終わらない毎日のデータ確認、IT担当不在の現場がAIチャットで自動化できた理由

A-FACTORYで使われているタブレットPOSは、ポイント利用状況など一部のデータが基幹システムとつながっておらず、同じ情報を二か所で持つ状態になっていました。そのため日々の売上データを人の目で突き合わせ、ズレがないかを確かめる作業が毎日発生していました。

編集部の見立てでは、この困りごとの本質は作業量の多さではなく、システム同士がつながっていないことのしわ寄せが、そのまま現場の手作業に置き換えられていた点にあります。二重管理そのものを解消しようとすればPOSと基幹システムの改修という大きな話になり、かといって毎日の照合は止められない。結果として、本来はシステム側で解くべき課題が、現場の「やるしかない作業」として固定化してしまう。しかもこの種の作業は、どこをどう見ているのかを説明できるのが担当者本人だけという性質を持つため、外部に依頼して自動化する話にも乗りにくかったのではないでしょうか。

現場のメンバー自身がAIにPythonのコードを生成させ、自分たちの作業を自動化するという進め方が、この取り組みの中心にあります。売上データのどこをどう突き合わせているのかを最も細かく説明できるのは、毎日それをやっている本人です。AIチャットを介せば、その説明がほぼそのまま処理の仕様になり、要件を誰かに伝えて依頼し、出来上がりを確認するという往復の工程が省かれます。プログラミングの経験がなくても、業務の手順を言葉にできれば動くものにたどり着ける。この道筋が開けたことが大きいと考えられます。

ツールを配る前にワークショップで現場から活用アイデアを引き出した順序も効いています。生成AIの情報には関心があっても業務活用のイメージが持てない、という地点から始まっているため、いきなりアカウントだけを配っても使われずに終わる可能性がありました。自分の担当業務のどこにAIを当てられるかを現場の言葉で出し切ったうえで導入を決めたからこそ、最初の使いどころが具体的だったのでしょう。

最初の対象に、売上データの突合という結果の正誤を人が判定できる作業を選んだ点も見逃せません。AIが書いたコードが正しいかどうかは、従来どおり人手で確認した結果と照らせば判断できるため、失敗しても業務が壊れない範囲で試行を重ねられます。その延長線上で、繁忙日とそれ以外で必要人員を変えるシフト自動作成ツールという、条件が複雑で判断の入る領域にも手が伸びている。易しい順に難度を上げる積み上げ方が、現場に無理をさせずに自動化の対象を広げる設計として働いていると見ています。

導入後の変化として、A-FACTORYの現場メンバーがAIにPythonのコードを生成させ、売上データの照合作業を自動化する改善が始まっています。社内の社員がプログラムを書いて自動化を進めるところまで来たことは、担当者にとっても想定外の動きとして語られています。一方、繁忙日とそれ以外の日で必要人員を最適化するシフト自動作成ツールについては、Pythonでの実装を試みている途中であり、完成した成果としては報告されていません。