AIエージェントの導入事例｜どこまで自動化できたか

「うちと同じ規模の会社が、どこまでやれたのか」。導入を決める前に、経営者が最初に知りたいのはそこです。検索して出てくるのは、削減率の数字が並んだ一覧。読み終えても、自社の何が変わるのかは見えてきません。

AIエージェントの導入事例を読むときにつまずくのは、たいてい次の3点です。

• 並んでいる削減率が、自社のどの作業に当たるのか対応づけられない
• うまくいった部分だけが書かれ、任せなかった範囲が分からない
• 効果を何で測ったのかが書かれておらず、社内で説明できない

3つとも、AIの性能とは別のところで起きています。事例に足りないのは、範囲の説明のほうです。

この記事では、自社が公開している導入事例と、各社が公式サイトで発表している内容を1件ずつ開いて確認したうえで、次のことに答えます。

• 公開されている事例で、実際に置き換わったのはどの工程か
• 自動化を広げなかった線を、どこに引いたか
• 他社の数字を自社に当てはめるとき、何を先に確かめるか
• 成果を社内で説明するとき、何を指標に置くか

AI導入の支援は100社を超え、Saix自身も社内マニュアルを70本前後まで増やしながらAIで生成し、社員の質問に答えるAIヘルプデスクを内製して運用しています。

支援する側であり、社内で使う側でもある立場から、机上論ではなく手を動かす前提で書きます。

事例の読み方｜先に見るのは、任せなかった業務のほう

導入事例の一覧を上から読むと、目に入るのは削減率です。80%、90%、ほぼゼロ。この数字だけを持ち帰っても、自社の稟議は1行も進みません。

ここで扱うAIエージェントとは、目標を渡すと次にやることを自分で決め、実行まで進むAIのことです。決まった選択肢を返すチャットボットとは働き方が違います。

調べる、まとめる、下書きを作る、別の台帳へ登録する。ここまでを一続きで進めます。だから効果も大きく、外したときの被害も大きくなります。

同じ「問い合わせ対応」でも、会社によって工程の切れ目は違います。削減率が示すのは結果だけで、どの工程を切り出したかは読み取れません。

事例で情報量が多いのは、任せずに人が残した範囲のほうです。そこに、その会社が運用して分かった線が現れます。

この記事で扱う事例も、まずその線から書きます。数字は、線が決まったあとで意味を持ちます。

部門別に何が置き換わったか｜約100名の会社で起きた変化

Saixが支援し、公開の許可を得ている事例から見ていきます。東証プライムに上場するD2C企業、株式会社北の達人コーポレーション様の全社研修です。

従業員は約100名。研修は延べ約300名が受講しました。以下の値はすべて、この母数で同社の事例として公開している内容に記載のある数字です。

構成は3段階でした。第1段階が全5回の基礎研修。第2段階が3日間のAIエージェント研修。第3段階が3部署のキーパーソン6名と隔週1時間、半年から1年の伴走です。

3段階に分けた理由は、最初から実装へ入らなかったことにあります。まず全社で基礎をそろえ、次に使い方、最後に部署ごとの実装という順です。

いきなり実装から入る導入は、動く人と動かない人に分かれます。全社で言葉をそろえておくほうが、あとの伴走が短く済みます。

置き換わったのは業務そのものではなく、業務の前にある下ごしらえの工程でした。調べる、探す、整える、転記する。この4つに集中しています。

数字だけを並べた事例より、どの部門で何が起きたかを縦に見るほうが、自社との距離が測れます。

部門	置き換わった工程	公開されている値	人が残っている部分
商品部	法律・表記ルールの下調べ	数時間 → ほぼゼロ	表現として出してよいかの最終判断
商品部	300人規模のアンケート分析	分析を自動化し、結果から企画案を起案	企画の採否
採用	求人票の校正	10〜15分 → 1分（90%以上の短縮）	掲載の可否を決める
採用	求人票の書き直し	30〜60分 → 1分（97%以上の短縮）	訴求の方向を決める
採用	応募者へのメール返信	80%を自動化（「返信」の1語で宛名・名乗り・返信案が生成）	選考結果の連絡
総務	座席配置	職級をスコア化して80%を自動配置	残り20%の微調整
Webマーケ部	会議の文字起こしの要約と次の行動の整理	文字起こしを置くだけで完了	決めごとの確定
面接管理	カレンダーから管理簿への転記	完全に自動化	面接そのもの

