AJTC

AJTC株式会社
広島の中小企業に「使われるAI」を入れる会社
ChatGPT試して止まった会社を、現場で動く状態まで連れていきます
Claude Code / Codex / ローカルLLM / 業務自動化
代表が、AI導入のリアル（失敗例も）を紹介
社長、まず無料診断へ→

[AJTC @AJTCSolution]

あなたの会社の機密情報、クラウドAIが流出させる？

企業の情報漏洩の約7割は設定ミスや人的要因と言われますが、2024年以降はクラウドAI利用が新たなリスク経路として加わっています。

▼ 現場で起きているリスク3選

① 入力テキストがAI学習データに使用される可能性がある
② APIキーの管理ミスで第三者がアクセスできる状態になる
③ 従業員が個人アカウントで業務データをクラウドAIに処理させる（シャドーIT）

特に③は管理職が気づかないまま広がるケースが多い。禁止だけでは止まりません。

対策のポイントは「禁止より代替」。

社員が業務の中で使いやすいAI環境を社内に整備することで、外部への情報流出リスクを根本から減らせます。CrAIdleはその答えの一つです。
詳細はプロフィールから。
#セキュリティ #ローカルLLM #中小企業DX

[AJTC @AJTCSolution]

機密情報漏洩で1損失... クラウドAIが原因だった！

正しい使い方を知らないでChatGPTやGeminiを使う際にどれほどのリスクがあるか、本当に理解していますか？

中小製造業・建設業では、大手取引先との守秘義務のもとで顧客情報・設計図・見積書を扱うことが日常です。

その情報を意識せずクラウドAIへ入力すると、契約違反と情報漏洩が同時に発生します。被害は信用失墜と損害賠償リスクだけではありません。取引先との関係も終わります。

実際に2024年以降、日本でも中小企業がクラウドAI経由で機密情報を漏洩させた事例が相次いでいます。

だからこそ、ローカルLLMが有効な選択肢になります。社内サーバー上で動くAIならば、データは外部へ一切出ません。コストも月数千円以下で運用可能です。

ローカルLLMの導入と活用については、詳細はプロフィールから。

#中小企業DX #ローカルLLM #情報漏洩対策 #AI活用 #セキュリティ

[AJTC @AJTCSolution]

AIで月数千円以下で実務が自動化

Anthropicが最新Claudeシリーズの性能を大幅強化。長文処理と自動化エージェント機能が実用レベルに達しています。

中小製造業・士業事務所での実務では、月数千円以下のAPIコストで請求書処理・見積作成・顧客対応の一部を自動化できるケースが増えています。

コストより先に問うべきは「どの業務から自動化するか」です。

詳細はプロフィールから。

#中小企業AI #業務自動化 #Claude #AIエージェント #DX

[AJTC @AJTCSolution]

AI導入の半分は成功、半分は失敗。中小企業の9割が成果を実感できずにいる現実。

中小企業の経営者から「AIを導入したが業務が楽にならない」という声を頻繁に耳にします。

なぜ失敗するのか？最大の原因は「ツール選定の誤り」ではなく「業務プロセスの可視化不足」です。

AIはすでに存在する業務の流れを自動化・効率化するものです。何をどう流すかが不明確なまま導入しても、ツールが仕事をしてくれることはありません。

中小製造業での実例を挙げます。受発注業務の担当者が毎日2時間かけていたメール整理と台帳入力をAIで自動化した結果、月40時間の削減に成功しました。

成功の鍵は「誰が・何を・いつ・どのツールに入力するか」を先に決めたことです。AIの導入前に業務フローを文書化し、どこにAIを挟むかを可視化しました。

AI導入に失敗する企業のほとんどは、ツール選定に時間をかけすぎて業務設計を後回しにしています。

逆にいえば、業務設計さえできれば、Claude・ChatGPT・ローカルLLMいずれも有効に機能します。使うツールより、使い方の設計が成果を左右します。

詳細はプロフィールから。

#中小企業DX #AI業務自動化 #業務効率化 #ローカルLLM #製造業DX

[AJTC @AJTCSolution]

