AXAI KNOWLEDGE
AX / FIVE CASE STUDIES

AXのAI活用、
その中身。

何をAIに任せ、どんなデータで判断し、
どうすれば自社の業務に応用できるのか。

自社で構築・運用してきた5つの事例を、業務の流れから解説します。
成果を支えているのは、業務のノウハウ、整理されたデータ、そして運用の設計です。

BUSINESS何を成果にするか
×
DATA判断の材料を持つ
×
OPERATIONS実務で回る形にする

知りたい事例から、どうぞ。

各事例に、仕組み・データ・人の役割・導入条件をまとめました。

まず、ここを共有したい。

実現できる。
ただし、簡単ではない。

AXでも、LINEの仕組みは当時の環境で約6か月、AIKOの社内整備はエンジニアが約2〜3か月をかけて進めています。ツールを入れるだけで同じ成果が出るものではありません。自社の業務を整理し、必要なデータと判断基準を用意することが出発点です。

自社で始めるための条件を見る →

構成・仕組み:石綿文太へのヒアリング(2026年9月8日)。数字は発表時点の公開情報、または集計条件を明記した記録です。画面・会話・DBの例は説明用に再構成しています。

CASE 01 / LINE NURTURING

相手を理解し、
会話を続ける。

決まった配信と、一人ひとりへの返信。
その両方を、顧客データと過去の成約事例で支えます。

目的サービスへの送客・成約
稼働基盤GCP上の自社LINEスタンド
返信モデルGPT-4.1 nano
BUSINESS FLOW

ゴールは、会話の先にある。

広告から記事LPを経由してLINEへ。特典やアンケートを入口に、相手に合った記事と普段の会話で関係をつくり、クライアントのサービスにつなげます。

01

広告・記事LP

関心のあるテーマで
LINE登録へ誘導

02

特典・アンケート

登録直後の接点と
初期情報をつくる

03

記事を配信

タグや反応に合わせ
ステップを分岐

04

会話を続ける

感想や悩みに
個別に返信

05

送客・成約

適したサービスを紹介
成約に応じて報酬

人がしていた仕事

一人ひとりの状況に合わせ、担当者が継続的に連絡を返していました。自動化の対象は、この個別対応とステップ配信です。

関係を育てる設計

単純接触回数と成約率の関係を運用上把握していたため、会話の往復回数も記録。配信本数だけでなく、相手の反応を見ながら接点を続けます。

接触回数と成約率の関係はAXの運用上の知見です。「何回送れば成約する」という普遍的なルールや、因果効果の検証結果を示すものではありません。

DATABASE DESIGN

「何を判断したいか」から、
保存する情報を決める。

顧客の連絡先だけでは、次の一手を決められません。成約につながる要因になりそうな情報を、相手の状態と行動の履歴として蓄積します。

保存する情報と、それを使う判断
情報のまとまり持つ情報の例何に使うか
顧客・タグ属性、興味、目的、悩み、ステータス配信を分岐し、参考にする成約事例を絞る
会話履歴メッセージ、日時、送受信、往復回数話の文脈を引き継ぎ、接点を把握する
記事への反応配信した記事、リンククリック、反応どの内容に関心がありそうかを判断する
シナリオの進行現在のステップ、配信済みの内容、分岐次の記事・話題を決め、順序を調整する
返信する時間帯返事が来た時間、やり取りが多い時間帯相手が返信しやすい時間に送る
成約した会話の事例顧客条件、やり取り、成約結果、メッセージのベクトル条件で絞ったあと、意味の近い事例を探す
共通の軸1人の顧客同じ人の情報をつなぐ
いまの状態タグ・進行ステップ・ステータス
これまでの行動会話・クリック・返信時刻・接触回数
参考にする過去事例似た条件で成約した会話を検索

図は説明用の論理設計です。実システムのテーブル名・DDL・DB製品を再現したものではありません。商品情報・FAQは、ヒアリングでは主にインストラクションとして整理していたと説明されています。

