日本 × ビジネス（260件）（201〜250件目・5/6ページ）

システムの仕様書や業務マニュアル、FAQを生成AI「Kasanare」に読み込ませ、三菱UFJ信託専用のRAGアルゴリズムを開発。試験運用でPoC正答率90%以上を確認したうえで2024年4月に正式な業務利用を開始し、金融市場取引業務の社内問い合わせ対応を自動化。

(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)

契約審査AI「LegalForce」（2025年3月に「LegalOn」へ名称変更)を導入し、過去の契約条項検索や抜け漏れ確認を効率化

代表弁護士1名+パラリーガル体制という小規模事務所でも、月40〜50件という高頻度の契約書レビュー業務にAI導入で4〜5割の時間削減が実現できることを示す事例。テレワーク下でのひな形・過去契約書アクセス利便性も副次的価値として明記されている。ただし記事は2025年3月時点でサービス名がLegalForceからLegalOnに変更されたことを注記しており、タイトルは現行サービス名に留意が必要。

救急総合診療科で2025年11月から音声AIツールを導入し、患者へのインフォームドコンセント(IC)説明の記録作成を自動生成+修正方式に切替。30歳の若手医師(全剛史医師)がプロジェクトリーダーとなり科内に普及を働きかけた。

(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)

AIでいちごの大きさを10段階評価して収穫適期を判定し、トラロープに沿って自動走行、果実収穫ハンドで優しく摘み取る把持機構を搭載

実在確認済み。ただしmethod_summaryにある「色付き」評価については本文抜粋では明示的に確認できず「大きさ」10段階評価のみ確証、軽微な過剰記述の可能性あり。

関西電力とアズビルが共同開発。従来は火力発電とAI両方の専門知見を持つ要員が個別にAIモデルを構築・維持管理する必要があったが、「BiG EYES plus」ではAIモデルの大部分を自動構築できるよう改良。入力情報の種類を大幅に増やせるようになり、広域監視や未知の異常兆候検知にも対応可能に。火力発電所ソリューション「K-VaCS」の新たな取り組みとして提供。

(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)

独立行政法人地域医療機能推進機構大阪病院・富士通Japan・フォーティエンスコンサルティングの3者が、日本マイクロソフトの技術を活用し、医師・看護師の生成AI安全利活用体制を構築。第一弾として年間約1.6万件の退院サマリ作成を富士通Japanの生成AI医療文章作成支援サービスで支援し、看護領域では申し送り業務の要点整理にも活用。2026年6月運用開始予定。

公的病院グループ(JCHO)における生成AI業務支援の実証プロジェクトで、退院サマリ作成という定型文書生成に加え、看護申し送りという口頭引き継ぎ業務の要点整理支援にもAIを適用する点が特徴。全国の公的病院・一般病院向けモデルケース化を目指すとしており、医療文書作成AI活用の横展開事例として参考になる。

Google AI Studioに①会議音声データをアップロードしてテキスト化する際、②過去の反訳テキストデータ、③会議録サンプル(PDF)、④公用文作成の手引き(PDF)を参考資料として添付し発言者ごとに整理した会議録の元データを作成。その後11のルール適用による整形→「である調」等の文体調整→職員による最終確認、の4段階ワークフロー。Maniken(地域経営のためのあたらしいマニフェスト研究所)が浜田市議会事務局の許諾を得て手法を公開。

(記事本文からの示唆抽出なし、要約記事のためタイトル・引用を参照)

グリッド社の社会インフラ特化型デジタルツイン・AI最適化技術と北海道電力ネットワークの業務ノウハウを融合し、AI活用の週間需給計画策定システム「ReNom Power」を共同開発。2025年9月の開発完了を目指す。

WebFetchで本文を取得した結果、method_summaryの内容(協業開始、AI+デジタルツイン融合、週間需給計画策定システム開発、2025年9月完了目標)は本文記述と整合しており、捏造や不一致は見られなかった。

価格や商品陳列の列数などの情報、気温・降水確率などの天候情報、曜日特性や客数などの基本情報をAIが分析し、最適な販売予測数を発注者に提案するシステムを全国132店舗・カップ麺や菓子などの加工食品、冷凍食品、アイス、牛乳等の計約8千品目に導入

記事本文はmethod_summaryと整合。ただし1点訂正: 「2018年からのテスト店舗」という記述は本文からは直接確認できず(記事にはテスト店舗数33店とあるが開始年2018年の明記はWebFetch結果に含まれない)。記事掲載日は2020年9月1日。

