Author: Huong Khuat
〜業務提携のターゲットはグローバル〜 2026年8月31日に株式会社Sazae Japan（以下Sazae）と株式会社GEM JPN(以下GEM JPN) は日本での業務提携を発表しましたが、9月11日にはGEM JPNの親会社のGEM Corporation (本社ベトナム・ハノイ、以下GEM)のDCEO兼COOの、Nguyen Thanh Congによる、Sazae本社のあるオーストリアのシドニーに同社代表取締役の溝尻歩氏への表敬訪問が実現しました。 和やかな雰囲気の中、日本のみならずオーストラリア、ベトナムなどでの協業の可能性など活発な意見交換を行った結果、SazaeとGEMも業務提携を進めることで双方同意しました。 SazaeとGEM JPNの業務提携は、ServiceNowとAIを活用した企業のデジタルトランスフォーメーション推進がその目的でしたが、今回の業務提携でそれらに加え、さらなる加速を目指します。 ・オフショアサービスを利用したグローバル展開 ・オーストラリアマーケットでの共同プロジェクト実施 グローバルをターゲットとした、より広義な意味でのビジネス拡大を、共に目指してまいります。 (English) Sazae Japan Co., Ltd. and GEM Corporation to Form a Business Alliance: ~Global Focus for the Business Alliance~ On August 31, 2026, Sazae Japan Co., Ltd. (hereinafter “Sazae”) and GEM JPN Co., Ltd. (hereinafter “GEM JPN”) announced a business alliance in Japan. On September 11, Nguyen […]
株式会社GEM JPN（代表取締役：岩崎 秀俊 以下「GEM JPN」）は、株式会社Sazae Japan（代表取締役：溝尻 歩、以下「Sazae」）と、ServiceNowおよびAIを活用した企業のデジタルトランスフォーメーション（DX）推進を目的とした業務提携を締結しました。 GEM JPNが有するServiceNowおよびAIに関する技術・専門知識と、ServiceNow事業および営業活動に関するSazaeの豊富な実績との組み合わせで、企業の業務効率化、デジタル化およびAI活用を支援する体制を実現していきます。 現在の状況 企業を取り巻く環境が急速に変化する中、業務のデジタル化だけではなく、AIを活用した業務プロセスの高度化・自動化が求められています。 特に、ITサービスマネジメント（ITSM）をはじめとする企業内のさまざまな業務領域において、ServiceNowを基盤とした業務プロセスの標準化・効率化と、AIの先端技術による高度化を組み合わせることで、業務変革を実現できる可能性が大きく広がっています。 このような背景のもと、両社はServiceNowとAIを組み合わせたサービス提供および営業活動において連携し、お客様のDX推進を支援していくことで合意しました。 今後の協業体制 本業務提携において、両社はそれぞれの強みを活かし、以下の領域で連携します。 GEM JPNの役割 GEM JPNは、ServiceNowおよびAIに関する技術・専門知識を活かし、以下の活動を担当します。 Sazaeの役割 ServiceNow事業を中心に、以下の活動を担当します。 両社がそれぞれの強みを活かして連携することで、技術・専門知識を組み合わせた「ServiceNow事業におけるシナジー強化」に加え、「営業・顧客接点を担うSazae」と、「AIの技術力を担うGEM JPN」という相互補完的な体制を構築し、お客様へのより高品質なサービス提供を実現していきます。 ●株式会社GEM JPN Incについて GEM JPNは、GEMグループの一員として、システム開発、ITコンサルティング、デジタルトランスフォーメーション（DX）支援を提供するIT企業です。特に日本市場向けのサービスに注力しています。 GEMグループでは12年以上にわたり事業を展開、現在450名超のエンジニア人材を擁し、日本企業を中心に幅広い業界および分野におけるシステム開発・運用を支援しております。 GEM JPNのお客様対応・プロジェクト支援体制と、GEMベトナムの豊富なエンジニアリングリソースを組み合わせることで、柔軟かつ実践的なソリューションを提供し、お客様の業務効率化、自動化、DXおよび新しいテクノロジーの活用をご支援いたします。 