東京海上日動あんしん生命、年1.8万件の顧客の声分類で75%時短を実証

効率化と分析高度化を切り分け、二段階で組み立てた進め方が、この取り組みの骨格になっています。第一段階では業界共通の約40種というすでに存在する分類コードにAIを当てはめることに絞り、まず読み込み・分類の負荷を下げる。そのうえで第二段階として、自社で設定した重要キーワードをハッシュタグとして抽出し、クラスター分析で傾向を掘る。最初から「分析まで全部AIに」と広げず、判断基準が既に定まっている工程から手をつけた順序設計が、成果を出しやすい形につながったと考えられます。

再学習に頼らない構成を選んだことも要点です。watsonx.aiの自然言語処理に検索拡張生成（RAG／外部データを検索してAIの回答に反映させる仕組み）を組み合わせ、システムプロンプトとRAGで振る舞いを調整する設計にしたことで、新商品の投入や情報更新のたびにファインチューニング（業務向けにモデルを再学習させる作業）を回す必要がなくなりました。従来型の機械学習で壁になった再学習の重さに、技術選定の段階で正面から答えを出した格好です。個人情報を扱う前提に対しては、IBM Cloud上で稼働させる構成で応じています。

精度を最初から完璧に求めず、70〜80%を目安に「まず動かす」姿勢を共有した点も見逃せません。ビジネス部門とIT部門が組む「アプリケーションオーナー制度」のもとで役割を分け、PoC（小規模な試験導入）からスモールスタートで本格開発へ移すことで、必要な機能の見極めと資源配分を段階的に判断できるようにしています。週次のアジャイル開発で実際に動くものを見せながら検証を重ねる進め方は、生成AIを万能視も過小評価もさせない期待値の調整として機能したと読めます。