業種ごとに、実際に成果が出ている用途を整理しました。自社に近い行から読んでください。

事例を読む前に知っておきたい数字

総務省『令和7年版情報通信白書』によると、何らかの業務で生成AIを利用していると回答した割合は、日本で55.2%でした。ただしこれは自社のAI活用方針を知っている人を母数とした推計値で、白書自身も他国と比較して低い水準にとどまると指摘しています。

より重要なのはこちらです。日本情報システム・ユーザー協会（JUAS）の「企業IT動向調査2025」によると、言語系生成AIを導入した企業のうち「効果測定を行っていない」と回答した割合が59.8%にのぼりました。同調査で何らかの効果を感じている企業は73.2%ですが、そのうち「期待を大きく超える効果があった」は4.0%にとどまります。

つまり多くの企業が「なんとなく効果がある気がする」という状態で止まっているということです。導入率だけを見て安心できる状況ではありません。

つまり事例を読む目的は、真似する対象を探すことではなく、うまくいった企業と期待外れに終わった企業の差がどこにあるかを見極めることです。この記事では後半の2ブロックで、その差について書きます。

なお、この記事に載せた数値はすべて各社・各団体が公表している内容です。情報は2026年8月時点のものです。
AI導入支援の全体像はAI導入支援で整理しています。

製造業は、AI活用の成果が数値で出やすい業種です。処理量が多く、判断基準を言語化しやすい工程が揃っているためです。

社内AIの全社展開

パナソニック コネクトは、社内専用のAIアシスタント「ConnectAI」を2023年に国内全社員へ展開しています。同社の公表によると、導入1年目で約18.6万時間、2年目には約44.8万時間の労働時間削減に至ったとされています。

注目したいのは、2年目に削減時間が2倍以上に伸びている点です。使い方が「聞く」から「頼む」へ移り、コード生成や資料レビューといった高度な作業にも適用範囲が広がったと説明されています。導入初年度の数字が、その仕組みの上限ではないということです。

技術文書の検索と、故障診断

日立製作所は、品質保証の業務を支援するAIエージェントについて、検索時間を約9割、対応レポートの作成時間を8割以上削減したと公表しています。またダイキン工業との設備故障診断の取り組みでは、原因と対策を10秒以内・90%以上の精度で提示するとされています。

いずれも共通しているのは、過去の記録が蓄積されている領域を対象にしていることです。品質記録、故障履歴、対応報告書。こうした記録が検索可能な形で蓄積されている業務は、AI活用の効果を出しやすい領域です。

逆にいえば、記録が紙のままだったり、担当者の頭の中にしかない領域では、同じ成果は出ません。

小売・ECでAIが定着しやすいのは、次の3つです。

• 需要予測 — 発注量の最適化により、欠品と廃棄ロスの両方を減らす
• 商品説明文の作成 — 大量の商品情報を、一定の品質で書き起こす
• 問い合わせ対応 — よくある質問への一次回答を自動化する

このうち取り組みやすいのは2つ目です。扱う商品数が多いEC事業者では、商品説明文の作成が慢性的なボトルネックになっています。既製の生成AIツールで着手でき、間違えても公開前に確認できるため、失敗のコストが低いのが特徴です。

需要予測は効果が大きい一方、過去の販売データが整っていることが前提になります。データが揃っていない状態では、まず記録の整備から始まるため、想定より時間がかかります。

この業種で注意したいこと

商品説明文の生成では、事実と異なる仕様を書いてしまうリスクがあります。素材、サイズ、成分。これらをAIが補ってしまうと、景品表示法上の問題につながる可能性があります。公開前の確認を人が行う運用は外せません。

また、生成した文章がそのまま大量に公開されると、サイト全体の文章が似通ってしまうこともあります。テンプレートに寄りすぎない指示の出し方が要ります。

物流業界では、人手不足への対応や業務効率化を目的としてAI活用が進んでいます。取り組まれているのは主に次の領域です。

• 需要予測と在庫配置 — どの拠点にどれだけ在庫を置くかの判断
• 配車・ルート計画 — 熟練者の経験に依存していた組み立てを支援する
• 伝票・帳票の読み取り — AI-OCRによる入力作業の削減

