第1章|AIに任せる仕事を決める
DAY 02 ・ 約30分AI化候補を見つける
部署名やツール名ではなく、困りごとと繰り返しから候補を集める。
現場の困りごとを観察し、業務を適切な粒度の候補へ分け、AI・自動化・人のどれを使うか決める前の候補一覧を作れる。
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。
業務候補
AI化を検討する仕事の単位です。部署全体では大きすぎ、ボタン一回では小さすぎます。開始条件、入力、終わり、利用者が説明でき、改善前後を比べられる粒度にします。
ボトルネック
仕事全体の速さ、量、品質を制約している工程や判断です。長時間の作業だけでなく、承認待ち、特定の人しか分からない例外、情報の探し直しなども含みます。
反復作業
同じ目的と似た入力で繰り返される仕事です。回数が多いほど一件の小さな改善が積み上がります。ただし、頻度が高くても失敗の影響が大きい仕事は優先とは限りません。
スキル・ボトルネック
仕事を進めるための専門知識や制作能力が限られた人に集中し、他の人が待っている状態です。AIは下書きや整理で入口を広げられますが、専門判断の代替を自動で保証しません。
例外
通常の手順では処理できない入力や状況です。例外を邪魔として隠すと、本番で失敗します。例外の種類、頻度、判断者を記録すると、AIへ任せる範囲と人へ戻す条件が見えます。
任せる仕事の決定票|候補一覧
最低三件を同じ粒度で並べ、まだ順位は決めません。
候補探索
候補探索の成果は採用案ではなく、検証できる問題の一覧です。
仕組みを理解する
困りごとの言葉から始める
候補探索では「AIで何ができますか」と聞くより、「何に時間がかかるか」「どこで待つか」「何を何度も探すか」「誰が休むと止まるか」「どの間違いを直しているか」を聞きます。現場の人は業務名より、具体的な不便をよく知っています。「月末が大変」だけで終えず、いつ、誰が、何件を、どの資料から、どこへ移し、何を判断しているかをたどります。 候補は一人の思いつきだけで集めません。実行者、依頼者、承認者、後工程の人から別々に聞きます。前工程では便利でも、後工程で確認が増えることがあるためです。記録、業務マニュアル、問い合わせ履歴、差し戻し、待ち時間も観察します。AIは会議で語られた理想の手順ではなく、実際に入ってくる不完全な情報を扱うからです。候補探索の成果は採用案ではなく、検証できる問題の一覧です。
仕事を候補として切り出す粒度
「人事をAI化する」は、採用、勤怠、評価、相談など目的も危険も異なり、検証できません。一方「メールを読む」だけでは、何の成果に結び付くか不明です。「応募メールと添付書類から必須情報の欠落を見つけ、採用担当者の確認待ち一覧へ下書きする」のように、開始、入力、処理、出力、利用者を含めます。 粒度を確かめる質問は五つです。何が起きたら始まるか。どの情報を使うか。どんな判断や変換をするか。どの状態になれば終わるか。結果を誰がどう使うか。この五つが書けない場合は、さらに観察するか、前後の工程を分けます。複数部門をまたぐ長い業務は価値が大きく見えますが、データ、権限、例外、責任も増えます。最初の候補は、全体像を保ちながら、一つの成果を安全に検証できる境界へ切ります。
AIが得意な仕事の型を手掛かりにする
候補を広げる手掛かりとして、文章や画像の作成、情報の探索、コード作成、データ分析、発想・戦略、複数作業の自動化などの型を使えます。また、非構造化データを読み、曖昧な条件から分類し、複数の道具を順に使う仕事はエージェント候補になり得ます。ただし型は採用条件ではありません。「文章があるから生成AI」「繰り返すからエージェント」と短絡しません。 数値条件が明確で同じ結果を必ず出す必要がある処理は、通常プログラムや固定ワークフローが向きます。大量の同一画面操作ならRPAが候補です。相談、交渉、ケア、重大な権利判断は、人が中心になる場合があります。一つの業務に複数の方法を組み合わせても構いません。AIは入力の整理と下書き、ルールは上限判定、人は承認という分担です。候補探索では技術を決定せず、必要な判断の性質を記録します。
頻度・工数・待ち・手戻りを観察する
