AI導入事例どの業務が、どう変わったか。

AIを使った業務

契約案件の受付、AIレビュー、電子署名、締結後の管理を一つの環境に集約し、自社基準と過去判断を参照して審査する業務

導入したAI

LegalOn（マターマネジメント、レビュー、サイン、コントラクトマネジメント）

公表内容の詳細

弁護士による契約審査体制を維持しながら、稼働を週5日から週3日に変更。契約業務にかかる弁護士委託コストを40%削減した。

数字の確かさ

実績

数字の出し方・注意点

審査件数は増加中だが、対象期間、契約件数、費用額は非開示。AI単体ではなく、受付から管理までの一気通貫化を含む効果。

出典：ベンダー実名事例（legalontech.com）

AIを使った業務

Slack、Googleドライブ、表計算に分散していた契約受付、進捗、締結後の契約情報を集約し、検索と期限管理を行う業務

導入したAI

LegalOn（案件管理、契約管理、AI検索）

公表内容の詳細

契約台帳の手作業更新を廃止し、年間約100時間の工数を削減。約4,000件の契約関連情報を一元管理した。

数字の確かさ

実績

数字の出し方・注意点

100時間は廃止した台帳作成の年間工数。契約審査そのものの短縮時間や、集約作業に要した初期工数は別。

出典：ベンダー実名事例（legalontech.com）

AIを使った業務

自社と商社特有の審査基準をプレイブックにし、契約条項をAIで照合。英文・中文契約の理解支援と変更比較にも利用

導入したAI

LegalOn（レビュー、プレイブック、ユニバーサルアシスト）

公表内容の詳細

従来1時間ほどかかっていた契約審査が約30分になり、工数は約半分に削減。年間約1,000件を10名体制で審査する。

数字の確かさ

実績

数字の出し方・注意点

代表的な審査時間の申告値。プレイブック作成では担当者8名の棚卸しと会議など初期作業が発生している。

出典：ベンダー実名事例（legalontech.com）

AIを使った業務

専門性の高い和文・英文契約のレビュー、必要条項の抜け漏れ確認、リスク洗い出し、翻訳と人材育成

導入したAI

LegalOn（AI契約レビュー、ユニバーサルアシスト）

公表内容の詳細

契約書レビューに関する作業量を約2割削減。審査課では年間約250件を扱い、英文契約が全体の2〜3割を占める。

数字の確かさ

実績

数字の出し方・注意点

作業量の削減は担当者インタビューによる公表。計測期間と時間の絶対値は非開示で、品質標準化の効果も含む。

出典：ベンダー実名事例（legalontech.com）

AIを使った業務

職員採用の応募者全員にAI面接を実施し、録画、文字起こし、要約を人事担当者が確認して一次選考を行う業務

導入したAI

PeopleX AI面接

公表内容の詳細

従来の対面一次面接からAI面接へ切り替え、採用に関わる総工数を約40時間削減。録画結果は人事担当者4名で確認した。

数字の確かさ

実績

数字の出し方・注意点

応募者全員の録画確認時間は残る。対象人数と従来の各工程別時間は非開示で、AIだけで合否を決めていない。

出典：ベンダー実名事例（peoplex.jp）

AIを使った業務

面接録画から議事録を生成し、明文化した基準に沿う評価ドラフトを作成。面接官が根拠を確認して最終判断する業務

導入したAI

JAPAN AI HR

公表内容の詳細

面接官を2名から1名に変更し、面接1回あたり合計4時間だった工数を約40%削減。議事録と評価ドラフトをAIが作成する。

数字の確かさ

実績

数字の出し方・注意点

削減率には面接官人数の変更が含まれる。評価ドラフトはAI出力をそのまま採用せず、面接官が最終判断する運用。

出典：ベンダー実名事例（japan-ai.co.jp）

AIを使った業務

応募直後にAI面接を案内し、希望部門や条件を聞き取る。動画と要約を確認して対面の最終面接につなぐ業務

導入したAI

PeopleX AI面接

公表内容の詳細

応募者とのやり取り期間を約1週間短縮。導入初月は案内した候補者全員が受験し、AI面接実施率100%となった。

数字の確かさ

実績

数字の出し方・注意点

実施率100%は導入初月の値で対象人数は非開示。採用全体の継続的な実施率や定着率は今後の確認が必要。

出典：ベンダー実名事例（peoplex.jp）

AIを使った業務

新卒採用の一次選考をAI面接で実施し、要約と録画を採用担当者が確認。対面面接は次工程に集約する業務

導入したAI

PeopleX AI面接

公表内容の詳細

新卒採用の一次選考をAI面接へ100%置き換え。日程調整が不要になり、要約によって結果確認の工数も削減した。

数字の確かさ

実績

数字の出し方・注意点

100%は削減率ではなく一次選考の置換率。確認工数の具体的な時間、応募者数、採用・定着への長期効果は非開示。

出典：ベンダー実名事例（peoplex.jp）

AIを使った業務

請求と入金をAIで突合し、表記揺れ、合算入金、手数料、過入金・未入金を仕訳形式で処理して会計へ連携する業務

導入したAI

バクラク債権管理（AI候補提案）

公表内容の詳細

月約2,000件の入金消込にかかる時間を4時間から2時間へ半減。金額が一致するものはほぼ100%突合されると担当者が説明。

数字の確かさ

実績

数字の出し方・注意点

時間比較は月次処理全体の担当者申告。AI候補提案に加え、会計API連携と差額処理の自動化を含む複合効果。

出典：ベンダー実名事例（bakuraku.jp）

AIを使った業務

請求書の画像認識、項目抽出、業務システムへの入力をAI-OCRとRPAでつないで自動化する業務

導入したAI

AIスキャンロボ＋WinActor

公表内容の詳細

1回110分だった請求書処理工程が88分となり、22分、約20%削減。入力後に数字が合わず全件を再確認するミスも抑制した。

数字の確かさ

実績

数字の出し方・注意点

AI-OCRだけでなくRPAと工程見直しを含む効果。対象となる請求書枚数、計測回数、例外処理の比率は非開示。

出典：当事者の導入事例（quest.co.jp）

AIを使った業務

取引先ごとに形式が異なる見積書をAI-OCRで読み取り、注文書発行に必要な明細を半自動入力する業務

導入したAI

スマートOCR

公表内容の詳細

導入2か月時点で1枚平均12分が5分になり、時間にして月50時間、約60%を削減。毎月数百件の帳票を処理する。

数字の確かさ

実績

数字の出し方・注意点

導入初期2か月の値。約20種類のテンプレート作成と、人による読み取り結果の確認・修正は残る。

出典：ベンダー実名事例（smartocr.jp）

AIを使った業務

紙やPDFの請求書から金額、日付、取引先などをAI-OCRで抽出し、BPOで確認後に会計システムへ連携する業務

導入したAI

RICOH Cloud OCR for 請求書＋BPOサービス

公表内容の詳細

2名で月約200通を処理していた請求書入力と確認の負荷について、担当者が50%以上削減できていると回答した。

数字の確かさ

体感

数字の出し方・注意点

担当者の体感値で、計測ログによる時間比較ではない。AI-OCRに加えてBPOの確認・修正サービスを含む。

出典：ベンダー実名事例（ricoh.co.jp）

AIを使った業務

顧客からの問い合わせ通話を文字起こしし、要約と対応記録をAIで作成してオペレーターの通話後作業を支援

導入したAI

PKSHA Speech Insight

公表内容の詳細

ACW（通話後作業）を30%削減し、作業時間は最大15分から5分以内へ短縮。要約精度79%も公表した。

数字の確かさ

実績

数字の出し方・注意点

最大時間と平均削減率は性質が異なる指標。小規模ヘルプデスクでの値で、問い合わせ件数と計測期間は要確認。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

