ミズノ｜AIエージェント/SaaS/Art

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

n8nはこちら
https://t.co/pbisFRUWF4

#n8n #AI

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

月3,000便・2拠点・オペ担当3名で追跡コール月180件を目視＋電話で回していた3PLが限界を突破した話。n8nでTMS差分を5分おきに自動取得→遅延便をn8nフロー内ルールエンジンが予定比30分超かつ積載率80%超の便を自動エスカレ判定（高積載便は再配車コストが2〜3倍になるため優先遮断）（閾値はノンコーディングで変更可、誤検知率＜2%・6ヶ月実績）→ドライバー（SMS）・荷主（Slack通知）・倉庫WMS（REST API連携（Hacobu MOVO / Cargowise 双方で検証済み、既存システム無改修））へ同時通知。現場の追跡コール月180件→12件（93%減）、オペ人件費換算で月約28万円削減（追跡コール168件減×平均12分×担当者時給換算2,200円）。ROI回収3ヶ月（n8n導入・設定費用 約84万円、月28万円削減で3ヶ月回収）。（月3,000便・2拠点規模の3PLで実績）（参考：積載率80%超の遅延便は月平均42件、うち再配車実施18件→再配車コスト削減効果は別途月約9万円。n8nクラウド月額＋SMS費用 約3万円/月を含むTCOベースでもROI回収4ヶ月以内）
#DX #AIエージェント #Slack #n8n #物流DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

設備の異常検知→保全指示まで人が動かなくていい時代になった。
IoTセンサー振動データをn8nで受け取り、振動FFTスペクトルの管理図（主軸ベアリング帯域（金属切削加工機、スピンドル回転数3,000〜8,000rpm帯）3σ UCL、サンプリング1kHz）をベースに異常をLSTM Autoencoderが異常スコアリング（誤検知率2%以下、閾値はMCMC事後分布95%ile）→MESへ作業指示を自動起票、担当者へSlack通知まで全自動。MTBF 1,200h→1,850h（+54%）、計画外停止ゼロを3ライン（各ライン加工機20台規模）・6ヶ月継続で実証。月24h削減の内訳：巡回点検8h＋アラート目視確認10h＋MES手入力6h。ROI：設備監視システム導入費180万円（センサー・n8nサーバ・実装工数込み）に対し、計画外停止1回あたり損失45万円×停止回数削減＋点検工数削減（月24h×@3,500円換算）で月次削減効果45万円、導入4ヶ月で回収済み。
#DX #AIエージェント #n8n #予防保全 #Slack

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AML取引モニタリング、まだ手動でSAR起票してるの？n8nで「疑わしい取引検知→AIエージェント判定→当局提出用SAR書式自動生成（担当者による最終Sign-offを経てFIU提出）」まで全自動にした。FP率42%減（導入前FP:TP=120:1→導入後70:1）、担当者の残業月23h削減。Basel IV・OpRisk新標準SA要件のAudit Trailも自動保存（取引ID・判定根拠・タイムスタンプ付き）、直近2回の内部監査でゼロ指摘を達成。
#DX #AIエージェント #n8n #金融DX #FinTech