「AI導入で年間◯◯時間の工数削減が見込めます」

この説明を受けて、即決した経営者はどれくらいいるか。
たいていは「で、費用対効果は?」という問いになる。

しかしその費用対効果の計算式を、自分で組み立てられる経営者は少ない。
計算の切り口を間違えると、投資判断がずれる。3つの視点を整理する。

---

視点①：「削減」だけで計算しない

工数削減を金額換算するアプローチ自体は間違っていない。
ただし、この計算には構造的な盲点がある。

「削減された時間が、次に何に使われるか」が計算に含まれていない。

削減した時間で顧客対応が増えれば、直接的な売上につながる。
削減した時間がただの余白になれば、帳簿上のコスト削減の数字だけが残る。

本当の問いは「何の時間を空けて、その時間で何をするか」だ。
ツール選定の前に、この問いに答えられているかを確認する。

---

視点②：導入コストを「総コスト」で見る

ツールの月額費用だけで判断するのは不十分だ。

・社内展開と周知にかかる時間
・社員が慣れるまでの生産性の一時的な低下
・設定・保守・トラブル対応の工数

これらを「見えないコスト」と呼ぶ。

中小企業でのAI導入が途中で止まる理由の多くは、ツール費用が問題ではなく、展開コストが設計されていなかったことだ。
「月額◯◯円で始められます」という提案は、展開コストを含んでいない場合がある。

総コストを見積もるときは、ツール費用の2〜3倍を展開・運用コストとして想定しておくと現実に近い。
（この倍率は社内リソースの余裕と、担当者のリテラシーによって変わる）

---

視点③：「3ヶ月後も使われているか」を先に問う

新しいツールを入れた直後は使用率が上がる。
問題は3ヶ月後だ。

「誰が、何の目的で、どの業務でいつ使うか」を導入前に具体的に設計できないツールは、定着しない確率が高い。

ツールではなく、業務フローの変更が必要なケースが多い。
「このツールを入れれば変わる」ではなく、「この業務フローをこう変える、そのためにこのツールを使う」という順番が定着の条件だ。

---

この3つの視点を踏まえた、シンプルな投資判断の問いがある。

「半年後、現場が自分から使い続けているイメージが具体的に描けるか？」

描けないなら、設計がまだ甘い。
描けるなら、数字を詰めて判断する。

---

現場責任者の視点で考えると、より分かりやすい。

月次報告の集計に毎月8時間かかっていたとする。
AIで2時間に短縮できたとして、浮いた6時間を現場の人間は何に使うか。
「特に何も変えていない」なら、ROIの計算は成立しない。
「顧客クレームへの対応時間が増えた」なら、品質への投資として実体がある。

現場の時間が何に使われるかを、導入前に決めておく。
これが現場レベルでのAI投資の核心だ。

AI投資の本質は、工数削減ではなく「判断の質と速度を上げること」だと考えている。
削減した時間で、より深く考える。より速く動く。それが積み重なって、競合との差になる。

「削減時間 × 人件費 = 効果」という計算は出発点にすぎない。
その先に何があるかを語れる経営者が、AI投資で本当の成果を出す。

---

AI投資の判断は、完全な情報が揃ってからではなく、
「試して学ぶコストが、試さないリスクより低いか」で決める。

最初の1歩は「試して計測する」という姿勢だ。
全体最適を狙いすぎて、何もしないまま時間が過ぎる。
それが最もコストの高い選択になる。

---

あなたの会社でAI導入を検討するとき、「削減」以外の効果を言語化できているか。

#AI投資 #中小企業経営 #DX判断軸 #費用対効果

[AJTC @AJTCSolution]

「ベテランの段取りが、辞めたら消える」——。
中小製造業で、よく聞く不安です。

CrAIdleは現場の判断や手順をローカルAIに継承する社内専用AI。データを外に出さず、誰がやっても同じ品質へ近づけます。

属人化をなくす第一歩は、現場のヒアリングから。
#CrAIdle #中小企業DX

[AJTC @AJTCSolution]