クリックは「読んだ可能性」を見る手がかり。

クリックした事実と、記事を理解したかどうかは別です。行動の事実を残し、その解釈をタグや返信に使う、という関係で説明します。

RETRIEVAL → GENERATION

いきなりAIに聞かず、
まず参考にする会話を選ぶ。

タグで条件を絞る検索と、文章の意味を比べるベクトル検索を組み合わせます。選んだ事例を、返信を作るときの参考例として渡す仕組みです。

01 / FILTER

条件を絞る

相手のタグをもとに
成約済み事例へクエリ

02 / SEARCH

似た会話を探す

絞った範囲に対し
ベクトル検索を実行

03 / CONTEXT

参考例を渡す

高スコアの会話と
商品情報・FAQを用意

04 / GENERATE

返信を作る

GPT-4.1 nanoで
今の相手に合わせる

EXPLAINER

相手が変わると、参照する事例も変わる。

架空データの説明デモ
受信したメッセージ

興味はあるのですが、費用の面で迷っています。

この人について持っている情報

学習を検討費用に不安紹介前
会話の往復 6回記事への反応 クリックあり

属性・件数・文面はすべて架空です。

参照する事例の選び方
  1. 同じ条件の成約事例を抽出

    学習を検討し、費用に不安があった人の事例に絞る。

  2. 意味の近い会話を探す

    料金の不安を整理してから、検討を進めた会話を参考にする。

  3. 参考例から返信を生成

    不安を受け止め、何が気がかりなのか確認する。料金・条件の説明には商品情報を使う。

通常の返信生成へ

このデモは説明用の固定表示です。AI・実DBへの接続やメッセージ送信は行いません。

RAGとは

回答する前に、必要な情報を検索してAIに渡す方法です。この事例では過去のやり取りを参考例として使います。モデル自体を再学習するファインチューニングと同じ意味ではありません。

検索スコアの意味

検索でどれくらい似た事例が見つかったかの目安です。返信の正しさや成約確率を、そのまま保証する数値ではありません。

DELIVERY & EXCEPTIONS

送る内容だけでなく、
送るタイミングも設計する。

決めておく骨格

  • ステップ配信の大まかなロードマップ
  • タグに応じたシナリオの分岐
  • 配信する記事・紹介先の基本方針
  • 朝・昼・晩を基本に、1日最大3回のやり取り

相手に合わせて変える部分

  • 個別の返信文と話題
  • 状況に応じた記事の順番
  • 返信後、一定の間を置くための時間調整
  • その人の返信が多い時間帯への送信

当時の運用設計です。「常に7日で完結」「すべて即時返信」という説明にはしていません。

検索結果十分に近い事例がある

参考例を使い、通常の返信処理へ。

例外通知検索スコアが基準に届かない

判断に迷うケースを人へ通知。確認・修正して解消する。

改善へ戻す解消した内容を次に活かす

参考情報や運用の改善につなげる。全件を人が処理する体制から、例外を見守る体制へ。

例外を人が見守る「Human-on-the-loop」の運用。すべての例外で送信を自動停止するか、何をどの方法で学習・更新するかの実装詳細は本資料では特定していません。導入時には通知後の担当・対応方法まで決めます。

MANAGEMENT CONSOLE

管理画面で、何を見ているのか。

提供されたLINE Standの画面をもとに、管理する情報の役割を再構成しました。

なぜ内製したのか

当時使いたかった配信ツールの費用が高く、求めるAI返信機能もなかったためです。自社の業務に合わせたLINEスタンドを、GCP上に構築しました。

LINE Stand説明用サンプル / 架空の表示
ダッシュボード読者分析チャットメッセージ設定AI設定
読者を検索 タグ:学習検討 ⌄
読者タグ進行往復
読者A費用に不安紹介前6回
読者B時間に不安記事配信中3回
読者C比較検討個別相談9回

顧客の状態と、次の対応を同じ場所から確認する。

画面確認・設定すること
ダッシュボード友だち追加、CPA、費用、売上、利益、LTVなど
チャット・読者分析会話、タグ、ステータス、シナリオ、返信数
メッセージ・アンケートテンプレート、配信日、条件、タグ付与、分岐
AI設定自動応答の切替、通知対象、除外ステータスなど

