日時 : 2025-03-13
場所 : ベルサール渋谷ガーデン
ハッシュタグ : #gcai_agent
AI エージェント、生成AIでビジネスを革新する力
生成AIの日本でのお客様事例 : 62社
キャズムを越えるためのヒント3
AIモデルの進化
Geminiは４つのモデルファミリーがある。
デモ1 : 飲食店
属人化していたことを企業の資産として変換する
調理場の動画から、提供にかかる時間、調理器具などのレポートを生成する
提供にかかる時間、調理器具の数、フィードバック(まな板に汚れがある)、３ヶ国語対応した
手順比較をしてベストプラクティスを抽出
調理手順の標準化・食品ロスの削減
新人教育と多言語対応
AI エージェント
KaggleにはAgentsというレポートがある。
たとえば、英語を読めない。。 → NotebookLMに投げる
NotebookLM : ドキュメントに対して、書かれた内容をAIエージェントが解析してくれる
Google Agentspace : 社内のあらゆるアプリに導入できる。(既存のGoogle製品はいらない)
お客様独自のエージェントも構成可能
日本国内サポートする
AIエージェントとは？
人間の行動
目的 : AI Agent Summit でプレゼン
コンテキスト : IT業界・IT部門がメインオーディエンス
思考→アクション→観察→思考に戻る
これまでのAI
目的と思考サイクルを人間がAIに投げていた
AIエージェント
自律的に目標達成してくれる
2028年 ERPの33%に導入、日常業務の15%は代替
Google Agentspace
Google Agentspace デモ
プロンプト : Googleとどのように連携できるのでしょうか？
Research : リサーチ項目の分析してくれた(20項目の分析結果を出してくれる)
プロンプト : Future Games アカウントについて教えてください。
Slackでの顧客やり取りを分析
Gmail の状況をAgentに提供した
日本電気株式会社(NEC)の事例
AIエージェントを活用した全社変革を進めている
社内のDXを加速する
社内で蓄積してきたノウハウを製品として展開
エンゲージメントを50%にあげる目的でやっていた
キーワード検索→機械学習→Agentspaceと社内基盤を変えていった
よりAIエージェントが効果的に機能する環境を作成する
AI エージェントをシェアードサービスに適用したい
AI BPOの促進をしている
Data & AI
非構造化データを分析可能にし、価値を引き出す
現場で埋もれていた声を活用し、経営層に届ける
株式会社アダストリアの事例
アパレル系の企業
事例 : ECでお客様が本当に欲しいものを届けるために、意味理解とパーソナライズで進化
環境→文化→効果の順で生成AIを進めていく
生成AI文化を作るには、地道なワークショップ・トレーニングを開催
事例共有による成果発信
効果が出た事例 : お客様の本当の声を生成AIで活用する
購入できなかったネガティブな意見の収集が難しかった
お客様の声を店舗での会話から収集(元々紙で収集していたが、音声認識をテキスト化し、それを生成AIでサマリー)
上記の内容を外販に繋げている
株式会社博報堂の事例
デジタル広告のプランニング
エージェントを２種類用意している→新規コンテンツを生み出すエージェントと過去データを分析しているエージェント
Clip : 気になる会話は保存して、後からスライドとして書き出し可能
Alert : エラーだけではなく、不自然な設定はチャットでアラート
そのままの社内データを活用できなかったため、メディアプラン用のテンプレートを構築し、それを学習している
生成AI基盤 セブンイレブンAIライブラリ で真のデータ民主化で実現
登壇企業 : セブンイレブン・ジャパン
セブンイレブンの事例について紹介
SDGsに貢献することが目標の一つ
データ活用
毎日21000店舗から大量のデータが集まり、蓄積される
全社員は全店の数値を確認する習慣がある → データドリブンな文化
リアルタイムの状況を集約すセブンセントラルを構築している