Claude Codeは、AIとチャット形式で仕事をするためのツールだ。
コードを書く人だけでなく、議事録整理や週次報告の下書きなど、あらゆる定型業務に使える。

そのClaude Codeで最初に感動したのは、新しい機能でも賢さでもなかった。

「毎回書いていたプロンプトを、1語で呼び出せる」という事実だ。

定型のプロンプトを何度も書く時間が消えた。
チーム内でのプロンプトの「属人化」も解消された。

---

Claude Codeには「スラッシュコマンド」と呼ぶ機能がある。

仕組みはシンプルだ。
`.claude/commands/` というフォルダに Markdown ファイルを置く。
ファイル名がコマンド名になる。
ファイルの中身がプロンプトになる。

たとえば `meeting.md` というファイルを作れば、
Claude Codeのチャット欄で `/meeting` と入力するだけで、そのプロンプトが起動する。

毎回「この音声書き起こしを整理して、決定事項とアクションアイテムを抽出して…」と書いていたものが、
`/meeting` の1語になる。

---

実際に使っている3パターンをそのまま書く。

パターン①：会議議事録の整理
（こういう人向け: 会議の後に議事録をまとめる作業が毎回30分以上かかっている人）
ファイル名: `meeting.md`
内容: 「以下の音声書き起こしを受け取ったとき、決定事項・アクションアイテム・担当者・期日を抽出し、箇条書き形式で整理してください。」

会議後に文字起こしをClaude Codeに渡して `/meeting` と入力するだけ。
整理されたアクションリストが出てくる。

パターン②：週次報告の下書き作成
ファイル名: `weekly.md`
内容: 「今週の完了タスク・進捗中の課題・来週の予定を受け取ったとき、上司向けの週次報告メール形式に整形してください。要点は箇条書き、全体を要約する1段落を先頭に入れること。」

箇条書きで仕事の内容を渡して `/weekly` を打つ。
報告メールの下書きが出てくる。

パターン③：仕様変更の影響確認
ファイル名: `impact.md`
内容: 「以下のコード変更を受け取ったとき、影響を受ける可能性のある処理・テスト観点・注意点を箇条書きでリストアップしてください。」

開発チームで使う場合、コードのdiffを渡して `/impact` を入力する。
影響確認の確認漏れが減った。

---

設定手順をまとめる。

① `.claude/commands/` フォルダを作る（なければ新規作成）
② 作業内容に合わせた .md ファイルを作る（例: `summary.md`、`review.md`）
③ ファイルの中にプロンプト本文を書く（箇条書き・条件・出力形式を明記するほど安定する）
④ Claude Codeを再起動する（コマンドが反映される）
⑤ チャット欄で `/ファイル名` と打って動作を確認する

フォルダはプロジェクトごとに用意できる。
`C:\Users\（ユーザー名）\.claude\commands\` はどのプロジェクトでも使える全体設定。
プロジェクトフォルダ直下の `.claude\commands\` はそのプロジェクト専用になる。

---

この仕組みの本質は「プロンプトを資産にする」ことだ。

一度うまくいったプロンプトをファイルに保存する。
→ 次回から1語で呼び出せる。
→ チームで共有すれば、全員が同じ品質で使える。
→ プロンプトの属人化が解消される。

「あの人のプロンプトが一番うまい」という状態から脱せる。

---

まず「毎回同じプロンプトを書いている作業」を1つ書き出す。
そのプロンプトを .md ファイルに保存する。
翌日から1語で呼び出せるようになる。

あなたが毎回同じプロンプトを書き直している定型作業は何か。

#ClaudeCode #プロンプト管理 #業務効率化 #中小企業AI

[AJTC @AJTCSolution]