代表者：代表取締役 岩崎 英俊 公式サイト：https://gem-corp.jp/ グループサイト：https://gem-corp.tech/ ●株式会社Sazae Japanについて 親会社はシドニーを本社とする日本のセキュリティ・コンサルティング、外資系SaaS導入のスペシャリスト集団です。Sazaeは、「世界にチャレンジする人&会社をテクノロジーでサポートする」をモットーに、サービス提供しています。また、幅広いITサービスを利用し、お客様の求めるITを実現します。 代表者：代表取締役 溝尻 歩 公式サイト：https://sazae.com.au/ja/home-jp/ ●お問い合わせ先 GEM JPN Inc メール：contact@gem-corp.jp 電話：03-5357-1231 （岩崎 英俊）
アジア太平洋（APAC）市場 導入背景 大企業では、HR部門が戦略的な人材施策に注力する代わりに、社内規程、休暇申請、オンボーディング、福利厚生、従業員情報などに関する定型的な問い合わせへの対応に、多くの時間を費やしています。 同時に、企業が複数の地域や言語へ事業を拡大する中で、従業員からは「いつでも、すぐに必要な情報へアクセスできる」HRサポートへの期待も高まっています。 Gartnerの「2026 CHRO Priorities」によると、AIを活用したHR変革はエンタープライズHRリーダーにとって重要な戦略テーマの一つとなっており、HRオペレーティングモデルの変革によって、29%という最も高いAI生産性向上効果が期待されています。 また、Deloitteの「2026 Global Human Capital Trends」では、10人に7人のビジネスリーダーが組織のスピードとアジリティを重視していることが示されており、HR部門にもサービス提供や従業員サポートのさらなる高度化が求められています。 今回ご紹介する導入企業は、アジア太平洋地域で事業を展開する大手エネルギー・ユーティリティ企業です。 発電施設、送電ネットワーク、各地域のオフィス、フィールドオペレーションなどで働く数千名の従業員を支える同社のHR部門では、以下のような定型的な問い合わせを大量に処理していました。 しかし、HRに関するナレッジは、従業員ハンドブック、安全規則、業務手順、HRポリシー、ナレッジベース、複数のHRシステムなどに分散していました。 そのため、HR担当者は従業員からの問い合わせに回答する前に、複数の情報源から情報を検索・確認・解釈する必要があり、多くの時間を費やしていました。 さらに、複数の国、事業部門、言語にまたがる従業員数が増加するにつれて、HRポリシーを一貫して解釈し、同じ品質で情報を提供することがますます困難になっていました。 同社は、従業員体験の向上だけでなく、機密性の高い従業員データに対するエンタープライズレベルのガバナンスを確保しながら、地理的に分散した従業員に多言語のセルフサービスを提供する必要がありました。 そこで同社はGEMに、HRナレッジを一元化し、定型的な従業員サポートを自動化するとともに、将来的なHR変革施策にも拡張できるセキュアなAI基盤を構築することを依頼しました。 GEMは、Databricks Data Intelligence Platform上にガバナンスを考慮したHR自動化ソリューションを設計・実装しました。 これにより、分散していたHRナレッジを、24時間365日、パーソナライズされた多言語の従業員サポートを提供できるインテリジェントAIアシスタントへと変革しました。 課題 導入前の課題 HR自動化ソリューションの導入前、同社ではエンタープライズHRサービスの効率性と拡張性を制限する、さまざまな業務・技術上の課題を抱えていました。 実装時の課題 ソリューション エンタープライズ向けセルフサービスとインテリジェントHRオペレーションを実現するHR自動化ソリューション クライアントのHRオペレーティングモデルを評価したうえで、GEMはDatabricks Data Intelligence Platform上にエンタープライズ向けHR自動化ソリューションを設計・実装しました。 発電施設、フィールドオペレーション、地域オフィスなど、地理的に分散した従業員を支援するため、HRナレッジの一元化、定型的な従業員サポートの自動化、そして将来的なHR変革を支えるセキュアなAI基盤を構築しました。 一貫した回答を実現するHRナレッジの一元化 HR自動化ソリューションの基盤として、GEMは従業員ハンドブック、HRポリシー、安全・コンプライアンス関連文書、オンボーディング資料、福利厚生情報、社内ナレッジ記事などを、ガバナンスされたLakehouseへ統合しました。 