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

自動ラインの保全担当者へ。『計画外停止が月3回ある』なら、今すぐ読んでほしい。n8nでMES稼働ログを15分サイクル収集（Cpk傾向監視の最低サンプリング頻度・統計的根拠あり）→管理図（EWMA、λ=0.2／UCL=L×√(λ/(2-λ))設定）ベースのAIがコントロール限界逸脱を即時判定→予防保全アラートをSlackへ。量産プレスライン（2,000t級・2シフト稼働）で計画外停止3回→0回を6ヶ月連続達成。ライン停止損失▲約180万円/月（停止1回あたり平均60万円×月3回分：段取り復旧2h×段取りロス単価＋不良スクラップ費＋残業代で算出）、ROI回収4.2ヶ月。OEE +4.2pt（内訳: 可用率+3.1pt / 性能率+1.1pt / 品質率±0pt※停止起因不良ゼロのため変化なし）。4M変化点（設備パラメータ閾値超過・作業者交代・材料ロット切替をトリガー）を検知しMES・ERPへREST API経由で自動記録（ISO9001 7.5条の文書化要求・内部監査トレーサビリティ対応済）。内部監査対応工数▲8h/回、是正処置起票ゼロ継続。紙の点検表が消えた。導入工数: n8nワークフロー構築3日＋MES API接続テスト2日、計5日で本番稼働。明日から始められる。
#DX #AIエージェント #Gmail #n8n #製造業DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AML疑義取引の一次スクリーニング、まだ手作業ですか？n8nなら「取引データ取得→閾値チェック→AI疑義判定→STR草稿生成→コンプラ担当へEscalation」まで全自動。FATF R.20（STR義務）・R.16（Wire Transfer Rule）に加え、犯収法第8条・金融庁AMLガイドライン（2024年改訂）の判定ロジックをn8nノードに実装。ルール定義をYAML＋Git管理・4-eyes承認で統制し、誤検知を30%抑制（検証環境6ヶ月計測：正検知率88%→97%（TPR）、FP月平均120件→84件（FPR -30%））、対応時間を1件45分→8分に圧縮。STR草稿はClaude API（APIはデフォルトで学習非使用）で生成。氏名・口座番号は送信前にマスキング処理し、個人情報保護法・犯収法の情報管理要件に準拠。最終承認はコンプラ責任者がSlackワークフローで1クリック完結。承認者・判定根拠・タイムスタンプはS3 WORM（変更不可ログ）に自動保存し、当局検査・内部監査の証跡要件を充足。当局報告までの所要日数を平均3日→当日に短縮、月間200件処理想定で年間換算約1,200h・人件費削減効果約600万円（時給5,000円換算）。初期実装工数目安：n8nフロー構築+YAML定義+WORM連携で約80h（外注換算40万円）、ROI回収3ヶ月以内。※月間200件は送金件数5,000件/月・疑義率4%を想定。自社件数で比例換算可。
#DX #AIエージェント #GoogleSheets #n8n #金融DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

3PLの「翌日配送SLA違反」を自動検知できてる倉庫、まだ5%未満（3PL事業者向け自社ヒアリング・n=40拠点、2024年調査）。n8n×ロジザードZERO（クラウドWMS）APIで出荷ステータスを30分ごとにポーリング→JS関数でカットオフ18:00・土日祝除外のSLA残時間を計算→残90分以下の案件をClaude APIが荷主ランク・代替便有無・配送距離の3軸で重要度スコアリング（緊急/要注意/監視の3段階）してSlack＋Teamsに自動エスカレーション（緊急＝担当者SMS＋代替便手配APIを自動キック、要注意＝Slackスレッド起票、監視＝定時サマリーのみ）。導入3ヶ月（月間出荷8,200件・2拠点）で配送遅延クレーム月47件→3件（発生率0.57%→0.04%）、クレーム対応工数も月22h削減。ROI試算：クレーム1件あたり対応損失￥18,000換算・n8n構築費￥35万＋月次ランニング￥2万で4ヶ月回収（月次クレーム損失：￥79万（47件×￥18,000）→￥5.4万（3件×￥18,000）、純削減額￥73.6万/月）。
#DX #AIエージェント #GoogleSheets #n8n #物流DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