AI面接サービス利用者からのエラーや操作方法の問い合わせに、FAQ連携のチャットエージェントで24時間対応

導入したAI

PKSHA ChatAgent

公表内容の詳細

チャットエージェント導入後、問い合わせ件数を5割削減。有人電話に至る場合も事前情報が揃い通話時間が減少した。

数字の確かさ

実績

数字の出し方・注意点

件数の対象期間と絶対数は非開示。問い合わせ抑制と、FAQページへの誘導変更を含む運用全体の効果。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

社内問い合わせをTeams上で受け付け、FAQ自動回答、有人引継ぎ、案件管理、対応ログからのFAQ生成を行う業務

導入したAI

PKSHA AI Helpdesk

公表内容の詳細

情報システム部門への問い合わせ対応の半数以上を自動化。FAQ自動生成と案件管理を一つの環境で運用した。

数字の確かさ

実績

数字の出し方・注意点

公表値は自動対応比率で、削減時間ではない。残る複雑な問い合わせは有人で対応し、その履歴をFAQ改善に使う。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

社内IT問い合わせをTeamsのAIヘルプデスクへ集約し、AIで解決できない案件を有人チャットへ引き継ぐ業務

導入したAI

PKSHA AI Helpdesk for Microsoft Teams

公表内容の詳細

月約2,000件あった社内問い合わせ電話を廃止。AIチャットから有人チャットへ切り替える動線を定着させた。

数字の確かさ

実績

数字の出し方・注意点

電話廃止は問い合わせ自体の消滅ではなくチャネル移行。AIの自己解決率と有人チャット側の総工数は別に見る必要がある。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

学内情報システムの問い合わせをAIチャットとFAQで案内し、担当者が回答を探しやすいナレッジ基盤として運用

導入したAI

PKSHA ChatAgent＋PKSHA FAQ

公表内容の詳細

導入後4〜5月のヘルプデスク担当者による対応件数を前年同期比21%削減。導入1か月後の効果として公表した。

数字の確かさ

実績

数字の出し方・注意点

前年同期比較で、利用環境の変化を完全には除けない。担当者はAIチャット単体よりFAQ検索性の改善も理由と説明。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

履修や学生生活の定型質問へAIチャットが回答し、個別性の高い相談のみ職員窓口へつなぐ業務

導入したAI

PKSHA ChatAgent

公表内容の詳細

4〜5月のメール問い合わせが前年の約100件から約50件へ減少。窓口対応も2〜3名体制から1名体制になった。

数字の確かさ

実績

数字の出し方・注意点

件数は2か月の前年同期比較で、メール以外を含む総問い合わせ件数ではない。個別相談は引き続き有人対応。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

事前に整えたプロンプトで技術科の学習指導案の素案を生成し、担当教員が内容を修正して完成させる業務

導入したAI

セキュアな校務向け生成AI環境

公表内容の詳細

学習指導案の作成時間が90分から約30分に短縮。AI出力は担当教員が期待する6〜8割程度の完成度だった。

数字の確かさ

実績

数字の出し方・注意点

特定教員・特定教科の事例で、全校平均ではない。完成度は担当教員の評価で、最終化の30分は人の確認を含む。

出典：文部科学省の公式資料（mext.go.jp）

AIを使った業務

教育分野に特化した生成AIが学習指導案の素案を作成し、教員が更新と最終化を行う業務

導入したAI

教育分野特化の生成AI

公表内容の詳細

経験年数5年以下から21年以上までの教員303名では、学習指導案作成の業務時間が平均26分、約12%削減された。

数字の確かさ

実績

数字の出し方・注意点

実証課題での平均値。学校現場の日常運用にそのまま適用できるとは限らず、教科や経験年数による差も確認が必要。

出典：文部科学省の実証研究報告（mext.go.jp）

AIを使った業務

教務手続きと学費納入の定型問い合わせにAIチャットで回答し、学生が勤務時間外でも情報へアクセスできるようにする業務

導入したAI

PKSHA ChatAgent

公表内容の詳細

電話・メールの問い合わせをまず20%、できれば40%削減する目標を設定。財務経理課は年間約3,100件の電話を指標にした。

数字の確かさ

見込み

数字の出し方・注意点

公表時点では目標値であり、達成実績ではない。学生個別の事情に関わる質問は有人対応が必要。

出典：ベンダー実名事例（pkshatech.com）

AIを使った業務

営業のマクロトレンド情報収集・得意先の経営課題要約・商談ロールプレイング・メール添削、マーケの新商品フレーバー提案やコピー案検討、各部の議事録作成・IR資料要約など、部署ごとに洗い出した業務のプロンプトのテンプレート化

導入したAI

NISSIN AI-chat powered by GPT-4 Turbo（Microsoft Azure上に構築した自社専用環境）

公表内容の詳細

「＜定量効果＞ 年間作業工数 32,591時間削減見込み」。部署別内訳として「NSS営業（BS部） 25,120時間」「NSSマーケティング部 4,631時間」「計 32,591時間」。

数字の確かさ

見込み

数字の出し方・注意点

作成したプロンプトテンプレート活用による効果算出で、18部署の削減時間を積み上げた合計値。母数となる人数と1件あたりの計測方法は非開示。原典が「削減見込み」と明記しており実測の削減実績ではない。なお社内問い合わせ窓口の「作業工数の削減率24%（2023年10月）→32%（2024年3月）」は別項で、こちらは達成表現。

出典：自社IR説明会資料（nissin.com）

AIを使った業務

店舗ごとの棚割システムと連係し、30種類のコーザルデータから商品別の需要を予測して発注推奨数を提示する日次の発注入力（消費期限の短い日配品を含む）

導入したAI

Hitachi Digital Solution for Retail／需要予測型自動発注サービス（日立）＋オプティマムアーキテクトのCategory Profit Management

公表内容の詳細

「発注業務に要していた時間を約3時間から約25分と約85%短縮できたこと、および在庫を約15%削減できたという高い精度を確認し、発注業務の大幅な効率化を実現しました。」

数字の確かさ

実績

数字の出し方・注意点

1日の発注入力の作業時間とバックヤードを含む在庫数の実測定。ただし脚注のとおり母数は全182店舗ではなく、2021年6月〜2022年1月に実証実験を行った2店舗の値。全店稼働は2022年11月からで、稼働後の全店実測値は公表されていない。

出典：当事者連名のプレスリリース（hitachi.com）

AIを使った業務

デイリー部門（和日配・洋日配など合計約2,000商品）の売れ行きチェックと発注数の決定・発注端末への登録。AIが発注数を算出し、確信度の低い商品にのみアラートを出す

導入したAI

AI-Order Foresight（BIPROGYがライフコーポレーションと共同開発したクラウド型の需要予測型自動発注サービス）

公表内容の詳細

「従来は売れた商品のチェックと発注作業に多大な手間と時間がかかっていましたが、AOFの導入によってこの作業時間を約60％も削減することができました」（取締役 内田健一氏）。

数字の確かさ

実績

数字の出し方・注意点

算出方法・計測期間・対象店舗数はいずれも非開示で、経営層へのインタビュー中の発言として示されている。対象はデイリー部門のみ。同じ原典には、必要棚数の設定を店舗の発注担当者に任せた結果「欠品を恐れるために多めの数量を設定してしまい、売場に商品が溢れるという事態が発生しました」という記録もある（登録をシステム部門に移して解消）。