これにより、単一の信頼できる情報源（Single Source of Truth）を構築し、従業員は勤務地、言語、所属する事業部門に関係なく、一貫したポリシーに基づく回答を受けられるようになりました。 また、HR部門は一元化されたナレッジリポジトリのみを管理すればよくなり、情報管理の負担も軽減されました。 AIを活用した従業員セルフサービス GEMは、定型的な従業員問い合わせを自動処理できる多言語AI HRアシスタントを実装しました。 対象となる問い合わせには、以下が含まれます。 地域オフィス、事業所、フィールド拠点などで働く従業員は、HRの営業時間を待つことなく、24時間365日HRサポートへアクセスできるようになりました。 これにより、HR部門が対応していた定型的な管理業務を大幅に削減しました。 ガバナンスされたRAGによるリアルタイムなポリシー検索 HR自動化ソリューションが常に正確な情報を提供できるよう、GEMはDatabricks Vector Searchを活用したRetrieval-Augmented Generation（RAG）を実装しました。 HRポリシー、コンプライアンス要件、従業員向け文書が更新されると、AIアシスタントは最新の承認済みコンテンツを自動的に検索・取得します。 そのため、AIモデルを再学習することなく、組織全体に対して最新かつコンプライアンスに準拠した情報を提供できます。 […]
AI活用は、企業の競争力を左右する重要な経営テーマとなっています。しかし、十分なガバナンスが整備されていないままAIを導入すると、コンプライアンス違反や情報漏えい、説明責任の欠如など、さまざまなリスクにつながる可能性があります。 こうした課題に対応するため、多くの企業がAIガバナンスの構築に取り組み始めています。AIガバナンスは、AIの開発・運用・管理に関するルールや責任体制を明確にし、リスクを適切に管理しながら、安全かつ継続的なAI活用を実現するための仕組みです。 本記事では、AIガバナンスの基本概念から、フレームワークを構成する主要な要素、企業での構築ステップ、さらに国内外のAI規制や標準規格まで、実務に役立つポイントをわかりやすく解説します。 AIガバナンスとは AIガバナンスとは、企業におけるAIの企画・開発・導入・運用・改善までのライフサイクル全体を対象に、適切な管理と意思決定を行うためのフレームワークです。 単なるルール整備ではなく、組織体制、業務プロセス、データ管理、モデル管理、リスク管理、法令遵守などを包括的に統制し、AIの活用を企業の経営目標や社会的責任と整合させることを目的としています。 また、AIガバナンスでは、役割と責任の明確化に加え、データ品質の維持、モデルの透明性・説明可能性の確保、継続的なリスク評価なども重要な要素となります。AI技術や規制環境の変化に柔軟に対応しながら、企業が安心してAIを活用できる基盤を構築することが求められています。 効果的なAIガバナンスを支える7つの重要要素 実効性のあるAIガバナンスを構築するためには、単一のポリシーやツールだけでは十分ではありません。組織体制、リスク管理、データ管理、法令対応など、複数の要素を組み合わせて運用することで、AIを安全かつ持続的に活用できるガバナンス体制を実現できます。 ここでは、企業がAIガバナンスを設計・運用するうえで押さえておきたい7つの重要な要素をご紹介します。 1. 組織体制と役割の明確化 AIガバナンスでは、責任の所在を明確にすることが重要です。法務、コンプライアンス、データサイエンス、IT部門、経営層など、関係部門ごとの役割を定義し、部門横断型のガバナンス体制を構築することで、AIプロジェクト全体の統制を強化できます。 2. AI倫理と人による適切な監督 AIの活用では、公平性（Fairness）、透明性（Transparency）、説明責任（Accountability）といった倫理原則を組織全体で共有することが不可欠です。 また、AIによる判断を完全に自動化するのではなく、重要な意思決定には人によるレビューや承認プロセスを組み込むことで、リスクを低減し、信頼性の高いAI運用を実現できます。 3. リスク評価と影響分析 AI導入前だけでなく、運用開始後も継続的なリスク評価を実施することが重要です。 バイアス、データ漏えい、安全性、モデルの精度低下などのリスクを早期に把握し、業務への影響を評価することで、適切な改善策を迅速に講じることができます。 