制作物のレビューはガイドラインがあっても解釈が人に委ねられ、指摘内容や厳しさにばらつきが生じていた。確認作業の負荷も高く、品質維持が属人的な努力に依存していた。

ガイドラインを観点ごとに分解・構造化し、AIがそれぞれの観点に沿って指摘を行う仕組みを設計した。AIは判断せず、理由付きの指摘提示に役割を限定した。

レビュー観点の抜け漏れが減り、指摘の一貫性が向上した。人は判断や調整に集中でき、品質と効率の両立が可能になった。

十分な購買データや行動ログがない領域では、従来型レコメンドが機能せず、利用者にとって選択の負担が大きかった。

まずはユーザからLLMを用いてヒアリングを実施。それによって大量データに依存せず、LLMが持つ一般的な知識や文脈理解を活用し、利用目的や条件から自然な選択肢を提示する設計を行った。

データが限られていても納得感のある提案が可能となり、比較や判断がしやすいレコメンド体験を実現した。

SaaS型RAGを導入したものの、期待した回答が得られず、原因が分からないまま活用が進まない状態だった。

RAG全体を分解し、データ構造、検索方法、分割単位、プロンプト設計を整理。問題点を特定し、段階的に改善を行った。特に手軽かつインパクトが大きい部分から実行

回答の妥当性と一貫性が向上し、業務で安心して使えるRAGとして再定義できた。

社内でLLMを活用したプロジェクトが進んでいたものの、期待した成果が出ず、原因が分からないまま試行錯誤が続いていた。現場では「LLMは難しい」「使いこなせない」という空気が広がっていた。

技術だけでなく目的や業務背景を整理し、LLMの役割を再定義。設計・運用・評価の観点を分解し、チームと並走しながら改善点を一つずつ整理した。

LLM活用の方向性が明確になり、現場の理解と納得感が向上した。プロジェクトが再び前進し、継続的に改善できる状態が整った。

LLMに関する知識は断片的に共有されていたものの、実務でどう使えばよいか分からず、学びが業務に結びついていなかった。

用語や仕組みの説明に留まらず、業務シーンを想定した演習を中心に構成。使いどころや注意点を含めた実践的な研修を設計した。

参加者が自分の業務にLLMを当てはめて考えられるようになり、研修後すぐに活用が始まる状態を作ることができた。

社内でLLMを教えようとしても、何をどの順番で学ぶべきか整理されておらず、教育内容やレベル感にばらつきが生じていた。

技術者に求める理解度を段階的に整理し、基礎から実務応用までを見据えた教育ロードマップと評価基準を策定した。

教育の指針が明確になり、属人化しない人材育成が可能になった。継続的にLLM人材を育てられる基盤が整った。