3つ目は、既存の帳票を対象に始められるため、比較的着手しやすく、効果も測定しやすい領域です。紙の伝票が残っている現場では、入力作業がそのまま工数になっているため、削減量を数字で示しやすくなります。

一方、配車計画は難易度が高くなります。熟練者は、荷主との関係、ドライバーの得意な地域、渡してはいけない組み合わせといった言語化されていない条件を踏まえて組んでいます。この暗黙の条件を洗い出す作業が、実際の負荷の大部分を占めます。

「熟練者の判断をAIに置き換える」という発想より、「熟練者が判断する前の下案をAIが作る」という設計のほうが、現場に受け入れられやすくなります。

金融業界は規制が厳しく、AIの導入には慎重さが求められます。それでも成果が出ている領域があります。

応対文面の作成

東京海上日動火災保険は、ELYZAの言語生成AIを活用し、事故対応における応対文面の作成業務で約50%の省力化を実現したと報じられています。

この事例が示しているのは、「文章を書く仕事」がAIと最も相性がよいということです。事故対応の文面は、正確さが求められる一方で、型がある程度決まっています。下書きをAIが作り、担当者が確認して仕上げる。この分担が成立する業務は、金融に限らずどの業種にもあります。

この業種の前提

金融では、入力してよい情報の範囲、記録の保存、説明責任といった要件が先にあります。ツールを選ぶ前に、規制要件を満たす構成が組めるかを確認する順序になります。

逆に、この整理を済ませた企業は展開が速くなります。ルールが明文化されていれば、現場が判断に迷わないためです。

医療・介護は、安全性と効率が両立しにくい領域です。そのぶん、導入の進め方に学ぶところがあります。

JCHO大阪病院は、富士通やマイクロソフトなどと連携し、退院サマリと看護申し送りを自動化する生成AIプロジェクトを2026年6月に本格稼働させると発表していました。

この事例で参考になるのは成果の数値ではなく、順番です。ツールの導入より先に、院内ガイドラインの整備、情報基盤の構築、運用ガバナンスの確立を進める設計になっています。

個人情報や機密情報を扱う業種では、「ルール・基盤・ガバナンス」を先に作ることが、結果として最短ルートになります。先にツールを入れると、情報システム部門や現場の反対で止まり、そこから整備をやり直すことになります。

介護分野で先に効くところ

介護では、記録業務の負担が大きく、ここが最初の対象になりやすい領域です。日々の記録の下書き、申し送りの要約、報告書の作成。いずれも「書く仕事」であり、前章の金融と同じ構造にあります。

ただし記録は法令上の保存義務や、事故時の証拠性が関わります。AIが生成した内容をそのまま確定させない運用が前提です。

建設業でのAI活用は、大きく2方向に分かれます。図面まわりと、書類まわりです。

図面まわりでは、図面同士の照合、変更箇所の抽出、過去図面の検索といった用途があります。製造業の図面照合と同じ構造で、目視で行っていた確認作業を支援する形です。

書類まわりでは、施工報告書、安全書類、日報の作成があります。現場監督が事務作業に追われている状況では、こちらのほうが体感の効果が大きくなります。

着手するなら書類側から

図面の照合は効果が大きい一方、扱うデータの形式が揃っていないことが多く、準備に時間がかかります。CADの版が混在している、紙の図面が残っている、というのは珍しくありません。

一方、書類作成の支援は既製の生成AIツールでも始められます。現場の負担が最も重い時期に、最短で効果が出る領域から入るほうが、社内の理解も得やすくなります。

なお建設業では、現場の端末環境が制約になることがあります。PCが事務所に1台しかない、現場ではスマートフォンしか使えない。導入前に、実際に使う場所で動くかを確認してください。

