【代理店業務品質に関する基本的な考え方に会員会社が賛同】 当協会では、顧客本位の業務運営の実現に向け、代理店業務品質に関する基本的な考え方に、すべての会員会社（31社）が賛同することを確認しました。詳細は以下をご覧ください。 #信頼回復# #損保協会# #保険代理店# #業務品質# #顧客本位の業務運営# ＃代理店業務品質評価制度

# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 棄権閾値｜Abstention Threshold 🎯 ポイント エージェントが「自信がないときに黙る」仕組み、ちゃんと設計していますか？ 棄権閾値とは、エージェントが「自信がない」と判断して回答を棄権し人間にエスカレーションする信頼度スコアの境界線です。低すぎると誤答がユーザーに届き、高すぎるとエスカレーションだらけで自動化の意味がなくなります。誤答コストの大きさに応じてタスクカテゴリごとに異なる閾値を設定する多段構成が正解です🔑 📋 概要 棄権閾値は、エージェントが回答に自信がないときに人間へのエスカレーションを発動する信頼度スコアの基準値です。閾値が低ければ自動解決率は上がりますが誤答リスクも上がり、高ければ安全ですがエスカレーションが増えて人間の負荷と応答遅延が増大します。「間違った回答を自信満々にする」エージェントは信頼を致命的に損ないます。一方で「何でもかんでも聞いてくる」エージェントは導入の意味がありません。この間のバランスを、業務の誤答コストに基づいて精密に設計するのがこのダイヤルの役割です。 🔍 意思決定のポイント このダイヤルは「誤答した場合のコスト」で決めます。 致命的（不可逆・法的リスク・金銭損害）→ 高い閾値（0.85〜0.95）。返金金額の誤り、契約条件の誤案内、医療・法律相談など。少しでも不確実なら棄権。 中程度（修正可能だが手間がかかる）→ 中程度の閾値（0.70〜0.85）。Jiraチケットの優先度誤判定、Salesforceの商談ステージ誤更新など。 軽微（すぐ修正でき影響が限定的）→ 低い閾値（0.50〜0.70）。FAQ回答候補の表示、Slackでの情報検索結果など。多少の誤りは許容。 一律の閾値は避け、タスクカテゴリごとに異なる閾値を設定する多段構成にしてください⚡ 💡 要点と詳細 棄権閾値を機能させるには、信頼度スコアの設計が重要です。4つの算出方法があります： モデルのlogprob — トークンレベルの確率を集約します。分類タスクでは有効ですが、自由形式の回答では使いにくくなります。 自己評価プロンプト — 「回答の確信度を0〜1で評価せよ」と追加プロンプトで問います。キャリブレーションが必要です。 複数回生成の一致度 — 同じ入力を3〜5回生成し、回答の一致率を信頼度とします。コストはかかりますがロバストです。 検索ヒットの関連度スコア — RAGベースの回答では、検索結果の類似度スコアを信頼度の代理指標にします。 計測すべき指標は、自動解決率（エスカレーションせずに完了した割合）、誤答率（自動回答のうち誤っていた割合、目安として2〜5%以下）、不要棄権率（棄権したが正しく回答できていたケースの割合）、エスカレーション後の解決時間、そして信頼度スコアのキャリブレーション（信頼度0.8の回答の実際の正答率が80%前後か）です📊 ⚖️ トレードオフ 閾値が低すぎると、自動解決率は上がりますが誤答がユーザーに到達します。「間違った回答を自信満々にする」ケースが増え、信頼毀損や実害が発生します。特に金銭・法的リスクが絡む業務では、一度の誤答が取り返しのつかない結果を招きます😰 一方、閾値が高すぎると、エスカレーションが増えすぎて人間がボトルネックになります。ユーザーの待ち時間が増加し、エージェント導入の価値が問われます。期待される自動解決率の目安は、致命的リスクで40〜60%、中程度で60〜80%、軽微で80〜95%です。この数字から大きく外れていれば閾値の見直しが必要です⚠️ 🛠️ ユースケース Zendesk顧客対応：返金・解約に関する回答は閾値0.90で厳格に棄権します。間違った返金額を案内するリスクは取れません。一方、商品情報の案内は閾値0.65で自動回答を優先し、スループットを確保します📚 ServiceNow ITサポート：パスワードリセット手順（定型・低リスク）は閾値0.50で積極的に自動対応。権限変更の承認判断（高リスク）は閾値0.90で、不確実なら即エスカレーションします🎯 Salesforce営業支援：商談の受注確度予測は閾値0.75。データが不十分で信頼度が閾値を下回る場合は「判断を保留します。追加情報をご確認ください」と棄権し、誤った確度予測による営業判断ミスを防ぎます🔧 実践のコツ：初期は高めの閾値（0.85）で開始し、2〜4週間のデータ蓄積後に不要棄権率を分析して0.05刻みで下げてください。誤答率が許容範囲を超えたら即座に閾値を戻すこと。信頼度スコアのキャリブレーションは月次で実施し、モデル更新によるドリフトを補正してください。棄権時には「確認中です、担当者におつなぎします」のように、棄権を透明に伝えるUX設計も忘れずに💪 #AIエージェント# #エンタープライズアーキテクチャ#