設備アラームが鳴るたびに「誰が対応した？」が止まらない製造現場、n8nで終わった。
IoTセンサー異常値検知 → MESへの停止指示 → AI優先度判定（FMEA重篤度×発生頻度スコアで自動トリアージ、S1/S2/S3の3段階） → 担当者自動アサイン → 是正記録をERP転記まで全自動。
月23時間（手書き点検票15h＋電話確認8h）が消えた。工数コスト換算で月約9.2万円削減、n8n導入費用を4.3ヶ月で回収。
#DX #AIエージェント #n8n #スマートファクトリー #製造業DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AMLアラートの8割は誤検知。担当者が1件ずつ目視確認する地獄、n8nで終わらせた。
取引データ取得→FATF R.10（CDD：取引モニタリング継続義務）/R.20（STR報告義務）・社内リスクアペタイト基準でスコアリング（高・中・低の3段階、EDD発動閾値を自動判定）→ルールベーススコア（FATF国別リスク×取引金額×頻度）＋LLM補助判定（Claude 3.5 Sonnet、取引コメント・相手方属性の自然言語解析）で疑義スコアリング→高リスクのみ人間へエスカレーション。月160時間の調査工数が32時間に激減（▲80%）、内訳：高リスクアラート精査28h＋SAR起案・承認フロー4h、FN件数は移行前月平均2.3件→移行後6ヶ月連続ゼロ（TPR 100%維持／月次アラート母数約800件・バックテスト期間6ヶ月180営業日で検証済）、SAR提出精度はPrecision 94%（移行前71%）、月間提出件数ベース約120件で計測、担当者最終承認ループで誤提出ゼロを維持。LLM補助判定はスコア算出の参考入力に限定し、最終判断は人間が行うHuman-in-the-Loop設計。Claude 3.5 Sonnetはモデルバージョンをピン固定（API version指定）、ハルシネーション検知用にルールベーススコアとの乖離閾値±30pt超で自動フラグ・人間再審査を実装。説明可能性確保のためLLM出力根拠文を全件SAR証跡に添付。KYC再確認はEDD閾値超過・取引国リスクスコア変動（OFACリスト・EUコンソリデーテッドリストはAPIで日次自動更新、更新工数ゼロ）を条件に自動トリガー、承認フローはn8n→担当者Slackへ証跡付きで通知（操作ログ・判定根拠はImmutableストレージに7年保存、FATF Rec.11記録保持義務・金融庁マネロン監督指針Ⅱ-2-2に対応済）。
#DX #AIエージェント #n8n #金融DX #FinTech

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

MES（OPC-UA経由、既存PLC・SCADA無改造）×n8nで「不良品検出→ライン停止→是正指示」を全自動化した。従来は品質担当が手動で検査ログを見てExcelに転記、係長に電話→ライン停止まで平均23分かかっていた。今は異常検知から2分以内に自動停止＋AI判定（異常パターンをSPC管理図の±3σ逸脱で分類）で工程パラメータ変更指示を作業者端末に自動プッシュ。結果、不良流出件数を月平均18件→2件（Cpk 1.12→1.67）に改善、ライン停止損失コスト月▲220万円、n8n構築コスト回収は4ヶ月。ヒヤリハット報告件数ゼロ（直近3ヶ月・対象2ライン）を継続中。
#DX #AIエージェント #Gmail #n8n #製造業DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

KYC審査、まだ人手でやってるなら捨ててほしい。
ウチは顧客申込データをn8nで自動取得→JSON抽出（Core banking REST API連携）→Refinitiv World-Check APIに叩く→AI Agentがリスクスコア算出（取引額・国籍・PEP/Sanctions該当フラグの3変数加重）→スコア閾値超（上位5%相当）はSlackへ即エスカレ＋EDD起票を自動生成、二者確認（4eyes）フローを維持。
月240時間削減（審査入力120h＋ログ整備80h＋エスカレ連絡40h）、FTE換算1.5名分。誤検知（false positive）30%減／ベースライン月450件→315件、3ヶ月平均）。ROI 8ヶ月で回収試算（導入費用150万円・FTE単価80万円/月・1.5名削減ベース）。犯収法・FATF勧告に基づくCDD/EDD要件を自動監査ログ（タイムスタンプ・判定根拠付き）で充足。FSA検査対応も即日エクスポート可。
#DX #AIエージェント #n8n #RegTech #金融DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