※上記は株式会社北の達人コーポレーション様の公開事例（従業員約100名・延べ約300名受講）に記載されている値です。2026年8月時点の公開内容にもとづきます。

表を縦に見ると、人が残っている列にはすべて「決める」という動詞が入っています。調べるのはAI、決めるのは人。この境目は部門が変わっても動いていません。

研修の到達度も公開されています。第3回の時点で、一人で設定できる、または手順書があればできると答えた受講者が65%でした。

この65%の読み方が大事です。残りの35%は使えなかった人ではなく、まだ手順書が届いていない人です。足りないのは訓練ではなく文書のほうだと分かります。

満足度は第1回70%、第2回75%、第3回80%と上がっています。ただし満足度が測っているのは当日の体験で、翌月の行動ではありません。

公開されているのは、ここまでの数字です。削減した時間の合計も、費用の回収期間も出ていません。そこまで書ける事例のほうが珍しいと考えてください。

金属加工の現場を持つ製造業でも、置き換わる場所は同じ形になります。図面から寸法を拾い、見積書の下地を作るところまでは任せられます。

一方で「この材質なら熱処理を先に入れる」という判断は残ります。理由が誰の資料にも書かれておらず、ベテランの口からしか出てこないからです。

複数店舗を持つ飲食チェーンの本部でも、置き換わるのは同じ層です。各店から上がる日報を束ね、売上の異常値と欠品の兆候を朝までに一覧にする。

ここまでは任せられます。ただし、どの店へ何を発注するかを決める工程は本部の担当者に残ります。過去の数字に出ない事情が絡むからです。

事例を自社へ移すときは、部門名ではなく動詞で移してください。「採用の事例」ではなく「校正の事例」として読むと、自社の別部署にも当てはまります。

どの業務まで任せる設計にし、費用がいくらかかるかはAIエージェント導入支援で任せられる業務と費用に整理しています。

外部の公開事例｜公式発表が語っているのは量で、範囲は書かれていない

国内外の企業が自社サイトで公開している事例も、1件ずつ開いて確認しました。共通していたのは、公開値が処理した量に偏っていることです。

分かりやすいのが、後払い決済を手がけるKlarnaが2024年2月27日に出した公式発表です。顧客対応にAIを入れ、最初の1か月で230万件の会話を処理したと書かれています。

同社はこれを「フルタイムの担当者700人分に相当する」と説明しています。解決までの時間は11分から2分未満へ、同じ用件での再問い合わせは25%減ったとしています。

数字は大きい。ただしこの発表には、AIに任せなかった問い合わせの種類が1行も書かれていません。読み手には対象の輪郭が分かりません。

AIを提供する側の公式サイトも同じでした。法務向けの事例では和解までの日数が60日早まった、開発支援の事例では数か月かかる移行作業が数日になったと記載されています。

