ROI事件ファイル No.374｜『Globex社の人事問い合わせという属人化の罠』

第一章:2名の担当者という一点集中——退職が引き起こす崩壊

WonderWorks社のLEAN事件が解決した翌日、今度は人事問い合わせ対応の効率化に関する相談が届いた。第三十巻「再現性の追求」の第374話は、論理的思考で問題を構造化する物語である。

「探偵、我々の人事部は、崩壊の危機にあります。問い合わせ対応を2名で行っています。山田さんと鈴木さん。しかし、山田さんが3ヶ月後に退職します。そして、鈴木さんも育休に入ります。問い合わせは月450件。1件あたり平均15分。月112時間。しかし、引き継ぎ先がいません」

Globex社 の人事部長、品川出身の高橋美咲は、危機感に満ちた表情でベイカー街221Bを訪れた。彼女の手には、過去3年分の問い合わせ記録が記されたExcelファイルと、それとは対照的に「AI Chatbot Implementation Proposal 2026」と記された簡素な提案書が握られていた。

「我々は、総合商社です。従業員1,200名。年商350億円。しかし、人事部はわずか8名。そのうち2名が問い合わせ対応専任です。いえ、正確には『専任になってしまった』のです」

Globex社の現状: - 設立:1985年(総合商社) - 従業員数:1,200名 - 年商:350億円 - 人事部:8名(うち問い合わせ対応2名) - 問題:属人化、工数負担、引き継ぎ困難、知識継承不可

高橋の声には深い焦燥感があった。

「問い合わせの内訳は以下の通りです。給与・賞与:月120件(26%)、社会保険・年金:月90件(20%)、休暇・勤怠:月80件(18%)、人事異動・配置:月60件(13%)、福利厚生:月50件(11%)、その他:月50件(11%)。合計月450件です」

問い合わせ対応の実態:

対応方法: - 電話:280件/月(62%) - 直接訪問:120件/月(27%) - メール:50件/月(11%)

対応時間: - 簡単な質問(給与明細の見方など):5分 - 中程度の質問(社会保険の手続きなど):15分 - 複雑な質問(人事制度の詳細など):30分 平均対応時間:15分/件

月間対応工数: - 450件 × 15分 = 6,750分(112時間) - 2名で分担:各56時間/月 - 年間対応工数:112時間 × 12ヶ月 = 1,344時間

属人化の実態:

山田さん(勤続15年): - 専門分野:社会保険、年金、福利厚生 - 知識:15年間の蓄積、制度変更の経緯を全て記憶 - 問い合わせ対応:月250件(55%)

鈴木さん(勤続8年): - 専門分野:給与、賞与、勤怠 - 知識:8年間の蓄積、給与計算の細部を熟知 - 問い合わせ対応:月200件(45%)

高橋は深くため息をついた。

「さらに問題があります。知識が文書化されていません。山田さんと鈴木さんは、全て頭の中に入っています。『この場合はこうする』という判断基準も、過去の事例も、全て記憶に依存しています。そして、3ヶ月後に2名とも不在になります。残された6名は、問い合わせ対応の経験がありません。我々は、AIチャットボットを検討していますが、費用対効果が分かりません」

第二章:AIチャットボット導入という飛躍——問題の構造が見えていない

「高橋さん、AIチャットボットを導入すれば、全ての問題が解決すると思っていますか?」

私の問いに、高橋は戸惑った表情を見せた。

「えっ、そうではないのですか? AIが質問に答えてくれれば、人手が不要になると思っていました」

現在の理解(AI導入型): - 期待:AIで一気に解決 - 問題:問題の構造が見えていない

私は、論理的思考で問題を構造化する重要性を説いた。

「問題は、『AIチャットボットを導入すれば解決する』という考えです。LOGIC Tree——ロジックツリー。問題を論理的に分解し、真因を特定する思考法です。『なぜ問い合わせ対応が属人化しているのか』を深掘りすることで、真の解決策が見えてきます」

⬜️ ChatGPT｜構想の触媒

「AI導入するな。まずLOGICツリーで問題を分解し、真因を特定せよ」

🟧 Claude｜物語の錬金術師

「問題は、いつも『表面的な症状の下に隠れた真因』だ。掘り下げることが肝心」

🟦 Gemini｜理性の羅針盤

「Why Tree(なぜなぜ分析)を5回繰り返せ。真因が見える」

3人のメンバーが分析を開始した。Geminiがホワイトボードに「LOGICツリー」を展開した。

LOGICツリーの種類: 1. Why Tree(原因追究):問題の真因を特定 2. How Tree(解決策立案):解決策を展開 3. What Tree(要素分解):構成要素を分解

