const platform = new Kanata();
platform.init({
mode: "nocode",
locale: "ja",
});
await platform.launch();
// アプリを接続して新たな価値を生み出す
platform.connect(targetApp);const tasks = ["draft", "review", "publish"];
const summary = tasks
.map((task, index) => `${index + 1}. ${task}`)
.join("\n");
console.log(summary);pnpm install
pnpm dev
# build check
pnpm build{
"name": "kanata_official-site",
"private": true,
"scripts": {
"dev": "astro dev --port 3001",
"build": "astro build"
}
}お問い合わせ対応を自動化しつつ、
ナレッジを共有資産として蓄積する。[Meeting overview]
- Date and time:
- Participants:
- Purpose:
[Decisions]
-
[Action points]
| Owner | Task | Deadline |
[Key points of discussion]
-
[Open questions / to confirm]
-
[Homework before next time]
- インラインコード表示サンプル
この段落では mode: 'nocode' のような短いインラインコードを確認できます。
設定値として theme = "light" や status: active、
フラグの isEnabled: true も並べて確認してください。
Kanata AI では workspace_id を指定して、
agent.run() のような処理名も本文中に埋め込めます。
英数字だけでなく user_name、api/v1/topics、
{ mode: 'nocode' } のような記法も見てください。
リスト内サンプル
- 管理者ロールは
admin - 公開ステータスは
published - API エンドポイントは
GET /api/v1/topics - JSON キー例は
{ "locale": "ja" }
引用内サンプル
初期設定では
mode: 'nocode'を推奨します。詳細な制御が必要な場合は
custom_promptを追加してください。
長めのサンプル
長めの値として
kanata-official-site-production-environment
のような文字列が入ったときに、レイアウトが崩れないか確認してください。
コードブロック混在サンプル
以下はコードブロックです。ここはインラインコードの見た目に変わらないことも確認してください。
const config = {
mode: "nocode",
locale: "ja",
isEnabled: true,
};表内サンプル
| 項目 | 値 |
|---|---|
| mode | nocode |
| locale | ja |
| endpoint | POST /api/v1/contact |
| sample | { mode: 'nocode' } |
ChatGPTに、この議事録を貼って要約してもいいですか？
社内チャットにこの一言が投稿されました。質問したのは営業部のメンバーです。返信に迷ったのは情報システム部、判断を急いだのはDX推進室、そして経営会議ではすでに「来期は生成AIを全社活用する」という方針が話題に上がっていました。
筆者は、こうした場面に何度も立ち会ってきました。最初の相談は多くの場合、「この資料を入れていいですか」「このメール文をAIに書かせてもいいですか」「営業資料のたたき台を作っても問題ないですか」といった、現場の小さな問いから始まります。