4. データ・モデルガバナンス AIの品質は、データとモデルの管理品質に大きく左右されます。 データ収集から学習、デプロイ、運用までのライフサイクル全体を対象に、データ品質管理、アクセス制御、モデルのバージョン管理、パフォーマンス監視などのルールを整備することが重要です。 5. 透明性と説明可能性（Explainability） AIがどのような根拠で判断を行ったのかを説明できることは、AIガバナンスにおける重要な要件です。 監査への対応だけでなく、利用者や顧客の理解を促進するためにも、モデルの判断根拠やシステムの挙動を追跡・説明できる仕組みを整備する必要があります。 6. コンプライアンスと法規制への対応 AI関連の法規制や業界ガイドラインは世界各国で急速に整備が進んでいます。 企業は、自社のAIシステムが適用対象となる法令や規格を把握するとともに、監査に必要な文書や証跡を適切に管理し、継続的なコンプライアンス体制を維持することが求められます。 7. ステークホルダーとの継続的なコミュニケーション AIガバナンスは、経営層だけでなく、利用者、顧客、現場部門など、多様なステークホルダーとの連携によって成り立ちます。 利用者からのフィードバックや運用現場で得られた知見を継続的に反映することで、AIシステムの品質向上やリスク低減につなげることができます。 AIガバナンスの成熟度レベル 企業におけるAIガバナンスは、一度に完成するものではありません。AIの活用範囲や業界特性、組織の成熟度に応じて、ガバナンス体制は段階的に発展していきます。 一般的に、AIガバナンスの成熟度は以下の4つのレベルに分類されます。自社の現状を把握し、次のステップを明確にすることで、より実効性の高いAIガバナンスを構築できます。 レベル1：インフォーマル（Informal） この段階では、AIの利用に関する明確なルールや管理プロセスは整備されておらず、組織の価値観や経営層の判断に基づいて運用されています。 倫理的な議論やレビューが個別に行われる場合もありますが、標準化されたガイドラインや文書化された手順は十分に確立されていません。 レベル2：アドホック（Ad hoc） 特定のリスクや問題が発生した際に、その都度ポリシーや管理ルールを策定する段階です。 部門ごとに一定の運用ルールを持つケースもありますが、企業全体を横断する統一的なAIガバナンス体制はまだ整備されておらず、AIの開発・評価・運用方法にばらつきが見られます。 レベル3：フォーマル（Formal） 組織全体でAIガバナンスが正式に導入され、役割や責任、リスク評価、承認プロセスなどが体系的に定義されている段階です。 また、法令や業界ガイドラインへの対応に加え、部門横断のガバナンス組織や文書化された運用プロセスが整備され、継続的な監査や改善活動も実施されます。 レベル4：高度化・継続的改善（Optimized） AIガバナンスが企業文化として定着し、AIライフサイクル全体に組み込まれている段階です。 AIモデルの監視、リスク評価、コンプライアンス対応、ガバナンスプロセスの見直しを継続的に実施し、AI技術や法規制の変化にも柔軟に対応できる体制を構築しています。 AI活用が拡大するほど、ガバナンスの重要性は高まり、早い段階から組織全体へ定着させることが、持続的なAI活用と企業価値の向上につながります。 AIガバナンスが企業にとって重要な理由 […]
開発期間：15週間チーム体制：7名 導入背景 近年、企業ではサイバー攻撃の高度化やIT環境の複雑化に伴い、セキュリティ運用の高度化が求められています。 多くの企業では、EDR、IT資産管理、ITSM、CMDBなど複数のセキュリティ・IT管理ツールを導入しています。一方で、各システムが個別に運用されることで、セキュリティ情報や資産情報が分断され、インシデント対応の迅速化や正確なリスク判断が困難になるという課題が発生しています。 McKinsey（2026）の調査では、企業の80%がデータ制約をAIやデジタル施策のスケール展開における主要な障壁として認識しています。また、KPMG（2025）の調査では、データ活用基盤の整備やシステム間の相互運用性強化に取り組む企業は24%にとどまり、多くの企業がデータ統合とガバナンスに課題を抱えていることが示されています。また、企業全体でガバナンスされたデータ活用基盤を構築できている組織は限られており、システム間連携とデータ品質管理の重要性が高まっています。 このような背景から、ServiceNow SecOps は、セキュリティアラート、構成情報（CMDB）、インシデント管理、対応ワークフローを統合し、企業のセキュリティオペレーションを高度化するプラットフォームとして注目されています。 