2023年10月〜11月、東北大学病院の一部診療科の医師10名の協力のもとNECのLLM(医療テキスト分析AI)を用いた実証を実施。電子カルテに記録された患者の症状・検査結果・経過・処方等の情報を時系列に整理し、治療経過の要約文章を自動生成。紹介状・退院サマリ等に記載する要約文章を新規作成する場合と比較して作成時間を平均47%削減。生成文章は電子カルテの引用元と関連付け表示されエビデンス確認・ハルシネーション対策にもなる。文章表現・正確性も高い評価。

電子カルテ情報を時系列整理→LLMで要約自動生成し、紹介状/退院サマリ作成時間を平均47%削減。生成文と電子カルテ引用元を関連付け表示することでハルシネーション対策とエビデンス確認効率化を両立した点が医療AI活用の実践例として参考になる。

2023年3月のChatGPT-4リリースから1カ月で全庁導入(市長指示3/29→全庁活用実証4/20)。利用人数×1件あたり削減効果の積み上げで年間削減時間を試算

全庁導入からわずか1カ月というスピード感と「AIは80点でいい」という割り切り戦略が特徴。部署別の具体的削減時間(40h/24.5h等)は小粒だが、積み上げで22,700時間という大きな数字になる点が示唆的(個々の業務改善の積算モデル)。

コマツが展開する「DXスマートコンストラクション」はデジタル化層・プラットフォーム層・アプリ層の3層構造で、AWSのコンテナ/サーバーレス/データベース等の幅広いサービスを基盤に構築。SMART CONSTRUCTION Dashboardではドローン測量による3D地形データとICT建機・ドローンからの施工進捗データを連携させ、デジタルツインを3Dで可視化。SMART CONSTRUCTION Retrofitで従来型建機をスマートフォン/タブレット操作によりICT建機化。すでに国内14,000件超の建設現場で活用されている。※WebFetchで確認した限り、「AIによる工事進捗の自動判定」「防護具着用チェック」を明示する記述は本文中に見当たらず、method_summaryのこの部分は裏取りできなかった。

建機・ドローンのデータをAWS基盤上でデジタルツイン化し、国内14,000件超という規模で展開することで、建設業界全体のDX基盤として定着しつつある。

マルチモーダル生成AI(視覚言語モデル/VLM)を基盤とし、発注図・写真等の視覚情報と発注文書・社内技術ナレッジを同時解析。国土交通省書式に準拠した土木工事全体施工計画書のドラフト原稿を約10分で自動生成する支援システム。

大手ゼネコンが施工計画書作成という高度な専門知識を要する定型書類作成業務にマルチモーダルAIを適用し、経験の浅い社員でも短時間で正確な計画書ドラフトを作成できるようにした事例。85%という高い削減率と約10分という具体的な作業時間、国交省書式準拠という監督官庁対応まで明記されている点で、建設業界のドキュメント作成AI活用の具体的な数値ベンチマークとして参照価値が高い。

高炉内部の状態をCPS(サイバーフィジカルシステム)で可視化し、センサーで取得した温度・圧力データや高炉内映像をリアルタイム収集。AIを用いて最大12時間先の高炉状況を予測し、炉内温度低下等の異常を早期検知して警報を発する仕組み。JFEスチール専務執行役員 新田哲氏が「ITイノベーターズ会議2024年3月」で講演した内容を日経xTECHが記事化(著者:渡辺享靖、日経BP総合研究所)。

既存候補のmethod_summaryにあった「物理モデル・統計モデルとAIの併用」「全高炉への導入」の2点は本記事単体では明示的に確認できなかった(記事内に具体記述なし)。CPS構築・12時間先予測・異常早期警報の3点は原文引用で裏取り済み。公開日は2024-05-27(取材記事は2024年3月講演内容ベース)。全高炉導入の裏付けが必要な場合は別途マイナビニュース記事側で個別検証が必要。

AIスタートアップ・グリッド社が四国電力と共同開発したデジタルツイン+AI需給計画立案システム「ReNom Power」。2022年7月から本格稼働し、複雑な制約を踏まえた発電計画立案を自動化。

WebFetchでURL(https://gridpredict.jp/news/20231120)を取得し、本文がmethod_summaryと整合することを確認した。グリッド社公式ニュースリリースで、四国電力とのReNom Power(AI需給計画立案システム)導入により年間10億円超の収益改善、計画策定時間半減以下、データ駆動の意思決定実現という具体的効果が明記されている。一次ソース(企業公式サイト)での確認が取れており、verified:trueとして採用可能。

