AI TABLE

AIエージェント時代の業務設計、データ設計とは

大事なのは現場体験（仮）

セッションの内容は、決まり次第このページでお知らせします。

みんなが同じAIを使えば、会社は同じになる

効率化の先の差別化と「人間中心のAI」

誰もが同じAIを使えば、企業は同質化していきます。人間中心のAIを掲げてきた森氏と、効率化の次に何で差をつけるのか、生活者の視点から事業と顧客体験をどうつくり直すのかを議論します。

• AIによる「同質化」とは何か
• 効率化と差別化を分けて考える理由
• 生活者に寄り添う「共創」としてのAI

最初の1業務はこう選ぶ

7万人の製造業が、内製AIを「泥臭く」根付かせるまで

何から始めればよいか分からない――AI導入の最初の壁です。グローバルで全社のデジタル推進を担ってきた内海氏と、最初に選んだ業務、現場が使い始めるまでの地道な取り組み、次の業務への広げ方をたどります。

• 最初の入口に選んだ業務と、その理由
• 研修とアンバサダーで現場に根付かせたプロセス
• 内製を選んだ判断と、その後

3人の非公認チームから全社へ

「実績がなければ誰も納得しない」から始めたAI推進

社内で味方がいない――AI推進の担当者が最初にぶつかる壁です。有志3人の非公認チームから全社のDX・AI活用へ広げてきた太古氏と、仲間を増やし、テーマを集め、事例をつくる最初の一歩を掘り下げます。

• 3人で始めたとき、最初にやったこと
• 「仲間・テーマ・事例」の回し方
• 強制ではなく「共感」で人を動かすコツ

既存システムとつなぐ

AIエージェント時代のアーキテクチャーで、つまずく所と外し方

AIエージェントを実業務で動かそうとすると、最後に立ちはだかるのは既存システムとデータです。連携でつまずきやすい箇所、方式の選び方、小さくつないで広げる進め方を整理します。

• 既存システムにつなぐとき、よくつまずく所
• 出力の不安定さや情報量の制約への向き合い方
• 技術検証より先に「業務で使えるか」を考える

ナレッジを生むのは「問い」

属人化した判断基準を、組織の資産に変える

AIが答えを出す時代だからこそ、組織に残すべきは人の「問い」と「判断基準」です。個人の暗黙知やノウハウを、組織で更新し続けられる形に変える方法を議論します。

• ナレッジが共有されない本当の理由
• 暗黙知を形式知にする「問い」の立て方
• ベテランの判断基準をAIで引き継ぐ

AI駆動経営とは何か

全社にClaude Codeを広げて見えた景色

セッションの内容は、決まり次第このページでお知らせします。

戦略と基盤で、AIをサンドイッチにする

経営に直接貢献するDX戦略と、変革を支えるデータ・人材

現場でAIを作れる人が増えるほど、品質・権限・データはばらばらになりがちです。全社のデジタル戦略を率いる中林氏と、現場の自走と全社の統制を両立させる仕組みを議論します。

• 全社普及と領域別活用の「2軸」の進め方
• 非IT社員をAI開発者に育てた方法
• 放任にしないための役割分担と仕組み

AI活用を「番付」にする

事業責任者が成果に責任を持つ、効果の見える化

AI活用の効果を、時間削減の数字だけで説明していませんか。全社のAIオペレーションを率いる上野氏と、事業部ごとのAI活用度を見える化して事業責任者が自ら成果に責任を持つ仕組みと、全社を巻き込む設計を議論します。

• AI活用度を何で測り、どう見せているか
• 目標に対して、うまくいかなかったこと
• 全社を巻き込む「お祭り」のしかけ

経営の仕事こそ、AI前提で作り直す

COOが自分の業務で実践したAIドリブン経営

ツールを先に入れても、業務そのものが変わらなければ成果は出ません。調査・資料作成・レビューといった経営の仕事をAI前提で組み替えた実例から、業務を棚卸しして作り直す実務を語ります。

• 自分の業務をどう棚卸しし、何をAIに任せたか
• レビューの観点を仕組みにした方法
• 業務を直さずにAIを入れて失敗した例

PoC止まりを越える「学ぶ組織」

2週間で価値が消える技術と、どう付き合うか

試行はうまくいったのに、本格導入に進まない――多くの企業が止まる壁です。CCoEを立ち上げ、生成AIラボで多数のユースケースを集めてきた和田氏と、組織が学び続けるためのしかけを議論します。

• 「価値は技術ではなくユースケースにある」
• CCoEを“コミュニティの中心”にした理由
• PoCを本番に進めるために変えたこと

AIで“組織OS”を書き換える

パナソニックが挑む、人と組織の変革（仮）

セッションの内容は、決まり次第このページでお知らせします。

AIエージェントは万能ではない

どこまで任せ、どこから人が担うか

AIエージェントの実装が進むほど、「どこまで任せてよいか」の判断が問われます。任せる業務・任せない業務の線引き、正確性とガバナンスの考え方、熟練者の知恵をAIに渡す方法を議論します。

• 「エージェントは万能ではない」と考える理由
• 正確性と信頼性を担保する仕組み
• 熟練者の知恵をAIに渡す難しさ

リーダーの判断基準をAIにする

「AIオールイン」の会社で、担い手をどう厚くしたか

AI活用を続けるには、推進者の次の世代をどう育てるかが鍵になります。リーダーの判断基準をAIで共有してメンバーが自ら決められる組織づくりや、「AIを使える状態」を言葉にして評価する方法を議論します。

• 「AIオールイン」で現場と経営に起きたこと
• 判断基準をAI化して、意思決定がどう変わったか
• 「AIを使える状態」の定義と加点型の評価

ルールと教育はセットで

1万人が「迷わず始める」ための仕組み

何を入力してよいか分からない、何から始めればよいか分からない――そんな不安が、AI活用を止めます。使うためのルールと、それを根付かせる教育や情報発信の設計を語ります。

• ルールで決めたこと・決めなかったこと
• レベル別に学べる教育プログラムの設計
• 義務化と草の根、2つの推進の両立

AIに任せる範囲と、人が考える範囲

データに追われるマーケターからの脱却

ツールを入れても、データ集計や資料作成に追われる日々は変わらない――多くのマーケティング部門の悩みです。AIを機能させる土台づくりと、AIに任せる範囲・人が考える範囲の線引きを議論します。

• AIを機能させる「土台」とは何か
• AIに任せた作業と、人が必ず確認する作業
• 「思考し、創造する」時間の取り戻し方