第1章|AIに任せる仕事を決める
DAY 01 ・ 約30分「使う」から「導入する」へ
便利な機能ではなく、仕事の成果と運用責任から考え始める。
AIを試す行為と、AIエージェントを業務へ導入する行為の違いを説明し、対象業務・成果・責任・停止条件を含む導入課題として捉えられる。
言葉を知る
用語を暗記するだけでなく、どの判断に使う言葉かまで整理します。
利用(Use)
個人が文章案を作る、要約を得る、アイデアを出すなど、AIの出力を人が受け取って使う段階です。間違いがあっても、人が採用しなければ実務への影響を止めやすいのが特徴です。利用者自身が入力と結果を確認する小さな範囲から始められます。
導入(Adoption / Implementation)
AIを業務の流れ、データ、道具、権限、人の役割へ組み込み、継続して成果を出せる状態にすることです。良い回答を一度得るだけでは足りず、誰が使い、何を参照し、どこまで実行し、失敗時に誰が止めるかまで決めます。
ユースケース
ある利用者が、特定の状況で、AIを使って何を達成するかを具体化したものです。「営業でAIを使う」は広すぎます。「商談後の記録から、未確定事項を残したままCRM登録案を作り、担当者が確認する」まで書くと検証できます。
ベースライン
AIを入れる前の作業時間、品質、ミス、待ち時間、費用など、比較の基準になる現状値です。導入後の数字だけを見ても改善か悪化か判断できません。測れない項目は、測定方法を決めるところから始めます。
運用責任
設計、データ更新、利用判断、承認、監視、事故対応、停止、復旧を誰が担うかという責任の分担です。AIへ作業を任せても、目的を決め、権限を与え、結果を使う組織の責任は消えません。
任せる仕事の決定票|入口
今日は完成させず、後のDAYで数字と判断を追加する土台を作ります。
社会技術システム
開始条件、入力、判断、外部操作、人の確認、出力、記録、停止までを一つのシステムとして扱います。
仕組みを理解する
デモの成功と業務導入の成功は違う
デモでは、整った一件の入力に対して魅力的な結果が出れば成功に見えます。実務には、欠けた入力、表記揺れ、例外、権限不足、外部サービス停止、利用者の誤操作があります。さらに、AIが正しく答えても、その結果が遅すぎる、費用が高い、確認が増える、既存システムへ戻せないなら、業務としては成功とはいえません。 導入では、モデルの回答品質だけでなく、仕事全体の流れを評価します。開始条件、入力、判断、外部操作、人の確認、出力、記録、停止までを一つのシステムとして扱います。AIエージェントは曖昧な情報を扱い、複数の手順を進め、道具を使える一方、行動範囲が広いほど失敗の影響も広がります。だから「何ができるか」より先に、「どの成果のために、どの境界内で動かすか」を決めます。
モデル中心から仕事中心へ視点を移す
「どのモデルを使うか」から始めると、機能に合わせて課題を探す順番になりがちです。先に見るのは仕事です。誰が困っているか、どの作業で時間や品質を失っているか、どの判断が滞っているか、改善したとき誰にどんな価値が出るかを確認します。そのうえで、生成AI、固定ワークフロー、検索、RPA、通常のソフトウェア、人の判断のどれが適切かを選びます。 AIエージェントは、複雑な判断、非構造化データ、壊れやすいルールが含まれる複数段階の仕事に向く場合があります。しかし、手順と条件が固定できるなら通常の自動化の方が安く、速く、再現しやすいこともあります。導入担当者の役割はAIを採用することではなく、仕事の成果に合う方法を選ぶことです。「AIを使わない」「一部だけAI」「下書きだけAI」という結論も正しい設計判断です。
成果を出力・利用・事業の三層で考える
AIの出力が良いこと、現場で使われること、事業成果が改善することは別です。第一層は正確さ、根拠、形式などの出力品質。第二層は利用率、確認時間、差し戻し、例外処理などの業務利用。第三層は処理時間、顧客満足、売上、損失回避などの成果です。第一層が高くても、現場が信用できず使わなければ第二層へ進みません。時間が短くなっても、その時間が別の価値ある仕事へ使われなければ第三層の便益は小さいままです。 最初の日に厳密なKPIを完成させる必要はありません。ただし「何が変われば成功と呼ぶか」を言葉にします。たとえば「問い合わせ回答案の正確率」だけでなく、「担当者が根拠を確認して採用できる割合」「重大な誤案内を公開前に止められること」「初回応答までの時間」を並べます。測定方法は後の章で精密にしますが、成果の層を分けるだけで、派手なデモへ引っ張られにくくなります。
責任と権限を導入条件に含める
