カオナビ労務におけるAI活用の裏側〜開発フローへの組み込みと、非エンジニアへの推進プロセス〜 / Behind AI Adoption in HR Management

2026年9月9日に開催された「kaonavi Tech Talk #23 〜 AIを組織に浸透させるリアル 〜」での登壇資料です 。
https://kaonavi.connpass.com/event/404312/

Transcript

1. カオナビ労務におけるAI活⽤の裏側 〜開発フローへの組み込みと、⾮エンジニアへの推進プロセス〜 渡邊⼤介 / 株式会社カオナビ CoreHR部 © kaonavi, inc. 1
2. ⾃⼰紹介 渡邊 ⼤介 • 株式会社カオナビ CoreHR部 （2025年7⽉ 中途⼊社） • カオナビ労務の電⼦申請‧新機能の開発を担当 • 趣味：ドライブ、映画、スーパー銭湯 © kaonavi, inc. 2
3. 本⽇のアジェンダ 01 02 電⼦申請開発でのAI活⽤ 「斧を研ぐ」 チーム‧⾮エンジニアへの展開 © kaonavi, inc. 3
4. 01. 電⼦申請開発でのAI活⽤ © kaonavi, inc. 4
5. 電⼦申請（e-Gov等）の仕組みと位置づけ ⾏政との連携 APIによる⾃動化 法改正‧標準化 従来の窓⼝申請や郵送申請をインター ネット経由で完結させる仕組み。社会 保険⼿続きや税務申告などで導⼊。 ⾏政側システムと労務管理SaaSを APIで接続。⼆重⼊⼒を防ぎ、業務効 率を向上させる。 ⼤企業では⼀部⼿続きで電⼦申請が 義務化。公的フォーマットに準拠 し、項⽬やデータ構造が厳密に定 義。 ここで申請できる内容をカオナビ労務では 帳票 と呼んでいる © kaonavi, inc. 5
6. 電⼦申請 帳票追加の課題 帳票追加に必要な⼯程 課題 1. 電⼦申請の仕様書を読み解く • 1帳票あたり 1.5〜2ヶ⽉ かかっていた 2. 仕様に合わせてシステムを構築する • 経験者でないと難しく、属⼈化していた 3. 正しく動くか検証‧修正する ただし、電⼦申請には仕様書という「正解」がある → AIを活⽤できるのでは？ © kaonavi, inc. 6
7. なぜ電⼦申請とAIの相性が良いのか 電⼦申請の特徴 AIの得意領域 公的に定められた仕様がある 正解がある問題の処理が得意 ＝ 正解が明確に存在する 仕様書を与えれば⾼精度で処理 正解がある部分はAIに、判断が必要な部分は⼈に。この役割分担がカギ © kaonavi, inc. 7
8. どうやってAI活⽤したか ① まず業務を分解する STEP 1 業務の全体像を洗い出す → STEP 2 各⼯程で何をやっているか整理 → STEP 3 どこをAIに置き換えられるか判断 ② 壁打ちを重ね、固まった⼿順を「スキル」化 STEP 1 AIと壁打ちを重ねる → STEP 2 最適な⼿順が固まる → STEP 3 「スキル」として保存 最終的に9つのスキルへ整備し、帳票⽣成の全⼯程をつないだ © kaonavi, inc. 8
9. 9つのスキル 1. egov-figma-analysis 2. egov-spec-reader 3. egov-form-data-helper FigmaデザインURLからUI情報を抽出し JSON化。階層的に取得しトークン制限を 回避。 XML/Excel仕様を読み込み構造化データを ⽣成。 form_data JSON仕様（フィールド型 ‧config‧タブ制御）のリファレンス。 4. egov-json-generator 5. egov-validator 6. egov-ui-checker Figma解析結果と仕様を統合し、DB登録可 能なform_data JSONを⽣成。 ⽣成されたJSONの形式検証‧エラー修 正。 FigmaとConfluence仕様の⽭盾検出、 Figma修正提案。 7. egov-json-import 8. egov-sql-generator 9. generate-egov-xml 帳票番号指定だけでSQLマイグレーション ⽣成‧DBインポートを実⾏。 rules.yamlで帳票情報を⾃動判定しSQLを ⽣成するサブスキル。 form_data JSONからGo template構⽂の XMLテンプレートを⾃動⽣成。 © kaonavi, inc. 9