「高橋さん、まず『なぜ問い合わせ対応が属人化しているのか』を分析しましょう」

第三章:Phase 1——LOGICツリーで真因を特定する

ステップ1:Why Tree(なぜなぜ分析)(1週間)

問題:人事問い合わせ対応が属人化している

Why 1:なぜ属人化しているのか? → 回答:山田さんと鈴木さんの2名だけが知識を持っているから

Why 2:なぜ2名だけが知識を持っているのか? → 回答:知識が文書化されていないから

Why 3:なぜ知識が文書化されていないのか? → 回答A:問い合わせ対応に追われて文書化する時間がないから → 回答B:文書化しても更新されず陳腐化するから → 回答C:文書化するメリットが明確でないから

Why 4A:なぜ問い合わせ対応に追われるのか? → 回答:同じ質問が繰り返されるから(FAQ化されていない)

Why 4B:なぜ文書が更新されず陳腐化するのか? → 回答:制度変更時に文書更新のプロセスがないから

Why 4C:なぜ文書化のメリットが明確でないのか? → 回答:文書があっても社員が見つけられない・見ないから

Why 5:なぜ社員が文書を見つけられない・見ないのか? → 回答:検索性が悪い、文書の場所が分からない、文書が読みにくいから

真因の特定:

真因1:FAQ化されていない(同じ質問が繰り返される) - 月450件のうち、約70%(315件)は過去に回答済みの質問 - しかし、FAQ化されていないため毎回人が対応

真因2:知識ベースが存在しない(文書化されていない) - 山田さん・鈴木さんの頭の中にのみ知識が存在 - 文書化する時間もプロセスもない

真因3:検索性が悪い(文書があっても見つけられない) - 一部は過去にWord文書で作成済み(約80ファイル) - しかし共有フォルダに散在、ファイル名も不統一 - 社員は「どこに何があるか分からない」ため人事部に問い合わせる

ステップ2:How Tree(解決策立案)(1週間)

真因1への対策:FAQ化 → AIチャットボット導入 - 過去の問い合わせ記録からFAQを自動生成 - AIチャットボットが24時間365日自動回答

真因2への対策:知識ベース構築 → ナレッジベースシステム - 山田さん・鈴木さんの知識を体系的に文書化 - 制度変更時の更新フローを確立

真因3への対策:検索性向上 → セマンティック検索 - AIによる自然文検索(「育休はいつから取れますか?」で該当文書を表示) - タグ付け、カテゴリ分類で発見性向上

ステップ3:What Tree(要素分解)で実装範囲を決定(1週間)

AIチャットボットの構成要素:

要素1:FAQ自動生成 - 過去3年分の問い合わせ記録(Excel 1,350行)を分析 - 頻出質問Top 100を抽出 - GPT-4で回答文を生成

要素2:知識ベース構築 - 山田さん・鈴木さんへのインタビュー(各8時間) - 既存Word文書80ファイルをナレッジベースに統合 - カテゴリ分類:給与・社会保険・休暇・人事異動・福利厚生・その他

要素3:AIチャットボット開発 - プラットフォーム:Microsoft Bot Framework + Azure OpenAI - UI:Slack統合(全社員が使用中) - 機能:自然文質問、セマンティック検索、類似質問提示

要素4:人間エスカレーション - AIで回答できない質問は人事部にエスカレート - エスカレート条件:信頼度スコア70%未満、または「人事部と話したい」と明記

第四章:Phase 2——段階的実装で再現性を担保する

Month 1-2:FAQ自動生成 + 知識ベース構築

FAQ自動生成: 1. 過去3年分の問い合わせExcelを分析 2. 頻出質問Top 100を抽出(全体の85%をカバー) 3. 各質問をGPT-4に投入、回答文を生成 4. 山田さん・鈴木さんが回答文を校正(各20時間)

頻出質問Top 5: 1. 「給与明細の見方を教えてください」(月35件) 2. 「有給休暇の残日数を確認したい」(月28件) 3. 「社会保険の扶養に入れる条件は?」(月25件) 4. 「通勤手当の申請方法は?」(月22件) 5. 「産休・育休はいつから取れますか?」(月20件)

知識ベース構築: - カテゴリ:6分類(給与、社会保険、休暇、人事異動、福利厚生、その他) - 文書数:180ファイル(既存80 + 新規100) - 総文字数:約45万字