AIが文章案だけを出す場合と、顧客へ送信する場合では、同じモデルでも危険が違います。送信、削除、公開、契約、購入、個人の評価など、外部へ影響する操作には、対象、回数、期間、金額、承認、取消の境界が必要です。導入初期は、読み取り専用、架空データ、少数件、下書き停止、人の承認という狭い条件で確かめます。精度が高いという理由だけで権限を広げません。 責任も一人へ押し付けません。業務責任者は目的と判断基準、技術担当は接続と停止、データ責任者は品質と権利、利用者は確認と報告、経営・リスク部門は許容範囲を担います。障害が起きたとき「AIが決めた」で終わる設計は導入できません。人が介入でき、記録から経緯を追え、前の正常状態へ戻せることを、機能と同じくらい重要な要件として扱います。
今日決めるのは製品ではなく課題の形
初日は製品比較やプロンプト作成をしません。まず一つの仕事について、利用者、困りごと、現在の流れ、望む変化、触れるデータ、外部への影響、人の最終判断を書きます。分からない数字は推測で埋めず、「未計測」「誰に聞く」「いつ測る」を残します。事実と仮説を分けることが、後のPoCを正しい問いにします。 よい導入テーマは、結果が魅力的なだけでなく、改善を測れ、失敗を小さく試せ、担当者が学習へ参加できます。反対に、目的が曖昧、高影響なのに基準がない、必要データを使う権利がない、責任者がいない仕事は、実装前に保留します。保留は失敗ではありません。準備不足を見つけ、条件が整うまで投資と危険を止める、重要な導入判断です。
社会技術システムとして変更を捉える
AIを一つの部品として入れても、仕事は人、規則、データ、既存システム、顧客との関係で成り立っています。AIの提案が速くなると、承認者へ仕事が集中するかもしれません。自動分類が増えると、以前は現場が自然に気づいていた異常を見落とすかもしれません。入力担当者がAIに通りやすい表現へ書き換え、記録の意味が変わることもあります。導入では技術性能だけでなく、役割、負担、権限、学習、例外対応がどう変わるかを観察します。 関係者を、利用者だけでなく、出力を受け取る人、データの本人、後工程、監査、保守まで広げます。それぞれの便益と不利益を分け、声の大きい依頼者だけで成功を定義しません。導入で仕事が変わる人へ、目的、範囲、AIの限界、問い合わせ先、異議申立て、停止方法を説明します。人の仕事を減らすという表現だけではなく、何がなくなり、何が残り、どんな新しい確認が生まれるかを示します。
証拠の強さをそろえて話す
公式仕様、契約、実測ログ、担当者の経験、ベンダーのデモ、将来予測は証拠の種類が違います。仕様上できることは、自社のデータで必要品質を出せる証拠ではありません。他社の成功事例は可能性を示しても、自社の便益を保証しません。担当者の感覚は候補発見に有用ですが、投資額を決める前に対象期間と件数を確認します。 導入案では、主張の隣に証拠と確認日を置きます。「分類可能」は公式機能、「月500件」は社内ログ、「30%短縮」は未検証仮説というように分けます。反対の証拠や失敗例も残します。結論に都合のよい数字だけを集めず、どの情報が欠けると判断が変わるかを明記します。証拠の強さをそろえると、モデルへの期待と業務上の判断を混同しにくくなります。
導入前の問いを一文で固定する
最後に「誰の、どの仕事について、何を改善するため、AIにどこまで任せる判断をするのか」を一文にします。「生成AIを全社導入すべきか」では広すぎます。「夜間に届く保守報告から不足項目を抽出し、朝の確認待ちを減らすため、社内下書きまで任せる価値と安全を検証できるか」のように書きます。対象、成果、境界が入り、YesだけでなくNoも答えられる問いにします。 この一文と、経営、現場、顧客、技術の期待が一致するかを確かめます。経営は人員削減、現場は入力負担軽減、顧客は回答品質を期待している場合、同じ「成功」を見ていません。期待の違いを隠さず、今回測る成果と測らない成果を決めます。後で成果が出なかったとき、モデルの失敗なのか、目的の不一致なのかを区別できます。導入は答えを作る前に、正しい問いと責任ある範囲を共有するところから始まります。
実例で理解する
具体例で判断する
