回答精度90%、自動車業界団体が専門的な問い合わせ対応にAIを活用

自動車産業サイバーセキュリティガイドラインをめぐって、サプライチェーン各社から多様な問い合わせが両団体に集まり、専門知識を要する回答業務が担当者に重くのしかかっていました。ベテランが蓄えたノウハウは属人化し、若手への継承も課題として残されていた状況です。

編集部の見立てでは、ここでの困りごとの本質は問い合わせの件数ではなく、答えを出せる人がごく限られていたことにあります。ガイドラインへの回答は、条文をそのまま読み上げれば済むものではなく、質問してきた企業の立場や状況に照らして意味を噛み砕く必要があります。その判断の蓄積は文書には残りにくく、対応を重ねた人の頭の中にたまっていく。属人化は担当者の怠慢ではなく、この業務の性質から自然に生じたものだったのではないでしょうか。退職や異動のたびに知識が消えるという不安は、その構造の裏返しといえます。

AI導入の前に、暗黙知と分散情報を「AIが正確に読み取れるデータ形式」へ整理する工程を独立して置いた設計が、この取り組みの土台になっています。RAGは、参照するデータの中に答えの手がかりが整った形で存在してはじめて機能する仕組みです。裏を返せば、担当者の頭の中と各所に散った資料をそのまま渡しても、精度は上がりません。汎用のAIを当てるのではなく、独自のデータ構造化技術で読み取れる形を先に作るという順番の置き方に、この事例の勘所があると考えられます。

もう一つの要因は、稼働後の運用を最初から仕組みとして組み込んだ点です。月次レポートで利用状況を分析し、FAQデータを最適化し、AIをチューニングし直すという流れが、伴走支援として継続されています。問い合わせ対応は、新しい論点が出てくれば参照すべき知識も変わる領域であり、一度作ったデータを固定したままでは答えられない質問が増えていきます。改善の担い手と周期をあらかじめ決めておくやり方は、精度を「維持する」ための現実的な備えです。

業界団体という位置に窓口を置いたことも、この手法と相性がよかったと見ています。個社ごとに散っていれば一件ずつ独立した相談になりますが、団体には同じガイドラインをめぐる質問が集まるため、問いの重なりが大きくなります。重なりの大きい領域は、整理したデータが繰り返し効く領域でもあります。

自動車産業サイバーセキュリティガイドラインに関する複雑な質問に対して、90%という回答精度が実現しました。あわせて担当者の業務負荷が大幅に軽減され、誰が対応しても回答の内容がそろう均質化も進んでいます。今後は得られた定量・定性的な効果を踏まえて機能を拡張し、業界全体の業務効率化と品質向上へつなげることが期待されています。精度の数字以上に、答えられる人を増やしたという変化が、当初の課題への回答になっていると読めます。