ROI事件ファイル No.333｜『SkyNet Solutions社の14桁の暗号』

第一章:FAXという時代錯誤——9割がアナログで届く注文

Arcturus Corpの営業最適化事件が解決した翌週、今度は受注業務の自動化に関する相談が届いた。第二十七巻「再現性の追求」の第333話は、アナログとデジタルの狭間で戦う物語である。

「探偵、我々の受注の9割は、FAXです。2025年の今、信じられますか? そして、20名の受注担当者が、毎日FAXと格闘しています」

SkyNet Solutions社 の業務改善部長、大阪出身の田中雄一は、苦笑いを浮かべながらベイカー街221Bを訪れた。彼の手には、手書きの注文書のコピーと、それとは対照的に「品番特定:手動」と記された業務フロー図が握られていた。

「我々は、工業用部品の卸売業を営んでいます。取引先は約1,200社。その多くが、中小の町工場です。彼らは、FAXで注文書を送ってきます。メールやEDIではありません。FAXです」

SkyNet Solutions社の受注体制: - 設立:1987年(工業用部品卸売) - 年間売上:58億円 - 取引先:1,200社 - 月間受注件数:約4,500件 - FAX受注率:90%(4,050件) - 受注担当者:20名 - 問題:FAX注文書に基幹システムの品番が記載されておらず、手動で特定する必要がある

田中の声には深い疲労があった。

「問題は、FAXで送られてくる注文書には、我々の基幹システムの品番が記載されていないことです。14桁から15桁の英数字の品番——例えば『AB1234-CD5678-EF90』のような——これがないのです。代わりに、『製品名:ステンレスボルト、色:シルバー、サイズ:M8×50mm、カートン:10個入り』といった情報だけが書かれています」

典型的な注文書の例:

注文書A(町工場X社):

品名:ステンレスボルト
色:シルバー
サイズ:M8×50mm
カートン:10個入り
数量:5カートン

基幹システムの品番:

AB1234-ST0850-CT10

注文書B(町工場Y社):

品名:六角ナット
材質:鉄
サイズ:M10
バラ:1個単位
数量:200個

基幹システムの品番:

HN5678-IR1000-BR01

田中は深くため息をついた。

「受注担当者は、注文書の情報から、該当する品番を基幹システムで検索し、特定します。これに、1件あたり平均3分かかります。月4,500件ですから、合計13,500分。225時間。20名の担当者が、毎月この作業に追われています」

第二章:AI-OCRという期待——読み取るだけでは解決しない

「田中さん、AI-OCRの導入は検討されましたか?」

私の問いに、田中は頷いた。

「はい、実は3社のAI-OCRを試しました。しかし、どれも解決しませんでした。AI-OCRは、FAXの文字を読み取ることはできます。『ステンレスボルト』『M8×50mm』『10個入り』。これらをデジタルデータに変換することはできます。しかし、それを基幹システムの14桁の品番に変換することはできません」

現在の理解(AI-OCR単体型): - 対策:AI-OCRで文字読み取り - 問題:読み取ったデータと品番の紐付けができない

私は、AI-OCRと機械学習を組み合わせた自動化の重要性を説いた。

「問題は、『読み取り』ではなく、『特定』です。製品名、色、サイズ、カートン・バラといった複数の情報から、該当する品番を特定する。これは、パターン認識と学習の問題です。PDCA——Plan、Do、Check、Act。計画、実行、評価、改善を繰り返すことで、AIは品番特定の精度を高めていきます」

⬜️ ChatGPT｜構想の触媒

「読み取りだけでは不十分だ。特定せよ。AI-OCR+機械学習でPDCAを回せ」

🟧 Claude｜物語の錬金術師

「14桁の品番は、いつも『パターン』の中にある。そのパターンを学習させよ」

🟦 Gemini｜理性の羅針盤

「PDCAは改善の技術。計画、実行、評価、改善を繰り返し、精度を100%に近づけよ」

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「PDCAのフレームワーク」を展開した。

PDCAの4要素: 1. Plan(計画):目標と方法を設定する 2. Do(実行):計画を実行する 3. Check(評価):結果を評価する 4. Act(改善):評価をもとに改善する