守りのデータ活用・BCP : 被災地などへの対応
攻めのデータ活用 : 在庫状況のへの対応
リテールメディア : 広告商品のリアルタイムフィードバック
如何にコントローラブルなサービスを作れるかという思いでセブンセントラルを作成した
加工・分析できる社員が限られる
データ整備、AIも揃えたが、全社活用にはリスキリングが必要だった
→ 生成AIを通して、そのハードルを下げることができた
使い倒すことにフォーカスし、負の面は一旦セキュア担保だけで目を瞑って取り組んでいた
生成AIに期待していたのは、仕事の効率化と売り上げ向上。→現在トライしている
セブンイレブンAIライブラリ
セブンイレブンAIライブラリ
生成 AIを適切に使い分けている
SNSでの評価に対する分析もしている
プロンプトの蓄積・使い回し
開発プロセスを省略
なんでも聞いては多くの社員は使ってくれない
目的を絞ってUIを変えた
最新プロンプトの提供
活用事例
SEJ社員が自然言語で聞く→結果が生成AIにより表等で返ってくる
SNS自動分析からの改善提案→商品イメージの自動生成→加盟店への商品資料自動生成
迅速なリスク分析レポートの生成
SNS投稿のチェック → 内容を分類・整理 → 分析・対策
IR資料の要約・各社比較
20秒でアウトプット→A社の成長要因などを分析
まとめ
GC上で有機的にシステムやデータがつながり、使いこなす
真のデータ民主化
今後の挑戦 : AIによる災害対策の高度化(属人排除)
生成AI活用のカギは社内浸透! Vertex AI事例とAIエージェントの未来
登壇企業 : アイレット株式会社
会社紹介
クラウドのテクノロジーを活用したお客様のDX支援
LLMの紹介
LLMの普及→RAGの登場
LLM : 事実に基づかない情報の生成
RAG : 外部システム連携や複数のステップにげんかいがあった
上記解決のために、AIエージェントが普及
AIエージェントの定義や解釈の乱立
Andrew Ng: 様々なシステムが程度はこれあれ、エージェントと言える
AIエージェントらしさ : 下記を部分的にでも有しているもの
自律性
LLMの活用
連携能力
自己改善
タスクの遂行能力
Vertex AI Agent Builder の活用
Vertex AI Agent Builder
GCが提供する、AIエージェント、生成AIアプリケーションを簡単に構築するためのサービス
Conversational Agents : 統合開発環境で連携機能が豊富なサービス
Vertex AI Search : RAGによる非構造データの検索、データソース対応、セマンティック検索、レコメンデーションなど
株式会社ウエスコの事例
AIサービスの導入 → 社内浸透しない → 全社利用できるようにしたい
使いやすいUI/UXの提供 : RAG、プライバシー保護、ファイル参照など
内製化に向けた作業 : 引き継ぎ資料の充実
アーキテクチャ : Firebaseなどを活用しているため、低コストで安定した運用ができる
AI で業務改善!効率化とデータ分析で未来を拓く
登壇企業 : 株式会社サテライトオフィス
GC詳しい, アドオンツールで課題解決, 導入支援もやっている
2024年では、9.1%の利用
利用しない理由 : セキュリティ、使い方がわからない、自身の業務に必要がない
個人情報・ノウハウの流出リスク
AI学種させない、機密状況を入力させない
あらゆる場面で活躍するシンプルなツールで浸透させる
サテライトAI(自社サービス)の紹介してる
AGとか議事録とかメール下書きのようなノウハウはまあまあだと思う
SWOT分析をAIにさせるアイデアは面白いかも
情報収集から最新の動向までを調べさせる
決算書の分析をやっている
BIの画面を画像化し、生成AIに要約・分析させる
カスタマーエージェントによる顧客体験の進化
登壇企業 : ビッグローブ株式会社
Google の Customer Engagement Suite
CCAI(コンタクトセンターAI)をリブランドしたもの
顧客のペイン
ビジネス : オペレーターの離職やオンボーディング