業種を問わず、最初の対象として最も選ばれているのがバックオフィス業務です。理由は明確で、どの会社でもやることが似ており、失敗しても影響が小さいためです。

1件目の導入としてこの領域を選ぶ意味は、成果そのものより社内に成功体験を作れることにあります。「AIは使える」という実感が生まれてから業務システムへの組み込みに進むと、現場の協力が得やすくなります。

ただし、規程検索には落とし穴がある

社内規程やマニュアルを読ませるAIは、導入直後の評価が高く、半年後に使われなくなりやすい典型です。原因は元の文書が更新されているのに、AI側に反映されていないことです。

就業規則が改定された、商品情報が変わった。このとき誰がAI側を更新するのかを決めていないと、回答が古くなり、「AIは信用できない」という評価に変わります。導入時に、更新の担当と頻度を決めておいてください。

民間より遅いと思われがちですが、自治体には全庁展開まで到達している例があります。

横須賀市は、2023年3月のGPT-4公開からわずか1か月で全庁導入を実現したと報告されています。行政専用ネットワーク（LGWAN）経由で安全に利用できる環境を構築し、起案書や周知文の作成・校正といった行政特有の文書業務に用途を絞った設計です。

公表されている成果として、対象職員の約6割が日常的に利用し、年間で少なくとも22,700時間の業務削減に至ったとされています。

この事例から取れる要素は3つ

• 用途を絞った — 「何でもできる」ではなく、文書の作成と校正に特化させた
• 運用の前提を明示した — 「AIの回答は80点」という前提を共有し、最終判断は人が行うと決めた
• 推進の意思が明確だった — トップの指示のもとで進んだ

2つ目が特に参考になります。AIの精度に期待しすぎない前提を先に共有しておくと、現場の失望が起きません。「完璧ではないが下書きとしては十分」という認識が揃っていれば、多少の誤りは運用の中で吸収されます。

逆に「AIが正しい答えを出す」と説明して導入すると、最初の誤りで信頼を失います。期待値の設定は、精度そのものと同じくらい重要です。

ここまでの事例を並べると、業種が違っても共通している点が見えてきます。導入した企業の約4分の1が期待未満と答えている中で、成果を出した側に共通するのは次の3つです。

1. 目的が業務課題の言葉で書かれている

成功している事例の多くは、「AIを導入したい」ではなく「この業務のこの工程を減らしたい」から始まっています。

パナソニック コネクトは全社的な業務効率化とリテラシー向上、あわせて社員が個人的にAIを使うことによるセキュリティリスクへの対応を目的に掲げています。横須賀市は行政文書の作成・校正に用途を絞っています。東京海上日動は事故対応の応対文面という特定業務です。

いずれも「何を減らすのか」が先に決まっています。目的が曖昧なまま進めると、費用と時間だけが消えていく状態になります。

2. 小さく始めて、成功を確認してから広げている

特定の業務・部署から始め、効果を確認してから展開範囲を広げるケースが多く見られます。1ライン、1部署、1業務。この規模で試し、精度と効果を確認してから範囲を広げています。

パナソニック コネクトの例が示すとおり、導入初年度の成果は上限ではありません。1年目の18.6万時間が2年目に44.8万時間へ伸びたのは、使い方が定着してから適用範囲が広がったためです。最初から大きく始める必要はない、という証拠でもあります。

3. ルールと基盤を、ツールより先に整えている

JCHO大阪病院はガイドライン・情報基盤・ガバナンスの整備を先に進め、横須賀市はLGWAN経由の安全な環境を構築し、「最終判断は人が行う」という運用を明示しました。パナソニック コネクトは入力データが外部に漏れない環境を先に用意し、導入から16か月間、情報漏洩や著作権侵害の問題はゼロだったと公表しています。

