Work

AI導入判断と、業務ハーネス実装。

作るのは、AIを現場に押し込む仕組みではありません。働く人、顧客、責任、採算を確認したうえで、AIが本当に役立つ業務へだけ接続します。 VIYV（バイブ）も活用しながら、ブラウザ、DB、データ収集、業界特化処理、人の承認を組み合わせます。

Scope

モデル選定ではなく、正しい導入の実行線を作る。

LLMは中心にありますが、良いAI導入を決めるのは周辺の設計です。どのデータに触れるか、どの画面を操作するか、どこで人が止めるか、どのログを残すか、AIで空いた力をどこへ戻すかまで設計・実装します。

Service map

「作って終わり」ではなく、AI導入の判断、業務分解、接続実装、運用改善までをひとつの流れとして扱います。

本当にAIへ渡すべき業務か確認する

人の判断、AIの処理、既存システム接続を分ける

MCP、ブラウザ、DB、承認、ログを接続する

失敗例、利用ログ、現場の声をもとに調整する

VIYV（バイブ）の viyv-browser を土台に、AIがログイン済みの業務画面を読み、クリックし、入力し、確認画面で止まれる仕組みを作ります。APIがないSaaSや社内ポータルも対象です。

VIYV（バイブ）の viyv-db を土台に、AIが業務DBへ安全に問い合わせる接続層を作ります。スキーマ理解、権限、クエリ制限、監査ログまで含めて設計します。

Web、PDF、ファイル、公開情報を収集し、AIが使える構造に変換します。差分検知、抽出ルール、データ品質チェックも組み込みます。

各業界の現場や管理部門など、領域固有の用語、帳票、判断基準、例外処理を関数化し、AIがその業務の文脈で動けるようにします。

人の確認、承認、差し戻し、通知、実行停止、失敗時の戻し方を入れ、AIの実行を業務フローの中に安全に配置します。

要件定義だけでなく、現場の画面とデータに触れながら小さく作り、使われ方を見て改善する伴走型の実装を行います。

Deliverables

Process

担当者が実際に見ている画面、入力しているデータ、確認している資料を観察します。

ブラウザ、DB、データ収集、業界特化処理、人の承認など、AIに必要な接続へ分けます。

ダミーではなく、限定範囲の実データと実画面を使って、AIがどこまで扱えるかを検証します。

権限、監査ログ、停止条件、承認フロー、エラー処理を加え、現場で扱える状態にします。

利用ログ、失敗例、現場のフィードバックをもとに、ハーネスとプロンプトを改善します。

Contact

使っている画面、DB、帳票、外部情報、承認フローをもとに、 AIをどこにつなぐべきか、どこで人が止めるべきか、そもそも進めるべきかを整理できます。