出典：ベンダー実名事例（biprogy.com）

AIを使った業務

ECサイトの商品検索における意味理解（「赤 ワンピース」と「赤いワンピース」などの表記ゆれ・同義語の吸収）と検索結果のパーソナライズ、および「カテゴリから探す」ページの商品レコメンド

導入したAI

Vertex AI Search for retail、Recommendations AI（ほかに画像生成AI Imagen、Gemini API）

公表内容の詳細

「意味理解による検索精度の向上により、ユーザーが求める商品にたどり着きやすくなった結果、検索から商品詳細ページへの遷移率が 15% 向上し、コンバージョンレートは 20 % 改善しました。」

数字の確かさ

実績

数字の出し方・注意点

「実際にシステムの一部に組み込み、A / B テストを行うことで効果検証を行いました」と原典に明記。ただしテスト期間・セッション数・対象ブランド範囲は非開示。行動データが蓄積されパーソナライズが効くと遷移率がさらに5%向上したと別記。Recommendations AI は商品遷移率9%・CVR16%向上として別の数値で示されている。

出典：ベンダー実名事例（cloud.google.com）

AIを使った業務

全国1,200店舗の店長・社員・パートから本社に来る問い合わせ（福利厚生、店舗システム機器、消耗品・備品の発注方法、社員採用など）への一問一答形式の自動回答

導入したAI

サポートチャットボット（ユーザーローカル）。社内キャラクター「マッキー」として運用

公表内容の詳細

「月に8000件以上あった電話問い合わせ数は導入から1年後の2022年10月～12月には月平均で35.7％減！さらに半年後となる2023年6月～8月には月平均で41.5％減に！」

数字の確かさ

実績

数字の出し方・注意点

導入前の月8,000件以上に対する月平均の件数比較。ただし同社担当者自身が「さまざまな施策をしていく中での問い合わせ削減ではありますが」と述べており、チャットボット単独の効果として切り分けられていない。解決率は2023年9月時点で67.3%、未解決率3.1%。

出典：ベンダー実名事例（userlocal.jp）

AIを使った業務

需給業務における需要予測。AIが予測値だけでなく予測根拠と予測・実績の乖離を可視化し、人が昨年の売上などを参考に必要に応じて修正する

導入したAI

製品名・モデル名の記載なし（原典は「AI」「AI予測」とのみ記載）

公表内容の詳細

「需給業務時間の削減（創出時間 約6,000時間/年）」「中長期的な戦略・戦術立案業務へのシフト（需給業務比率：約75%→約50%）」。

数字の確かさ

実績

数字の出し方・注意点

算出方法・対象部門・対象人数・計測期間はいずれも原典に記載がない。6,000時間は「削減時間」ではなく「創出時間」として書かれている点に注意。末尾の「さらなる業務工数削減を見込んでいます」は将来見込みで、この6,000時間には含まれない。

出典：自社公式サイト（suntory.co.jp）

AIを使った業務

数か月先までの数百航海分の自動車専用船の配船計画立案。顧客ニーズ・船隊の稼働状況・修繕予定・港での滞船リスクを条件に組合せを試算させる

導入したAI

日本郵船・MTI・グリッドが共同開発した「自動車専用船AI配船システム」

公表内容の詳細

「本システムは、AIによって数カ月先までの最大数百万通りの配船を10分程度で試算し、最適な計画を作成することができます。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は非開示。原典は導入前の計画作成所要時間を示しておらず、示されているのはAIが試算する組合せ数と所要時間だけで、導入前後の比較ではない。2025年7月から本格運用でPoCではない。GHG排出量の削減は「期待され」と書かれるのみで数値はない。

出典：当事者の共同プレスリリース（nyk.com）

AIを使った業務

各船員の職位・保有資格・乗船／休暇期間と、船の種類・スケジュール等を組み合わせた「どの船にどの船員を配乗させるか」の計画立案

導入したAI

商船三井・富士通が共同開発した「最適化AI配乗計画システム」（数理最適化技術）

公表内容の詳細

「これまで数時間は要していた計画作成時間も、約7割削減できる見込みです。」

数字の確かさ

見込み

数字の出し方・注意点

算出方法は非開示。母数は「これまで数時間は要していた計画作成時間」とのみ記され、対象船員数・隻数・測定期間・計画1本あたりか月次かの区別は書かれていない。公表時点では業務適用前の最終フェーズで、本番運用後の実測値ではない。

出典：当事者の共同プレスリリース（mol.co.jp）

AIを使った業務

コールセンターの通話内容のテキスト化と、通話記録（要約文）の作成

導入したAI

SGシステムが独自開発した「AI音声認識・要約ツール」（生成AIのプロンプトエンジニアリングを自社実施）

公表内容の詳細

「2025年3～4月に実施した実証実験では、保険会社と複合機メーカーのコールセンター業務において、月約180時間の削減効果を確認しました。実運用開始後は、作業時間を約30％削減する見込みです。」

数字の確かさ

見込み

数字の出し方・注意点

算出方法は非開示。「月約180時間」は2025年3〜4月の実証実験で確認された値で、対象は保険会社と複合機メーカーのコールセンター業務2件。見出しの約30%は本格運用開始後の見込み値であり実測ではない。オペレーター数・受電件数は非開示。

出典：当事者のニュースリリース（sg-hldgs.co.jp）

AIを使った業務

ドローンの空撮動画からの資機材25種類の名称・位置の検出と、現場3Dモデル上への位置表示（従来は現場職員が巡回し目視と手作業で実施）

導入したAI

鹿島・AI inside共同開発の資機材管理システム（AIモデルはAI統合基盤「AnyDate」で構築）

公表内容の詳細

「本システムの効果を検証した結果、従来の作業と比較して、資機材管理の作業時間を約75％削減（1回あたり約2時間→30分）できることを確認しました。」

数字の確かさ

実績

数字の出し方・注意点

従来の巡回・目視・手作業との比較。対象は新潟県長岡市の1現場、資機材管理1回あたりの作業時間で、試行回数と測定期間は非開示。検出できるのは「人と同程度の大きさの資機材」25種類にとどまり、小型資機材の検出率向上は今後の課題と原典に明記されている。

出典：当事者のプレスリリース（kajima.co.jp）

AIを使った業務

本部長への説明前に、説明資料をAIエージェントに事前レビューさせ、指摘を受けて修正する（レビューと公開をDX本部内でルール化）

導入したAI

内製AI開発環境で開発した「DX本部長AIエージェント」（全社基盤はChatGPT Enterprise）

公表内容の詳細

「本部長の意向との不整合による手戻りが減少し、DX本部員の資料作成・修正にかかる時間を平均で約30％削減するなど、業務効率化にもつながっています。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は非開示。対象はDX本部の本部員のみで、全社員約2,000人ではない。エージェントの利用開始は2025年10月、公表は同年12月で、測定期間・母数人数・比較対象の資料点数はいずれも非開示。同リリースの「業務削減時間10％以上」は「目指す」と書かれた全社目標であり実績ではない。

出典：当事者のニュースリリース（mitsuifudosan.co.jp）

AIを使った業務

システム開発の企画段階の要件整理、実装、テスト、リリース、運用まで全工程の支援。稼働後の異常検知・原因特定・修正案の提示も自動化

導入したAI

自社構築のAI駆動開発基盤「WAAAP」（AI支援機能の一部にGemini Enterpriseを活用）

公表内容の詳細

「この結果、外部委託による従来型の開発手法と比較して、開発プロセス全体の期間を最大で約6割、費用を最大で約7割削減することを実現しました。」

数字の確かさ

実績

数字の出し方・注意点

外部委託による従来型開発手法との比較。ただし原典の表現は「最大で」であって平均値ではなく、比較した案件数・規模・期間・案件の性質はいずれも非開示。テスト工程の不具合修正時間は「大幅に短縮」とのみ書かれ数値はない。現時点はグループ内での活用段階。

