答えを教えるのではなく、
品質を見る目を育てる。
品質管理・QAを専門とするFlapLabo合同会社が、培ってきた品質判断の基準を、自社ブランドのAIとして設計しています。
できること
品質の専門家が培ってきた判断基準を取り込み、「なぜそう判断するのか」「どこを見るべきなのか」まで返します。答えだけを渡さないので、使うほど見る目のほうが育ちます。
何が変わるか
熟練者ひとりに集まっていた品質の判断が、組織全体で使える形になります。業界の知見はFlapLaboが持ち込み、基盤はKeepdataが担います。
私たちはA:nmoku-ch:I™を活用し、品質・QAの専門家が培ってきた知識や判断基準をもとに、"品質を見る目"を育てるAIを構築しています。単に答えを返すのではなく、『なぜそう判断するのか』『どこを見るべきなのか』まで伝えることで、熟練者の品質の知見をより多くの人へ届けることができます。人の判断力を育て、組織全体の品質判断を底上げしていけることに、A:nmoku-ch:I™ならではの可能性を感じています。
「詳しい人に聞く」が、
最短ルートでなくなる。
規程や手順書が部門ごとに分かれ、探すより詳しい人に聞くほうが速い状態でした。
やったこと
部門をまたいで文書を1つのナレッジベースに集約し、権限で見える範囲を分けました。用途ごとにエージェントを分けています。
- 規程・手順書の横断検索
- 用途を限定しない相談
変わったこと
回答に参照した文書が並ぶため、出典を開いて裏取りできます。更新されていない規程も、日々の利用の中で表面化します。
エースの着眼点を、
全員が使える手順にする。
上位の営業が何を見て次の手を決めているのか、社内のどこにも書かれていませんでした。
見えている課題
案件の記録は残っていても読まれず、次に何を確認すべきかが担当者の経験に任されています。
やろうとしていること
上位者が実際に使っている確認の順番を、エージェントの手順として持たせます。
- 商談の段階を判定し、次に確認すべき項目を返す
- 答えではなく、埋まっていない前提を質問で返す
- 回答に参照した社内文書を並べる
目指す状態
「なんとなく」で決めていた見立てが、根拠つきで共有できるようになること。レビューの会話が具体的になります。
経歴書には出ない、
その人の適性を見る。
人事のパートナー企業と共同で、人材の見極めを支えるエージェントを開発しています。
これまでの人事データの限界
職務歴、資格、評定。人事が使ってきたのは表面的な情報だけでした。そこからは「何をやってきたか」は分かっても、その人が何にどう向き合う人なのかは分かりません。
できること
議事録での発言、面談記録、職務経験、社内で執筆した文書。これまで人事情報として使われてこなかった、その人の考え方が表れているものまで含めて読み、適性を見ます。
- 「新しい商品を考えるなら誰か」に、根拠を添えて候補を挙げる
- 部門の後継者や、補強したいポジションの人選を支える
- 社内に埋もれていた組み合わせを見つける
何が変わるか
「この課題に合う人が社内にいるのに、見つからない」がなくなります。候補と根拠を出すのはAIで、決めるのは人です。
掲載できていない取り組みも、
多くあります。
うまくいく導入は、
入り方が同じ。
業種も規模も違いますが、動き出した導入はいずれも次の4段階を踏んでいます。