いずれも成果の大きさは書かれていますが、人が残した工程は書かれていません。公開事例は宣伝物なので、止めた線が載らないのは当然です。

だから読む側が補います。事例を見たら、書かれていない工程を先に想像し、そのうえで数字を読む。順番はこちらです。

公開値の読み方には順番があります。まず母数を見る。次に対象期間を見る。最後に数字を見ます。

母数と期間が書かれていない数字は、社内の説明では使えません。稟議で最初に突かれるのがこの2つだからです。

先ほどの発表なら、母数は顧客対応の会話、期間は最初の1か月と明示されています。だから比較の土台に載せられます。

逆に、出典の書かれていない削減率が並んだ記事は、そのまま会議へ持ち込まないでください。1回止まると、次の提案まで距離が空きます。

土台にどのAIを選ぶかでも、扱える文章量と費用は変わります。主要な選択肢の違いは用途別に比較した記事で整理しています。

どこで止めたか｜広げなかった線は3か所に集まる

ここが事例のいちばん濃い部分です。運用が1年を超えた現場を並べると、止めた線はほぼ3か所に集まります。

線1：取り消しが効かない出口の手前で止める

送信、入金、発注、公開。押したら戻せない操作の手前には、必ず人が1人入っています。

下書きまではAI、外へ出すのは人。この形にしておくと、外れた出力が社外へ届く経路が構造として無くなります。

止める位置は工程の途中ではなく、外へ出る扉に置きます。社内で工程がいくつに分かれていても、外へ出る扉は1つしかありません。

先ほどのKlarnaは、この線を対外の窓口まで広げた事例として読めます。公式発表の1年あまり後、同社が人の担当者を再び増やす方針へ切り替えたと複数のメディアが報じました。

同社はこれを「AIと人を併用する形への移行」と説明しています。細部は外からは確かめられません。確かなのは、いったん広げた線を戻す判断が実際に起きているという事実です。