「この仕事、AI に任せておいて」と言える時代になってきた。

AIに指示を1つ出して答えを受け取る、ではなく、
「目標を渡したら、AIが自分でステップを考えて動く」というやり方だ。

スタッフに「来週の仕入れをまとめておいて」と頼むイメージに近い。
ただし、AIは疲れないし、休まない。

技術の話ではなく、「仕事の任せ方」が変わるという話だ。
中小企業の経営者が知っておくべき変化を整理する。

---

かつてのAIツールは「質問に答えるもの」だった。

「この文章を要約して」「このメールを書いて」「この表を整理して」。
人間が指示を1つ出し、AIが1つの出力を返す。その繰り返しだ。

AIエージェントはこれと根本的に違う。

目標を渡すと、AIが自分でステップを分解し、必要なツールを使い、情報を取得し、結果を出す。
途中のステップは全て自動だ。

たとえば「この月の売上データを分析して、傾向と課題を整理したレポートを作れ」という指示に対して、
ファイルを読み込み、集計し、グラフを描き、文章にまとめる。
人間が触るのは最初の指示と、最後の確認だけになる。

---

実際に使えるエージェント型ツールが増えている。

Claude Code、Codex（OpenAI）、GitHub Copilot Workspaceなど、開発系のツールでは既にエージェント動作が標準になりつつある。
「コードを書いて」ではなく「この機能を実装して」を渡すと、ファイルの読み込み・修正・テスト確認まで自律的に動く。

これは開発者だけの話ではない。
経営管理・営業・製造管理など、あらゆる業務で「目標ベースで渡す」AIが出始めている。

例えば「先月の受注データから、次月の資材発注量の目安を出して」という指示に対して、
ファイルを読み込み、集計し、前年同月と比較し、発注量の提案まで返すことが実際にできる。
製造業の現場担当者が毎月半日かけていた作業が、数分になる。

---

中小企業にとっての意味を具体的に考える。

これまでは、AIツールをうまく使える人が成果を出していた。
プロンプトの書き方が差を生んでいた。

これからは、「何を達成したいか」を明確に設定できる人が差をつける。

細かい指示の書き方よりも、ゴールの設定精度が問われる。
「AIに何をさせるか」ではなく、「この仕事で何を達成したいか」を言語化できるかどうかだ。

これは経営者や現場責任者が本来得意とすることだ。
「目標設定→確認→判断」というマネジメントの仕事が、AIとの協業の中心になる。

---

落とし穴も正直に書く。

AIエージェントは便利だが、全ての判断を任せられる精度にはまだない。
「やっておいて」で丸投げすると、途中の判断ミスが積み重なって、後から修正コストがかかる。

現実的な使い方は「ここまでやっておいて、この時点で確認して、そこから先に進む」という設計だ。
人間が介在するタイミングを設計した上で、その間をAIに任せる。
完全自律より半自律が、今の実務レベルに合っている。

---

「AIを使える人を育てる」から「AIに何を任せるかを決められる人を育てる」へ。

この転換が、企業のAI活用の次のフェーズだと見ている。
プロンプトの書き方研修より、業務の目標設定を言語化するトレーニングの方が、長期的に価値がある。

---

設計のヒント: 「これは毎回同じ手順か？」「ゴールを数値で表せるか？」「間違えたときに後から修正できるか？」
この3問に「はい」がつく業務は、エージェントに向いている。

「AIに何を任せるか」を設計した会社が、エージェント時代に強くなる。

---

あなたの会社でAIに「何を達成させたいか」を言語化できているか。

#AIエージェント #中小企業DX #業務自動化 #AI活用

[AJTC @AJTCSolution]

経理担当者が、取引先との契約書をChatGPTに貼り付けて要約させていた。
「便利だから使っていた」という説明に、経営者は何も言えなかった。

こういうケースは珍しくない。
「使っていいか」の線引きがない会社では、社員は「大丈夫だろう」で動く。
3つのポイントを確認するだけで、この状況を変えられる。

---

まず現状を整理する。

主要なクラウドAIサービスの企業向けプランや有料APIでは、「入力データをモデルの学習に使わない」設定が用意されていることが多い。

ただし、一般公開向けの個人プランや私用アカウントでの利用では、利用規約の扱いが異なる。

社員が個人のGoogleアカウントでChatGPTやGeminiにアクセスし、業務資料を貼り付ける。
これが最も発生しやすく、最もコントロールしにくいパターンだ。