画面で確認できる機能を整理しています。撮影時の読み込み中表示や0件表示は実績値として使っていません。氏名・顔写真・顧客ID・会話本文・接続情報は掲載していません。

公開済みの実績 / 2025年11月
1.5万件 / 月

問い合わせ対応の自動化

1,200時間 / 月

従来の対応工数に相当

約3万円 / 月

当時の発表で示された費用

AXのプレスリリースに掲載された当時の事例値です。現在の全費用や、他社導入時の見積もりではありません。例外確認・保守まで不要になる意味ではありません。出典を見る ↗

応用するなら:まず成約までの業務を整理し、過去の会話と結果を結びつける。データがなければ、人の対応を記録するところから始めます。

次の事例:AIKO →
CASE 02 / INTERNAL AGENT

Slackから頼む。
社内で使える形に育てる。

AIKOは、Slackで仕事を受ける社内エージェント。
裏側の基盤にHermes Agentを使っています。

入口Slack
エージェント基盤Hermes Agent
社内整備の期間エンジニアが約2〜3か月
HOW IT WORKS

教えた仕事を、道具を使って進める。

依頼を理解し、必要な情報を読み、接続したツールを使って作業し、結果を返す。どんな仕事を任せられるかは、業務の教え方とデータ・ツールへの接続で決まります。

01

Slackで依頼

目的と必要な成果を
言葉で伝える

02

情報を参照

許可された社内情報と
業務のルールを読む

03

ツールで作業

必要な処理を進め
結果を確認する

04

結果・確認を返す

完了した内容や
人が判断する点を返す

「AIKOを入れれば何でもできる」とは説明しません。

Hermes Agentは土台です。AXで動いているAIKOには、社内のDB・業務手順・権限を合わせるための作り込みがあります。上の図は、その役割を理解するための概念図です。

THE HARD PART

難しいのは、DBとガバナンス。

便利な入口を作るだけなら、社内で安心して使える状態には届きません。「誰が、何を読めて、どこまで実行できるか」を整える必要があります。

01 / DATA

業務に合ったデータの設計

  • どの情報を正本として参照するか
  • 顧客・案件・担当・タスクをどう結ぶか
  • 古い情報や重複をどう扱うか
  • 作業結果や履歴をどこへ残すか
02 / GOVERNANCE

権限を業務の中まで通す

  • 依頼者が参照できるデータか
  • ツールの実行権限はどこまでか
  • 外部送信や重要な更新を誰が承認するか
  • 問題が起きたときに止めて追跡できるか
依頼者→読める情報→実行できる操作→返してよい内容

導入時に検討すべき観点を整理したものです。AIKOの実装済み権限マトリクスを公開したものではありません。

CAMP / BUILD

社内に本格導入するなら、
個別開発として考える。

AXでも、エンジニアが数か月かけて社内で使えるレベルへ整備しています。組織を横断する権限・DB・ガバナンスまで含める場合は、BUILDへの相談を推奨します。CAMPでは、業務整理や範囲を絞った試作から検討します。

