【要約】製造業の現場にChatbotを：業務データ×Claude Codeで社内問い合わせを半自動化した話 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
製造業の担当者が、見積進捗や出荷状況などの定型的な問い合わせに追われ、本来の業務が阻害されている。現場では以下のような課題に直面していた。
- ・Slackや口頭での頻繁な質問による、担当者の工数増大。
- ・回答の遅延や確認漏れによる、業務トラブルの発生リスク。
- ・業務知識の属人化による、情報のアクセシビリティ低下。
// Approach
開発者は、LLMに直接回答を生成させず、業務データを「正」として、自然言語への変換に特化させる手法を採用した。具体的な実装ステップは以下の通りである。
- ・Docker Composeを用いた、常駐運用可能な環境の構築。
- ・Slack Boltによる、イベント駆動型の応答生成プロセスの実装。
- ・参照元（SQL/API）を固定し、ハルシネーションを抑制する設計。
- ・Claude Codeを用いた、プロンプトのバージョン管理による品質維持。
// Result
導入から6ヶ月間で、現場の問い合わせ対応における生産性が大幅に向上した。具体的な成果は以下の通りである。
- ・定型質問件数が約35%減少。
- ・回答時間が平均3分から30秒程度へ短縮。
- ・業務知識の共有が進み、問い合わせ対応の属人化が解消。
Senior Engineer Insight
> 本構成の肝は、LLMを「推論エンジン」ではなく「インターフェース」として定義した点にある。製造現場のような正確性が求められる環境では、RAGの設計において「データソースの固定」と「回答不能時のフォールバック」が極めて重要だ。ただし、基幹システムへの直接アクセスはセキュリティリスクを伴う。実戦投入には、API層による厳格な認証管理と、負荷に応じたサーバーレス化への移行が不可欠となる。