地域の設備保守会社で、現場から届く点検メモをAIに読ませ、修理見積もりを自動送付したいという案が出ました。デモでは、整った三件のメモから自然な見積もり文が作れています。しかし導入課題として見ると、機器番号の欠落、部品価格の更新、保証対象、危険設備の緊急度、顧客ごとの契約条件が判断に関わります。金額を伴う送付まで自動化すると、誤りの影響は大きくなります。 そこで最初の範囲を「点検メモから、不足情報と見積もり作成に必要な確認項目を抽出し、社内の下書き欄へ保存する」に狭めます。価格決定と顧客送信は担当者が行います。現在は一件あたり平均18分、差し戻し率12%というベースラインを二週間測り、導入後は確認込みの処理時間、必須項目の欠落率、誤った保証判定、担当者の採用率を見ます。参照できるのは最新版の部品表と契約種別だけにし、顧客の個人情報を学習用へ転用しません。これで「AIを使う案」が、成果、境界、責任、測定を持つ導入候補へ変わります。 経営が期待する見積もり自動化と、現場が必要とする不足確認は同じではありません。今回は前者を将来範囲、後者を検証範囲として明記します。デモ成功は技術的可能性の弱い証拠、二週間の実測はベースライン、短縮率は仮説と区別します。誰が部品表を更新し、古い版を停止するかも決めます。機能が増える前に、仕事全体の成果と責任を合意する例です。
任せる仕事の決定票|入口
今日は完成させず、後のDAYで数字と判断を追加する土台を作ります。
- 対象業務を動詞で一つ書く
- 現在困っている人と困りごとを書く
- 望む変化を出力・利用・事業成果に分ける
- AIが触れるデータと外部操作を書く
- 人が判断する場所と、分からない項目を残す
04|今日の理解度を確認する
今日の理解度を確認する
個人がAIで一度だけ議事録案を作る場合と、組織が会議後処理へAIエージェントを導入する場合の違いとして、最も適切なものはどれですか。
導入は、良い出力を得る操作に加え、仕事の流れと責任を継続運用できる形へ変える活動です。
導入では、継続利用の成果・データ・権限・人の責任・停止まで設計する: 正解です。機能だけでなく、業務全体と運用責任を対象にします。
導入は、利用するモデル名を決めれば完了する: モデルは一部品です。成果、データ、接続、承認、監視が未定です。
個人利用では誤りが起きず、導入時だけ誤りが起きる: どちらでも誤り得ます。違いは影響範囲と制御の設計です。
導入すると、人の責任はAIへ移る: 目的と権限を決め、結果を使う組織と人の責任は残ります。
AIエージェント導入を仕事中心で始める最初の問いとして、最も適切なものはどれですか。
製品より先に、課題、成果、対象範囲を明確にします。
誰のどの仕事で、何を改善し、どの境界まで任せるか: 正解です。利用者、成果、任せる範囲が検証可能になります。
最もパラメータ数が多いモデルはどれか: モデル規模は手段の比較で、課題の定義より後です。
自動化率を最初から100%にできるか: 必要最小限の自律性を選ぶため、100%を前提にしません。
競合企業が使っている製品をそのまま導入できるか: 他社事例は可能性を示しても、自社の条件を保証しません。
AI導入のベースラインとして最も有用な記録はどれですか。
改善前後を比べられる現状値に、期間と範囲が必要です。
導入前の対象期間・件数・処理時間・差し戻しを同じ業務範囲で測った記録: 正解です。導入後と同じ単位で比較できます。
ベンダーのデモで一件を処理した時間: 整った一件だけでは実務のばらつきを表しません。
AI導入後の処理件数だけ: 導入前の比較基準がないため、改善か判断できません。
担当者が何となく速くなると思った割合: 候補発見には使えても、測定されたベースラインではありません。
AIの出力品質は高いのに、現場が使わず事業成果も変わりません。どの整理が適切ですか。
出力品質だけでは、採用や最終成果を保証しません。
出力・利用・事業成果を別の層として測る: 正解です。どの層で価値が止まったかを確認できます。
出力品質が高ければ導入成功とする: 現場利用と成果が生じていないため、導入成功とは限りません。
現場に強制利用させれば測定は不要になる: 利用回数は増えても、価値や安全を示しません。
事業成果だけを見てAI出力の品質は測らない: 原因を切り分けられず、危険な出力も見逃します。
見積もり案を作るAIへ、顧客送信機能を追加したいという提案が出ました。適切な判断はどれですか。
外部操作の追加は失敗影響を変えるため、別の変更として扱います。
能力変更と権限拡大を分け、送信対象・承認・取消を再評価する: 正解です。送信権限は品質向上だけで自動承認しません。
文章品質が高ければ無条件で全顧客へ送る: 品質が高くても宛先や契約条件の誤りは起こり得ます。
同じモデルなので以前の下書き試験だけで十分とする: 実行する操作と影響が変わるため、再評価が必要です。
送信後のログを残さずAIへ責任を持たせる: 人が追跡・停止・復旧できず、責任も移せません。
04|今日の理解度を確認する
今日の理解度を確認する
今日の整理をする
この3点を持ち帰る
- ✓ AIを試すことと、業務へ導入することは責任と範囲が違う
- ✓ モデルではなく仕事・成果・境界から方法を選ぶ
- ✓ 事実と仮説を分け、測れない項目も未計測として残す
講義本文 4,335字
PRIMARY SOURCES