ホーム
社内
ナレッジAI
実績
照会AI
需要
予測AI
営業
提案AI
構成と
n8n
丸眞 オンプレミス AI業務OS ／ ホーム
社内サーバー稼働中・外部通信 0件 比較レポートへ
眞

丸眞様が実現したいこと ＝ この4機能です

ヒアリングでいただいたご要望を、そのまま画面にしました。あれもこれもではなく、貴社がやりたいことに必要な機能だけをご用意しています。

すべて社内サーバー内で完結しています

文書も売上実績も、社外に一切送信していません。インターネットへの接続経路そのものがありません。

① 社内ナレッジAI（RAG）

開く
ご要望：「RAGのような仕組みを利用し、担当者が入力するとエージェントから回答が得られるような仕様」
商品規格書・ライセンス契約書・取引条件・過去の提案書を横断検索し、必ず出典を付けて回答します。閲覧権限を考慮するため、見てはいけない文書は回答にも使われません。

② 実績照会AI（数字が必ず合うAI）

開く
ご要望：「自社のサーバーに蓄積された売上実績や入出荷のデータを活用したい」
「昨年の実績は？」に対し、AIが数字を作るのではなく、既存の売上実績DBにSQLを投げて集計し、その結果だけを日本語にします。だから合計が必ず合います。

③ 需要予測AI

開く
ご要望：「自社データを活用して、需要予測に役立てたい」
品番 × 得意先 × 月次で、過去実績・季節性（母の日／お中元／お歳暮）・在庫回転から次期の見込みと発注推奨数を算出します。

④ 営業提案AI

開く
ご要望：「営業支援（昨年の実績に基づく提案など）に役立てたい」
得意先ごとに昨年この時期に売れた品番・今期の新商品・在庫が厚い品を突き合わせ、提案リストと提案書ドラフトを自動生成します。

この4機能は、すべて「今あるデータ」から作れます

新しく買うのは実質GPUサーバーだけ
自社サーバー
売上実績・入出荷データ
→ ②③④で使用
ファイルサーバー
規格書・契約書・提案書
→ ①④で使用
MARUSHIN BtoB
会員制卸売サイトの受注
→ ③④で使用（将来）
n8n が繋ぎます
既存データを動かさず、読みに行くだけ
ここが今回のご提案の要点です。貴社は既に必要なデータをお持ちです。新たにパッケージ製品を契約しなくても、n8n で既存資産を繋ぐだけで上の4機能は成立します（ソフトウェアのライセンス費は0円）。ただし GPUサーバーと、運用保守を誰が持つかは別途決める必要があります。▶ 比較レポート 第7章「そもそもパッケージは必要か」で3案を正直に比較しています

① 社内ナレッジAI（RAG）

担当者が日本語で入力すると、社内文書を横断して出典付きで回答します。閲覧権限を考慮するため、見てはいけない文書は回答にも使われません。

索引済 42,180文書 外部送信 0件

AIチャット

ログイン中：営業部 田中（権限：営業・一般）
ライセンスAの商品をECで売れる？
今治産タオルの品質基準は？
B百貨店の取引条件は？
役員報酬の内訳を教えて
丸眞 社内AI（オンプレミス稼働）
おはようございます。商品規格書・ライセンス契約書・取引条件書・社内規程・過去提案書を横断して検索できます。回答には必ず出典（ファイル名とページ）を付けます。上のボタンからお試しください。

索引対象（既存のファイルサーバー）

データ種別件数
商品規格書・仕様書18,420
キャラクターライセンス契約書1,286
監修ルール・提出要領642
得意先別 取引条件書1,104
過去の提案書・企画書8,730
社内規程・業務マニュアル418
カタログ・展示会資料3,240
貿易・輸入関連書類8,340
貴社ならではの使いどころ：ライセンス契約書です。多数のキャラクターライセンスを扱われている貴社では、「この商品をこの売り方でよいのか」という判断が日常的に発生します。契約書は非構造化文書であり、営業現場が最も頻繁に照会し、間違えると事故になる情報。RAGが最も価値を出せる題材だと考えました。
実運用で最初にやるべきこと：文書の棚卸しです。スキャンしただけのPDF・セル結合だらけのExcel・命名規則がバラバラなファイルは、どの製品を入れても精度が出ません。ここの整備がRAG成功の8割を占めます。

権限制御の考え方

営業部の方が「役員報酬」を聞いても、そもそも検索対象に入らないため回答できません。AIが気を利かせて隠すのではなく、権限のない文書は最初から検索されない設計です。

営業部 商品規格書・取引条件・提案書・カタログ
ライセンス管理 ＋ 契約書・ロイヤリティ・監修記録
管理部門 ＋ 人事・経理・稟議
左のチャットで「役員報酬の内訳を教えて」を押すと、権限制御が働く様子をご確認いただけます。