CAMPの契約内でAIKO一式を完成させることや、特定のエンジニアの個別対応を約束するものではありません。必要な範囲を先に整理します。

応用するなら:最初は1つの部署・1つの業務・限定した情報から。便利さと同時に、参照範囲と実行権限を設計します。

次の事例:広告自動化 →
CASE 03 / SEARCH AD OPERATIONS

訴求を決める。
運用の判断を仕組みにする。

人が方向性と最初の立ち上げを担い、
その後のリスティング広告運用をAIに任せた事例です。

主な対象リスティング広告
人が担う起点訴求の方向性・初期立ち上げ
判断の土台過去の運用履歴とロジック
HUMAN → AUTOMATION

最初の0→1を、人がつくる。

売れる訴求や事業の前提まで、AIがゼロから保証してくれるわけではありません。人が初期の方向性を定め、運用履歴をもとに判断ロジックを組みました。

HUMAN

訴求・商材・目標を定める

最初のキャンペーンを立ち上げる

RESEARCH

調査・制作

キーワード調査
広告文作成

LAUNCH

入稿

キャンペーン構成
広告の登録

OPERATE

日々の調整

予算・入札・停止
運用ロジックを適用

REVIEW

分析・レポート

数値を集めて評価
次の調整へ戻す

図はヒアリングで「ほぼ自動化していた」と確認した工程の整理です。媒体ごとの現行稼働、操作単位の承認条件、予算上限の実設定を監査したものではありません。

なぜ自社で成立したのか

過去の運用履歴があり、何を見てどう調整するかというノウハウを持っていました。その履歴を分析し、運用のロジックに落とし込めたことが大きな条件です。

なぜリスティングだったのか

当時の環境では、リスティング広告が自動化しやすい対象でした。この事例を、そのままあらゆる媒体やクリエイティブ運用へ広げて説明しません。

DATA → DECISION

「AIに任せる」の中身を分解する。

判断に必要な情報導入時に決めること
商材・訴求・目標何を成果にし、どんな条件なら配信してよいか
媒体の実績データ費用・獲得・CPAなど、どの単位・期間で評価するか
過去の調整と結果人がしていた判断を、再利用できるルールにする
変更履歴と例外何を変えたか、想定外のとき誰が確認するか

この表は、事例から整理した導入設計の観点です。AXの実DBスキーマではありません。

本人の公開記事 / 2025年5月
1,097 → 2,808

一部案件の月間リスト獲得数

約80%

広告運用・レポート等の10人分の仕事をAIが担当、と記載

一部案件・当時の自己申告事例です。広告費や媒体環境などを揃えた比較試験ではなく、AI単独の因果効果を示す数値ではありません。出典を見る ↗

応用するなら:まず運用履歴と判断基準を整える。実績がない状態で自動変更を広げず、集計・提案・限定した操作から範囲を定めます。

次の事例:記事制作 →
CASE 04 / CONTENT PRODUCTION

書くだけで終わらず、
品質を満たすまで直す。

SEO記事も、広告用の記事LPも。
調査から公開までをつなぎ、品質評価を工程の中心に置きます。

対象SEO記事・記事LP
中核の仕組み評価スコアと修正ループ
実行基盤GCPで動かす構成など
QUALITY LOOP

生成 → 評価 → 修正を、工程にする。

リサーチも含め、基本的にAIが制作工程を進めます。特にファクトチェックと品質管理に処理を割き、設定したスコアに達しなければ修正を繰り返す設計です。

01

調査・構成

テーマと必要な情報を整理

02

記事を生成

商品・社内情報を参照

03

品質を評価

事実確認・基準に沿って採点

04

公開工程へ

基準を満たした原稿を進める

基準に届かない → 不足箇所を修正 → もう一度評価

あらかじめ渡す情報

  • 参考にする情報源
  • 商品・サービスの知識
  • 必要な社内情報
  • 記事で守る品質基準

自社へ応用するときの要点

  • 良い記事の条件を言語化する
  • 事実と推測を分け、出典を残す
  • 採点だけでなく、修正内容を具体化する
  • 修正が収束しない場合の扱いを決める
スコアが高いことと、正しいことは同じではありません。

評価の基準と参照情報が誤っていれば、誤った記事を高く評価する可能性があります。自社の業務知識を持つ人が、評価基準と検証方法を設計する必要があります。

正確な採点項目・重み・合格点・最大ループ回数は未確認のため、数値を補っていません。公開後の自動リライトまで実施しているとは説明していません。

LIVE EXAMPLES

実際の記事で、成果物を見る。

リンク先は制作物・導線の例です。本文中の個別の体験談や効果を本資料で検証・保証するものではありません。

公開済みの実績
200本以上 / 月

2024年に構築した記事制作体制

5人分

本人記事に記載されたライター業務の自動化

月200本以上は公式サイトの沿革、5人分は2025年5月の本人記事に記載。現在の毎月の制作実績や品質合格率を示すものではありません。

応用するなら:最初に「公開できる品質」を決める。生成プロンプトだけでなく、評価・修正・公開判断を一連の工程として組みます。

次の事例:XのDM →
CASE 05 / RECRUITING OUTREACH

採用候補との接点を、
次の会話へつなげる。

Xでの採用DM施策。候補者の整理・個別連絡・返信後の対応を、
管理DBと結びつけて扱います。

実施した用途採用候補へのDM
構築期間の目安当時は1週間未満
進捗の管理先Notionの採用リード管理
WORKFLOW

送って終わりにしない。

過去の運用依頼には、候補者のリストアップ、Notionへの登録、X APIでのDM送信、返信検知、Slack通知、返信案の作成、人の確認後の返信という流れが記録されています。