「社員がどのツールに何を入力しているか」を把握できていない会社が、実態として多い。

---

確認すべき3つのポイントを順に書く。

ポイント①：利用規約の「学習条項」を一度読む

「サービス改善のためにデータを使用することがある」という表現があれば、入力内容が学習データに含まれる可能性がある。
企業向けプランと個人プランで扱いが異なるため、社員全員が同じプランで統一されているかを確認する。
「使っていい」と許可を出したつもりが、個人アカウントでの使用だったというケースが起きやすい。
ツールへのアクセス経路によって、データの扱いが大きく変わる。

ポイント②：「何を貼り付けているか」の全体像を把握する

顧客の個人情報、契約書の内容、製品仕様書、財務データ、採用候補者の評価シート。
これらをAIに渡す意味を、担当者レベルで理解しているか。
「便利だから使う」が先行して、「何を渡しているか」の意識が追いついていないケースが多い。
問題は「AIを使うこと」ではなく、「意識せずに使っていること」だ。

ポイント③：「外に出さない選択肢」を社内で知っておく

ローカルに構築したLLMを使えば、入力したデータは社内サーバーの外に出ない。
すべてをローカルで処理する必要はない。
まず「これは外に出せる情報か、出せない情報か」を分類する基準を作る。
分類できれば、用途によってツールを使い分けられるようになる。

---

クラウドAIが悪いわけではない。
用途と情報の種類によって、使えるものと使えないものがある、という認識を持っていないことが問題だ。

判断フローをシンプルにする。

「顧客の固有情報（氏名・住所・案件内容）が含まれるか？」
→ 含まれる: 社内LLMまたは企業契約のプランのみ

「社外秘・機密情報が含まれるか？」
→ はい: 社内LLMへ

「公開情報・一般的な文書か？」
→ はい: クラウドAIを使ってよい

このフローを1枚にまとめて社内で共有するだけでいい。
ルールは短ければ短いほど守られる。

---

最初の一歩は、ルール整備でも新しいツール導入でもない。

「今、社員がどのAIに何を入れているか」を聞いてみることだ。
その答えが、自社がどこから手をつけるべきかを教えてくれる。

---

この問いは、「AIを使うかどうか」ではなく「どう使うかを決められているか」の話だ。

判断基準がなければ、社員は「大丈夫だろう」で動く。
判断基準があれば、社員は迷わずに使い分けられる。

中小企業でAIセキュリティを整備する最初の一歩は、高価なシステムを入れることではない。
「これは外に出せる」「これは出せない」を言葉にして、全員が知っていることだ。

---

あなたの会社では「AIに入れてはいけないデータ」の定義はあるか。

#AIセキュリティ #ローカルLLM #データ管理 #中小企業AI

[AJTC @AJTCSolution]

10件の議題を話し合い、翌週に動き出したのは3件だった。
残り7件はどこへ消えたのか。
ある製造業がAI議事録を入れた後、この問いへの答えが変わった。

---

ある製造業の会社での話だ。

週次の生産会議は毎回7名が集まり、議題は10件前後。
しかし翌週に実際に動いている案件は、いつも3〜4件だった。

「決まったのか、決まっていないのかが曖昧」
「誰が何をやるかが不明確なまま終わる」
「先週の議事録を誰も読んでこない」

この3点が繰り返されていた。
誰かが怠けているわけではなかった。
記録と共有のしくみが、仕事の速さに追いついていなかっただけだ。

---

変えたのは一点だけだ。

会議の音声を録音し、AIが自動で文字起こし・要約・アクションリスト抽出をするしくみを入れた。

選んだ構成はローカル完結型だ。
音声認識にはオープンソースのWhisperをサーバー上で動かし、要約・整理には小型のLLMを使った。
会議の音声が外部のクラウドに送られることはない。

なぜローカルにこだわったか。
製造現場での会話には、顧客の発注内容・仕様・単価が含まれることがある。
その会話をそのままクラウドに渡すことへの抵抗感が現場にあった。