② 実績照会AI（数字が必ず合うAI）

「昨年の実績は？」に対し、AIが数字を作るのではなく、既存の売上実績DBにSQLを投げて集計し、その結果だけを日本語にします。実行したクエリも画面に出すため、根拠をいつでも検証できます。

n8n が担当する領域
ここが、RAGパッケージ単体では実現できない部分です。RAG（ベクトル検索）は「意味の近い文章のかたまり」を数個拾ってくる技術のため、数万行の売上明細を全部足す用途には向きません。合計がずれる、一部の行しか見ない、といった事故が起こります。数値は必ずDBに集計させ、LLMは日本語にするだけ——これが実務上の正解です。▶ 比較レポート 第8章で詳しく解説しています

実績照会AI

接続：既存の売上実績DB（読み取り専用）
昨年の父の日でB百貨店に一番売れたタオルは？
C量販店の直近3ヶ月が落ちている原因は？
今期のライセンス別売上構成比は？
実績照会AI
売上実績・入出荷データへの質問にお答えします。AIが集計クエリを組み立て、DBが計算し、その結果を日本語にしてお返しします。実行したクエリも表示するので、数字の根拠をいつでも確認できます。

③ 需要予測AI

品番 × 得意先 × 月次で、過去実績・季節性（母の日／お中元／お歳暮／クリスマス）・在庫回転・輸入リードタイムから、次期の見込みと発注推奨数を算出します。

お歳暮商戦（10〜12月）月次予測

4月
5月
6月
7月
8月
9月
10月
11月
12月
実績（確定）AI予測10〜12月合計 前年同期比 +12.4%
グラフの数値はデモ用のダミーです。実際の予測精度は、貴社の実データの粒度（品番別か・得意先別か・日次か月次か）によって大きく変わります。まず現在のデータ構造を拝見させてください。

予測に使っている要素

過去36ヶ月の実績
主軸
季節・催事係数
大
得意先別の伸縮
中
在庫回転日数
補正
輸入リードタイム
補正
正直に申し上げます。需要予測は「AIを入れれば当たる」ものではありません。予測が当たるかどうかは、過去データの品質と粒度でほぼ決まります。まずは前年同月比＋季節係数という説明できる計算から始め、実績と比べながら精度を育てる前提でお考えください。説明できない予測は、現場が使いません。

発注推奨リスト（AIが算出）

5品番で追加発注を推奨 n8n 毎週月曜 5:00 自動実行
品番商品名前年同期AI予測現在庫回転日数推奨発注判断理由
MT-4821ウォッシュタオル ギフト12,40015,8001,8401214,000欠品リスク 入荷まで21日
FT-2210今治産 フェイスタオル 2P8,90011,2004,200347,000お歳暮需要 +25.8%
BT-6104バスタオル ギフトBOX6,2007,4002,900414,500百貨店催事 3件確定
BL-1077ブランケット4,1005,3001,700293,800寒波予報・前倒し推奨
MT-3390ミニタオル アソート18,60017,90012,400785,500横ばい・在庫充足
PL-8802ピロケース 2P3,8003,2009,6001820滞留 → 営業提案AIへ回す
最下段の滞留品にご注目ください。需要予測は「増やす」ためだけのものではありません。回転182日の滞留在庫を検知し、「捨てる対象」ではなく「提案の種」として営業提案AIへ渡す——ここまで繋がって初めて、予測が業務の役に立ちます。

④ 営業提案AI（昨年実績に基づく提案）

得意先ごとに ①昨年この時期に売れた品番 ②今期の新商品 ③在庫が厚い品 を突き合わせ、提案リストと提案書ドラフトを生成します。数字は実績DB、商品・契約情報はナレッジAI（RAG）から取っています。

提案先の選択

得意先チャネル前年実績状態
B百貨店 様百貨店¥184,200,000生成済
C量販店 様量販店¥142,800,000▲18.2%
D専門店チェーン 様専門店¥68,400,000未生成
E通販 様EC¥52,100,000EC制限あり
E通販様（EC）にご注意：ライセンスAは「EC販売は事前承認が必要」と契約書に記載されています。AIが提案リストを作る際、この制約を自動でチェックし、該当品番を除外または警告表示します。
得意先名・金額はすべて架空のダミーです。実在の企業とは関係ありません。

B百貨店 様 ／ 2026年 秋冬 提案リスト（AI生成）

区分品番商品名昨年実績提案理由（AI生成）可否
実績上位BT-6104バスタオル ギフトBOX2,840昨年お歳暮期の同店No.1。今年は仕様を刷新し単価+8%可
実績上位FT-2210今治産 フェイスタオル 2P2,110ギフト需要が安定。今治産の訴求が同店の客層に合致可
新規MT-7715新作 ハンドタオルセット—同カテゴリの昨年実績+18%。価格帯も同店の売れ筋に一致可
新規MT-7701新作 ウォッシュタオル—同店は新商品の初速が良い傾向監修待ち
在庫消化PL-8802ピロケース 2P640在庫回転182日の滞留品。同店は寝装品の実績あり。セット提案での消化を推奨可
除外MT-4102（ライセンスB 対象品）—ライセンスBは契約満了が2026/11/15。納品時期が満了後になるため提案から除外不可
この画面の価値は、最下段の「除外」行にあります。提案リストを作るとき、営業担当がライセンス契約の期限やチャネル制限まで毎回確認するのは現実的ではありません。AIが契約書（ナレッジAI）と実績DB（SQL集計）を同時に見て、「提案してはいけないもの」を先に外す——これが4つの機能を繋げる本当の意味です。