出典：当事者のプレスリリース（osakagas.co.jp）

AIを使った業務

市民が入力したごみに関する質問（分別方法・収集日）への24時間自動応答

導入したAI

ChatGPT（1回目GPT-3.5→2回目GPT-4.0。東京大学大学院 松尾研究室と協力して構築）

公表内容の詳細

「本格導入の条件として正答率99％を設定していましたが、10/23～11/30に行った2回目の実証実験の結果、正答率が94.1％に留まったことなどから、このたび、本市における「ごみ出し案内」業務には、ChatGPTを活用しないと決断しました。」

数字の確かさ

反証

数字の出し方・注意点

正答率の母数・判定基準・質問件数はいずれも非開示。1回目は2023年6月1日〜7月7日で正答率62.5%、途中で精度が向上せず停止。2回目は10月23日〜11月30日で94.1%。市が自ら定めた本格導入ライン99%に届かず導入を取りやめており、実証実験どまり。

出典：自治体の公式発表（city.mitoyo.lg.jp）

AIを使った業務

文章の案の作成・要約・校正、アイデア出し、Accessのマクロ・SQL・Excel関数の生成

導入したAI

ChatMee（AVILEN）。無料トライアルをインターネット接続環境で利用

公表内容の詳細

「算出結果より、生成ＡＩの導入及び利用に係る経費が 1 年間で 200 万円程度に収まるようであれば、一定の費用対効果が見込めると言えます。」（60人×18時間/年×2,100円/時間＝2,268,000円）

数字の確かさ

試算

数字の出し方・注意点

算出方法は原典にすべて開示されている。母数の60人は正職員約600人の5%（1回目試行で20回以上使った職員の割合）に説明会効果1.89倍を掛けた値。18時間はアンケートの業務時間削減割合のうち最も低い1%を採ったもの。試行は13日間・11アカウントで本格導入ではない。「削減できない」10.5%、「どちらかといえば有益な回答は得られなかった」15.0%という否定的回答も併せて記録されている。

出典：自治体の公式報告書（city.owariasahi.lg.jp・P.10）

AIを使った業務

文章の作成・校正・要約、政策案やキャッチフレーズのアイデア出し、Excel関数生成、マクロ作成

導入したAI

自治体AI zevo（シフトプラスと共同開発、LGWAN経由で接続）

公表内容の詳細

「実際の利用状況から推計したところ、全庁的に年間約1,800時間の削減効果が見込まれる結果となった。」

数字の確かさ

見込み

数字の出し方・注意点

算出方法は「実際の利用状況から推計」とのみ記され、母数（職員数・利用件数）、推計の期間、1件あたりの削減時間の単価はいずれも非開示。対象範囲は「全庁的に」とあるのみ。本格導入後の推計値であり、実測の集計ではない。

出典：総務省の公式資料（soumu.go.jp・P.3）

AIを使った業務

会議音声から起こした各種議事録の要約、広報などの文書作成

導入したAI

LoGoAIアシスタントbot版（既存のビジネスチャット上でChatGPTを利用）

公表内容の詳細

「導入前は議事録作成に２～３時間要していたが、導入後は30分ほどで済むようになったと実感している。」

数字の確かさ

体感

数字の出し方・注意点

算出方法は非開示。原典の動詞が「実感している」であり、計測値ではなく担当者の体感として記載されている。母数（対象会議数・職員数）、計測期間、対象範囲はいずれも非開示。実証期間（2023年7〜9月）を経た本格導入後の記述。

出典：総務省の公式資料（soumu.go.jp・P.7）

AIを使った業務

庁内文書・広報誌原稿の添削、通知文案の作成、資料作成用の用語検索、イベント名や企画案のアイデア出し、翻訳、Excel関数・VBA・マクロの作成

導入したAI

ChatGPT（OpenAI）

公表内容の詳細

「約9割の職員が業務効率が上がると回答し、下がると回答した職員はいない。」／「表示された回答が正しいかを別の手段で確認する必要があり、現段階では情報の検索には不向き。」

数字の確かさ

体感

数字の出し方・注意点

利用者アンケートの回答集計であり、業務時間の実測ではない。母数は利用職員102人のうち回答83人、期間は2023年5月23日〜8月23日の実証実験で本格導入後の実績ではない。同じ報告書は「ChatGPTを利用後、文章の体裁を整えると実作業時間は変わらなかった。」「有用な回答が得られず、結局いつも通りの作業を行うこととなったため。」という削減できなかった理由も記録している。

出典：自治体の公式報告書（city.atsugi.kanagawa.jp）

AIを使った業務

電子カルテの記載内容から治療経過を抽出・要約し、紹介状のドラフトを生成する

導入したAI

NECの日本語大規模言語モデル＋東北大学病院のカルテ10年分で学習した医療用言語モデルを組み合わせた試作アプリケーション

公表内容の詳細

「その結果、アプリケーションの利用により紹介状1件当たりの作成時間の47%削減（平均16分15秒から8分40秒に削減）を確認できました。」

数字の確かさ

実績

数字の出し方・注意点

試作アプリを使わず電子カルテだけから作成した場合と、アプリを使った場合の作成時間を計測して比較。母数は医師10名、期間は2023年10〜11月、対象は紹介状1件あたりの作成時間。単一診療科での実証実験で病院全体への本格導入ではない。同じ原典の「年間63時間削減できる見込み」はモデルケースでの試算。

出典：ベンダー実名事例（jpn.nec.com／病院側も公式発表）

検証記事を読む →

AIを使った業務

退院時サマリ・診療情報提供書・診断書・主治医意見書・看護添書の下書き生成（医師／ドクターズクラーク／看護部）

導入したAI

ユビー生成AI（Ubie）

公表内容の詳細

「ユビー生成AIの活用によりタスクシフトを推進した診療科において対象業務全体で概算約174時間かかっていた作業時間が32時間削減でき、これは該当業務時間全体の約2割の削減に相当します。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は原典に書かれていない。母数は「タスクシフトを推進した診療科の対象業務全体・概算約174時間」で、期間の明示はなく、病院全体ではなく一部診療科の対象業務のみが範囲。同リリース中の「看護添書 最大70%削減」は電子カルテAPI連携の実証実験段階の見込み値で、これとは別物。

出典：ベンダー実名事例（Ubie発表）

AIを使った業務

外来診察内容のSOAP形式記載、病状説明（IC）記録、退院看護サマリー、代行記録、カンファレンス記録などの音声要約

導入したAI

ユビー生成AI（Ubie）

公表内容の詳細

「IC記録作成など音声要約が効果を発揮する業務（月間約5,800件）では、その約7割にあたる約4,000件でAIが活用され、月約200時間（年間約2,400時間）の業務時間を創出しました。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は原典に書かれていない。母数は「音声要約が効果を発揮する業務 月間約5,800件」、期間は月次で、対象範囲は音声要約が使える業務のみ（院内全体の利用は月6,000件以上と別記）。同リリース内の「1病棟で月450時間削減」は原典が「試算されています」と書いており、かつ1病棟のパイロット運用の値。

出典：ベンダー実名事例（Ubie発表）

AIを使った業務

外来紹介状・看護サマリー・リハビリ情報提供書・病状説明記録・議事録の作成（12職種）

導入したAI

ユビー生成AI（Ubie）

公表内容の詳細

「検証段階での所要時間の実測では、外来紹介状10分→3分（約70%短縮）、看護サマリー30分→10分（約70%短縮）、リハビリ情報提供書30分→10分（約70%短縮）、病状説明記録20分→5分（約75%短縮）、議事録作成20分→5分（約75%短縮）を記録。」