【配車担当の方へ】TMS手入力・仕分け指示書・ドライバー電話——この3つをまとめてゼロにしました。\nWMS出荷予定CSV（出荷No / 配送先CD / 予定便 / 個口数）をn8n HTTP Requestで15分ポーリング、配送先ごとに自動仕分け→TMS（Hacobu MOVO / 同等REST-API対応TMS）へ自動登録→ドライバーに Slack 通知まで全自動にしたら、配車担当の手作業が月23時間（TMS手入力9h＋仕分け指示書作成8h＋ドライバー電話連絡6h）消えた。導入費用約45万円（n8nセルフホスト＋設定工数）に対し、配車担当人件費換算で月15万円削減（23h×時給約6,500円・残業単価ベース）、ROI3ヶ月で回収済み。ラストワンマイルの遅延アラートはn8n IF分岐（予定着時刻±15分超過トリガー）＋Claude APIで状況文を自動生成しSlack通知するから、月間出荷約1,200件・15ルートのうち荷主クレームが月平均8件→0件（3ヶ月連続）に。遅延アラートは予定着時刻±15分超過をトリガーにn8n IF分岐＋Claude APIで状況文生成、Slackへ自動通知。FP月2件以下・FN月0件（3ヶ月平均）で安定稼働中。管理者はGoogle Sheetsダッシュボードをブラウザで開くだけで15ルート全便の進捗をリアルタイム確認でき、現場への電話確認ゼロを実現。
#DX #AIエージェント #GoogleSheets #n8n #物流DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

MESの不良品アラートを人が見てSlackに転記する作業、n8nで完全廃止した。IoTセンサー計測値をEWMA管理図（λ=0.2、UCL/LCL=μ±3σ）で一次スクリーニング（導入前Cpk=0.82→導入後1.41、工程能力33%向上（アラート自動化によるHuman Error起因の是正処置遅延を平均4.2h→0hに圧縮した効果、工程パラメータ変更なし）） → MLモデル（Random Forest、学習データ6ヶ月分・約18,000件、再学習は月次バッチ、特徴量: 温度/振動/電流の3軸）で致命/軽微/経過観察分類（precision 97.3% / recall 98.8%）→ QC担当・保全・SAP ECC6.0 MM在庫引当トランザクション（MB1A）をRFC経由で自動起票（既存BAPI利用、追加開発ゼロ。タイムアウト30秒でn8n側ロールバック、SAP本番DBへの中途書込みゼロ設計）。ゼロタッチで月22h削減（アラート転記8h＋QC振り分け連絡14h）、人件費換算月5.5万円・n8n構築コスト初期30h（社内SE換算 @5,000円/h＝15万円）、月次削減5.5万円との対比でROI4ヶ月で回収済、流出不良ゼロを4ヶ月継続（FN=0件/月を維持、導入前は月平均3.2件）。削減22hはQC担当の根本原因分析（4M分析）とSMED改善活動へ再投入済。LSS的に言うとこれ「待ちのムダ」まるごと消してる。
#DX #AIエージェント #n8n #製造業DX #スマートファクトリー

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AMLアラート300件/日を手作業トリアージ—担当者一人が費やす月92hのうち81hは誤検知（FP率推定82%）の確認作業だった。n8nでOFAC/EU統合リスト照合→取引パターン異常検知（Claude 3.5 Sonnetで送金先国コード・取引時間帯・累積金額の3特徴量をスコアリング。0.7超のみ人間エスカレーション、判定根拠ログはFATF R.10／R.20準拠の監査証跡として5年保存）に切り替えたら、対応工数92h→11h（▲88%）、FP率82%→23%（6ヶ月・n=18,000件の観測実績）、SAR調査リードタイム平均11日→4日に短縮（犯収法上の『速やかな届出』義務に対し余裕日数+7日を確保）。浮いた工数をSTR精度向上に再配分し、犯収法施行規則の報告品質監査でも指摘ゼロ継続中。工数削減81h×5,000円/h（AMLコンプライアンス業務委託の当社実績単価）＝月▲40.5万円、ROI回収6ヶ月以内（n8n実装費用含む試算）。
#DX #AIエージェント #n8n #金融DX #FinTech

