生成AI活用の型ハンズオン〜顧客課題起点で設計する7つのステップ

ストックマークの社内勉強会で用いたスライドです。テーマは「とりあえずAIで何かやるを卒業し、誰のどんな課題をどう解くかを言語化・実装する」です。スライドのレイアウトと画像はGemini 3 ProとNano Bananaで生成しました。

Transcript

1. 生成AI活用の型 ハンズオン 顧客課題起点で設計する 7つのステップ Stockmark Yushin Nakao 2025/12/12 1 / 18
2. 本日のゴールとアジェンダ  Goal 「とりあえずAIで何かやる」を卒業し、 「誰のどんな課題をどう解くか」を言語化・実 装できる 2 / 18
3. 「実験のための実験」が氾濫していませんか？ 6年経っても、AI活用の成功率は低いまま 2019年 PoCから本格導入はたった4% 出典: SBBIT 2025年 生成AI投資の95%が利益を生んでいない 出典: Diamond Online (MIT Media Lab) 3 / 18
4. 生成AI活用における3つの鉄則 成功の鍵はプロンプト技術ではなく「課題定義」と「正解データ」にある 4 / 18
5. 1. 脱「とりあえずAI」： 入出力の言語化  Bad: 手段の目的化 ・AIで何かできないか？ ・とりあえずプロンプトを書く → 結果：使えないプロトタイプの山 5 / 18
6. 事例：類似記事集約機能の定義の言語化  「類似」＝「同一の企業活動に関する記事」   ユーザーヒアリングを通して定義を検証 Group A (同一活動) Group B (同一活動) Group C (別活動) 6 / 18
7. 2. 脱「プロンプト職人」： 正解データの重要性 プロンプトよりも、 ユーザーが期待する入出力を 代表しているデータが重要  良い評価データなしに改善は不可能  正解データが羅針盤になる 7 / 18
8. 事例：特許調査エージェントの正解データの作成  4. PoCと改善 顧客データで検証し 更なるチューニング  1. 専門家へ依頼 弁理士に約20件の データ作成を依頼   2. 実務基準データ化 特許クレームと 開発テーマの適合判定   3. プロンプト構築 この20件を基準に 初期プロンプトを作成  8 / 18
9. 3. 脱「精度100%」： ビジネス価値での判断 100%の精度は目指さない。 ビジネスリスクとのバランスで決める。 例：特許調査エージェント MVPのAccuracy目標 85% OK 重要特許の見逃し Critical  「誤検知」は許容し、 「見逃し」は防ぐ 9 / 18
10. 全体像：生成AI活用の型 3つの鉄則を実践するための具体的なプロセス   10 / 18
11. 11 / 18 生成AI活用の型ハンズオン: 実践パート 定義・データ・価値最大化のステップをクイックに体験する
12. Step 1: 定義 週報から「リスク」を検知する エージェントを定義してください  Hint  誰の課題？（マネージャー？）  何がリスク？（進捗遅れ？） 12 / 18
13. Step 2: 正解データ（ベンチマーク）作成 週報サンプルを見て、あなたが思う「リスクレベル」を判定してください 13 / 18
14. Step 3: プロンプト作成と試行 Tips  Persona 「あなたはベテランPMです」  Criteria 「進捗遅れは高として扱う」  Output (CoT + JSON) 「根拠を含めてJSONで出力」 AIにリスク判定をさせる プロンプトを書いてみましょう 14 / 18
15. Step 4: 評価と改善  比較 AI出力 vs 正解 完全一致か？   分析 プロンプトの問題？ 定義の曖昧さ？   価値判断 この誤差は 許容できるか？ 15 / 18
16. Discussion: 気づきと発見 ワークを通じて感じた課題や発見を共有しましょう 16 / 18
17. AIエージェント時代、 「何を作るか」を素早く正しく判断する力が問われる  定義ファースト  正解データが資産  ビジネス価値で判断  プロダクト開発のボトルネックは、エンジニアリングからPMの速度へ移行している  — Andrew Ng 17 / 18
18. お薦め書籍 Thank You! 18 / 18