線2：判断の理由が資料に残っていない業務は広げない

2つ目は、正解が社内のどこにも文章で残っていない業務です。

金属加工の現場でいえば「この治具を先に外さないと傷がつく」という類の判断がこれにあたります。理由は本人の口からしか出てきません。

材料の無い質問に答えさせると、文章として整った推測が返ってきます。読む側に、推測と事実を見分ける手がかりはありません。

だから先に線を引きます。参照できる資料が見つからなければ答えさせず、人へ回す。この条件を1つ入れておけば足ります。

資料の無い業務を外す判断は、消極的に見えて逆です。書けていない判断が浮かび上がるので、次に文書化する対象がその場で決まります。

線3：相手が人に話したい場面は最初から対象に入れない

3つ目は苦情、条件の交渉、退職や解約の相談です。内容としては答えられても、対象に入れません。

ここで求められているのは正しい情報ではなく、聞いてもらったという事実だからです。正確な回答が即座に返るほど、相手の不満は強くなります。

この3つは、業種が変わっても位置がほとんど動きません。製造業でも士業でも、外へ出る扉、理由の無い判断、感情のある場面という並びは同じです。

線を引いたら、紙1枚に書いて残してください。口頭で合意した線は、担当が変わった時点で消えます。

対外の問い合わせで線を引く手順はAIエージェントで問い合わせ対応を任せるときの設計と注意点で扱っています。

効果の測り方｜削減した時間でなく、質問の行き先が変わったかで見る

稟議で削減時間を出すと、必ず根拠を聞かれます。作業時間の見積もりは、測り方しだいでいくらでも動きます。

成果が立ったと言えるのは、特定の人に集中していた質問が別の場所へ向かい始めた瞬間です。ここで初めて属人化が解けています。

作った本数は作り手の稼働量で、読み手の変化を表していません。読まれた回数でもまだ足りません。

見るのは2回目です。1回目は全員が試します。2回目に来なかったなら、答えが外れたか、出典をたどれなかったかのどちらかです。

1回で終わった仕組みは、範囲を広げても戻ってきません。網羅する資料を増やしても、同じ結果になります。

指標は1つで足ります。複数の指標を並べると、都合のよいものが選ばれて説得力が落ちます。

数え方も難しくありません。特定の担当者へ届いた質問の件数を、導入前の1か月と3か月後の1か月で比べる。これで行き先の変化は出ます。

Saixでは、社内マニュアルを70本前後まで増やしながらAIで生成し、社員からの質問に答えるAIヘルプデスクを内製して運用しています。

質問は8つのカテゴリへ自動で振り分けています。偏りが出たカテゴリは、そのまま社内資料の弱い場所を指しています。

偏るカテゴリは月ごとに入れ替わります。入れ替わり自体が、社内で何が新しく始まったかを示しています。

費用は1問ごとに1000分の1円の単位まで記録し、月3,000円の上限に達すると自動で止まります。使いすぎが構造として起きない形にしました。

この上限は節約のためではありません。青天井にしないと先に決めておくと、社内へ向けて使ってよいと言い切れるようになります。

Saix社内では削減率も正答率も取っていません。代わりに見ているのは、同じ質問が特定の人へ飛ばなくなったかどうかです。

自社で組む場合は、AIを提供する会社との法人契約が別に必要になります。料金とプランの選び方はChatGPTの法人契約ガイドにまとめています。

失敗・落とし穴｜他社の事例が自社で再現しない3つの原因

同じ製品を同じ手順で入れても、事例のようにならない会社があります。原因はAIの性能ではなく、始める前の3つの条件にあります。

1つ目は、質問が集中している人がいないことです。事例で効果が出た会社は、例外なく「あの人に聞けば分かる」状態を抱えていました。

質問がもともと分散している組織では、行き先が変わっても変化が見えません。効果が出ないのではなく、測れないという意味です。

集中先を確かめるのは簡単です。1週間、誰にどんな質問が飛んだかをメモに残せば、その週のうちに輪郭が出ます。

2つ目は、参照する資料が社内に無いまま始めたことです。手順が誰かの頭の中にしかない状態で動かすと、推測で答え始めます。

先に資料を全部そろえる必要はありません。実際に来ている質問の上位10件だけ、答えを文章にしておけば動き出せます。

3つ目は、効果の指標を後から決めたことです。始めてから測る基準を探すと、都合のよい数字が選ばれます。

そうやって作った資料は、社内で1度は通っても2度目は通りません。測る基準は、動かす前に1行で決めてください。

指標を先に決めておくと、うまくいかなかったときの説明も楽になります。基準があれば、失敗ではなく範囲の調整として報告できます。

3つに共通するのは、道具より先に自社の状態を見ていない点です。事例が示しているのは製品の性能ではなく、その会社が持っていた前提条件のほうです。

3つは、始める前なら1日で確かめられます。動かしたあとでは、確かめる機会がなかなか来ません。

2つでも整っていれば、事例と同じ方向へは動きます。全部そろうまで待つ必要はありません。

すでにOfficeやGoogleのツールを全社で使っているなら、土台をそろえるところから始める手もあります。手順はCopilotを会社に入れる導入手順にまとめています。

よくある質問

Q. 事例と同じ仕組みを試すとき、社内の情報が外へ出ないか

渡す材料の側を先に絞ってください。全社の資料を読ませるのではなく、対象の業務で使う資料だけを置いた場所を作り、そこだけを参照させます。そのうえで、入力した内容が学習に使われない契約かを提供元の公式資料で確認し、保存期間と削除の手順を社内規程に書いてから始めます。

Q. 何人規模の会社から効果が出るのか

人数より、同じ質問がどれだけ重なっているかで見てください。上位10種類の質問で全体の半分を占めているなら、20名規模でも変化は出ます。逆に数百名いても質問が毎回違う業務では、資料を整える手間のほうが上回ります。まず直近1か月の質問を種類ごとに数えるところから始めます。

Q. 事例と同じ結果を出すのに、外部へ頼む必要があるか

最初の1業務は社内で回せます。分かれ目は資料を更新し続ける担当を置けるかどうかで、置ければ自作でも続きます。置けない場合や、複数部署へ同時に広げる段階では外部の伴走が効きます。この判断は、最初の1業務が回ってからで間に合います。

まとめ

AIエージェントの導入事例で先に見る場所は、削減率ではなく任せなかった範囲です。公開されている事例で置き換わっていたのは、調べる・探す・整える・転記するという下ごしらえの工程でした。決める工程は、部門が変わっても人に残っています。

止めた線は3か所に集まります。取り消しの効かない出口の手前、判断の理由が資料に残っていない業務、相手が人に話したい場面。この3つを先に決めておけば、あとは走らせながら範囲を広げられます。

効果は削減時間ではなく、質問の行き先で測ってください。特定の人へ飛んでいた質問が別の場所へ向かい始めたかどうか。この基準なら、動かす前に1行で書けます。

数字の大きい事例に引きずられないでください。参考になるのは規模ではなく、線の引き方のほうです。自社より小さい会社の事例が、いちばん役に立つこともあります。

次の一手は、直近1か月に社内で飛び交った質問を種類ごとに数えることです。数え終えたら、任せる範囲と費用の目安をAIエージェント導入支援で任せられる業務と費用で確認し、自社のどこに線を引くか迷う場合は無料のAI活用セッションでご相談ください。