候補の価値を比べるには、作業一回の長さだけでなく、月の件数、関わる人数、待ち時間、差し戻し、繁忙期、例外率を見ます。一件三分でも月一万件なら大きな負担です。一件二時間でも年一回なら、システム化の費用を回収できないことがあります。担当者の感覚は重要ですが、可能なら二週間程度の標本を取り、記録と照らします。 「時間がかかる」の中身も分けます。実際に手を動かす時間、回答を待つ時間、情報を探す時間、間違いを直す時間、承認待ちです。AIが短縮できるのはどれかを仮説にします。たとえば文書の下書きが速くなっても、根拠確認が増えて全体時間が伸びる場合があります。候補表には現在値と測定期間を記し、分からなければ未計測とします。正確でない数字を埋めるより、測るべき項目が見える方が価値があります。
候補を捨てずに、保留理由を残す
探索段階では候補を多めに集めますが、すぐ実装へ進めません。個人情報や機密情報を扱う、本人の権利へ影響する、外部送信や金銭操作を伴う、正解基準が共有されていない、データ利用権が不明、業務責任者がいない候補には印を付けます。これは永久に禁止する判定ではなく、次に確認すべき条件です。 見送った候補にも理由と再検討条件を残します。「難しいから」ではなく、「本人への不利益があり、異議申立てと人の最終判断が未設計」「月間件数が少なく、既存テンプレートで十分」「最新版データの責任者が未決定」と書きます。モデルや価格、組織条件が変われば再評価できます。候補一覧は、夢のリストではなく、事実、未確認、危険、次の質問を管理する台帳です。
インタビューを作業の再現へ変える
「普段どうしていますか」という質問だけでは、理想化された手順が返りやすくなります。直近の一件を選び、開始した時刻、受け取った情報、開いた画面、迷った判断、他者への確認、例外、終了条件を順に再現してもらいます。機密情報は扱える範囲に限定し、観察の目的を説明します。同じ業務でも新人、熟練者、繁忙期で流れが違うため、複数例を見ます。 人が行う小さな工夫は重要です。略称を頭の中で正式名へ直す、依頼者ごとの癖を知る、危険な案件だけ別の人へ見せるなど、手順書にない判断があります。これを「属人化だからなくす」と決めず、何の失敗を防いでいるかを聞きます。AI候補にする場合は、その判断を入力、ルール、参照知識、人へのエスカレーションのどこへ置くか、後の設計課題として残します。
候補探索に終了条件を置く
候補を集め続けると、整理だけで終わります。部署や人数ではなく、業務の主要な型が一巡したか、同じ困りごとの重複が増えたか、評価に必要な最低情報がそろったかで探索を区切ります。候補数の目標だけを置くと、価値の薄い案を水増しします。三〜十件程度の比較可能な候補ができたら、次の評価へ進みます。 探索中にすぐ試したくなっても、本番データや外部操作は使いません。説明用の架空データで能力の感触を得る場合は、正式な評価と分けて記録します。デモでうまくいかなかった候補も、データ不足、指示不足、技術不適合、業務基準の曖昧さを切り分けます。候補の採否をモデル一回の回答で決めず、次に確かめる問いへ変えます。
影の作業を候補へ戻す
公式手順に書かれない表計算、個人メモ、チャットでの確認、コピー&ペースト、二重入力は、仕事が制度と合っていない徴候です。これらを単に廃止対象とせず、なぜ必要になったかを聞きます。既存システムの入力が遅い、例外欄がない、正式なデータが更新されないなど、AIでは解決できない原因が隠れていることがあります。 候補表には「現在使う非公式な道具」「それが防いでいる失敗」「なくした場合の影響」を記録します。AIが影の作業を自動化すると、問題を見えにくくする可能性があります。先に画面やルールを直せば十分なら、AI候補から外します。逆に、複数形式の情報を整理して正式システムへ入れる前の下書きは、限定的なAI支援として価値があるかもしれません。業務候補の発見は、AIの置き場所を探すだけでなく、仕事そのものの改善余地を発見する作業です。
実例で理解する
具体例で判断する
食品卸の受注チームでは「注文処理をAI化したい」という声がありました。観察すると、注文はメール、PDF、写真、電話メモで届きます。担当者は商品コードを探し、数量と納期を確認し、在庫システムへ入力し、在庫不足なら営業へ戻しています。平均処理時間だけを見ると入力作業が候補に見えますが、差し戻し記録では、商品名の略称と納品先の欠落を探す時間が大きいことが分かりました。 そこで候補を三つに分けます。Aは受注内容の項目抽出、Bは商品候補コードの検索、Cは在庫確保と顧客返信です。Aは非構造化入力を構造化するAI候補、Bは商品マスター検索と根拠表示を組み合わせる候補、Cは在庫・契約・納期を変え外部返信するため高影響です。最初はAとBをつなぎ、社内確認画面へ下書きする範囲を候補にします。Cは権限と承認が整うまで保留です。月3,200件、一件平均11分、略称確認による差し戻し18%という記録を残し、電話注文の音声は同意と品質の条件が違うため最初の範囲から外します。 