Month 3-4:AIチャットボット開発

アーキテクチャ:

[社員がSlackで質問]
   ↓
[Azure Bot Service]
   ↓
[Azure OpenAI GPT-4(RAG)]
   ↓ セマンティック検索
[ナレッジベース(Azure Cognitive Search)]
   ↓
[回答生成 + 信頼度スコア算出]
   ↓
[信頼度70%以上 → Slackに回答]
[信頼度70%未満 → 人事部にエスカレート]

機能実装: - 自然文質問対応(「給料いつ振り込まれる?」など口語も可) - 類似質問提示(「こちらの質問ですか?」と確認) - フィードバック収集(👍👎ボタンで回答品質を評価)

Month 5:パイロット運用(営業部100名)

KPI測定:

KPI1:回答成功率 - 総質問数:250件(営業部100名 × 2.5件/人) - AI回答成功(信頼度70%以上):213件(85%) - 人事部エスカレート:37件(15%)

KPI2:回答時間 - AI回答:平均8秒 - 人間回答(従来):平均15分 - 削減率:99%

KPI3:社員満足度 - アンケート実施(回答者92名) - 「満足」:78名(85%) - 「普通」:12名(13%) - 「不満」:2名(2%)

フィードバック: - 👍(役立った):189件(89%) - 👎(役立たなかった):24件(11%)

Month 6:全社展開(1,200名)

全社展開後の実績:

KPI1:問い合わせ削減 - Before:月450件(全て人間対応) - After:月90件(AIで360件対応、人間は90件のみ) - 削減率:80%

KPI2:対応工数削減 - Before:112時間/月 - After:22時間/月(90件 × 15分 = 22.5時間) - 削減率:80% - 削減時間:90時間/月

KPI3:回答品質向上 - AI回答の一貫性:100%(人間回答は担当者により差異あり) - 24時間365日対応可能(従来は営業時間のみ)

年間効果:

人件費削減: - 削減時間:90時間/月 × 12ヶ月 = 1,080時間/年 - 人件費削減:1,080時間 × 3,800円 = 410万円/年

属人化リスク解消による効果: - 山田さん退職による引き継ぎコスト削減:推定200万円 - 鈴木さん育休中の代替人員コスト削減:推定180万円

社員の生産性向上: - 従来:問い合わせ → 返答待ち(平均2時間) - 改善:AI即答(8秒) - 待ち時間削減による生産性向上:推定300万円/年

合計年間効果: - 410万円 + 200万円 + 180万円 + 300万円 = 1,090万円/年

投資: - FAQ自動生成:50万円 - 知識ベース構築:120万円 - AIチャットボット開発:280万円 - 初期投資合計:450万円 - 年間Azure費用:60万円

ROI: - (1,090万円 - 60万円) / 450万円 × 100 = 229% - 投資回収期間:450万円 ÷ 1,030万円 = 0.44年(5.2ヶ月)

第五章:探偵の診断——論理的思考で問題を構造化する

その夜、LOGICツリーの本質について考察した。

Globex社は、「AIチャットボットを導入すれば解決する」という飛躍を持っていた。しかし、Why Treeで5回「なぜ」を繰り返すと、真因が見えた。

真因1:FAQ化されていない(同じ質問が繰り返される) 真因2:知識ベースが存在しない(文書化されていない) 真因3:検索性が悪い(文書があっても見つけられない)

How Treeで解決策を展開し、What Treeで実装範囲を決定した。AIチャットボットは解決策の1つであり、知識ベース構築とセマンティック検索が組み合わさることで、真の効果を発揮する。

重要なのは、問題の構造を論理的に分解したことだ。表面的な症状(問い合わせ対応が多い)ではなく、真因(FAQ化されていない、知識ベースがない、検索性が悪い)を特定したからこそ、再現可能な解決策を設計できた。

年間1,030万円の効果、ROI 229%、投資回収5.2ヶ月。そして、問い合わせ対応工数は80%削減(112時間 → 22時間)された。

「AI導入するな。まずLOGICツリーで問題を分解せよ。Why、How、What。論理的に構造化し、真因を特定することで、再現可能な解決策が生まれる」

次なる事件もまた、論理的思考で真因を見出す瞬間を描くことになるだろう。

「LOGIC Tree——ロジックツリー。問題を論理的に分解せよ。Why(真因)、How(解決策)、What(実装範囲)。構造化することで、真の解決策が見える」——探偵の手記より

関連ファイル