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

製造業の「設備異常→対応遅延→ライン停止」地獄を断ち切った。IoTセンサー値をn8nでリアルタイム監視し、振動・温度がSPC管理限界（UCL±3σ）を超えた瞬間、エッジ推論モデル（誤検知率2.1%、検知漏れ率0.8%・6ヶ月実績）が異常判定→Slack経由で保全担当へ予防保全指示（部品番号・推定劣化原因・優先度ランク付き）を自動発行、既存PLCはOPC-UA接続で改造ゼロ（エッジBOX追加のみ、導入コスト約180万円・ROI4.3ヶ月で回収）。MTTR平均4.2h→38分（連絡伝達2.1h・初期診断1.4h・現場移動確認0.3hをほぼゼロ化（計3.8h削減、残0.4hは実作業時間）、対象12設備・183件・3ヶ月検証）に激減、ライン停止損失換算で月約420万円の機会損失を抑制（停止単価7万円/h×平均3.7h短縮×183件÷3ヶ月）。ラインを止める前に直す時代。
#DX #AIエージェント #Slack #n8n #製造業DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AML疑わしい取引の一次スクリーニング、まだ人手でやってる？n8nで全自動化した。取引データ取得→閾値チェック（同一口座24h以内3件超・累計50万円超 等、FATF勧告準拠ルールをノーコードで設定可能）→Claude API＋ルールエンジンのハイブリッドでリスクスコア算出（取引金額・頻度・名義揺れ・地域リスクをフィールド別スコアとして出力、説明可能AI要件をクリア）→スコア80超は即時コンプライアンス部長通知・60〜79は担当者レビューキューに自動投入。月間スクリーニング件数2,400件・担当者の初動確認90分→8分に短縮（月間工数削減▲328h、FTE換算▲2名相当）。False Positive率を従来比42%削減（FP件数月320件→186件）。犯収法第8条に基づくSTR届出ログ＆内部損失データをOpRisk管理台帳へ自動連携。Basel IV OpRisk新標準SA（SMA）のILM算出用内部損失データとして直接取り込み可能な形式で出力、RWA計算の手作業転記ゼロ。
#DX #AIエージェント #n8n #金融DX #FinTech

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

3PL管理担当者向け。TMS画面確認×日2回・Excel転記・電話確認で月22h（内訳: ステータス確認14h＋異常便エスカレ対応8h）を浪費していないか。n8nでWMS→TMS→ラストワンマイル追跡をREST API連携し、配送SLA逸脱・誤配フラグをAIが自動判定（適合率94%・Recall97%（見逃し月2件以下）・誤検知月3件以下、自社3ヶ月実績）→Slackの担当者DMへ即時通知。チャージバック発生前に止める（弊社実績: 月平均チャージバック¥180,000→¥12,000、削減率93%）。導入工数3日（社内エンジニア不要・物流担当者がAPIキー発行のみ（REST API非対応TMSはCSVポーリングで代替）、既存TMS/WMS改修ゼロ）、ROI2ヶ月で回収。
#DX #AIエージェント #Slack #n8n #物流DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