「田中さん、AI受注エージェントを開発しましょう。そして、PDCAで精度を高めていきます」

第三章:学習という挑戦——1,000件のデータで教育する

Phase 1:Plan(計画)— 3週間

まず、AI受注エージェントの開発計画を立てた。

目標: - FAX注文書から、基幹システムの品番を自動特定 - 精度:95%以上 - 処理時間:1件あたり10秒以内

開発要件: - AI-OCR:FAXの文字をデジタル化 - 機械学習モデル:製品名、色、サイズ、カートン・バラから品番を特定 - 基幹システム連携:特定した品番を自動入力

学習データ: - 過去1年分の注文書:4,500件 × 12ヶ月 = 54,000件 - そのうち1,000件を学習データとして使用 - 各注文書に、正解の品番を紐付け

Phase 2:Do(実行)— 6週間

ステップ1:AI-OCRの導入(2週間) - ツール:某AI-OCRサービス(認識精度97%) - FAX画像から、テキストデータを抽出 - 出力:製品名、色、サイズ、カートン・バラ、数量

ステップ2:機械学習モデルの構築(3週間) - アルゴリズム:ランダムフォレスト(決定木ベースの分類モデル) - 学習データ:1,000件の注文書と正解品番 - 特徴量: - 製品名(カテゴリ変数:ボルト、ナット、ワッシャー等) - 材質(カテゴリ変数:ステンレス、鉄、真鍮等) - サイズ(数値変数:M8、M10、M12等) - 色(カテゴリ変数:シルバー、黒、金等) - カートン・バラ(カテゴリ変数:10個入り、50個入り、バラ等)

ステップ3:基幹システム連携(1週間) - APIを構築し、特定した品番を基幹システムに自動入力 - 受注担当者が確認後、確定ボタンを押す

Phase 3:Check(評価)— 4週間

第1回テスト(学習データ外:200件): - 正解率:78% - 不正解の内訳: - カートン・バラの判定ミス:12%(24件) - サイズの判定ミス:7%(14件) - 製品名の判定ミス:3%(6件)

問題の分析:

ケース1:カートン・バラの判定ミス - 注文書の記載:「10個」 - AIの判定:「バラ10個」(品番:〜BR10) - 正解:「カートン10個入り」(品番:〜CT10) - 原因:「10個」という記載が曖昧で、カートンかバラか判断できない

ケース2:サイズの判定ミス - 注文書の記載:「M8」 - AIの判定:「M8×40mm」(品番:〜0840) - 正解:「M8×50mm」(品番:〜0850) - 原因:長さの記載がない場合、デフォルト値を誤って設定

Phase 4:Act(改善)— 3週間

改善策1:カートン・バラの判定ロジック強化 - 追加ルール:「10個」と記載がある場合、過去の注文履歴を確認 - 同じ取引先が過去に「カートン10個入り」を頻繁に注文していれば、カートンと判定 - 過去履歴がない場合は、受注担当者に確認を促す

改善策2:サイズのデフォルト値見直し - 長さの記載がない場合、製品カテゴリごとの「最頻出サイズ」を参照 - 例:ステンレスボルトM8の場合、過去データの78%が「50mm」→デフォルトを50mmに設定

改善策3:学習データの追加 - 1,000件 → 2,000件に増加 - 特に誤判定が多いカテゴリのデータを重点的に追加

第2回テスト(200件): - 正解率:91% - 不正解の内訳: - カートン・バラの判定ミス:5%(10件) - サイズの判定ミス:3%(6件) - 製品名の判定ミス:1%(2件)

第3回テスト(500件): - 正解率:96% - 不正解の内訳: - カートン・バラの判定ミス:2%(10件) - サイズの判定ミス:1%(5件) - 製品名の判定ミス:1%(5件)

目標達成:95%以上の正解率

第四章:自動化という解放——6ヶ月後の変化

Phase 5:本番運用(6ヶ月)