しかし、その一言には、企業の生成AI導入に必要な論点が詰まっています。どの情報なら入力してよいのか。AIの出力を誰が確認するのか。個人利用と会社利用をどう分けるのか。便利さを止めずに、リスクをどう管理するのか。
半年前まで、その会社では生成AIの利用は個人任せでした。営業は提案書の下書きに使い、マーケティングは記事構成の壁打ちに使い、人事は研修資料の要約に使っていました。便利である一方、どの情報を入力してよいのか、誰が出力を確認するのか、会社としてどのツールを認めるのかは曖昧なままでした。
しかし現在は、全社員向けの基礎研修、利用ガイドライン、部門別ユースケースの整理を進めることで、「禁止か放任か」ではなく「安全に使える範囲から始める」状態に移行しつつあります。
この記事では、生成AIの企業導入を検討する担当者に向けて、最初に理解すべき基本知識を整理します。目指すのは、生成AIを一部の詳しい社員だけが使う便利ツールではなく、全社で安全に活用できる業務基盤として捉えられる状態です。
ただし、生成AIは導入すれば自動的に成果が出るものではありません。ツール選定、教育、セキュリティ、業務設計、継続的な見直しがそろって初めて、企業の中で再現性のある活用につながります。
生成AIとは何か
生成AIとは、文章、画像、音声、動画、コードなどを新しく生成できるAIの総称です。従来のAIが「分類する」「予測する」「検知する」ことを得意としていたのに対し、生成AIは「作る」「要約する」「言い換える」「提案する」「対話する」といった、人間の業務に近い作業を支援します。
筆者が企業の現場で生成AIを説明するときはまず、「AIにすべてを任せられるわけではない」ことを伝えています。生成AIは、優秀な壁打ち相手であり、下書き担当であり、整理役です。意思決定者ではありません。
| 活用領域 | 具体例 |
|---|---|
| 文章作成 | メール文、社内通知、提案書、記事構成の作成 |
| 要約 | 会議録、議事録、資料、問い合わせ履歴の要約 |
| 調査補助 | 論点整理、比較表作成、調査観点の洗い出し |
| アイデア出し | 企画案、キャンペーン案、研修テーマの案出し |
| 顧客対応支援 | FAQ回答案、問い合わせ返信案、商談準備 |
| 社内ナレッジ活用 | 規程、マニュアル、過去資料の検索・回答支援 |
| 文章作成 | メール文、社内通知、提案書、記事構成の作成 |
|---|---|
| 要約 | 会議録、議事録、資料、問い合わせ履歴の要約 |
| 調査補助 | 論点整理、比較表作成、調査観点の洗い出し |
| アイデア出し | 企画案、キャンペーン案、研修テーマの案出し |
| 顧客対応支援 | FAQ回答案、問い合わせ返信案、商談準備 |
| 社内ナレッジ活用 | 規程、マニュアル、過去資料の検索・回答支援 |
企業導入で重要なのは、生成AIを「何でも答えてくれる万能ツール」と見なさないことです。生成AIは、業務の初稿作成、情報整理、観点出し、要約には強みがあります。一方で、事実確認、最終判断、法的判断、顧客との信頼関係を伴う対話は、人が担う必要があります。
AIチャット、AI要約、学習データの管理、プロンプトの再利用をまとめて扱える業務支援サービスを使う場合でも、基本は同じです。下書き、要約、調整、調査の起点づくりはAIに任せ、人は事実確認、最終判断、顧客や社内関係者との対話に集中する。この役割分担が、生成AI活用を業務に定着させるうえでの出発点になります。たとえばKanataのようなサービスがあります。
なぜ今、企業で生成AI導入が進んでいるのか
生成AIが企業で注目される理由は、単に新しい技術だからではありません。多くの企業が抱えている「人手不足」「業務の属人化」「ナレッジの分散」「教育コストの増加」といった課題に対して、生成AIが現実的な解決策になり得るからです。
たとえば、営業部では提案書や商談メールの作成、管理部門では社内問い合わせ対応、マーケティング部門ではコンテンツ企画、経営企画やDX部門では調査や資料作成など、多くの部門で時間のかかる定型業務が存在します。
これらはすべて「最終的には人間の判断が必要だが、最初の整理や下書きまですべて人がやると膨大な時間がかかってしまう」業務です。生成AIは、ここに入り込みます。