数字の確かさ

実績

数字の出し方・注意点

「所要時間の実測」と原典に明記。ただし測定は検証段階のもので、対象は5種の文書作成業務、母数（何件測ったか）と期間は非開示。全職員展開後の恒常値ではない。別途「81.6%の職員が『業務に役立つ』と評価」とあるが、これは主観アンケート。

出典：ベンダー実名事例（intro.dr-ubie.com）

検証記事を読む →

AIを使った業務

日本語・英語が混在する治験データからの要点抽出と、規制関連文書（治験総括報告書・治験実施計画書）の初稿の自動生成

導入したAI

塩野義製薬と日立が共同開発した規制関連文書作成支援ソリューション（基盤モデル名は非開示）

公表内容の詳細

「当社で実施したPoC（概念実証）では、治験総括報告書の作成時間を約50％、治験実施計画書の作成時間を約20％削減する効果を確認しました。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は原典に書かれていない。母数（対象文書数）・期間・比較対象は非開示。あくまで社内PoCでの確認値であり、本番運用の全社実績ではない。原典にある「規制関連文書の作成に通常3〜5カ月を要する」は業界一般の記述で、削減率の分母として明示されてはいない。

出典：当事者のニュースリリース（shionogi.com）

AIを使った業務

保険代理店等から営業店に寄せられる新契約に関する照会への回答案の生成（社内FAQをRAGで参照し、参照元データソースも提示）

導入したAI

照会回答支援システム「AIサポちゃん」（生成AI＋RAG。基盤モデル名は非開示）

公表内容の詳細

「「AI サポちゃん」を利用することで、2030 年度までに新契約照会対応に要する時間を年間 6,500 時間削減することを目指します。」

数字の確かさ

見込み

数字の出し方・注意点

算出方法は非開示。原典の動詞が「目指します」なので実績ではなく目標値。母数（現在の照会対応時間の総量）は非開示、対象範囲は営業店の新契約照会のみ、達成期限は2030年度。システムはリリース済みだが、数値そのものは将来目標である。

出典：当事者のニュースリリース（himawari-life.co.jp）

AIを使った業務

企業の採用管理システムから集めた求人情報をもとに求人票の本文をLLMで自動作成する（作成後はリクルーティングアドバイザーが磨き込み、担当部署が掲載基準で審査）

導入したAI

自社開発の社内業務支援ツール「求人票自動作成アプリ」（LLM＋ルールベース。モデル名は非開示）

公表内容の詳細

「実際に、「求人票自動作成アプリ」を活用した新規取引企業の求人を対象とした分析では、求人票公開までのリードタイムが平均0.85日短縮される傾向が確認されました。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は「新規取引企業の求人を対象とした分析」とのみ記載され、母数（対象求人件数）・比較対象・観測期間はいずれも非開示。原文は「短縮される傾向が確認されました」であり確定値ではない。効果の単位が作業時間ではなく「公開までの日数」である点にも注意。

出典：自社プレスリリース（persol-career.co.jp）

AIを使った業務

法人営業における制度融資の選定と、提案コメントの生成

導入したAI

Dify Enterprise上で構築した自社開発のAIエージェント

公表内容の詳細

「全体で平均41.8%の業務時間短縮（60分→35分）、実際に営業が使用した際に調査したアンケート結果に基づき出力されたAIエージェントの評価において、コメントの生成精度は10点満点中6.3点を実現しました。特に若手層では、平均52.2%（62分→29分）の時間短縮を達成。」

数字の確かさ

実績

数字の出し方・注意点

実証実験での作業時間の前後比較。参加人数・実施期間・対象拠点は非開示で、時間短縮は実証実験の値であって全社展開後の実績ではない。同じリリースが生成精度を「10点満点中6.3点」と自ら開示しており、時間は減っても出力品質は満点から遠い状態であることが当事者から明示されている。

出典：自社プレスリリース（みずほFG発表）

AIを使った業務

SharePoint Online上の過去の営業資料を取り込み、各ページのスライド画像と要約を自動生成、検索プロンプトを補完して該当スライドを探させる

導入したAI

Azure OpenAI Service（GPT-4o／GPT-4o mini を使い分け）＋Azure AI Search による自社開発の資料検索アプリ

公表内容の詳細

「その調査結果によれば、80% のユーザーが情報収集時間の削減を実感しており、削減効果は 1 人あたり約 74% に上ることがわかっています。」

数字の確かさ

体感

数字の出し方・注意点

開発中に実施した利用者アンケート調査で、回答者数・調査時期・設問文は非開示。ログや作業計測ではなく自己申告であり、原文も「削減を実感」と書いている。対象はビジネスデザイン本部の法人営業のみで社内全体ではなく、対象業務も「資料作成における情報収集」に限定されている。

出典：ベンダー実名事例（microsoft.com）

AIを使った業務

業務全般（定点調査のため特定業務ではない）。同リリース内ではコード生成、資料作成、自由記述回答の集計・可視化などが挙がる

導入したAI

ChatGPT、Claude、Gemini、Genspark など複数サービスの併用（複数サービス利用率91.5%）

公表内容の詳細

「生成AIの活用により、グループ全体でひと月あたり約35.2万時間（前回調査差＋約6.3万時間）の削減、1人あたり約53.9時間（前回調査差＋約7.0時間）の削減を実現しました。」

数字の確かさ

体感

数字の出し方・注意点

四半期ごとの社内定点調査。母数は有効回答5,353人、調査期間は2026年3月9日〜13日、対象は国内パートナー。全社データではあるが、時間削減は業務ログではなく本人の申告値で、グループ合計値はその積み上げ。同リリースは「AIがデータマイグレーション時に不要そうなフィールドを勝手に削除し、本番データが消えたことがある」という現場の失敗も併記している。

出典：自社プレスリリース（group.gmo）

AIを使った業務

デジタル広告クリエイティブの効果予測と、商品画像・キャッチコピー・AIタレントの自動生成

導入したAI

自社開発の「極予測AI」（および関連の「審査AI」「極予測AI人間」）

公表内容の詳細

「AIクリエイターの制作効率が5.6倍、制作したクリエイティブの効果が高い確率が2倍となるなど、総合的な生産性は約11倍を実現しています。」

数字の確かさ

実績

数字の出し方・注意点

算出方法は原典に記載がない。制作効率5.6倍・効果が高い確率2倍・総合的な生産性約11倍のいずれも、比較の基準時点・母数・対象案件数・測定方法が非開示で、「効果が高い」の定義も示されていない。同リリース見出しの「社内制作および外注コストの50％削減」は「目指してまいります」という目標値であり実績ではない。

出典：自社プレスリリース（cyberagent.co.jp）

AIを使った業務

実際の開発案件におけるコーディングとテストコード作成（利用シーンの86%が開発作業とそのテスト）

導入したAI

GitHub Copilot

公表内容の詳細

「削減時間の回答から、トライアルメンバーの削減時間の平均を求めました。時間レンジでの回答のため、低いレンジを採用し１日平均の削減時間を算出したことろ、１日平均２７分の削減ができることがわかりました。」

数字の確かさ

試算

数字の出し方・注意点

参加者へのヒアリングで得た時間レンジ回答のうち低いレンジを採用して平均したもの。母数は8部門22名、期間は2か月、対象は実際の開発案件でトライアル段階。原典は月換算値について「単純に２０営業日として換算することに関して過大に効果が出ているのではないか、といった議論になりました」と自ら過大評価の懸念を記録している。eNPSは-14で、「没頭しているときに邪魔、確認したうえで確定するので自分で書いた方が早い」という否定的評価も収録。