「何を使っているか」が透明であることが、現場の信頼につながった。

---

展開の手順はシンプルにした。

設置: 会議室の中央にレコーダーを置く。
起動: 会議の最初にボタンを1つ押す。
確認: 会議終了後30分でアクションリストが社内チャットに届く。

「難しい操作は一切しなくていい」を条件にしたのが、定着した理由だと思う。
ツールに慣れさせるための研修は不要だった。

---

3ヶ月後の変化を現場の言葉でそのまま書く。

「確認の時間が消えた。前回何を決めたか、全員が読んでくる」
「アクションに担当者と期日が自動でつく。追いかける手間がなくなった」
「欠席した人が議事録を読んで、自分で動いてくる」

決定事項の実行率が体感で変わった、という声が出た。
具体的な数字は計測していなかったが、「決まったことが翌週に動いている」状態が続くようになったことは確かだ。

変わらなかった点も正直に書く。
「会議の本数は減っていない。そこは人の意識の問題だった」

---

重要なのは、このしくみが「AI技術の革命」ではないという点だ。

音声を記録して整理する。
担当者と期日を明示する。
全員がアクセスできる場所に置く。

これだけだ。
20年前から理想とされていた会議のかたちを、AIが実現コストを大幅に下げた。それだけの話だ。

---

再現するためのポイントをまとめる。

① 「記録」と「整理」を機械に渡し、「判断」だけ人間に残す
議事録を書く負担を誰かに押し付けるのをやめる。記録は自動。整理はAI。承認だけ担当者がやる。

② データを外に出すかどうかを最初に決める
製造業・医療・士業など、扱う情報の種類によって、ローカル構成が向く場合とクラウドで問題ない場合がある。用途と内容で先に判断する。

③ 最初の1回は全員で振り返りをやる
「どこが足りなかったか」を1回拾い上げることで、自分たちの仕事のしかたに合った精度に近づく。最初から完璧にしようとしない。

---

会議の問題は、参加者の意識だけの話ではない。
「決まったことが次に引き継がれない構造」が根本原因であることが多い。
AIは、その構造を変えるコストを下げる道具だ。

「議事録AIを入れれば解決する」ではない。
「記録が自動になることで、人間が判断に集中できる」が本質だ。

このしくみを設計する側が何を目的とするかで、効果が変わる。
AIツールを入れる前に「記録が残ることで、何が変わるか」を言葉にしておく。
それが設計の出発点になる。

---次の一歩はシンプルだ。
来週の生産会議を録音してみる。それだけでいい。
「記録が残る」だけで、話し方が変わる。

あなたの会社の会議で、「決定事項」と「ただ話した議題」は明確に区別されているか。

#AI議事録 #ローカルLLM #中小企業DX #製造業AI

[AJTC @AJTCSolution]

@TeamYouTube 様

現在、当チャンネルが収益化を停止され、再審査請求も却下されました。 https://t.co/TM49t3m2Nb
理由は『信頼できないコンテンツ』ですが、本チャンネルは毎回一から入念にリサーチを行い、丹精込めてオリジナルに仕上げているコンテンツです。今一度審査のほどお願いします。

[AJTC @AJTCSolution]

@fuku__taro ありがとうございます！為替ボラなくてつらいッス。。。

[AJTC @AJTCSolution]

@fuku__taro ただいまです。

[AJTC @AJTCSolution]

@fuku__taro おつかれさんで～す

[AJTC @AJTCSolution]

@fuku__taro 拝承。

[AJTC @AJTCSolution]

@fuku__taro いやいやー怠けてる最中

[AJTC @AJTCSolution]

@fuku__taro おはようございます。あついですなー

[AJTC @AJTCSolution]

@kiyoyoyoyoyon いいッスね～！

[AJTC @AJTCSolution]

@kiyoyoyoyoyon おぉ！めでたい！！！また、みんなで集まろうよ(☆∀☆)ﾆﾔﾘ

[AJTC @AJTCSolution]

@kiyoyoyoyoyon 元気ですよ～！久しぶりです！最近調子どう？