KDDIの社内版ChatGPT、約1万人が使う生成AI活用を広げた2方向の展開

この取り組みの出発点は、現場の個別の不便というより、法人向けに生成AIソリューションを提供するために自社で知見とノウハウを蓄えるという、事業側の必要にありました。社内での実証実験を先に置いた順序からも、その意図がはっきり読み取れます。

編集部の見立てでは、ここで実際に向き合っていた困りごとは、生成AIを全社に配ったあとに何が起きるか分からないという不確実性そのものだったのではないでしょうか。ツールを契約して従業員に配るところまでは決裁の問題ですが、どの業務のどこに効くのか、既存システムとどうつなげば実務に乗るのかは、使ってみるまで分かりません。約1万人が働く規模の組織で、その答えを机上だけで描き切るのは無理があります。進め方を二本立てにした背景には、この見通しの立てにくさがあったと考えられます。

決裁の重い領域と、現場の裁量で動く領域を切り分け、それぞれに別の進め方を当てたことが、この展開の核心だと読めます。既存システムと生成AIの連携は、部署をまたぐ調整や投資判断を伴うため、現場の工夫だけでは前に進みません。ここに本部長クラスのプロジェクトオーナーを置いた設計は、意思決定の速度を組織の階層に合わせて確保する狙いだったのでしょう。

一方、日々の業務で効率化に直結する使い方を現場の従業員自身に見つけさせるやり方は、用途の発見を中央に集約しないという判断です。生成AIは、業務の細部を知っている人ほど有効な使いどころを言い当てられる性質があり、企画部門が用途一覧をまとめて配る方式とは噛み合いません。探索を現場に開いた構造は、経営側が想定していなかった使い方まで拾える余地を残します。

法人向けに提供する前に、自社を先行の実験場に充てた順序も見落とせません。社内で実証実験を重ねる過程では、効果の出る使い方だけでなく、運用上のつまずきや定着の難しさも当事者として経験することになります。こうした手触りは製品の仕様説明からは得られないもので、外部に提供するサービスの設計材料としての厚みが違ってきます。自社の業務を最初の顧客に見立てた進め方が、蓄積される知見の質を左右したと考えられます。

「KDDI AI-Chat」はグループ全体で約1万人が利用する状態まで広がり、具体的な効果も表れています。1日かかっていたプログラミング作業が2〜3時間で完了するようになり、集計が難しい自由記述形式のアンケート結果も効率的に整理・分析できるようになりました。いずれも作業そのものが消えたわけではなく、人が抱えていた下ごしらえの部分をAIが引き受けた結果と読めます。