図表入り資料をAIが読める形へ、設備工事会社が回答精度80%を実現した構造化の内製化

もっとも効いたのは、精度改善の打ち手を「AIの調整」ではなく「参照させるデータの形」に置いた点です。図表を含むドキュメントを自動で構造化し、生成AIが読み取りやすい形に整えるという発想は、モデル側をいじるアプローチと比べて、原因に近い場所に手を当てています。RAG（社内データを検索してAIの回答に使う仕組み）は参照元の質がそのまま回答に出るため、構造化の工程を独立した作業として立てた設計が、精度を業務利用に耐える水準まで押し上げる土台になったと考えられます。

次に注目したいのは、外部に委ねず自社でデータ加工を回す形を選んだことです。ソースでは、他社のAIサービスではチューニングが難しく自社ニーズに合わせた最適化がしづらかった一方、このツールは自社主導で構造化を進められる柔軟性があり、進捗や品質を社内で細かく管理できる点が評価されています。ここには、成果物の確認と修正のやり取りを社内で完結させることで、改善のサイクルを短く回せるという実利があります。ナレッジ検索の精度は一度作れば終わりではなく、資料が増えるたびに調整が必要になる性質のものですから、内製化はコストの話にとどまらず、継続的に手直しできる体制づくりとして機能したのではないでしょうか。

三つ目は、構造化ツールと生成AI環境をつなぐ連携を用意し、加工結果の受け渡しを自動化したことです。ダウンロード・加工・アップロードという一連の手順を人が毎回踏む前提のままでは、たとえ構造化の効果が出ても運用が止まりがちになります。この受け渡しを仕組み側に寄せた判断が、精度向上を「試した」段階から「日々使う」段階へ運ぶ橋渡しになったと読み取れます。