今回ご紹介する導入企業は、複数地域で事業を展開する大手製造業企業です。 同社では、CrowdStrike Falcon、Microsoft Intune、ServiceNowを活用していましたが、20,000台以上のエンドポイントと300,000件以上のConfiguration Item（CI）を管理する中で、以下のような課題を抱えていました。 GEMは、ServiceNow SecOps導入を中心としたセキュリティ運用モデルを構築し、CMDBガバナンス、CrowdStrike連携、インシデント対応自動化を実現しました。 これにより、単なるアラート管理ではなく、ビジネスコンテキストを考慮した、スケーラブルなセキュリティオペレーション基盤を提供しました。 課題 ServiceNow SecOps導入前の課題 ① 分断されたセキュリティ・IT管理環境 導入前、クライアントでは以下のような複数のシステムが個別に運用されていました。 これらのシステム間で十分なデータ連携が行われていなかったため、セキュリティ担当者は複数のツールを横断して情報を確認する必要がありました。 その結果、 していました。 ② CMDBデータ品質とガバナンス不足 20,000台以上のエンドポイントを管理する中で、CMDBには以下の問題が存在していました。 CMDBデータの信頼性が低下すると、ServiceNow SecOpsによる正確なインシデント分析や自動化が困難になります。 ③ セキュリティインシデント対応の非効率化 CrowdStrikeから検知されたセキュリティイベントは、手動確認や個別判断を必要としていました。 また、同一端末に対する重複検知によって大量のチケットが発生し、SOC担当者の負荷増加につながっていました。 その結果、 が発生していました。 ソリューション GEMは、ServiceNow SecOps を中心とした統合セキュリティ運用モデルを構築しました。 本プロジェクトでは、CMDB基盤の改善とセキュリティインシデント対応の自動化を2段階で実施しました。 施策① CMDBガバナンス基盤の構築 GEMは、まず既存のCMDBデータ品質とエンドポイント管理モデルを評価しました。 Microsoft Intuneとの連携方式を見直し、IntuneをエンドポイントID情報の正式な管理元（Authoritative Source）として定義しました。 さらに、以下の仕組みを実装しました。 これにより、各エンドポイントに対して一貫したCI管理を実現し、ServiceNow SecOpsが利用できる信頼性の高いCMDB基盤を構築しました。 施策② ServiceNow SecOpsによるセキュリティ運用高度化 GEMは、CrowdStrike Falconから取得されるセキュリティ検知情報をServiceNowへ安全に取り込む仕組みを構築しました。 […]
はじめに 企業におけるデータ移行には、データ損失やシステム停止、コンプライアンス違反など、事業継続に直結するデータ移行のリスクが数多く潜んでいます。クラウド移行、DX推進、M&A、基幹システム刷新など、多くのプロジェクトにおいて、データ移行のリスクを正しく理解し対策を講じることは、事業継続性や業務効率、コンプライアンス確保のために欠かせません。 しかし、十分な計画や検証を行わないまま移行を進めると、データ損失、システム停止、データ品質の低下、さらには規制違反につながる可能性があります。 しかし、十分な計画や検証を行わないまま移行を進めると、データ損失、システム停止、データ品質の低下、さらには規制違反につながる可能性があります。 Gartnerでは、データ移行プロジェクトは予測しにくいコストや高い複雑性を伴うため、事前のデータ品質評価やガバナンス、十分な計画が成功の鍵になるとしています。。また、Bloor Groupの調査でも、データ移行プロジェクトでは平均30%のコスト超過、41%のスケジュール遅延が発生していると報告されています。 本記事では、企業が押さえておくべきデータ移行のリスク対策について、代表的なリスクとその回避方法、データ検証、ガバナンス、ServiceNowへの移行におけるベストプラクティスまで体系的に解説します。 データ移行が必要となる主な理由 企企業がデータ移行を実施する背景には、単なるシステム更新ではなく、経営戦略や業務改革があります。代表的なケースとして、以下が挙げられます。 これらの取り組みの目的は、システムの拡張性やパフォーマンスの向上、データ品質・セキュリティガバナンスの強化にあります。