郵便配達の女が探偵に顧客の情報を75000円で漏らす　郵便配達の女と探偵を贈収賄の疑いで逮捕 → SNSで複数回、計7万5000円受領 情報提供は約2年2カ月にわたり続いていました。

Y Combinator: 最初の10人の顧客を獲得する方法 ■ ターゲット顧客の本当の生息地 多くの起業家はメール自動化に頼りがちだが、最初の10人の顧客は創業者自身の行動から生まれる。まず、ターゲット顧客が平均的な一日の中でどこに時間を費やしているかを突き止める必要がある。 PCやLinkedInを頻繁に見ない業界もあり、ある創業者はメールを何ヶ月も送るより業界の見本市に直接足を運び、3日間で3ヶ月分以上の成約を得た。メールの件名を微調整する前に、相手が電話や対面、ネット掲示板のどこを好むか理解しなければならない。 ■ 最初の3人は温かいネットワークから 初期の顧客が購買を決めるのは、プロダクトの完成度よりも創業者自身への信頼が理由である。そのため、最初の1〜3人の顧客は、前職の同僚や友人、同級生などの温かいネットワークから獲得すべきだ。次にLinkedInの2次接続を活用し、具体的な紹介依頼を準備して関係をつなぐことでアプローチを広げられる。 さらにHappenstanceなどのAIネットワーク検索ツールを使えば、自然言語で適切な連絡先を即座に抽出可能だ。顧客数が10〜20人に達するまでは自動化ツールを導入せず、既存の人間関係を徹底的に掘り起こすことが最優先となる。 ■ 現場に赴く：対面でのアプローチ 多くの成功した創業者は、オンラインの画面越しではなく、直接現地へ足を運んで初期顧客を獲得している。ある創業者は4週間連続で飛行機で通い、別の創業者はハワイで開始8分で追い出されながらも粘り強い交渉で大口顧客へと育て上げた。 小規模なカンファレンスも有効で、Calendlyで15分刻みの面談枠を隙間なく埋めるプレイブックが威力を発揮する。また、顧客が不満を漏らすRedditやFacebookに毎日2〜5回投稿し直接対話する地道なアプローチも顧客獲得に直結する。 ■ 売り込みをアドバイスの依頼に変換する 初期のアウトバウンドは、売り込みではなく「アドバイスやメンターシップの依頼」として連絡を組み立てるのが最も効果的だ。プロダクト構築前に200人の営業職へLinkedInでインタビューを重ね、50%の承認と20%のアポ率を達成した例もある。 また、弁護士の時給に合わせて1時間100〜200ドルの謝礼を支払い、高確率で商談に繋げたユニークな実例も存在する。相手の知見を学び関係を築くアプローチは、冷たい営業を回避し、将来の購買確度の高い商談パイプラインを築く足がかりとなる。 ■ 人間味のある文面と価値の先行提供 初期のメールはLLM製を疑われないよう75ワード以下に抑え、明確なコール・トゥ・アクションを1つだけ配置する。送信前に声に出して読み上げるだけの簡単なテストで、機械的な表現を排除し人間味のある文章へと磨き上げられる。 また、セキュリティ診断や個別アドバイスといった価値を無償で先行提供してから、対話を求める戦術も極めて強力だ。この泥臭く非効率な手法こそが大企業にない創業者の武器であり、最初の顧客との強力な信頼関係を築く。顧客数が10〜50人に拡大する段階で初めて、ApolloやClayなどのツールを用いて実証済みのメッセージをスケールさせる。

【ガイドライン等を踏まえた会員会社の取組み状況の公表（第4回）】 当協会では「顧客本位の業務運営の徹底」および「健全な競争環境の実現」のために、ガイドライン等の策定・改定を順次行い、会員会社ではそれらを踏まえた取組みを推進しています。今般、実効性ある取組みを後押しするため、2026年5月に第4回となる会員会社の取組み状況のフォローアップを実施しました。詳細は以下をご覧ください。 #信頼回復# #損保協会# #便宜供与# #出向# #政策保有株# #リスクマネジメント# #独占禁止法# #保険金# #ガイドライン# ＃フォローアップ