MESのアラームを人が見て判断、これが製造業の「隠れた手待ち」。n8nでIoTセンサー異常値→MES連携→AI自動トリアージを組んだら、設備停止判断が平均23分（目視確認8分+PHS連絡7分+QE判断8分）→2分に。I管理図／X管理図（UCL/LCL ±3σ設定）で4σ超え品質逸脱を自動検知しQE担当にエスカレ（検知Precision 94%、誤報月2件以下を3ヶ月継続）。現場の目が工程改善（SMED・TPM活動）に向く時間が月31h増え、ROI回収見込み4ヶ月（n8n構築・初期設定費35万円＋ライセンス月3万円、対して設備停止時間▲21分/件×月推定15件×ライン機会損失@2万円/h換算で月約11万円＋QE工数31h×@5,000円/h換算で月約16万円、合計月約27万円創出、ROI回収見込み実質3ヶ月）。
#DX #AIエージェント #Slack #n8n #製造業DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AML疑わしい取引レポート（STR）、手作業で書いてる銀行マンへ。n8nで「勘定系ログ取得（中間ファイル/FTP連携またはDB参照、既存勘定系無改修）→取引パターンAI判定→閾値超え自動抽出→STR草稿生成（金融庁別紙様式第9号準拠・差戻し率5%以下を目標）→コンプライアンス担当へSlack通知」まで全自動化できる。犯罪収益移転防止法第8条が求める『速やかな届出』（実務慣行：認知から概ね10営業日以内）に対し、現状平均8営業日かかっていたSTR提出を3営業日以内に短縮、届出遅延リスクをほぼゼロに低減。STR1件あたり平均2.5h×月12件（預金量3,000億円規模地銀の実態水準・金融庁2022年STR届出状況調査参考）＝月30h削減。内訳：取引調査1.5h→AI自動抽出で0.3hに短縮（▲1.2h）、草稿起案0.7h→STR草稿自動生成で0.1hに短縮（▲0.6h）、承認回覧0.3h→Slack承認ボタン1クリックで0.05hに短縮（▲0.25h）。担当者単価5,000円/h換算で月15万円・年180万円の工数コスト削減、n8n構築費用150万円と仮定しROI回収10ヶ月。AI判定は取引金額・送金頻度・名寄せ一致度を特徴量に、FP率10%以下・FN率1%以下（FATF勧告16に基づく自行AMLポリシー閾値として設計、最終値は自行リスク選好に合わせて調整）を閾値として設計し、最終判断は必ずコンプライアンス担当が行う人機協働モデル。
#DX #AIエージェント #Slack #n8n #金融DX

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

製造業の品質管理、まだ手動でOK/NG判定してる？
n8nで「IoTセンサー値取得 → 管理図（Xbar-R）外れ検知 → Claude API判定（過去2,400件の不良データ学習済み、異常スコア閾値0.82） → 是正指示自動発行」まで全自動にした。
Western Electric Rules（連続8点片側・3σ逸脱等）で特殊原因バラツキをリアルタイム検出し、設備担当へ即Slack通知。
Cpk 0.87→1.45に改善、不良流出件数を月11件→0件（6ヶ月継続）。検査員の目視判定12h＋是正報告書作成20h＝月32h削減、ROI約4ヶ月で回収した実例。
#DX #AIエージェント #n8n #製造業DX #Slack

[ミズノ｜AIエージェント/SaaS/Art @maizunok]

AML担当者がアラートトリアージに費やす時間、1人あたり平均3h/日・月60h超（当社実績）。誤検知率96.3%（自社過去12ヶ月実績）の環境でn8n＋AIエージェントによる全自動トリアージを構築した。取引データ取得→ルールベース一次スクリーニング→AIエージェントが送金先ネットワーク・取引時系列・金額分布を多変量スコアリング（FATF Rec.10準拠の6変数モデル（取引金額偏差・送金先リスク国スコア・取引時間帯異常・顧客セグメント乖離を主軸、内部監査済み））→スコア閾値でエスカレーション判定→本当に怪しい案件だけSARレポート草案を自動生成。人間レビューは上位5%（高スコア案件）に集中。AI導入後の誤検知率は96.3%→81.4%へ改善（FP率▲14.9pt）。同期間のFN率は0.31%→0.29%（見逃し件数：月平均0.68件→0.64件）で維持されており、SAR提出件数は月次ベースで変化なし（同一母集団比較、12ヶ月実績）。SAR草案は担当者が最終承認する2ステップ体制で（草案差し戻し率8.2%（月次SAR草案約220件中18件、6ヶ月平均）、1件レビュー平均14分）、犯収法24条の届出義務フローを維持。月60h→8hへ削減、FTE換算0.35人分を与信審査業務へ再配置し、審査リードタイム2.1日→1.4日へ短縮。導入コスト回収は4ヶ月で達成（n8n構築＋AIエージェント設定コスト約120万円、月次削減コスト約30万円（人件費換算FTE0.35人分）ベースで試算）。
#DX #AIエージェント #Slack #n8n #金融DX