生成AI活用事例
来栖川電算が取り組んできた、生成AIを業務や開発の流れへ組み込むための設計・実装・検証の事例を紹介します。
研修・OJT、アノテーション運営、専門対話、業務自動化、文書作成など、対象業務に応じて、生成AIに任せる部分と人が確認・品質管理を担う部分を切り分けて設計し、実装と検証を重ねています。
取り組んでいるテーマ
| テーマ | 取り組みの目的 |
|---|---|
| 研修・OJTのAI活用 | レビューや指導の属人化を減らし、受講者が自力で考えて進める学習の流れをつくる |
| 運営業務のAI化 | 運営品質を維持しながら定型業務を効率化し、AI化できる範囲を明確にする |
| 専門対話の支援 | 専門性が求められる対話の品質を安定させ、継続的に評価・改善できるようにする |
| 生成AIを使う自動化 | 生成AIを含む業務処理を、安全性と再現性を保ちながら自動化する |
| 文書作成・ナレッジ整理 | 既存のエディターや履歴管理を活かしたまま、文書作成や知識整理の負担を減らす |
生成AI活用の事例
Qroobi: 実務に近い開発体験で、考えて進む力を育てるAIメンター
Qroobiは、GitHubのPull Request上で、AIが質問回答・コードレビュー・問いかけを行う学習支援AIメンターです。受講者はコードを提出し、レビューを受けて直す流れを繰り返しながら、実務に近い形で学習を進めます。
AIが正解をそのまま示さないため、受講者は自分で考えることが求められます。研修やOJTで、指導の属人化を抑えながら主体的な学習を支える事例です。
アノテーション運営を段階的にAI化するPoC
アノテーション運営を対象に、業務を分解しながらAI化の実装と検証を進めたPoCです。運営補助、ルール生成、自動アノテーション・検査、実行基盤を組み合わせ、どこまでを自動化し、どこに人手確認を残すかを検証しました。
全面自動化を前提にせず、運営品質を維持できる境界を見極めながら進めています。改善を続けるための課題も、検証の中で整理しました。アノテーションに限らず、既存業務を再設計し、段階的にAI化する取り組みです。
専門対話の品質を支える対話支援AI
会話履歴と分析情報をもとに、アセスメント・応答方針・メッセージ生成・レビューを連携させる対話支援AIです。生成結果をそのまま出力せず、レビューを組み込んだ運用設計と検証を行いました。
単なるチャットボット導入ではなく、対話品質の評価観点を定め、改善を続ける進め方を重視しています。専門性が求められる対話業務を段階的にAI化した事例です。
Nighthawk: 生成AIを組み込んだ自動化を検証しやすくする実行基盤
Nighthawkは、Pythonで処理全体の流れと検証を制御し、LLMやコーディングエージェントには制約付きの範囲で推論を任せる実行基盤です。AIに処理を丸ごと委ねず、コードで固定する部分とAIに任せる部分を分けることで、再現性と拡張性を保ちやすくします。
生成AIを業務フローへ組み込む際に、処理の流れと検証を管理しながら自動化を進めた事例です。
Markdown Copilot: Markdownを起点に、AIと編集・実行を往復する文書支援のVisual Studio Code拡張
Markdown Copilotは、Markdownに会話履歴を保存しながら、文脈に沿った編集・複数の会話の並行進行・必要なツール呼び出しを行えるVisual Studio Code向けのLLM APIクライアント拡張機能です。文章を生成して終えるのではなく、文書作成の流れの中でAIと編集作業を往復しやすくすることを目指しています。
社内文書やナレッジ整理のワークフローを、既存のエディター運用を活かしながらAIを活用できる形へ発展させた事例です。
生成AI活用のご相談
掲載事例に近いテーマに限らず、生成AIの活用やPoCの進め方を検討されている方は、お気軽にご相談ください。