出典：当事者の技術ブログ（kakaku-techblog.com）

AIを使った業務

製品図面・部品図面・技術仕様書（PDF）の材質・仕上げ等の項目照合（従来は目視確認）

導入したAI

自社開発「Manufacturing AIエージェント」（Snowflake「Cortex AI」を活用、ConnectAIの業務AI）

公表内容の詳細

「従来まで目視確認により50分～340分かかっていた照合業務を、わずか10分に短縮（80％～97％削減）」。見出しは「最大97％削減」。

数字の確かさ

実績

数字の出し方・注意点

照合1回の作業時間の前後比較。母数（何件で測ったか）と測定期間は非開示。97%は元の作業時間が340分のケースの値で、50分のケースは80%（短縮後はいずれも10分）。適用は規格照合・外装部品照合から開始した段階。

出典：自社プレスリリース（news.panasonic.com）

検証記事を読む →

AIを使った業務

渉外面談の録音・文字起こし・要約と、帰店後の面談記録のSalesforce入力

導入したAI

bellSalesAI（ベルフェイス）

公表内容の詳細

「営業店アンケートでは面談記録作成1件あたり平均10～30分削減(手入力30～45分に対し30～60％程度の削減)を実現。本部では平均30分～60分削減、最大では60分以上の削減を達成した職員も複数」。

数字の確かさ

体感

数字の出し方・注意点

営業店アンケートによる自己申告。3製品を各1か月試したPoC（導入前検証）期間の値で、全店導入後の実測ではない。平均と最大が分けて開示されており、見出しの「最大60分以上」は職員ごとの分布の上端。

出典：ベンダー実名事例（atpress.ne.jp／ベルフェイス発表）

検証記事を読む →

AIを使った業務

商談内容の記録・要約とSalesforceへの入力

導入したAI

bellSalesAI（ベルフェイス）

公表内容の詳細

「1案件あたりの入力時間が30分から5分へ約80％削減される」と発表。入力が定着していなかった担当者も記録を行うようになり、入力率が向上したとする。

数字の確かさ

体感

数字の出し方・注意点

30分・5分の測定方法は非開示（実測ログか申告かの記載なし）。導入企業コメントの表現は「実感しています」。何案件を対象にした値かも不明。幅・分布の開示はない単一値。

出典：ベンダー実名事例（atpress.ne.jp／ベルフェイス発表）

検証記事を読む →

対象業務

文書作成、戦略策定の基礎データ作成、品質管理規定・過去事例の検索

ツール

自社開発「ConnectAI」（OpenAI・Google・Anthropic のモデルを利用）

公表効果

「2024年のAI活用による業務時間削減効果は44.8万時間に達し」「1回あたりの削減時間：28分（昨年比1.4倍）」

数値の性質

試算

留保

削減時間は社員が「どれだけ削減できたか」を回答した自己申告の積み上げ。ただし利用回数240万回・母数・1回あたり削減分がすべて開示されており検算できる。3社のモデル合算でベンダー別の寄与は不明。

出典：自社プレスリリース（news.panasonic.com）

対象業務

ソフトウェア開発（ユニットテスト、APIモック、バグ修正、コードレビュー、ドキュメント生成）

ツール

Claude Code（Anthropic）

公表効果

新機能を市場投入するまでの期間を79％短縮し、24営業日から5営業日になったと公表。

数値の性質

実績

留保

開発業務に限定した指標で全社平均ではない。母数と測定方法は非開示。ベンダー事例と楽天自身のブログで同じ数値が確認できる。

出典：ベンダー導入事例（claude.com）＋自社ブログ

対象業務

コードレビュー、Google Apps Script の処理開発

ツール

Claude Code（Anthropic）

公表効果

Google Apps Scriptの処理開発を24時間から1時間へ96％短縮。コードレビューにかかる時間も80％減ったと公表。

数値の性質

実績

留保

対象タスクが限定的で、24時間→1時間は特定の処理についての値。全社の開発工数がこの比率で減ったという意味ではない。

出典：ベンダー導入事例（claude.com）

対象業務

APIエンドポイントの実装、新規開発者のオンボーディング

ツール

Claude Code（Anthropic）

公表効果

API実装を2日から5時間へ70％短縮。エンジニア1人あたり週7時間を削減したと公表。

数値の性質

体感

留保

週7時間は先行利用者への社内アンケートによる回答で、全エンジニアの平均ではない。API実装の母数と測定期間は非開示。

出典：ベンダー導入事例（claude.com）

対象業務

会議要約、英語資料作成・和訳、設計情報の社内検索、設計品質レビュー

ツール

Microsoft 365 Copilot（特定業務は Azure OpenAI Service を併用）

公表効果

「導入初期の300人でひとりあたり月12時間の業務時間削減を達成」

数値の性質

体感

留保

300人の先行利用段階の値で、その後の6,000人・30,000人展開後の実績ではない。アンケートによる測定で算出根拠は非開示。

出典：ベンダー導入事例（microsoft.com）

対象業務

広告クリエイティブ企画、投資モニタリング、UXリサーチ

ツール

ChatGPT Enterprise、OpenAI API（社内GPTを1,600個以上作成）

公表効果

「広告クリエイティブ企画では…月間で約28時間の工数削減」「1件あたり1〜2時間必要だった投資の検討業務が…5〜10分へと短縮」

数値の性質

実績

留保

同じ原典にある「90%以上の業務時間の削減」は特定プロジェクト・特定部門に限った値で、全社平均ではない。

出典：ベンダー導入事例（openai.com）

対象業務

リサーチ業務、カスタムGPTによる業務支援

ツール

ChatGPT Enterprise（OpenAI）

公表効果

対象となったリサーチ業務で、従業員が作業負荷を20〜30％削減できたと回答。4か月で1,800以上のカスタムGPTを作成。

数値の性質

体感

留保

20〜30%は「選ばれたリサーチ業務」に限定した従業員の自己申告。展開人数35,000人とカスタムGPT1,800件は実数。

出典：ベンダー導入事例（openai.com）

対象業務

設計・施工、営業支援などの全社業務（カスタムGPTを含む）

ツール

ChatGPT Enterprise（OpenAI）

公表効果

「1人あたり週平均5.48時間の業務削減 → 年間6.6万時間の削減（250名換算）」

数値の性質

試算

留保

導入からわずか3か月時点の数値で、年間6.6万時間は250名からの換算。満足度・活用意欲はアンケートの自己申告。

出典：自社プレスリリース（taisei.co.jp）

対象業務

Excelマクロのコード作成、企画書・あいさつ文・SNS投稿文の作成、議事録要約、アンケート分析

ツール

LoGoAIアシスタント bot版（トラストバンク）

公表効果

「令和６年度で、約858時間の業務時間の削減効果があった」「生成AIを利用した職員の85％が業務効率化の効果を実感」

数値の性質

体感

留保

根拠は職員へのヒアリングでシステムログの実測ではない。ただしイニシャル200千円・ランニング840千円（税抜）と原価が明記されており、費用対効果は検証しやすい。

出典：総務省 自治体DX推進参考事例集（soumu.go.jp・PDF）

対象業務

IT調達仕様書の作成、議会答弁案の作成、SNS投稿文の生成、庁内システムの問合せ対応

ツール

サニタイザーAIゲートウェイ（LGWAN経由でChatGPT）、ChatGPT有償版＋カスタムGPT、LoGoAIアシスタント

公表効果

「IT調達仕様書の作成にかかる時間が５分の１程度に削減された」「ChatGPTの活用により、100時間/月相当の業務時間が削減されたと推定されている」「議会答弁案作成の作業負荷は、従来の３分の１」