筆者の感覚では、生成AIが本当に価値を出すのは、社員の仕事を奪う場面ではありません。社員が「最初の一歩」を早く踏み出せるようになるシーンです。白紙の資料を前に止まっていた人が、AIのたたき台を見ながら修正を始める。長い議事録を読む気になれなかった人が、要約を起点に論点を把握する。そこに、実務上の価値があります。
つまり、生成AIの企業導入とは、人の仕事をすべて置き換える話ではありません。人が判断すべき仕事に集中するために、準備、整理、下書き、確認の一部をAIに任せる取り組みです。
企業担当者が最初に理解すべき生成AIの仕組み
生成AIを導入するうえで、専門家レベルの技術理解は必須ではありません。ただし、社内説明やガイドライン整備を行う立場であれば、最低限の用語は押さえておく必要があります。
LLMLLMとは、大規模言語モデルのことです。大量の文章データをもとに、言葉と言葉の関係を学習し、自然な文章を生成するAIモデルを指します。ChatGPT、Copilot、Geminiなどは、こうしたLLMを活用したサービスの代表例です。
プロンプトプロンプトとは、生成AIに対する指示文です。「何をしてほしいのか」「誰向けに書くのか」「どの形式で出すのか」を明確にするほど、出力の品質は安定しやすくなります。
ハルシネーションハルシネーションとは、AIが事実ではない内容を、もっともらしく生成してしまう現象です。数字、固有名詞、法令、引用、契約条件などは、必ず人が確認する必要があります。
RAGRAGとは、社内文書やマニュアルなどの外部情報を検索し、その情報を参照しながらAIが回答する仕組みです。社内FAQ、規程検索、マニュアル回答などで活用されます。
ファインチューニングファインチューニングとは、既存のAIモデルに追加学習を行い、特定の業務や表現に合わせて調整することです。ただし、企業導入の初期段階では、いきなりファインチューニングを検討するよりも、まずは業務整理、データ整備、プロンプト設計、RAG活用を考える方が現実的です。
生成AI導入で期待できる効果
生成AIの導入効果は、単純な「作業時間削減」だけではありません。企業では、次のような複数の効果を組み合わせて考える必要があります。
業務時間の削減
メール、議事録、要約、資料作成、調査の初期整理など、日々発生する作業時間を削減できる可能性があります。特に、白紙から考える作業や、長い文章を短く整理する作業と相性があります。
ただし、削減できるのは「考える時間」そのものではありません。削減しやすいのは、最初のたたき台を作る時間、形式を整える時間、長文を読み解く時間です。人はその分、判断や対話に時間を使えるようになります。
品質の平準化
ベテラン社員の書き方、確認観点、説明の順序をプロンプトやテンプレートとして整備すれば、経験の浅い社員でも一定水準のアウトプットを出しやすくなります。
これは、筆者が企業導入で特に重視している効果です。生成AIは、優秀な一人をさらに速くするだけでなく、チーム全体の最低品質を引き上げる道具にもなります。
ナレッジ活用の促進
社内に蓄積された規程、マニュアル、提案書、FAQ、過去の議事録は、存在していても探せなければ活用されません。生成AIを活用することで、検索ではなく対話形式で社内知識にアクセスできる可能性が広がります。
この領域では、利用するツールの選定だけでなく、情報の整理方法が重要です。たとえばKanataでは、プロジェクト単位でAIチャット、要約、学習データ、プロンプトを整理できるため、部署や業務テーマごとに情報を分けながら活用しやすい構造を作れます。AI活用を個人技で終わらせず、組織のナレッジとして蓄積したい場合には、こうした管理単位を持つサービスが選択肢になります。
教育・リスキリングの効率化
生成AIは、社員が自分のペースで質問し、理解を深める学習支援にも使えます。全社員向けのAIリテラシー研修、部門別の活用研修、管理職向けの意思決定支援研修など、教育施策との相性も高い領域です。
特に、生成AIの全社員リスキリングでは「一度研修を受けて終わり」では不十分です。日々の業務で使いながら、わからないことを確認し、良い使い方を共有する仕組みが必要です。