01

候補を整理

公開プロフィール等を確認
重複と対象条件を整理

02

連絡を記録

DMの対象・内容を管理
送信結果をDBへ

03

返信を拾う

新着を確認し通知
返信案を用意

04

人が確認

返信内容を確認して送信
面談など次の対応へ

2026年7月の運用依頼に基づく設計の説明です。その全工程が現在も安定稼働していると確認したものではありません。実施記録と、運用設計・自動化の稼働状態は区別します。

DBで管理すること目的
候補者・X URL・対象条件同じ候補への重複対応を避け、確認対象を明確にする
送信可否・送信日・送信結果実際に連絡できたかを記録する
返信日・ステータス・次の対応連絡後の見落としを防ぐ
面談・見送り・採用返信数と採用成果を混同せず、後工程を追う
管理DBの確認値 / 2026年9月8日時点
69件

DM送信日が記録された対象

10件

定義した返信ステータスの対象

5件

現在「面談設定」の対象

送信日記録の範囲:2026年6月18日〜7月23日。送信日がある69件を母数として集計。返信10件は「返信あり」2件・「お見送り」3件・「面談設定」5件の合計で、「お断り」は含めません。単純な全返信数とは異なります。

面談後にステータスが変わるため、5件は累計面談数ではありません。応募数・採用数・DM施策単独の効果はこの集計では確定していません。個人を特定する情報は掲載していません。

CLEAR EXPECTATIONS

SNSについて、説明を揃える。

「Xの投稿も全自動ですか?」

この自社事例で扱っているのは採用DMです。投稿・返信・フォロワー獲得を含むXアカウント全体の自動運用を、自社の実施実績として案内しません。

「Instagramでもできますか?」

目的と対象のアカウントを確認し、その媒体の現行API・権限・送信条件で実現範囲を調べます。Xで実施したことだけを根拠に、他SNSでも同じようにできるとは約束しません。

応用するなら:候補者選び・送信・返信後の対応を分けて設計する。媒体仕様の確認と、実務で対応を引き継ぐ人の準備が必要です。

自社で始めるには →
PUT IT INTO PRACTICE

自社で始めるなら、
業務の整理から。

同じツールを入れることよりも、
何を任せるか、何を根拠に判断するかを決める。

先に用意したい、3つのもの。

01

整理された業務

入力、判断、出力、例外を説明できること。誰が何を見て決めているのかを言葉にします。

02

使えるデータ

過去の対応と結果、商品情報、運用履歴など。件数だけでなく、使える形になっているかを確認します。

03

判断できる担当者

業務の良し悪しを判断する人。権限やシステム連携が絡む場合は、エンジニアも必要です。

ノウハウがない業務を、そのまま自動化しない。

何が正しい対応か分からなければ、AIの出力も評価できません。まず人が良い対応の型をつくり、その判断をデータとルールに落とし込みます。

SUPPORT SCOPE

CAMPで進めること。
BUILDへ相談すること。

使うツール名だけで線を引かず、必要な開発・データ・権限の複雑さで判断します。以下は相談時の判断目安です。

事例CAMPで検討する入口BUILDを相談する範囲
LINE業務・シナリオ整理、FAQ整備、匿名データで返信案を試す顧客DB・RAG・LINE送信・例外対応をつなぐ本番運用
AIKO単一業務を限定した情報・権限で試す組織横断のDB、利用者別権限、社内ガバナンスの実装
広告実績整理、判断基準の言語化、分析・提案の試作媒体連携、予算・入札変更、停止・履歴管理の仕組み
記事情報整理、生成・評価・修正の型づくり大量生成、品質評価、CMS公開までの継続運用
XのDM候補の整理・返信案・管理方法を検討媒体APIとDB、送信・承認・通知の継続運用

