメールは地域やサービス別に分けるだけで、相手ごとの中身になっていなかった。

誰がいつ反応しやすいかも分からず送る時間はばらばらだった。

1. Oracle Marketingを入れキャンペーンの計画を1か所にまとめた
2. AIに行動と反応の傾向を読ませ送信時刻を決める
3. 送りすぎている相手はfatigue分析で見つけ対象から外す
4. アカウント情報から反応の見込みと関心を点数にした
5. 地域で切る分け方から関心で切る分け方へ変えた

メールの開封率とクリック率が上がった。

宛先を手で用意する作業が減り、その分を別の仕事に回せるようになった。

財務と人事のシステムが別々で、増え続けるデータをその場で分析できなかった。

報告のたびに集計と突き合わせを手でやっていた。

1. 財務や人事の処理をOracle Fusion Cloudにまとめた
2. そこへFusion Agentic Applicationsを重ねた
3. データはOCI上のAutonomous AI Lakehouseに集約する
4. 他のクラウドのデータもつなぎほぼリアルタイムに複製する
5. 売上や在庫や原価はAnalytics Cloudで見る

手作業の報告と突き合わせが30%減り、数日かかっていた分析が数秒で出るようになった。

700%を超える成長の間も管理を保ち、5,000人を超えるピーク時の採用と入社手続きをさばけるようになった。

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。