【オンラインミリオンゴット】 グランドオープン✨ (@MillonGodonline) 本日7月7日 七夕🎋 7777ドル入れた方3名様にVIP顧客会員を招待します🫶 招待コード　【 rAKLCq6tCAmJ 】 VIP顧客はなんと… ①出入金手数料0円✨ ②残金がない場合500ドルまで貸付可 ③月2回は高設定の台を耳打ち🤫 ④運営側にイベントアドバイスあり ⑤3ヶ月間の間、月1回VIP会員様が考えたイベント企画を実施してイベント名もその方の命名権プレゼント🎁 ⑥一緒に有名AV女優さんと打てる❕ ⑦秘密のテレグラムグループに参加✨ 豪華特典が盛りだくさん🤩 公式Xもフォローして遊んでみてね🫶 リンクはリプ欄へ⏬

記事のアイキャッチ画像って、正直そこまで重要じゃない、わけないよな、、、を再確認。。 BtoBの見込み顧客（読者）って、別々のキーワードで3回も4回も同じ会社の記事に来てるんですけど、本人には「同じ会社の記事を読んでる」自覚がないんですよね。 社名なんて覚えてないので。 そこを繋いでるのが画像で、トンマナが揃ってると3回目くらいで「あ、またここだ」ってなる。 逆にフリー素材の写真を貼ってると、何回接触されても記憶に残らない。 アイキャッチって装飾じゃなくて、バラバラの接触を1社への信頼にまとめる接着剤なんだなって思い中。だからちょっとAIでささっと作るにしても、ビジュアルちゃんと考えて統一しないとな。

AIエージェントをエンタープライズシステムに組み込むプラクティス 【二重トラック検証】 💡 LLMの出力を「信じる」のではなく「検証する」。生成と検証を別トラックに分離することで、ハルシネーションを構造的に捕捉します。 🔥 解決する課題 - 事実と異なる情報がそのまま顧客や経営層に伝わる - 存在しない文書・条項・判例が引用される（捏造引用） - LLMが数値計算を誤り、財務レポートや見積もりに反映される - 出典が示されない根拠なき主張が信頼性を毀損する 🏗️ 提案パターン エージェントの「生成」とは独立した決定論的な検証トラックを設けます。数値検証では信頼ソース（DB/API）から再計算しエージェント出力と突合。引用検証では引用が実在すること、引用箇所が主張と一致することをプログラムで照合します。アクション検証ではパラメータをスキーマ＋ビジネスルールで事前チェック。不一致が検出された場合は棄却・再試行・人間エスカレーションのいずれかで対応します。 ✅ 選定条件 - 向き：数値・事実・引用の正確性が重要な業務（財務・法務・分析・サポート） - 不向き：創造的・主観的な出力で検証基準が定義できない領域 ⚠️ 落とし穴 - 検証器自体の精度が低いと偽陽性が多発し、業務フローが詰まる - 事前検証はレイテンシを増やすため、情報提供のみなら事後検証を検討する - 検証対象を「全出力」にすると処理コストが膨大になるため、リスクに応じた対象選定が重要 🛠️ 実装方針 1. 数値検証では、エージェント出力の数値をSalesforce API等の信頼ソースから再計算するPythonスクリプトを用意し、差分を自動突合します 2. 引用検証（grounding）には、RAGのチャンク検索結果と引用箇所の意味的一致をembedding類似度で照合する仕組みを構築します 3. アクション検証では、出力パラメータをJSONスキーマ＋ビジネスルールエンジン（OPA等）で事前バリデーションします 4. 不一致検出時のハンドリングを「棄却→再試行（最大2回）→人間エスカレーション」のフローとしてTemporalワークフローに組み込みます 5. 検証対象はリスクレベルで選別し、財務・法務は全件検証、情報提供はサンプリング検証とする運用ルールを設定します #AIエージェント# #エンタープライズアーキテクチャ#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 handoff時に引き継ぐ履歴が長すぎたり、不要なツール呼び出し履歴が混ざっていませんか？ Input filtersと推奨プロンプトで、引き継ぎ先エージェントに最適な入力を渡しましょう。 📌 タイトル：Handoffs – Input filters / Recommended prompts 🔗 URL： 🧩 概要 Handoff時のinput filterは、引き継ぎ先エージェントに渡す会話履歴を加工する仕組みです。`remove_all_tools`で前のエージェントのツール呼び出し履歴を除去したり、`nest_handoff_history`（beta）で複数handoffの履歴を要約メッセージに圧縮できます。また、`RECOMMENDED_PROMPT_PREFIX`を使うとLLMがhandoffの仕組みを正しく理解できます。 