東京都デジタルサービス局が2026年4月9日付で発表したプレスリリース。GovTech東京と共に内製構築した生成AI共通基盤「A1(えいいち)」を都職員約6万人を対象に本格運用開始。職員がノーコードで生成AIアプリを作成できる基盤で、契約仕様書案作成支援アプリ、都議会議事録をもとにした答弁検討支援アプリなどが庁内で稼働している。

自治体レベルでの大規模(6万人)生成AI基盤展開の実例。特徴は「職員自身がノーコードでAIアプリを作成・共有できる」点で、中央集権的なAIツール配布ではなく現場発の内製アプリ創出モデル。契約仕様書作成や議会答弁検討という行政特有の定型業務を具体的なユースケースとして明示している点が、他の自治体・企業のAI基盤導入事例として参考価値が高い。

アスクル株式会社が自社開発したAI需要予測モデルを物流センターと近郊補充倉庫間の商品横持ち計画に適用。従来は担当者が経験・知見に基づき手作業で「いつ・どこからどこへ・何を・いくつ運ぶか」を計画していたが、AIがデータドリブンに自動指示する仕組みに置き換えた。

需要予測AIは単なる発注量予測にとどまらず、拠点間の物流(横持ち)オペレーション自体の自動化・工数削減に直結する適用例として有効。定量効果(75%/30%/15%減)が明示されており、他の物流・小売企業への横展開の説得材料として使える。

WebFetchでOPTiM公式導入事例ページ(aih_251006-01)を実際に取得し、本文中の記述と数値(16.31分/7.47分/54.2%)の一致を確認。看護副部長・重松かおり氏、情報管理室課長・森川氏の実際のコメントも本文から引用。

オンプレミス型LLMは「セキュリティ懸念で生成AI導入をためらう医療機関」向けの差別化ポイントとして機能しており、定量効果(54.2%削減)を具体的な現場コメント付きで開示している点が説得力を高めている。ただし注意: 候補のmethod_summaryにあった「佐賀大学医学部附属病院総合診療部との共同研究」「国際学術誌Nursing: Research and Reviews(2026年3月)への掲載」という記述は、このOPTiM公式記事本文には含まれていなかった(WebFetchで確認済み)。この部分は別ソースの情報が混入している可能性があり、当該2点は未検証・記載なしとして扱うべき。中核の数値・導入事例自体は本文で実際に確認できた。

curlでHTML取得(Shift_JISエンコード)→自前デコードして本文抽出・照合。WebFetchツールの初回要約は架空の人名・企業名を含む不正確な内容を返したため採用せず、生データで裏取り

手書き配送伝票のAI-OCR化で月8,400時間相当の人力作業を削減した実例。ただしmethod_summaryにあった「フューチャーアーキテクトが開発」という情報はこの記事本文には記載がなく未確認(記事は開発主体を明示せず、SGシステムは伝票入力を請け負うグループ会社としてのみ言及)。他の一次情報での裏取りが必要な部分として要注記。

NTTコムウェアと共同開発した画像認識AI「Deeptector」をスマホアプリと連携し、ガス圧接継手の外観検査6項目中5項目を自動判定。NG判定時は理由も提示。

熟練者の目視検査をスマホ+画像認識AIに置き換えることで、検査時間を1/10近くまで圧縮できる好例。NG判定理由まで提示することで検査員の判断負荷も同時に下げている。

伊藤忠テクノソリューションズ(CTC)がPKSHA Technologyと連携し、東京海上日動火災保険のコンタクトセンター向けにAI業務支援基盤を導入。通話内容をリアルタイムでテキスト化・自動認識し、回答案をオペレーターに提示。入電から終話後の管理業務までAIが一貫支援。2026年3月運用開始。

大手保険会社のコンタクトセンターでAIによる音声認識・意図解析・回答提示を導入し、応対時間を最大3割削減した実例。年間200万件規模の入電という大規模運用でのAI業務支援基盤の効果を示す事例。

AI(需要予測モデル)による発注案提示システムを開発し、フランチャイズ加盟店の発注作業支援に導入

記事本文は日経会員限定のためWebFetchでは要約(見出し+リード相当)のみ取得可能。取得できた範囲ではmethod_summaryの核心(発注時間4割削減、全国約21,000店へ展開、2023年3月頃導入)と整合。ただし「2020年1月試験導入」「2022年Google Cloud基盤移行」の記述は有料本文内にあり、このWebFetch結果からは直接確認できていない点は留意(タイトル・削減率・店舗数・導入時期の主要4点は一致確認済み)。