数値の性質

試算

留保

100時間/月は入力文字数と生成文字数の比較から出した推定で実測ではない。答弁案の1/3は職員アンケート。ランニング407千円/年（税抜）を併記。

出典：総務省 自治体DX推進参考事例集（soumu.go.jp・PDF）

対象業務

文書作成、要約・校正、Excel関数の生成、アンケート設計

ツール

ChatGPT（LoGoチャット経由でAPI連携）

公表効果

「1,913人×29.3%×10分×243日 ≒ 22,700時間/年」（文書作成事務の業務時間短縮の想定）

数値の性質

試算

留保

原典自身が「想定（概算）」と明記し、算出条件4項目をすべて開示している点は誠実。ただし「1件10分」は職員2名のヒアリング目安を全庁に外挿したもの。

出典：総務省 先行団体における生成AI導入事例集（soumu.go.jp・PDF）

対象業務

市民アンケート自由記述欄の分類、ご意見メールの自動要約・分類

ツール

自治体AI zevo（LGWAN）＋ RPA

公表効果

「約2,600件の市民アンケートの自由記述欄に記入された内容を…職員一人だと２週間程度かかる作業が…２日間程度に短縮できた」

数値の性質

体感

留保

原典の表現は「〜と実感している」で職員の体感ベース。生成AI×RPAの組み合わせ自体は「試験的な取組」と明記されている。

出典：総務省 先行団体における生成AI導入事例集（soumu.go.jp・PDF）

対象業務

孤独・孤立対策の24時間LINE傾聴相談（住民からの相談対応）

ツール

つながりよりそいチャット（フローレンス／PKSHA Technology／Sapeet）

公表効果

「開始から約８か月で約7,500件の相談に生成AIが対応しており、それを人件費に単純換算すると約2,000万円/年相当になる」

数値の性質

試算

留保

2,000万円は人件費への仮想換算で予算削減額ではない（実際はイニシャル10,600千円・ランニング8,891千円が発生）。内部事務の効率化ではなく住民サービスの拡張型。

出典：総務省 自治体DX推進参考事例集（soumu.go.jp・PDF）

対象業務

文章作成・編集、情報調査、資料レビュー、QA対応チャットボット、日英翻訳

ツール

ELYZA App Platform（Llama-3-ELYZA-JP-70B／GPT-4o／Gemini-1.5-pro-002 ほか）

公表効果

「累計利用回数は42,984回」「生成AIアプリが累計85個作成された」「時間削減効果…『1時間〜半日（4時間）』(90件)の削減と回答した人が圧倒的に多い」

数値の性質

体感

留保

技術検証（PoC）の報告で、組織全体の削減時間は算出されていない。10テーマ中「組織で業務利用」に到達したのは1件、途中離脱・終了が5件。人事異動やトークン上限で頓挫した経緯まで書かれており、この失敗の記録が本体の価値。

出典：デジタル庁 生成AI技術検証報告書（digital.go.jp・PDF）

対象業務

学校風土調査アンケートの分析、通知表の所見素案作成、小テスト・指導案の作成、校務支援システムのFAQ対応

ツール

Education Chat（ベネッセコーポレーション）／校務支援AI Chat（Sky）

公表効果

アンケート分析「1-2時間程度を要することもありましたが…20分程度に削減」／所見の素案「5日間程度要していましたが…2-3日程度に削減」

数値の性質

体感

留保

単年度の実証研究で、数値は教員個人へのヒアリング事例。地域全体の集計値ではない。同資料は課題として「RAGの品質向上のための開発を行ったが大幅な改善にはつながらなかった」と明記している。

出典：文部科学省 次世代の校務デジタル化推進実証事業 成果報告書（mext.go.jp・PDF）

対象業務

退院サマリ・紹介状の下書き、緊急受入時の過去カルテ要約、患者説明の文字起こし

ツール

SecuAiGent（ユニリタ）＋ Waha! Transformer（電子カルテ連携）／用途別に50以上のアシスタント

公表効果

「年間5,472時間（月平均 約456時間、常勤職員約3名分）の業務効率化効果を実証」「退院サマリーのドラフト作成：1人あたり平均10分 → 25秒へ短縮」

数値の性質

試算

留保

算出は「アンケートによる導入前後比較の削減時間×各アシスタントの実行回数」という換算値。対象は全職員ではなく「積極的に活用する職員111名」で母集団に偏りがある。10か月の実績を年換算。

出典：法人プレスリリース（PR TIMES）

検証記事を読む →

対象業務

各種診断書の作成、カンファレンス記録、リハビリ記録チェック

ツール

ユビー生成AI（Ubie）

公表効果

「診断書1件あたりの作成時間を約40分から約20分へと50%削減、月間で約130時間（1人あたり月間約5時間）削減」／専任2名の退職後も人員補充なしで継続

数値の性質

実績

留保

数値はドクターズクラークの診断書作成という一業務のみ。看護部門・リハビリ科の活用は定性記述にとどまる。計測方法と期間は非開示。

出典：ベンダープレスリリース（PR TIMES・病院名と院長コメント公開）

検証記事を読む →

対象業務

初診時カルテの下書き、退院サマリー・診療情報提供書、会議議事録

ツール

ユビー生成AI（Ubie）／電子カルテの前日分データを毎日自動連携

公表効果

「1患者あたりの入力作成時間が平均22分から12分へと10分短縮され、月間新患約300件換算で月間約3,000分（約50時間）の業務時間を創出」「議事録作成の労力を70%削減」

数値の性質

実績

留保

年間約600時間は月間実績からの換算。「AIの出力はあくまで下書きとし、最終確認は必ず医療職が行う」運用で、使用権限は段階的拡大中（全院展開前）。

出典：ベンダープレスリリース（PR TIMES・病院名と副院長コメント公開）

検証記事を読む →

対象業務

配筋検査（鉄筋の本数・径・間隔・かぶり厚さの計測と報告書作成）

ツール

自社開発のAI配筋自動検査システム（ステレオカメラ＋点群データ＋物体検出AI、BIM連携）

公表効果

「配筋検査業務にかかる延べ作業時間は現在使用している専用検査システムより、約36％の縮減を実現しました」／「全体の正答率は94.0%」

数値の性質

実績

留保

比較対象は「現在使用している専用検査システム」で、人手による従来検査との比較ではない。合否判定は最終的に施工管理者が行う。

出典：自社プレスリリース（obayashi.co.jp）

対象業務

実装基板のAOI（自動光学検査）後の目視検査

ツール

自社開発「目視判定AI技術」（良品のみを学習する実装基板専用アルゴリズム）

公表効果

「AOI後の目視検査時間を約8割削減する『目視判定AI技術』…を開発しました」

数値の性質

見込み

留保

発表時点では導入前（生産ラインへの導入開始は発表の翌月）。8割は技術の性能値で運用実績ではない。対象は「はんだ濡れ」「位置ずれ」「欠品」「浮き」の4項目に限定。

出典：自社プレスリリース（PR TIMES）

対象業務

おむすび・弁当・サンドイッチ等の日別・便別・単品別の発注

ツール

AIレコメンド発注

公表効果

「発注業務にかかる時間を1週間あたり約6時間削減し、発注担当者の負担を軽減します」

数値の性質

見込み

留保

1店舗の発注担当者あたりの想定効果として書かれ、実測期間の明示がない。フードロス削減は「適正化し」と定性表現のみ。約16,000店舗のうち500店舗の先行導入段階。

出典：自社ニュースリリース（family.co.jp）

対象業務

個人宅配・グループ配達の配達コース編成

ツール

Loogia（オプティマインド）

公表効果

「配達コース数：22コースから19コースへ、3コース（13.6％）の削減／総配達時間：150時間21分から127時間47分へ（15.0％）／総走行距離：554kmから500kmへ（9.7％）」