🛠 使い方 `Agent(name="faq", instructions="よくある質問に回答してください。シンプルに回答します。")` と `Agent(name="specialist", instructions="専門的な技術質問に回答してください。")` を定義します。トリアージエージェントは `Agent(name="triage", instructions=RECOMMENDED_PROMPT_PREFIX + "\n顧客の問い合わせを分類し、適切な担当に引き継いでください。", handoffs=[...])` として、FAQへのhandoffには `Handoff(agent=faq_agent, input_filter=handoff_filters.remove_all_tools, handoff_description="一般的なFAQへの回答")` でツール履歴を除去し、専門エージェントへのhandoffには `Handoff(agent=specialist_agent, input_filter=handoff_filters.nest_handoff_history, handoff_description="専門的な技術質問")` で履歴を圧縮します。`RECOMMENDED_PROMPT_PREFIX` は `agents.extensions.handoff_prompt` からインポートします。 🏗 実践的な使い方 **remove_all_toolsでクリーンな引き継ぎ** トリアージエージェントがDB検索やAPI呼び出しなど複数のツールを使った後にFAQエージェントに引き継ぐ場合、ツール呼び出しの履歴はFAQエージェントにとってノイズです。`remove_all_tools`を適用すると、ツール関連のメッセージがすべて除去され、引き継ぎ先エージェントがクリーンな会話履歴だけを受け取れます。トークン消費の削減にもなります。 **nest_handoff_history（beta）で履歴圧縮** A→B→Cと複数回handoffが発生する場合、履歴が膨大になります。`nest_handoff_history`は過去のhandoff履歴を1つの要約メッセージに圧縮し、最新のhandoff先エージェントに渡します。コンテキストウィンドウの効率的な利用に繋がります。 **RECOMMENDED_PROMPT_PREFIXの活用** `prompt_with_handoff_instructions()`または`RECOMMENDED_PROMPT_PREFIX`をエージェントの`instructions`に含めると、LLMがhandoffの仕組み（利用可能なhandoff先、いつhandoffすべきか）を正しく理解します。これがないと、handoffツールを呼ばずに自分で回答しようとする場合があります。 **カスタムフィルタの作成** 組み込みフィルタで足りない場合は、カスタムフィルタを作成できます。例えば「直近5メッセージだけ残す」「機密情報を含むメッセージを除去する」「特定のツール呼び出しだけ残す」など、ユースケースに合わせた加工が可能です。 💡 ユースケース 🧹 トリアージ後のFAQエージェントにツール履歴を渡さずクリーンな入力を提供 📦 多段handoffの履歴を圧縮してトークン消費を最適化 🤖 RECOMMENDED_PROMPT_PREFIXでhandoff判断の精度を向上 🔒 機密情報を含むメッセージを引き継ぎ前にフィルタリング ⚠️ 注意点 - `remove_all_tools`はすべてのツール関連メッセージを除去します。引き継ぎ先エージェントがツールの結果を参照する必要がある場合は使用しないでください。 - `nest_handoff_history`はbeta機能です。圧縮の挙動が将来変更される可能性があります。 - `RECOMMENDED_PROMPT_PREFIX`を使う場合、既存の`instructions`の先頭に追加してください。末尾に追加すると効果が薄れる場合があります。 - カスタムフィルタでメッセージの順序を変えたり、roleを変更したりすると、モデルの挙動が予測不能になります。メッセージの削除と追加に留めてください。 ✨ Input filtersでhandoff時の入力を最適化し、各エージェントが最高のパフォーマンスを発揮できるようにしましょう！ #OpenAIAgentSDK# #AIAgent#

# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # temperature｜Temperature 🎯 ポイント temperatureを「とりあえず0.7」で全ステップ共通にしていませんか？ 実はタスクの性質によって最適値は大きく異なり、1つのエージェント内でもステップごとに切り替えるのが正解です。意図分類は0、ツール選択は0〜0.1、回答生成は0.3〜0.5、アイデア出しは0.7〜1.0。この使い分けが品質と安定性を両立させる鍵です🎛️ 📋 概要 temperatureはLLMの出力の確率分布をどの程度「なます」かを制御するパラメータです。高いほど多様で創造的な出力になり、低いほど再現性が高く決定論的な出力になります。エンタープライズのエージェント設計では、一律の設定ではなく、処理ステップの性質に応じたきめ細かい制御が求められます。「正確さが必要な場所」と「多様性が必要な場所」を明確に区別し、それぞれに適切な値を設定することで、品質の安定と表現の豊かさを同時に実現できます。 🔍 意思決定のポイント このダイヤルは「タスクの性質」で決めます。 事実抽出・分類・判定・コード生成 → 低temperature（0〜0.2）。正確性と再現性が最優先 要約・報告書・顧客対応ドラフト → 中temperature（0.3〜0.7）。安定性と自然さのバランス ブレインストーミング・バリエーション生成・創作 → 高temperature（0.7〜1.0）。多様性重視 重要なポイントとして、temperatureとtop_pを同時に大きく動かすと出力が不安定になります。片方を固定し片方で調整するのが基本です。また、本番とテストで同一のtemperature設定を使ってください。テスト時だけ0にすると、本番で初めて出力のぶれに気づくことになります⚡ 💡 要点と詳細 エージェント内でのステップ別temperature設定の考え方： 意図分類ステップ — temperature=0。ここがぶれると後続の全処理が狂うため、決定論的に分岐させます。 情報検索・ツール選択ステップ — temperature=0〜0.1。正確なツール呼び出しが最優先です。 回答生成ステップ — temperature=0.3〜0.5。自然な文章だが安定した品質を維持します。 提案・アイデア出しステップ — temperature=0.7〜1.0。多様性を重視し、幅広い選択肢を提示します。 計測すべき指標は、出力一貫性（同一入力N回の一致率、分類タスクなら95%以上を目標）、幻覚率（事実と異なる記述の発生頻度）、ユーザー満足度（特に顧客対応の文面品質）、eval成功率の分散（temperatureが高いほどevalがぶれる）です📊 ⚖️ トレードオフ temperatureが高すぎると、出力のばらつきが大きくなり品質の安定性が下がります。幻覚（hallucination）の発生確率も上がる傾向があり、事実に基づく回答が求められるエンタープライズ用途では致命的です。同じ質問に対して毎回違う回答が返ってくるのは、業務システムとしては信頼を損ないます😰 一方、temperatureが低すぎると、表現が画一的になりユーザーに「機械的」と感じさせます。顧客対応の文面が毎回同じテンプレート感だと、パーソナライズされた対応を期待する顧客の満足度は下がります。また最適解以外の選択肢を探索できないため、局所最適に陥りやすくなります⚠️ 🛠️ ユースケース ServiceNow ITヘルプデスク：チケット分類（temperature=0）→ ナレッジ検索（0）→ 回答生成（0.3）の3段構成。分類と検索は正確性最優先、回答だけ自然な文章にする設計です。分類精度が不安定な場合、temperatureではなくプロンプトを改善してください📚 Shopify商品説明生成：商品属性の構造化抽出（0）→ 説明文の複数バリエーション生成（0.8）→ 品質チェック（0）。創造的な部分だけtemperatureを上げ、前後の構造化処理は決定論的に固定します🎯 Slackブレスト支援ボット：全ステップでtemperature=0.9。多様なアイデアを出すことが目的なので、安定性より多様性を全面的に優先します🔧 実践のコツ：まずtemperature=0でevalを作成しベースラインの品質を確認してから、必要に応じて上げてください。分類精度が不安定な場合はtemperatureを動かすのではなくプロンプト改善で対処し、顧客対応の文面が画一的と指摘されたら0.1〜0.2刻みで段階的に上げてください。幻覚率が許容範囲を超えたら、temperatureを下げるか事実検証ステップを挟むのが定石です💪 #AIエージェント# #エンタープライズアーキテクチャ#