契約上の提供範囲や納期を確約する表ではありません。顧客の希望、社内体制、データの状態を確認して支援範囲を決めます。AIKOの本格導入は、本人ヒアリングでもBUILDへの相談を推奨しています。

TIME & COST

実装期間と、稼働費を分ける。

事例AXでの構築経験読み方
LINEナーチャリング約6か月約2年前の開発環境での経験。現在の標準納期ではない
AIKOエンジニアが約2〜3か月社内で使える状態までの整備。権限・DBの作り込みを含む
XのDM1週間未満当時の構築経験。媒体審査・運用定着までの保証ではない
広告・記事この資料では期間を特定していない数字を類推せず、対象工程と連携範囲から個別に見積もる
開発・初期整備+AI・API・DB等の稼働費+人の確認・保守

ツールの契約内で扱える作業も、用途に合わせてAPIを使う作業もあります。LINEの公開事例には月約3万円という費用が出ていますが、全事例・全利用量の一律料金としては扱いません。

相談を始める前に、ここまで整理する。

  1. 業務と成果

    何の仕事を、どこまで任せたいか。良い結果をどう判断するか。

  2. 情報と権限

    何のデータを使い、誰が読めて、何を実行してよいか。

  3. 例外と運用

    うまくいかないとき、誰が確認して引き継ぐか。

  4. 小さく試す範囲

    まず1つの業務・限られた対象で試し、成果と問題を確かめる。

共通する考え方:AIに業務を教えるためには、人が業務を理解している必要があります。設計と改善を積み重ねることで、実務で使える仕組みになります。

質問への回答例を見る →
ANSWERS YOU CAN USE

よく聞かれることに、
同じ説明で答える。

顧客との会話で使える回答例です。
相手の業務や希望を聞きながら、支援範囲を具体化してください。

LINEナーチャリングは、どういう仕組みですか?

LINE登録後のステップ配信と個別の返信を組み合わせています。顧客のタグ・会話・クリックなどを蓄積し、その人に近い条件の成約事例を検索して、返信の参考例としてAIに渡します。検索で近い事例が見つからないケースは人に通知し、対応を改善しています。

詳細を見る →
一般的なステップ配信と、何が違いますか?

あらかじめ組んだ配信の骨格に、相手の反応に合わせた個別会話を重ねている点です。タグに応じて分岐し、記事の順番や返信文、送る時間帯も相手に合わせます。決められた文章を順番に送るだけではありません。

返信の仕組みを見る →
DBは、どんな考え方で作ればよいですか?

何を判断したいかから逆算します。LINEなら、次にどの記事を送るか、どの成約事例を参考にするか、いつ返すかを決めるために、タグ・会話履歴・クリック・配信状況・返信時刻などを持ちます。自社の成約要因や業務の判断基準に合わせて設計する必要があります。

DB設計を見る →
中身や顧客データを、そのまま見せてもらえますか?

実際の管理画面には顧客・個人情報や接続情報が含まれるため、そのままの共有はできません。この資料では、仕組みと設計の考え方を、架空のデータや簡略化した構成図で説明しています。実データや個別の詳細を扱う場合は、共有範囲を確認します。

画面の見方を見る →
AIKOはCAMPの中で作れますか?

業務の整理や、範囲を絞った試作から検討できます。ただし、AXのAIKOと同じように組織全体で使うには、DBと利用者ごとの権限、ガバナンスの作り込みが必要です。AXでもエンジニアが数か月をかけて整備しているため、本格的な社内導入はBUILDへの相談を推奨しています。

AIKOの詳細を見る →
広告は、最初から全部AIに任せられますか?

AXでは、人が訴求の方向性を決め、最初の立ち上げをしたうえで、その後のリスティング広告運用をAIに任せていました。過去の運用履歴と判断ロジックがあったことが成立条件です。別の媒体や実績のない商材では、そのまま同じ運用を約束せず、前提を確認します。

広告の詳細を見る →
記事の品質は、どう保っていますか?