構成と n8n ワークフロー

4つの機能の裏側で何が動いているか、そして「データが社外に出ない」を構成としてどう担保するかをご説明します。

パッケージは必要か（第7章）

構成レイヤー（すべて社内ネットワーク内）

既存資産をn8nで繋ぐ構成で記載
利用者
社員 170〜180名／Windows・Mac のブラウザのみ。専用アプリのインストールは不要です。
AIアプリ層
チャットUI・アプリ管理・ユーザー管理。Dify（Apache 2.0・無償）で構成できます。
▸ 全社横断検索の権限制御をより厳密にしたい場合は、この層だけをパッケージ製品（QuickSolution等）に差し替えられます。後から差し替えられる＝先に決めなくてよいのがこの構成の利点です。
業務接続層
n8n（セルフホスト・公式手順で隔離）　★弊社の担当領域
質問の振り分け、既存DBへのSQL集計、需要予測の実行、提案ドラフト生成、アラート通知。この層は、パッケージを買っても買わなくても必要です（どのRAG製品も需要予測を標準では持っていないため）。公式に全プランでユーザー数無制限と記載されており、180名でもライセンス費用は増えません。
モデル層
Ollama（MIT・無償）＋ ローカルLLM ＋ 埋め込みモデル（GPUサーバー上）。外部APIを一切呼ばない構成が可能です。ここでのモデル選択がGPU費用を最も左右します（70Bクラスは80GB級VRAM／約30Bクラスなら40GB以下1枚で動作するモデルもあります）。
データ層
すべて貴社の既存資産です。自社サーバー（売上実績・入出荷）＋ ファイルサーバー（規格書・契約書・提案書）＋ MARUSHIN BtoB のデータ ＋ Qdrant（Apache 2.0・無償）。データは既存の場所から動かさず、読みに行くのが基本。ここに新しく買うものはありません。
境界
インターネットとの接続点なし。n8n は公式の隔離設定（診断情報・バージョン通知・テンプレート取得をすべて無効化）で外部通信を停止します。機密情報が社外に出る経路そのものを作りません。
買い足す必要があるのは、実質「GPUサーバー」だけです。ソフトウェアは無償のもので構成でき、データは既にお持ちのものを使います。ただし「ソフト0円」＝「総額0円」ではありません。GPUサーバー・構築工数・運用保守は必ず発生します。▶ 第7章で3案（パッケージ購入／OSSのみ／併用）を正直に比較しています
① 質問の振り分け（4機能の心臓部）
② 文書取り込み・ベクトル化
③ 需要予測バッチ
④ 営業提案の自動生成
Webhook
社員が質問を送信
AI Agent
質問の種類を判定
Switch
文書系／数値系／予測系
Vector Store
Qdrant 検索（①）
Postgres / SQL
実績DBを集計（②）
Code
季節性計算（③）
ローカルLLM
日本語で要約
Respond
出典付きで回答
このワークフローが、4つの機能をひとつの入口にまとめる心臓部です。「昨年の実績は？」という数値系の質問が来たとき、ベクトル検索ではなくDBのSQLに回すことで、合計が必ず合う回答が返ります。RAGパッケージ単体では、この分岐が作れません。

「外部に出ない」の具体的な担保

n8n の公式ドキュメントには 「Isolate n8n（n8nを隔離する）」という設定手順が正式に用意されています。以下の環境変数により、外部への通信をすべて止められます。
N8N_DIAGNOSTICS_ENABLED=false
N8N_VERSION_NOTIFICATIONS_ENABLED=false
N8N_TEMPLATES_ENABLED=false
EXTERNAL_FRONTEND_HOOKS_URLS=
N8N_DIAGNOSTICS_CONFIG_FRONTEND=
N8N_DIAGNOSTICS_CONFIG_BACKEND=
これは弊社の主張ではなく、n8n公式ドキュメントに記載された手順です。稟議の際、根拠としてそのまま添付いただけます。

正直に申し上げる、確認が必要なこと

  • 売上実績DBの構造：②③④の実現難易度は、データがどのDBに・どの粒度で入っているかで大きく変わります。商談で最もお伺いしたい点です。
  • 文書の状態：スキャンPDF・セル結合Excel・命名バラバラのファイルは、どの製品でも精度が出ません。整備工数はどのベンダーの見積にも含まれていないことが多い項目です。
  • GPUサーバーの設置環境：消費電力と発熱が大きいため、既存サーバールームの電源容量と空調が足りるかを早い段階でご確認ください。
  • 178名での実効性能：必要GPU枚数は、実機での負荷検証でしか確定しません。「大丈夫です」と即答するベンダーには根拠をご確認ください。
  • 運用保守を誰が持つか：OSS構成ならソフト費用は0円ですが、止まったときに電話する相手を決めておく必要があります。自社か、弊社の保守契約か、パッケージのベンダー保守か。
デモ用モック