運用フロー:

ステップ1:FAX受信 - 注文書がFAXで届く(月4,050件)

ステップ2:AI受注エージェントが自動処理 - AI-OCRで文字読み取り(10秒) - 機械学習モデルで品番特定(5秒) - 基幹システムに入力(5秒) - 合計:20秒/件

ステップ3:受注担当者が確認 - AIが特定した品番を確認 - 正解率96%のため、ほぼそのまま確定 - 不正解の4%(162件)のみ、手動で修正 - 確認時間:30秒/件

ステップ4:確定 - 確定ボタンを押すと、受注完了

6ヶ月後の成果:

作業時間の削減: - Before:1件あたり3分 × 4,050件 = 12,150分(202.5時間/月) - After:1件あたり30秒 × 4,050件 = 2,025分(33.75時間/月) - 削減:168.75時間/月(83%削減)

人件費の削減: - Before:20名の受注担当者、月202.5時間をFAX処理に使用 - After:20名の受注担当者、月33.75時間に削減 - 削減した168.75時間を、他の業務(顧客対応、在庫管理等)に充当

年間コスト削減: - 時給換算:2,500円(受注担当者の平均時給) - 削減時間:168.75時間/月 × 12ヶ月 = 2,025時間/年 - 削減コスト:2,025時間 × 2,500円 = 506万円/年

精度の継続的改善:

6ヶ月後の正解率: - 正解率:98% - 理由:運用中に不正解データを学習データに追加し、モデルを再訓練

年間受注件数: - 48,600件(4,050件 × 12ヶ月) - 正解:47,628件(98%) - 不正解:972件(2%)

不正解の972件も、30秒で手動修正できるため、問題なし

組織の変化:

受注担当者の声:

担当者A: 「以前は、毎日FAXの山と戦っていました。1件3分かかるので、1日に40件処理するのが限界でした。でも、AIが導入されてから、私の仕事は『確認』だけになりました。AIが特定した品番を見て、『合ってるな』と思ったら、確定ボタンを押すだけ。1日に100件以上処理できるようになりました」

担当者B: 「最初は『AIに仕事を奪われるのでは?』と不安でした。でも、実際には違いました。AIは単純作業を代わりにやってくれるだけです。私たちは、その分、お客様との電話対応や、在庫の最適化など、より価値の高い仕事に時間を使えるようになりました」

田中の感想:

「PDCAを回すまで、我々は『AI-OCRを導入すれば解決する』と思っていました。しかし、それは違いました。読み取りだけでは不十分で、品番を特定する必要がありました。

Plan(計画)で、1,000件の学習データを用意しました。Do(実行)で、機械学習モデルを構築しました。Check(評価)で、正解率78%から始まり、問題を分析しました。Act(改善)で、ロジックを強化し、学習データを追加しました。そして、正解率96%を達成しました。

運用開始から6ヶ月、正解率は98%に向上しました。PDCAを回し続けることで、AIは成長し続けています。年間506万円のコスト削減と、受注担当者の負担軽減を実現しました」

第五章:探偵の診断——AIは改善の繰り返しで進化する

その夜、AI導入の本質について考察した。

SkyNet Solutions社は、「AI-OCRを導入すれば解決する」という幻想に囚われていた。しかし、問題は読み取りではなく、品番の特定だった。

PDCAで計画、実行、評価、改善を繰り返したことで、AIは78%から98%へと進化した。そして、年間506万円のコスト削減と、受注担当者の解放を実現した。

「AIは魔法ではない。改善の繰り返しで進化する。PDCAを回し、精度を高め、業務を自動化せよ。14桁の暗号は、もはや暗号ではない」

次なる事件もまた、PDCAで改善を繰り返す瞬間を描くことになるだろう。

「読み取りだけでは不十分だ。特定せよ。AI-OCR+機械学習でPDCAを回し、精度を100%に近づけよ。14桁の品番は、パターンの中にある」——探偵の手記より

関連ファイル