しかし、目的が明確であっても、データ移行のリスク対策が十分でなければ、期待した成果を得ることはできません。 データ移行のリスクとは？プロジェクトで発生しやすい10のポイント 1. データ損失 データ移行で最も重大なリスクの一つが、重要データの欠落や消失です。データマッピングの誤りやフィルタ設定ミス、バックアップ不足などにより、一部データが移行されないケースがあります。例えば、物流企業ではアーカイブデータが移行対象から漏れたことで、配送履歴を失い、複数拠点で手作業による復旧が必要になった事例もあります。 主な対策 2. データ品質・整合性の低下 データ変換時のエラーや文字コード、日付フォーマットの違いによって、データ品質が低下することがあります。一見正常に移行されたように見えても、業務システムではエラーとなるケースも少なくありません。例えば保険会社では、タイムゾーン変換の問題により契約開始日が正しく移行されず、保険料計算に影響を与えた事例が報告されています。 主な対策 3. 重複データ・不整合 複数システムから統合する場合、重複レコードや異なるデータ形式が混在しやすくなります。これにより、レポートや分析結果の信頼性が低下し、運用コストも増加します。 主な対策 4. スキーマ不一致 ソースシステムと移行先システムのデータ構造が一致しない場合、データ欠落や型変換エラーが発生します。数値精度や必須項目の違いによって、移行後に業務エラーが発生することもあります。 主な対策 5. システム停止 移行時間を過小評価すると、想定以上のシステム停止が発生し、業務へ大きな影響を与えます。医療機関や金融機関などでは、短時間の停止でも重大なリスクとなります。 主な対策 6. パフォーマンス低下 データ移行後、検索速度やレポート生成時間が大幅に低下するケースがあります。原因としては、インデックス不足やデータ量の増加、SQL最適化不足などが挙げられます。 主な対策 7. システム連携エラー データ移行後も、多くの業務システムはAPIやバッチ処理によって連携しています。データ構造の変更により連携エラーが発生すると、業務全体へ影響が及びます。 主な対策 8. セキュリティ・コンプライアンスリスク 移行中はデータが一時領域や外部ツールを経由するため、情報漏えいのリスクが高まります。特に個人情報や金融データでは、暗号化やアクセス制御が不可欠です。 主な対策 9. データガバナンス不足 データオーナーが不明確な場合、データ品質やアクセス権限の管理が曖昧になり、移行後の運用に支障をきたします。 主な対策 10. ユーザー教育不足 技術的に成功したデータ移行でも、利用者が新しいシステムを使いこなせなければ十分な成果は得られません。マニュアル整備やトレーニング不足により、問い合わせや運用ミスが増加するケースがあります。 主な対策 データ移行のリスク対策：エンタープライズにおける実践的な進め方 データ移行プロジェクトの失敗は、技術的な制約よりも、準備不足や検証不足、関係者間の認識のずれによって発生するケースが多く見られます。そのため、データ移行のリスク対策では、移行前の計画から本番移行、移行後の運用までを一つのライフサイクルとして管理することが重要です。以下、多くのエンタープライズ企業が採用している代表的な対策をご紹介します。 1. 移行前アセスメントを実施する […]
開発期間：8か月 チーム体制：20名 導入背景 近年、金融業界では生成AIやAIエージェントの活用が急速に進む一方で、多くの金融機関ではデータや業務ナレッジが部門ごとに分散しており、AIを全社レベルで活用できていないという課題が残されています。 Deloitteの銀行業界レポートでは、多くの銀行が依然として分断されたデータ基盤やレガシーシステムによりAI活用の効果を十分に発揮できていないことが指摘されています。また、McKinseyの2026年調査では、AI戦略・ガバナンス・Agentic AIの運用体制まで成熟している企業は全体の約3分の1にとどまっており、AIを実業務へ展開する難しさが明らかになっています。 今回ご紹介する導入企業は、アジア市場で事業を展開する大手商業銀行です。融資業務のデジタル化を推進する中で、情報検索の非効率性と融資審査プロセスの属人化という2つの大きな課題を抱えていました。 まず、行内には規程・業務マニュアル・商品資料・金利情報・販促資料・教育コンテンツなどが複数のシステムに分散して保存されており、担当者はキーワード検索や手作業による確認に多くの時間を費やしていました。その結果、必要な情報へ迅速にアクセスできず、顧客への案内内容にもばらつきが発生していました。 