この順序は、慎重さの表れではなく最短ルートです。ツールを先に入れると、情報システム部門の審査や現場の懸念で止まり、そこから整備をやり直すことになります。

逆に、うまくいかない事例に共通すること

報じられている「期待未満」の背景には、次のような構造があります。

• 成果物を納品して終わりの支援で、運用まで続かなかった
• PoCの合格ラインを決めずに始め、結果の解釈で社内が割れた
• 現場を巻き込まずに作り、完成後に使われなかった

いずれも技術の問題ではありません。進め方の問題です。

事例集を読んだあと、最もやってはいけないのが「同じことをやってみる」です。うまくいった企業には、その企業固有の前提があります。データが揃っていた、推進役がいた、規模が大きかった。前提が違えば結果も変わります。

事例の正しい使い方は、構造だけを取り出して自社に当てはめることです。次の順で進めてください。

手順1｜事例から「対象工程」の共通点を抜き出す

この記事の事例を並べると、成果が出ているのはほぼ同じ性質の工程です。

• 書く仕事 — 応対文面、報告書、記録、商品説明文、起案書
• 探す仕事 — 技術文書、過去図面、社内規程、対応履歴
• 読み取る仕事 — 伝票、請求書、帳票

自社の業務を、この3分類に当てはめてみてください。業種ではなく、工程の性質で探すほうが当たります。製造業の事例が自社に合わなくても、同じ「探す仕事」なら構造は同じです。

手順2｜その工程の現状を数字にする

月に何件発生し、1件あたり何分かかり、何人が担当しているか。ここが数字になっていないと、効果を見積もれず、上申資料も書けません。

事例の数値をそのまま引用して稟議を書くのは避けてください。「他社で50%削減した」は、自社で50%減る根拠にはなりません。自社の現状値があってはじめて、目標値が置けます。

手順3｜前提の差を確認する

参考にした事例と自社で、次が同じかを確認します。

• 対象工程の記録が、検索できる形で残っているか
• 判断基準が言語化できるか、担当者の経験に依存しているか
• 間違えたときに、確認して直せる工程か

3つとも満たしていれば、事例と近い条件で検討できる可能性があります。ひとつでも欠けている場合、まずそこを埋める作業が先に来ます。データが紙のままなら、AI導入ではなくデータ化が最初の仕事です。

手順4｜上申資料は「他社の数字」を主役にしない

社内の承認を取る段階で、事例集の数値を並べた資料を作りたくなります。ただ、それだけでは決裁者の問いに答えられません。返ってくるのは「それはうちでも同じになるのか」という質問です。

上申資料は、次の順で組むと通りやすくなります。

• 自社の現状（対象工程、月間件数、1件あたりの時間、担当者数）
• 他社事例（同じ性質の工程で成果が出ている実例を1〜2件。参考として置く）
• 自社での想定効果（現状値から算出。他社の削減率をそのまま使わない）
• 必要な費用と期間（社内で必要になる工数も含める）
• やらない判断の条件（PoCで何が満たせなければ撤退するか）

5つ目を書くことに抵抗があるかもしれませんが、撤退条件を明確にしておくと、投資リスクを説明しやすくなります。決裁者が最も恐れているのは、止められない投資が始まることです。

手順5｜期待値を先に共有する

横須賀市の「AIの回答は80点」という前提の共有は、そのまま真似できます。導入前に、AIが完璧ではないことを関係者で確認しておく。これだけで、稼働後の評価が変わります。

なお当社（ドコドア）は、AIを組み込んだ自社プロダクトを開発し、実際に世に出しています。作る側として、どこまでAIに任せられて、どこからは人が確認すべきかの線引きは、実装してみないと分からない部分があります。

自社の業務がどの分類に当てはまるか、どこから着手すべきか、そもそもAIが最適なのかも含めてご相談いただけます。相談の結果、既製ツールで足りるという結論になることもあります。AI導入支援の全体像はAI導入支援で整理しています。着手から運用までの手順はAI導入の進め方で解説しています。