2024年8月に外部AI専門家を招いた全社向け「AI勉強会」を開催したのを契機に、2024年10月にAIの専門家が伴走する「AI活用プロジェクト」が発足。全10事業部から約2人ずつ、合計21人が参加。週1回の勉強会でプロンプトの改善などを専門家に相談しながら、各事業部の社員がAIツールで業務効率化するほか内製ツールを自作。介護事業部では利用者送迎ルートの最適化・欠席者振替提案の自動化・高齢者向けAI相談システムの独自開発などを実現。

大みか事業所(茨城県日立市、社会インフラ向け制御システム開発拠点)の品質保証業務で、熟練者の情報探索・判断プロセスを分析し暗黙知を形式知化するAIエージェントを自社で先行導入・検証後、HMAX Industryのラインアップとして製造業向けに外販開始

大企業が自社の熟練者暗黙知(検索順序・判断プロセス)をAIエージェントで形式知化し、まず自社業務で実証してから外販商品化する「ドッグフーディング型」AI事業化の事例。効果は検索9割減・レポート作成8割減と定量的で説得力が高い。

2023年5月に全社導入されたChatGPTベースの「KDDI AI-Chat」を土台に、上司代わりのレビューAI「A-BOSS」を開発。資料読込+社内データ+市場ニュース+上司キャラクター反映フィードバックを行う。

導入時期・A-BOSS開発・上司キャラクター反映フィードバックという一連の流れが本文と一致。「AI使う新人ほど早く結果出す」は新人ほど利用率が高いという趣旨に対応する。

SBIホールディングスがAnthropicと2026年6月2日に戦略協業を発表。Claudeを原則全グループ役職員に展開し業務システムにAPI経由で組み込み、Ridge-iを中核としたエンジニアリング体制で金融向けAIエージェント開発・Claude Security共同検証・日本の金融市場に接続するAIエージェント共同実験を推進。

大手金融グループが「全社導入」「セキュリティ共同検証」「金融特化AIエージェント共同開発」の3層を同時契約する型は、企業向けAI展開の交渉テンプレとして他業種にも応用可能。

LINEヤフーは全社的な生成AI基盤(10ヶ月で16機能)を整備し、社内エンジニア効率化(GitHub Copilotで生産性10〜30%向上)とユーザー向けサービス(Yahoo!知恵袋のAI回答)の両輪で活用。

社内効率化とユーザー向けサービスの両輪で生成AIを展開し、売上・コスト双方の経営目標(年間1100億円増収+100億円コスト改善)に紐づけている点が特徴。

日本国内でソフトウェア開発(Dev)、セキュリティ(Sec)、運用(Ops)のいずれかに携わるITエンジニア3,266人を対象にした調査。エージェント型AI使用による満足度、人間とAIの貢献度の割合等を集計。

エージェント型AI導入は満足度を上げる一方、ツール乱立による複雑性増加という副作用も同時に報告されている点が示唆的(導入効果と運用負荷はセットで語る必要がある)。

WebFetchで本文取得し、method_summaryの数値・固有名詞を逐語突合

記事本文はmethod_summaryの記述と一致(開催時期2025年11月17日、11チーム参加、優秀賞ファクトチェッ子=根拠検証GPT、AIエージェントオーケストレーション支援システム、OpenAI Japan現地サポート協力)。数値・固有名詞のずれなし。

記事本文(readyfor_blog、Zenn)を生HTML取得しNext.jsの埋め込みJSON(bodyHtml)から直接テキスト抽出して検証(WebFetchの要約は2回試行で数値に食い違いが出たため不採用、生データ照合を優先)

READYFOR社(社内開発チーム12名、3ヶ月運用)のアンケートで、Claude Code導入は生産性面(83%が向上実感、66%が1日1-2時間短縮)では明確な効果があった一方、満足度は3.8/5と「圧倒的ではない現実的な水準」に留まり、並列作業増によるストレス(83%)・疲労感増(42%)という新種の負荷が可視化された、という「光と影」両論構造の事例。特に「AIが分担してくれる」のではなく「AIと一緒に複数作業を抱えるようになった」という定性コメントが実態を象徴。

GENIEE社がClaude CodeにAWS CLIをreadonlyで持たせ、Cost Explorer周りを調査させ、コスト懸念が見つかった場合はサービス設定やコードベースまで深掘りさせた。結果、Lambdaが毎リクエストS3へPutObjectしていたが「どこからも参照されていない」ログと判明し削除、また未圧縮だったAPI GatewayのJSONレスポンスをServerless Framework設定に1行追加して圧縮有効化し転送量を86.4%削減。人間なら半日〜1日かかる調査をプロンプト1回で実施した。

AWSのようなコスト構造調査は、人間なら半日〜1日かかる地道な棚卸し作業をプロンプト1回で終えられる点で、AIエージェントの費用対効果が特に大きい領域であることを示す事例。