さらに、融資審査では申込書類の確認、情報抽出、信用リスク評価、コンプライアンス確認などを複数のシステムで個別に実施しており、多くの工程が手作業に依存していました。そのため審査時間が長期化し、担当者の業務負荷や運用コストの増加が課題となっていました。 そこでGEMは、銀行AIナレッジマネジメントとAIを活用した融資審査支援システムを組み合わせた統合ソリューションを提案しました。ナレッジ検索からローン審査支援までを一つのプラットフォーム上で実現することで、金融機関の業務効率化と金融DXを推進しています。 課題 銀行AIナレッジマネジメント導入前の課題 ① 分散したナレッジ管理と情報検索の非効率化 銀行規程、業務マニュアル、商品資料、料金表、キャンペーン情報、研修資料などが複数のシステムに分散して保存されていた 従来の検索システムはキーワード一致検索のみで、必要な情報を迅速に見つけることが困難だった 担当者によって検索結果や回答内容が異なり、顧客対応の品質にばらつきが生じていた 営業担当者は適切な融資商品や顧客セグメントを判断するため、多数の資料を個別に確認する必要があった 情報検索に時間を要することで、業務効率やコンプライアンス対応にも影響が生じていた ② 融資審査業務の属人化と非効率化 融資申込書類の確認や情報抽出を手作業で実施していた 審査担当者はリスク評価や法令・社内規程への適合確認に多くの時間を費やしていた 顧客情報や信用情報を複数システムで個別に確認する必要があり、業務が複雑化していた 手作業による審査プロセスが融資承認までの時間を長期化させていた 業務量の増加に対して審査体制を柔軟に拡張することが難しかった ソリューション GEMは、銀行AIナレッジマネジメントとAIによる融資審査支援を組み合わせた統合プラットフォームを開発しました。 ナレッジ検索、文書理解、リスク分析、コンプライアンス確認、融資判断支援を一つのワークフローとして統合することで、金融機関が求める高い正確性・監査性・拡張性を実現しています。 施策① 銀行AIナレッジマネジメントシステムの構築 GEMは、銀行内に分散していた規程、業務マニュアル、商品資料、料金表、販促資料、研修コンテンツなどを一元管理する銀行AIナレッジマネジメント基盤を構築しました。 セマンティック検索と意図理解型検索を組み合わせることで、従来のキーワード検索では見つけられなかった関連情報も迅速に取得できます。 さらに、生成AIを活用したAI営業アシスタントを実装し、融資商品、信用区分、商品条件、社内ルールなどについて自然言語で質問・回答できる環境を実現しました。 施策② AIによる融資審査支援システム GEMは、マルチエージェントアーキテクチャを採用したAI融資審査支援システムを構築しました。 OCRによる書類取り込みから情報抽出、リスク分析、コンプライアンス確認、融資判断支援までをAIが自動で処理します。 また、Human-in-the-Loop（HITL）のレビュー機能を実装し、AIが提示した審査結果をアナリストやアンダーライターが確認したうえで最終承認を行える仕組みを構築しました。 これにより、高い業務効率とガバナンスを両立したAI融資審査プロセスを実現しています。 技術スタック 成果物 本プロジェクトでは、銀行AIナレッジマネジメントとAIによる融資審査支援を実運用できるシステムとして構築し、以下の成果物を提供しました。 導入効果 業務効率化 ビジネス効果 銀行AIナレッジマネジメントやAIを活用した融資審査システムの導入をご検討中の企業様は、ぜひGEM JPNへご相談ください。 GEM JPNは、銀行AIナレッジマネジメントの企画・設計から、AIモデル開発、RAG基盤構築、融資審査支援システム開発、システム連携、運用改善までワンストップでご支援します。金融機関ごとの業務課題に最適なソリューションをご提案し、持続可能な金融DXの実現をサポートします。 👉 公式サイト：https://gem-corp.jp/ プロジェクト総括 銀行AIナレッジマネジメントは、単なる社内ナレッジ検索システムではありません。 金融機関が保有する膨大な知識資産をAIで活用し、融資審査、営業支援、コンプライアンス対応までを高度化する金融DXの中核基盤です。 […]