生成AI導入で注意すべきリスク
一方で、生成AIの企業導入には明確なリスクがあります。導入初期にこれらを曖昧にしたまま進めると、後から大きな問題になります。
情報漏えい
社員が個人情報、顧客情報、契約情報、未公開情報を外部サービスに入力してしまうリスクがあります。どの情報を入力してよいか、どの環境であれば扱ってよいかを明確にする必要があります。
生成AIのリスクは、悪意ある行為だけで起きるわけではありません。むしろ多くの場合、社員は業務を早く進めようとして、善意で情報を入れてしまいます。だからこそ、入力してよい情報と入力してはいけない情報を具体的に示す必要があります。
個人情報保護委員会も、生成AIサービスを利用する際の個人情報の取り扱いについて注意喚起を公表しています。企業で生成AIを使う場合は、自社の個人情報保護方針、委託契約、利用規約、入力データの扱いを確認する必要があります。生成AIサービスの利用に関する注意喚起等について
誤情報の利用
AIの出力をそのまま社外資料や意思決定に使うと、誤った情報が混入する可能性があります。特に、数値、法令、医療、金融、契約、セキュリティに関わる領域では、人による確認が不可欠です。
生成AIが作成した文章は必ず人が確認し、社外に出る文書や意思決定に関わる情報は、原典と照合することを基本にします。AIは下書き担当であり、最終責任者ではありません。
著作権・知的財産の問題
既存記事、他社資料、画像、コードなどをAIに入力したり、AIが生成した内容をそのまま公開したりする場合、著作権や利用規約の確認が必要です。
生成AIが作った文章だから自由に使える、という理解は危険です。特に、社外公開コンテンツ、広告、営業資料では、引用元や参照元、既存コンテンツとの類似性に注意する必要があります。
シャドーIT
会社として利用方針を示さないまま放置すると、社員が個人アカウントで生成AIを使い始める可能性があります。これにより、利用実態、入力データ、契約条件、ログを管理できなくなります。
筆者は、生成AIを全面禁止する企業ほど、実は裏側で個人利用が進みやすいと感じています。現場にニーズがある以上、ただ止めるだけでは不十分です。会社として安全に使える選択肢を用意する必要があります。
コストの見えにくさ
生成AIは、ユーザー数、API利用量、トークン量、連携範囲によってコストが変動します。PoC段階では安く見えても、本格展開時に想定以上の費用になることがあります。
そのため、導入初期から「誰がどの業務でどれくらい使うのか」「全社展開した場合の費用はどうなるのか」を見積もる必要があります。
生成AIの企業導入は「ツール選定」から始めない
生成AI導入の相談でよくあるのが、「どのツールを選べばよいですか」という問いです。もちろんツール選定は重要です。しかし、最初に決めるべきことはツール名ではありません。
先に決めるべきなのは、次の4つです。
- どの業務を改善したいのか
- どの部門・誰が使うのか
- どのデータを扱ってよいのか
- 出力結果を誰が確認するのか
この整理がないままツール比較を始めると、機能表の比較に時間を取られます。結果として、「高機能だが使われない」「便利だが管理できない」「PoCは盛り上がったが本番化しない」という状態に陥ります。
まず、AIに何をさせたいのかを一つに絞りましょう。ツールの比較は、その後で十分です。
筆者は、ベンダー比較表を前に悩む担当者の方に、よくこう伝えます。
生成AI導入の初期段階では、まず小さく始めることが大切です。たとえば、全社員共通で使えるメール下書き、議事録要約、社内文書の要約、研修コンテンツ作成などから始めると、効果を実感しやすく、リスクも比較的管理しやすくなります。
全社員リスキリングが必要な理由
生成AIは、一部の専門部署だけが使うツールではありません。メールを書く、資料を読む、会議をまとめる、社内ルールを確認する。こうした日常業務に入り込むため、全社員が最低限のAIリテラシーを持つ必要があります。
全社員リスキリングで教えるべき内容は、難しい技術解説ではありません。重要なのは、次のような実務上の判断基準です。
| 教えるべき内容 | 目的 |
|---|---|
