251127_登壇資料_私の考えた最強_に現場メンバーの運用面を考えた_AI-Agentを見てくれ_.pdf

Transcript

1. 私の考えた最強 （に現場メンバーの運用面を考えた） AI-Agentを見てくれ！ 2025年11⽉27⽇ 株式会社ログラス 社⻑室 AI Opsチームマネージャー / AIオペレーションマネージャー 荒⽊慎平 1 〜 インサイドセールス編 〜
2. 2 全自動にすれば効率的？ 現場で使える運用になってる？ まとめ：余白のある設計 目次 1 2 3
3. ＜課題１＞ 「メール草案作成システム」をもっと改善したい ・企業リサーチ （IR情報など） ・訴求ポイントを整理 ・企業名 ・担当名 ・役職など 実行 高品質な下書きメールが 作成される 全自動 コピペ コピペ 調査 (ネット検索 )
4. ・企業リサーチ （IR情報など） ・訴求ポイントを整理 ・企業名 ・担当名 ・役職など 実行 高品質な下書きメールが 作成される 全自動 コピペ コピペ 調査 (ネット検索 ) もっと改善したい？　せや！全自動や！ ＜課題１＞ 「メール草案作成システム」をもっと改善したい
5. ⾃律的な⼤規模調査システムを構築。⻑時間の調査でも安定した品質を回答！ 5 大規模 調査依頼 スーパーバイザー エージェント メイン エージェント チェック エージェント 全自動 全自動 イテレーション 全自動 メンバー ハルシネーション抑制や信頼性担保のために、 メイン‧チェック‧スーパーバイザーの3種類のAIエージェントを設計
6. 6 現場メンバーでの改善・運用が難しい もちろん現場でCursorとか使える人は増えてきている。 だが、現場の仕事をしながらはハードルが高い
7. 7 現場でも「改善 (PDCA)が回せる運用」でないと、 Ops側のリソースが削られ、中長期的にインパクトが出づらい。 ポイント • 見えていなかった業務フローの発覚 ◦ 要望の追加対応でリソースを削られる • 業務フロー/データの持ち方/ターゲットの変更 ▪ 全自動の改修。スタートアップではよく起こる • AIのアップデートによる仕様変更・機能アップデート ◦ 改悪が発生 or もっと簡単な方法が見つかる
8. 8 方針：小さく作る 1. 優先度を絞る 全体ではなく、業務の中で「⼀番時間がかかる部分」だけを対象にする。 2. 80点を目指す 半⾃動にして、残りは⼈が補完しメンバーで運⽤が回るようにする。（全⾃動が良い時も多分にある） 3. 疎結合な設計 機能ごとに独⽴させ、ツールの⼊れ替えを容易にする。
9. ネットで調べれば大半わかるが、いろんな情報が欠けている。 大量にあるので調査が一番時間がかかる。 ・企業リサーチ （IR情報など） ・訴求ポイントを整理 ・企業名 ・担当名 ・役職など 実行 高品質な下書きメールが 作成される 全自動 コピペ コピペ 調査 (ネット検索 ) ボトルネック 打ち手：Google Workspace Flows
10. 10 デモ１ : Google Workspace Flows 土日も勝手に調査してくれる アウトカム： ざっくり 900時間/年削減 made by ログラスAI-Ops 加藤さん (noteも近日公開予定)
11. 11 全自動にすれば効率的？ 現場で使える運用になってる？ まとめ：余白のある設計 目次 1 2 3
12. 12 ＜課題２＞ 情報が揃ったら、お客様にアプローチする優先度を考えたい！ だが、高度な分析をするためには情報がバラバラ・・・ 元々の分析手順 1. SFの情報を網羅的に目視 2. 分析担当者が優先度をランクづけ 3. ランクをスプシに記載
13. 分析 13 APIで全自動でデータを集めて分析！？ それもアリ！ 元々の分析手順 1. SFの情報を網羅的に目視 2. 分析担当者が優先度をランクづけ 3. ランクをスプシに転記 転記 集計 懸念：分析軸や業務フロー、分析方法、転記の変更があるごとに修正が必要
14. 14 ソース同期 複数のスプシを関数でデータを集約 （変更があった場合、行追加と関数を少しいじるだけ） 分析したデータを マスタースプシにコピペ 実際に構築したもの NotebookLM でも良い
15. 15 デモ２ : NotebookLM • 会社情報をもとに100社分析 ・ランクづけ • ソースはGEMとしても活用 • ざっくり600時間/年削減 Tips：分析はGeminidではなくNotebookLMを採用 理由： • 一括分析できる • ソースが大量に入れられる • ソース調整で複数の分析ができる • エビデンスがわかる など
16. 16 こちらを参考に
17. 17 • ヒアリング→開発→メンバー運⽤までは丸3⽇ぐらい！ クイックWin！ • ざっくり約1500時間/年削減。アクション数、商談数などの事業数値にもヒット • AI-Agentっぽく⾃動化できる余地は多分にあるが、アウトカムとして⼗分と判断 1500時間 トータルのアウトカム
18. 18 全自動にすれば効率的？ 現場で使える運用になってる？ まとめ：余白のある設計 目次 1 2 3
19. 19 学び：AI-Agentで気にするべき運用の視点 1. 変化のリスクを考えているか？ a. 現場のフロー/AIのアップデート/OKR・目標の変化を考えよう b. 全自動化と80点だとアプローチが全く異なる c. どちらが適しているか、課題と方法を考えながらシステムを構築する 2. 運用できるか・改善を回せるか？ a. Opsチームで運用改善を回し切れる課題なら全自動の方が良い b. 伴奏しすぎると要望が増えるので、 Opsのリソースと効果を考えよう c. 現場メンバーが試行錯誤できると、より良いものが生まれやすい 3. 状況に応じて手段を考えているか？ a. 同じ課題でも、関係部署の状況 /期待値によって適切な手段が変わる b. Howは色々持っておいた方が良い。 Howによって、ピッタリ解けることがある c. 解決策はAIじゃないことも多々ある。AIに縛られない。 詳細はnoteで
21. 会社紹介 21
24. おまけ：イベント紹介 24
26. 参考）AI-Opsマネージャーの詳細情報 出典） 【応募殺到の新職種： AIオペレーションマネージャーとは】 消防士や市役所職員からジョブチェンジ / 経営視点でAIの司令塔が必要な理由 / この先のキャリアは無限大