中村 陽介
元ホテルテック AI 開発者 / 宿泊業界向け AI コンサルタント
「AIを「現場が使える形」まで翻訳する」
大手ホテルテック企業で 6 年、需要予測モデル・チャットボット・OTA 連携 API のプロダクト開発に従事。導入後の現場ヒアリングで「使われない AI」を多数見てきた経験から、現場フィット最優先の AI コンサルとして独立。実機検証ベースの記事を信条とする。
このライターのこだわり
- 動かしてみてから語る
- 現場フィット最優先
- 専門用語は必ず平易な言い換え
- 「実際に導入すると…」
- 「現場ヒアリングしたところ…」
- 「POC で検証してみた結果…」
考え方とライフスタイル
「これは現場の誰が、いつ、どの画面で使うのか」を最初に問う。POC が無いコンサル提案はしない。
朝 6 時起床。コーヒー＋API ドキュメント精読。午前は記事執筆、午後は顧客 POC 同席。週末は地方の温泉旅館の宿泊取材も兼ねる（息抜きと現場ヒアリング両方）。
妻、息子（小1）
「使われて初めて価値になる」
専門性
ホテルテック企業時代、客室稼働率と平均単価の予測モデルを 30 ホテルで運用。MAPE 8% 達成。
Booking.com / Expedia / 楽天トラベル の在庫/料金 API を実装。
宿泊予約 FAQ ボットを 12 施設に導入。問い合わせ削減率 35%。
LLM を使った宿泊サマリ自動生成プロンプトを連載で公開。
tripla Connect・WASIMIL・陣屋コネクト・aipass・Salesforce・Zoho CRM等8製品をPMS連携・多言語対応・MA機能・料金の4軸で比較評価し、施設規模別の選定ガイドを執筆。
ライターの体験談
某リゾートホテルに需要予測モデルを納品。MAPE 7% の高精度だったが、3 ヶ月後の運用調査で「画面を誰も開いていない」ことが判明。
現場マネージャー 5 名に半日同行。価格決定が「予測値」ではなく「同部屋の競合料金 +500 円」で決まっていることを発見。予測値を直接見せるのではなく、競合比較画面の脇に予測値を「補助線」として埋め込む UI に変更。
4 週後に予測画面の参照率が 7% → 62% に。価格設定の精度が上がり RevPAR が 4% 改善。
- 「精度の高いモデル」と「使われるモデル」は別
- 現場の意思決定フローを変えずに、補助線として差し込むのが定着のコツ
FAQ ボットを 12 施設に導入直後、深夜 2 時に「キャンセル料は無料です」と誤回答する事故が発生（実際は前日 50%）。
プロンプトを直すだけでなく、「料金・キャンセル料・チェックイン時間」の 3 領域だけは AI が即答せず、必ず深夜は当直スタッフへ転送する設計に変更。
同種クレーム件数が 3 ヶ月でゼロに。料金以外の領域では応答時間が改善し、現場満足度も上がった。
- LLM の再現性は 100% にできない前提で「危険領域」だけ人間に逃がす設計が現実解
趣味・私生活
月 1 回ペースで連泊し、現場オペレーションを観察＋記事ネタにする。
Raspberry Pi クラスタで小規模 LLM を回し、エッジ推論の限界を試す。