テクノロジー : コールセンターのアセットが足枷になって新しい取り組みができない
市場の動向 : 顧客体験の進化(LLMの改善による顧客価値向上、RAGによる自社のことを理解したAIを提供する、顧客に対するロイヤリティを上げる)
Customer Engagement Suite
Conversational Agents and Dialogflow : Geminiと融合することで従来の単純な分類ではなく顧客に対応した柔軟な回答ができる。またそれらをノーコードで生成できる
Agent Assist : スマートリプライやAIコーチングなどの機能が搭載
Conversational Insights : 顧客の感情がどのように変化したかを可視化するためのソリューション
CCaaS(CCAIP) : コンタクセンターの体験を変革するためのサービス
海外事例や国内事例で結果を出している
BIGLOBE 事例
音声認識とデータ分析を実施することにより、応対品質向上とサービス品質を向上させる(元々オペレーターの手作業で情報を収集していた)
応対品質のレポートをFB → 専門用語を多用しているなど
カスタマージャーニー・痛点分析により、困りごとの定量把握・改善ポイントを発見
ポイント : 音声認識・文字起こし
従来の音声認識だと認識間違い・話者特定不可だったり問題があった
音声のままGeminiに投入し、生成AIでテキスト化 → 効果あり
音声データの声の抑揚やトーン分析も
モデルの使い分けをしている(Geminiの1.5 flash, 1.5 pro, 2.0 flash)
一昨日にGemini 1.5 flash → 2.0 flash lite
1.5 pro には few-shot で10万文字のプロンプトを与えている
出力文字上限がある。
音声データの分割(コストがかかるので、NG)
文字起こしを複数に分けて実施する
オペレーターごとに応対品質をスコア化している
カスタマージャーニー分析
フェーズ→痛点分析→応対内容
まとめ : 音声認識のテキスト化、低コスト化、音声データのニアリアイルタイム処理できる
Google Cloud を活用したマルチエージェント
登壇企業 : 株式会社G-gen
複数のツールを活用して情報収集やアクションの実行を行い、自律的にゴールを達成
Vertex AI Agent Builder
顧客データを学習しない
Playbook
組み込みツール
OpenAPIツール
データストアツール
Functionツール
様々なアプリケーションと統合可能
マルチエージェントとは？
それぞれの担当分野を持つ独立したAIエージェントが連携して対応する
自律性、分散性、協調性、適応性
より自然で人間らしい対話、複雑な問題への対応、体験のパーソナライズ化、効率化
その人に沿った対応ができたりする
開発効率の向上、AIエージェントの再利用・拡張、高度な機能の構築が可能、分散処理によるスケーラビリティ
エンタープライズ市場業務システムシェアNo.1の富士通xGemini
登壇企業 : 富士通株式会社
運用に乗っている実践例を共有
Fujitsu uvance : 1 vs nのクラウドサービス
AIを組み込む → Beyond Chat
事例 : 部品発注担当が多く、各部品を見るのが大変
アラートを出して、そこを見るように業務を変更
在庫推移に生成AIを混ぜて予測モデルを作っている
AIによる価値創出
生産設備が壊れるとレポートを持っている
構造化してRAG化しました。
月9000hかかっている業務 → 定性的に評価しなければならない → 社内ルールがあった
ナレッジグラフ
すべてのデータをAIレディにする
表形式のデータ → グラフデータ → ナレッジグラフ
上記のプロセスじゃないとなんのためにデータを使うのかが分析できない
GCはすべての仕組みが集約されていて、エンジニアにとってフレンドリー
社内のエンジニアプールがあり、機械的にエンジニアをプロジェクトにアサインしやすくなった(それまでは部門間で相談してアサインパズルをしていた)
残業が劇的に減っている
AGENT for AI agents
代理人になってAIエージェントを選ぶ