開発期間：2年間 チーム体制：コアメンバー4名（プロジェクトピーク時は最大10名体制） 導入背景 近年、日本では物流AI画像認識をはじめとするAI技術への注目が急速に高まっています。2024年問題への対応やドライバー不足を背景に、多くの企業が物流DXを推進しており、現場業務の効率化は重要な経営課題となっています。 国土交通省の推計によると、有効な対策を講じなかった場合、日本の輸送能力は2024年には約14%、2030年には約34%不足すると予測されています。また、トラック輸送は日本の経済活動や国民生活を支える重要な社会インフラである一方、慢性的なドライバー不足は年々深刻化しています。 さらに2026年度以降は、一定規模以上の荷主企業や物流事業者に対し、中長期計画の策定や定期報告など、物流効率化に向けた新たな取り組みが求められます。トラック待機時間や荷役時間の削減は、法令対応だけでなく、企業競争力を左右する重要なテーマとなっています。 本ソリューションを導入した企業は、日本を代表する物流ソリューションプロバイダーです。従来、倉庫や物流センターにおけるパレット枚数の確認や在庫照合作業はすべて人手で行われており、トラック待機時間の増加や現場オペレーションの非効率化が課題となっていました。 そこでGEMは、物流AI画像認識を活用したパレット検知ソリューションを提案しました。スマートフォンで写真を撮影するだけで約1秒で数量を判定し、物流現場の業務効率化を実現するとともに、高い監査性とトレーサビリティも確保しています。 本ソリューションを導入した企業は、日本を代表する物流ソリューションプロバイダーです。従来、倉庫や物流センターにおけるパレット枚数の確認や在庫照合作業はすべて人手で行われており、トラック待機時間の増加や現場オペレーションの非効率化が課題となっていました。 そこでGEMは、物流AI画像認識を活用したパレット検知ソリューションを提案しました。スマートフォンで写真を撮影するだけで約1秒で数量を判定し、物流現場の業務効率化を実現するとともに、高い監査性とトレーサビリティも確保しています。 課題 物流AI画像認識導入前の課題 ① 人手によるパレットカウント ② 物流業界を取り巻く課題 ソリューション GEMは、物流AI画像認識を活用したモバイルファーストのパレット検知システムを開発しました。 従来は数分を要していたパレットカウント作業を、「スマートフォンで撮影するだけ」で約1秒以内に完了できるプロセスへと刷新しました。これにより、物流現場で求められる実用性に加え、監査性・トレーサビリティ・拡張性を兼ね備えた物流AI画像認識ソリューションを実現しています。 施策① 物流AI画像認識モデルの開発 GEMはYOLOv5をベースとした物体検知モデルを開発しました。 学習データには実際の物流現場で撮影した画像を使用し、積載高さ、照明条件、パレット色、遮蔽物など、多様な環境を考慮してチューニングを実施しました。 その結果、一般的なAndroid端末でも約1秒以内で推論可能な軽量AIモデルを実現し、日常業務へ物流AI画像認識を活用するための基盤を構築しました。 施策② Androidモバイルアプリ 倉庫担当者・配送スタッフ向けAndroidアプリを開発しました。 操作はわずか2ステップです。 ① パレットを撮影 ② AIが数量を自動判定 検知結果はバウンディングボックス付きで表示されるため、その場で確認できます。 また、オフライン環境でも利用可能であり、通信環境が復旧すると自動的にデータを同期する仕組みを実装しています。 施策③ クラウド・監査証跡基盤 AWS上にDjangoバックエンドを構築しました。 以下の情報を自動保存します。 検索可能な監査証跡を生成することで、在庫照合や顧客対応、内部監査を効率化しました。 運用管理者向けダッシュボードでは、日次実績や拠点別データを可視化し、物流AI画像認識を物流DX基盤として活用できる環境を構築しました。 技術スタック 成果物 本プロジェクトでは、AI画像認識技術を物流現場で実運用できるシステムとして構築し、以下の成果物を提供しました。 導入効果 業務効率化 ビジネス効果 物流AI画像認識の導入・活用をご検討中の企業様は、ぜひGEM JPNへご相談ください。 GEM JPNは、物流AI画像認識ソリューションの企画・設計・AIモデル開発・モバイルアプリ開発・クラウド構築・運用改善まで一貫してご支援します。物流現場の課題に合わせた最適なソリューションをご提案し、物流DXの実現をサポートします。 👉 公式サイト：https://gem-corp.jp/ プロジェクト総括 物流AI画像認識は、パレットカウントの自動化だけではなく、物流DXを支える重要なテクノロジーです。 本プロジェクトでは、スマートフォンを活用した約1秒でのAI判定を実現し、トラック待機時間を30%削減するとともに、倉庫業務の効率化、監査証跡の自動管理、在庫照合作業の標準化を実現しました。 […]