| 生成AIの基本 | 何ができて、何が苦手かを理解する |
| プロンプトの書き方 | 目的に合った出力を得られるようにする |
| 入力してよい情報・ダメな情報 | 情報漏えいを防ぐ |
| ハルシネーション | 出力を鵜呑みにしない習慣を作る |
| 著作権・引用 | 社外公開時のリスクを下げる |
| 社内ルール | 迷ったときの判断基準をそろえる |
生成AI研修は、単なる「便利な使い方講座」ではありません。会社として安全に使わせるための土台作りです。
最初の研修テーマとしては、メール下書き、議事録要約、資料リライト、調査の起点づくり、週報や1on1メモの整理などが向いています。これらは部署を問わず発生し、効果を実感しやすく、リスク管理のルールも教育しやすい領域です。
社内ガイドラインで決めるべきこと
生成AIを企業で活用するには、ガイドラインが必要です。ただし、分厚い規程を作るだけでは現場に浸透しません。最初は、社員が日常業務で迷いやすい論点に絞って整理するのが現実的です。
筆者は、ガイドラインを作るときに「禁止事項の一覧」だけで終わらせないようにしています。禁止だけが並ぶと、現場は使う意欲を失います。一方で、自由に使える範囲が明確であれば、社員は安心して活用を始められます。
利用してよい業務
まず、生成AIを使ってよい業務を明示します。たとえば、公開情報の要約、一般的な文章校正、社内向け資料のたたき台作成などは、比較的始めやすい領域です。
入力してはいけない情報
個人情報、顧客の機密情報、契約書の詳細、未公開の財務情報、採用・評価に関する機微情報などは、原則として入力禁止または個別承認にします。
実務では、公開情報、社内一般情報、顧客取引情報、個人情報、機微情報、未公開財務情報などに区分し、それぞれAIに入力してよいかを整理します。特に個人情報や機微情報は、必要がある場合でもマスキングや承認フローを設けることが重要です。
出力確認のルール
AIが作成した内容を、そのまま社外に出してよいケースはほとんどありません。社外提出資料、顧客向けメール、採用・評価・契約・法務に関わる文書は、人による確認を必須にします。
利用ツールの範囲
会社として利用を認めるツール、禁止するツール、検証中のツールを整理します。個人アカウントでの業務利用をどこまで認めるかも、早めに決める必要があります。
ログと監査の考え方
誰が、いつ、どのツールを使い、どのようなデータを扱ったのかを後から確認できる設計も重要です。ログを残さなければ事故時に追跡できません。一方で、入力内容を過度に保存すると、ログ自体が新たな情報管理リスクになります。
そのため、ログの保存範囲、保存期間、閲覧権限、削除ルールをあらかじめ定める必要があります。
PoCを成功させる進め方
生成AI導入では、いきなり全社展開するのではなく、PoCから始める企業が多くあります。PoCとは、新しい技術や仕組みが実際に有効かを小規模に検証する取り組みです。
ただし、PoCには落とし穴があります。「とりあえず試す」を繰り返すだけでは、いつまでも本番導入に進めません。PoCを始める前に、次の項目を決めておく必要があります。
| 項目 | 確認すべきこと |
|---|---|
| 対象業務 | どの業務を改善するのか |
| 対象者 | 誰が使うのか |
| 成功指標 | 何がどう変われば成功か |
| リスク | どの情報を扱う可能性があるか |
| 運用責任者 | 誰が問い合わせ・改善を担うか |
| 本番化条件 | どの基準を満たせば展開するか |
PoCのKPIは、単なる利用回数だけでは不十分です。議事録作成時間、問い合わせ対応時間、資料作成時間、レビュー工数、社員満足度、エラー件数など、業務成果とリスクの両方を測る必要があります。
筆者がPoC設計で特に見るのは、「本番化したときに運用できるか」です。PoCでは担当者が丁寧にサポートするため、うまく見えることがあります。しかし、本番化すると利用者は増え、問い合わせも増え、データ管理や権限管理も必要になります。PoCの時点から、運用負荷を見ておくことが重要です。
生成AI導入の基本ステップ
生成AIの企業導入は、次の順番で進めると整理しやすくなります。