候補収集会では、営業が望む自動返信、受注担当が望む入力削減、在庫担当が困る誤コードを別々に記録します。AIに期待する機能だけをまとめると、利害の違いが消えます。直近二週間から通常、略称、欠落、在庫不足、契約外商品の実例を匿名化して集め、どの工程で誰へ戻したかも確認します。この段階ではモデルを選ばず、通常フォームの改善や商品マスター整備で解決できる候補も同じ一覧へ残します。探索の結果、AI以外の改善が先だと分かっても、正しい発見です。 さらに倉庫側へ聞くと、誤コードよりも納品単位の誤りが手戻りを増やしていました。受注チームだけの聞き取りでは見えなかった後工程です。候補Aへ単位抽出を追加し、正解基準を商品マスターで確認できるようにします。候補の粒度と成果を、前後の人の視点で修正することが重要です。
任せる仕事の決定票|候補一覧
最低三件を同じ粒度で並べ、まだ順位は決めません。
- 困りごとを、誰・いつ・何が起きるで書く
- 開始・入力・処理・出力・利用者へ切り出す
- 頻度・実作業・待ち・差し戻し・例外を記録する
- AI・ルール・RPA・人の候補を決めずに判断の性質を書く
- 保留理由と再検討条件を残す
04|今日の理解度を確認する
今日の理解度を確認する
「経理をAI化する」という候補が広すぎる主な理由はどれですか。
業務候補は成果を測れる境界へ切り出します。
開始・入力・処理・出力・利用者が特定できず、比較と検証ができない: 正解です。部署名だけでは仕事の単位になりません。
経理ではAIを一切利用できない: 利用可否は具体的業務、データ、リスクで判断します。
候補名に英語が含まれていない: 名称の言語は評価可能性と無関係です。
必ず一人だけで行う業務だから: 経理には複数の仕事と関係者があります。
候補探索で直近一件の作業を再現してもらう目的として、最も適切なものはどれですか。
具体的な事例は、手順書にない実務を見つける助けになります。
理想化された手順ではなく、実際の確認・例外・非公式な工夫を知る: 正解です。実際の業務条件を候補へ反映できます。
担当者の記憶を正式ログとして無条件に採用する: 経験は重要ですが、記録や複数例と照らします。
一件だけで年間件数と全例外を確定する: 一件は流れを知る材料で、代表性は別に確認します。
観察した操作をすべてそのまま自動化する: 不要な工程や問題の回避策まで自動化する危険があります。
一件3分の作業が月1万件あります。候補評価前に確認すべきことはどれですか。
頻度が高い候補でも、どの時間と損失を変えられるかを確認します。
総工数だけでなく、待ち・手戻り・例外・後工程への影響を分ける: 正解です。局所時間だけでは全体価値を判断できません。
3分は短いので必ず候補から外す: 高頻度なら小さな改善が大きく積み上がる可能性があります。
件数が多いので直ちに完全自動化する: 失敗影響、データ、評価可能性をまだ確認していません。
作業時間だけを年間金額へ換算して採用する: 確認負荷や後工程、実際の現金効果を見落とします。
手順と条件を明確に固定でき、同じ入力には必ず同じ結果が必要な処理の第一候補はどれですか。
決定論的に表せる仕事へ、必ずしもAIエージェントは必要ありません。
通常プログラムや固定ワークフロー: 正解です。再現性と検証のしやすさを活かせます。
必ず複数エージェント構成: 複雑さと失敗点を増やすだけの可能性があります。
自由文を毎回生成するモデルだけ: 固定条件の確実な実行には向きません。
人の判断をすべて削除する仕組み: 高影響条件では人の判断が必要な場合があります。
候補を保留するときの記録として最も良いものはどれですか。
理由、担当、再検討条件を残すと将来再評価できます。
利用権未確認のため保留し、情報管理責任者の承認を再検討条件とする: 正解です。曖昧な保留を行動可能な条件にします。
何となく難しいので保留: 何が変われば進めるか分かりません。
今のモデルでは無理なので永久削除: 技術や条件が変わったとき再評価できません。
担当者が反対したので理由を残さない: 反対の根拠は重要なリスク情報です。
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
- ✓ 候補はツール名ではなく、現場の困りごとから集める
- ✓ 開始・入力・処理・出力・利用者が説明できる粒度へ切る
- ✓ 見送りも理由と再検討条件を残せば、将来の判断資産になる
講義本文 4,282字
PRIMARY SOURCES