10. 堅牢性を確保する3つの設計制約 01 トークン制限への対応 02 既知帳票の判定 03 ユーザー承認の徹底 ⼤規模なFigmaデータをメタデータ→詳細へ 階層的に取得し、安定した解析を実現。 既知の帳票はrules.yamlに例外ルールを定 義し、帳票情報を⾃動判定できる仕組みに。 完全⾃動化による暴⾛を防ぐため、各ステッ プに⼈の承認を組み込む。 AIに任せる範囲を設計で縛ることが、信頼して使える前提になる © kaonavi, inc. 10
11. どれだけ変わったか After Before → 1.5〜2ヶ⽉ 1帳票あたり 2〜3週間 1帳票あたり ⼯数 60%以上 削減 未経験メンバーでも3週間で1帳票 • 電⼦申請の開発経験がないメンバーにスキルを渡した • オンボーディング含め3週間で1帳票を実装完了 • スキルに経験者のノウハウが⼊っているため「誰がやっても同じ品質」 © kaonavi, inc. 11
12. 02. 「斧を研ぐ」チームへの展開 斧は研げば研ぐほど、成果は上がる © kaonavi, inc. 12
13. 1ヶ⽉のAI活⽤トライアル 実施内容 1ヶ⽉間、業務効率化そのものに時間を割く期間を設けた テーマは「テスト × ⽣成AI」に集中 3つのルール 01 週1回2時間を チーム全員で確保 02 エンジニアだけでなく QC‧ディレクターも参加 03 成果物は必ず アウトプットして共有 個⼈の知⾒で終わらせないことがルールの⽬的 © kaonavi, inc. 12
14. テスト領域のAI⾃動化 テスト仕様書の⾃動化 E2E⽣成パイプライン QC業務のスキル化 仕様書を読み込ませ、既存フォーマッ トのテスト仕様書に⾃動変換 雛形作成 → AI対話 → 整形 → レビュー の4ステップで実⾏可能なコードへ バグ起票‧デグレ影響分析‧品質レ ポートを⾃動化 型が決まっている⼯程はAIに、観点の判断は⼈が厚くする © kaonavi, inc. 14
15. 「斧を研ぐ」取り組みの成果 テスト仕様書の作成期間 テスト観点のぬけもれ発⾒ 1〜2週間 → 数⽇ 28件 → 68件 観点が増えた要因はインプットの量 チケットのみ → チケット＋仕様書＋Figmaを渡すようにした 速くなっただけでなく、正常系から異常系‧境界値まで網羅できた © kaonavi, inc. 15
16. ⾮エンジニアにも広がった QC（品質管理） • • • テスト観点の洗い出し 不具合調査の再現⼿順の⾃動抽出 エラー通知の平易な⾔葉への翻訳 ディレクター • • • ラフ資料の統合‧ブラッシュアップ PRDの抜け漏れチェック Jira更新‧タスク集約の⾃動化 専⾨性はAIに奪われるものではなく、AIへの指⽰書になる © kaonavi, inc. 16
17. この取り組みによって何が変わったか 意識‧マインドの変化 専⾨性のスキル化と組織強化 業務のAI置き換えをまず考える思考の定着 個々の専⾨性をスキル化し、より強い組織へ 「今⾏っている業務をAIに置き換えられない か」という発想が、何かを始める際にまず真っ 先に浮かぶような意識の変化がでてきた。 意識の変化に伴い、各職種の専⾨性を客観的な 「スキル」として定義‧可視化。それらを活⽤す ることで、組織全体が底上げされ、強くなってい るという実感が⽣まれてきている。 © kaonavi, inc. 17
18. まとめ 本⽇のポイント まず業務を分解する ⼿順をスキル化する 全員を巻き込む ⾃分の業務を理解していないと AIには渡せない 固まった⼿順をスキル化すれば 「誰がやっても同じ品質」にな る しっかりと時間を確保し、個⼈ の知⾒をチームの知⾒に変える 「この業務、AIに置き換えられないか」がまず浮かぶ状態が浸透のゴール © kaonavi, inc. 18
19. ご清聴ありがとうございました © kaonavi, inc. 19