株式会社KaisinAI
KAISINAI TECH BLOG EXTRA ISSUE — 別冊 生成AI×RPA×スクラッチ開発の実装知見を、現場から。
導入事例 2026.07.10 KaisinAI

【事例解説】1日数百通のメール仕分けを生成AIで自動化 — マッチング業務まで無人化した話

SES・人材紹介の営業現場には、毎日数百通の「人材情報」「案件情報」のメールが届きます。本記事では、この仕分け・転記・照合を生成AIで自動化したプロジェクトについて、採用した構成と設計判断を解説します。

課題:営業時間の大半が「転記」に消えていた

お客様の現場では、届いたメールを担当者が目視で読み、スキル・単価・稼働時期をExcelに転記し、手作業で人材と案件を突き合わせていました。1通あたりは数分でも、数百通が毎日積み重なると営業時間の大半が事務作業に消えます。しかもメールの書式は送信元ごとにバラバラで、従来型のRPA(ルールベースの転記)では対応しきれないのが実情でした。

設計:LLMの「読解」とルールエンジンの「照合」を分離する

構成の要点は、役割の分離です。

  • 読解層(LLM):メール本文・添付からスキル・単価・時期・商流などの構造化データを抽出。表記ゆれ(「即日」「7月〜」「来月上旬」)の正規化もここで吸収
  • 照合層(ルール+スコアリング):抽出済みの構造化データ同士を突き合わせる。1日最大50,000通りの組み合わせを機械的に評価
  • 生成層(LLM):マッチした組み合わせについて、提案文面のドラフトを自動作成

「全部LLMにやらせる」構成にしなかったのは、照合はルールで確実に・高速に処理できる領域であり、LLMを通すとコストと不確実性だけが増えるためです。LLMは非構造データの構造化にだけ使い、確定的に解ける処理は確定的に解く——これは弊社の自動化設計で一貫している原則です。

AI抽出の精度をどう担保したか

抽出精度は「正解データとの突き合わせ」で定量評価し、項目ごとに信頼度スコアを持たせました。スコアが閾値を下回るメールだけ人間の確認キューに回す設計にすることで、100%の自動処理を無理に狙わず、確認作業を例外処理に限定しています。運用開始後は確認キューの発生率をモニタリングし、プロンプトと正規化辞書を継続的に改善しています。

結果:転記作業を100%削減

転記作業は100%削減。営業は「機械が出した候補を確認し、商談に集中する」働き方に変わりました。詳しい導入プロセスは導入事例:人材と案件のマッチング自動化をご覧ください。

CONTACT — FREE CONSULTATION

まずは30分、
聞かせてください。

要件が固まっていなくて構いません。現場の業務をそのまま話していただければ、自動化できる余地と、やらない方がいいことを、その場で率直にお伝えします。