数値の性質

実績

留保

1センターでの実証実験の結果で、全社導入の恒常的な効果ではない。実証の実施は2021年5月と数値自体が古い。前後の絶対値が開示されているので計算は追える。

出典：ベンダー導入事例（loogia.jp）

対象業務

カスタマーセンターへの電話問い合わせ、Web FAQ（顧客の自己解決）

ツール

Helpfeel（意図予測検索による自己解決AI）

公表効果

「導入から10か月で月間16万PVの利用が定着し、顧客の自己解決が進んだ結果、入電量は約20％減少しました」（前年比）

数値の性質

実績

留保

減った分はWebでの自己解決による効果で、AIによる応対自動化はこの時点では「進めています」の段階。「応答率は大幅に改善」には定量値がない。

出典：ベンダープレスリリース（PR TIMES・担当者の実名コメント付き）

対象業務

VoC分析（週報作成・反響報告）

ツール

ELYZAと共同開発したVoC分析パッケージ（要約AI＋タグ付与AI＋ダッシュボード）

公表効果

導入前「週報作成業務に毎回約2時間、投入していました」→ 導入後「30分程度で週報を作成することができます」

数値の性質

実績

留保

定量効果は「週報作成」という1業務に限定。反響報告への効果は定性記述のみで、VoC分析AIアプリは公表時点では「提供予定」。

出典：ベンダープレスリリース（PR TIMES・顧客社長コメント付き）

対象業務

請求書処理（広告業界特有の複雑な書式）、決算業務

ツール

Robota（ファーストアカウンティング）

公表効果

「月間約5,000件の請求書処理のうち約4,000件で目視確認が不要となり、年間約1万時間の工数削減を達成」（読み取り精度8割以上）

数値の性質

試算

留保

「年間約1万時間」の算定式はページに記載がない。件数はすべて概数。効果は請求書処理に限定され、経費精算への展開は「今後」。

出典：ベンダープレスリリース（fastaccounting.jp）

対象業務

経費精算（交通費明細のチェック、差し戻し対応、月次締め）

ツール

バクラク経費精算＋バクラクAIエージェント「AI申請レビュー」（LayerX）

公表効果

「月4,000行に及ぶ交通費明細の目視確認が不要に」「経費精算の締め作業を1営業日前倒し」「証憑の添付漏れがほぼゼロに」

数値の性質

実績

留保

対象は交通費明細に限定。削減時間そのものの数値はなく「大幅」「ほぼゼロ」といった定性表現が混じる。

出典：ベンダープレスリリース（bakuraku.jp）

対象業務

新卒採用の初期段階の面接（インターンシップ選考を含む）

ツール

HireVue（デジタル面接プラットフォーム）

公表効果

「それまで現場社員が面接に費やしていた約900時間を削減することができ」／AI評価は参考扱いで「最終的な合否の判定は採用担当者が行っている」

数値の性質

実績

留保

「人事部以外の社員による面接は廃止」という運用変更込みの効果で、AI単独の寄与ではない。測定方法と対象年度の明示はない。出典は企業の自主発表ではなく経団連が企業ヒアリングをまとめた報告書。

出典：経団連 HR部門におけるAI等の活用に関する報告書（keidanren.or.jp・PDF）

対象業務

契約書レビュー、ファーストドラフト作成（契約審査・相談が業務の6割）

ツール

LegalOn（2020年からLegalForce、2025年にLegalOnへ切替）

公表効果

「AI契約書レビューツールを導入する以前と以後を比較すると、体感としてかかる時間を5割程度短縮できています」

数値の性質

体感

留保

担当者の体感による申告で実測ログではない。比較対象は2020年の導入前であり、2025年に切り替えたLegalOn単体の効果ではない。

出典：ベンダー導入事例インタビュー（legalontech.com）

対象業務

社員からの社内問い合わせ対応（「OKBアプリ」「ローン」の2領域）

ツール

PKSHA AI Helpdesk（Microsoft Teamsに組み込み）

公表効果

「FAQエージェント・ドキュメントエージェント・有人対応を一本化し、問い合わせ件数を3〜4割削減」

数値の性質

実績

留保

全社ではなく2領域に絞った範囲での削減率で、算定方法の記載はない。預金・融資・人事総務への展開は「検討」段階。

出典：ベンダー導入事例インタビュー（pkshatech.com）

対象業務

情報システム部門のヘルプデスク（社内問い合わせ対応）

ツール

PKSHA AI Helpdesk

公表効果

「正直に申し上げると、我々情シスの業務負担が劇的に減ったかというと、そうではありません。」／導入前は情シスへの問い合わせが月100件ほど。導入後は情シス・人事・総務あわせて月500〜600件の需要が可視化された

数値の性質

反証

留保

削減率は公表されていない。AIを入れると総量が増えることがあるという、削減事例だけを並べると見えない構造をベンダー自身の事例ページが記録している点で価値が高い。相談しやすさが上がった効果と、担当者の負担は別の話。

出典：ベンダー導入事例インタビュー（pkshatech.com）

対象業務

マニュアル作成、営業実績表、受注メール整理、書類照合

ツール

JAPAN AI（AIエージェントビルダー）

公表効果

合計約52時間の作業が約12時間へ。マニュアル作成は4時間から1時間、営業実績表は8時間から10分

数値の性質

実績

留保

2か月・22名のトライアル内の複数業務を合算した値。全社100名へ展開した後の継続効果は未公表。発表主体は導入ベンダー。

出典：ベンダープレスリリース（japan-ai.co.jp）

対象業務

商品仕様・選定相談、注文後のキャンセル・変更・返品可否の問い合わせ

ツール

MISUMI ECサイト内の生成AIチャットボット

公表効果

回答までの待ち時間を、従来のオペレーター対応と比べ平均97〜98%削減

数値の性質

実績

留保

削減対象は顧客側の「回答待ち時間」であり、ミスミ社内の対応工数ではない。測定期間と母数は発表ページに記載がない。

出典：企業プレスリリース（misumi.co.jp）

対象業務

初期調査、分析、文書作成、コンサルタントの提案準備

ツール

複数の生成AIツール（個別名称は非開示）

公表効果

98%以上が週1回以上利用。70%以上が、AIを使えない場合は1日の業務時間が1時間以上増えると回答

数値の性質

体感

留保

実測ではなく、「AIを使えない場合」を想定した社員の自己申告。回答者数と回答率は本文で確認できない。

出典：企業ニュース（circu.co.jp）

対象業務

退院時看護サマリー、診療情報提供書の下書き作成

ツール

OPTiM AI ホスピタル（オンプレミス生成AI）

公表効果

12日以上入院した患者のサマリーで84%を作成支援。1件平均22.8分から、2回目利用時14.7分へ（36%削減）

数値の性質

実績

留保

対象は12日以上の入院患者の退院時看護サマリー。PoC期間の件数は発表本文に記載がなく、定着後の継続値ではない。

出典：ベンダープレスリリース（optim.co.jp）

対象業務

口コミ分析、インバウンド傾向把握、多言語での地域情報発信

ツール

生成AI（実証資料では個別モデル名を主題としていない）

公表効果

口コミ等を使うマーケティング施策立案は207時間から14時間。問い合わせ分析は90分から20分、多言語情報発信は270分から22分

数値の性質

実績

留保

特定の実証条件内の工数比較。地域・データ量・確認工程により再現性は変わり、多言語発信では人による確認を残している。

出典：観光庁 実証結果資料（mlit.go.jp・PDF）