日本製紙が生成AIを入れ替え、1,500名規模へ広げた社内展開の進め方

うまくいった要因としてまず挙がるのは、アシスタントごとに参照する知識（ドキュメント）を分離できる設計です。以前の環境では本部単位のフォルダに部署の資料がまとめて集約され、質問と関係のない文書まで検索対象に入り込む構造でした。用途ごとに知識の範囲を区切れば、AIが探しに行く先が絞られ、返ってくる答えの的確さは素直に上がります。RAG（社内の文書を検索して回答に使う仕組み）の精度は、モデルの賢さよりも「何を読ませるか」の設計に左右される部分が大きく、その勘所を突いた切り分けだったと考えられます。

費用の見え方を作り替えた選定も効いています。使った分だけ請求が積み上がる形では、社員が高性能モデルを選ぶたびに管理側が身構えることになり、推進役が自らブレーキを踏む構図から抜け出せません。従量課金を意識せずに済む料金体系へ移したことで、「とりあえず触ってみる」という行動の心理的な負担がほぼ消えました。ChatGPTに近い操作感の画面にWeb検索機能まで載っていた点も、別の検索ツールを案内する手間を省いています。

広げ方の設計も見逃せません。意見交換の場を公式に用意すると、詳しい一部のメンバーの高度な話題で場が埋まり、他の社員が発言しづらくなる——その経験を踏まえ、今回は場をあえて設けず、現場の口コミに委ねる判断が取られました。「10年分の販売データをすべて入れたら売上傾向が分かるのか」といった期待にはBIツールなど別の専門ツールの役割だと説明し、生成AIの守備範囲を先に共有しています。工場のようにまだ導入が進んでいない部門にはトップダウンで下ろさず、アンケートでニーズを把握したうえで関心の高い拠点からワークショップを開く段取りが組まれており、熱量のある場所から順に広げる進め方が採られています。