生成した記事を評価し、設定した品質スコアに届かなければ修正を繰り返す工程を組んでいます。リサーチや商品・社内情報の参照、ファクトチェックが重要です。スコアだけで正しさが保証されるわけではないので、業務を理解した人が評価基準を作る必要があります。

品質評価の流れを見る →
Xアカウントの運用を、全部自動化していますか?

この自社事例で実施しているのは、採用候補へのDM施策です。Xの投稿、返信、フォロワー獲得を含むアカウント全体の自動運用とは分けてご説明しています。採用DMでは、送信後の返信や面談につながったかも管理しています。

XのDMの詳細を見る →
Instagramなど、別のSNSでもできますか?

まず、どの相手に何を送りたいかを伺い、その媒体の現行API・権限・送信条件で実現範囲を確認します。Xでの実施経験だけで、他SNSでも同じようにできるとはお約束できません。候補者整理や文章案の作成など、工程ごとに検討します。

説明の範囲を見る →
いくらで、どれくらいの期間で作れますか?

AXの経験では、当時の環境でLINEは約6か月、AIKOの社内整備はエンジニアが約2〜3か月、XのDMは1週間未満でした。どれも標準納期ではありません。開発・初期整備、AIやDBの稼働費、人の確認・保守を分け、業務と連携範囲を確認してお見積もりします。

期間と費用の考え方を見る →
エンジニアがいなくても、同じものを作れますか?

業務整理や限定した試作から始めることはできます。ただし、実際の顧客情報・外部送信・複数サービス連携・組織の権限管理が絡む構成では、エンジニアリングが必要です。簡単にできると約束するのではなく、必要な体制を整理して進めます。

導入条件を見る →
EVIDENCE & SCOPE

数字には、
対象と時点を添える。

事例ごとの実績と、全社の効果を区別。
同じ数字を複数の成果として足し合わせません。

対象掲載する数字根拠・時点読み方
LINE / IS月1.5万件の対応、月1,200時間相当、費用約3万円AXのプレスリリース ↗
2025年11月20日
問い合わせ対応の件数。1.5万人の顧客数や、全社の工数とは異なる
LINE / IS月2,500件のインサイドセールスAXのセミナー発表 ↗
2025年11月13日
原文の指標名で扱う。対応1.5万件と加算・同一視しない
広告一部案件の月間リスト1,097→2,808、10人分の運用等の約80%石綿文太の公開記事 ↗
2025年5月8日公開
当時の一部案件・業務範囲の自己申告。因果効果の比較試験ではない
記事月200本以上の制作体制AX公式サイトの沿革 ↗
2024年の項目
構築した制作体制。現在の毎月の実績ではない
記事ライター5人分の仕事石綿文太の公開記事 ↗
2025年5月8日公開
当時の業務量についての記載
XのDM送信日記録69件、定義した返信10件、現在の面談設定5件社内のX DM採用リード管理DB
2026年9月8日集計
送信日6月18日〜7月23日の記録。現在のステータスであり、累計面談・採用成果を示さない
全社・広告代理部門年間47,000時間、26名→1名AXのセミナー発表 ↗
2025年11月13日
複数業務を含む全体の説明。LINE・広告・記事それぞれの成果に重複計上しない

この資料の情報源。

01

本人へのヒアリング

2026年9月8日。LINEのDB・検索・返信・例外運用、AIKOの構成とガバナンス、広告・記事の工程、各構築期間を整理。

02

実際の管理画面

同日提供のLINE Standの6画面。画面の役割を把握するために使用し、共有用は架空の表示で再構成。

03

公開資料と管理記録

上表の一次発信、本人提供の記事LP、社内のX DM管理DB・過去の運用依頼を参照。

事実・設計例・現在の稼働を区別しています。

構成図とDBの表は、ヒアリングを読みやすく整理したものです。実コード、現行設定、請求明細、全件の送受信ログを監査した資料ではありません。未確認の実装や費用を、推測で埋めていません。

商談・研修では、各事例の成果だけでなく、成立した前提と人が担う作業も合わせて伝えてください。

事例一覧へ戻る ↑